METHOD FOR PREDICTING PAROXYSMAL ATRIAL FIBRILLATION IN NORMAL SINUS RHYTHM ELECTROCARDIOGRAM STATE BY USING DEEP LEARNING

• Main Authors: CHOI, Wonik, HONG, Seulgi, KIM, Dae Hyeok, LEE, Sangchul, BAEK, Yong Soo
• Format: Patent
• Language: English; French; Korean
• Published: 09.07.2020
• Subjects: DIAGNOSIS; HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATIONTECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING ORPROCESSING OF MEDICAL OR HEALTHCARE DATA; HUMAN NECESSITIES; HYGIENE; IDENTIFICATION; INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTEDFOR SPECIFIC APPLICATION FIELDS; MEDICAL OR VETERINARY SCIENCE; PHYSICS; SURGERY

Disclosed is a method for predicting paroxysmal atrial fibrillation in a normal sinus rhythm electrocardiogram state by using deep learning. A method for predicting paroxysmal atrial fibrillation according to an embodiment may include: a step for performing pre-processing in which electrical biosignals are converted into input data based on a diagnostic model; a step for training a diagnostic model, configured for the prediction of paroxysmal atrial fibrillation, with the pre-processed input data; and a step for evaluating the potential probability of paroxysmal atrial fibrillation in cases that include a group potentially classified as PAF (PAF normal cases) and a real normal group (Real normal cases), by using the training results learned through the diagnostic model. L'invention concerne une méthode pour prédire une fibrillation auriculaire paroxystique (PAF) dans un état à électrocardiogramme à rythme sinusal normal en faisant appel à un apprentissage profond. Une méthode pour prédire une fibrillation auriculaire paroxystique selon un mode de réalisation peut comprendre : une étape pour effectuer un prétraitement dans lequel des biosignaux électriques sont convertis en données d'entrée sur la base d'un modèle de diagnostic ; une étape pour apprendre un modèle de diagnostic, conçu pour la prédiction de la fibrillation auriculaire paroxystique, avec les données d'entrée prétraitées ; et une étape pour évaluer la probabilité potentielle de fibrillation auriculaire paroxystique dans des cas qui comprennent un groupe classé potentiellement comme cas de PAF (cas normaux de PAF) et un groupe normal réel (cas normaux réels), en faisant appel aux résultats d'apprentissage appris à travers le modèle de diagnostic. 딥러닝을 이용한 정상동율동 심전도 상태에서의 발작성 심방세동 예측방법이 개시된다. 일 실시예에 따른 발작성 심방세동 예측 방법은, 전기적 생체 신호로부터 진단 모델에 기반한 입력 데이터로 변환하는 전처리 과정을 수행하는 단계; 상기 전처리 과정이 수행된 입력 데이터를 발작성 심방세동 예측을 위하여 구성된 진단 모델에 학습시키는 단계; 및 상기 진단 모델을 통하여 학습된 학습 결과를 잠재적으로 PAF로 분류된 그룹(PAF normal case)및 실제의 정상 그룹(Real normal case)을 포함하는 케이스에 따라 발작성 심방세동의 잠재 확률을 평가하는 단계를 포함할 수 있다.