| 1 |
1
심장상태 감지 센서 장치와 연동하여 사용자의 상태 정보를 제공하는 서버에 있어서,사용자로부터 측정된 심전도 신호를 포함하는 생체신호가 포함된 모니터링 정보를 수집하는 모니터링 정보 수집부;상기 수집된 모니터링 정보에 포함된 심전도 신호를 추출하는 신호 추출부;기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 심정지 모델 및 정상 심장상태 모델 중 적어도 하나의 모델로 결정하며, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 사용자의 심혈관계 질환을 결정하되,오픈 데이터 셋에 기반, 상기 결정된 심정지 모델 및 상기 정상 심장상태 모델을 이용하여 심장이상을 상기 심장이상으로 구분하는 TP(True Positive) 경우, 상기 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 상기 정상을 상기 심장이상으로 구분하는 FP(False Positive) 경우 및 상기 정상을 상기 정상으로 구분하는 TN(True Negative) 경우를 분류하고,상기 TP, FN, FP, TN을 분류하기 위한 수치들 중에서 적어도 일부 수치의 결합 간 비율에 기반하여 상기 결정된 적어도 하나의 모델에 대한 구분 정확도를 계산하는 인공지능 처리부; 및상기 결정된 심혈관계 질환을 사용자 단말 장치로 제공하도록 제어하는 제어부를 포함하는 것을 특징으로 하는서버
|
| 2 |
2
제1항에 있어서,상기 인공지능 처리부는 상기 추출된 심전도 신호의 시간 도메인(time domain)에 기반하여정규화 신호를 생성하며, 상기 생성된 정규화 신호를 상기 시간 표준화된 이미지로 변환하고, 상기 변환된 이미지에 상기 기 저장된 인공지능 기계학습 알고리즘 기반 가중치를 적용하여 압축 신호를 생성하며, 상기 적용된 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하고, 상기 생성된 정규화 신호와 상기 생성된 복원 신호의 차이가 사전 설정된 임계 범위에 해당되도록 상기 가중치를 기계학습하여 상기 심전도 신호의 형태학적 정보를 상기 특징 정보로 추출하는 것을 특징으로 하는서버
|
| 3 |
3
삭제
|
| 4 |
4
제1항에 있어서,상기 인공지능 처리부는 오픈 데이터 셋과 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나의 모델과 상기 정상 심장상태 모델을 이용하여 심장이상을 상기 심장이상으로 구분하는 TP(True Positive) 경우, 상기 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 상기 정상을 상기 심장이상으로 구분하는 FP(False Positive) 경우 및 상기 정상을 상기 정상으로 구분하는 TN(True Negative) 경우로 분류하고, 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나에 대한 구분 정확도를 계산하는 것을 특징으로 하는서버
|
| 5 |
5
제1항에 있어서,상기 인공지능 처리부는 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 위급 상황 구분 정확도를 계산하는 것을 특징으로 하는서버
|
| 6 |
6
심장상태 감지 센서 장치와 연동하여 사용자의 상태 정보를 제공하는 서버에 있어서,사용자로부터 측정된 심전도 신호를 포함하는 생체신호가 포함된 모니터링 정보를 수집하는 모니터링 정보 수집부;상기 수집된 모니터링 정보에 포함된 심전도 신호를 추출하는 신호 추출부;기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 심정지 모델 및 정상 심장상태 모델 중 적어도 하나의 모델로 결정하며, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 사용자의 심혈관계 질환을 결정하는 인공지능 처리부; 및상기 결정된 심혈관계 질환을 사용자 단말 장치로 제공하도록 제어하는 제어부를 포함하고,상기 인공지능 처리부는 아티팩트 신호를 상기 아티팩트 신호로 구분하는 TP(True Positive) 경우, 상기 아티팩트 신호를 정상 신호 구분하는 FN(False Negative) 경우 및 상기 정상 신호를 상기 아티팩트 신호로 구분하는 FP(False Positive) 경우, 상기 정상 신호를 상기 정상 신호로 구분하는 TN(True Negative) 경우로 분류하고, 상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 아티팩트 제거 정확도를 계산하는 것을 특징으로 하는서버
|
| 7 |
7
제6항에 있어서,상기 제어부는 상기 심전도 신호가 측정된 후, 상기 측정된 심전도 신호의 개수를 계산하고, 상기 계산된 심전도 신호의 개수를 임계 값과 비교하여 상기 심전도 신호의 데이터 수신 상태를 확인하는 것을 특징으로 하는서버
|
| 8 |
8
제6항에 있어서,상기 사용자 단말 장치는 상기 결정된 심혈관계 질환과 관련된 분석 결과를 디스플레이를 통해 제공하는 것을 특징으로 하는서버
|
| 9 |
9
심장상태 감지 센서 장치에 있어서,사용자로부터 심전도 신호를 포함하는 생체신호를 측정하고, 상기 측정된 생체신호가 포함된 모니터링 정보를 인공지능 인코더를 통해 출력하는 생체신호 모니터링부 및상기 출력된 모니터링 정보에 포함된 심전도 신호를 추출하고, 기 저장된 인공지능 기계학습 알고리즘에 기반하여 상기 추출된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보로 추출하고, 상기 추출된 특징 정보를 이용하여 복수의 심장이상 종류 모델을 결정하며, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하고, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 사용자의 심혈관계 질환을 결정하는 인공지능 처리부를 포함하고,상기 인공지능 처리부는,결정된 적어도 하나의 모델을 이용하여 심장이상을 상기 심장이상으로 구분하는 TP(True Positive) 경우, 상기 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 상기 정상을 상기 심장이상으로 구분하는 FP(False Positive) 경우 및 상기 정상을 상기 정상으로 구분하는 TN(True Negative) 경우를 분류하고,상기 TP, FN, FP, TN을 분류하기 위한 수치들 중에서 적어도 일부 수치의 결합 간 비율에 기반하여 상기 결정된 적어도 하나의 모델에 대한 구분 정확도를 계산하는심장상태 감지 센서 장치
|
| 10 |
10
제9항에 있어서,상기 인공지능 처리부는 상기 심전도 신호를 측정할 시 발생되는 데이터 트래픽을 시뮬레이션하고, 상기 시뮬레이션에 기반하여 상기 심장상태 감지 센서의 동작 상태를 결정하는 것을 특징으로 하는심장상태 감지 센서 장치
|
| 11 |
11
제9항에 있어서,상기 인공지능 처리부는 상기 특징 정보를 기계학습하여 상기 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 심정지 모델 및 정상 심장상태 모델 중 적어도 하나의 모델로 결정하는 것을 특징으로 하는심장상태 감지 센서 장치
|
| 12 |
12
제9항에 있어서,상기 생체신호 모니터링부는,상기 사용자로부터 움직임 신호 및 체온 신호 중 적어도 하나의 신호를 더 측정하고,상기 움직임 신호 및 상기 체온 신호가 더 포함된 모니터링 정보를 인공지능 인코더를 통해 출력하는 것을 특징으로 하는심장상태 감지 센서 장치
|
| 13 |
13
제12항에 있어서,상기 인공지능 처리부는 상기 측정된 심전도 신호 및 상기 측정된 움직임 신호를 기반으로 상기 사용자의 심정지 및 낙상을 포함하는 위급상황을 탐지하는 것을 특징으로 하는심장상태 감지 센서 장치
|
| 14 |
14
심장상태 감지 센서 장치와 연동하여 사용자의 상태 정보를 제공하는 서버를 이용하는 심장 상태 모니터링 방법에 있어서,상기 심장상태 감지 센서 장치에서, 사용자로부터 심전도 신호를 측정하는 단계;상기 서버에서, 상기 측정의 된 심전도 신호의 시간 표준화된 이미지로의 변환을 통한 형태학적 정보를 특징 정보를 추출하는 단계;상기 서버에서, 상기 추출된 특징 정보를 기계학습하여 복수의 심장이상 종류 모델을 결정하는 단계;상기 서버에서, 상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하는 단계; 및상기 서버에서, 상기 계산된 정확도에 기반하여 상기 결정된 심장이상 종류 모델과 공개된 심혈관계 질환 데이터를 이용하여 상기 사용자의 심혈관계 질환을 결정하는 단계를 포함하고,상기 추출된 특징 정보를 기계학습하여 복수의 심장이상 종류 모델을 결정하는 단계는상기 특징 정보를 기계학습하여 상기 복수의 심장이상 종류 모델을 빈맥 모델, 서맥 모델, 심방세동 모델, 좌각차단 모델, 우각차단 모델, 심방조기수축 모델, 심실조기수축 모델, 심정지 모델 및 정상 심장상태 모델 중 적어도 하나의 모델로 결정하는 단계를 포함하고,상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하는 단계는,오픈 데이터 셋과 상기 심정지 모델과 상기 정상 심장상태 모델을 이용하여 심정지 구간을 상기 심정지 구간으로 구분하는 TP(True Positive) 경우, 상기 심정지 구간을 정상 구간으로 구분하는 FN(False Negative) 경우, 상기 정상 구간을 상기 심정지 구간으로 구분하는 FP(False Positive) 경우 및 상기 정상 구간을 상기 정상 구간으로 구분하는 TN(True Negative) 경우로 분류하는 단계; 및상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 위급 상황 구분 정확도를 계산하는 단계를 포함하는심장 상태 모니터링 방법
|
| 15 |
15
제14항에 있어서,상기 특징 정보를 추출하는 단계는,상기 추출된 심전도 신호의 시간 도메인(time domain)에 기반하여생성된 정규화 신호를 상기 시간 표준화된 이미지로 변환하고, 상기 변환된 이미지에 인공지능 모델 기반 가중치를 적용하여 압축 신호를 생성하는 단계;상기 적용된 인공지능 모델 기반 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하는 단계; 및상기 생성된 정규화 신호와 상기 생성된 복원 신호의 차이가 사전 설정된 임계 범위에 해당되도록 상기 인공지능 모델 기반 가중치를 기계학습하여 상기 심전도 신호의 형태학적 정보를 상기 특징 정보로 추출하는 단계를 포함하는심장 상태 모니터링 방법
|
| 16 |
16
삭제
|
| 17 |
17
제14항에 있어서,상기 결정된 복수의 심장이상 종류 모델에 대한 구분 정확도를 계산하는 단계는,오픈 데이터 셋과 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나의 모델과 상기 정상 심장상태 모델을 이용하여 심장이상을 상기 심장이상으로 구분하는 TP(True Positive) 경우, 상기 심장이상을 정상으로 구분하는 FN(False Negative) 경우, 상기 정상을 상기 심장이상으로 구분하는 FP(False Positive) 경우 및 상기 정상을 상기 정상으로 구분하는 TN(True Negative) 경우로 분류하는 단계; 및상기 TP(True Positive) 경우의 수치, 상기 FN(False Negative) 경우의 수치, 상기 FP(False Positive) 경우의 수치 및 상기 TN(True Negative) 경우의 수치의 결합에 대한 상기 TP(True Positive) 경우의 수치와 상기 TN(True Negative) 경우의 수치의 결합의 비율에 기반하여 상기 빈맥 모델, 상기 서맥 모델, 상기 심방세동 모델, 상기 좌각차단 모델, 상기 우각차단 모델, 상기 심방조기수축 모델 및 상기 심실조기수축 모델 중 적어도 하나에 대한 구분 정확도를 계산하는 단계를 포함하는심장 상태 모니터링 방법
|
| 18 |
18
삭제
|
