KR102170733B1 - 주기적 생체신호의 잡음을 제거하는 방법 및 그 장치 - Google Patents

Abstract

본 발명의 일 실시 예는, 일정한 주기를 갖고, 주기 내에 제1특징지점 및 제2특징지점을 갖고 있는 생체신호에 포함되어 있는 잡음을 효과적으로 제거할 수 있는 잡음제거 방법으로서, 보다 구체적으로는, 생체신호를 시간열 데이터(시계열 데이터)로 입력하여 잡음을 효과적으로 제거하는 방법을 개시한다.

Description

주기적 생체신호의 잡음을 제거하는 방법 및 그 장치 {Method for denoising of periodic vital signal and apparatus thereof}

본 발명은 주기적 생체신호의 잡음을 제거하는 방법 및 그 장치에 관한 것으로서, 보다 구체적으로는, 사람이나 동물로부터 기기를 통해 측정될 수 있는 생체신호 중에서 일정한 주기를 갖고 있는 생체신호의 잡음을 효과적으로 제거하는 방법 및 그 장치에 관한 것이다.

사람의 생체신호를 측정하여 생체신호로부터 얻어진 정보로 맞춤형 의료서비스를 제공하는 사업은 널리 알려져 있다. 위와 같은 맞춤형 의료서비스가 의원이나 병원에 방문한 내방인에게 효과적으로 제공되기 위해서는, 잡음을 최소화하여 내방인의 질병, 질환에 대한 정보를 효과적으로 나타낼 수 있는 생체신호가 측정되어야 하는 것은 자명한 사실이다.

다만, 사람으로부터 측정될 수 있는 생체신호의 종류는 다양할 뿐만 아니라, 특정 장기나 부위에 대한 생체신호가 측정되는 과정에서 인접한 장기나 측정환경에 따라 생체신호에 잡음이 필연적으로 추가되므로, 측정된 생체신호에서 효과적으로 잡음을 제거하면서, 생체신호가 갖고 있는 고유한 특징정보의 유실을 최소화할 수 있는 방법이 오래전부터 연구되어 왔다.

생체신호의 잡음을 제거하는 방법의 일 예로서, 주파수필터를 이용하여 특정한 주파수성분만을 제거하거나 특정한 주파수성분만을 남기는 방식이 있다. 위와 같은 방식은, 간단하게 필요한 주파수성분만 남길 수 있다는 장점이 있는 반면, 생체신호의 전부 또는 일부에 대해 위상 이동(phase shift)이 발생하여, 시간영역의 신호로 복원하더라도 원래의 생체신호에서 특정시점을 대한 정보를 정확히 알 수 없을 뿐만 아니라, 잡음의 주파수가 생체신호의 주파수범위에 속하면 논리적으로 잡음제거가 불가능하게 되는 한계점이 있다.

또한, 생체신호의 잡음을 제거하는 방법의 다른 일 예로서, 잡음제거자동인코더(denoising autoencoder)를 이용하는 방식도 있다. 잡음제거자동인코더는 인공신경망(ANN: Artificial Neural Network)의 구조를 이용하여 만든 알고리즘으로 동작하는 모듈(또는 프로그램)로서, 내부적으로 구현된 인공신경망의 입력과 출력이 같아지도록 학습하는 특징이 있다. 잡음제거자동인코더는 입력레이어(input layer), 히든레이어(hidden layer), 출력레이어(output layer)로 구성된 인공신경망을 포함하고, 입력과 출력의 차이를 줄이기 위해서 트레이닝(training)되고, 트레이닝을 반복하면서 입력의 특색을 파악하게 된다. 잡음제거자동인코더는 어떠한 특정 생체신호에 대해 트레이닝이 완료된 후에, 잡음이 섞인 생체신호를 입력받으면, 잡음을 제거한 생체신호를 출력하게 된다.

다만, 잡음제거자동인코더는 일반적인 인공신경망을 기초로 동작하는 특성에 의해, 고정된 한 시점의 파라미터를 입력으로 받아서 그 시간에 대응되는 출력값을 추정하여 출력하므로, 시계열 특성을 갖는 생체신호는 특정한 전처리과정을 거치지 않으면 잡음제거자동인코더의 입력이 될 수 없다는 한계점이 존재한다. 일반적으로 생체신호는 단순히 시간의 흐름에 따라 변화하는 데이터가 아니라, 어느 과거시점의 신호값이 그 시점보다 미래시점의 신호값에 영향을 주는 형태로 표현되기 때문이다.

1. 미국 등록특허공보 제5339818호 (1994.08.23. 등록) 2. 미국 등록특허공보 제9767557호 (2017.09.19. 등록) 3. 미국 공개특허공보 제2017-0273632호 (2017.09.28 공개)

1. Innovative continuous non-invasive cufless blood pressure monitoring based on photoplethysmography technology. Intensive Care Med, 39:1618-1625. Ruiz_rodriguez, et. al. (2013). 2. Improving photoplethysmographic measurements under motion artifacts using artificial neural network for personal healthcare. IEEE Transactions on Instrumentation and Measurement, doi: 10.1109/TIM.2018.2829488 Roy et al. (2018).

본 발명이 해결하고자 하는 기술적 과제는, 생체신호 중에서도 일정한 주기를 갖고 하나의 주기 내에서 적어도 두 가지 이상의 특징지점을 갖고 있는 생체신호에 포함되어 있는 잡음을 효과적으로 제거할 수 있는 방법 및 그 장치를 제공하는 데에 있다.

상기 기술적 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 방법은, 일정한 주기를 갖는 사용자의 생체신호를 기설정된 샘플링레이트를 기초로 하여 샘플링하여 복수의 샘플링된 신호를 획득하는 샘플링단계; 상기 샘플링된 신호들을 학습그룹과 시험그룹으로 분리하고, 상기 학습그룹에 포함된 샘플링신호에 잡음(noise)을 추가하는 그룹분리단계; 상기 잡음이 추가된 샘플링신호를 신호발생시간순서로 정렬시키고, 인공신경망(ANN: Artificial Neural Network)을 기초로 인코딩 및 디코딩을 순차적으로 수행하는 잡음제거자동인코더모듈(denoising autoencoder module)에 상기 정렬된 샘플링신호를 시계열적(time series)으로 입력하여 상기 잡음제거자동인코더모듈을 학습시키는 학습단계; 상기 시험그룹에 포함된 샘플링신호에 잡음을 추가하고, 상기 잡음제거자동인코더모듈에 시계열적으로 입력하여, 상기 시험그룹에 포함된 샘플링신호에 추가된 잡음을 제거하는 시험입력단계를 포함한다.

상기 기술적 과제를 해결하기 위한 본 발명의 다른 일 실시 예에 따른 장치는, 일정한 주기를 갖는 사용자의 생체신호를 기설정된 샘플링레이트를 기초로 하여 샘플링하여 복수의 샘플링된 신호를 획득하는 샘플링부; 상기 샘플링된 신호들을 학습그룹과 시험그룹으로 분리하고, 상기 학습그룹에 포함된 샘플링신호에 잡음(noise)을 추가하는 그룹분리부; 상기 잡음이 추가된 샘플링신호를 신호발생시간순서로 정렬시키고, 인공신경망(ANN: Artificial Neural Network)를 기초로 인코인 및 디코딩을 순차적으로 수행하는 잡음제거자동인코더모듈(denoising autoencoder module)에 상기 정렬된 샘플링신호를 시계열적(time series)으로 입력하여 상기 잡음제거자동인코더모듈을 학습시키는 모듈학습부; 상기 시험그룹에 포함된 샘플링신호에 잡음을 추가하고, 상기 잡음제거자동인코더모듈에 시계열적으로 입력하여, 상기 시험그룹에 포함된 샘플링신호에 추가된 잡음을 제거하는 시험입력부를 포함한다.

본 발명의 일 실시 예는 주기적 생체신호의 잡음을 제거하는 방법을 구현하기 위한 프로그램을 저장하고 있는 컴퓨터 판독가능한 기록매체를 제공한다.

본 발명에 따르면, 생체신호 중에서도 일정한 주기를 갖고 하나의 주기 내에서 적어도 두 가지 이상의 특징지점을 갖고 있는 생체신호에 포함되어 있는 잡음을 효과적으로 제거할 수 있다.

도 1는 본 발명에 따른 생체신호의 잡음을 제거하는 장치의 일 예의 블록도를 도시한 도면이다.
도 2는 샘플링부가 샘플링하는 대상인 사용자의 생체신호의 일 예를 도식적으로 나타낸 도면이다.
도 3은 모듈학습부가 잡음제거자동인코더모듈을 학습시키는 과정을 설명하기 위한 도면이다.
도 4 내지 도 8은 시험그룹에 포함된 샘플링신호에 추가되는 잡음을 도식적으로 나타내는 도면이다.
도 9는 양방향 순환신경망 자동인코더의 동작특성을 도식적으로 나타내는 도면이다.
도 10은 양방향 순환신경망 잡음제거자동인코더에 따른 잡음제거성능을 도식적으로 나타낸 도면이다.
도 11은 슬라이딩 윈도우 방식을 통해서 잡음을 제거한 신호를 구축하는 일 예를 도식적으로 나타내는 도면이다.
도 12는 본 발명에 따른 주기적 생체신호의 잡음을 제거하는 방법의 일 예의 흐름도를 도시한 도면이다.

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.

이하, 첨부된 도면을 참조하여 본 발명의 실시 예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

이하의 실시 예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.

이하의 실시 예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시 예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징을 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

어떤 실시 예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.

도 1는 본 발명에 따른 생체신호의 잡음을 제거하는 장치의 일 예의 블록도를 도시한 도면이다.

도 1을 참조하면 본 발명에 따른 생체신호의 잡음을 제거하는 장치(10)는 샘플링부(110), 그룹분리부(130), 모듈학습부(150), 시험입력부(170), 시험검증부(190) 및 데이터베이스(195)를 포함한다는 것을 알 수 있다. 실시 예에 따라서, 시험검증부(190) 및 데이터베이스(195)는 생략될 수도 있다.

샘플링부(110)는 사용자의 생체신호를 기설정된 샘플링레이트(sampling rate)를 기초로 샘플링하여 복수의 샘플링된 신호를 획득한다. 샘플링부(110)가 샘플링하는 사용자의 생체신호에는 다양한 신호가 포함될 수 있으며, 후술하는 순환신경망에 따른 학습효과를 극대화하기 위해서, 미리 설정된 복수의 조건을 만족하는 신호인 것이 바람직하다.

예를 들어, 샘플링부(110)가 샘플링하는 사용자의 생체신호는 일정한 주기를 갖고 있어야 한다. 사용자의 생체신호가 일정한 주기를 갖고 있다는 것은 생체신호에서 특징점이라고 볼 수 있는 부분이 미리 정해진 시간마다 나타난다는 의미이므로, 이와 같은 특성을 이용하여 잡음을 제거하고, 잡음을 제거하는 과정에서 손상된 생체신호를 복구하기 용이하다.

여기서, 미리 정해진 시간은 고정된 한 점의 시간이 될 수 있고, 미리 정해진 범위의 시간이 될 수 있다. 예를 들어, 주기가 10초인 생체신호는 본 발명에 의해 잡음제거가 가능한 신호이며, 주기가 8초 내지 12초 사이의 값으로 시간에 따라 변화하는 생체신호도 잡음제거를 효과적으로 하기 위한 기본적인 조건이 충족되는 것으로 간주하여, 본 발명에 의해 잡음제거가 될 수 있다.

또한, 사용자의 생체신호는 주기마다 제1특징지점 및 제2특징지점을 포함할 수 있다. 주기마다 제1특징지점 및 제2특징지점을 포함하는 생체신호에서, 제1특징지점 및 제2특징지점의 시간적 간격은 미리 설정된 범위내인 것이 바람직하다.

도 2는 샘플링부가 샘플링하는 대상인 사용자의 생체신호의 일 예를 도식적으로 나타낸 도면이다.

보다 구체적으로, 도 2는 광용적맥파(Photoplethysmogram)검사에 따른 PPG신호의 일 예를 나타내며, PPG신호는 수축 피크(Systolic Peak) 및 대동맥패임(Dicrotic notch)을 제1특징지점 및 제2특징지점으로서 포함하고 있다. 도 2에 따른 신호는 광용적맥파검사에 따른 PPG신호에서 한 주기만을 따온 신호 세그먼트(signal segment)로서 실제 사용자의 PPG신호는 도 2에 도시된 신호 세그먼트가 계속 반복되는 양상을 보인다.

Systolic Peak(210)는 PPG신호에서 가장 높은 지점으로서, PPG신호는 Systolic Peak(210)에 도달한 후, 해당 주기가 끝날 때까지 Systolic Peak(210)보다 더 높은 지점에 도달하지 않는 특성이 있다.

Diastolic Peak(250)는 Systolic Peak(210)가 나타난 이후에 관찰되는 PPG신호의 특징지점으로서, PPG신호는 Systolic Peak(210)에 도달한 후 Dicrotic notch(230)까지 계속 하강하다가, Diastolic Peak(250)에 도달할 때까지 일시적으로 상승하는 신호특성을 갖는다.

PPG신호가 위와 같은 신호특성을 가질 수 밖에 없는 이유는, 심실이 수축될 때, 대동맥의 압력보다 낮은 경우에는 혈액이 반월판을 열지 못하기 때문에 심방쪽으로도 압력이 가해지고, 심실이 이완될 때에는 판막이 순간적으로 닫힘에 따라 반동에 의해서 중복맥(Dicrotic notch)이 나타날 수 밖에 없기 때문이다. 측정대상에 따라 x(280), y(290)의 차이만 있을 뿐, 심장을 구성하는 심방, 심실의 기계적인 배치 및 심방, 심실을 출입하는 혈류에 따른 압력 등에 의해서 PPG신호의 파형에서는, Systolic Peak(210), Dicrotic notch(230), Diastolic Peak(250)이 순차적으로 관찰되고, Systolic Peak(210), Dicrotic notch(230), Diastolic Peak(250)는 본 발명에서의 제1특징지점 또는 제2특징지점이 될 수 있다. 여기서, x(280)는 Systolic Peak(210)에서의 PPG신호값, y(290)는 Dicrotic notch(230) 또는 Diastolic Peak(250)의 PPG신호값을 의미한다.

또한, Systolic Peak(210)과 Dicrotic notch(230)와의 시간적 격차인 Width(270)는 Systolic Peak(210) 및 Dicrotic notch(230) 중 어느 하나가 잡음에 의해 관찰되지 않을 때에 신호의 복원을 위해 사용될 수 있는 시간적 간격을 의미하고, 샘플링부(110)에 의해 샘플링되는 사용자의 생체신호를 결정하는 중요한 요소가 된다. 샘플링부(110)에 의해서, Systolic Peak(210) 및 Dicrotic notch(230) 사이의 시간적 간격은 미리 설정된 범위내의 값으로 한정된다.

도 2에서는 설명의 편의를 위해서, 광용적맥파검사에 따른 PPG신호를 예시적으로 설명하였으나, 전술한 것과 같이, 제1특징지점 및 제2특징지점을 포함하는 주기적 생체신호로서, 제1특징지점 및 제2특징지점 간의 시간적 간격이 샘플링부(110)에 의해 기설정된 범위내라면 어떠한 생체신호도 샘플링대상이 될 수 있다는 점은 자명하다. 예를 들어, 샘플링부(110)에 의해 샘플링가능한 생체신호에는, 심전도검사 ECG: electrocardiogram), 지진박동곡선검사(seismocardiogram), 임피던스검사(impedance cardiogram), 심장탄도검사(BCG: ballistocardiogram), 지첨용적매파검사(plethysmogram), 초음파검사(ultrasound), 뇌파검사(electroephalography)에 따른 신호들이 모두 포함될 수 있다.

샘플링부(110)는 생체신호를 기설정된 샘플링레이트로 샘플링하여 복수의 샘플링된 신호를 획득한다. 여기서, 샘플링레이트는 125Hz가 될 수 있다. 복수의 샘플링된 신호는 생체신호를 구성하는 신호 세그먼트(signal segment) 각각을 의미한다. 예를 들어, 생체신호의 전체 길이가 10초이고, 샘플링레이트가 125Hz라면, 생체신호의 신호 세그먼트의 수는 1250개가 된다. 위와 같은 생체신호의 길이 및 샘플링레이트는 고정된 값이 아니며, 실시 예에 따라 달라질 수 있다. 이하에서는, 샘플링된 신호와 신호 세그먼트를 동일한 의미로 사용하기로 한다.

그룹분리부(130)는 샘플링된 신호들을 학습그룹과 시험그룹으로 분리하고, 학습그룹에 포함된 샘플링신호에 잡음(noise)을 추가한다. 학습그룹은 후술하는 잡음제거자동인코더에 포함되어 있는 신경망을 트레이닝시키기 위한 신호 세그먼트들을 포함한다. 시험그룹은 잡음제거자동인코더에 포함되어 있는 신경망이 학습그룹에 포함된 신호 세그먼트들에 의해 트레이닝되고 난 후, 실제로 트레이닝이 유효하게 되었는지 시험하기 위한 신호 세그먼트들을 포함한다.

그룹분리부(130)는 학습그룹에 포함된 샘플링신호들에 대해서, 그룹에 속한 신호의 최소값을 뺀 다음 그룹에 속한 신호의 최대값으로 나눔으로써, 진폭정규화(amplitude-normalized)과정을 추가로 거치도록 처리할 수 있다. 이와 같은 정규화과정은 잡음제거자동인코더의 학습 효율성을 큰 폭으로 향상시킬 수 있다.

그룹분리부(130)가 학습그룹에 포함된 샘플링된 신호들에 추가하는 잡음(noise)에는 다양한 잡음이 포함될 수 있다. 일 예로서, 그룹분리부(130)는 무작위적 잡음(random noise)을 학습그룹에 포함된 샘플링된 신호들에 추가할 수 있다.다른 일 예로서, 그룹분리부(130)는 백색 잡음(white noise), 슬로핑잡음(sloping noise), 포화잡음(saturation noise) 중 적어도 하나 이상을 학습그룹에 포함된 샘플링된 신호들에 추가할 수 있다. 실시 예에 따라, 백색잡음, 슬로핑잡음, 포화잡음 중 두 개 이상이 복합적으로 중첩된 잡음은 복합잡음(combined noise)로서 무작위 잡음과 동일하게 취급될 수 있다. 학습그룹에 포함된 샘플링된 신호들은 잡음이 추가되기 전에 복사되어 데이터베이스(195)에 저장되었다가 후술하는 모듈학습부(150)의 호출에 의해 모듈학습부(150)로 송신될 수 있다.

모듈학습부(150)는 잡음이 추가된 샘플링신호를 신호발생시간순서로 정렬시키고, 인공신경망을 기초로 인코딩(encoding) 및 디코딩(decoding)을 순차적으로 수행하는 잡음제거자동인코더모듈에 정렬된 샘플링신호를 시계열적으로 입력하여 잡음제거자동인코더모듈을 학습시킨다. 모듈학습부(150)는 잡음제거자동인코더모듈을 물리적 또는 논리적으로 포함하거나, 잡음제거자동인코더모듈과 유선 또는 무선으로 연결되어 있다.

여기서, 잡음제거자동인코더모듈이란 배경기술에서 설명한 것처럼 입력과 출력에 동일한 신호를 넣었을 때, 잡음제거자동인코더모듈에 포함된 ANN에 의해서 신호의 특성이 트레이닝되어, 트레이닝이 완료된 상태(학습된 상태)에서 잡음이 섞인 신호를 잡음제거자동인코더의 입력으로 넣었을 때에 잡음이 섞이지 않은 신호를 출력하는 기능을 갖는 모듈을 의미한다.

도 3은 모듈학습부가 잡음제거자동인코더모듈을 학습시키는 과정을 설명하기 위한 도면이다.

도 3을 참조하면, 잡음제거자동인코더모듈에 포함되는 인공신경망은 Input Layer(330), Forward Layer(350), Backward Layer(370), Output Layer(390)로 구성되어 있다는 것을 알 수 있다. Input Layer(330)에는 생체신호의 세그먼트가 시계열적으로 입력되고, 도 3에서 이러한 시계열적 입력동작은 Time steps(310)을 통해 표현되어 있다.

모듈학습부(150)는 잡음이 추가된 샘플링신호를 신호발생시간순서로 정렬시키고, 잡음제거자동인코더모듈의 인공신경망의 Input Layer(330)에 시계열적으로 입력하여 Forward Layer(350) 및 Backward Layer(370)를 통해서 학습그룹에 추가된 샘플링신호를 트레이닝시킨다.

예를 들어, 샘플링부(110)에 생체신호가 125Hz로 샘플링되고, 학습그룹에 포함된 신호 세그먼트들이 사용자의 생체신호 2초에 해당하는 길이에서 샘플링되었다면, 신호 세그먼트들은 250개가 되며, 가장 과거 시점인 t-249시점의 신호 세그먼트부터 가장 최근 시점의 t시점의 신호 세그먼트가 순차적으로 Input Layer(330)에 입력된다. 잡음제거자동인코더모듈의 기본적인 동작 특성에 의해서 Output Layer(390)에는 그룹분리부(130)에 의해 잡음이 섞이기 전의 학습그룹의 신호 세그먼트들(250개)이 시계열적으로 입력된다.

도 3에서 Forward Layer(350), Backward Layer(370)에는 각각 40개의 노드들로 구성되어, Input Layer(330)에 시계열적으로 입력된 잡음이 추가된 신호 세그먼트들을 트레이닝하면서, 최종적으로 Output Layer(390)에 입력된 신호 세그먼트들처럼 잡음이 제거된 신호 세그먼트들이 출력될 수 있도록 반복학습처리된다. 도 3에서 Forward Layer(350), Backward Layer(370)의 노드의 개수는 40개로 한정되지 않으므로, 20개 또는 60개가 될 수도 있다.

Forward Layer(350), Backward Layer(370)는 Hidden Layer(미도시)를 구성하여 시계열적으로 입력된 신호 세그먼트들 중에서 잡음과 잡음이 아닌 생체신호를 구분하기 위한 트레이닝이 수행되는 계층으로서, 본 발명에 따르면, 도 3처럼 여러 시점의 신호 세그먼트들은 잡음이 추가되거나 추가되지 않은 채로 Input Layer(330), Output Layer(390)에 시계열적으로 입력되어 트레이닝됨으로써, 단순한 인공신경망(ANN)이 아닌 순환신경망(RNN)의 원리로서 동작하게 된다. RNN은 메모리 기능이 부가된 인공신경망으로서, 한 시점의 신호 세그먼트가 아니라 시계열 순서로 입력되는 복수의 신호 세그먼트를 학습할 수 있다는 점에서, 과거 시점의 신호값이 미래 시점의 신호값에 영향을 끼치는 주기적 생체신호를 처리하는 데에 있어서 매우 적합한 특징을 갖는다.

도 3에서 Input Layer(330), Output Layer(390)의 노드 개수는 250개로 한정되어 있으나, 이는 예시적인 값에 불과하므로, 실시 예에 따라서, Input Layer(330), Output Layer(390)의 노드 개수는 250개보다 더 적거나 더 많을 수 있다.

모듈학습부(150)는 잡음이 추가된 신호세그먼트들을 잡음제거자동인코더에 입력하여 잡음이 일정수준 이상 제거된 신호 세그먼트가 출력되었을 때, 학습그룹에 포함된 신호 세그먼트들에 대한 반복학습과정을 종료하게 된다.

시험입력부(170)는 시험그룹에 포함된 샘플링신호에 잡음을 추가하고, 잡음이 추가된 신호 세그먼트들을 잡음제거자동인코더모듈에 시계열적으로 입력하여, 시험그룹에 포함된 샘플링신호에 추가된 잡음을 제거한다. 구체적으로, 시험입력부(170)는 시험그룹에 포함된 샘플링신호에 잡음이 추가되면, 잡음이 추가된 신호 세그먼트들을 잡음제거자동인코더모듈에 시계적으로 입력하여, 잡음제거자동인코더모듈로부터 잡음이 제거된 신호 세그먼트들이 출력되도록 한다.

도 4 내지 도 8은 시험그룹에 포함된 샘플링신호에 추가되는 잡음을 도식적으로 나타내는 도면이다.

도 4 내지 도 8을 설명하기에 앞서, 시험그룹에 포함된 샘플링신호는 사용자가 광용적맥파(PPG)검사를 수행하였을 때 측정되는 신호라고 가정한다.

도 4는 PPG신호가 특정한 샘플링레이트에 의해서 샘플링되어 복수의 PPG 세그먼트로 분리되었을 때, 그 중 선택된 하나의 PPG 세그먼트를 도식적으로 나타낸 도면이다. 도 2를 참조하여 도 4를 설명하면, 도 4는 2회의 수축 피크(Systolic Peak) 및 총 3회의 대동맥패임(Dicrotic Notch)이 포함된 원신호 PPG 세그먼트(Original PPG segment)를 도시하고 있다는 것을 알 수 있다.

도 5는 원신호 PPG 세그먼트에 백색잡음이 적용된 결과를 도식적으로 나타낸다. 보다 구체적으로, 도 5는 백색 잡음의 고유한 특성에 따라, 진동률이 큰 파형이 도 4의 원신호 PPG 세그먼트에 적용되어, 원신호 PPG 세그먼트와는 다른 양상의 신호 세그먼트로 변경된 모습을 나타낸다.

도 6은 원신호 PPG 세그먼트에 슬로핑잡음이 적용된 결과를 도식적으로 나타낸다. 보다 구체적으로, 도 6는 슬로핑잡음의 고유한 특성에 의해, 수축 피크 및 대동맥패임을 나타나는 구간이 사라진 원신호 PPG 세그먼트를 도식적으로 나타내고 있다.

도 7은 원신호 PPG 세그먼트에 포화잡음이 적용된 결과를 도식적으로 나타낸다. 보다 구체적으로, 도 7은 포화잡음의 고유한 특성에 의해, 두번째 대동맥패임 이후에 포화(saturation)값으로 급격히 증가하여 그 포화값을 유지하는 원신호 PPG 세그먼트를 도식적으로 나타내고 있다. 도 7에서 포화값에 도달한 이후에는 원신호 PPG 세그먼트에 대한 정보가 완전히 유실된다.

도 8은 원신호 PPG 세그먼트에 복합잡음이 적용된 결과를 도식적으로 나타낸다. 보다 구체적으로, 도 8의 복합잡음은 도 5 내지 도 7을 통해 설명한 백색잡음, 슬로핑잡음, 포화잡음 중 적어도 두 가지 이상이 혼합된 잡음을 의미하고, 복합잡음에 포함된 잡음들의 특성들에 의해서, 원신호 PPG 세그먼트와는 완전히 다른 파형을 나타내게 된다.

시험입력부(170)는 도 4와 같은 신호 세그먼트에 백색잡음, 슬로핑잡음, 포화잡음 중 적어도 한 가지의 잡음을 추가하는 방식을 통해 잡음이 추가된 신호 세그먼트를 생성하여, 그 생성된 신호 세그먼트들을 모듈학습부(150)에 의해서 학습된 잡음제거자동인코더모듈의 Input Layer(330)에 시계열적으로 입력한다.

선택적 일 실시 예로서, 시험입력부(170)는 시험그룹에 포함된 샘플링신호에 추가된 잡음이 학습된 잡음제거자동인코더모듈에 의해서 미리 설정된 비율을 초과하여 제거된 것으로 파악되면 샘플링부(110)로부터 샘플링된 목표생체신호를 추가로 수신하고, 수신된 목표생체신호를 학습된 잡음제거자동인코더모듈에 시계열적으로 입력시켜서 잡음을 제거할 수도 있다.

본 선택적 일 실시 예에서, 시험그룹에 포함된 샘플링신호에 추가된 잡음이 학습된 잡음제거자동인코더모듈에 의해서 미리 설정된 비율을 초과하여 제거되었다는 것은 모듈학습부(150)에 의해서 잡음제거자동인코더모듈이 적절하게 트레이닝되었다는 것을 의미한다. 여기서, 미리 설정된 비율은 시험입력부(170)에 미리 저장되어 있거나, 데이터베이스(195)에 저장되어 있다가 시험입력부(170)가 논리판단을 하는 과정에서 시험입력부(170)에 전달되는 수치이다. 미리 설정된 비율은 잡음제거자동인코더모듈의 학습의 수준을 얼마나 엄격하게 설정하냐에 따라서 높아지거나 낮아질 수도 있다.

또한, 목표생체신호는 모듈학습부(150)에 의해서 트레이닝(training)이 완료된 잡음제거자동인코더모듈이 전술한 과정에 따라 시험입력부(170)에 의해서 유효성(validation)이 검증되고 나면, 실제적으로 잡음을 제거하기 위해서 데이터베이스(195)에 미리 저장해두었거나, 유효성이 검증되고 나서 새롭게 수신한 생체신호를 의미한다. 목표생체신호는 샘플링부(110)를 거쳐서 적절하게 샘플링된 후, 잡음제거자동인코더모듈에 시계열적으로 입력됨으로써, 잡음이 충분히 제거될 수 있다.

시험검증부(190)는 시험입력부(170)에 의해 잡음이 추가된 신호 세그먼트를 입력값으로 수신한 잡음제거자동인코더모듈이 출력신호를 출력하면, 시험그룹에 포함된 샘플링신호와 출력신호와의 동일성의 정도를 파악하는 방식을 통해 시험과정을 검증한다. 잡음제거자동인코더모듈이 출력하는 출력신호는 입력된 신호 세그먼트에 대응되는 신호로서 동일한 시간길이를 갖는 신호 세그먼트이며, 시험검증부(190)는 시험그룹에 포함된 샘플링신호와 출력신호와의 RMSE(Root Mean Square Error)나 상관성(Correlation)을 산출하여 미리 설정된 값과 비교하는 방식을 통해서 검증과정을 수행할 수 있다. 실시 예에 따라, 잡음제거자동인코더모듈이 출력하는 출력신호는 신호 세그먼트들을 결합한 신호일 수도 있다.

위와 같이, 시험검증부(190)는 시험입력부(170)에 의해 시험그룹에 포함된 신호 세그먼트들이 시계열적으로 잡음제거자동인코더모듈에 입력되어, 신호 세그먼트들에 포함된 잡음들이 제거되면, 잡음이 얼마나 잘 제거되었는지를 검증하고, 사용자에게 검증된 결과를 출력할 수 있도록 하는 기능을 수행한다. 본 발명에 따른 생체신호의 잡음을 제거하는 장치(10)를 관리하는 관리자는 시험검증부(190)에 의해 검증된 결과를 관찰하고, 잡음제거자동화인코더모듈에 포함된 신경망의 각 계층에 포함되는 노드의 수를 조정하거나, 모듈학습부(150)의 학습 알고리즘을 개선시키기 위한 파라미터를 보다 더 세밀하게 조정할 수 있게 된다.

데이터베이스(195)는 샘플링부(110), 그룹분리부(130), 모듈학습부(150), 시험입력부(170) 및 시험검증부(190)와 통신을 수행하면서, 잡음제거자동인코딩모듈을 학습시키고 시험그룹에 포함된 신호 세그먼트를 시험하고 검증하는 과정에서 송수신되는 각종 데이터를 임시적으로 저장하고 반환하는 기능을 수행한다.

전술한 것과 같이, 본 발명에 따른 잡음 제거 장치(10)는 종래에 알려진 ANN을 기본으로 하는 잡음제거자동인코더모듈을, 효과적으로 이용하는 장치로서 일정한 주기를 갖고 주기 내에 제1특징지점 및 제2특징지점을 포함하는 생체신호의 잡음을 제거할 수 있다. 보다 구체적으로, 본 발명은, 잡음제거자동인코더모듈의 동작을 ANN으로 한정하지 않고 RNN에 의해 수행될 수 있도록 하는 구성으로서, 생체신호를 신경망의 Input Layer에 한번에 입력하는 것이 아니라 시계열 데이터 형식으로 측정된 생체신호를 시간 스텝(time step)마다 적어도 하나 이상의 샘플씩 입력하는 구조를 갖는 장치를 제안한다.

특히, 생체신호에 포함되어 있는 잡음의 크기가 클 경우, 생체신호의 특징점(feature)들이 묻혀버리는 경우가 발생하는데, 시간적 정보를 이용하여 이러한 특징점이 어디에 생기는지 예측하여 재구축할 수 있는 waveform feature accentuation과 같은 기능을, 본 발명과 같이 RNN을 접목시킨 잡음제거자동인코더에서는 이용가능한 장점이 있다.

이하에서는, 본 발명에 따른 잡음 제거 장치(10)의 추가적인 실시 예에 대해서 설명하기로 한다.

선택적 일 실시 예로서, 샘플링부(110)가 샘플링하는 생체신호가 PPG신호라면, 제1특징지점은 대동맥패임이고, 제2특징지점은 수축피크일 수도 있다. 본 선택적 일 실시 예에 따르면, 생체신호가 PPG신호일 때 대동맥패임이 수축피크보다 시간적으로 더 먼저 위치하는 것을 간주하고, 잡음제거자동인코더모듈의 순환신경망의 학습 및 시험단계를 진행하게 됨에 따라서, 시험검증부(190)에서 잡음을 제거한 신호 세그먼트를 관찰하다가, 특정 주기에서 수축 피크가 발견되지 않고 대동맥패임만 존재하는 것을 발견할 경우, 수축 피크에 해당하는 신호성분이 잡음을 제거하는 과정에서 누락된 것을 용이하게 파악할 수 있게 된다. 즉, 본 선택적 일 실시 예는, 제1특징지점 및 제2특징지점을 각각 수축피크, 대동맥패임으로 두고 잡음제거알고리즘을 실행하는 경우에 있어서, 그 결과가 만족스럽지 않은 경우에 추가적으로 잡음이 제거된 신호를 획득하기 위해 수행되는 일 방법이 될 수도 있다.

다른 선택적 일 실시 예로서, 모듈학습부(150)는 시간순서로 정렬된 신호 세그먼트를 잡음제거자동인코더모듈의 Input Layer(330)에 시계열적으로 입력할 뿐만 아니라, 반시계열적으로 입력하는 방식을 통해, 잡음제거자동인코더모듈을 학습시킬 수도 있다. 단순히 한 방향으로 신호 세그먼트를 입력하는 것이 아니라, 양 방향으로 신호 세그먼트를 Input Layer(330)에 입력하는 점에서, 본 선택적 일 실시 예에 따라 구현되는 장치는 양방향 순환신경망 잡음제거자동인코더(BRDAE: Bidirectional Recurrent Denoising AutoEncoder)라고 호칭될 수 있다.

도 9는 양방향 순환신경망 자동인코더의 동작특성을 도식적으로 나타내는 도면이다.

먼저, 순환신경망 잡음제거자동인코더(RDAE: Recurrent Denoising AutoEncoder)에 의할 경우, 시간순서로 정렬된 신호 세그먼트가 잡음제거자동인코더에 0에서 i까지의 순서(시계열적)로 입력되어 학습된다. 이때, 신호 세그먼트에서 0은 가장 앞선 시점을 의미한다고 간주한다.

이어서, 본 선택적 일 실시 예에 따른 양방향 순환신경망 잡음제거자동인코더에 의할 경우, 시간순서로 정렬된 신호 세그먼트가 잡음제거자동인코더에 0에서 i까지의 순서(시계열적)로 입력될 뿐만 아니라, i에서 0까지의 순서(반시계열적)로 입력되어 학습된다.

위와 같이 양방향 순환신경망 잡음제거자동인코더에 따르면, 후속적으로 입력되는 정보뿐만 아니라 반대로 입력되는 정보도 응용하여 이용할 수 있게 된다. 생체신호의 잡음을 제거하는 관점에서, 큰 잡음이 신호 세그먼트의 가장 앞 부분에 위치하고 있으면, 순환신경망 잡음제거자동인코더에 의할 때, 이 잡음에 의해서 신호 세그먼트에 포함된 나머지 부분들에 대한 잡음 제거 성능이 급격히 감소할 수 있다. 가장 앞에 위치한 잡음은, 신호 세그먼트의 시간열 정보를 교란시켜서, 신호 세그먼트의 특징점 파악이 불가능하게 되기 때문이다.

일 예로서, 광용적맥파의 신호 세그먼트에서 첫 샘플부터 수축 피크(systolic peak)까지 아주 큰 크기의 잡음이 섞이게 되는 경우, 수축 피크 자체를 식별할 수 없게 되어, 수축 피크 전후의 시간열정보가 무의미해지게 됨에 따라, 기존의 단방향성 순환신경망 잡음제거자동인코더로는 수축 피크를 다시 구축하는 것이 불가능해질 수 있다.

위와 같은 상황에서, 양방향 순환신경망 잡음제거자동인코더에 따르면, 양방향으로 순환신경망이 신호 세그먼트들을 학습함에 따라, 특정한 신호 세그먼트에 있어서 시간적으로 순방향일 때, 수축피크가 나타난 후에 일정 시간이 경과한 후 대동맥패임이 나타날 뿐만 아니라, 역방향일 때, 대동맥패임이 나타난 후에 수축피크가 나타난다는 정보가, 신호 세그먼트를 복원하고 재구축하는 데에 있어서 고려될 수 있다. 전술한 실시 예에서는, 설명의 편의를 위해서, 신호 세그먼트를 PPG 세그먼트로, 제1특징지점 및 제2특징지점을 수축피크 및 대동맥패임으로 설명하고 있으나, 실시 예에 따라서, PPG 세그먼트가 아니라 다른 생체신호의 세그먼트가 될 수 있다는 것은 이 분야의 통상의 기술자라면 자명할 것이다.

도 10은 양방향 순환신경망 잡음제거자동인코더에 따른 잡음제거성능을 도식적으로 나타낸 도면이다.

도 10를 참조하면, 잡음이 제거된 출력신호(1010)는 불규칙적으로 진동하는 광용적맥파검사(PPG)에 따른 신호이고, 잡음이 제거되기 전의 출력신호(1030)는 도 8과 유사하게 복합잡음이 추가된 형태의 신호라는 것을 알 수 있다.

도 10을 참조하였을 때, 잡음이 제거된 출력신호(1010)와 잡음이 제거되기 전의 출력신호(1030) 간에 외형적인 유사성이 거의 보이지 않을 정도지만, 잡음이 제거되기 전의 출력신호(1030)에는 잡음이 제거된 출력신호(1010)의 특징점이 포함되어 있을 뿐만 아니라, 양방향 순환신경망 잡음제거자동인코더의 학습된 정보에 따라서, 잡음이 제거되기 전의 출력신호(1030)에서 잡음이 제거됨에 따라, 최종적으로 잡음이 제거된 출력신호(1010)를 얻을 수 있다.

시험검증부(190)는 본 선택적 일 실시 예에 따라 잡음이 제거된 출력신호(1010)와 잡음이 제거되기 전의 출력신호(1030)간의 유사성을 다양한 방식을 통해 검증할 수 있다. 예를 들어, 시험검증부(190)는 생체신호가 광용적맥파검사에 따른 PPG 신호일 경우, 잡음을 제거한 PPG 신호를 기초로 하여 심박수(HR: Heart Rate)를 산출하고, 산출된 PPG 신호에 따른 심박수를 미리 저장되어 있는 심전도검사(ECG)에 따른 심박수와 비교하여 상관관계(Correlation) 및 RMSE(Root Mean Square Error)를 산출한 결과를 통해서 본 발명의 생체신호에 대한 잡음제거율을 검증할 수 있다.

	잡음제거 방법(Denoising Method)
	None	Wavelet	DAE	RDAE	BRDAE
Correlation	0.408±0.301	0.406±0.304	0.558±0.238	0.620±0.254	0.686±0.147
RMSE	14.8±15.7	14.4±15.0	6.2±4.9	7.5±10.7	6.1±8.2

표 1은 시험검증부(190)가 여러 가지 잡음제거방법에 따라서, 잡음이 추가된 PPG 신호의 잡음을 제거한 결과를 나타낸 표이다.

표 1을 참조하면, 잡음제거를 전혀 하지 않았거나(None), 기존에 알려진 방법(Wavelet, DAE: Denoising AutoEncoder)으로 PPG신호의 잡음을 제거한 경우보다, 본 발명에 따른 방법(RDAE, BRDAE)에 따라 잡음을 제거한 경우가 더 상관관계는 높으면서, 더 낮은 RMSE를 보이는 경향을 알 수 있다. 즉, 순환신경망처럼 과거 시점의 정보를 이용하는 방법으로 주기성 있는 생체신호를 디노이징(denoising)하면, 디노이징에 따른 잡음제거효과가 종래에 알려진 방법에 비해 탁월하다. 또한, 단방향이 아닌 양방향 순환신경망 잡음제거자동인코더에 따라 잡음을 제거할 경우, 단방향 순환신경망 잡음제거자동인코더를 이용하여 잡음을 제거할 때보다 더 높은 상관관계와 더 낮은 RMSE를 나타내는 것을 알 수 있다.

전술한 것과 또 다른 선택적 일 실시 예로서, 시험입력부(170)는 샘플링부(110)가 샘플링하는 데에 이용한 샘플링레이트보다 더 낮은 입력샘플링레이트를 기초로 하는 슬라이딩 윈도우 방식을 통해서, 시험그룹에 포함된 샘플링신호를 잡음제거자동인코더모듈에 시계열적으로 입력하고, 시험검증부(190)는 입력샘플링레이트를 기초로 중첩적으로 복원하여 생성된 출력신호를 시험그룹에 포함된 샘플링신호와 비교하여 동일성을 검증할 수 있다.

도 11은 슬라이딩 윈도우 방식을 통해서 잡음을 제거한 신호를 구축하는 일 예를 도식적으로 나타내는 도면이다.

전술한 양방향 순환신경망 잡음제거자동인코더를 통해서도 생체신호에 대한 잡음이 효과적으로 제거되지 않는 경우가 생길 수 있다. 이러한 경우에, 신호 세그먼트를 슬라이딩 윈도우(sliding window)방식으로 겹쳐서 잡음제거자동인코더모듈의 신경망의 Input Layer에 입력하고, 그 입력에 따른 출력을 겹친 후에 평균을 내는 방식으로 출력신호를 산출하여, 더 높은 잡음제거효과를 기대할 수 있다.

도 11을 참조하여 설명하면, 125Hz의 PPG 신호를 한번에 2초 단위(250샘플)로 하여 양방향 순환신경망 잡음제거자동인코더(BRDAE)에 입력하고, 슬라이딩 윈도우를 50샘플로 함으로써, 잡음이 제거된 PPG 신호를 획득할 수 있다. 입력되는 신호 세그먼트가 250샘플이고, 슬라이딩 윈도우가 50샘플이므로, 입력되는 신호 세그먼트들간에 중복되는 부분은 최대 200샘플에 해당하며, 중복되는 부분을 고려하여 평균을 내는 방식을 통해서 잡음이 제거된 생체신호가 획득될 수 있다.

도 11은 양방향 순환신경망 잡음제거자동인코더에 의해, 잡음이 제거된 세그먼트들(1110)이 슬라이딩 윈도우 방식을 통해서 중복되는 부분만 평균값을 취하는 방식이 반복됨으로써, 평균결과(1130)에 따른 생체신호가 산출되는 과정을 도식적으로 나타낸다. 도 11에서 평균결과(1130)에 따른 생체신호는 입력신호에 따라 PPG 신호이지만, 일정한 주기를 갖고, 주기마다 제1특징지점 및 제2특징지점을 갖는 생체신호라면, PPG 신호가 아닌 생체신호에 대해서도 슬라이딩 윈도우 방식을 통해서 잡음이 제거된 생체신호를 산출하는 방식이 적용될 수 있다는 것은 이 분야의 통상의 기술자에게 자명할 것이다.

도 12는 본 발명에 따른 주기적 생체신호의 잡음을 제거하는 방법의 일 예의 흐름도를 도시한 도면이다.

도 12에 따른 방법은 도 1의 주기적 생체신호의 잡음을 제거하는 장치(10)에 의해 구현될 수 있으므로, 도 1을 참조하여 설명하기로 하고, 이하에서는, 도 1 내지 도 11을 통해서 설명한 것과 중복된 설명은 생략하기로 한다.

먼저, 샘플링부(110)는 제1특징지점 및 제2특징지점을 갖는 주기적 생체신호를 샘플링하여 복수의 샘플링된 신호를 획득한다(S1210).

그룹분리부(130)는 샘플링된 신호들을 학습그룹과 시험그룹으로 분리하고, 학습그룹에 포함된 신호에 잡음을 추가한다(S1230).

모듈학습부(150)는 잡음제거자동인코더모듈에 학습그룹에 포함된 신호를 시계열적으로 입력하는 방식으로 생체신호를 트레이닝한다(S1250).

시험입력부(170)는 시험그룹에 포함된 신호에 잡음을 추가하고, 잡음제거자동인코더모듈에 시계열적으로 입력한다(S1270).

시험검증부(190)는 잡음제거자동인코더모듈로부터 출력된 출력신호를 시험그룹에 포함된 샘플링신호와 비교하여 동일성을 검증한다(S1290).

이상 설명된 본 발명에 따른 실시 예는 컴퓨터상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 “상기”의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

Claims (19)

1. 일정한 주기를 갖는 사용자의 생체신호를 기설정된 샘플링레이트를 기초로 하여 샘플링하여 복수의 샘플링신호들을 획득하는 샘플링단계;
   상기 샘플링신호들을 학습그룹과 시험그룹으로 분리하고, 상기 학습그룹에 포함된 샘플링신호에 잡음(noise)을 추가하는 그룹분리단계;
   상기 잡음이 추가된 샘플링신호를 신호발생시간순서로 정렬시키고, 인공신경망(ANN: Artificial Neural Network)을 기초로 인코딩 및 디코딩을 순차적으로 수행하는 잡음제거자동인코더모듈(denoising autoencoder module)에 상기 정렬된 샘플링신호를 시계열적(time series)으로 입력하여 상기 잡음제거자동인코더모듈을 학습시키는 학습단계; 및
   상기 시험그룹에 포함된 샘플링신호에 잡음을 추가하고, 상기 잡음제거자동인코더모듈에 시계열적으로 입력하여, 상기 시험그룹에 포함된 샘플링신호에 추가된 잡음을 제거하는 시험입력단계를 포함하는 주기적 생체신호의 잡음을 제거하는 방법.
2. 제1항에 있어서,
   상기 방법은,
   상기 잡음제거자동인코더모듈로부터 출력된 출력신호와 상기 시험그룹에 포함된 샘플링신호의 동일성을 검증하는 시험검증단계를 더 포함하는 주기적 생체신호의 잡음을 제거하는 방법.
3. 제1항에 있어서,
   상기 잡음은,
   백색 잡음(white noise), 슬로핑잡음(sloping noise), 포화잡음(saturation noise) 중 적어도 하나 이상인 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 방법
4. 제1항에 있어서,
   상기 생체신호는,
   상기 사용자에 대한 광용적맥파검사를 수행한 결과로서 산출되는 PPG(photoplethysmogram)신호인 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 방법.
5. 제4항에 있어서,
   상기 생체신호는 주기 내에 제1특징지점 및 제2특징지점을 포함하고,
   상기 제1특징지점은 수축피크(systolic peak)이고,
   상기 제2특징지점은 대동맥패임(dicrotic notch)인 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 방법.
6. 제4항에 있어서,
   상기 생체신호는 주기 내에 제1특징지점 및 제2특징지점을 포함하고,
   상기 제1특징지점은 대동맥패임(dicrotic notch)이고,
   상기 제2특징지점은 수축피크(systolic peak)인 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 방법.
7. 제1항에 있어서,
   상기 학습단계는,
   상기 정렬된 샘플링신호를 시계열적으로 입력할 뿐만 아니라, 상기 정렬된 샘플링신호를 반시계열적(reverse time series)으로 입력하여 상기 잡음제거자동인코더모듈을 학습시키는 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 방법.
8. 제2항에 있어서,
   상기 시험입력단계는,
   상기 샘플링레이트보다 더 낮은 입력샘플링레이트를 기초로 하는 슬라이딩 윈도우 방식을 통해 상기 시험그룹에 포함된 샘플링신호를 상기 잡음제거자동인코더모듈에 시계열적으로 입력하고,
   상기 시험검증단계는,
   상기 입력샘플링레이트를 기초로 중첩적으로 복원하여 생성된 상기 출력신호를 상기 시험그룹에 포함된 샘플링신호와 비교하여 동일성을 검증하는 주기적 생체신호의 잡음을 제거하는 방법.
9. 제1항에 있어서,
   상기 시험입력단계는,
   상기 시험그룹에 포함된 샘플링신호에 추가된 잡음이 상기 학습된 잡음제거자동인코더모듈에 의해서 미리 설정된 비율을 초과하여 제거된 것으로 파악되면 상기 샘플링단계에서 샘플링된 목표생체신호를 추가로 수신하고,
   상기 수신된 목표생체신호를 상기 학습된 잡음제거자동인코더모듈에 시계열적으로 입력시켜서 잡음을 제거하는 것을 특징으로 하는 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 방법.
10. 제1항 내지 제9항 중 어느 한 항에 따른 방법을 실행시키기 위한 프로그램을 저장하고 있는 컴퓨터 판독가능한 기록매체.
11. 일정한 주기를 갖는 사용자의 생체신호를 기설정된 샘플링레이트를 기초로 하여 샘플링하여 복수의 샘플링신호들을 획득하는 샘플링부;
    상기 샘플링신호들을 학습그룹과 시험그룹으로 분리하고, 상기 학습그룹에 포함된 샘플링신호에 잡음(noise)을 추가하는 그룹분리부;
    상기 잡음이 추가된 샘플링신호를 신호발생시간순서로 정렬시키고, 인공신경망(ANN: Artificial Neural Network)를 기초로 인코인 및 디코딩을 순차적으로 수행하는 잡음제거자동인코더모듈(denoising autoencoder module)에 상기 정렬된 샘플링신호를 시계열적(time series)으로 입력하여 상기 잡음제거자동인코더모듈을 학습시키는 모듈학습부; 및
    상기 시험그룹에 포함된 샘플링신호에 잡음을 추가하고, 상기 잡음제거자동인코더모듈에 시계열적으로 입력하여, 상기 시험그룹에 포함된 샘플링신호에 추가된 잡음을 제거하는 시험입력부를 포함하는 주기적 생체신호의 잡음을 제거하는 장치.
12. 제11항에 있어서,
    상기 장치는,
    상기 잡음제거자동인코더모듈로부터 출력된 출력신호와 상기 시험그룹에 포함된 샘플링신호의 동일성을 검증하는 시험검증부를 더 포함하는 주기적 생체신호의 잡음을 제거하는 장치.
13. 제11항에 있어서,
    상기 잡음은,
    백색 잡음(white noise), 슬로핑잡음(sloping noise), 포화잡음(saturation noise) 중 적어도 하나 이상인 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 장치.
14. 제11항에 있어서,
    상기 생체신호는,
    상기 사용자에 대한 광용적맥파검사를 수행한 결과로서 산출되는 PPG(photoplethysmogram)신호인 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 장치.
15. 제14항에 있어서,
    상기 생체신호는 주기 내에 제1특징지점 및 제2특징지점을 포함하고,
    상기 제1특징지점은 수축피크(systolic peak)이고,
    상기 제2특징지점은 대동맥패임(dicrotic notch)인 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 장치.
16. 제14항에 있어서,
    상기 생체신호는 주기 내에 제1특징지점 및 제2특징지점을 포함하고,
    상기 제1특징지점은 대동맥패임(dicrotic notch)이고,
    상기 제2특징지점은 수축피크(systolic peak)인 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 장치.
17. 제11항에 있어서,
    상기 모듈학습부는,
    상기 정렬된 샘플링신호를 시계열적으로 입력할 뿐만 아니라, 상기 정렬된 샘플링신호를 반시계열적(reverse time series)으로 입력하여 상기 잡음제거자동인코더모듈을 학습시키는 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 장치.
18. 제12항에 있어서,
    상기 시험입력부는,
    상기 샘플링레이트보다 더 낮은 입력샘플링레이트를 기초로 하는 슬라이딩 윈도우 방식을 통해 상기 시험그룹에 포함된 샘플링신호를 상기 잡음제거자동인코더모듈에 시계열적으로 입력하고,
    상기 시험검증부는,
    상기 샘플링레이트를 기초로 중첩적으로 복원하여 생성된 상기 출력신호를 상기 시험그룹에 포함된 샘플링신호와 비교하여 동일성을 검증하는 주기적 생체신호의 잡음을 제거하는 장치.
19. 제18항에 있어서,
    상기 시험입력부는,
    상기 시험그룹에 포함된 샘플링신호에 추가된 잡음이 상기 학습된 잡음제거자동인코더모듈에 의해서 미리 설정된 비율을 초과하여 제거된 것으로 파악되면 상기 샘플링부로부터 샘플링된 목표생체신호를 추가로 수신하고,
    상기 수신된 목표생체신호를 상기 학습된 잡음제거자동인코더모듈에 시계열적으로 입력시켜서 잡음을 제거하는 것을 특징으로 하는 것을 특징으로 하는 주기적 생체신호의 잡음을 제거하는 장치.

Images