심층 신경망을 이용한 부정맥 분류 시스템 및 방법

발명의 명칭 : 심층 신경망을 이용한 부정맥 분류 시스템 및 방법
출원번호 : 10-2018-0158212
출원일자 : 2018년 12월 10일
등록번호 : 10-2199085
등록일자 : 2020년 12월 30일
발명자 : 이화민, 전은광
특허권자 : 순천향대학교 산학협력단
법적상태 : 등록
요약
본 발명은 심층 신경망을 이용한 부정맥 분류 시스템 및 방법을 개시한다. 본 발명의 일 측면에 따른 심층 신경망을 이용한 부정맥 분류 방법은, ECG 신호를 수신하는 단계; 상기 수신한 ECG 신호를 심층 신경망 알고리즘에 적용할 수 있도록 전처리하는 단계; 상기 전처리된 ECG 신호에서 P-QRS-T파의 피크값을 검출하는 단계; 상기 검출된 P-QRS-T파의 피크값을 라벨 데이터와 통합하여 하나의 파일로 구성함으로써 데이터 셋을 구성하는 단계; 및 상기 P-QRS-T파의 피크값 및 데이터 셋에 입력 레이어, 히든 레이어, 출력 레이어를 포함하는 심층 신경망을 적용하여 부정맥을 분류하는 단계;를 포함한다.

연구사사
이 발명을 지원한 국가연구개발사업
과제고유번호 20141007200051001
부처명 과학기술정보통신부
과제관리(전문)기관명 정보통신기술진흥센터(IITP)
연구사업명 대학ICT연구센터육성지원사업
연구과제명 웰니스 삶을 위한 WellTEC 코칭 서비스 및 콘텐츠 개발
기 여 율 1/2
과제수행기관명 순천향대학교
연구기간 2014.06.01 ~ 2018.12.31

이 발명을 지원한 국가연구개발사업
과제고유번호 20150004030041001
부처명 과학기술정보통신부
과제관리(전문)기관명 정보통신기술진흥센터(IITP)
연구사업명 대학ICT연구센터육성 지원사업
연구과제명 IoT보안기술연구
기 여 율 1/2
과제수행기관명 순천향대학교 산학협력단
연구기간 2015.06.01 ~ 2018.12.31

딥러닝 기반 심정지 예측 기술 연구

제목 : 딥러닝 기반 심정지 예측 기술 연구
저자 : 김영민, 채민수, 윤건일, 조유진, 송찬영, 이화민
게재지 : 2020년 한국정보과학회 한국소프트웨어종합학술대회(KSC2020)
장소 : 온라인
교신저자 : 이화민

초록
심정지는 심장이 멈추어 신체 내 혈액이 흐리지 않는 현상이다. 심정지가 발생할 경우 혈액이 흐르지 않아 신체 기능이 손상되며, 초기 대응이 늦을 경우 뇌손상도 일으킬 수 있다. 그렇기 때문에 초기 발견 및 초기 대응이 중요하다. 본 연구팀은 순천향대학교 천안병원 내 병동 환자들의 데이터셋으로 연구를 진행하였다. 2016년부터 2019년까지의 병동환자를 대상으로 연구하였다. LSTM 모델과 결정트리, 로지스틱회귀, 랜덤포레스트를 이용하여 심정지 예측을 하였다. 성능 평가 결과 정밀도는 랜덤포레스트가 가장 높지만, LSTM 모델이 재현율이 가장 높다.

Acknowledgments
이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 -현장맞춤형 이공계 인재양성지원사업의 지원을 받아 수행된 연구임(No. 2019H1D8A1105622).
본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음 (IITP-2020-2015-0-00403).

Prediction of Cardiac Arrest using LSTM in Hospitalized Patients

Title : Prediction of Cardiac Arrest using LSTM in Hospitalized Patients
Published in : The 4th International Conference on Interdisciplinary research on Computer science, Psychology, and Education (ICICPE’ 2020)
Author : Geonil Yun, Minsu Chae, Hyo-Wook Gil, Nam-Jun Cho, HwaMin Lee
Corresponding author : HwaMin Lee
Location : RAMADA PLAZA JEJU Hotel, Jeju Island, Korea and Online

Abstract
It is necessary to detect unexpected cardiac arrest early in the general ward of the hospital. However, the conventional Track and Trigger System (TTS) has low sensitivity and a high false alarm rate, which may not guarantee the safety of heart attack patients. In addition, false alarms can lead to a waste of movement by medical staff. This can be life-threatening as other critically ill patients lose access to treatment. Therefore, in this paper, we propose an LSTM deep learning network model that predicts heart attack within 24 hours with high sensitivity and low false alarm rate using patient vital signs.

Acknowledgments
This research supported by the MSIT (Ministry of Science and ICT), Korea, under the ITRC (Information Technology Research Center) support program(IITP-2020-2015-0-00403) supervised by the IITP (Institute for Information & communications Technology Planning & Evaluation) and X-mind Corps program of National Research Foundation of Korea (NRF) funded by the Ministry of Science, ICT (No. 2019H1D8A1105622).

Deep Learning based Cardiac Arrest Prediction using Vital sign and Lab code

Title : Deep Learning based Cardiac Arrest Prediction using Vital sign and Lab code
Published in : The 12th International Conference on Internet (ICONI 2020)
Author : Minsu Chae, Sangwook Han, Geonil Yun, Hyo-Wook Gil, Min Hong, DoKyeong Lee, HwaMin Lee
Corresponding author : HwaMin Lee
Location : Jeju ShinhwaWorld, Jeju, Korea

Abstract
There are patients in hospitals who are hospitalized for a variety of reasons. We conducted a study on predicting cardiac arrest on patients at Soonchunhyang University Cheonan Hospital. We studied patients from 2016 to 2019. We used deep learning via the LSTM model and the GRU model. We check density of each input feature according to cardiac arrest. We compared only patients with vital signs and lab data. We removed DBP, SBP, BodyTemperature, AST, ALT, WBC, Creatinine, and Bilirubin variable density because there was little difference between those with cardiac arrest and other patients. We experimented with the LSTM model and GRU Model. In this paper, deep learning-based cardiac arrest prediction using vital signs and lab data has high precision. In particular, when using the GRU model, even if the cardiac arrest of 0 to 24 hours for each record is changed, it has a sensitivity of 60%.

Acknowledgments
This research was supported by the Bio & Medical Technology Development Program of the National Research Foundation (NRF) funded by the Korean government (MSIT) (No. NRF-2019M3E5D1A02069073) and supported by the MSIT(Ministry of Science and ICT), Korea, under the ITRC(Information Technology Research Center) support program(IITP-2020-2015-0-00403) supervised by the IITP(Institute for Information & communications Technology Planning & Evaluation)

생징후 데이터와 랩 코드 데이터를 이용한 심정지 예측

제목 : 생징후 데이터와 랩 코드 데이터를 이용한 심정지 예측
저자 : 채민수, 윤건일, 조유진, 김영민, 송찬영, 이화민
게재지 : 2020년 한국산학기술학회 추계학술발표대회 논문집
장소 : 대천, 한화리조트 대천파로스
교신저자 : 이화민

초록
심정지는 갑작스럽게 심장이 멈추어 혈액이 흐르지 않는 질병이다. 그로인해 초기 대응이 느릴 경우 혈액이 흐르지 않아 신체 기능이 손상된다. 우리는 순천향대학교 천안병원 내 병원 환자를 대상으로 2016년부터 2019년까지의 병원 환자 대상으로 연구를 진행하였다. 학습 항목으로는 성별, 나이, SBP, DBP, 체온, 호흡, 맥박, 알부민, 크레아티닌, 헤모글로빈을 사용하였다. 우리는 LSTM 모델, 결정트리, 랜덤포레스트, 로지스틱회귀를 이용하여 심정지 예측을 하였다. 성능 비교결과 LSTM 모델이 가장 좋은 것을 확인하였다.

Acknowledgments
본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음 (IITP-2020-2015-0-00403). 이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 -현장맞춤형 이공계 인재양성지원사업의 지원을 받아 수행된 연구임(No. 2019H1D8A1105622).

스마트 시티를 위한 Docker 기반의 모바일 엣지 컴퓨팅 프레임워크 설계

제목 : 스마트 시티를 위한 Docker 기반의 모바일 엣지 컴퓨팅 프레임워크 설계
저자 : 채민수, 한상욱, 윤건일, 조유진, 김영민, 송찬영, 이화민
게재지 : 2020년 한국인터넷정보학회 추계학술발표대회 논문집
장소 : 여수, 여수엑스포컨벤션센터
교신저자 : 이화민

초록
스마트 신호등과 같은 다양한 IoT 기기들로부터 대량의 데이터를 실시간으로 수집하는 경우 트래픽 부하와 집중된 트래픽으로 인한 레이턴시 저하가 발생한다. 그러나 기존 코어 클라우드의 경우 클라이언트에서 클라우드 서버가 있는 IDC까지의 물리적인 레이턴시 한계가 존재한다. 레이턴시를 최소화하기 위하여 Docker 기반의 모바일 엣지 컴퓨팅 프레임워크를 설계하였다.

Acknowledgments
본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음 (IITP-2020-2015-0-00403)
이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단 -현장맞춤형 이공계 인재양성지원사업의 지원을 받아 수행된 연구임(No. 2019H1D8A1105622).

Outdoor Particulate Matter Correlation Analysis and Prediction Based Deep Learning in the Korea

Title : Outdoor Particulate Matter Correlation Analysis and Prediction Based Deep Learning in the Korea
Journal : Electronics
Authors : Minsu Chae, Sangwook Han, HwaMin Lee
Corresponding author : HwaMin Lee
DOI : https://doi.org/10.3390/electronics9071146

Abstract
Particulate matter (PM) has become a problem worldwide, with many deleterious health effects such as worsened asthma, affected lungs, and various toxin-induced cancers. The International Agency for Research on Cancer (IARC) under the World Health Organization (WHO) has designated PM as a group 1 carcinogen. Although Korea Environment Corporation forecasts the status of outdoor PM four times a day, whichever is higher among PM10 and PM2.5. Korea Environment Corporation forecasts for the stages of PM. It remains difficult to predict the value of PM when going out. We correlate air quality and solar terms, address format, and weather data, and PM in the Korea. We analyzed the correlation between address format, air quality data, and weather data, and PM. We evaluated performance according to the sequence length and batch size and found the best outcome with a sequence length of 7 days, and a batch size of 96. We performed PM prediction using the Long Short-Term Recurrent Unit (LSTM), the Convolutional Neural Network (CNN), and the Gated Recurrent Unit (GRU) models. The CNN model suffered the limitation of only predicting from the training data, not from the test data. The LSTM and GRU models generated similar prediction results. We confirmed that the LSTM model has higher accuracy than the other two models.

Acknowledgments
This research supported by the MSIT (Ministry of Science and ICT), Korea, under the ITRC (Information Technology Research Center) support program (IITP-2019-2015-0-00403) supervised by the IITP (Institute for Information & communications Technology Planning & Evaluation) and by Soonchunhyang Research Fund.

생징후 데이터를 이용한 딥러닝 기반의 심정지 예측

제목 : 생징후 데이터를 이용한 딥러닝 기반의 심정지 예측
저자 : 채민수, 윤건일, 박찬영, 조유진, 이화민
게재지 : 2020년 한국인터넷정보학회 춘계학술발표대회 논문집
장소 : 제주도, 오션스위츠 제주호텔
교신저자 : 이화민

초록
병원에는 다양한 원인으로 입원하는 환자들이 있다. 심정지의 초기 발견 및 초기대응이 중요하다. 본 논문에서는 순천향대학교 천안병원의 2016년부터 2019년까지의 병동 환자들을 대상으로 심정지 예측에 대한 연구를 진행하였다. 딥 러닝 학습 시 측정시간, 나이, 성별, DBP, SBP, 맥박, 호흡, 체온, 심정지 여부를 1시간 단위로 레코드를 만들어 72개의 레코드 단위로 학습하였다. LSTM 모델을 적용하여 심정지 예측를 수행하였다. 수행결과 정확도는 약 99.9%, MAE는 0.00006517576735498417, RMSE는 0.003397121177224215 이다.

Acknowledgments
이 논문은 과학기술정보통신부의 재원으로 한국연구재단 바이오․의료기술개발사업의 지원을 받아 수행된 연구임(No. NRF-2019M3E5D1A02069073).
본 연구는 순천향대학교 학술연구비 지원으로 수행하였습니다.

Air Pollution Prediction Using Long Short-Term Memory (LSTM) and Deep Autoencoder (DAE) Models

Title : Air Pollution Prediction Using Long Short-Term Memory (LSTM) and Deep Autoencoder (DAE) Models
Journal : Sustainability
Authors : Thanongsak Xayasouk, HwaMin Lee, Giyeol Lee
These authors contributed equally to this work : Thanongsak Xayasouk, HwaMin Lee
Corresponding author : Giyeol Lee
DOI : https://doi.org/10.3390/su12062570

Abstract
Many countries worldwide have poor air quality due to the emission of particulate matter (i.e., PM10 and PM2.5), which has led to concerns about human health impacts in urban areas. In this study, we developed models to predict fine PM concentrations using long short-term memory (LSTM) and deep autoencoder (DAE) methods, and compared the model results in terms of root mean square error (RMSE). We applied the models to hourly air quality data from 25 stations in Seoul, South Korea, for the period from 1 January 2015, to 31 December 2018. Fine PM concentrations were predicted for the 10 days following this period, at an optimal learning rate of 0.01 for 100 epochs with batch sizes of 32 for LSTM model, and DAEs model performed best with batch size 64. The proposed models effectively predicted fine PM concentrations, with the LSTM model showing slightly better performance. With our forecasting model, it is possible to give reliable fine dust prediction information for the area where the user is located.

Acknowledgments
This research was supported by the MSIT(Ministry of Science and ICT), Korea, under the ITRC(Information Technology Research Center) support program(IITP-2020-2015-0-00403)supervised by the IITP(Institute for Information &communications Technology Planning &Evaluation) and by Soonchunhyang Research Fund.