Abrégé

Disclosed are a method, a program and an apparatus for generating an electrocardiogram by using artificial intelligence, the method being performed by a computing device, according to one embodiment of the present disclosure. The method may comprise the steps of: acquiring a first limb lead electrocardiogram generated by an electrocardiogram measurement device; inputting the acquired first limb lead electrocardiogram into a pre-trained first neural network model so as to generate a second limb lead electrocardiogram different from the first limb lead electrocardiogram; performing a vector operation on the basis of the first limb lead electrocardiogram and the second limb lead electrocardiogram so as to generate remaining limb lead electrocardiograms that exclude the first limb lead electrocardiogram and the second limb lead electrocardiogram; and inputting the first limb lead electrocardiogram, the second limb lead electrocardiogram, and the limb lead electrocardiogram generated through the vector operation into a pre-trained second neural network model so as to generate a chest lead electrocardiogram.

Classes IPC  ?

• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/256 - Électrodes portables, p. ex. avec des sangles ou des bandes
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]

Abrégé

The present disclosure provides a method, device and program for diagnosing Brugada syndrome on the basis of electrocardiogram data. The method according to one embodiment of the present disclosure comprises the steps of: acquiring electrocardiogram data of a subject; and identifying Brugada syndrome in the subject on the basis of the acquired electrocardiogram data by using a pre-trained first neural network model.

Classes IPC  ?

• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/346 - Analyse des électrocardiogrammes
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

A medical system for providing a biometric data AI analysis service based on artificial intelligence, according to one embodiment of the present disclosure, comprises: a first artificial intelligence server, which uses an artificial intelligence-based model to analyze patient biometric data, thereby acquiring an AI analysis result; a first hospital treatment system for acquiring the patient biometric data and managing patient medical records that provide AI analysis result data; and a middleware server, which connects the first artificial intelligence server and the first hospital treatment system, transmits the biometric data to the first artificial intelligence server so as to request the AI analysis when an order of the AI analysis service is received from the first hospital treatment system, and acquires AI analysis result from the first artificial intelligence server so as to transmit same to the first hospital treatment system, wherein, when a new AI analysis service is registered in the system, the middleware server identifies a new second artificial intelligence server so as to connect the corresponding server and an electronic medical record unit.

Classes IPC  ?

• G16H 40/00 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux
• G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission

Abrégé

Disclosed are a method, program, and device for generating artificial intelligence for diagnosing diseases on the basis of electrocardiograms, which are performed by a computing device, according to an embodiment of the present disclosure. The method may comprise the steps of: acquiring electrocardiogram data and medical treatment data regarding a subject from whom the electrocardiogram data was measured; and analyzing record information present in the medical treatment data to classify the electrocardiogram data as either training data or non-training data.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/339 - Affichages spécialement adaptés à cet effet
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux

Abrégé

The present disclosure provides a method, an apparatus, and a program for identifying a state of a user on the basis of an abnormal electrocardiogram signal. The method for identifying a state of a user on the basis of an abnormal electrocardiogram signal according to one embodiment of the present disclosure comprises the steps of: obtaining first lead electrocardiogram data for a user on the basis of a first measurement method of a single lead electrocardiogram measurement device; determining whether an electrocardiogram signal corresponding to the obtained first lead electrocardiogram data is abnormal; and suggesting to obtain second lead electrocardiogram data for the user on the basis of a second measurement method of the single lead electrocardiogram measurement device when it is determined that the electrocardiogram signal is abnormal.

Classes IPC  ?

• A61B 5/318 - Modalités électriques se rapportant au cœur, p. ex. électrocardiographie [ECG]
• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

The present disclosure provides a method, device and computer program for determining patient severity on the basis of a deep learning model. The method according to one embodiment of the disclosure comprises the steps of: acquiring biometric data of a patient; and, on the basis of a pre-trained first neural network model, analyzing the biometric data so as to identify patient severity, wherein the pre-trained first neural network model is trained on the basis of training data labeled according to patient conditions and treatment methods classified by patient severity.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne

Abrégé

The present disclosure provides a method and a computing device for setting the medical treatment order on the basis of the condition of emergency patients. A method for setting the medical treatment order on the basis of the condition of emergency patients is performed by a computing device including at least one processor according to an embodiment of the present disclosure. According to the method, if a new medical examination subject's reception data is acquired, the medical examination subject's biometric data is acquired through a sensing unit. The biometric data is analyzed by using a pretrained neural network model, thereby identifying the new medical examination subject's condition. The new medical examination subject's medical treatment order is set on the basis of the time at which the new medical examination subject's reception data has been acquired, and the new medical examination subject's condition. The step of setting the medical treatment order comprises a step of adjusting the medical treatment order of other medical examination subjects who have been received and are waiting for medical treatment on the basis of the medical examination subject's condition, thereby setting the new medical examination subject's medical treatment order.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/0205 - Évaluation simultanée de l'état cardio-vasculaire et de l'état d'autres parties du corps, p. ex. de l'état cardiaque et respiratoire
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération

Abrégé

The present disclosure provides a method, a device, and a computer program for obtaining a neural network model for predicting a disease on the basis of electrocardiogram data. A method for obtaining a neural network model for predicting a disease on the basis of time-series data, the method being performed by a computing device including at least one processor according to an embodiment of the present disclosure, comprises the steps of: dividing first time-series data to obtain a plurality of pieces of first divided data; obtaining first training data corresponding to the time-series data by masking at least one of the obtained plurality of pieces of first divided data; and performing self-supervised learning on a first neural network model on the basis of the first training data.

Classes IPC  ?

• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• A61B 5/318 - Modalités électriques se rapportant au cœur, p. ex. électrocardiographie [ECG]
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• A61B 5/346 - Analyse des électrocardiogrammes
• G06N 3/0464 - Réseaux convolutifs [CNN, ConvNet]
• G06N 3/0455 - Réseaux auto-encodeursRéseaux encodeurs-décodeurs

Abrégé

The present invention provides a computing apparatus, a method, and a computer program for managing an on-premise server installed in a medical facility. A method according to one embodiment disclosed herein comprises the steps of: receiving state information from a plurality of on-premise servers installed in a plurality of medical facilities, respectively; and monitoring the plurality of on-premise servers on the basis of the received state information, and identifying a target server requiring a software upgrade among the plurality of on-premise servers.

Classes IPC  ?

• G16H 40/40 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion d’équipement ou de dispositifs médicaux, p. ex. pour planifier la maintenance ou les mises à jour
• G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération

Abrégé

The present disclosure provides an apparatus, a method, and a program for removing noise from bio-signals. The method according to an embodiment of the present disclosure comprises the steps of: obtaining a first electrocardiogram dataset, including a plurality of pieces of first electrocardiogram data including noise, and a second electrocardiogram dataset, including a plurality of pieces of clean second electrocardiogram data respectively corresponding to the plurality of pieces of first electrocardiogram data; training a classifier to classify the first electrocardiogram dataset with noise removed therefrom, which is obtained by inputting the first electrocardiogram dataset into a noise removal unit, and the second electrocardiogram dataset; and evaluating the performance of the classifier to obtain a noise removal unit having the optimal performance.

Classes IPC  ?

• G06N 3/094 - Apprentissage antagoniste
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

An electrocardiogram reading method, program and device using artificial intelligence are disclosed according to one embodiment of the present disclosure, the method being performed by a computing device. The method may comprise the steps of: acquiring electrocardiogram data from an electrocardiogram measurement device; performing first classification according to the readability of the acquired electrocardiogram data on the basis of an analysis of metadata related to the noise of the acquired electrocardiogram data; and, if the acquired electrocardiogram data is determined to be valid data requiring additional analysis according to the first classification, performing second classification according to the readability of the valid data on the basis of an analysis of an electrocardiogram signal included in the valid data.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

Disclosed are a method, a program, and an apparatus for providing electrocardiogram reading information, according to an embodiment of the present disclosure. The method may comprise the steps of: obtaining a first user command via a user interface for an electrocardiogram reading service; and displaying, via the user interface, at least one of reading information about a disease or health condition of a subject whose electrocardiogram is to be measured, and first reference information associated with artificial intelligence used for electrocardiogram reading.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/339 - Affichages spécialement adaptés à cet effet
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
• G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux
• G06F 21/62 - Protection de l’accès à des données via une plate-forme, p. ex. par clés ou règles de contrôle de l’accès
• G16H 80/00 - TIC spécialement adaptées pour faciliter la communication entre les professionnels de la santé ou les patients, p. ex. pour le diagnostic collaboratif, la thérapie collaborative ou la surveillance collaborative de l’état de santé

Abrégé

The present disclosure provides a method, a device, and a program for quantifying the quality of a bio-signal. The method for quantifying the quality of a bio-signal according to one embodiment of the present disclosure comprises the steps of: acquiring electrocardiogram data; inputting the acquired electrocardiogram data into a machine learning model so as to acquire a score corresponding to whether the electrocardiogram data is readable; and determining whether the electrocardiogram data is finally readable on the basis of the score, wherein the machine learning model is generated on the basis of an electrocardiogram data set labeled on the basis of analysis by domain experts on the reading of electrocardiogram signals.

Classes IPC  ?

• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/346 - Analyse des électrocardiogrammes

Abrégé

Provided are a method, program, and device for diagnosing heart disease on the basis of a biometric signal. The method for diagnosing heart disease on the basis of a biometric signal, which is performed by a computing device including at least one processor, according to an embodiment of the present disclosure may comprise the steps of: inputting biometric data acquired from a subject into a neural network model trained to determine the possibility of heart disease; acquiring, from the trained neural network model, first feature information among a plurality of pieces of feature information corresponding to the extracted biometric data in order to determine the possibility of heart disease; and identifying a first cluster including the acquired biometric data among a plurality of preset clusters on the basis of the first feature information.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/02 - Détection, mesure ou enregistrement en vue de l'évaluation du système cardio-vasculaire, p. ex. mesure du pouls, du rythme cardiaque, de la pression sanguine ou du débit sanguin
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

The present disclosure provides a method, a device, and a program for predicting a disease of a patient on the basis of a neural network model. The method according to an embodiment of the present disclosure comprises the steps of: acquiring a bio-signal of a subject; acquiring a first result value corresponding to a characteristic of the subject or a characteristic of the bio-signal on the basis of the acquired bio-signal and a first neural network model; acquiring a second result value corresponding to a disease of the subject on the basis of the acquired first result value and a second neural network model; and predicting a state of the subject on the basis of the second result value.

Classes IPC  ?

• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G06N 3/0464 - Réseaux convolutifs [CNN, ConvNet]
• G06N 3/044 - Réseaux récurrents, p. ex. réseaux de Hopfield
• G06N 3/045 - Combinaisons de réseaux
• G06N 3/048 - Fonctions d’activation
• G06N 3/096 - Apprentissage par transfert
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

Disclosed are: a prediction method of analyzing a single-lead electrocardiogram by using artificial intelligence, the method being performed by a computing device according to an embodiment of the present disclosure; a program; and a device. The method may comprise the steps of: obtaining single-lead electrocardiogram data; and on the basis of the length of the obtained single-lead electrocardiogram data, analyzing at least one of input conditions of a plurality of neural network models pre-trained to read single-lead electrocardiogram data, so as to process the obtained single-lead electrocardiogram data.

Classes IPC  ?

• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/257 - Moyens adhésifs, p. ex. garnitures ou bandes adhésives

Abrégé

The present disclosure provides a system for generating an interpretation report including an artificial intelligence-based analysis result in an electronic medical record environment, and a method therefor, the system comprising: a first receiver unit for obtaining and storing biometric data; an electronic medical record unit for providing an analysis result for the biometric data; and a middleware unit for connecting the receiver and the electronic medical record unit. The system for generating an interpretation report including an artificial intelligence-based analysis result, according to one embodiment of the present disclosure, comprises: an artificial intelligence server for analyzing the biometric data by using an artificial intelligence-based model so as to obtain an analysis result, and modifying the biometric data to include the analysis result; and a second receiver unit for obtaining the modified biometric data from the artificial intelligence server and transmitting the modified biometric data to the middleware unit.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• A61B 5/346 - Analyse des électrocardiogrammes

Abrégé

The present disclosure provides an apparatus and method for providing a user interface for artificial intelligence-based reading of electrocardiogram data. The method for providing a user interface for artificial intelligence-based reading of electrocardiogram data, according to an embodiment of the present disclosure, comprises the steps of: displaying an electrocardiogram graph through the user interface for electrocardiogram data reading; if a first input of a user is acquired through the user interface, displaying a first reference point on the electrocardiogram graph on the basis of a position selected according to the first input; if a second input of the user is detected through the user interface after the first reference point is identified, displaying a second reference point on the electrocardiogram graph on the basis of a position selected according to the second input; and calculating and displaying a measured value corresponding to an interval between the first reference point and the second reference point through the user interface.

Classes IPC  ?

• A61B 5/339 - Affichages spécialement adaptés à cet effet
• A61B 5/349 - Détection de paramètres spécifiques du cycle de l'électrocardiogramme
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

A method by which a computing device classifies data in an electrocardiogram reading center, a program and an apparatus are disclosed according to one embodiment of the present disclosure. The method may comprise the steps of: inputting electrocardiogram data into a pre-trained first model so as to perform a first classification that distinguishes the electrocardiogram data as normal or abnormal; and determining, on the basis of the first classification results, whether to perform a first reading process of analyzing, in multiple stages, the likelihood of disease or the health condition of a subject about whom the electrocardiogram data was measured. The normal or abnormal classification can be related to the likelihood of disease or the health condition of the subject about whom the electrocardiogram data was measured.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients

Abrégé

The present disclosure provides an apparatus for evaluating the performance of determination criteria set to analyze biometric data, and a control method thereof. A control method according to an embodiment of the present disclosure comprises the steps of: setting, on the basis of biometric data, a disease to be predicted, and identifying a preset determination criteria for the biometric data, in correspondence to the disease; adjusting at least one of a plurality of elements included in the determination criteria and setting a new determination criteria corresponding to the disease; applying the new determination criteria to a first rule-based model and obtaining prediction results for the disease, corresponding to respective pieces of a plurality of biometric data; and evaluating on the basis of the prediction results the new determination criteria and displaying the evaluation results, wherein the plurality of elements respectively correspond to a plurality of pieces of feature information identified from the biometric data by the first rule-based model to predict the disease.

Classes IPC  ?

• A61B 5/349 - Détection de paramètres spécifiques du cycle de l'électrocardiogramme
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

Disclosed are a method, a program, and a device for providing a user interface for labeling medical artificial intelligence according to an embodiment of the present invention. The method includes steps of: providing a first user interface for listing labelable ECG features on an ECG signal; and providing a second user interface for visually displaying the ECG signal.

Classes IPC  ?

• A61B 5/349 - Détection de paramètres spécifiques du cycle de l'électrocardiogramme
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

A method for acquiring a user-customized neural network model for predicting biometric information about a user according to an embodiment of the present disclosure may comprise the steps of: acquiring a neural network model trained to predict second biometric information of a type different from that of first biometric information on the basis of the first biometric information; and, when new data about the user is acquired, updating the neural network model on the basis of the acquired new data so that the neural network model is personalized to the user, wherein the new data includes at least one of the first biometric information about the user or the second biometric information about the user.

Classes IPC  ?

• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux
• A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G06N 3/0464 - Réseaux convolutifs [CNN, ConvNet]
• G06N 3/044 - Réseaux récurrents, p. ex. réseaux de Hopfield
• G06N 3/0475 - Réseaux génératifs

Abrégé

Provided are a method, a program, and a device for diagnosing heart disease on the basis of an electrocardiogram signal. The method for diagnosing heart disease on the basis of an electrocardiogram signal according to an embodiment of the present disclosure comprises the steps of: acquiring an electrocardiogram signal for a user; and diagnosing heart disease in the user on the basis of the acquired electrocardiogram signal. The diagnosing step includes the steps of: inputting the acquired electrocardiogram signal to a trained neural network model and calculating a first score corresponding to heart disease in the user; re-acquiring an electrocardiogram signal for the user by determining, on the basis of the calculated first score, whether to additionally diagnose heart disease in the user; and additionally diagnosing heart disease in the user on the basis of the re-acquired electrocardiogram signal.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 40/63 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement local
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G06N 3/08 - Méthodes d'apprentissage
• A61B 5/332 - Dispositifs portables spécialement adaptés à cet effet

Abrégé

A method for acquiring a user-customized neural network model for identifying biological information according to an embodiment of the present disclosure comprises the steps of: inputting biological information sensed from a user to a trained neural network model and predicting biological information related to the state of the user; and when new data about the user is acquired, updating the trained neural network model on the basis of the acquired new data so that the neural network model is personalized, wherein the new data includes biological data measured from the user in association with the state.

Classes IPC  ?

• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• A61B 5/346 - Analyse des électrocardiogrammes

Abrégé

Disclosed, according to one embodiment of the present disclosure, are an artificial intelligence-based disease prediction method performed by a computing device, a program, and a device. The method may comprise the steps of: obtaining bio-signals of a prediction subject; using a pre-trained first neural network model to generate physiological information about the prediction subject on the basis of the obtained bio-signals; and using a pre-trained second neural network model to generate prediction information about the occurrence of a disease in the prediction subject on the basis of the obtained bio-signals and the generated physiological information.

Classes IPC  ?

• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/346 - Analyse des électrocardiogrammes
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

According to an embodiment of the present disclosure, an artificial intelligence-based infectious disease monitoring method, performed by a computing device, program, and device are disclosed. The method may comprise the steps of: acquiring unstructured data including a biological signal of a monitoring target; and generating, on the basis of the acquired unstructured data, first prediction data related to a condition in which an infectious disease of the monitoring target worsens to a severe level, by using a neural network model pretrained on the basis of first cohort data generated by performing, at a medical institution, face-to-face treatments of patients.

Classes IPC  ?

• G16H 50/80 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la détection, le suivi ou la modélisation d’épidémies ou des pandémies, p. ex. de la grippe
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins
• A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
• A61B 5/08 - Dispositifs de mesure pour examiner les organes respiratoires
• A61B 5/01 - Mesure de la température de parties du corps
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/11 - Mesure du mouvement du corps entier ou de parties de celui-ci, p. ex. tremblement de la tête ou des mains ou mobilité d'un membre

Abrégé

The present disclosure provides a method, a program and a device for identifying and diagnosing potential atrial fibrillation on the basis of an artificial intelligence model. The method for identifying potential atrial fibrillation on the basis of an artificial intelligence model, according to one embodiment of the present disclosure, comprises the steps of: acquiring an electrocardiogram signal from a patient with embolic stroke of undetermined source; and inputting the acquired electrocardiogram signal into a pre-trained neural network model to diagnose the patient with embolic stroke of undetermined source.

Classes IPC  ?

• A61B 5/361 - Détection de la fibrillation
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/36 - Détection de l’intervalle PQ, de l’intervalle PR ou de l’intervalle QT
• A61B 5/366 - Détection de complexes QRS anormaux, p. ex. élargissement
• A61B 5/369 - Électroencéphalographie [EEG]
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

Disclosed is a method, program, and device for predicting the prognosis of heart failure, executed by a computing device according to one embodiment of the present disclosure. The method may include the steps of: acquiring electrocardiogram data of a heart failure patient; and outputting variables for the prognosis of the patient based on the acquired electrocardiogram data using a pre-trained deep learning model.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• A61B 5/346 - Analyse des électrocardiogrammes
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G06N 3/0464 - Réseaux convolutifs [CNN, ConvNet]
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• A61B 5/021 - Mesure de la pression dans le cœur ou dans les vaisseaux sanguins

Abrégé

A method for screening electrocardiogram signals including noise, according to an embodiment of the present disclosure, comprises the steps of: obtaining a first electrocardiogram signal through a network unit; inputting the first electrocardiogram signal into a pre-trained neural network model and obtaining first feature information corresponding to the first electrocardiogram signal; identifying at least one cluster including a plurality of pieces of second feature information corresponding to a plurality of second electrocardiogram signals without noise; on the basis of the similarity between the first feature information and the at least one cluster, calculating a noise score of the first electrocardiogram signal; and on the basis of the calculated noise score, determining whether the first electrocardiogram signal is an electrocardiogram signal including noise, wherein the pre-trained neural network model may be pre-trained to restore input electrocardiogram signals on the basis of a training data set including the plurality of second electrocardiogram signals.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

According to one embodiment of the present invention, disclosed are a method, program, and device for interpreting an artificial intelligence model, the method being performed by a computing device. The method may comprise the steps of: using a pre-trained first model to generate a condition value corresponding to the output probability of a pre-trained second model and generate second bio-signal data, which changes form according to the condition value, on the basis of first bio-signal data; and visually displaying the generated second bio-signal data through a user interface.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G06N 3/08 - Méthodes d'apprentissage

Abrégé

The present disclosure relates to a method and device for measuring an electrocardiogram at a health checkup center. The method of measuring an electrocardiogram at a health checkup center, performed by a computing device including at least one processor, may comprise the steps of: generating checkup reception data for each checkup subject visiting the health checkup center; and on the basis of the checkup reception data, performing electrocardiogram measurement by using at least one of a kiosk-type electrocardiogram measurement method or an N lead electrocardiogram measurement method.

Classes IPC  ?

• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/26 - Électrodes bioélectriques à cet effet les sujets eux-mêmes maintenant les électrodes en contact avec le corps, p. ex. en appuyant de leur corps sur les électrodes ou en saisissant les électrodes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux

Abrégé

According to an embodiment of the present disclosure, disclosed are a method, program and device for providing an ECG reading service, the method being performed by a computing device. The method may include the steps of: uploading generated ECG data to a user interface when the ECG measurement is completed; and changing a first graphic indicating the reading progress status of ECG data to be read among the ECG data uploaded to the user interface.

Classes IPC  ?

• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/339 - Affichages spécialement adaptés à cet effet
• H04L 9/32 - Dispositions pour les communications secrètes ou protégéesProtocoles réseaux de sécurité comprenant des moyens pour vérifier l'identité ou l'autorisation d'un utilisateur du système

Abrégé

According to embodiments of the present disclosure, disclosed are a method, program and device for constructing, by a computing device, a model optimized for the analysis of bio signals. The method may include the steps of: determining the fundamental structure of a machine learning model on the basis of a user input; and performing hyperparameter tuning for construction of the machine learning model optimized for the analysis of bio signals.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G06N 3/08 - Méthodes d'apprentissage

Abrégé

The present disclosure relates to a system for providing health care services to a worker on the basis of an electrocardiogram and a method therefor. The system may comprise: at least one electrocardiogram meter that measures an electrocardiogram for a worker and generates electrocardiogram data including electrocardiogram information and worker identification information; and a server that generates electrocardiogram reading result data for managing the worker's diseases or health conditions on the basis of the electrocardiogram data by using a pre-trained first neural network model.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/16 - Dispositifs pour la psychotechnieTest des temps de réaction
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 80/00 - TIC spécialement adaptées pour faciliter la communication entre les professionnels de la santé ou les patients, p. ex. pour le diagnostic collaboratif, la thérapie collaborative ou la surveillance collaborative de l’état de santé

Abrégé

Disclosed are a method, program, and device for quantifying the quality of biosignals, according to an embodiment of the present disclosure. The method may include the steps of: obtaining at least one of a first electrocardiogram dataset labeled on the basis of the morphological features of electrocardiogram signals or a second electrocardiogram dataset labeled on the basis of a domain expert's analysis of the readings of electrocardiogram signals; and generating a machine learning model for quantifying the quality of electrocardiogram signals, on the basis of at least one of the first electrocardiogram dataset or the second electrocardiogram dataset.

Classes IPC  ?

• A61B 5/349 - Détection de paramètres spécifiques du cycle de l'électrocardiogramme
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

A method and system for operating a biosignal analysis platform according to an embodiment of the present disclosure are disclosed. The method may comprise the steps of: generating or activating, according to the respective results of licensing by a plurality of countries with respect to a biosignal analysis platform, respective platform modules for the plurality of countries by type; and when a first country among the plurality of countries acquires biosignal data, which is an analysis object, analyzing, by the first country, the biosignal data according to the type of the platform module generated or activated in the first country or transmitting the biosignal data to a second country among the plurality of countries to analyze same.

Classes IPC  ?

• G06Q 50/26 - Services gouvernementaux ou services publics
• A61B 5/346 - Analyse des électrocardiogrammes
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

A method for analyzing electrocardiogram data, according to one embodiment of the present disclosure, may comprise the steps of: acquiring an electrocardiogram signal; generating electrocardiogram feature data including a plurality of features on the basis of the electrocardiogram signal; and generating main electrocardiogram component data by reducing the dimension of the electrocardiogram feature data on the basis of one or more main components. The one or more main components are characterized in that the plurality of features is merged on the basis of the correlation between the plurality of features.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G06N 3/08 - Méthodes d'apprentissage

Abrégé

The present disclosure provides an electronic device and a control method therefor. The electronic device according to one embodiment of the present disclosure comprises: an interface; a memory on which pre-trained first and second neural network models are stored; and one or more processors, which acquire biometric data of a user, input the acquired biometric data into the pre-trained first neural network model so as to generate first information related to a first disease of the user, inputs the acquired biometric data into the pre-trained second neural network model so as to generate second information related to the first disease of the user, and generates, on the basis of the first and second information, a diagnosis result of the user, related to the first disease of a first type.

Classes IPC  ?

• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G06N 20/20 - Techniques d’ensemble en apprentissage automatique

Abrégé

Disclosed are a method, a program, and a device for constructing a medical artificial intelligence model, the method being performed by a computing device, according to an embodiment of the present disclosure. The method may comprise the steps of: establishing an evaluation criterion for an artificial intelligence model on the basis of a task intended by a user; determining a first indicator used in a loss calculation for training of an artificial intelligence model and a second indicator used in an evaluation calculation for selecting the trained model according to the established evaluation criterion; and constructing an artificial intelligence model that performs the task intended by the user, on the basis of the determined first indicator and second indicator.

Classes IPC  ?

• G06N 3/08 - Méthodes d'apprentissage
• G06N 3/04 - Architecture, p. ex. topologie d'interconnexion

Abrégé

The present disclosure relates to a system and method for providing a blockchain-based trading service for electrocardiogram data, the system comprising: at least one electrocardiogram measurement device that provides electrocardiogram data; and a computing device that stores, on the basis of blockchain, the electrocardiogram data provided from the at least one electrocardiogram measurement device, and provides a blockchain-based trading service for the stored electrocardiogram data, wherein the computing device provides sales list information about electrocardiogram data tradable at the request of a purchaser terminal, and if the purchaser terminal selects electrocardiogram data on the basis of the sales list information, provides the blockchain-based trading service between the purchaser terminal and a seller terminal with ownership of the selected electrocardiogram data.

Classes IPC  ?

• G16H 10/00 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients
• G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
• A61B 5/333 - Appareils d’enregistrement spécialement adaptés à cet effet
• H04L 9/00 - Dispositions pour les communications secrètes ou protégéesProtocoles réseaux de sécurité

Abrégé

The present disclosure relates to an electrocardiogram data transaction service provision method, program, and device, the electrocardiogram data transaction service provision method, carried out by a computing device comprising at least one processor, comprising the steps of: collecting electrocardiogram data of each user; registering ownership of the electrocardiogram data by generating a non-fungible token (NFT) on the basis of the electrocardiogram data; and, according to a request of a buyer terminal, providing sales list information for transactable electrocardiogram data, and if the buyer terminal selects electrocardiogram data on the basis of the sales list information, providing a transaction service between the buyer terminal and a seller terminal having ownership of the NFT for the selected electrocardiogram data.

Classes IPC  ?

• G06Q 30/06 - Transactions d’achat, de vente ou de crédit-bail
• G06Q 30/00 - Commerce
• H04L 9/00 - Dispositions pour les communications secrètes ou protégéesProtocoles réseaux de sécurité
• A61B 5/346 - Analyse des électrocardiogrammes
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G06F 21/62 - Protection de l’accès à des données via une plate-forme, p. ex. par clés ou règles de contrôle de l’accès

Abrégé

According to one embodiment of the present disclosure, a method, a program and an apparatus which provide a user interface for electrocardiogram analysis are disclosed. The method may comprise the steps of: acquiring biometric data of an object of which the electrocardiogram is to be read; and displaying, in a first region of a user interface, a first control graphic that changes a visual representation and state according to the results of electrocardiogram analysis performed on the basis of the acquired biometric data. In addition, the first control graphic can be configured by type of disease, which can be read by an electrocardiogram, or by electrocardiogram characteristic.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
• G16H 80/00 - TIC spécialement adaptées pour faciliter la communication entre les professionnels de la santé ou les patients, p. ex. pour le diagnostic collaboratif, la thérapie collaborative ou la surveillance collaborative de l’état de santé
• G16H 40/60 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour le fonctionnement d’équipement ou de dispositifs médicaux
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

Disclosed is a deep learning-based health condition prediction system using a plurality of electrocardiograms, the system comprising: an electrocardiogram measurement unit (110) which obtains N electrocardiogram data by measuring each of electrocardiograms of the same examinee at different time points with a time difference; a prediction unit (120) which integrates semantic feature values or output values from the N electrocardiogram data provided from the electrocardiogram measurement unit (110) so as to generate disease information predicting the presence and trend of a disease and the degree of the disease, through a pre-built diagnosis algorithm by training N electrocardiogram data at different time points and a dataset of diseases corresponding to the electrocardiogram data; and an input unit (130) which converts and inputs the N electrocardiogram data from the electrocardiogram measurement unit (110) into the prediction unit (120), wherein it is possible to more accurately measure, diagnose, examine, and predict a health condition from a plurality of electrocardiogram data of the same examinee with a time difference.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G06N 20/00 - Apprentissage automatique

Abrégé

The present invention relates to a method for providing an electrocardiogram reading service. According to the present invention, a method for providing an electrocardiogram reading service by using an electrocardiogram reading service provision system comprises the steps of: receiving an electrocardiogram reading request signal and electrocardiogram data from a client terminal; inputting the received electrocardiogram data into an electrocardiogram reading model in response to the received electrocardiogram reading request signal so as to output primary electrocardiogram reading data; transmitting the primary electrocardiogram reading data to a designated medical specialist terminal so as to acquire secondary electrocardiogram reading data if an electrocardiogram additional request signal is received from a client; calculating a service charge according to an electrocardiogram reading service provision range; and transmitting the primary electrocardiogram reading data or the secondary electrocardiogram reading data and the calculated service charge to the client terminal.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération

Abrégé

Disclosed is a method, performed by a computing device, for augmenting bio-signal data, according to an embodiment of the present disclosure. The method comprises the steps of: for a plurality of augmentation algorithms for augmenting bio-signal data by changing the form of rhythm of a bio-signal, generating a target algorithm on the basis of optimum augmentation strength determined for each augmentation algorithm or by combining at least one of the plurality of augmentation algorithms; and generating augmented data by augmenting base data including the bio-signal, according to the target algorithm.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

Disclosed are a method, a program, and a device for charging for an ECG interpretation service, the method being performed by a computing device, according to an embodiment of the present disclosure. The method may comprise the steps of: analyzing ECG data of a subject from which an ECG signal is measured, and classifying the ECG data as one of N grades related to a health state of the subject; selecting one of N interpretation schemes according to the classified grade, and performing interpretation of the ECG data; and determining, on the basis of the classified grade and the performed interpretation scheme, a fee to be charged to a customer having requested interpretation of the ECG data.

Classes IPC  ?

• G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
• G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G06Q 10/06 - Ressources, gestion de tâches, des ressources humaines ou de projetsPlanification d’entreprise ou d’organisationModélisation d’entreprise ou d’organisation
• G06Q 20/14 - Architectures de paiement spécialement adaptées aux systèmes de facturation
• A61B 5/346 - Analyse des électrocardiogrammes

Abrégé

The present invention proposes an electrocardiogram (ECG)-based method capable of recommending a menu appropriate for the real-time health status of a user. The method may comprise the steps of: acquiring a ECG signal measured for a user; by analyzing the ECG signal using pre-trained artificial intelligence (AI), identifying one or more deficient nutrients and excess nutrients corresponding to the health status of the user; and configuring a menu containing one or more foods by which the identified deficient nutrients may be supplemented and the identified excess nutrients may be avoided. Through the present invention, a user may receive a recommendation for a menu which is optimized on the basis of the health status of the user at that point in time, simply by means of only an ECG measurement.

Classes IPC  ?

• G16H 20/60 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant le contrôle de l’alimentation, p. ex. les régimes
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• A61B 5/346 - Analyse des électrocardiogrammes
• G06N 3/045 - Combinaisons de réseaux
• G06N 3/042 - Réseaux neuronaux fondés sur la connaissanceReprésentations logiques de réseaux neuronaux
• G06N 3/08 - Méthodes d'apprentissage

Abrégé

The present invention presents a method that can recommend exercise appropriate for the real-time health condition of a user on the basis of an electrocardiogram (ECG). The method may comprise the steps of: acquiring an ECG signal measured for the user; using pre-trained artificial intelligence (AI) so as to analyze the ECG signal, thereby identifying a cardiac pump state of the user; and determining the type of exercise to be recommended to the user in response to the identified cardiac pump state. Therefore, the user can receive recommendations for exercise optimized for the health condition thereof at that time by merely measuring the ECG.

Classes IPC  ?

• G16H 20/30 - TIC spécialement adaptées aux thérapies ou aux plans d’amélioration de la santé, p. ex. pour manier les prescriptions, orienter la thérapie ou surveiller l’observance par les patients concernant des thérapies ou des activités physiques, p. ex. la physiothérapie, l’acupression ou les exercices
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• A61B 5/349 - Détection de paramètres spécifiques du cycle de l'électrocardiogramme
• A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
• A61B 5/22 - ErgométrieMesure de la force musculaire ou de la force d'un coup musculaire
• G06N 3/045 - Combinaisons de réseaux
• G06N 3/08 - Méthodes d'apprentissage

Abrégé

The present invention presents a method enabling real-time values and the management of blood sugar to be measured on the basis of an electrocardiogram (ECG). The method may comprise the steps of: acquiring an ECG signal measured for a user; using pre-trained first artificial intelligence (AI) so as to analyze the ECG signal so that the blood sugar value of the user is estimated, and using the AI so as to analyze the ECG signal so that high or low blood sugar of the user is determined; and determining, on the basis of the estimated blood sugar value and the determination result of high or low blood sugar, whether the user requires guidance related to blood sugar or diabetes. Through the method, the user can identify an immediate blood sugar value and how well blood sugar has been managed only by simply measuring an ECG, and thus, as a result, high blood sugar and diabetes can be discovered or complications due to high blood sugar or diabetes can be prevented.

Classes IPC  ?

• A61B 5/145 - Mesure des caractéristiques du sang in vivo, p. ex. de la concentration des gaz dans le sang ou de la valeur du pH du sang
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

Disclosed are a method, a program, and a device for providing an ECG interpretation service, the method being performed by a computing device, according to an embodiment of the present disclosure. The method may comprise the steps of: analyzing an interpretation text generated using a first machine learning model pre-trained to diagnose a disease on the basis of an ECG, and generating first additional information of an interpretation result included in the interpretation text; generating, as second additional information, information related to the first machine learning model used to generate the interpretation text; and providing at least one of the first additional information and the second additional information through a user interface.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
• G16H 80/00 - TIC spécialement adaptées pour faciliter la communication entre les professionnels de la santé ou les patients, p. ex. pour le diagnostic collaboratif, la thérapie collaborative ou la surveillance collaborative de l’état de santé
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

The present disclosure relates to a method, a program, and a device for updating an artificial intelligence model for electrocardiogram reading, and the purpose thereof is to provide the method performed by a computing device including at least one processor, the method comprising the steps of: obtaining electrocardiogram data; analyzing the electrocardiogram data so as to use at least one from among a first value judgment, a second value judgment, or a third value judgment according to preset reference value ranges, thereby classifying the relative value of the electrocardiogram data; and combining the electrocardiogram data of which the relative value has been classified, so as to retrain a previously constructed first machine learning model or train at least one new second machine learning model.

Classes IPC  ?

• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G16H 30/20 - TIC spécialement adaptées au maniement ou au traitement d’images médicales pour le maniement d’images médicales, p. ex. DICOM, HL7 ou PACS
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G06V 10/764 - Dispositions pour la reconnaissance ou la compréhension d’images ou de vidéos utilisant la reconnaissance de formes ou l’apprentissage automatique utilisant la classification, p. ex. des objets vidéo
• G06V 10/98 - Détection ou correction d’erreurs, p. ex. en effectuant une deuxième exploration du motif ou par intervention humaineÉvaluation de la qualité des motifs acquis
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

According to an embodiment of the present disclosure, disclosed are a method, performed by a computing apparatus, for predicting the state of health by using electrocardiogram, and a program and an apparatus for same. The method may comprise the steps of: inputting electrocardiogram data into a pre-trained first deep learning model to extract features from the electrocardiogram data; and inputting the extracted features into a pre-trained second deep learning model to predict the state of health of a subject whose electrocardiogram data was measured. In this case, the first deep learning model may be trained to extract similar features from a first set of learning data measured at similar times from the same person, and may be trained to extract different features from a second set of learning data measured from different people.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• A61B 5/0245 - Mesure du pouls ou des pulsations cardiaques utilisant des capteurs engendrant des signaux électriques
• A61B 5/346 - Analyse des électrocardiogrammes
• G06N 20/00 - Apprentissage automatique

Abrégé

Disclosed are a method, program, and device for diagnosing myocardial infarction using an electrocardiogram, performed by a computing device, according to one embodiment of the present disclosure. The method may comprise the steps of: generating training data on the basis of electrocardiogram data of a patient who underwent coronary angiography; and using the generated training data to train a deep learning model to predict the onset or progression of myocardial infarction in the patient.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

According to an embodiment of the present disclosure, disclosed are a method, a program, and an apparatus, for predicting a health state using electrocardiogram segments. The method may comprise the steps of: dividing electrocardiogram data to generate a plurality of segments; inputting the plurality of segments into a pre-trained machine-learning model to calculate the probabilities of diseases respectively corresponding to the plurality of segments; removing outliers from the probabilities of diseases respectively corresponding to the plurality of segments; and combining the probabilities of diseases from which the outliers have been removed, to generate a result value for prediction of a health state.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients

Abrégé

Disclosed in one embodiment of the present disclosure are a system and a method by which a computing device de-identifies personal information in medical services. The method may comprise: a key server having a key for the encoding and decoding of medical data in the internal environment of a hospital; an authentication server which authenticates access information about a user client, and which issues a token for maintaining a session; a ticket server for issuing, on the basis of a request by the user client for access to the encoded medical data, a ticket by which the user client is authorized to receive the key; and a key exchange server for transmitting, to the user client, on the basis of a request by the user client for decoding of the encoded medical data, the key issued by the key server.

Classes IPC  ?

• H04L 9/32 - Dispositions pour les communications secrètes ou protégéesProtocoles réseaux de sécurité comprenant des moyens pour vérifier l'identité ou l'autorisation d'un utilisateur du système
• H04L 9/08 - Répartition de clés
• H04L 9/40 - Protocoles réseaux de sécurité

Abrégé

Disclosed are a method, program, and device for predicting health status using an electrocardiogram, the method being implemented by a computing device, according to an embodiment of the present disclosure. The method may comprise the steps of: obtaining electrocardiogram data and cardiac arrest data including data on whether a cardiac arrest has occurred in the subject from whom the electrocardiogram data has been taken, and the time at which the cardiac arrest occurred; extracting valid data from the electrocardiogram data by analyzing the cardiac arrest data or missing values in the electrocardiogram data; and generating training data by labeling the extracted valid data on the basis of whether a cardiac arrest has occurred and the time at which the cardiac arrest occurred.

Classes IPC  ?

• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/0245 - Mesure du pouls ou des pulsations cardiaques utilisant des capteurs engendrant des signaux électriques

Abrégé

The present disclosure relates to a method for measuring body composition on the basis of an electrocardiogram, and a device therefor, and the method by which a computing device including at least one processor measures body composition on the basis of an electrocardiogram may comprise the steps of: acquiring first electrocardiogram data and a first biometric impedance, which are measured at a first measurement time point; acquiring second electrocardiogram data measured at a second measurement time point to which the time has elapsed from the first measurement time point; and calculating a voltage difference value between the first electrocardiogram data and the second electrocardiogram data, using the calculated voltage difference value and the first biometric impedance so as to calculate a second biometric impedance, and then matching the calculated second biometric impedance with the second measurement time point.

Classes IPC  ?

• A61B 5/33 - Modalités électriques se rapportant au cœur, p. ex. électrocardiographie [ECG] spécialement adaptées à l’utilisation conjointe avec d’autres dispositifs
• A61B 5/0537 - Mesure de la composition du corps par impédance, p. ex. de l’hydratation des tissus ou de la teneur en graisses
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

The present disclosure relates to a method, program, and apparatus for providing visualization content based on electrocardiogram readings, wherein the method is a method for providing visualization content based on electrocardiogram readings, which is performed by a computing apparatus including at least one processor, the method comprising the steps of: obtaining electrocardiogram data; analyzing the electrocardiogram data to generate electrocardiogram reading data; and on the basis of the generated electrocardiogram reading data, generating visualization content including an electrocardiogram graph representing electrocardiogram waveforms of the electrocardiogram data and heart animation data visualizing the state of an anatomical heart, wherein the heart animation data may be played in synchronization with the electrocardiogram graph and may display heart condition information including at least one of a heart movement, a blood flow, or an electrical flow.

Classes IPC  ?

• A61B 5/339 - Affichages spécialement adaptés à cet effet
• A61B 5/349 - Détection de paramètres spécifiques du cycle de l'électrocardiogramme
• A61B 5/353 - Détection d’ondes P
• A61B 5/355 - Détection d’ondes T
• A61B 5/366 - Détection de complexes QRS anormaux, p. ex. élargissement
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• A61B 5/358 - Détection des segments ST

Abrégé

According to an embodiment of the present disclosure, disclosed is a method, performed by a computing apparatus, for recommending products to a consumer on the basis of biological signals. The method comprises the steps of: determining, on the basis of heart rate signals extracted from biological signals of a consumer, or heart rate signal characteristics, a target consumer cluster to which the consumer belongs on a first cluster vector; according to a relationship between the target consumer cluster and a consumer cluster on the first cluster vector, assigning a score to each product entity on a second cluster vector; and recommending products to the consumer according to cluster characteristics in the second cluster vector and scores assigned to product entities.

Classes IPC  ?

• G06Q 30/06 - Transactions d’achat, de vente ou de crédit-bail
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne
• G06F 18/2413 - Techniques de classification relatives au modèle de classification, p. ex. approches paramétriques ou non paramétriques basées sur les distances des motifs d'entraînement ou de référence
• G06F 18/23213 - Techniques non hiérarchiques en utilisant les statistiques ou l'optimisation des fonctions, p. ex. modélisation des fonctions de densité de probabilité avec un nombre fixe de partitions, p. ex. K-moyennes
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
• G06N 20/00 - Apprentissage automatique

Abrégé

Disclosed, according to one embodiment of the present disclosure, are a method, a program, and a device for training a neural network model based on an electrocardiogram, carried out by a computing device. The method may comprise the steps of: generating first electrocardiogram data by using an electrocardiogram simulator or a pre-trained electrocardiogram generation model; and, on the basis of the first electrocardiogram data, carrying out self-supervised learning-based first training of a neural network model which is used for determining the health status of a person.

Classes IPC  ?

• A61B 5/319 - Circuits de simulation de signaux ECG
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G06N 3/042 - Réseaux neuronaux fondés sur la connaissanceReprésentations logiques de réseaux neuronaux
• G06N 3/08 - Méthodes d'apprentissage

Abrégé

The present disclosure relates to a method, program, and device for providing visualization content based on ECG reading, and provides a method for providing visualization content based on ECG reading, the method being performed by a computing device including at least one processor, and comprising the steps of: acquiring ECG data; extracting an ECG feature from the ECG data; and generating, on the basis of the extracted ECG feature, visualization content including an ECG graph indicating ECG waveforms of the ECG data and heart animation data obtained by visualizing the anatomical shape of heart, wherein the heart animation data is synchronized with the ECG graph and reproduced, and heart status information including at least one of heart movement, blood flow, and electrical flow can be displayed.

Classes IPC  ?

• A61B 5/339 - Affichages spécialement adaptés à cet effet
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/353 - Détection d’ondes P
• A61B 5/355 - Détection d’ondes T
• A61B 5/366 - Détection de complexes QRS anormaux, p. ex. élargissement
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

The present disclosure relates to a method, a program, and a device for providing transport services for an emergency patient and monitoring of a hospitalized patient on the basis of electrocardiograms, and provides a method comprising the steps of: acquiring electrocardiogram data of an emergency patient at preset time intervals; using a pre-trained neural network model to calculate a predicted value corresponding to the probability of occurrence of each of a plurality of diseases on the basis of the electrocardiogram data; calculating a severity level for classifying the emergency patient on the basis of the predicted value; and using the calculated severity level to select a target institution or target facility suitable for treatment of the emergency patient.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
• A61B 5/0245 - Mesure du pouls ou des pulsations cardiaques utilisant des capteurs engendrant des signaux électriques
• A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
• G06N 3/04 - Architecture, p. ex. topologie d'interconnexion

Abrégé

The present invention relates to a keyboard providing an electrocardiogram measurement function and a system comprising same, and provides a keyboard comprising: an electrode unit which is installed on one or more keys of the keyboard and measures a user's electrocardiogram signal when a finger of the user touches the electrode unit; a filtering unit for filtering out target noise that may be generated from the keyboard during the process of measuring the electrocardiogram signal; and a transmission unit for transmitting the filtered electrocardiogram signal in response to a request from a computing device connected wirelessly or by wire to the keyboard.

Classes IPC  ?

• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/26 - Électrodes bioélectriques à cet effet les sujets eux-mêmes maintenant les électrodes en contact avec le corps, p. ex. en appuyant de leur corps sur les électrodes ou en saisissant les électrodes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

A method by which a computing device improves the accuracy of feature extraction for heart rate variability, a program and a device, according to one embodiment of the present disclosure, are disclosed. The method may comprise the steps of: acquiring first heart rate variability and first additional information measured at a time point which is the same as that of the first heart rate variability; acquiring second heart rate variability measured at a time point which is different from that of the first heart rate variability, and second additional information measured at a time point which is the same as that of the second heart rate variability; identifying items that correspond to and items that do not correspond to detailed items of the first additional information from detailed items of the second additional information; and combining the first heart rate variability and the second heart rate variability for each detailed item of the additional information on the basis the identification results.

Classes IPC  ?

• A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/0245 - Mesure du pouls ou des pulsations cardiaques utilisant des capteurs engendrant des signaux électriques
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

According to an embodiment of the present disclosure, disclosed are a method, a program, and a device, for generating long-term heart rate variabilty on the basis of short-term measurement heart signals, the method being performed by a computing device. The method may comprise the steps of: obtaining heart data including heart signals measured within a first reference time; and generating heat rate variability in a second reference time on the basis of the heart data by using a pre-trained deep learning model, the first reference time being greater than the second reference time.

Classes IPC  ?

• A61B 5/024 - Mesure du pouls ou des pulsations cardiaques
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/0245 - Mesure du pouls ou des pulsations cardiaques utilisant des capteurs engendrant des signaux électriques
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

The present disclosure relates to a system and a method for providing an ECG reading service, and the system may comprise: a user terminal for generating ECG data for a user on the basis of a user input, making an ECG reading request, and viewing ECG reading result data for the ECG data; a first server for receiving the ECG data, generating de-identified information by using a de-identification code value for user de-identification processing for the ECG data, and providing collaborative treatment request data including the generated de-identified information and the ECG data; and a second server for receiving the collaborative treatment request data and generating ECG reading result data for the ECG data based on the collaborative treatment request data by using a pre-trained neural network model.

Classes IPC  ?

• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• G16H 15/00 - TIC spécialement adaptées aux rapports médicaux, p. ex. leur création ou leur transmission
• G16H 40/20 - TIC spécialement adaptées à la gestion ou à l’administration de ressources ou d’établissements de santéTIC spécialement adaptées à la gestion ou au fonctionnement d’équipement ou de dispositifs médicaux pour la gestion ou l’administration de ressources ou d’établissements de soins de santé, p. ex. pour la gestion du personnel hospitalier ou de salles d’opération
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/0245 - Mesure du pouls ou des pulsations cardiaques utilisant des capteurs engendrant des signaux électriques

Abrégé

According to one embodiment of the present disclosure, provided is a method for diagnosing left ventricular systolic dysfunction on the basis of an electrocardiogram, performed by a computing device comprising at least one processor, the method comprising the steps of: obtaining an electrocardiogram; and estimating the probability of the occurrence of left ventricular systolic dysfunction for a measurement target subject of the electrocardiogram data on the basis of the electrocardiogram data by using a pretrained neural network model, wherein the neural network model is trained on the basis of the correlation between left ventricular systolic dysfunction and changes in electrocardiogram characteristics.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/349 - Détection de paramètres spécifiques du cycle de l'électrocardiogramme
• A61B 5/02 - Détection, mesure ou enregistrement en vue de l'évaluation du système cardio-vasculaire, p. ex. mesure du pouls, du rythme cardiaque, de la pression sanguine ou du débit sanguin
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients

Abrégé

According to an embodiment of the present disclosure, disclosed are a method, program, and apparatus for training and inferring a deep learning model on the basis of medical data, executed by a computing apparatus. The method for training may comprise the steps of: training a first neural network model on the basis of medical data; and training a second neural network model on the basis of the trained first neural network model by matching a first operation function indicating a neural network block included in the trained first neural network model with a second operation function indicating a neural network block included in the second neural network model.

Classes IPC  ?

• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 10/60 - TIC spécialement adaptées au maniement ou au traitement des données médicales ou de soins de santé relatives aux patients pour des données spécifiques de patients, p. ex. pour des dossiers électroniques de patients
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• G06N 3/08 - Méthodes d'apprentissage

Abrégé

Disclosed are a medical data analysis method based on explainable artificial intelligence, a program, and a device, wherein the medical data analysis method is performed by a computing device according to an embodiment disclosed herein. The method may comprise the steps of: training a first neural network model on the basis of first medical data, the first neural network model being trained to estimate the benignancy or malignancy of a disease with respect to the first medical data; and using the trained first neural network model to train a second neural network model for converting features of second medical data so that the benignancy or malignancy of the disease with respect to the second medical data is estimated to be the opposite.

Classes IPC  ?

• A61B 5/349 - Détection de paramètres spécifiques du cycle de l'électrocardiogramme
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G06N 3/08 - Méthodes d'apprentissage
• G06N 3/04 - Architecture, p. ex. topologie d'interconnexion

Abrégé

Provided according to an embodiment of the present disclosure is a method for diagnosing thyroid dysfunction on the basis of an electrocardiogram, implemented by a computing device, which is a computing device including at least one processor, the method comprising the steps of: acquiring electrocardiogram data; and inferring onset probability of thyroid dysfunction on the basis of the electrocardiogram data in a subject for which the electrocardiogram data has been measured, using a pre-trained neural network, wherein the neural network model has been leaned based on the correlation between changes in thyroid function and electrocardiogram characteristics.

Classes IPC  ?

• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• A61B 5/346 - Analyse des électrocardiogrammes
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

According to one embodiment of the present disclosure, disclosed are a method, a computer program, and a device for continuously measuring a body condition on the basis of deep learning, performed by a computing device. The method comprises the steps of: acquiring electrocardiogram data; and using a pretrained neural network model to infer, on the basis of the electrocardiogram data, a physical condition corresponding to the onset of a disease or the progress of the disease of a subject whose electrocardiogram data have been measured, wherein the neural network model may be trained on the basis of at least one of a first feature associated with biological information representing body characteristics having a correlation with the disease, and a second feature associated with pathological information reflecting the progression of the disease.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/02 - Détection, mesure ou enregistrement en vue de l'évaluation du système cardio-vasculaire, p. ex. mesure du pouls, du rythme cardiaque, de la pression sanguine ou du débit sanguin
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G06N 3/08 - Méthodes d'apprentissage
• G06N 3/04 - Architecture, p. ex. topologie d'interconnexion

Abrégé

A method by which a computing device corrects an error of an electrocardiogram signal, according to one embodiment of the present disclosure, comprises the steps of: acquiring an electrocardiogram signal; estimating an error of the acquired electrocardiogram signal on the basis of the correlation between leads for measuring the acquired electrocardiogram signal; and correcting the error-estimated electrocardiogram signal on the basis of the correction information for correcting the error of the electrocardiogram signal.

Classes IPC  ?

• A61B 5/276 - Protection contre une défaillance des électrodes
• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/319 - Circuits de simulation de signaux ECG
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus

Abrégé

The present invention provides a deep learning-based electrocardiogram data noise removal system comprising: an electrocardiogram measurement unit (110) for measuring electrocardiogram data for each lead from the body of an examinee; and a style-based electrocardiogram generation unit (120) for extracting a unique style from the electrocardiogram data measured by the electrocardiogram measurement unit (110) by reflecting the characteristics of the examinee and a measurement method through an electrocardiogram generation deep learning algorithm (121), which is constructed by pre-learning low-noise electrocardiogram data for each lead and a learning dataset of a unique style of electrocardiogram data for each lead on the basis of multiple pieces of electrocardiogram data, and on the basis of the extracted unique style, converting the measured electrocardiogram data into electrocardiogram data of a specific lead style in which noise is not included and generating the converted electrocardiogram data of a specific lead style. Therefore, by the configuration described above, the present invention can generate electrocardiogram data from which noise has been removed and increase the accuracy of disease diagnosis prediction.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/308 - Circuits d’entrée à cet effet spécialement adaptés à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients

Abrégé

The present invention relates to a method for generating synchronous electrocardiograms on the basis of two lead asynchronous electrocardiograms. According to the present invention, a method for generating synchronous electrocardiograms comprises the steps of: collecting electrocardiogram data on a plurality of patients from a server operated by a hospital, and classifying the collected electrocardiogram data by style; constructing a deep learning algorithm, and inputting the classified electrocardiogram data into a constructed machine learning model so as to train the styles of electrocardiograms; acquiring the two lead electrocardiograms measured at other points by using electrodes provided on the body of subject to be measured; and inputting, into the machine learning model in which training has been completed, the lead electrocardiograms of the subject to be measured, so as to generate a plurality of virtually synchronized lead electrocardiograms.

Classes IPC  ?

• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

Disclosed is a system for generating a plurality of pieces of standard electrocardiogram data using 2-lead electrocardiogram data, the system comprising: an electrocardiogram measurement unit (110) for generating electrocardiogram data by measuring a 2-or-more-standard-lead electrocardiogram; an electrocardiogram generation unit (120) for identifying and calculating characteristic information of 2-or-more-standard-lead electrocardiogram data through a pre-trained rule-based algorithm (121) and thereby synthesizing a plurality of pieces of residual lead electrocardiogram data in a three-dimensional space to generate multiple lead electrocardiogram data; and an output unit (130) for outputting actual electrocardiogram data measured by the electrocardiogram measurement unit (110) and the multiple lead electrocardiogram data generated by the electrocardiogram generation unit (120), wherein the plurality of pieces of standard lead electrocardiogram data can be generated from the 2-or-more-lead electrocardiogram data by using the rule-based algorithm (121).

Classes IPC  ?

• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

Disclosed is a system for predicting health state using a single-lead electrocardiogram device, the system comprising: a single-lead electrocardiogram measurement unit (110) which has two electrodes and measures electrocardiograms of each of two or more electrical axes at difference times to obtain asynchronous electrocardiogram data; and a prediction unit (120) which, through a diagnosis algorithm (121) constructed in advance by training on a standard multiple electrocardiogram data set matching standard-lead electrocardiograms measured on the same electrical axis and the presence or absence and severity of diseases corresponding to the standard-lead electrocardiograms, predicts the presence or absence and severity of a disease from the asynchronous electrocardiogram data input from the single-lead electrocardiogram measurement unit (110), wherein the system can predict the disease from asynchronous electrocardiogram data of two or more leads measured by the single-lead electrocardiogram device.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne

Abrégé

Disclosed is a health condition prediction system using an asynchronous electrocardiogram, comprising: a single-lead electrocardiogram measurement unit (110) which includes two electrodes and obtains asynchronous electrocardiogram data by measuring an electrocardiogram of two or more electrical axes with a time difference; and a prediction unit (120) that predicts the existence of a disease and the degree of the disease from the asynchronous electrocardiogram data input from the single-lead electrocardiogram measurement unit (110) and segmented in units of specific times, through a diagnosis algorithm (121) pre-constructed by learning a plurality of asynchronous segmentation standard electrocardiogram data sets in which an asynchronous segmentation standard lead electrocardiogram at different timepoints of an asynchronous standard lead electrocardiogram segmented in units of specific times from a synchronous standard lead electrocardiogram measured at the same electrical axis and accumulated in a medical institution server is matched to the existence of a disease and the degree of the disease corresponding to the asynchronous segmentation standard lead electrocardiogram. The health condition prediction system can generate a data set for training a prediction model by generating an asynchronous electrocardiogram by segmenting a synchronous electrocardiogram of a medical institute and predict a disease from asynchronous electrocardiogram data of 2 leads or more measured by a single-lead electrocardiogram device.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/308 - Circuits d’entrée à cet effet spécialement adaptés à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients

Abrégé

The present invention relates to a simultaneous electrocardiogram generation method based on 2-lead non-simultaneous electrocardiograms. According to the present invention, a method for generating a simultaneous electrocardiogram comprises the steps of: obtaining non-simultaneously measured multiple pieces of electrocardiogram data from a lead electrocardiogram apparatus; classifying the obtained multiple pieces of electrocardiogram data as criterion electrocardiogram data and reference electrocardiogram data, and dividing the reference electrocardiogram data into bits to convert same into multiple pieces of reference unit electrocardiogram data; extracting a first characteristic value of a time irrelevant to electrocardiogram leads from the criterion electrocardiogram data, and extracting a second characteristic value of a time irrelevant to electrocardiogram leads from the multiple pieces of reference unit electrocardiogram data; and configuring a criterion point in the criterion electrocardiogram data, and arranging the multiple pieces of reference unit electrocardiogram data on the basis of the configured criterion point to generate a synchronized virtual electrocardiogram.

Classes IPC  ?

• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux

Abrégé

The present invention relates to a method for generating multiple pieces of standard electrocardiogram data on the basis of a deep learning algorithm. According to the present invention, a method for generating standard electrocardiogram data comprises the steps of: collecting standard 12-lead electrocardiogram data and classifying the collected standard 12-lead electrocardiogram data by multiple styles according to a characteristic of a measurer and a specifying method; inputting the electrocardiogram data classified by the multiple styles to an electrocardiogram generation model and training same to generate a multi-lead electrocardiogram; receiving measured single-lead electrocardiogram data or 2-lead electrocardiogram data from a subject to be measured; and inputting the single-lead electrocardiogram data or 2-lead electrocardiogram data to the electrocardiogram generation model to generate a multi-lead electrocardiogram.

Classes IPC  ?

• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/30 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le calcul des indices de santéTIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour l’évaluation des risques pour la santé d’une personne

Abrégé

The present invention provides an electrocardiogram reading system in which a deep learning-based model and a rule-based model are integrated, the system preventing electrocardiogram misreading and enabling quick and accurate reading by comprising: an electrocardiogram measurement unit (110) which measures a 1-lead or more electrocardiogram to generate electrocardiogram data; a deep learning-based prediction unit (120) which generates disease prediction information by diagnosing and predicting a disease from electrocardiogram data input from the electrocardiogram measurement unit (110) through a deep learning algorithm trained and constructed using a training dataset including 1-lead or more electrocardiograms and corresponding diseases; a rule-based inference unit (130) which generates disease inference information by inferring a disease from electrocardiogram data input from the electrocardiogram measurement unit (110) through a rule-based algorithm configured by an inference rule and a knowledge base constructed by electrocardiogram data and corresponding disease information; and an integrated reading unit (140) which collectively analyzes the disease prediction information and the disease inference information to perform disease reading and generate reading information, and provides diagnosis information on the reason and basis of disease diagnosis.

Classes IPC  ?

• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/28 - Électrodes bioélectriques à cet effet spécialement adaptées à des utilisations particulières pour l’électrocardiographie [ECG]
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus
• G16H 50/50 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour la simulation ou la modélisation des troubles médicaux
• G16H 50/20 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour le diagnostic assisté par ordinateur, p. ex. basé sur des systèmes experts médicaux
• G16H 50/70 - TIC spécialement adaptées au diagnostic médical, à la simulation médicale ou à l’extraction de données médicalesTIC spécialement adaptées à la détection, au suivi ou à la modélisation d’épidémies ou de pandémies pour extraire des données médicales, p. ex. pour analyser les cas antérieurs d’autres patients
• G06N 20/00 - Apprentissage automatique

Abrégé

The present invention relates to a system and a method for generating an electrocardiogram on the basis of a deep learning algorithm. According to the present invention, the system for generating an electrocardiogram on the basis of a deep learning algorithm comprises: a data input unit for receiving input 12-lead electrocardiograms measured by a plurality of patients; a data extraction unit for extracting training data from the input 12-lead electrocardiograms; a training unit for training characteristics of electrocardiograms by inputting the extracted training data to a plurality of training models; an electrocardiogram generation unit for receiving one or more input reference electrocardiograms from a measurement target person, and generating virtual electrocardiograms by inputting the input reference electrocardiograms to the plurality of training models for which training has been completed; and a control unit for mutually synchronizing the reference electrocardiograms and the generated virtual electrocardiograms, and outputting waveforms for the synchronized reference electrocardiograms and virtual electrocardiograms.

Classes IPC  ?

• A61B 5/327 - Génération de signaux ECG artificiels à partir de signaux mesurés, p. ex. pour pallier l’absence d’électrodes
• A61B 5/346 - Analyse des électrocardiogrammes
• A61B 5/332 - Dispositifs portables spécialement adaptés à cet effet
• A61B 5/00 - Mesure servant à établir un diagnostic Identification des individus