CN119451624A 以短期测量的心脏信号为基础生成长期心率变异性的方法、程序及装置 （美迪科诶爱有限公司）

2024.12.27PCT/KR2023/0099912023.07.13WO2024/014888KO2024.01.18地址韩国首尔市江南区永东大路85街38,以短期测量的心脏信号为基础生成长期心本揭示的一实施例揭示由运算装置执行的以短期测量的心脏信号为基础生成长期心率变21.一种由包括至少一个处理器的运算装置执行的以短期测量的心脏信号为基础生成脏数据为基础生成大于所述第一基准时间的第二基准时间的心率变异性的步骤包括下列把所述心脏数据输入预先学习的第一模型，算出所述第二基准时以预测的所述概率分布为基础进行采样而算出所述第二基准时间的心率变异性所包算出所述第二基准时间的心率变异性所包含的多个值的在预测的所述概率分布和正态分布对应时，算出所述第二基准时间的心率变异性所包含的多个值的及执行对通过所述建模生成的概率分布的随机采样，算出所述第二算出所述第二基准时间的心率变异性所包含的多个值的通过所选择的采样方法对所述概率分布进行采样，算出所述第二基准脏数据为基础生成大于所述第一基准时间的第二基准时间的心率变异性的步骤还包括下3把所述第二基准时间的心率变异性输入所述第二模型，生脏数据为基础生成大于所述第一基准时间的第二基准时间的心率变异性的步骤包括下列把所述心脏数据输入预先学习的作为生成式模型的第三模脏数据为基础生成大于所述第一基准时间的第二基准时间的心率变异性的步骤包括下列把所述心脏数据输入预先学习的作为序列到序列模型的第四所述计算机程序在一个以上处理器运行时，执行用于以短期13.一种用于以短期测量的心脏信号为基础生成长期心率变异性的运算装置，其特征所述处理器利用预先学习的深度学习模型，以所述心脏数据为基础生成4期测量的心脏信号生成如同提取自长期测量的心脏信号的心率变异性并且从生成的心率[0005]然而，对于使用者来说，为了测量心脏信号5分钟而持续保持专心的状态并不容[0007]本揭示的目的是提供一种能运用人工智能从短期测量的心脏信号生成如同提取[0010]依据实现如前所述的技术问题的本揭示的一实施例提供一种由运算装置执行的5取包含第一基准时间以内测量的心脏信号的心脏数据；以及利用预先学习的深度学习模率分布为基础进行采样而算出所述第二基准时间的心率变异性所包异性所包含的多个值的步骤可包括下列步骤：在预测的所述概率分布和正态分布对应时，异性所包含的多个值的步骤可包括下列步骤：在预测的所述概率分布和正态分布不对应异性所包含的多个值的步骤可包括下列步骤：在预测的所述概率分布和正态分布对应时，异性所包含的多个值的步骤可包括下列步骤：在预测的所述概率分布和正态分布不对应异性所包含的多个值的步骤可包括下列步骤：判断预测的所述概率分布是否对应正态分列算出来的所述第二基准时间的心率变异性所包含的多个值的顺序的步骤可包括下列步6学习的作为生成式模型的第三模型，算出所述第二基准时间的心率变异性所包含的多个[0023]依据实现如前所述的技术问题的本揭示的一实施例提供一种存储在计算机可读[0024]依据实现如前所述的技术问题的本揭示的一实施例提供一种用于以短期测量的[0030]图2是示出本揭示一实施例的第一基准时间以内测量的心脏信号与第二基准时间[0031]图3是示出依据本揭示的一实施例以第一基准时间以内测量的心脏数据为基础生[0032]图4是示出本揭示一实施例的利用深度学习模型的第二基准时间的心率变异性生7[0033]图5是示出本揭示一实施例的利用深度学习模型的第二基准时间的心率变异性特[0034]图6是示出本揭示一实施例的以短期测量的心脏信号为基础生成长期心率变异性[0040]如果本揭示没有特别指定或者在句子脉理上无法明确看同但是为了说明方便而需要予以区分的要素也能以第一要素或第二要如计算机相关实体(entity)、固件(firmware)、软件(software)或其一部分、硬件 装置的硬件要素或其集合、执行软件的特定功能的应用程序、通过执行软件实现的处理过“单元(unit)”可以指称组成系统的运算装置本身或者在运算装置执行的应用程序等。然8与语言实现的系统、用于解决特定问题的软件单位的集合、或对于用于解决特定问题的处有解决问题的能力的神经网络所实现的整个系统。此时，神经网络能通过学习把连接节点 (node)或神经元(neuron)的参数(parameter)予以优化而拥有解决问[0047]本揭示一实施例的运算装置100可以是执行数据的综合处理及运算的硬件装置或领域普通技术人员可理解的范畴内以各种方式[0049]本揭示一实施例的处理器110可理解为包括用于执行运算的硬件和/或软件的组对用于机械学习的输入数据的处理、用于机械学习的特征的提取、基于反向传播(backpropagation)的误差计算之类的运算过程进行处理。如前所述的用于执行数据处理的处理器110可包括中央处理装置(CPU：centralprocessingunit)、通用图形处理装置(GPGPU：generalpurposegraphicsprocessingunit)、张量处理装置(TPU：tensor仅仅是一个例示而已，处理器110的种类能以本揭示的内容为基础在本领域普通技术人员[0050]处理器110能利用预先学习的深度学习模型，以包含第一基准时间以内测量的心9[0051]处理器110能从通过深度学习模型生成的第二基准时间的心率变异性算出心率变学演算算出诸如RR间期标准差(SDRR：standarddeviationofRRinterval)、平均心率均方根(RMSSD：rootmeansquareofthesuccessivedifferences)、低频能量(LF：[0052]本揭示一实施例的存储器120可理解为包括把运算装置100所处理的数据予以存擦可编程只读存储器(eeprom：electricallyerasableprogrammableread_only本揭示的内容为基础在本领域普通技术人员可理解的范畴内进行各种[0053]存储器120能把处理器110执行运算时所需要的数据、数据组合以及能在处理器据的输入后进行学习的程序码、让神经网络模型接收心脏数据的输入后按照运算装置100[0054]本揭示一实施例的网络单元130可理解为通过任何形态的公知的有线无线通信系带码分多址(WCDMA：widebandcodedivisionmultipleaccess)、长期演进(LTE：longtermevolution)、无线宽频(WiBro：wirelessbroadbandinternet)、第五代移动通信fieldcommunication)或蓝牙(Bluetooth)之类的有线无线通信系统进行数据收发。前述多个通信系统仅仅是一个例示而已，还能在前述例示以外适用各种用于网络单元130数据[0055]网络单元130能通过和任何系统或任意客户机等的有线无线通信接收处理器110的通信发送神经网络模型的输出数据及处理器110的运算过程中导出的中间数据、加工数[0056]图2是示出本揭示一实施例的第一基准时间以内测量的心脏信号与第二基准时间[0057]第一基准时间以内测量的心脏信号10中示出峰值之间间距的多个数值表示第一中数值822表示心率变异性的第一个值，第二个峰值之间间距857ms中数值857表示心率变号10生成的第二基准时间的心率变异性20可包括第一基准时间以内的心率变异性所包含预测则是针对第一基准时间以内测量的心脏信号10如果一直测量到第二基准时间的话会号10输入深度学习模型后生成第一基准时间以上且第二基准时间以内的预测的多个心率心率变异性值和新生成的多个值加以连接后生成第二基准时间[0059]图3是示出依据本揭示的一实施例以第一基准时间以内测量的心脏数据为基础生[0060]请参阅图3，本揭示一实施例的心脏数据30可包含第一基准时间以内测量的心电[0061]本揭示一实施例的运算装置100能把心脏数据30输入深度学习模型200后算出对者的意图等因素选择性地或复合性地使用第一模型210至第四模型230后算出长期心率变[0063]第三模型220能从心脏数据30学习第一基准时间以内的心率变异性的分布并且从220能掌握从包含第一基准时间以内实际测量的信号的心脏数据30算出来的心率变异性的生成式对抗神经网络(GAN：generativeadversarialnetwork)或变分自编码器(VAE：的种类仅仅是一个例示而已，第三模型220的神经网络除了所述例示以外还能适用各种生[0064]第四模型230能学习心脏数据30随时间变化的特征后以所学习的结果为基础生成30在第一基准时间之后呈现哪种变化而生成第二基准时间的长期心率变异性35。作为一网络的种类仅仅是一个例示而已，第四模型230的神经网络除了所述例示以外还能适用各[0065]运算装置100能从对应于第二基准时间的心率变异性的长期心率变异性35算出心算装置100不是从不符合最佳标准的心脏数据30直接提取心率变异性特征39，而是生成符合最佳标准的长期心率变异性35后从其提取心率变异性特征39，因此能轻易提取各种特[0066]图4是示出本揭示一实施例的利用深度学习模型的第二基准时间的心率变异性生成过程的框图。图5是示出本揭示一实施例的利用深度学习模型的第二基准时间的心率变40输入第一模型210后对相当于第二基准时间的心率变异性的长期心率变异性算出平均43[0068]运算装置100可以利用长期心率变异性的平均43及标准差45预测长期心率变异性分布对应时，运算装置100能对预测的概率分布47进行随机采样而算出多个长期心率变异分布47上存在的多个值随机提取直到满足第二基准时间为止而生成多个长期心率变异性率分布47和正态分布对应时，运算装置100能进行随机采样而提取正态分布上存在的多个机采样的结果上误差变大的概率会变高，因此运算装置100能在选择其它采样方法预测的47是否对应正态分布而选择多个采样方法中的一个脏数据原件的顺序信息。这种情形在算出顺序信息不重要的多个心率变异性特征(例如SDNN等)时不会构成较大问题，但是在算出顺序信息重要的多个心率变异性特征(例如成的多个长期心率变异性值50上添加顺序信息，运算装置100能对基于自注意力机制的第二模型220输入多个长期心率变异性值50后重新配置多个长期心率变异性值50[0071]具体地，运算装置100能把多个长期心率变异性值50输入第二模型后生成示出多个长期心率变异性值50的相关关系的注意力地图(map)55。注意力地图能以特定长期心率运算装置100能通过注意力地图掌握多个长期心率变异性值50的顺序并予以重新配置，能[0072]图6是示出本揭示一实施例的以短期测量的心脏信号为基础生成长期心率变异性置100能通过和测量了心脏信号的设备的有线无线通信获取包含第一基准时间以内测量的[0074]运算装置100能利用预先学习的深度学习模型，以心脏数据为基础生成大于第一入预先学习的第一模型并算出第二基准时间的心率变异性的平均及标准差。运算装置100能以平均及标准差为基础预测所述第二基准时间的心率变异性的概率分布。运算装置100能以预测的概率分布为基础进行采样并算出第二基准时间的心率变异性所包含的多个值。预先学习的作为生成式模型的第三模型并算出第二基准时间的心率变异性所包含的多个值。而且，运算装置100也能把心脏数据输入预先学习的作为序列到序列(s