KR102208759B1 - 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 - Google Patents
생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 Download PDFInfo
- Publication number
- KR102208759B1 KR102208759B1 KR1020200182408A KR20200182408A KR102208759B1 KR 102208759 B1 KR102208759 B1 KR 102208759B1 KR 1020200182408 A KR1020200182408 A KR 1020200182408A KR 20200182408 A KR20200182408 A KR 20200182408A KR 102208759 B1 KR102208759 B1 KR 102208759B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- image
- processor
- training
- image sub
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Neurology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Child & Adolescent Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Hospice & Palliative Care (AREA)
- Signal Processing (AREA)
- Developmental Disabilities (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Cardiology (AREA)
- Databases & Information Systems (AREA)
Abstract
컴퓨팅 장치의 프로세서에서 수행되는 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델을 생성하는 방법으로, 상기 프로세서가 사용자의 생체 신호를 획득하는 단계, 상기 프로세서가 상기 생체 신호에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성하는 단계, 상기 프로세서가 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성하는 단계 및 상기 하나 이상의 영상 데이터를 학습 데이터로 이용하여 딥러닝 모델을 학습시키는 단계를 포함하는, 방법이 개시된다.
Description
본 개시는 사용자로부터 획득되는 시계열적인 생체 신호에 기반하여 병리증상에 관한 정보를 제공하는 것으로, 보다 구체적으로, 인공 신경망을 활용하여 사용자에게 병리증상에 관련한 진단 정보를 제공하기 위함이다.
최근 고령화 사회가 도래함에 따라 노인의 정신병리 증상에 대한 관심이 높아지고 있다. 정신병리 증상으로는, 치매 및 우울증 등이 있다. 치매의 경우, 증상 여부를 판별하기 위해서 MRI 검사나 MoCA테스트(시험 형식의 문제를 풀어 점수로 치매 예측)를 해야만 한다. 하지만 해당 검사는 비교적 고비용이며, 소요 시간도 한 시간 이상임에 따라 예방 차원의 검사가 쉽지 않다. 또한, 치매는 진행속도 완화에 쓰이는 약이 있으나, 약값이 비싸며, 약을 처방받기 위해서는 환자가 해당 약에 효과가 있는지 확인하기 위한 아밀로이드 펫 검사가 필수적으로 요구된다. 해당 검사 또한, 비교적 고비용임에 따라, 치매 예방을 위한 사용자의 접근이 쉽지 않다. 우울증 또한, 의사의 문진과 HADS(Hospital Anxiety and Depression Scale) 및 BDI(Beck Depression Inventory)와 같은 설문 방식을 통해 진단이 가능하나, 비용적인 측면 및 시간적인 측면에서 효율적이지 못하다.
즉, 이러한 정신병리 증상은 사실상 치료제가 없기 때문에 위험 여부를 초기에 발견하여 예방하는 것이 중요하다.
한편, 비용적인 측면 및 시간적인 측면에서 효율성을 제공하기 위하여 사용자의 생체 신호를 기반하여 질병 또는 질환을 예측하기 위한 다양한 시도들이 지속되고 있다. 대한민국 공개특허 2011-0023872호는 사용자로부터 측정된 뇌파 신호를 기반으로 치매를 진단하는 장치를 개시하고 있다.
이러한 환경에서 최근 딥러닝 기술의 발달로 인해 우울증 및 치매 등을 생체 신호에 기반하여 진단하는 방법들이 더욱 고도화되고 있다.
따라서, 당 업계에는 인공 신경망을 활용하여 사용자의 신체로부터 측정되는 시계열적인 생체 신호에 기반한 병리증상 진단 정보를 제공하기 위한 컴퓨터 프로그램에 대한 수요가 존재할 수 있다.
본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 인공지능을 활용하여 사용자로부터 획득되는 시계열적인 생체 신호에 기반한 병리증상 진단 정보를 제공하기 위함이다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터를 생성하는 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사용자의 생체 신호를 수신하는 동작, 상기 생체 신호에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성하는 동작 및 상기 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성하는 동작을 포함할 수 있다.
대안적인 실시예에서, 상기 생체 신호는, 상기 사용자의 신체로부터 시계열적으로 획득되는 신호로, 하나 이상의 채널(channel)을 통해 획득되는 뇌파 신호 및 심전도 신호 중 적어도 하나를 포함하며, 상기 사용자의 생체 신호를 수신하는 동작은, 하나 이상의 전극을 통해 사용자의 신체의 하나 이상의 영역으로부터 측정된 전위차에 기반하여 생체 신호를 획득하는 동작을 포함할 수 있다.
대안적인 실시예에서, 상기 생체 신호는 하나 이상의 채널을 통해 상기 사용자의 신체로부터 시계열적으로 획득되는 신호를 포함하고, 상기 생체 신호에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성하는 동작은, 상기 하나 이상의 채널 각각으로부터 획득된 하나 이상의 생체 신호 각각에 대하여 사전 결정된 범위의 주파수에 기초한 주파수 변환을 수행하여 하나 이상의 스펙트로그램(Spectrogram)을 생성하는 동작 및 상기 하나 이상의 스펙트로그램의 재배열을 통해 상기 복수의 영상 서브 데이터를 생성하는 동작을 포함하며, 상기 하나 이상의 스펙트로그램 각각은, 상기 하나 이상의 채널 별로 분류된 이미지 데이터이며, 시간의 흐름에 따른 주파수의 변화량을 나타낸 이미지일 수 있다.
대안적인 실시예에서, 상기 하나 이상의 스펙트로그램의 재배열을 통해 복수의 영상 서브 데이터를 생성하는 동작은, 동일한 시점에 각 채널을 통해 획득된 하나 이상의 주파수를 식별하는 동작 및 동일한 시점에 각 채널을 통해 획득된 것으로 식별된 하나 이상의 주파수를, 상기 하나 이상의 채널 각각의 위치에 기반하여 재배열함으로써 상기 복수의 영상 서브 데이터를 생성하는 동작을 포함하며, 상기 복수의 영상 서브 데이터 각각은, 각각의 시점 별로 분류된 이미지 데이터이며, 상기 하나 이상의 채널 각각을 통해 측정된 주파수를 각 채널의 위치에 대응하여 나타낸 이미지일 수 있다.
대안적인 실시예에서, 상기 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성하는 동작은, 상기 복수의 영상 서브 데이터의 수를 식별하는 동작, 상기 복수의 영상 서브 데이터의 수에 기초하여 제 1 시간 간격을 설정하는 동작, 최초 시점의 영상 서브 데이터를 기준으로 상기 설정된 제 1 시간 간격에 기초하여 상기 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하는 동작 및 상기 선별된 적어도 둘 이상의 영상 서브 데이터를 시점에 기초하여 연결함으로써 제 1 영상 데이터를 생성하는 동작을 포함하며, 상기 영상 데이터는, 상기 둘 이상의 영상 서브 데이터 간의 연결을 통해 각 영상 서브 데이터를 하나의 프레임으로써 구성하는 영상에 관련한 데이터일 수 있다.
대안적인 실시예에서, 상기 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성하는 동작은, 상기 최초 시점의 영상 서브 데이터와 상이한 영상 서브 데이터를 기준으로 상기 설정된 제 1 시간 간격에 기초하여 상기 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하는 동작 및 상기 선별된 적어도 둘 이상의 영상 서브 데이터를 시점에 기초하여 연결함으로써 제 2 영상 데이터를 생성하는 동작을 포함하며, 상기 제 2 영상 데이터는, 상기 제 1 영상 데이터와 적어도 부분적으로 상이한 영상 서브 데이터로 구성될 수 있다.
대안적인 실시예에서, 상기 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성하는 동작은, 상기 제 1 시간 간격과 상이한 제 2 시간 간격을 설정하는 동작, 상기 설정된 제 2 시간 간격에 기초하여 상기 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하는 동작 및 상기 선별된 적어도 둘 이상의 영상 서브 데이터를 시점에 기초하여 연결함으로써 제 3 영상 데이터를 생성하는 동작을 포함하며, 상기 제 3 영상 데이터는, 상기 제 1 영상 데이터와 적어도 부분적으로 상이한 영상 서브 데이터로 구성될 수 있다.
대안적인 실시예에서, 상기 하나 이상의 영상 데이터를 딥러닝 모델의 입력으로 처리하여 건강상태 및 병리증상 진단 정보를 생성하는 동작을 더 포함하며, 상기 딥러닝 모델은, 하나 이상의 네트워크 함수를 포함하며, 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 포함하는 학습 데이터 세트를 통해 학습되고, 그리고 상기 학습 입력 데이터 세트는, 복수의 사용자 각각으로부터 시계열적으로 측정된 생체 신호에 기반하여 생성된 복수의 학습 영상 데이터를 포함하며, 상기 학습 출력 데이터 세트는, 상기 복수의 사용자 각각에 대응하는 복수의 학습 진단 정보를 포함할 수 있다.
대안적인 실시예에서, 상기 딥러닝 모델은, 상기 프로세서가 상기 학습 입력 데이터 세트 각각을 상기 하나 이상의 네트워크 함수에 입력시키고, 상기 하나 이상의 네트워크 함수로 연산된 출력 데이터 각각과 상기 학습 입력 데이터 세트 각각의 라벨에 해당하는 상기 학습 출력 데이터 세트 각각을 비교하여 오차를 도출하고, 상기 오차에 기초하여 상기 하나 이상의 네트워크 함수의 가중치를 역전파(backpropagation) 방식으로 조정하고, 상기 하나 이상의 네트워크 함수의 학습이 사전 결정된 에폭 이상 수행된 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정하고, 그리고 테스트 데이터 세트를 이용하여 상기 하나 이상의 네트워크 함수의 성능을 테스트하여 상기 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써 생성될 수 있다.
본 개시의 다른 실시예에 따르면, 컴퓨팅 장치의 프로세서에서 수행되는 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터를 생성하는 방법이 개시된다. 상기 방법은: 상기 프로세서가 사용자의 생체 신호를 수신하는 단계, 상기 프로세서가 상기 생체 신호에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성하는 단계 및 상기 프로세서가 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성하는 단계를 포함할 수 있다.
본 개시의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 개시의 다양한 실시예에 따라, 인공 신경망을 활용하여 사용자로부터 획득되는 생체 신호에 기반한 병리증상 진단 정보를 제공하기 위한 컴퓨터 프로그램을 제공할 수 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 하나 이상의 스펙트로그램을 예시적으로 나타낸 예시도를 도시한다.
도 4는 본 개시의 일 실시예와 관련된 복수의 영상 서브 데이터를 예시적으로 나타낸 예시도를 도시한다.
도 5는 본 개시의 일 실시예에 관련된 네트워크 함수를 나타낸 개략도이다.
도 6은 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 방법을 예시적으로 나타낸 순서도를 도시한다.
도 1은 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 하나 이상의 스펙트로그램을 예시적으로 나타낸 예시도를 도시한다.
도 4는 본 개시의 일 실시예와 관련된 복수의 영상 서브 데이터를 예시적으로 나타낸 예시도를 도시한다.
도 5는 본 개시의 일 실시예에 관련된 네트워크 함수를 나타낸 개략도이다.
도 6은 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 방법을 예시적으로 나타낸 순서도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 개시는 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
본 개시의 실시예들에 따른 시스템은 컴퓨팅 장치(100), 생체 신호 획득 장치(10), 외부 서버(20), 사용자 단말(30) 및 네트워크를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로서, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트들 중 일부는 생략될 수 있다. 본 개시의 실시예들에 따른 컴퓨팅 장치(100), 생체 신호 획득 장치(10), 외부 서버(20) 및 사용자 단말(30)은 네트워크를 통해, 본 개시의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.
본 개시의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따르면, 사용자 단말(30)은 컴퓨팅 장치(100)에 엑세스하여 자신의 병리증상 진단 정보를 획득하고자 하는 사용자와 관련된 단말일 수 있다. 사용자 단말(30)은 디스플레이를 구비하고 있어서, 사용자의 입력을 수신하고, 사용자에게 임의의 형태의 출력을 제공할 수 있다.
사용자 단말(30)은 컴퓨팅 장치(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(30)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(30)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(30)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.
본 개시의 일 실시예에 따르면, 생체 신호 획득 장치(10)는 사용자의 생체 신호를 획득할 수 있다. 생체 신호는 사용자의 신체로부터 시계열적으로 획득되는 신호로, 하나 이상의 채널을 통해 획득되는 신호일 수 있다. 예를 들어, 생체 신호는 뇌파 신호(EEG, electroencephalography) 및 심전도 신호(ECG, electrocardiogram) 중 적어도 하나를 포함할 수 있다. 추가적인 실시예에 따르면, 생체 신호는, 안전도 신호(EOG, electrooculogram) 및 근전도 신호(EMG, Electromyogram) 등에 관한 정보를 더 포함할 수도 있다. 이러한 생체 신호 획득 장치(10)는 하나 이상의 채널을 구성하는 복수의 전극을 구비할 수 있으며, 복수의 전극을 통해 사용자의 신체의 하나 이상의 영역으로부터 측정된 전위차에 기반하여 생체 신호를 획득할 수 있다.
예를 들어, 생체 신호 획득 장치(10)는 사용자의 뇌의 표면 복수의 영역 각각으로부터 뇌의 전기적 활동을 감지하기 위한 뇌파 검사 모듈로 구성될 수 있다. 이 경우, 생체 신호 획득 장치(10)를 구성하는 뇌파 검사 모듈은, 사용자의 뇌의 전기적 활동에 기초하여 발생되는 전압을 측정하기 위한 전극을 포함할 수 있으며, 상기 전극과 이웃한 다른 전극을 통해 측정된 전압 간의 차이를 통해 뇌의 전기적 활동을 모니터링 할 수 있다. 즉, 생체 신호 획득 장치(10)는 사용자의 뇌의 내부에서 뉴런의 활동을 통해 발생하는 이온 전류로 인한 전압 변동을 복수의 전극을 통해 측정하여 사용자의 뇌의 전기적 활동에 관련한 뇌파 신호를 획득할 수 있다.
다른 예를 들어, 생체 신호 획득 장치(10)는 사용자의 신체 표면 복수의 영역 각각으로부터 심장의 심근 활동을 감지하기 위한 심전계 장치로 구성될 수도 있다. 이 경우, 생체 신호 획득 장치(10)를 구성하는 심전계 모듈은, 사용자의 심장이 박동함에 따라 심근에 발생한 미소한 활동 전위를 신체 표면 각각에 부착한 전극으로 측정하여 시간에 따른 변동곡선을 기록하여 표시함으로써, 심장의 전기적 활동을 모니터링 할 수 있다. 전술한 생체 신호 획득 장치(10)를 통해 획득되는 생체 신호 및 생체 신호 획득 장치(10)를 구성할 수 있는 모듈들에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
도 1에서 생체 신호 획득 장치(10) 및 컴퓨팅 장치(100)가 별도의 엔티티로서 분리되어 표현되었지만, 본 개시내용의 다양한 구현 양태에 따라서 생체 신호 획득 장치(10)가 컴퓨팅 장치(100) 내에 포함되어 생체 신호 획득 및 생체 신호에 대응하는 분석 정보 제공 기능을 통합하여 수행될 수도 있다.
본 개시의 일 실시예에 따르면, 외부 서버(20)는 전자건강기록 및 전자의료 기록에 대한 정보 등을 포함하는 검진 데이터를 저장하는 병원 서버 또는 정부 서버일 수 있다. 검진 데이터는 예를 들어, 인구 사회학적 정보 (예컨대, 성별, 연령, 거주지역 등의 정보), 건강보장 유형 정보, 사회경제적 수준 정보, 장애 등록 정보, 신체 검진 정보, 뇌파 신호 검진 정보, 심전도 신호 검진 정보, 안전도 신호 검진 정보, 근전도 신호 검진 정보, 과거력 문진 정보, 가족력 문진 정보, 정신 검사 정보, 생활습관 문진 정보, 우울증, 인지기능 검사 등의 정신 검진 결과 관련 정보 등을 포함할 수 있다. 외부 서버(20)에 저장된 정보들은 본 개시에서의 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(20)는 본 개시의 딥러닝 모델을 학습시키기 위한 데이터 세트를 저장하고 있는 서버일 수 있다.
본 개시의 컴퓨팅 장치(100)는 외부 서버(20)로부터 검진 데이터로 구성된 학습 데이터 세트를 수신하고, 그리고 수신한 학습 데이터 세트에 기초하여 하나 이상의 네트워크 함수로 구성된 딥러닝 모델을 학습시킴으로써, 생체 신호에 대응하는 병리증상 진단 정보를 생성하기 위한 딥러닝 모델을 생성할 수 있다.
외부 서버(20)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(20)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 생체 신호 획득 장치(10)로부터 사용자의 생체 신호를 수신하고, 그리고 생체 신호에 대응하는 병리증상 진단 정보를 생성하여 사용자 단말(30)에 제공할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 생체 신호 획득 장치(10)로부터 수신한 생체 신호에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성할 수 있다. 생체 신호에 대한 전처리는, 시계열 적인 생체 신호를 딥러닝 모델을 통해 연산 가능하도록 가공하는 것을 의미할 수 있다. 복수의 영상 서브 데이터 각각은, 생체 신호의 각 시점 별로 구분된 생체 신호에 대한 정보를 포함하는 이미지 데이터일 수 있다. 또한, 각 영상 서브 데이터는, 하나 이상의 채널 각각을 통해 측정된 주파수를 각 채널의 위치에 대응하여 시점 별로 분할한 이미지일 수 있다.
또한, 컴퓨팅 장치(100)는 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성할 수 있다. 영상 데이터는 둘 이상의 영상 서브 데이터 간의 연결을 통해 각 영상 서브 데이터를 하나의 프레임으로써 구성하는 영상에 관련한 데이터일 수 있다. 즉, 컴퓨팅 장치(100)는 시계열적인 생체 신호를 수신하는 경우, 해당 생체 신호를 특정 프레임을 구성하는 이미지들로 변환하고, 변환된 이미지들을 연결하여 시간의 흐름에 따라 변화를 나타내는 영상에 관련한 영상 데이터를 생성할 수 있다.
또한, 컴퓨팅 장치(100)는 생체 신호에 대응하는 하나 이상의 영상 데이터에 기초하여 병리증상 진단 정보를 생성하여 제공할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 하나 이상의 영상 데이터를 딥러닝 모델의 입력으로 처리하여 병리증상 진단 정보를 생성할 수 있다. 병리증상 진단 정보는, 사용자에 대응하는 정신 병리증상에 대한 예측 정보로, 예를 들어, 치매와 같은 지능장애, 환각 및 환청과 같은 지각 장애, 사고의 지체와 같은 사고 장애, 망상과 같은 사고내용의 장애 및 주의력 장애와 착란과 같은 의식 장애 중 적어도 하나를 포함할 수 있다. 전술한 병리증상에 대한 예측 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 딥러닝 모델은, 사용자의 생체 신호에 대응하는 하나 이상의 영상 데이터를 입력으로 하여 병리증상 진단 정보를 출력하는 모델로, 하나 이상의 네트워크 함수로 구성될 수 있으며, 학습 데이터 세트를 통해 학습된 모델일 수 있다.
즉, 본 개시의 컴퓨팅 장치(100)는 사용자로부터 획득된 시계열적인 생체 신호를 딥러닝 모델로 처리 가능하도록 전처리를 수행하여 영상 데이터를 생성하고, 생성된 영상 데이터를 딥러닝 모델(즉, 학습된 인공 신경망)의 입력으로 처리함으로써 사용자의 생체 신호에 대응하는 병리증상 진단 정보를 생성할 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 단말 또는 서버일 수 있으며, 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치(100)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인터넷 기반 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 개시의 컴퓨팅 장치(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 개시의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.
이하에서는, 도 2를 참조하여 컴퓨팅 장치(100)가 생체 신호에 대한 전처리를 수행하는 방법, 딥러닝 모델을 학습시키는 방법 및 생체 신호에 대응하는 병리증상 진단 정보를 생성하는 방법에 대하여 보다 구체적으로 후술하도록 한다.
도 2는 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 네트워크부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 전술한 컴퓨팅 장치(100)에 포함된 컴포넌트들은 예시적인 것으로 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는, 생체 신호 획득 장치(10), 외부 서버(20) 및 사용자 단말(30)과 데이터를 송수신하는 네트워크부(110)를 포함할 수 있다.
네트워크부(110)는 본 개시의 일 실시예에 따른 사용자로부터 측정되는 생체 신호, 생체 신호에 대응하는 분석 정보 및 딥러닝 모델을 학습시키기 위한 학습 데이터 세트 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 즉, 네트워크부(110)는 컴퓨팅 장치(100)와 생체 신호 획득 장치(10), 외부 서버(20) 및 사용자 단말(30) 간의 통신 기능을 제공할 수 있다. 예를 들어, 네트워크부(110)는 생체 신호 획득 장치(10)로부터 사용자의 생체 신호를 수신할 수 있다. 다른 예를 들어, 네트워크부(110)는 외부 서버(20)로부터 딥러닝 모델의 학습을 위한 학습 데이터 세트를 수신할 수 있다. 추가적으로, 네트워크부(110)는 컴퓨팅 장치(100)로 프로시저를 호출하는 방식으로 컴퓨팅 장치(100)와 생체 신호 획득 장치(10), 외부 서버(20) 및 사용자 단말(30) 간의 정보 전달을 허용할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
본 개시의 일 실시예에 따르면, 메모리(120)는 생체 신호에 대응하는 병리증상 진단 정보를 제공하기 위한 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(130)에 의하여 판독되어 구동될 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(120)는 생체 신호 획득 장치(10)로부터 수신한 생체 신호에 관련한 정보들을 저장할 수 있다. 예를 들어, 메모리(120)는 입/출력되는 데이터들(예를 들어, 신경망 학습을 위한 학습 데이터, 시계열적인 생체 신호, 생체 신호의 전처리를 통해 생성된 복수의 영상 서브 데이터에 관한 정보 및 복수의 영상 서브 데이터의 연결을 통해 생성된 하나 이상의 영상 데이터 등을 임시 또는 영구 저장할 수도 있다.)
본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.
프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(130)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(130)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
또한, 프로세서(130)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 서버에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.
본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.
프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 딥러닝 모델을 제공할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(130)는 사용자의 생체 신호에 대응하는 병리증상 진단 정보를 생성하기 위한 계산을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(130)는 딥러닝 모델을 학습시키기 위한 계산을 수행할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 단말(30)에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자의 생체 신호를 수신할 수 있다. 생체 신호는 사용자의 신체로부터 시계열적으로 획득되는 신호로, 하나 이상의 채널을 통해 획득되는 뇌파 신호 및 심전도 신호 중 적어도 하나를 포함할 수 있다. 프로세서(130)는 생체 신호 획득 장치(10)에서 하나 이상의 전극을 통해 사용자의 신체의 하나 이상의 영역으로부터 측정된 전위차에 기반하여 획득한 생체 신호를 수신할 수 있다. 예를 들어, 생체 신호는, 뇌파 신호 및 심전도 신호 중 적어도 하나를 포함할 수 있다.
구체적인 예를 들어, 생체 신호는, 생체 신호 획득 장치(10)에 구비된 19개의 채널을 형성하는 복수의 전극 각각이 사용자의 두피 표면 복수의 영역 각각에 접촉됨에 따라 측정되는 뇌파 신호일 수 있다. 다른 예를 들어, 생체 신호는 생체 신호 획득 장치(10)에 구비된 12개의 채널을 형성하는 복수의 전극 각각이 사용자의 심장부근, 손목 및 발목에 접촉됨에 따라 측정되는 심전도 신호일 수 있다. 즉, 생체 신호는, 사용자의 신체로부터 시간의 흐름에 따라 측정되는 뇌파 신호 또는 심전도 신호 등을 포함할 수 있다. 전술한 생체 신호 획득 장치가 접촉되는 사용자의 신체 영역에 대한 구체적인 기재, 복수의 채널의 수치적 기재 및 생체 신호에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
프로세서(130)는 네트워크부(110)를 통해 생체 신호를 수신할 수 있다. 본 개시의 일 실시예에 따른 생체 신호 수신은, 메모리(120)에 저장된 생체 신호를 수신하거나 또는, 로딩(loading)하는 것일 수 있다. 생체 신호의 수신은, 유/무선 통신 수단에 기초하여 다른 저장 매체, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 생체 신호를 수신하거나 또는 로딩하는 것일 수 있다. 일 실시예에서, 컴퓨팅 장치(100)는 생체 신호 획득 장치(10)를 포함하여 구비될 수 있다. 이 경우, 프로세서(130)는 컴퓨팅 장치(100)에 구비된 복수의 전극을 통해 사용자의 신체의 하나 이상의 영역으로부터 측정된 전위차에 기반하여 생체 신호를 획득할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 생체 신호에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성할 수 있다. 생체 신호에 대한 전처리는, 생체 신호를 딥러닝 모델을 통해 연산 가능하도록 가공하는 것을 의미할 수 있다. 구체적으로, 프로세서(130)는 하나 이상의 채널 각각으로부터 획득된 하나 이상의 생체 신호 각각에 대하여 사전 결정된 범위의 주파수에 기초한 주파수 변환을 수행하여 하나 이상의 스펙트로그램을 생성할 수 있다. 이 경우, 주파수 변환은, 단시간 푸리에 변환(STFT, short-time fourier transform)을 포함할 수 있다. 단시간 푸리에 변환은, 각 시간 구간마다 어떤 주파수들이 존재하는지 알 수 있도록 시간에 대한 함수 또는 신호를 주파수 성분으로 분해하는 것을 의미할 수 있다. 스펙트로그램은, 소리나 파동을 시각화하여 파악하기 위한 것으로, 파형(waveform)과 스펙트럼(spectrum)의 특징을 조합하여 나타낸 이미지에 관련한 것일 수 있다. 스펙트로그램은 시간 축과 주파수 축의 변화에 따라 진폭의 차이를 인쇄 농도 또는, 표시 색상의 차이로 나타낸 것일 수 있다. 예컨대, 사전 결정된 범위의 주파수는, 1~45Hz일 수 있으며, 각 행렬은 4초 이상 측정된 생체 신호에 기반한 것일 수 있다. 일 실시예에서, 측정된 시간이 4초 미만인 경우, 프로세서(130)는 오버래핑(overlapping)을 통해 스펙트로그램의 크기를 정사각 행렬로 맞출 수 있다. 프로세서(130)는 정사각 행렬로 구성된 각 스펙트로그램을 시간 축에 기반하여 relative power를 계산(해당 시간대의 상대적인 세기를 계산)하고, 각 행렬 내 가장 큰 값을 기준으로 하여 -1 ~ 1 사이의 스케일링을 수행하여 하나 이상의 스펙트로그램을 생성할 수 있다. 전술한 스펙트로그램에 관한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 하나 이상의 스펙트로그램 각각은, 도 3에 도시된 바와 같이, 하나 이상의 채널 별 분류된 이미지 데이터이며, 시간의 흐름에 따른 주파수의 변화량을 인쇄의 농도 또는 표시 색상의 차이로 나타낸 이미지일 수 있다. 프로세서(130)는 사용자의 신체 하나 이상의 영역 각각에 대응하여 하나 이상의 채널을 통해 생체 신호를 획득할 수 있으며, 각 채널을 통해 획득한 생체 신호에 기반하여 하나 이상의 스펙트로그램을 생성할 수 있다. 예컨대, 사용자로부터 3개의 채널을 통해 생체 신호를 획득하는 경우, 해당 생체 신호에 대응하여 3개의 스펙트로그램이 생성될 수 있으며, 사용자로부터 5개의 채널을 통해 생체 신호를 획득하는 경우, 해당 생체 신호에 대응하여 5개의 스펙트로그램이 생성될 수 있다. 구체적인 예를 들어, 프로세서(130)는 제 1 채널을 형성하는 전극들을 통해 측정된 생체 신호에 기반하여 제 1 스펙트로그램(210)을 생성할 수 있으며, 제 2 채널을 형성하는 전극들을 통해 측정된 생체 신호에 기반하여 제 2 스펙트로그램(220)을 생성하고, 그리고 제 3 채널을 형성하는 전극들을 통해 측정된 생체 신호에 기반하여 제 3 스펙트로그램(230)을 생성할 수 있다. 전술한 채널 및 스펙트로그램의 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 다른 실시예에서, 프로세서(130)가 하나 이상의 생체 신호 각각에 기반하여 하나 이상의 스펙트로그램을 생성하기 위해 수행하는 주파수 변환은 웨이블릿 변환(wavelet transform)을 포함할 수 있다. 웨이블릿 변환은 시간적으로 한정되어 있는 웨이블릿 함수를 기본함수로 활용하여 신호에 대응하는 스펙트로그램을 생성하는 것으로, 예를 들어, 저주파 성분의 신호에 대해서는 주파수 해상도를 높이고, 시간 해상도를 낮추며, 그리고 고주파 성분의 신호에 대해서는 시간 해상도를 높이고 주파수 해상도를 낮출 수 있다. 웨이블릿 변환은 시간적으로 무한한 사인곡선을 기본함수로 사용하는 푸리에 변환과 달리, 시간적으로 한정되어 있는 다양한 웨이블릿 함수를 기본 함수로 사용함에 따라, 다양한 종류에 신호에 대응하여 유연성 있는 처리가 가능하다. 일 실시예에서, 프로세서(130)를 통해 웨이블릿 변환은, 초해상도를 활용한 웨이블릿(Super-resolution using wavelet) 변환일 수 있다. 초해상도를 활용한 웨이블릿 변환의 경우, 시간의 길이와 주파수의 크기에 따라 변형되지 않고 자연스러운 전이(transition)를 갖는 스펙트로그램의 생성이 가능해질 수 있다. 즉, 시간과 주파수에 따른 변화를 보다 효율적으로 표현할 수 있다. 이는, 본 개시에서 하나의 프레임으로써 활용되는 복수의 영상 서브 데이터를 생성하는 과정에서 주파수 간 잡음(noise)을 최소화시킬 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 스펙트로그램의 재배열을 통해 복수의 영상 서브 데이터를 생성할 수 있다. 구체적으로, 프로세서(130)는 동일한 시점에 각 채널을 통해 획득된 하나 이상의 주파수를 식별할 수 있다. 또한, 프로세서(130)는 동일한 시점에 각 채널을 통해 획득된 것으로 식별된 하나 이상의 주파수를, 하나 이상의 채널 각각의 위치에 기반하여 재배열함으로써 복수의 영상 서브 데이터를 생성할 수 있다. 복수의 영상 서브 데이터 각각은, 각각의 시점 별로 분류된 이미지 데이터이며, 하나 이상의 채널 각각을 통해 측정된 주파수를 각 채널의 위치에 대응하여 나타낸 이미지일 수 있다.
보다 자세히 설명하면, 각 스펙트로그램은 각 채널에서 측정된 시간에 흐름에 따른 주파수에 대한 정보를 포함할 수 있다. 이 경우, 프로세서(130)는 동일한 시점에 각 채널을 통해 획득된 주파수들을 각 채널의 영역에 기반하여 재배열함으로서, 각각의 영상 서브 데이터를 생성할 수 있다.
보다 구체적인 예를 들어, 생체 신호는 19개의 채널을 형성하는 복수의 전극을 통해 사용자의 두피 표면 복수의 영역(즉, 19개의 영역) 각각으로부터 획득되는 뇌파 신호일 수 있다. 이러한 생체 신호는, 전술한 바와 같이 프로세서(130)에 의해 각 채널 별로 구분되는 하나 이상의 스펙트로그램으로 변환될 수 있다. 이 경우, 19개의 채널이 형성됨에 따라, 프로세서(130)는 각 채널을 통해 획득되는 생체 신호에 기반하여 각 채널에 대응하는 19개의 스펙트로그램을 생성할 수 있다. 프로세서(130)는 도 4에 도시된 바와 같이, 제 1 시점에 각각의 채널을 통해 획득한 것으로 식별된 주파수를 각 채널의 위치(즉, 사용자의 두피 표면에 대응하는 위치)에 기반하여 재배열함으로써, 제 1 영상 서브 데이터(310)를 생성할 수 있으며, 제 2 시점에 각 채널을 통해 획득된 것으로 식별된 주파수를 하나 이상의 채널 각각의 위치에 기반하여 재배열함으로써, 제 2 영상 서브 데이터(320)를 생성할 수 있고, 그리고 제 3 시점에 각 채널을 통해 획득된 것으로 식별된 주파수를 하나 이상의 채널 각각의 위치에 기반하여 재배열함으로써, 제 3 영상 서브 데이터(330)를 생성할 수 있다. 다시 말해, 하나의 영상 서브 데이터는 특정 시점에 사용자의 두피 표면 각각에서 측정된 주파수를 나타낸 이미지일 수 있다. 예컨대, 특정 시점에 각 채널을 통해 획득된 주파수를 채널의 위치 각각에 기반하여 재배열하여 제 1 영상 서브 데이터(310)를 생성하는 경우, 제 1 영상 서브 데이터(310)는 사용자의 뇌의 형상에 대응하는 뇌 활성도를 나타낼 수 있다. 즉, 제 1 영상 서브 데이터의 좌측 영역(311)은 사용자의 좌뇌의 활성도와 관련된 것일 수 있으며, 우측 영역(312)은 사용자의 우뇌의 활성도와 관련된 것일 수 있다. 즉, 하나의 영상 서브 데이터는 특정 시점에서의 각 영역에 대응하는 뇌의 전기적 활동을 나타낸 이미지일 수 있다. 전술한 복수의 영상 서브 데이터 생성 방법에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(130)는 채널을 기준으로 구분된 하나 이상의 스펙트로그램 각각의 주파수들을 시점을 기준으로 재배열하여 하나 이상의 영상 서브 데이터를 생성할 수 있다. 프로세서(130)에 의해 생성된 하나의 영상 서브 데이터는, 동일한 시점에 하나 이상의 채널을 통해 측정된 주파수를 각 채널의 위치에 기반하여 재배열한 것이며, 복수의 영상 서브 데이터는 시점에 따라 분류된 영상 서브 데이터들의 조합일 수 있다. 다시 말해, 영상 서브 데이터는 주파수 영역에 대한 정보뿐 아니라 채널 별 연결성에 관련한 정보가 포함된 정보일 수 있다.
상술한 방법에 따라 도 4에 도시된 바와 같이 대칭형 이미지(Symmetric Image)를 생성할 수 있으며, 예를 들어 10-20 시스템 기반 19채널 뇌파 정보의 경우 공통적인 3개의 채널(예: Fz, Cz, Pz)을 포함하여 좌/우측에 각각 11개의 채널을 나누어 배열할 수 있다. 이때 사용되는 주파수는 1Hz에서 45Hz까지이며, 재 배열 후 시계열에 따라 축적된 데이터는 좌우측이 대칭적으로 보여지는 대칭형 이미지 형태를 나타낼 수 있다. 이러한 이미지는 주파수의 전체 영역뿐 아니라, 채널 별 위상(topologic) 정보 또한 포함되어 한번에 모든 정보를 확인할 수 있는 장점이 있다.
단, 복수의 영상 서브 데이터를 생성하는 방법은 상술한 대칭형 이미지에 제한되지 않으며, 토폴로지 이미지(topology image), 시간-주파수 이미지(time-frequency image) 등 다양한 이미지들이 영상 서브 데이터로 활용되어 영상 데이터를 생성하는 데 활용될 수 있다.
또한, 상술한 대칭형 이미지를 표현하는 데 사용되는 데이터로 크게 mV2 의 절대치(absolute power) 및 dB/Hz의 절대치와, %의 상대치가 이용될 수 있다.
본 개시에서의 복수의 영상 서브 데이터는 시점(또는 시간)의 흐름에 대응하여 생성할 수 있다. 예컨대, 생체 신호의 측정 시간이 길 수록 보다 많은 영상 서브 데이터들이 생성될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성할 수 있다. 영상 데이터는, 둘 이상의 영상 서브 데이터 간의 연결을 통해 각 영상 서브 데이터를 하나의 프레임으로써 구성하는 영상에 관련한 데이터일 수 있다.
구체적으로, 프로세서(130)는 복수의 영상 서브 데이터의 수를 식별할 수 있다. 또한, 프로세서(130)는 복수의 영상 서브 데이터의 수에 기초하여 제 1 시간 간격을 설정할 수 있다. 프로세서(130)는 최초 시점의 영상 서브 데이터를 기준으로 제 1 시간 간격에 기초하여 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별할 수 있다. 또한, 프로세서(130)는 선별된 적어도 둘 이상의 영상 서브 데이터를 시점에 기초하여 연결함으로써 제 1 영상 데이터를 생성할 수 있다.
복수의 영상 서브 데이터의 수는 시간(또는, 시점)의 흐름에 대응하여 결정될 수 있다. 예를 들어, 생체 신호의 측정(또는 획득) 시간이 긴 경우, 프로세서(130)에 의해 생성되는 복수의 영상 서브 데이터의 수는 많아질 수 있으며, 생체 신호의 측정 시간이 짧은 경우, 프로세서(130)에 의해 생성되는 복수의 영상 서브 데이터의 수는 적어질 수 있다. 이에 따라, 프로세서(130)는 복수의 영상 서브 데이터의 수를 식별하여 적어도 둘 이상의 영상 서브 데이터를 선별하기 위한 기준이 되는 제 1 시간 간격을 설정할 수 있다. 프로세서(130)는 영상 서브 데이터의 수에 양의 상관 관계를 가지도록(즉, 비례하도록) 제 1 시간 간격을 설정할 수 있다. 구체적으로, 프로세서(130)는 영상 서브 데이터의 수가 많은 경우(예컨대, 80개), 제 1 시간 간격을 비교적 길게 설정(예컨대, 8초)할 수 있으며, 영상 서브 데이터의 수(예컨대, 30개)가 적은 경우, 제 2 시간 간격을 비교적 짧게 설정(예컨대, 3초)할 수 있다.
다시 말해, 프로세서(130)는 영상 서브 데이터의 수에 비례하도록 시간 간격을 설정함으로써, 영상 데이터 생성에 필요한 최소한의 영상 서브 데이터들의 수를 결정할 수 있다. 예를 들어, 1초 간격으로 생성된 영상 서브 데이터가 수가 10개이며, 제 1 시간 간격이 2초인 경우, 프로세서(130)는 최초 영상 서브 데이터를 기준으로 5개의 영상 서브 데이터를 선별(즉, 제 1 영상 서브 데이터, 제 3 영상 서브 데이터, 제 5 영상 서브 데이터, 제 7 영상 서브 데이터, 제 9 영상 서브 데이터)하고, 해당 영상 서브 데이터들을 시점에 기반하여 연결함으로써, 제 1 영상 데이터를 생성할 수 있다. 이 경우, 제 1 영상 데이터는, 5개의 영상 서브 데이터가 시간 순으로 나열하여 시점의 변화에 따라 사용자의 신체 각 영역에서 측정되는 주파수의 변화량을 영상화한 것일 수 있다. 전술한 영상 서브 데이터, 제 1 시간 간격 및 영상 데이터에 관련한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(130)는 최초 시점의 영상 서브 데이터와 상이한 영상 서브 데이터를 기준으로 제 1 시간 간격에 기초하여 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별할 수 있다. 또한, 프로세서(130)는 선별된 적어도 둘 이상의 영상 서브 데이터를 시점에 기초하여 연결함으로써, 제 2 영상 데이터를 생성할 수 있다. 이 경우, 제 2 영상 데이터는 제 1 영상 데이터와 적어도 부분적으로 상이한 영상 서브 데이터로 구성될 수 있다.
구체적인 예를 들어, 1초 간격으로 생성된 영상 서브 데이터가 수가 10개이며, 제 1 시간 간격이 2초로 설정된 경우, 프로세서(130)는 최초 시점의 영상 서브 데이터(즉, 제 1 영상 서브 데이터)가 아닌, 제 2 영상 서브 데이터를 기준으로 5개의 영상 서브 데이터를 선별(제 2 영상 서브 데이터, 제 4 영상 서브 데이터, 제 6 영상 서브 데이터, 제 8 영상 서브 데이터 및 제 10 영상 서브 데이터)하고, 해당 영상 서브 데이터들을 시점에 기반하여 연결함으로써, 제 2 영상 데이터를 생성할 수 있다. 즉, 제 2 영상 데이터는 제 1 영상 데이터와 상이한 시점에 대응하는 정보를 포함할 수 있다. 전술한 영상 서브 데이터, 제 1 시간 간격 및 영상 데이터에 관련한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(130)는 제 1 시간 간격과 상이한 제 2 시간 간격을 설정할 수 있다. 프로세서(130)는 제 2 시간 간격에 기초하여 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별할 수 있다. 프로세서(130)는 선별된 적어도 둘 이상의 영상 서브 데이터를 시점에 기초하여 연결함으로써 제 3 영상 데이터를 생성할 수 있다. 이 경우, 제 3 영상 데이터는, 제 1 영상 데이터 및 제 2 영상 데이터 각각과 적어도 부분적으로 상이한 영상 데이터로 구성될 수 있다.
구체적인 예를 들어, 1초 간격으로 생성된 영상 서브 데이터의 수가 10개이며, 제 1 시간 간격이 2초로 설정된 경우, 프로세서(130)는 제 1 시간 간격과 상이하도록 제 2 시간 간격을 3초로 설정할 수 있다. 이 경우, 프로세서(130)는 최초의 영상 서브 데이터를 기준으로 3개의 영상 서브 데이터를 선별(제 1 영상 서브 데이터, 제 4 영상 서브 데이터 및 제 7 영상 서브 데이터)하고, 해당 영상 서브 데이터들을 시점에 기반하여 연결함으로서, 제 3 영상 데이터를 생성할 수 있다. 즉, 제 3 영상 데이터는 제 1 영상 데이터 및 제 2 영상 데이터 각각과 상이한 시점에 대응하는 정보를 포함할 수 있다. 전술한 영상 서브 데이터, 제 1 시간 간격, 제 2 시간 간격 및 영상 데이터에 관련한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(130)는 임의의 시간 간격을 설정할 수 있다. 프로세서(130)는 임의의 시간 간격에 기초하여 생성된 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별할 수 있다. 프로세서(130)는 선별된 적어도 둘 이상의 영상 서브 데이터를 시점에 기초하여 연결함으로써 제 4 영상 데이터를 생성할 수 있다. 이 경우, 제 4 영상 데이터는 제 1 영상 데이터, 제 2 영상 데이터 및 제 3 영상 데이터 각각과 적어도 부분적으로 상이한 영상 데이터로 구성될 수 있다.
구체적인 예를 들어, 1초 시간 간격으로 생성된 영상 서브 데이터의 수가 10개인 경우, 프로세서(130)는 임의의 시간 간격으로 3개의 영상 서브 데이터를 선별(제 2 영상 서브 데이터, 제 5 영상 서브 데이터, 제 6 영상 서브 데이터)하고, 해당 영상 서브 데이터들을 시점에 기반하여 연결함으로써, 제 4 영상 데이터를 생성할 수 있다. 전술한 임의의 시간 간격은 예시일 뿐, 개시는 이에 제한되지 않는다.
또한, 프로세서(130)는 제 1 시간 간격 및 임의의 시간 간격을 설정하여, 먼저 제 1 시간 간격에 따라 제 1 영상 보조 데이터를 생성하고 제 1 영상 보조 데이터에서 선별되지 않은 영상 서브 데이터 중 임의의 시간 간격에 따라 선별하여 제 2 영상 보조 데이터를 생성하고, 해당 제 1 영상 보조 데이터 및 제 2 영상 보조 데이터를 시간 순서에 따라 결합하여 제 5 영상 데이터를 생성할 수 있다.
구체적인 예를 들어, 1초 시간 간격으로 생성된 영상 서브 데이터의 수가 10개인 경우 프로세서(130)는 제 1 시간 간격으로 3개의 영상 서브 데이터를 선별(제 1 영상 서브 데이터, 제 5 영상 서브 데이터, 제 9 영상 서브 데이터)하고 해당 제 1 시간 간격으로 선별된 3개의 영상 서브 데이터를 시점에 기반하여 연결하여 제 1 영상 보조 데이터를 생성할 수 있다. 동일한 프로세스에 평행적으로, 프로세서(130)는 제 1 영상 보조 데이터에서 선택되지 않은 영상 서브 데이터 중 임의의 시간 간격으로 3개의 영상 서브 데이터를 선별(제 2 영상 서브 데이터, 제 4 영상 서브 데이터, 제 7 영상 서브 데이터)하고 해당 임의의 시간 간격으로 선별된 3개의 영상 서브 데이터를 시점에 기반하여 연결하여 제 2 영상 보조 데이터를 생성할 수 있다. 동일한 프로세스에서, 해당 제 1 영상 보조 데이터 및 제 2 영상 보조 데이터를 영상 서브 데이터의 시간 순서에 따라 결합하여 제 5 영상 데이터를 생성할 수 있다.
또한, 프로세서(130)는 제 1 시간 간격 및 임의의 시간 간격을 설정하여, 먼저 제 1 시간 간격에 따라 제 1 영상 보조 데이터를 생성하고 제 1 영상 보조 데이터에서 선별된 영상 서브 데이터와 관계없이 임의의 시간 간격에 따라 선별하여 제 2 영상 보조 데이터를 생성하고, 해당 제 1 영상 보조 데이터 및 제 2 영상 보조 데이터를 시간 순서에 따라 결합하여 제 6 영상 데이터를 생성할 수 있다.
구체적인 예를 들어, 1초 시간 간격으로 생성된 영상 서브 데이터의 수가 10개인 경우 프로세서(130)는 제 1 시간 간격으로 3개의 영상 서브 데이터를 선별(제 1 영상 서브 데이터, 제 5 영상 서브 데이터, 제 9 영상 서브 데이터)하고 해당 제 1 시간 간격으로 선별된 3개의 영상 서브 데이터를 시점에 기반하여 연결하여 제 1 영상 보조 데이터를 생성할 수 있다. 동일한 프로세스에 평행적으로, 프로세서(130)는 임의의 시간 간격으로 3개의 영상 서브 데이터를 선별(제 1 영상 서브 데이터, 제 4 영상 서브 데이터, 제 7 영상 서브 데이터)하고, 해당 임의의 시간 간격으로 선별된 3개의 영상 서브 데이터를 시점에 기반하여 연결하여 제 2 영상 보조 데이터를 생성할 수 있다. 동일한 프로세스에서, 해당 제 1 영상 보조 데이터 및 제 2 영상 보조 데이터를 영상 서브 데이터의 시간 순서에 따라 결합하여 제 6 영상 데이터를 생성할 수 있다.
즉, 프로세서(130)는 사용자로부터 측정된 생체 신호에 기반하여 시점 별로 구분된 복수의 영상 서브 데이터를 생성할 수 있으며, 상기 복수의 영상 서브 데이터를 다양한 기준 또는 시간 간격을 통해 연결함으로써 하나 이상의 영상 데이터를 생성할 수 있다. 다시 말해, 하나의 사용자로부터 측정된 생체 신호에 기반하여 서로 상이한 프레임(즉, 서로 상이한 영상 서브 데이터)을 포함하는 복수의 영상 데이터가 생성될 수 있다. 또한, 프로세서(130)에 의해 생성된 영상 데이터는 시간에 따른 변화 패턴에 관한 정보를 포함(즉, 모든 영상 서브 데이터를 포함)하고 있으므로, 분석 정보를 제공함에 있어 정보의 손실을 방지할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 학습시킴으로써 딥러닝 모델을 생성할 수 있다. 즉, 딥러닝 모델은, 하나 이상의 네트워크 함수를 포함하며, 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 포함하는 학습 데이터 세트를 통해 학습될 수 있다. 이러한 학습 데이터 세트는 외부 서버(20)로부터 수신된 정보일 수 있다. 학습 데이터 세트는 예컨대, 전자건강기록 및 전자의료기록에 대한 정보 등을 포함하는 검진 데이터일 수 있다. 프로세서(130)는 외부 서버(20)로부터 수신한 복수의 사용자 각각의 검진 데이터에 기초하여 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 포함하는 학습 데이터 세트를 구축할 수 있다. 학습 입력 데이터 세트는, 복수의 사용자 각각으로부터 시계열적으로 측정된 생체 신호 기반하여 생성된 복수의 학습 영상 데이터를 포함할 수 있다. 학습 출력 데이터 세트는, 상기 복수의 사용자 각각에 대응하는 복수의 학습 진단 정보를 포함할 수 있다.
예를 들어, 프로세서(130)는 제 1 사용자의 검진 데이터에서 뇌파 신호에 대응하는 하나 이상의 영상 데이터(즉, 학습 입력 데이터)와 상기 뇌파 신호에 대응하는 진료 데이터(즉, 학습 결과 데이터)를 매칭시켜 라벨링된 학습 데이터를 생성할 수 있다. 다른 예를 들어, 프로세서(130)는 제 2 사용자의 검진 데이터에서 심전도 신호에 대응하는 하나 이상의 영상 데이터와 상기 심전도 신호에 대응하는 진료 데이터를 매칭시켜 라벨링된 학습 데이터를 생성할 수 있다.
또한, 입력 데이터(즉, 영상 데이터)로부터 추출된 특징에 더하여, 각 사용자의 메타데이터(예: 나이, 성별, 임상시험 검사 등)를 추가로 연관시켜 학습되도록 하거나, 별도로 추가 학습되도록 할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 복수의 사용자 각각의 검진 데이터로부터 생체 신호에 관한 정보를 추출하고, 추출된 생체 신호에 관한 정보에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성할 수 있다. 또한, 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 연결하여 영상 데이터를 생성함으로써 학습 데이터 세트를 구축할 수 있다. 본 개시에서 딥러닝 모델의 학습의 대상이 되는 학습 데이터는 복수의 사용자 각각의 다년간의 실제 검진 데이터로서 신경망 학습에 충분할 정도로 임의로 늘릴 수 없으며, 개인정보 보호 등의 이유로 원활한 확보가 어려운 실정이다. 신경망을 학습시키기 위한 학습 데이터가 충분하게 확보되지 않은 경우, 학습된 신경망의 정확도가 다소 낮아지거나 또는, 신경망의 학습 자체가 불가능할 수 있다. 또한, 특정 사용자의 생체 신호에 관한 정보를 임의로 변형하여 추가적인 학습 데이터를 확보하고자 하는 경우, 임의적인 변형에 따라 데이터 자체가 유효하지 않게 되거나, 또는 신경망의 학습 과정에서 원하지 않는 출력을 산출할 우려가 있다.
본 개시의 프로세서(130)는 사용자로부터 측정된 생체 신호에 기반하여 시점 별로 구분된 복수의 영상 서브 데이터를 생성할 수 있으며, 상기 복수의 영상 서브 데이터를 다양한 기준 또는 시간 간격을 통해 연결함으로써 하나 이상의 영상 데이터를 생성할 수 있다. 다시 말해, 하나의 사용자의 생체 신호에 대응하여 서로 상이한 프레임(즉, 서로 상이한 영상 서브 데이터)을 포함하는 복수의 영상 데이터를 생성할 수 있으므로, 학습 데이터를 증가시킬 수 있다. 즉, 하나의 사용자의 검진 데이터로부터 복수의 학습 데이터(즉, 복수의 영상 데이터)가 생성될 수 있음에 따라, 학습 데이터에 대한 증강(augmentation)이 가능해질 수 있다. 따라서, 증가된 학습 데이터를 통해 신경망 학습의 정확도를 높일 수 있으며, 학습된 신경망의 출력 정확도 향상을 도모할 수 있다.
특히, 이를 통해 획득되는 증강된 데이터는 인위적으로 만들어진 것이 아니고, 실제 데이터에 기반하여 그 조합방식에 따라 복수의 데이터로 증강되는 장점이 있다.
추가적인 실시예에서, 프로세서(130)는 영상 데이터를 생성하기 위한 둘 이상의 영상 서브 데이터의 수를 최적으로 결정함으로써, 컴퓨팅 파워를 절감시키는 효과를 제공할 수 있다.
또한, 프로세서(130)는 학습 입력 데이터 세트 각각을 하나 이상의 네트워크 함수에 입력시키고, 하나 이상의 네트워크 함수로 연산된 출력 데이터 각각과 학습 입력 데이터 세트 각각의 라벨에 해당하는 상기 학습 출력 데이터 세트 각각을 비교하여 오차를 도출할 수 있다. 또한, 프로세서(130)는 도출된 오차에 기초하여 상기 하나 이상의 네트워크 함수의 가중치를 역전파(backpropagation) 방식으로 조정할 수 있다. 즉, 프로세서(130)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터의 오차에 기초하여 하나 이상의 네트워크 함수의 출력이 학습 출력 데이터에 가까워지도록 가중치를 조정할 수 있다.
또한, 프로세서(130)는 하나 이상의 네트워크 함수의 학습이 사전 결정된 에폭 이상 수행된 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다. 검증 데이터는 라벨링된 학습 데이터 세트 중 적어도 일부로 구성될 수 있다. 즉, 프로세서(130)는 학습 데이터 세트를 통해 신경망의 학습을 수행하며, 신경망의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 신경망의 학습 효과가 사전 결정된 수준 이상인지 여부를 판단할 수 있다. 예를 들어, 프로세서(130)는 100개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10회인 학습을 수행하는 경우, 사전결정된 에폭인 10회의 반복 학습을 수행한 후, 10개의 검증 데이터를 이용하여 3회의 반복 학습을 수행하여, 3회의 반복 학습 동안 신경망 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다. 즉, 검증 데이터는 신경망의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
또한, 프로세서(130)는 테스트 데이터 세트를 이용하여 상기 하나 이상의 네트워크 함수의 성능을 테스트하여 상기 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써 딥러닝 모델을 생성할 수 있다.
테스트 데이터 세트를 이용하여 하나 이상의 네트워크 함수의 성능을 테스트하여 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써, 딥러닝 모델을 생성할 수 있다. 테스트 데이터는 신경망의 성능을 검증하기 위하여 사용될 수 있으며, 학습 데이터 세트 중 적어도 일부로 구성될 수 있다. 예를 들어, 학습 데이터 세트 중 70%는 신경망의 학습(즉, 라벨과 비슷한 결과값을 출력하도록 가중치를 조정하기 위한 학습)을 위해 활용될 수 있으며, 30%는 신경망의 성능을 검증하기 위한 테스트 데이터로써 활용될 수 있다. 프로세서(130)는 학습이 완료된 신경망에 테스트 데이터 세트를 입력하고 오차를 측정하여 사전 결정된 성능 이상인지 여부에 따라 신경망의 활성화 여부를 결정할 수 있다. 프로세서(130)는 학습이 완료된 신경망에 테스트 데이터를 이용하여 학습 완료된 신경망의 성능을 검증하고 학습 완료된 신경망의 성능이 사전결정된 기준 이상인 경우 해당 신경망을 다른 어플리케이션에서 사용하도록 활성화할 수 있다. 또한, 프로세서(130)는 학습 완료된 신경망의 성능이 사전결정된 기준 이하인 경우 해당 신경망을 비활성화하여 폐기할 수 있다. 예를 들어, 프로세서(130)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 신경망 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 프로세서(130)는 각각의 신경망을 독립적으로 학습시켜 복수의 신경망 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 신경망만을 병리증상 진단 정보 산출을 위해 사용할 수 있다.
본 개시에서 학습 입력 데이터에 해당하는 데이터는, 생체 신호에 대한 전처리를 통해 생성된 복수의 영상 서브 데이터의 연결(또는 조합)을 통해 생성된 영상 데이터일 수 있다. 즉, 딥러닝 모델의 학습 데이터는 단순한 이미지 데이터가 아닌, 시점의 변화에 따라 사용자의 신체 각 영역에서 측정되는 주파수의 변화량을 영상화한 데이터일 수 있다. 이에 따라, 본 개시의 딥러닝 모델에 대한 학습은 단순히 특정 시점에서의 이미지에 대응하는 분석 정보를 출력하도록 하는 학습을 의미하는 것이 아닌, 시점에 따른 영상의 흐름에 대응하여 유의미한 분석 정보를 출력하도록 하는 학습을 의미할 수 있다. 다시 말해, 시간의 흐름에 따른 변화량을 나타내는 영상에 대한 학습(예컨대, 뇌파의 시간에 따른 변화 패턴을 학습할 수 있음)이 가능해질 수 있다. 즉, 생체 신호에 대한 전처리를 통해 생성된 하나 이상의 영상 데이터를 학습 입력 데이터로써 학습된 딥러닝 모델은 각 프레임의 시간에 따른 변화량에 대응하여 유의미한 분석 정보를 제공할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 영상 데이터를 딥러닝 모델의 입력으로 처리하여 병리증상 진단 정보를 생성할 수 있다. 이 경우, 딥러닝 모델은 전술한 바와 같이, 학습 데이터 세트를 통해 학습된 하나 이상의 네트워크 함수를 의미할 수 있다.
병리증상 진단 정보는, 사용자에 대응하는 정신 병리증상에 대한 예측 정보일 수 있다. 예를 들어, 병리증상 진단 정보는, 특정 사용자가 치매와 같은 지능장애, 환각 및 환청과 같은 지각 장애, 사고의 지체와 같은 사고 장애, 망상과 같은 사고내용의 장애 및 주의력 장애와 착란과 같은 의식 장애 중 적어도 하나에 해당한다는 정보일 수 있다. 구체적인 예를 들어, 병리증상 진단 정보는 제 1 사용자의 향후 3년 이내 치매 발생 확률이 70%라는 정보를 포함할 수 있다. 전술한 병리증상 진단 정보에 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 즉, 병리증상 진단을 위한 MRI 검사나 MoCA테스트 등을 별도로 수행하지 않더라도, 사용자의 생체 신호에 기반한 진단 정보를 생성할 수 있다. 이는 비용적인 측면 및 시간적인 측면에서 효율성을 향상시킬 수 있으며, 정신병리 증상을 예측하기 위한 사용자의 접근성을 향상시킬 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 영상 데이터 각각을 딥러닝 모델의 입력으로 처리하여 하나 이상의 병리증상 진단 정보를 생성할 수 있다. 또한, 프로세서(130)는 딥러닝 모델을 통해 생성된 하나 이상의 병리증상 진단 정보를 통합하여 통합 진단 정보를 생성할 수 있다.
구체적인 예를 들어, 프로세서(130)는 제 1 사용자의 생체 신호에 대응하여 복수의 영상 서브 데이터를 생성할 수 있으며, 복수의 영상 서브 데이터를 상이한 기준 또는 시간 간격에 기초하여 연결함에 따라, 하나 이상의 영상 데이터를 생성할 수 있다. 예컨대, 프로세서(130)는 제 1 사용자의 생체 신호에 대응하여 서로 상이한 영상 서브 데이터들을 포함하는 3개의 영상 데이터(제 1 영상 데이터, 제 2 영상 데이터 및 제 3 영상 데이터)를 생성할 수 있다. 프로세서(130) 제 1 사용자의 생체 신호에 대응하는 제 1 영상 데이터를 딥러닝 모델의 입력으로 처리하여 치매 발병 확률이 70%라는 제 1 병리증상 진단 정보를 생성할 수 있다. 또한, 프로세서(130) 제 1 사용자의 생체 신호에 대응하는 제 2 영상 데이터를 딥러닝 모델의 입력으로 처리하여 치매 발병 확률이 74%라는 제 2 병리증상 진단 정보를 생성할 수 있다. 프로세서(130) 제 1 사용자의 생체 신호에 대응하는 제 3 영상 데이터를 딥러닝 모델의 입력으로 처리하여 치매 발병 확률이 63%라는 제 3 병리증상 진단 정보를 생성할 수 있다. 이 경우, 프로세서(130)는 각 병리증상 진단 정보를 통합하여 통합 진단 정보를 생성할 수 있다. 예컨대, 프로세서(130)는 각 병리증상 진단 정보의 예측값(즉, 70%, 74%, 및 63%)의 평균을 계산하여 치매 발병 확률이 69%라는 통합 진단 정보를 생성할 수 있다. 전술한 병리증상 진단 정보 및 통합 진단 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 하나의 영상 데이터에 대응하는 분석 정보가 아닌, 복수의 영상 데이터 각각에 대응하여 출력된 복수의 병리증상 진단 정보를 모두 고려한 통합 진단 정보를 산출함으로써, 사용자에 대한 병리증상 예측의 정확도가 보다 향상될 수 있다.
도 5는 본 개시의 일 실시예에 관련된 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
도 6은 본 개시의 일 실시예와 관련된 생체 신호에 기반하여 병리증상 진단 정보를 제공하기 위한 방법을 예시적으로 나타낸 순서도를 도시한다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 생체 신호를 수신할 수 있다(510).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 생체 신호에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성할 수 있다(520).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성할 수 있다(530).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 하나 이상의 영상 데이터를 딥러닝 모델의 입력으로 처리하여 병리증상 진단 정보를 생성할 수 있다(540).
전술한 도 6에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 일 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 개시의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 개시의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (3)
- 컴퓨팅 장치의 프로세서에서 수행되는 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델을 생성하는 방법으로,
상기 프로세서가 사용자의 생체 신호를 획득하는 단계;
상기 프로세서가 상기 생체 신호에 대한 전처리를 수행하여 복수의 영상 서브 데이터를 생성하는 단계;
상기 프로세서가 복수의 영상 서브 데이터 중 적어도 둘 이상의 영상 서브 데이터를 선별하여 하나 이상의 영상 데이터를 생성하는 단계; 및
상기 하나 이상의 영상 데이터를 학습 데이터로 이용하여 딥러닝 모델을 학습시키는 단계;
를 포함하고,
상기 딥러닝 모델은,
하나 이상의 네트워크 함수를 포함하며, 학습 입력 데이터 세트 및 학습 출력 데이터 세트를 포함하는 학습 데이터 세트를 통해 학습되고, 그리고
상기 딥러닝 모델을 학습시키는 단계는,
복수의 사용자 각각으로부터 시계열적으로 측정된 생체 신호에 기반하여 생성된 복수의 학습 영상 데이터를 포함하는 상기 학습 입력 데이터 세트를 획득하는 단계;
상기 복수의 사용자 각각에 대응하는 복수의 학습 진단 정보를 포함하는 상기 학습 출력 데이터 세트를 획득하는 단계; 및
상기 학습 입력 데이터 세트 및 상기 학습 출력 데이터 세트를 포함하는 학습 데이터 세트를 이용하여 상기 딥러닝 모델을 학습시키는 단계; 를 포함하고,
상기 딥러닝 모델은,
상기 프로세서가 상기 학습 입력 데이터 세트 각각을 상기 하나 이상의 네트워크 함수에 입력시키고, 상기 하나 이상의 네트워크 함수로 연산된 출력 데이터 각각과 상기 학습 입력 데이터 세트 각각의 라벨에 해당하는 상기 학습 출력 데이터 세트 각각을 비교하여 오차를 도출하고, 상기 오차에 기초하여 상기 하나 이상의 네트워크 함수의 가중치를 역전파(backpropagation) 방식으로 조정하고, 상기 하나 이상의 네트워크 함수의 학습이 사전 결정된 에폭 이상 수행된 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정하고, 그리고 테스트 데이터 세트를 이용하여 상기 하나 이상의 네트워크 함수의 성능을 테스트하여 상기 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써 생성되는,
컴퓨팅 장치의 프로세서에서 수행되는 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델을 생성하는 방법. - 하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1 항의 방법을 수행하는, 장치. - 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200182408A KR102208759B1 (ko) | 2020-12-23 | 2020-12-23 | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200182408A KR102208759B1 (ko) | 2020-12-23 | 2020-12-23 | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200089869A Division KR102197112B1 (ko) | 2020-07-20 | 2020-07-20 | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102208759B1 true KR102208759B1 (ko) | 2021-01-29 |
Family
ID=74236502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200182408A KR102208759B1 (ko) | 2020-12-23 | 2020-12-23 | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102208759B1 (ko) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102309022B1 (ko) | 2021-02-09 | 2021-10-07 | 메디팜소프트(주) | 인공지능 기반의 생체 신호 원격 모니터링 시스템 |
KR102336111B1 (ko) * | 2021-02-18 | 2021-12-08 | 주식회사 아이메디신 | 뇌파 데이터에 기반하여 뇌 나이 예측 정보를 제공하는 신경망 모델을 생성하기 위한 방법 및 컴퓨팅 장치 |
KR20220115024A (ko) | 2021-02-09 | 2022-08-17 | 메디팜소프트(주) | 웨어러블 다중 생체 신호 측정장치 |
KR20220115038A (ko) | 2021-02-09 | 2022-08-17 | 메디팜소프트(주) | 생체 데이터 측정 및 판독 시스템 |
KR102437348B1 (ko) * | 2021-12-20 | 2022-08-29 | (주)씨어스테크놀로지 | 웨어러블 심전도 신호 분석 방법 |
WO2022255564A1 (ko) * | 2021-06-02 | 2022-12-08 | 주식회사 뷰노 | 생체신호 분석 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190035368A (ko) * | 2017-09-26 | 2019-04-03 | 연세대학교 산학협력단 | 뇌 신호로부터 변환한 이미지 기반의 감정 인식 방법 및 장치 |
KR101987225B1 (ko) * | 2018-12-12 | 2019-06-10 | 세종대학교산학협력단 | Vr 멀미 검출 장치 및 방법 |
KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
-
2020
- 2020-12-23 KR KR1020200182408A patent/KR102208759B1/ko active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190035368A (ko) * | 2017-09-26 | 2019-04-03 | 연세대학교 산학협력단 | 뇌 신호로부터 변환한 이미지 기반의 감정 인식 방법 및 장치 |
KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
KR101987225B1 (ko) * | 2018-12-12 | 2019-06-10 | 세종대학교산학협력단 | Vr 멀미 검출 장치 및 방법 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102309022B1 (ko) | 2021-02-09 | 2021-10-07 | 메디팜소프트(주) | 인공지능 기반의 생체 신호 원격 모니터링 시스템 |
KR20220115024A (ko) | 2021-02-09 | 2022-08-17 | 메디팜소프트(주) | 웨어러블 다중 생체 신호 측정장치 |
KR20220115038A (ko) | 2021-02-09 | 2022-08-17 | 메디팜소프트(주) | 생체 데이터 측정 및 판독 시스템 |
KR102336111B1 (ko) * | 2021-02-18 | 2021-12-08 | 주식회사 아이메디신 | 뇌파 데이터에 기반하여 뇌 나이 예측 정보를 제공하는 신경망 모델을 생성하기 위한 방법 및 컴퓨팅 장치 |
WO2022255564A1 (ko) * | 2021-06-02 | 2022-12-08 | 주식회사 뷰노 | 생체신호 분석 방법 |
KR102437348B1 (ko) * | 2021-12-20 | 2022-08-29 | (주)씨어스테크놀로지 | 웨어러블 심전도 신호 분석 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102197112B1 (ko) | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 | |
KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
US20200337580A1 (en) | Time series data learning and analysis method using artificial intelligence | |
Pham | Time–frequency time–space LSTM for robust classification of physiological signals | |
KR20230137869A (ko) | 기계 학습 보조 인지 평가 및 치료를 위한 시스템들 및 방법들 | |
JP2020536623A (ja) | モバイルデバイスを用いたユーザの健康の連続的監視 | |
JP2023116604A (ja) | 軽度認知障害判定システム | |
KR102298119B1 (ko) | 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 | |
EP4272645A1 (en) | Method and apparatus for converting electrical biosignal data into numerical vectors, and method and apparatus for analyzing disease by using same | |
Tervonen et al. | Personalized mental stress detection with self-organizing map: From laboratory to the field | |
Dong et al. | Subject sensitive EEG discrimination with fast reconstructable CNN driven by reinforcement learning: A case study of ASD evaluation | |
KR102423483B1 (ko) | 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템 | |
Jang et al. | Unsupervised feature learning for electrocardiogram data using the convolutional variational autoencoder | |
Hagen et al. | RippleNet: a recurrent neural network for sharp wave ripple (SPW-R) detection | |
Kim et al. | Fast automatic artifact annotator for EEG signals using deep learning | |
Hwang et al. | Implementation of interactive healthcare advisor model using chatbot and visualization | |
Nawaz et al. | Cloud-based healthcare framework for real-time anomaly detection and classification of 1-D ECG signals | |
KR102208760B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법 | |
KR102336111B1 (ko) | 뇌파 데이터에 기반하여 뇌 나이 예측 정보를 제공하는 신경망 모델을 생성하기 위한 방법 및 컴퓨팅 장치 | |
US11995891B2 (en) | Computer program and method for training artificial neural network model based on time-series biosignal | |
Obayya et al. | A novel automated Parkinson’s disease identification approach using deep learning and EEG | |
US11547346B2 (en) | Method, server, and computer program for classifying severe cognitive impairment patients by analyzing EEG data | |
KR102461646B1 (ko) | 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법 | |
JP2022502201A (ja) | モバイルデバイスを用いたユーザの健康状態の継続的監視 | |
Olaniyan et al. | Machine learning techniques for high-performance computing for IoT applications in healthcare |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
A302 | Request for accelerated examination | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |