KR102502620B1 - 인공지능을 이용한 질병 분류 방법 및 이를 위한 전자 장치 - Google Patents
인공지능을 이용한 질병 분류 방법 및 이를 위한 전자 장치 Download PDFInfo
- Publication number
- KR102502620B1 KR102502620B1 KR1020220090887A KR20220090887A KR102502620B1 KR 102502620 B1 KR102502620 B1 KR 102502620B1 KR 1020220090887 A KR1020220090887 A KR 1020220090887A KR 20220090887 A KR20220090887 A KR 20220090887A KR 102502620 B1 KR102502620 B1 KR 102502620B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- auscultation
- information
- electronic device
- stethoscope
- Prior art date
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 210
- 201000010099 disease Diseases 0.000 title claims abstract description 209
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000002555 auscultation Methods 0.000 claims abstract description 548
- 210000002216 heart Anatomy 0.000 claims description 191
- 239000013598 vector Substances 0.000 claims description 139
- 208000037656 Respiratory Sounds Diseases 0.000 claims description 109
- 210000004072 lung Anatomy 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 19
- 239000008280 blood Substances 0.000 claims description 15
- 210000004369 blood Anatomy 0.000 claims description 15
- 230000036387 respiratory rate Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 230000036772 blood pressure Effects 0.000 claims description 8
- 230000036760 body temperature Effects 0.000 claims description 8
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 6
- 239000008103 glucose Substances 0.000 claims description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 23
- 238000003745 diagnosis Methods 0.000 description 14
- 210000001765 aortic valve Anatomy 0.000 description 10
- 208000019693 Lung disease Diseases 0.000 description 9
- 208000019622 heart disease Diseases 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000035487 diastolic blood pressure Effects 0.000 description 8
- 230000035488 systolic blood pressure Effects 0.000 description 8
- 206010002906 aortic stenosis Diseases 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 210000004115 mitral valve Anatomy 0.000 description 6
- 208000006887 mitral valve stenosis Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 208000003017 Aortic Valve Stenosis Diseases 0.000 description 5
- 208000029523 Interstitial Lung disease Diseases 0.000 description 5
- 206010035664 Pneumonia Diseases 0.000 description 5
- 201000002064 aortic valve insufficiency Diseases 0.000 description 5
- 210000000591 tricuspid valve Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003601 intercostal effect Effects 0.000 description 4
- 230000000241 respiratory effect Effects 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 201000001943 Tricuspid Valve Insufficiency Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 208000005907 mitral valve insufficiency Diseases 0.000 description 3
- 210000003102 pulmonary valve Anatomy 0.000 description 3
- 208000009138 pulmonary valve stenosis Diseases 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 210000001562 sternum Anatomy 0.000 description 3
- 208000035211 Heart Murmurs Diseases 0.000 description 2
- 208000020128 Mitral stenosis Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 210000000936 intestine Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 208000003278 patent ductus arteriosus Diseases 0.000 description 2
- 208000030390 pulmonic stenosis Diseases 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 206010060891 General symptom Diseases 0.000 description 1
- 206010048612 Hydrothorax Diseases 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 208000002151 Pleural effusion Diseases 0.000 description 1
- 208000001910 Ventricular Heart Septal Defects Diseases 0.000 description 1
- 206010047924 Wheezing Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 208000006673 asthma Diseases 0.000 description 1
- 210000004763 bicuspid Anatomy 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 201000009267 bronchiectasis Diseases 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 210000001147 pulmonary artery Anatomy 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 201000003130 ventricular septal defect Diseases 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/003—Detecting lung or respiration noise
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- 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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pulmonology (AREA)
- Acoustics & Sound (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Cardiology (AREA)
- Computer Networks & Wireless Communication (AREA)
Abstract
전자 장치의 인공 지능(artificial intelligence, AI)을 이용한 질병 분류 방법이 제공된다. 질병 분류 방법은, 청진음 데이터 및 청진 위치 데이터를 획득하는 단계; 상기 청진음 데이터에 기초하여 특징 정보를 획득하고, 상기 청진 위치 데이터에 기초하여 청진 위치 정보를 획득하는 단계; 상기 특징 정보 및 상기 청진 위치 정보를 결합하여, 결합 정보를 생성하는 단계; 인공 지능 모델을 이용하여, 상기 결합 정보에 대응하는 적어도 하나의 질병 정보를 확인하는 단계를 포함할 수 있다.
Description
본 개시는 청진음 데이터 및 청진 위치 데이터를 포함하는 학습 데이터에 기초하여 인공 지능 모델을 학습시키고, 학습된 인공 지능 모델을 이용하여 보다 정확하게 질병을 분류하기 위한 전자 장치 및 그 제어 방법에 관한 것이다.
인터넷의 사용이 보편화되고 인구의 수명이 증가됨에 따라, 홈 헬스케어(home healthcare) 시장에 대한 관심이 높아지고 있다. 홈 헬스케어는 사용자가 병원을 방문하지 않고, 사용자의 집에서 원격으로 의학적인 관리, 치료 및 지원을 제공받는 서비스를 의미한다.
특히, 스마트 청진기와 같은 제품을 이용하여, 심장, 폐 또는 장 등의 신체 부위의 청진음을 측정하고, 측정된 청진음에 기초하여 질병의 유무에 관한 정보를 제공하거나, 질병을 진단받는 서비스가 각광받고 있다. 다만, 현재의 기술은 청진음 데이터에만 기초하여 질병 진단 서비스를 제공하므로, 질병 진단의 정확성에서 한계가 존재한다.
관련하여, KR 10-2011-0127785 A 건 등의 선행문헌들을 참조할 수 있다.
관련하여, KR 10-2011-0127785 A 건 등의 선행문헌들을 참조할 수 있다.
개시된 실시 예들은 인공지능을 이용한 질병 분류 방법 및 이를 위한 전자 장치를 제공하고자 한다. 보다 구체적으로는, 청진음 데이터 및 청진 위치 데이터를 포함하는 학습 데이터에 기초하여 인공 지능 모델을 학습시키고, 학습된 인공 지능 모델을 이용하여 보다 정확하게 질병을 분류하기 위한 전자 장치 및 그 제어 방법을 제공하는 것을 목적으로 한다.
본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시 예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
본 개시의 일 측면은 청진음 데이터 및 청진 위치 데이터를 획득하는 단계; 상기 청진음 데이터에 기초하여 특징 정보를 획득하고, 상기 청진 위치 데이터에 기초하여 청진 위치 정보를 획득하는 단계; 상기 특징 정보 및 상기 청진 위치 정보를 결합하여, 결합 정보를 생성하는 단계; 및 인공 지능 모델을 이용하여, 상기 결합 정보에 대응하는 적어도 하나의 질병 정보를 확인하는 단계를 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 질병 분류 방법은, 생체 데이터(biometric data)를 획득하는 단계; 및 상기 생체 데이터에 기초하여, 생체 정보를 획득하는 단계를 더 포함하고, 상기 결합 정보는, 상기 생체 정보가 더 결합된, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 생체 데이터는, 심장 박동 규칙도 데이터; 호흡수 데이터; 호흡 규칙도 데이터; 체온 데이터; 나이 데이터; 혈압 데이터; 및 혈당 데이터 중 적어도 하나를 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 특징 정보 및 상기 청진 위치 정보는 벡터의 형태를 가지고, 상기 결합 정보를 생성하는 단계는, 상기 특징 정보 및 상기 청진 위치 정보를 연결(concatenation)하여 상기 결합 정보를 생성하는 단계를 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 청진 위치 정보는 청진 가능 위치에 대응하는 하나 이상의 성분들을 포함하고, 상기 청진 가능 위치에 대응하는 하나 이상의 성분들 중 청진 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가지는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 질병 분류 방법은, 생체 데이터를 획득하는 단계; 및 상기 생체 데이터에 기초하여, 벡터 형태의 생체 정보를 획득하는 단계를 더 포함하고, 상기 결합 정보는, 상기 생체 정보가 더 연결된, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 생체 정보는 설정된 수의 범주에 대응하는 하나 이상의 성분들을 포함하고, 상기 설정된 수의 범주에 대응하는 하나 이상의 성분들 중 상기 생체 데이터의 값이 포함된 범주에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가지는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 특징 정보 및 상기 청진 위치 정보는 맵(map)의 형태를 가지고, 상기 결합 정보를 생성하는 단계는, 상기 특징 정보에 상기 청진 위치 정보를 채널로서 추가하여 상기 결합 정보를 생성하는 단계를 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 청진 위치 정보는 청진 가능 위치에 대응하는 하나 이상의 맵들을 포함하고, 상기 청진 가능 위치에 대응하는 하나 이상의 맵들 중 청진 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가지는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 질병 분류 방법은, 생체 데이터를 획득하는 단계; 및 상기 생체 데이터에 기초하여, 맵 형태의 생체 정보를 획득하는 단계를 더 포함하고, 상기 결합 정보는, 상기 생체 정보가 채널로서 더 추가된, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 생체 정보는 설정된 수의 범주에 대응하는 하나 이상의 맵들을 포함하고, 상기 설정된 수의 범주에 대응하는 하나 이상의 맵들 중 상기 생체 데이터의 값이 포함된 범주에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가지는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 청진음 데이터는 심음(heart sound) 데이터 및 페음(lung sound) 데이터 중 적어도 하나를 포함하고, 상기 청진 위치 데이터는 심음 청진 위치에 관한 데이터 및 폐음 청진 위치에 관한 데이터를 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 청진음 데이터는 심음 데이터를 포함하고, 상기 인공 지능 모델은 심장에 관한 질병을 분류하기 위한 제1 인공 지능 모델을 포함하고, 상기 특징 정보를 획득하는 단계는, 상기 청진음 데이터에서 심음이 존재하는 주파수 외의 영역을 제거하는 단계를 포함하고, 상기 적어도 하나의 질병 정보를 확인하는 단계는, 상기 제1 인공 지능 모델을 이용하여 상기 결합 정보에 대응하는 심장에 관한 적어도 하나의 질병 정보를 확인하는 단계를 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 청진음 데이터는 폐음 데이터를 포함하고, 상기 인공 지능 모델은 폐에 관한 질병을 분류하기 위한 제2 인공 지능 모델을 포함하고, 상기 특징 정보를 획득하는 단계는, 상기 청진음 데이터에서 폐음이 존재하는 주파수 외의 영역을 제거하는 단계를 포함하고, 상기 적어도 하나의 질병 정보를 확인하는 단계는, 상기 제2 인공 지능 모델을 이용하여 상기 결합 정보에 대응하는 폐에 관한 적어도 하나의 질병 정보를 확인하는 단계를 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 청진 위치 데이터를 획득하는 단계는, 진료 기록 데이터를 획득하는 단계; 및 키워드를 추출하는 인공 지능 모델을 이용하여, 상기 진료 기록 데이터에서 상기 청진 위치 데이터를 획득하는 단계를 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 인공 지능 모델은, 하나 이상의 청진음 데이터, 하나 이상의 청진 위치 데이터 및 하나 이상의 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습되는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 학습 데이터 세트는, 하나 이상의 생체 데이터를 더 포함하는, 질병 분류 방법을 제공할 수 있다.
또한, 본 개시의 일 실시 예에서 상기 인공 지능 모델은 심장에 관한 질병을 분류하기 위한 제1 인공 지능 모델 및 폐에 관한 질병을 분류하기 위한 제2 인공 지능 모델을 포함하고, 상기 제1 인공 지능 모델은, 하나 이상의 심음 데이터, 하나 이상의 심음 청진 위치 데이터 및 하나 이상의 심장에 관한 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습되고, 상기 제2 인공 지능 모델은, 하나 이상의 폐음 데이터, 하나 이상의 폐음 청진 위치 데이터 및 하나 이상의 폐에 관한 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습되는, 질병 분류 방법을 제공할 수 있다.
본 개시의 다른 측면은 통신부; 메모리; 및 제어부(controller)를 포함하고, 상기 제어부는, 청진음 데이터 및 청진 위치 데이터를 획득하고, 상기 청진음 데이터에 기초하여 특징 정보를 획득하고, 상기 청진 위치 데이터에 기초하여 청진 위치 정보를 획득하고, 상기 특징 정보 및 상기 청진 위치 정보를 결합하여, 결합 정보를 생성하고, 인공 지능 모델을 이용하여, 상기 결합 정보에 대응하는 적어도 하나의 질병 정보를 확인하는, 전자 장치를 제공할 수 있다.
본 개시의 또 다른 측면은 전자 장치에 의해 수행되는 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체를 제공할 수 있다.
기타 실시 예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
제안되는 실시 예에 따를 경우 다음과 같은 효과를 하나 혹은 그 이상 기대할 수 있다.
본 명세서의 실시 예에 의할 경우, 청진음 데이터뿐만 아니라, 청진 위치 데이터에 기초하여 학습된 인공 지능 모델을 이용함으로써, 청진음 데이터 및 청진 위치 데이터가 입력되었을 때, 사용자가 질병을 가지고 있는지 여부 또는 사용자가 어떤 질병을 가지고 있는지가 보다 높은 정확도로 판단될 수 있다.
또한, 본 명세서의 실시 예에 의할 경우, 청진음 데이터뿐만 아니라, 청진 위치 데이터 및 생체 데이터에 기초하여 학습된 인공 지능 모델을 이용함으로써, 청진음 데이터, 청진 위치 데이터 및 생체 데이터가 입력되었을 때, 사용자가 질병을 가지고 있는지 여부 또는 사용자가 어떤 질병을 가지고 있는지가 보다 높은 정확도로 판단될 수 있다.
또한, 본 명세서의 실시 예에 의할 경우, 사용자가 진단받고자 하는 신체 부위 또는 종에 따라 상이한 학습 데이터에 기초하여 학습된 인공 지능 모델을 이용함으로써, 청진음 데이터 및 청진 위치 데이터가 입력되었을 때, 사용자가 질병을 가지고 있는지 여부 또는 사용자가 어떤 질병을 가지고 있는지가 보다 높은 정확도로 판단될 수 있다.
발명의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당해 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 일 실시 예에 따른 시스템을 나타낸다.
도 2a 내지 도 2c는 일 실시 예에 따라 전자 장치가 질병을 분류하는 과정을 설명하기 위한 도면이다.
도 3a 내지 도 3d는 일 실시 예에 따라 전자 장치가 질병을 분류하는 과정을 설명하기 위한 도면이다.
도 4a 내지 도 4d는 일 실시 예에 따라 전자 장치가 질병을 분류하는 과정을 설명하기 위한 도면이다.
도 5a 내지 도 5f는 일 실시 예에 따라 전자 장치가 청진 위치 데이터에 기초하여 청진 위치 벡터를 획득하는 과정을 설명하기 위한 도면이다.
도 6a 내지 도 6b는 일 실시 예에 따라 전자 장치가 청진 위치 데이터에 기초하여 청진 위치 벡터를 획득하는 과정을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따라 전자 장치가 생체 데이터에 기초하여 생체 벡터를 획득하는 과정을 설명하기 위한 도면이다.
도 8a 내지 도 8f는 일 실시 예에 따라 전자 장치가 청진 위치 데이터에 기초하여 청진 위치 맵들을 획득하는 과정을 설명하기 위한 도면이다.
도 9a 내지 도 9b는 일 실시 예에 따라 전자 장치가 청진 위치 데이터에 기초하여 청진 위치 맵들을 획득하는 과정을 설명하기 위한 도면이다.
도 10은 일 실시 예에 따라 전자 장치가 생체 데이터에 기초하여 생체 맵들을 획득하는 과정을 설명하기 위한 도면이다.
도 11은 일 실시 예에 따라 전자 장치가 진료 기록 데이터에 기초하여, 청진 위치 정보를 획득하는 과정을 설명하기 위한 도면이다.
도 12a 내지 도 12c는 일 실시 예에 따라 전자 장치가 인공 지능 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 13은 일 실시 예에 따른 전자 장치의 인공 지능을 이용한 질병 분류 방법의 흐름도를 나타낸다.
도 14는 일 실시 예에 따른 전자 장치의 블록도를 나타낸다.
도 2a 내지 도 2c는 일 실시 예에 따라 전자 장치가 질병을 분류하는 과정을 설명하기 위한 도면이다.
도 3a 내지 도 3d는 일 실시 예에 따라 전자 장치가 질병을 분류하는 과정을 설명하기 위한 도면이다.
도 4a 내지 도 4d는 일 실시 예에 따라 전자 장치가 질병을 분류하는 과정을 설명하기 위한 도면이다.
도 5a 내지 도 5f는 일 실시 예에 따라 전자 장치가 청진 위치 데이터에 기초하여 청진 위치 벡터를 획득하는 과정을 설명하기 위한 도면이다.
도 6a 내지 도 6b는 일 실시 예에 따라 전자 장치가 청진 위치 데이터에 기초하여 청진 위치 벡터를 획득하는 과정을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따라 전자 장치가 생체 데이터에 기초하여 생체 벡터를 획득하는 과정을 설명하기 위한 도면이다.
도 8a 내지 도 8f는 일 실시 예에 따라 전자 장치가 청진 위치 데이터에 기초하여 청진 위치 맵들을 획득하는 과정을 설명하기 위한 도면이다.
도 9a 내지 도 9b는 일 실시 예에 따라 전자 장치가 청진 위치 데이터에 기초하여 청진 위치 맵들을 획득하는 과정을 설명하기 위한 도면이다.
도 10은 일 실시 예에 따라 전자 장치가 생체 데이터에 기초하여 생체 맵들을 획득하는 과정을 설명하기 위한 도면이다.
도 11은 일 실시 예에 따라 전자 장치가 진료 기록 데이터에 기초하여, 청진 위치 정보를 획득하는 과정을 설명하기 위한 도면이다.
도 12a 내지 도 12c는 일 실시 예에 따라 전자 장치가 인공 지능 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 13은 일 실시 예에 따른 전자 장치의 인공 지능을 이용한 질병 분류 방법의 흐름도를 나타낸다.
도 14는 일 실시 예에 따른 전자 장치의 블록도를 나타낸다.
실시 예들에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
명세서 전체에서 기재된 "a, b, 및 c 중 적어도 하나"의 표현은, 'a 단독', 'b 단독', 'c 단독', 'a 및 b', 'a 및 c', 'b 및 c', 또는 'a, b, 및 c 모두'를 포괄할 수 있다.
이하에서 언급되는 "단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말은 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, IMT(International Mobile Telecommunication), CDMA(Code Division Multiple Access), W-CDMA(W-Code Division Multiple Access), LTE(Long Term Evolution) 등의 통신 기반 단말, 스마트폰, 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
본 개시에 따른 인공 지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공 지능 전용 프로세서인 경우, 인공 지능 전용 프로세서는, 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공 지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공 지능(artificial intelligence, AI) 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공 지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(deep neural network, DNN), 합성곱 신경망(convolutional neural network, CNN), 순환 신경망(recurrent neural network, RNN), 제한된 볼츠만 머신(restricted boltzmann machine, RBM), DBN (deep belief network), 양방향 순환 심층 신경망(bidirectional recurrent deep neural network, BRDNN) 또는 심층 Q-네트워크 (Deep Q-Networks) 등을 포함할 수 있으나, 전술한 예에 한정되지 않는다.
본 개시에서, 질병을 분류하는 동작은, 청진된(auscultated) 사용자가 질병을 가지고 있는지 여부를 확인하는 동작 또는 사용자가 가진 질병이 무엇인지를 확인하는 동작을 나타낼 수 있고, 질병을 진단하는 동작과 혼용될 수 있으나, 이에 한정되지 않는다.
이하에서는 도면을 참조하여 본 개시의 실시 예들을 상세히 설명한다.
도 1은 일 실시 예에 따른 시스템을 나타낸다.
도 1을 참조하면, 시스템은 전자 장치(100), 하나 이상의 사용자 단말들(120, 140, 160) 및 네트워크(180) 중에서 적어도 하나를 포함할 수 있다. 한편, 도 1에 도시된 시스템은 본 실시 예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.
전자 장치(100)는 다양한 정보를 구성하여 제공하는 장치이다. 전자 장치(100)는 청진음(auscultation sound) 데이터 및 청진 위치 데이터를 획득하고, 인공 지능 모델을 이용하여 청진음 데이터 및 청진 위치 데이터 대응하는 질병 정보를 확인할 수 있다. 이후, 전자 장치(100)는 확인된 질병 정보를 웹 페이지 또는 어플리케이션 화면 등으로 제공하거나, 제공받는 단말에서 웹 페이지 또는 어플리케이션 화면 등으로 표시할 수 있는 형태의 정보로 제공할 수 있다.
하나 이상의 사용자 단말들(120, 140, 160)은 사용자들 각각이 사용하는 단말로서, 사용자들은 각자의 사용자 단말(120, 140, 160)을 이용하여 네트워크(180)에 의해 제공되는 서비스에 접근할 수 있다. 예를 들어, 전자 장치(100)는 사용자의 질병을 진단하기 위한 어플리케이션을 하나 이상의 사용자 단말들(120, 140, 160)에 제공할 수 있고, 사용자들은 각자의 사용자 단말(120, 140, 160)에 설치된 어플리케이션을 이용하여, 청진음을 측정하고, 그에 따른 질병 진단 결과를 제공받을 수 있다.
하나 이상의 사용자 단말들(120, 140, 160)과 전자 장치(100)는 네트워크(180) 내에서 서로 통신할 수 있다. 네트워크(180)는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
도 2a 내지 도 2c는 일 실시 예에 따라 전자 장치(100)가 질병을 분류하는 과정을 설명하기 위한 도면이다. 이때, 둥근(rounded) 사각형은 데이터 또는 정보를 나타낸다.
도 2a를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진음 데이터(210) 및 청진 위치 데이터(220)를 획득할 수 있다. 예를 들어, 사용자는 진단받고자 하는 신체 부위에 스마트 청진기 등을 위치시켜서 청진음을 측정할 수 있고, 사용자 단말은 스마트 청진기 등으로부터 획득한 청진음 데이터(210)를 전자 장치(100)로 전송할 수 있다. 또한, 사용자 단말은 사용자가 청진음을 측정할 때 사용한 스마트 청진기의 센서 등을 통하여 청진 위치를 확인하거나, 사용자 단말의 디스플레이에 표시된 청진 가능 위치들 중 청진 위치를 직접 선택하는 사용자 입력을 획득하고, 획득한 청진 위치 데이터(220)를 전자 장치(100)로 전송할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진음 데이터(210)에 기초하여, 특징 정보(240)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 획득한 청진음 데이터(210)를 스펙트로그램 이미지로 변경한 후, CNN 모델, TCNN(temporary CNN) 모델 또는 CNN-LSTM(CNN-long short term memory) 모델 등을 이용하여 특징 벡터 또는 특징 맵 형태의 특징 정보(240)를 획득할 수 있다. 이때, 스펙트로그램(spectrogram)은 시간 축과 주파수 축의 변화에 따른 진폭의 차이를 인쇄 농도 또 표시 색상의 차이로 나타내어, 소리나 파동을 시각화하여 파악하기 위한 도구를 의미한다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(220)에 기초하여, 청진 위치 정보(250)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 청진 위치 데이터(220)를 임베딩(embedding)하여 벡터 형태의 청진 위치 정보(250)를 획득할 수 있다. 이와 관련해서는 도 5a 내지 도 5f 및 도 6a 내지 도 6b를 참조하여 자세히 설명하기로 한다. 또는, 전자 장치(100)는 청진 위치 데이터(220)로부터 맵 형태의 청진 위치 정보(250)를 획득할 수 있다. 이와 관련해서는 도 8a 내지 도 8f 및 도 9a 내지 도 9c를 참조하여 자세히 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 특징 정보(240) 및 청진 위치 정보(250)를 결합하여, 결합 정보(270)를 생성할 수 있다. 예를 들어, 전자 장치(100)는 특징 정보(240) 및 청진 위치 정보(250)를 연결하여 결합 정보(270)를 생성할 수 있다. 이와 관련해서는 도 3a 내지 도 3d를 참조하여, 자세히 설명하기로 한다. 또는, 전자 장치(100)는 특징 정보(240)에 청진 위치 정보(250)를 채널로서 추가하여 결합 정보(270)를 생성할 수 있다. 이와 관련해서는 도 4a 내지 도 4d를 참조하여, 자세히 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(200)을 이용하여, 결합 정보(270)에 대응하는 적어도 하나의 질병 정보(280)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 결합 정보(270)를 인공 지능 모델(200)을 입력하고, 인공 지능 모델(200)에서 출력된 적어도 하나의 질병 정보(280)를 확인할 수 있다.
이때, 인공 지능 모델(200)은 청진음 데이터, 청진 위치 데이터 및 질병 데이터에 기초하여 학습되고, 청진음 데이터(210) 및 청진 위치 데이터(220)로부터 획득된 결합 정보(270)에 기초하여 질병 정보(280)를 출력함으로써, 보다 높은 정확도로 질병을 분류할 수 있다. 예를 들어, 인공 지능 모델(200)은 대동맥판막 협착증(aortic stenosis, AS)을 가진 환자의 대동맥판막(aortic valve) 위치에서의 청진음 데이터에 기초하여 학습될 수 있다. 그에 따라, 인공 지능 모델은 대동맥판막 위치에서의 청진음 데이터 및 대동맥판막 위치 데이터가 입력되었을 때, 입력된 데이터의 사용자가 대동맥판막 협착증을 가지고 있는지 여부를 보다 높은 정확도로 판단할 수 있다. 또한, 인공 지능 모델(200)은 대동맥판막 협착증을 가진 환자의 대동맥판막 위치에서의 청진음 데이터뿐만 아니라, 폐동맥판막(pulmonic valve), 삼첨판(tricuspid valve) 및 이첨판(mitral valve or bicuspid valve)를 포함한 다양한 위치에서의 청진음 데이터에 기초하여 학습될 수 있다. 그에 따라, 인공 지능 모델은 대동맥판막 위치 이외의 위치에서의 청진음 데이터 및 해당 위치 데이터가 입력되었을 때에도, 입력된 데이터의 사용자가 대동맥판막 협착증을 가지고 있는지 여부를 판단할 수 있다.
일 실시 예에 따르면, 인공 지능 모델(200)은 하나 또는 복수의 질병 정보를 출력할 수 있다. 예를 들어, 인공 지능 모델(200)은 사용자가 측정한 청진음에 대응하는 가장 높은 확률의 질병을 출력하거나, 사용자가 측정한 청진음에 대응하는 복수의 질병을 출력할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 확인된 질병 정보를 전자 장치(100)의 디스플레이에 표시하거나, 사용자 단말로 전송할 수 있다. 사용자 단말은 수신한 질병 정보(280)에 기초하여, 스마트 청진기 등을 이용하여 청진음을 측정한 신체 부위가 정상인지 여부 또는 이상이 있을 경우 어떤 질병이 예상되는 지 등에 관한 정보를 사용자에게 제공할 수 있다.
도 2b를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진음 데이터(210), 청진 위치 데이터(220) 및 생체 데이터(230)를 획득할 수 있다. 예를 들어, 사용자는 사용자 단말을 이용하여 심장 박동 규칙도, 호흡수, 호흡 규칙도, 체온, 나이, 혈압, 혈당 등을 포함하는 생체 데이터(biometric data)(230)를 측정하거나, 사용자 단말에 직접 생체 데이터(230)를 입력할 수 있고, 사용자 단말은 획득한 생체 데이터(230)를 전자 장치(100)로 전송할 수 있다.
이때, 생체 데이터에 포함된 데이터 중 측정 대상의 규칙도는 설정된 기간 동안에 확인된 측정 대상의 횟수를 기준으로, 추후 설정된 기간마다 측정 대상이 확인된 횟수의 비율을 나타낼 수 있다. 예를 들어, 10초 동안 사용자의 심장 박동수가 5회로 확인된 경우, 추후 10초 동안 사용자 심장 박동수가 4회로 확인된다면, 사용자의 심장 박동 규칙도는 80%일 수 있다. 또는, 1분 동안 사용자의 심장 박동수가 15회로 확인된 경우, 추후 1분 동안 사용자 심장 박동수가 18회로 확인된다면, 사용자의 호흡 규칙도는 120%일 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진음 데이터(210)에 기초하여 특징 정보(240)를 획득하고, 청진 위치 데이터(220)에 기초하여 청진 위치 정보(250)를 획득하며, 생체 데이터(230)에 기초하여 생체 정보(260)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 생체 데이터(230)를 임베딩하여 벡터 형태의 생체 정보(260)를 획득할 수 있다. 이와 관련해서는 도 7을 참조하여 자세히 설명하기로 한다. 또는, 전자 장치(100)는 생체 데이터(230)로부터 맵 형태의 생체 정보(260)를 획득할 수 있다. 이와 관련해서는 도 10을 참조하여 자세히 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 특징 정보(240), 청진 위치 정보(250) 및 생체 정보(260)를 결합하여, 결합 정보(270)를 생성할 수 있다. 예를 들어, 전자 장치(100)는 특징 정보(240), 청진 위치 정보(250) 및 생체 정보(260)를 연결하여 결합 정보(270)를 생성할 수 있다. 이와 관련해서는 도 3a 내지 도 3d를 참조하여, 자세히 설명하기로 한다. 또는, 전자 장치(100)는 특징 정보(240)에 청진 위치 정보(250) 및 생체 정보(260)를 채널로서 추가하여 결합 정보(270)를 생성할 수 있다. 이와 관련해서는 도 4a 내지 도 4d를 참조하여, 자세히 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(200)을 이용하여, 결합 정보(270)에 대응하는 적어도 하나의 질병 정보(280)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 결합 정보(270)를 인공 지능 모델(200)을 입력하고, 인공 지능 모델(200)에서 출력된 적어도 하나의 질병 정보(280)를 확인할 수 있다.
이때, 인공 지능 모델(200)은 청진음 데이터, 청진 위치 데이터, 생체 데이터 및 질병 데이터에 기초하여 학습되고, 청진음 데이터(210), 청진 위치 데이터(220) 및 생체 데이터(230)로부터 획득된 결합 정보(270)에 기초하여 질병 정보(280)를 출력함으로써, 보다 높은 정확도로 질병을 분류할 수 있다. 예를 들어, 심장에 관한 질병을 진단하고자 하는 경우, 전자 장치(100)는 심음 데이터 및 심음 청진 위치 데이터와 함께 심장 박동 규칙도 데이터를 이용하여 인공 지능 모델(200)을 학습시키고, 인공 지능 모델(200)에 심음 데이터, 심음 청진 위치 데이터 및 심장 박동 규칙도 데이터를 입력함으로써, 보다 높은 정확도로 심장에 관한 질병을 분류할 수 있다. 또는, 폐에 관한 질병을 진단하고자 하는 경우, 전자 장치(100)는 폐음 데이터 및 폐음 청진 위치 데이터와 함께 호흡수 데이터/호흡 규칙도 데이터를 이용하여 인공 지능 모델(200)을 학습시키고, 인공 지능 모델(200)에 폐음 데이터, 폐음 청진 위치 데이터 및 호흡수 데이터/호흡 규칙도 데이터를 입력함으로써, 보다 높은 정확도로 폐에 관한 질병을 분류할 수 있다. 동물에 관한 질병을 진단하고자 하는 경우, 전자 장치(100)는 청진음 데이터 및 청진 위치 데이터와 함께 호흡 규칙도 데이터 및 체온 데이터를 이용하여 인공 지능 모델(200)을 학습시키고, 인공 지능 모델(200)에 청진음 데이터, 청진 위치 데이터, 호흡 규칙도 데이터 및 체온 데이터를 입력함으로써, 보다 높은 정확도로 동물에 관한 질병을 분류할 수 있다.
도 2c를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진음 데이터(210), 청진 위치 데이터(220) 및 설정 데이터(290)를 획득할 수 있다. 예를 들어, 사용자는 심장, 폐 또는 장 등 어느 신체 부위에 관한 질병을 진단받고자 하는지 또는 동물에 관하여 진단하고자 하는지 여부 등에 관한 설정 값을 사용자 단말에 입력할 수 있고, 사용자 단말은 획득한 설정 데이터(290)를 전자 장치(100)로 전송할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진음 데이터(210) 및 설정 데이터(290)에 기초하여, 특징 정보(240)를 획득할 수 있다. 보다 구체적으로, 전자 장치(100)는 설정 데이터(290)에 기초하여 사용자가 진단받고자 하는 신체 부위를 확인할 수 있다. 이후, 전자 장치(100)는 대역 통과 필터(band pass filter, BPF)를 이용하여 청진음 데이터(210)에서 사용자가 진단받고자 하는 신체 부위의 청진음이 존재하는 주파수 외의 영역을 제거하고, 남은 주파수 영역의 데이터에 기초하여 특징 정보(240)를 획득할 수 있다.
예를 들어, 사용자가 심장에 관한 질병을 진단받고자 하는 경우, 전자 장치(100)는 대역 통과 필터를 이용하여, 청진음 데이터(210)에서 심음이 존재하는 주파수 영역인 20 ~ 300 Hz 외의 영역을 제거하고, 20 ~ 300 Hz 영역의 데이터에 기초하여 특징 정보(240)를 획득할 수 있다. 또는, 사용자가 폐에 관한 질병을 진단받고자 하는 경우, 전자 장치(100)는 대역 통과 필터를 이용하여, 청진음 데이터(210)에서 폐음이 존재하는 주파수 영역인 100 ~ 1500 Hz 외의 영역을 제거하고, 100 ~ 1500 Hz 영역의 데이터에 기초하여 특징 정보(240)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(220)에 기초하여, 청진 위치 정보(250)를 획득할 수 있다. 이후, 전자 장치(100)는 특징 정보(240) 및 청진 위치 정보(250)를 결합하여, 결합 정보(270)를 생성할 수 있다.
일 실시 예에 따르면, 인공 지능 모델(200)은 복수의 인공 지능 모델들(202, 204, 206)을 포함할 수 있고, 복수의 인공 지능 모델들(202, 204, 206) 각각은 상이한 신체 부위 또는 상이한 종(species)에 따른 청진음 데이터 및 청진 위치 데이터에 기초하여 학습될 수 있다. 예를 들어, 제1 인공 지능 모델(202)은 심음 데이터, 심음 청진 위치 데이터 및 심장에 관한 질병 데이터에 기초하여 학습될 수 있고, 제2 인공 지능 모델(204)은 폐음 데이터, 폐음 청진 위치 데이터 및 폐에 관한 질병 데이터에 기초하여 학습될 수 있으며, 제3 인공 지능 모델(206)은 장음 데이터, 장음 청진 위치 데이터 및 장에 관한 질병 데이터에 기초하여 학습될 수 있다. 또는, 제4 인공 지능 모델은 강아지의 심음 데이터, 강아지의 심음 청진 위치 데이터 및 강아지의 심장에 관한 질병 데이터에 기초하여 학습될 수 있고, 제5 인공 지능 모델은 고양이의 심음 데이터, 고양이의 심음 청진 위치 데이터 및 고양이의 심장에 관한 질병 데이터에 기초하여 학습될 수 있다. 다만, 이는 일 실시 예에 불과하며, 인공 지능 모델을 학습시키는데 이용될 수 있는 데이터는 전술한 예에 한정되지 않는다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(200)에 포함된 복수의 인공 지능 모델들(202, 204, 206) 중 설정 데이터에 기초하여 선택된 인공 지능 모델을 이용하여, 결합 정보(270)에 대응하는 적어도 하나의 질병 정보(280)를 확인할 수 있다. 보다 구체적으로, 전자 장치(100)는 설정 데이터(290)에 기초하여 사용자가 진단받고자 하는 신체 부위를 확인한 후, 사용자가 진단받고자 하는 신체 부위에 대응하는 인공 지능 모델에 결합 정보(270)를 입력하고, 인공 지능 모델에서 출력된 적어도 하나의 질병 정보(280)를 확인할 수 있다.
예를 들어, 사용자가 심장에 관한 질병을 진단받고자 하는 경우, 전자 장치(100)는 심음 데이터에 기초하여 학습된 제1 인공 지능 모델(202)에 결합 정보(270)를 입력하고, 제1 인공 지능 모델(202)에서 출력된 적어도 하나의 심장에 관한 질병 정보(280)를 확인할 수 있다. 또는, 사용자가 폐에 관한 질병을 진단받고자 하는 경우, 전자 장치(100)는 폐음 데이터에 기초하여 학습된 제2 인공 지능 모델(204)에 결합 정보(270)를 입력하고, 제2 인공 지능 모델(204)에서 출력된 적어도 하나의 폐에 관한 질병 정보(280)를 확인할 수 있다. 이와 같이, 사용자가 특정 신체 부위에 대해 진단받고자 하는 경우, 전자 장치(100)는 해당 신체 부위에 관한 데이터에 기초하여 학습된 인공 지능 모델을 이용함으로써, 보다 높은 정확도로 질병을 분류할 수 있다.
도 3a 내지 도 3d는 일 실시 예에 따라 전자 장치(100)가 질병을 분류하는 과정을 설명하기 위한 도면이다. 도 2a 내지 도 2c와 중복되는 내용은 간략히 설명하거나 생략하기로 한다.
도 3a를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진음 데이터(310) 및 청진 위치 데이터(320)를 획득할 수 있다. 예를 들어, 사용자 단말은 스마트 청진기 등으로부터 청진음 데이터(310) 및 청진 위치 데이터(320)를 획득하거나, 사용자 단말의 디스플레이에 표시된 청진 가능 위치들 중 청진 위치를 직접 선택하는 사용자 입력을 획득하고, 획득한 청진음 데이터(310) 및 청진 위치 데이터(320)를 전자 장치(100)로 전송할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진음 데이터(310)에 기초하여, 특징 벡터(340)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 획득한 청진음 데이터(310)를 스펙트로그램 이미지로 변경한 후, 인공 지능 모델을 이용하여 특징 벡터(340)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(320)에 기초하여, 청진 위치 벡터(350)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 청진 위치 데이터(320)를 임베딩하여 청진 위치 벡터(350)를 획득할 수 있으며, 청진 위치 벡터(350)의 크기는 사용자가 어느 신체 부위에 관한 질병을 진단받고자 하는지 또는 동물에 관하여 진단하고자 하는지 여부 등에 따라 상이하게 결정될 수 있다. 이와 관련해서는 도 5a 내지 도 5f 및 도 6a 내지 도 6b를 참조하여 자세히 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 특징 벡터(340)와 청진 위치 벡터(350)를 연결(concatenation)하여, 결합 벡터(370)를 생성할 수 있다. 예를 들어, 특징 벡터(340)의 크기가 N이고, 청진 위치 벡터(350)의 크기가 M인 경우, 전자 장치(100)는 특징 벡터(340)와 청진 위치 벡터(350)를 연결함으로써, 크기가 (N+M)인 결합 벡터(370)를 생성할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(300)을 이용하여, 결합 벡터(370)에 대응하는 적어도 하나의 질병 정보(380)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 결합 벡터(370)를 인공 지능 모델(300)을 입력하고, 인공 지능 모델(300)에서 출력된 적어도 하나의 질병 정보(380)를 확인할 수 있다.
도 3b를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진음 데이터(310), 청진 위치 데이터(320) 및 생체 데이터(330)를 획득할 수 있다. 예를 들어, 사용자는 사용자 단말을 이용하여 심장 박동 규칙도, 호흡수, 호흡 규칙도, 체온, 나이, 혈압, 혈당 등을 포함하는 생체 데이터(330)를 측정하거나, 사용자 단말에 직접 생체 데이터(330)를 입력할 수 있고, 사용자 단말은 획득한 생체 데이터(330)를 전자 장치(100)로 전송할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진음 데이터(310)에 기초하여 특징 벡터(340)를 획득하고, 청진 위치 데이터(320)에 기초하여 청진 위치 벡터(350)를 획득하며, 생체 데이터(330)에 기초하여 생체 벡터(360)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 생체 데이터(330)를 임베딩하여 생체 벡터(360)를 획득할 수 있고, 생체 벡터(360)의 크기는 생체 데이터의 종류의 수 및 생체 데이터 각각의 종류에 대응하는 범주의 수로 설정된 값에 따라 상이하게 결정될 수 있다. 이와 관련해서는 도 7을 참조하여 자세히 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 특징 벡터(340), 청진 위치 벡터(350) 및 생체 벡터(360)를 연결하여 결합 벡터(370)를 생성할 수 있다. 예를 들어, 특징 벡터(340)의 크기가 N이고, 청진 위치 벡터(350)의 크기가 M이며, 생체 벡터(360)의 크기가 L인 경우, 전자 장치(100)는 특징 벡터(340), 청진 위치 벡터(350) 및 생체 벡터(360)를 연결함으로써, 크기가 (N+M+L)인 결합 벡터(370)를 생성할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(300)을 이용하여, 결합 벡터(370)에 대응하는 적어도 하나의 질병 정보(380)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 결합 벡터(370)를 인공 지능 모델(300)을 입력하고, 인공 지능 모델(300)에서 출력된 적어도 하나의 질병 정보(380)를 확인할 수 있다.
도 3c를 참조하면, 전자 장치(100)는 일 실시 예에 따라 복수의 청진음 데이터(315) 및 복수의 청진 위치 데이터(325)를 획득할 수 있다. 이때, 복수의 청진음 데이터(315) 및 복수의 청진 위치 데이터(325) 각각은 대응하는 데이터와 짝을 이룰 수 있다. 예를 들어, 복수의 청진음 데이터(315) 및 복수의 청진 위치 데이터(325)는 (청진음 데이터, 청진 위치 데이터)의 형식으로 획득될 수 있다.
일 실시 예에 따르면, 복수의 청진 위치 데이터(325)에 포함된 청진 위치 데이터는 동일한 값을 갖거나 상이한 값을 가질 수 있다. 예를 들어, 복수의 청진음 데이터(315) 및 복수의 청진 위치 데이터(325)는 (제1 청진음 데이터, 제1 청진 위치 데이터), (제2 청진음 데이터, 제2 청진 위치 데이터) 또는 (제3 청진음 데이터, 제3 청진 위치 데이터) 등의 데이터를 포함할 수 있다. 또는, 복수의 청진음 데이터(315) 및 복수의 청진 위치 데이터(325)는 (제1 청진음 데이터, 제1 청진 위치 데이터), (제2 청진음 데이터, 제1 청진 위치 데이터) 또는 (제3 청진음 데이터, 제2 청진 위치 데이터) 등의 데이터를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 청진음 데이터(315)에 기초하여, 복수의 특징 벡터들(345)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 n개의 청진음 데이터(315)를 스펙트로그램 이미지로 변경한 후, 인공 지능 모델을 이용하여 n개의 특징 벡터들(345)을 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 청진 위치 데이터(325)에 기초하여, 복수의 청진 위치 벡터들(355)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 n개의 청진 위치 데이터(325)를 임베딩하여 n개의 청진 위치 벡터들(355)을 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 특징 벡터들(345)과 복수의 청진 위치 벡터들(355)을 연결하여, 복수의 결합 벡터들(375)을 생성할 수 있다. 예를 들어, 전자 장치(100)는 n개의 특징 벡터들(345) 및 n개의 청진 위치 벡터들(355)을 대응하는 벡터들끼리 연결함으로써, n개의 결합 벡터들(375)을 생성할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(300)을 이용하여, 복수의 결합 벡터들(375)에 대응하는 적어도 하나의 질병 정보(380)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 복수의 결합 벡터들(375)을 인공 지능 모델(300)을 입력하고, 인공 지능 모델(300)에서 출력된 적어도 하나의 질병 정보(380)를 확인할 수 있다.
도 3d를 참조하면, 전자 장치(100)는 일 실시 예에 따라 복수의 청진음 데이터(315), 복수의 청진 위치 데이터(325) 및 하나 이상의 생체 데이터(335)를 획득할 수 있다. 이때, 하나 이상의 생체 데이터(335)는 하나일 수도 있고, 복수일 수도 있다. 예를 들어, 생체 데이터(335)가 청진음 데이터 획득 시마다 측정된 데이터를 포함하는 경우, 전자 장치(100)는 복수의 청진음 데이터 각각에 대응하는 복수의 생체 데이터(335)를 획득할 수 있다. 반면, 생체 데이터(335)가 청진음 데이터 획득 시마다 측정된 데이터를 포함하지 않고, 동일한 데이터 값이 이용되는 경우(일 예로, 나이), 전자 장치(100)는 하나의 생체 데이터(335)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 청진음 데이터(315)에 기초하여 복수의 특징 벡터들(345)을 획득하고, 복수의 청진 위치 데이터(325)에 기초하여 복수의 청진 위치 벡터들(355)을 획득하며, 하나 이상의 생체 데이터(335)에 기초하여 하나 이상의 생체 벡터들(365)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 n개의 청진음 데이터(315)에 기초하여 n개의 특징 벡터들(345)을 획득하고, n개의 청진 위치 데이터(325)를 임베딩하여 n개의 청진 위치 벡터들(355)을 획득할 수 있다. 또한, 전자 장치(100)는 하나 이상의 생체 데이터(335)를 임베딩하여 하나 이상의 생체 벡터들(365)을 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 특징 벡터들(345), 복수의 청진 위치 벡터들(355) 및 하나 이상의 생체 벡터들(365)을 연결하여, 복수의 결합 벡터들(375)을 생성할 수 있다. 예를 들어, 하나 이상의 생체 데이터(335)가 청진음 데이터 획득 시마다 측정된 데이터를 포함하는 경우, 전자 장치(100)는 n개의 특징 벡터들(345), n개의 청진 위치 벡터들(355) 및 n개의 생체 벡터들(365)을 대응하는 벡터들끼리 연결함으로써, n개의 결합 벡터들(375)을 생성할 수 있다. 또는, 하나 이상의 생체 데이터(335)가 청진음 데이터 획득 시마다 측정된 데이터를 포함하지 않고, 동일한 데이터 값이 이용되는 경우, 전자 장치(100)는 n개의 특징 벡터들(345) 및 n개의 청진 위치 벡터들(355)을 대응하는 벡터들끼리 연결한 후, 하나의 생체 벡터(365)를 특징 벡터와 청진 위치 벡터가 연결된 n개의 벡터에 각각 연결시킴으로써 n개의 결합 벡터들(375)을 생성할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(300)을 이용하여, 복수의 결합 벡터들(375)에 대응하는 적어도 하나의 질병 정보(380)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 복수의 결합 벡터들(375)을 인공 지능 모델(300)을 입력하고, 인공 지능 모델(300)에서 출력된 적어도 하나의 질병 정보(380)를 확인할 수 있다.
도 4a 내지 도 4d는 일 실시 예에 따라 전자 장치(100)가 질병을 분류하는 과정을 설명하기 위한 도면이다. 도 3a 내지 도 3d와 중복되는 내용은 간략히 설명하거나 생략하기로 한다.
도 4a를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진음 데이터(410) 및 청진 위치 데이터(420)를 획득할 수 있다. 예를 들어, 사용자 단말은 스마트 청진기 등으로부터 청진음 데이터(410) 및 청진 위치 데이터(420)를 획득하거나, 사용자 단말의 디스플레이에 표시된 청진 가능 위치들 중 청진 위치를 직접 선택하는 사용자 입력을 획득하고, 획득한 청진음 데이터(410) 및 청진 위치 데이터(420)를 전자 장치(100)로 전송할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진음 데이터(410)에 기초하여, 특징 맵(440)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 획득한 청진음 데이터(410)를 스펙트로그램 이미지로 변경한 후, 인공 지능 모델을 이용하여 특징 맵(440)을 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(420)에 기초하여, 청진 위치 맵들(450)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 청진 위치 데이터(420)에 기초하여 청진 위치 맵들(450)을 획득할 수 있으며, 청진 위치 맵들(450)에 포함된 맵의 수는 사용자가 어느 신체 부위에 관한 질병을 진단받고자 하는지 또는 동물에 관하여 진단하고자 하는지 여부 등에 따라 상이하게 결정될 수 있다. 이와 관련해서는 도 8a 내지 도 8f 및 도 9a 내지 도 9c를 참조하여 자세히 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 특징 맵(440)에 청진 위치 맵들(450)을 채널로서 추가하여, 결합 맵들(470)을 생성할 수 있다. 예를 들어, 청진 위치 맵들(450)에 포함된 맵의 수가 M인 경우, 전자 장치(100)는 특징 맵(440)에 청진 위치 맵들(450)을 채널로서 추가함으로써, (M+1)개의 맵들을 포함하는 결합 맵들(470)을 생성할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(400)을 이용하여, 결합 맵들(470)에 대응하는 적어도 하나의 질병 정보(480)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 결합 맵들(470)을 인공 지능 모델(400)을 입력하고, 인공 지능 모델(400)에서 출력된 적어도 하나의 질병 정보(480)를 확인할 수 있다.
도 4b를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진음 데이터(410), 청진 위치 데이터(420) 및 생체 데이터(430)를 획득할 수 있다. 예를 들어, 사용자는 사용자 단말을 이용하여 심장 박동 규칙도, 호흡수, 호흡 규칙도, 체온, 나이, 혈압, 혈당 등을 포함하는 생체 데이터(430)를 측정하거나, 사용자 단말에 직접 생체 데이터(430)를 입력할 수 있고, 사용자 단말은 획득한 생체 데이터(430)를 전자 장치(100)로 전송할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진음 데이터(410)에 기초하여 특징 맵(440)을 획득하고, 청진 위치 데이터(420)에 기초하여 청진 위치 맵들(450)을 획득하며, 생체 데이터(430)에 기초하여 생체 맵들(460)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 생체 데이터(430)에 기초하여 생체 맵들(460)을 획득할 수 있고, 생체 맵들(460)에 포함된 맵의 수는 생체 데이터의 종류의 수 및 생체 데이터 각각의 종류에 대응하는 범주의 수로 설정된 값에 따라 상이하게 결정될 수 있다. 이와 관련해서는 도 10을 참조하여 자세히 설명하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 특징 맵(440)에 청진 위치 맵들(450) 및 생체 맵들(460)을 채널로서 추가하여, 결합 맵들(470)을 생성할 수 있다. 예를 들어, 청진 위치 맵들(450)에 포함된 맵의 수가 M이고 생체 맵들(460)에 포함된 맵의 수가 L인 경우, 전자 장치(100)는 특징 맵(440)에 청진 위치 맵들(450) 및 생체 맵들(460)을 채널로서 추가함으로써, (M+L+1)개의 맵들을 포함하는 결합 맵들(470)을 생성할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(400)을 이용하여, 결합 맵들(470)에 대응하는 적어도 하나의 질병 정보(480)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 결합 맵들(470)을 인공 지능 모델(400)을 입력하고, 인공 지능 모델(400)에서 출력된 적어도 하나의 질병 정보(480)를 확인할 수 있다.
도 4c를 참조하면, 전자 장치(100)는 일 실시 예에 따라 복수의 청진음 데이터(415) 및 복수의 청진 위치 데이터(425)를 획득할 수 있다. 이때, 복수의 청진음 데이터(415) 및 복수의 청진 위치 데이터(425) 각각은 대응하는 데이터와 짝을 이룰 수 있다. 예를 들어, 복수의 청진음 데이터(415) 및 복수의 청진 위치 데이터(425)는 (청진음 데이터, 청진 위치 데이터)의 형식으로 획득될 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 청진음 데이터(415)에 기초하여, 복수의 특징 맵들(445)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 n개의 청진음 데이터(415)를 스펙트로그램 이미지로 변경한 후, 인공 지능 모델을 이용하여 n개의 특징 맵들(445)을 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 청진 위치 데이터(425)에 기초하여, 복수의 청진 위치 맵들(455)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 n개의 청진 위치 데이터(425)에 기초하여 n개의 청진 위치 맵들(455)을 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 특징 맵들(445)에 복수의 청진 위치 맵들(455)을 채널로서 추가하여, 복수의 결합 맵들(475)을 생성할 수 있다. 예를 들어, 전자 장치(100)는 n개의 특징 맵들(445) 각각에 대응하는 n개의 청진 위치 맵들(455)을 채널로서 추가함으로써, n개의 결합 맵들(475)을 생성할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(400)을 이용하여, 복수의 결합 맵들(475)에 대응하는 적어도 하나의 질병 정보(480)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 복수의 결합 맵들(475)을 인공 지능 모델(400)을 입력하고, 인공 지능 모델(400)에서 출력된 적어도 하나의 질병 정보(480)를 확인할 수 있다.
도 4d를 참조하면, 전자 장치(100)는 일 실시 예에 따라 복수의 청진음 데이터(415), 복수의 청진 위치 데이터(425) 및 하나 이상의 생체 데이터(435)를 획득할 수 있다. 이때, 하나 이상의 생체 데이터(435)는 하나일 수도 있고, 복수일 수도 있다. 예를 들어, 생체 데이터(435)가 청진음 데이터 획득 시마다 측정된 데이터를 포함하는 경우, 전자 장치(100)는 복수의 청진음 데이터 각각에 대응하는 복수의 생체 데이터(435)를 획득할 수 있다. 반면, 생체 데이터(435)가 청진음 데이터 획득 시마다 측정된 데이터를 포함하지 않고, 동일한 데이터 값이 이용되는 경우, 전자 장치(100)는 하나의 생체 데이터(435)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 청진음 데이터(415)에 기초하여 복수의 특징 맵들(445)을 획득하고, 복수의 청진 위치 데이터(425)에 기초하여 복수의 청진 위치 맵들(455)을 획득하며, 하나 이상의 생체 데이터(435)에 기초하여 하나 이상의 생체 맵들(465)을 획득할 수 있다. 예를 들어, 전자 장치(100)는 n개의 청진음 데이터(415)에 기초하여 n개의 특징 맵들(445)을 획득하고, n개의 청진 위치 데이터(425)에 기초하여 n개의 청진 위치 맵들(455)을 획득할 수 있다. 또한, 전자 장치(100)는 하나 이상의 생체 데이터(435)를 임베딩하여 하나 이상의 생체 맵들(465)을 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 복수의 특징 맵들(445)에 복수의 청진 위치 맵들(455) 및 하나 이상의 특징 맵들(465)을 채널로서 추가하여, 복수의 결합 맵들(475)을 생성할 수 있다. 예를 들어, 하나 이상의 생체 데이터(435)가 청진음 데이터 획득 시마다 측정된 데이터를 포함하는 경우, 전자 장치(100)는 n개의 특징 맵들(445) 각각에 대응하는 n개의 청진 위치 맵들(455) 및 n개의 생체 맵들(465)을 채널로서 추가함으로써, n개의 결합 맵들(475)을 생성할 수 있다. 또는, 하나 이상의 생체 데이터(435)가 청진음 데이터 획득 시마다 측정된 데이터를 포함하지 않고, 동일한 데이터 값이 이용되는 경우, 전자 장치(100)는 n개의 특징 맵들(445) 각각에 대응하는 n개의 청진 위치 맵들(455)을 채널로서 추가한 후, 하나의 생체 맵(465)을 각각 채널로서 추가함으로써 n개의 결합 맵들(475)을 생성할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(400)을 이용하여, 복수의 결합 맵들(475)에 대응하는 적어도 하나의 질병 정보(480)를 확인할 수 있다. 예를 들어, 전자 장치(100)는 생성된 복수의 결합 맵들(475)을 인공 지능 모델(400)을 입력하고, 인공 지능 모델(400)에서 출력된 적어도 하나의 질병 정보(480)를 확인할 수 있다.
도 5a 내지 도 5f는 일 실시 예에 따라 전자 장치(100)가 청진 위치 데이터에 기초하여 청진 위치 벡터를 획득하는 과정을 설명하기 위한 도면이다.
도 5a를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(500)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 심음 청진 가능 위치 중 심음을 측정한 위치에 관한 데이터를 포함하는 청진 위치 데이터(500)를 획득할 수 있다. 이때, 심음 청진 가능 위치는 P1 위치, P2 위치, P3 위치 및 P4 위치를 포함할 수 있고, 청진 위치 데이터(500)는 P1 위치, P2 위치, P3 위치 및 P4 위치 중 심음이 측정된 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 심음 청진 가능 위치는 심장에 관한 질병을 진단하기 위하여, 청진기를 위치시키는 신체 부위를 나타낼 수 있다. 예를 들어, P1 위치는 2번째 갈비 사이 공간(intercostal space, ICS) 및 복장뼈 오른쪽 위 경계(Rt. parasternal border)에 위치하는 대동맥판막의 위치를 나타내고, P2 위치는 2번째 갈비 사이 공간 및 복장뼈 왼쪽 위 경계에 위치하는 폐동맥판막의 위치를 나타낼 수 있다. 또한, P3 위치는 4번째 또는 5번째 갈비 사이 공간 및 복장뼈 왼쪽 아래 경계에 위치하는 삼첨판의 위치를 나타내고, P4 위치는 5번째 갈비 사이 공간 및 왼쪽 빗장중간선(mid-clavicular line) 내측에 위치하는 이첨판의 위치를 나타낼 수 있다. 다만, 이는 일 실시 예에 불과하며, 심장에 관한 질병을 진단하기 위하여 청진기를 위치시키는 신체 부위는 전술한 예에 한정되는 것은 아니다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(500) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(500)가 심음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 설정 데이터를 획득하고, 설정 데이터에 기초하여 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(500)를 임베딩하여 청진 위치 벡터(510)를 획득할 수 있다. 이때, 확인된 청진 가능 위치의 수가 n일 경우, 전자 장치(100)는 크기가 n인 청진 위치 벡터(510)를 획득할 수 있다. 예를 들어, 심음 청진 가능 위치가 4인 경우, 전자 장치(100)는 크기가 4인 청진 위치 벡터(510)를 획득할 수 있고, 청진 위치 벡터(510)의 성분은 각각 심음 청진 가능 위치에 대응할 수 있다.
일 실시 예에 따르면, 청진 위치 벡터(510)에 포함된 성분들 중 청진 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가질 수 있다. 예를 들어, 청진 위치 데이터(500)가 P2에 대응하는 청진 위치 데이터를 포함하는 경우, 청진 위치 벡터(510)에 포함된 성분들 중 P2 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가질 수 있다. 즉, 청진 위치 벡터(510)는 [제2 값, 제1 값, 제2 값, 제2 값]으로 표현될 수 있다. 이때, 제1 값은 1을 포함하고, 제2 값은 0을 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(500) 또는 설정 데이터에 기초하여, 사용할 인공 지능 모델을 확인할 수 있다. 예를 들어, 청진 위치 데이터(500)가 심음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 심음 데이터, 심음 청진 위치 데이터 및 심장에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다. 또는, 설정 데이터가 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 심음 데이터, 심음 청진 위치 데이터 및 심장에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다.
도 5b를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(520)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 폐음 청진 가능 위치 중 폐음을 측정한 위치에 관한 데이터를 포함하는 청진 위치 데이터(520)를 획득할 수 있다. 이때, 폐음 청진 가능 위치는 P1 위치 내지 P12 위치를 포함할 수 있고, 청진 위치 데이터(520)는 P1 위치 내지 P12 위치 중 폐음이 측정된 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 폐음 청진 가능 위치는 폐에 관한 질병을 진단하기 위하여, 청진기를 위치시키는 신체 부위를 나타낼 수 있다. 예를 들어, P1 위치는 전면 오른쪽 상부 위치를 나타내고, P5 위치는 전면 왼쪽 중부 위치를 나타낼 수 있다. 또한, P9 위치는 후면 왼쪽 하부 위치를 나타내고, P10 위치는 후면 오른쪽 상부 위치를 나타낼 수 있다. 다만, 이는 일 실시 예에 불과하며, 폐에 관한 질병을 진단하기 위하여 청진기를 위치시키는 신체 부위는 전술한 예에 한정되는 것은 아니다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(520) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(520)가 페음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 폐에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 설정 데이터를 획득하고, 설정 데이터에 기초하여 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(520)를 임베딩하여 청진 위치 벡터(530)를 획득할 수 있다. 이때, 확인된 청진 가능 위치의 수가 n일 경우, 전자 장치(100)는 크기가 n인 청진 위치 벡터(530)를 획득할 수 있다. 예를 들어, 폐음 청진 가능 위치가 12인 경우, 전자 장치(100)는 크기가 12인 청진 위치 벡터(530)를 획득할 수 있고, 청진 위치 벡터(530)의 성분은 각각 폐음 청진 가능 위치에 대응할 수 있다.
일 실시 예에 따르면, 청진 위치 벡터(530)에 포함된 성분들 중 청진 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가질 수 있다. 예를 들어, 청진 위치 데이터(520)가 P7에 대응하는 청진 위치 데이터를 포함하는 경우, 청진 위치 벡터(530)에 포함된 성분들 중 P7 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가질 수 있다. 즉, 청진 위치 벡터(530)는 [제2 값, 제2 값, 제2 값, 제2 값, 제2 값, 제2 값, 제1 값, 제2 값, 제2 값, 제2 값, 제2 값, 제2 값]으로 표현될 수 있다. 이때, 제1 값은 1을 포함하고, 제2 값은 0을 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(520) 또는 설정 데이터에 기초하여, 사용할 인공 지능 모델을 확인할 수 있다. 예를 들어, 청진 위치 데이터(520)가 폐음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 폐음 데이터, 폐음 청진 위치 데이터 및 폐에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다. 또는, 설정 데이터가 폐에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 폐음 데이터, 폐음 청진 위치 데이터 및 폐에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다.
도 5c를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(540)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 심음 및 폐음 청진 가능 위치 중 청진음을 측정한 위치에 관한 데이터를 포함하는 청진 위치 데이터(540)를 획득할 수 있다. 이때, 심음 청진 가능 위치는 P1 위치 내지 P4 위치를 포함할 수 있고, 폐음 청진 가능 위치는 P5 위치 내지 P16 위치를 포함할 수 있으며, 청진 위치 데이터(540)는 P1 위치 내지 P16 위치 중 청진음이 측정된 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(540) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(540)가 심음 또는 페음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 설정 데이터를 획득하고, 설정 데이터에 기초하여 심음, 폐음 및 장음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 다만, 이는 일 실시 예일 뿐, 청진 가능 위치로 확인될 수 있는 신체 부위는 전술한 예에 한정되지 않는다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(540)를 임베딩하여 청진 위치 벡터(550)를 획득할 수 있다. 이때, 확인된 청진 가능 위치의 수가 n일 경우, 전자 장치(100)는 크기가 n인 청진 위치 벡터(550)를 획득할 수 있다. 예를 들어, 심음 청진 가능 위치가 4이고, 폐음 청진 가능 위치가 12인 경우, 전자 장치(100)는 크기가 16인 청진 위치 벡터(550)를 획득할 수 있고, 청진 위치 벡터(550)의 성분은 각각 심음 또는 폐음 청진 가능 위치에 대응할 수 있다.
일 실시 예에 따르면, 청진 위치 벡터(550)에 포함된 성분들 중 청진 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가질 수 있다. 예를 들어, 청진 위치 데이터(540)가 P11에 대응하는 청진 위치 데이터를 포함하는 경우, 청진 위치 벡터(550)에 포함된 성분들 중 P11 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가질 수 있다. 즉, 청진 위치 벡터(550)는 [제2 값, 제2 값, 제2 값, 제2 값, 제2 값, 제2 값, 제2 값, 제2 값, 제2 값, 제2 값, 제1 값, 제2 값, 제2 값, 제2 값, 제2 값, 제2 값]으로 표현될 수 있다. 이때, 제1 값은 1을 포함하고, 제2 값은 0을 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(540) 또는 설정 데이터에 기초하여, 사용할 인공 지능 모델을 확인할 수 있다. 예를 들어, 청진 위치 데이터(540)가 폐음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 하나 이상의 청진음 데이터, 하나 이상의 청진 위치 데이터 및 하나 이상의 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 하나 이상의 청진음 데이터, 하나 이상의 청진 위치 데이터 및 하나 이상의 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다.
도 5d를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(560)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 심음 청진 가능 위치 중 3번째 위치에서 심음을 측정했다는 데이터를 포함하는 청진 위치 데이터(560)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(560)에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(560)가 심음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 청진 위치 데이터(560)가 심음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 설정 데이터가 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(560)를 임베딩하여 청진 위치 벡터(565)를 획득할 수 있다. 예를 들어, 청진 가능 위치가 4로 확인된 경우, 전자 장치(100)는 [0, 0, 1, 0]의 값을 가지는 청진 위치 벡터(565)를 획득할 수 있다. 또는, 청진 가능 위치가 16로 확인된 경우, 전자 장치(100)는 [0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]의 값을 가지는 청진 위치 벡터(565)를 획득할 수 있다.
도 5e를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(570)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 폐음 청진 가능 위치 중 3번째 위치에서 폐음을 측정했다는 데이터를 포함하는 청진 위치 데이터(570)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(570)에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(570)가 폐음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 청진 위치 데이터(570)가 폐음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 설정 데이터가 폐에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(570)를 임베딩하여 청진 위치 벡터(575)를 획득할 수 있다. 예를 들어, 청진 가능 위치가 12로 확인된 경우, 전자 장치(100)는 [0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0]의 값을 가지는 청진 위치 벡터(575)를 획득할 수 있다. 또는, 청진 가능 위치가 16으로 확인된 경우, 전자 장치(100)는 [0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0]의 값을 가지는 청진 위치 벡터(575)를 획득할 수 있다.
도 5f를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(580)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 폐음 청진 가능 위치 중 11번째 위치에서 폐음을 측정했다는 데이터를 포함하는 청진 위치 데이터(580)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(580)에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(580)가 폐음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 청진 위치 데이터(580)가 폐음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 설정 데이터가 폐에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(580)를 임베딩하여 청진 위치 벡터(585)를 획득할 수 있다. 예를 들어, 청진 가능 위치가 12로 확인된 경우, 전자 장치(100)는 [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0]의 값을 가지는 청진 위치 벡터(585)를 획득할 수 있다. 또는, 청진 가능 위치가 16으로 확인된 경우, 전자 장치(100)는 [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0]의 값을 가지는 청진 위치 벡터(585)를 획득할 수 있다.
도 6a 내지 도 6b는 일 실시 예에 따라 전자 장치(100)가 청진 위치 데이터에 기초하여 청진 위치 벡터를 획득하는 과정을 설명하기 위한 도면이다. 도 5a 내지 도 5f와 중복되는 내용은 생략하거나 간략히 설명하기로 한다.
도 6a를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(600)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 강아지의 심음 청진 가능 위치 중 강아지의 심음을 측정한 위치에 관한 데이터를 포함하는 청진 위치 데이터(600)를 획득할 수 있다. 이때, 강아지의 심음 청진 가능 위치는 P1 위치, P2 위치, P3 위치 및 P4 위치를 포함할 수 있고, 청진 위치 데이터(600)는 P1 위치, P2 위치, P3 위치 및 P4 위치 중 심음이 측정된 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(600) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(600)가 강아지의 심음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 강아지의 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 강아지의 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 설정 데이터를 획득하고, 설정 데이터에 기초하여 강아지의 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(600)를 임베딩하여 청진 위치 벡터(620)를 획득할 수 있다. 이때, 확인된 청진 가능 위치의 수가 n일 경우, 전자 장치(100)는 크기가 n인 청진 위치 벡터(620)를 획득할 수 있다. 예를 들어, 강아지의 심음 청진 가능 위치가 4인 경우, 전자 장치(100)는 크기가 4인 청진 위치 벡터(620)를 획득할 수 있고, 청진 위치 벡터(620)의 성분은 각각 강아지의 심음 청진 가능 위치에 대응할 수 있다. 다만, 이는 일 실시 예일 뿐, 강아지의 심음 청진 가능 위치는 전술한 예에 한정되지 않는다.
일 실시 예에 따르면, 청진 위치 벡터(620)에 포함된 성분들 중 청진 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가질 수 있다. 예를 들어, 청진 위치 데이터(600)가 P2 위치에 대응하는 청진 위치 데이터를 포함하는 경우, 청진 위치 벡터(620)에 포함된 성분들 중 P2 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가질 수 있다. 즉, 청진 위치 벡터(620)는 [제2 값, 제1 값, 제2 값, 제2 값]으로 표현될 수 있다. 이때, 제1 값은 1을 포함하고, 제2 값은 0을 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(600) 또는 설정 데이터에 기초하여, 사용할 인공 지능 모델을 확인할 수 있다. 예를 들어, 청진 위치 데이터(600)가 강아지의 심음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 강아지의 심음 데이터, 강아지의 심음 청진 위치 데이터 및 강아지의 심장에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다. 또는, 설정 데이터가 강아지의 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 강아지의 심음 데이터, 강아지의 심음 청진 위치 데이터 및 강아지의 심장에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다.
도 6b를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(640)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 강아지의 심음 청진 가능 위치 중 2번째 위치에서 심음을 측정했다는 데이터를 포함하는 청진 위치 데이터(640)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(640) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(640)가 강아지의 심음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 강아지의 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 강아지의 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 강아지의 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(640)를 임베딩하여 청진 위치 벡터(660)를 획득할 수 있다. 예를 들어, 청진 가능 위치가 4로 확인된 경우, 전자 장치(100)는 [0, 1, 0, 0]의 값을 가지는 청진 위치 벡터(660)를 획득할 수 있다.
도 7은 일 실시 예에 따라 전자 장치(100)가 생체 데이터에 기초하여 생체 벡터를 획득하는 과정을 설명하기 위한 도면이다.
일 실시 예에 따르면, 전자 장치(100)는 생체 데이터(700)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 사용자의 나이가 46살이고, 최고 혈압이 128mmHg이며, 최저 혈압이 85mmHg이고, 혈당이 135mg/dL임을 나타내는 생체 데이터(700)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 생체 데이터(700)를 임베딩하기 위한 범주의 개수를 설정할 수 있다. 보다 구체적으로, 전자 장치(100)는 생체 데이터(700)를 임베딩하기 위한 범주의 개수를 n으로 설정할 수 있다. 이에 따라, 생체 데이터(700)를 임베딩한 벡터의 크기가 n이고, n개의 성분들 각각은 생체 데이터(700)의 범주에 대응할 수 있다.
예를 들어, 전자 장치(100)는 나이 데이터를 임베딩하기 위한 범주의 개수를 10으로 설정하고, 각각의 범주에 포함되는 나이의 범위를 10살로 설정할 수 있다. 이에 따라, 나이 데이터를 임베딩한 벡터의 크기는 10이고, 제1 성분은 0살 ~ 9살에, 제2 성분은 10살 ~ 19살에, ... , 제9 성분은 80살 ~ 89살에, 제10 성분은 90살 이상의 나이에 대응할 수 있다.
또는, 전자 장치(100)는 최고 혈압 데이터를 임베딩하기 위한 범주의 개수를 5로 설정하고, 각각의 범주에 포함되는 최고 혈압의 범위를 30mmHg으로 설정할 수 있다. 이에 따라, 최고 혈압 데이터를 임베딩한 벡터의 크기는 5이고, 제1 성분은 60mmHg 이하의 혈압에, 제2 성분은 60mmHg ~ 90mmHg에, 제3 성분은 90mmHg ~ 120mmHg에, 제4 성분은 120mmHg ~ 150mmHg에, 제5 성분은 150mmHg 이상의 혈압에 대응할 수 있다.
또는, 전자 장치(100)는 최저 혈압 데이터를 임베딩하기 위한 범주의 개수를 5로 설정하고, 각각의 범주에 포함되는 최저 혈압의 범위를 30mmHg으로 설정할 수 있다. 이에 따라, 최저 혈압 데이터를 임베딩한 벡터의 크기는 5이고, 제1 성분은 30mmHg 이하의 혈압에, 제2 성분은 30mmHg ~ 60mmHg에, 제3 성분은 60mmHg ~ 90mmHg에, 제4 성분은 90mmHg ~ 120mmHg에, 제5 성분은 120mmHg 이상의 혈압에 대응할 수 있다.
또는, 전자 장치(100)는 혈당 데이터를 임베딩하기 위한 범주의 개수를 8로 설정하고, 각각의 범주에 포함되는 혈당의 범위를 20으로 설정할 수 있다. 이에 따라, 혈당 데이터를 임베딩한 벡터의 크기는 8이고, 제1 성분은 60mg/dL 이하의 혈당에, 제2 성분은 60mg/dL ~ 80mg/dL에, ... , 제7 성분은 160mg/dL ~ 180mg/dL에, 제8 성분은 180mg/dL 이상의 혈당에 대응할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 생체 데이터(700)를 임베딩하여 하나 이상의 생체 벡터들(720, 740, 760, 780)을 획득할 수 있다. 이때, 하나 이상의 생체 벡터들(720, 740, 760, 780)의 크기는 생체 데이터의 종류의 수 및 생체 데이터 각각의 종류에 대응하는 범주의 수로 설정된 값에 따라 상이할 수 있다. 예를 들어, 전자 장치(100)는 나이 데이터를 임베딩하여, [0, 0, 0, 0, 1, 0, 0, 0, 0, 0]의 값을 가지는 생체 벡터(720)를 획득할 수 있고, 최고 혈압 데이터를 임베딩하여, [0, 0, 0, 1, 0]의 값을 가지는 생체 벡터(740)를 획득할 수 있다. 또한, 전자 장치(100)는 최저 혈압 데이터를 임베딩하여, [0, 0, 1, 0, 0]의 값을 가지는 생체 벡터(760)를 획득할 수 있고, 혈당 데이터를 임베딩하여, [0, 0, 0, 0, 1, 0, 0, 0]의 값을 가지는 생체 벡터(780)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 하나 이상의 생체 벡터들(720, 740, 760, 780)을 연결함으로써 최종 생체 백터를 획득할 수 있다. 이에 따라, 생체 데이터 각각의 종류에 따라 생체 데이터를 임베딩하기 위한 범주의 수로 설정된 값들의 합이 최종 생체 벡터의 크기일 수 있다. 예를 들어, 전자 장치(100)는 하나 이상의 생체 벡터들(720, 740, 760, 780)을 연결함으로써, [0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0]의 값을 가지는 최종 생체 벡터를 획득할 수 있고, 이에 따라 최종 생체 벡터의 크기는 나이 데이터, 최고 혈압 데이터, 최저 혈압 데이터 및 혈당 데이터를 임베딩하기 위한 범주의 개수들 각각의 합인 28일 수 있다.
도 8a 내지 도 8f는 일 실시 예에 따라 전자 장치(100)가 청진 위치 데이터에 기초하여 청진 위치 맵들을 획득하는 과정을 설명하기 위한 도면이다. 도 5a 내지 도 5f와 중복되는 내용은 간략히 설명하거나 생략하기로 한다.
도 8a를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(800)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 심음 청진 가능 위치 중 심음을 측정한 위치에 관한 데이터를 포함하는 청진 위치 데이터(800)를 획득할 수 있다. 이때, 심음 청진 가능 위치는 P1 위치, P2 위치, P3 위치 및 P4 위치를 포함할 수 있고, 청진 위치 데이터(800)는 P1 위치, P2 위치, P3 위치 및 P4 위치 중 심음이 측정된 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(800) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(800)가 심음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 설정 데이터를 획득하고, 설정 데이터에 기초하여 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(800)에 기초하여 청진 위치 맵들(810)을 획득할 수 있다. 이때, 확인된 청진 가능 위치의 수가 n일 경우, 전자 장치(100)는 n개의 맵들을 포함하는 청진 위치 맵들(810)을 획득할 수 있다. 예를 들어, 심음 청진 가능 위치가 4인 경우, 전자 장치(100)는 4개의 맵들을 포함하는 청진 위치 맵들(810)을 획득할 수 있고, 4개의 맵들 각각은 심음 청진 가능 위치에 대응할 수 있다.
일 실시 예에 따르면, 청진 위치 맵들(810)에 포함된 맵들 중 청진 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가질 수 있다. 예를 들어, 청진 위치 데이터(800)가 P2에 대응하는 청진 위치 데이터를 포함하는 경우, 청진 위치 맵들(810)에 포함된 맵들 중 P2 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가질 수 있다. 이때, 제1 값은 1을 포함하고, 제2 값은 0을 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(800) 또는 설정 데이터에 기초하여, 사용할 인공 지능 모델을 확인할 수 있다. 예를 들어, 청진 위치 데이터(800)가 심음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 심음 데이터, 심음 청진 위치 데이터 및 심장에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다. 또는, 설정 데이터가 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 심음 데이터, 심음 청진 위치 데이터 및 심장에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다.
도 8b를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(820)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 폐음 청진 가능 위치 중 폐음을 측정한 위치에 관한 데이터를 포함하는 청진 위치 데이터(820)를 획득할 수 있다. 이때, 폐음 청진 가능 위치는 P1 위치 내지 P12 위치를 포함할 수 있고, 청진 위치 데이터(820)는 P1 위치 내지 P12 위치 중 폐음이 측정된 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(820) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(820)가 페음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 폐에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 설정 데이터를 획득하고, 설정 데이터에 기초하여 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(820)에 기초하여 청진 위치 맵들(830)을 획득할 수 있다. 이때, 확인된 청진 가능 위치의 수가 n일 경우, 전자 장치(100)는 n개의 맵들을 포함하는 청진 위치 맵들(830)을 획득할 수 있다. 예를 들어, 폐음 청진 가능 위치가 12인 경우, 전자 장치(100)는 12개의 맵들을 포함하는 청진 위치 맵들(830)을 획득할 수 있고, 12개의 맵들 각각은 폐음 청진 가능 위치에 대응할 수 있다.
일 실시 예에 따르면, 청진 위치 맵들(830)에 포함된 맵들 중 청진 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가질 수 있다. 예를 들어, 청진 위치 데이터(820)가 P5에 대응하는 청진 위치 데이터를 포함하는 경우, 청진 위치 맵들(830)에 포함된 맵들 중 P5 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가질 수 있다. 이때, 제1 값은 1을 포함하고, 제2 값은 0을 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(820) 또는 설정 데이터에 기초하여, 사용할 인공 지능 모델을 확인할 수 있다. 예를 들어, 청진 위치 데이터(820)가 폐음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 폐음 데이터, 폐음 청진 위치 데이터 및 폐에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다. 또는, 설정 데이터가 폐에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 폐음 데이터, 폐음 청진 위치 데이터 및 폐에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다.
도 8c를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(840)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 심음 및 폐음 청진 가능 위치 중 청진음을 측정한 위치에 관한 데이터를 포함하는 청진 위치 데이터(840)를 획득할 수 있다. 이때, 심음 청진 가능 위치는 P1 위치 내지 P4 위치를 포함할 수 있고, 폐음 청진 가능 위치는 P5 위치 내지 P16 위치를 포함할 수 있으며, 청진 위치 데이터(840)는 P1 위치 내지 P16 위치 중 청진음이 측정된 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(840) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(840)가 심음 또는 페음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 설정 데이터를 획득하고, 설정 데이터에 기초하여 심음, 폐음 및 장음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 다만, 이는 일 실시 예일 뿐, 청진 가능 위치로 확인될 수 있는 신체 부위는 전술한 예에 한정되지 않는다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(840)에 기초하여 청진 위치 맵들(850)을 획득할 수 있다. 이때, 확인된 청진 가능 위치의 수가 n일 경우, 전자 장치(100)는 n개의 맵들을 포함하는 청진 위치 맵들(850)을 획득할 수 있다. 예를 들어, 심음 청진 가능 위치가 4이고, 폐음 청진 가능 위치가 12인 경우, 전자 장치(100)는 16개의 맵들을 포함하는 청진 위치 맵들(850)을 획득할 수 있고, 16개의 맵들 각각은 심음 청진 가능 위치에 대응할 수 있다.
일 실시 예에 따르면, 청진 위치 맵들(850)에 포함된 맵들 중 청진 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가질 수 있다. 예를 들어, 청진 위치 데이터(840)가 P13에 대응하는 청진 위치 데이터를 포함하는 경우, 청진 위치 맵들(850)에 포함된 맵들 중 P13 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가질 수 있다. 이때, 제1 값은 1을 포함하고, 제2 값은 0을 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(840) 또는 설정 데이터에 기초하여, 사용할 인공 지능 모델을 확인할 수 있다. 예를 들어, 청진 위치 데이터(840)가 폐음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 하나 이상의 청진음 데이터, 하나 이상의 청진 위치 데이터 및 하나 이상의 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 하나 이상의 청진음 데이터, 하나 이상의 청진 위치 데이터 및 하나 이상의 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다.
도 8d를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(860)를 획득할 수 있다. . 예를 들어, 전자 장치(100)는 심음 청진 가능 위치 중 3번째 위치에서 심음을 측정했다는 데이터를 포함하는 청진 위치 데이터(860)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(860)에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(860)가 심음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 청진 위치 데이터(860)가 심음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 설정 데이터가 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(860)에 기초하여 청진 위치 맵들(865)을 획득할 수 있다. 예를 들어, 청진 가능 위치가 4로 확인된 경우, 전자 장치(100)는 4개의 맵들을 포함하는 청진 위치 맵들(865)을 획득할 수 있고, 4개의 맵들 중 3번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다. 또는, 청진 가능 위치가 16으로 확인된 경우, 전자 장치(100)는 16개의 맵들을 포함하는 청진 위치 맵들(865)을 획득할 수 있고, 16개의 맵들 중 3번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다.
도 8e를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(870)를 획득할 수 있다. . 예를 들어, 전자 장치(100)는 폐음 청진 가능 위치 중 1번째 위치에서 폐음을 측정했다는 데이터를 포함하는 청진 위치 데이터(870)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(870)에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(870)가 폐음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 청진 위치 데이터(870)가 폐음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 설정 데이터가 폐에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(870)에 기초하여 청진 위치 맵들(875)을 획득할 수 있다. 예를 들어, 청진 가능 위치가 12로 확인된 경우, 전자 장치(100)는 12개의 맵들을 포함하는 청진 위치 맵들(875)을 획득할 수 있고, 12개의 맵들 중 1번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다. 또는, 청진 가능 위치가 16으로 확인된 경우, 전자 장치(100)는 16개의 맵들을 포함하는 청진 위치 맵들(875)을 획득할 수 있고, 16개의 맵들 중 5번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다.
도 8f를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(880)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 폐음 청진 가능 위치 중 11번째 위치에서 폐음을 측정했다는 데이터를 포함하는 청진 위치 데이터(880)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(880)에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(880)가 폐음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 청진 위치 데이터(880)가 폐음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 설정 데이터가 폐에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 진단받고자 하는 신체 부위에 관한 사용자 입력을 포함하지 않거나, 모든 신체 부위에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 설정 데이터에 기초하여 심음 및 폐음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(880)에 기초하여 청진 위치 맵들(885)을 획득할 수 있다. 예를 들어, 청진 가능 위치가 12로 확인된 경우, 전자 장치(100)는 12개의 맵들을 포함하는 청진 위치 맵들(885)을 획득할 수 있고, 12개의 맵들 중 11번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다. 또는, 청진 가능 위치가 16으로 확인된 경우, 전자 장치(100)는 16개의 맵들을 포함하는 청진 위치 맵들(885)을 획득할 수 있고, 16개의 맵들 중 15번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다.
도 9a 내지 도 9b는 일 실시 예에 따라 전자 장치(100)가 청진 위치 데이터에 기초하여 청진 위치 맵들을 획득하는 과정을 설명하기 위한 도면이다. 도 8a 내지 도 8f와 중복되는 내용은 생략하거나 간략히 설명하기로 한다.
도 9a를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(900)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 강아지의 심음 청진 가능 위치 중 강아지의 심음을 측정한 위치에 관한 데이터를 포함하는 청진 위치 데이터(900)를 획득할 수 있다. 이때, 강아지의 심음 청진 가능 위치는 P1 위치, P2 위치, P3 위치 및 P4 위치를 포함할 수 있고, 청진 위치 데이터(900)는 P1 위치, P2 위치, P3 위치 및 P4 위치 중 심음이 측정된 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(900) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(900)가 강아지의 심음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 강아지의 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 강아지의 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 설정 데이터를 획득하고, 설정 데이터에 기초하여 강아지의 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(900)에 기초하여 청진 위치 맵들(920)을 획득할 수 있다. 이때, 확인된 청진 가능 위치의 수가 n일 경우, 전자 장치(100)는 n개의 맵들을 포함하는 청진 위치 맵들(920)을 획득할 수 있다. 예를 들어, 강아지의 심음 청진 가능 위치가 4인 경우, 전자 장치(100)는 4개의 맵들을 포함하는 청진 위치 맵들(920)을 획득할 수 있고, 4개의 맵들 각각은 강아지의 심음 청진 가능 위치에 대응할 수 있다. 다만, 이는 일 실시 예일 뿐, 강아지의 심음 청진 가능 위치는 전술한 예에 한정되지 않는다.
일 실시 예에 따르면, 청진 위치 맵들(920)에 포함된 맵들 중 청진 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가질 수 있다. 예를 들어, 청진 위치 데이터(900)가 P2 위치에 대응하는 청진 위치 데이터를 포함하는 경우, 청진 위치 맵들(920)에 포함된 맵들 중 P2 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가질 수 있다. 이때, 제1 값은 1을 포함하고, 제2 값은 0을 포함할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(900) 또는 설정 데이터에 기초하여, 사용할 인공 지능 모델을 확인할 수 있다. 예를 들어, 청진 위치 데이터(900)가 강아지의 심음 청진 위치 데이터를 포함하는 경우, 전자 장치(100)는 강아지의 심음 데이터, 강아지의 심음 청진 위치 데이터 및 강아지의 심장에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다. 또는, 설정 데이터가 강아지의 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함하는 경우, 전자 장치(100)는 강아지의 심음 데이터, 강아지의 심음 청진 위치 데이터 및 강아지의 심장에 관한 질병 데이터에 기초하여 학습된 인공 지능 모델을 사용할 수 있다.
도 9b를 참조하면, 전자 장치(100)는 일 실시 예에 따라 청진 위치 데이터(940)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 강아지의 심음 청진 가능 위치 중 2번째 위치에서 심음을 측정했다는 데이터를 포함하는 청진 위치 데이터(940)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(940) 또는 설정 데이터에 기초하여 청진 가능 위치를 확인할 수 있다. 예를 들어, 청진 위치 데이터(940)가 강아지의 심음 청진 위치 데이터를 포함함에 따라, 전자 장치(100)는 강아지의 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다. 또는, 설정 데이터가 강아지의 심장에 관한 질병을 진단받고자 하는 사용자 입력을 포함함에 따라, 전자 장치(100)는 강아지의 심음 청진 가능 위치를 청진 가능 위치로 확인할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(940)에 기초하여 청진 위치 맵들(960)을 획득할 수 있다. 예를 들어, 청진 가능 위치가 4로 확인된 경우, 전자 장치(100)는 4개의 맵들을 포함하는 청진 위치 맵들(960)을 획득할 수 있고, 4개의 맵들 중 2번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다.
도 10은 일 실시 예에 따라 전자 장치(100)가 생체 데이터에 기초하여 생체 맵들을 획득하는 과정을 설명하기 위한 도면이다. 도 7과 중복되는 내용은 간략히 설명하거나 생략하기로 한다.
일 실시 예에 따르면, 전자 장치(100)는 생체 데이터(1000)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 사용자의 나이가 6살이고, 최고 혈압이 128mmHg이며, 최저 혈압이 85mmHg이고, 혈당이 115mg/dL임을 나타내는 생체 데이터(1000)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 생체 데이터(1000)를 맵으로 변환하기 위한 범주의 개수를 설정할 수 있다. 보다 구체적으로, 전자 장치(100)는 생체 데이터(1000)를 맵으로 변환하기 위한 범주의 개수를 n으로 설정할 수 있다. 이에 따라, 생체 데이터(1000)를 변환한 맵들에 포함된 맵의 수가 n이고, n개의 맵들 각각은 생체 데이터(1000)의 범주에 대응할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 생체 데이터(1000)에 기초하여 하나 이상의 생체 맵들(1020, 1040, 1060, 1080)을 획득할 수 있다. 이때, 하나 이상의 생체 맵들(1020, 1040, 1060, 1080)에 포함된 맵의 수는 생체 데이터의 종류의 수 및 생체 데이터 각각의 종류에 대응하는 범주의 수로 설정된 값에 따라 상이할 수 있다. 예를 들어, 전자 장치(100)는 나이 데이터에 기초하여, 10개의 맵들을 포함하는 생체 맵들(1020)을 획득할 수 있고, 10개의 맵들 중 1번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다. 전자 장치(100)는 최고 혈압 데이터에 기초하여, 5개의 맵들을 포함하는 생체 맵들(1040)을 획득할 수 있고, 5개의 맵들 중 4번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다. 전자 장치(100)는 최저 혈압 데이터에 기초하여, 5개의 맵들을 포함하는 생체 맵들(1060)을 획득할 수 있고, 5개의 맵들 중 3번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다. 전자 장치(100)는 혈당 데이터에 기초하여, 8개의 맵들을 포함하는 생체 맵들(1080)을 획득할 수 있고, 8개의 맵들 중 4번째 맵의 성분은 1의 값을 가지며, 나머지 맵의 성분은 0의 값을 가질 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 하나 이상의 생체 맵들(1020, 1040, 1060, 1080)을 결합함으로써 최종 생체 맵들을 획득할 수 있다. 이에 따라, 생체 데이터 각각의 종류에 따라 생체 데이터를 맵으로 변환하기 위한 범주의 수로 설정된 값들의 합이 최종 생체 맵들에 포함된 맵의 개수일 수 있다. 예를 들어, 하나 이상의 생체 맵들(1020, 1040, 1060, 1080)을 결합함으로써, 28개의 맵들을 포함하는 최종 생체 맵들을 획득할 수 있고, 28개의 맵들 중 1번째 맵, 14번째 맵, 18번째 맵 및 24번째 맵의 성분은 1의 값을 가지고, 나머지 맵의 성분은 0의 값을 가질 수 있다
도 11은 일 실시 예에 따라 전자 장치(100)가 진료 기록 데이터에 기초하여, 청진 위치 정보를 획득하는 과정을 설명하기 위한 도면이다.
일 실시 예에 따르면, 전자 장치(100)는 진료 기록 데이터(1120)를 획득할 수 있다. 예를 들어, 사용자 단말은 진료 기록을 직접 기입하는 사용자 입력을 획득하거나, 외부 장치로부터 진료 기록 데이터(1120)를 수신하고, 획득한 진료 기록 데이터(1120)를 전자 장치(100)로 전송할 수 있다. 이때, 진료 기록 데이터는 전문 의료인이 기술한 문장 데이터를 포함할 수 있으나, 전술한 예에 한정되지 않는다.
일 실시 예에 따르면, 전자 장치(100)는 인공 지능 모델(1100)을 이용하여, 진료 기록 데이터(1120)로부터 청진 위치 데이터(1140)를 획득할 수 있다. 보다 구체적으로, 전자 장치(100)는 키워드를 추출하는 인공 지능 모델을 이용하여, 진료 기록 데이터(1120)에서 키워드를 추출함으로써 청진 위치 데이터(1140)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 "앞 가슴 왼쪽 첫번째 부분에서 이상음이 들림"이라는 문장을 포함하는 진료 기록 데이터(1120)를 획득할 수 있다. 전자 장치(100)는 진료 기록 데이터(1120)에서 "앞 가슴, 왼쪽 첫번째 부분"이라는 키워드를 추출함으로써 청진 위치 데이터(1140)를 획득할 수 있다.
일 실시 예에 따르면, 전자 장치(100)는 청진 위치 데이터(1140)에 기초하여 청진 위치 정보(1160)를 획득할 수 있다. 예를 들어, 전자 장치(100)는 Word2Vec와 같은 신경망 모델을 이용하여, 청진 위치 데이터(1140)로부터 청진 위치 정보(1160)를 획득할 수 있다.
도 12a 내지 도 12c는 일 실시 예에 따라 전자 장치(100)가 인공 지능 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 12a를 참조하면, 전자 장치(100)는 일 실시 예에 따라 하나 이상의 청진음 데이터(1220), 하나 이상의 청진 위치 데이터(1230) 및 하나 이상의 질병 데이터(1240)를 포함하는 학습 데이터 세트(1210)를 이용하여 인공 지능 모델(1200)을 학습 시킬 수 있다. 이때, 하나 이상의 청진음 데이터(1220), 하나 이상의 청진 위치 데이터(1230) 및 하나 이상의 질병 데이터(1240) 각각은 대응하는 데이터와 짝을 이룰 수 있다. 예를 들어, 학습 데이터 세트(1210)는 (청진음 데이터, 청진 위치 데이터, 질병 데이터) 형식의 학습 데이터를 포함할 수 있다.
일 실시 예에 따르면, 학습 데이터 세트(1210)는 심장에 관한 데이터를 포함할 수 있다. 예를 들어, 청진음 데이터(1220)는 째각소리(clicks), 퉁김소리(snap) 또는 심잡음(heart murmur) 등에 관한 데이터를 포함할 수 있고, 청진 위치 데이터(1230)는 대동맥판막 위치, 폐동맥판막 위치, 삼첨판 위치 또는 이첨판 위치 등에 관한 데이터를 포함할 수 있다. 또한, 질병 데이터(1240)는 대동맥판막 협착증, 대동맥판막 역류증(aortic insufficiency, AI), 승모판막 협착증(mitral stenosis, MS), 승모판막 역류증(mitral valve insufficiency, MVI) 등에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 학습 데이터 세트(1210)는 폐에 관한 데이터를 포함할 수 있다. 예를 들어, 청진음 데이터(1220)는 폐포 호흡음(vesicular breath sound), 기관지호흡음(bronchial breath sound), 천명음(wheezing), 수포음(crackling), 흉막 마찰음(pleural friction rub) 또는 빽?喚타?는 소리(rhoncus) 등에 관한 데이터를 포함할 수 있고, 청진 위치 데이터(1230)는 폐음 청진 가능 위치 데이터를 포함할 수 있다. 또한, 질병 데이터(1240)는 천식(asthma), 만성 폐쇄성 폐질환(chronic obstructive pulmonary disease, COPD), 폐렴(pneumonia), 기관지 확장증(bronchiectasis), 간질성 폐질환(interstitial lung disease, ILD) 흉수(hydrothorax) 등에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 학습 데이터 세트(1210)는 동물에 관한 데이터를 포함할 수 있다. 예를 들어, 청진음 데이터(1220)는 째각소리, 퉁김소리 또는 심잡음 등에 관한 데이터를 포함할 수 있고, 청진 위치 데이터(1230)는 대동맥판막 위치, 폐동맥판막 위치, 삼첨판 위치 또는 이첨판 위치 등에 관한 데이터를 포함할 수 있다. 또한, 질병 데이터(1240)는 대동맥판막 협착증, 폐동맥판막 협착증(pulmonic stenosis, PS), 동맥관 개존증(patent ductus arteriosus, PDA), 승모판막 역류증, 대동맥판하협착증 (subaortic stenosis, SAS), 삼첨판막 폐쇄부전증 (tricuspid valve insufficiency, TVI) 또는 심실중격결손증 (ventricular septal defect, VDS) 등에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 학습 데이터 세트(1210)는 특정 질병을 가진 사람의 다양한 신체 부위에서 측정한 청진음 데이터를 포함할 수 있다. 예를 들어, 학습 데이터 세트는 (제1 청진음, 이첨판 위치, 승모판막 협착증)의 학습 데이터뿐만 아니라, (제2 청진음, 대동맥판막 위치, 승모판막 협착증), (제3 청진음, 폐동맥판막 위치, 승모판막 협착증) 또는 (제4 청진음, 삼첨판 위치, 승모판막 협착증) 등의 다양한 학습 데이터를 포함할 수 있다. 또는, 학습 데이터 세트는 (제1 청진음, 제1 위치, 폐렴)의 학습 데이터뿐만 아니라, (제2 청진음, 제2 위치, 폐렴), (제3 청진음, 제3 위치, 폐렴) 또는 (제4 청진음, 제4 위치, 폐렴) 등의 다양한 학습 데이터를 포함할 수 있다.
이와 같이, 인공 지능 모델(1200)이 청진음 데이터(1220)뿐만 아니라, 청진 위치 데이터(1230)에 기초하여 학습됨으로써, 청진음 데이터(1220) 및 청진 위치 데이터(1230)가 입력되었을 때, 전자 장치(100)는 인공 지능 모델(1200)을 이용하여 입력된 데이터의 사용자가 질병을 가지고 있는지 여부를 보다 높은 정확도로 판단할 수 있다. 또한, 인공 지능 모델(1200)이 특정 질병을 진단하기 위한 최적의 위치에서의 청진음 데이터(1220)뿐만 아니라, 다양한 위치에서의 청진음 데이터(1220)에 기초하여 학습됨으로써, 최적의 위치 이외의 위치에서의 청진음 데이터(1220) 및 해당 위치 데이터(1230)가 입력되었을 때에도, 전자 장치(100)는 인공 지능 모델(1200)을 이용하여 입력된 데이터의 사용자가 질병을 가지고 있는지 여부를 판단할 수 있다.
도 12b를 참조하면, 전자 장치(100)는 일 실시 예에 따라 하나 이상의 청진음 데이터(1220), 하나 이상의 청진 위치 데이터(1230), 하나 이상의 질병 데이터(1240) 및 하나 이상의 생체 데이터(1250)를 포함하는 학습 데이터 세트(1210)를 이용하여 인공 지능 모델(1200)을 학습 시킬 수 있다. 이때, 하나 이상의 청진음 데이터(1220), 하나 이상의 청진 위치 데이터(1230), 하나 이상의 질병 데이터(1240) 및 하나 이상의 생체 데이터(1250) 각각은 대응하는 데이터와 짝을 이룰 수 있다. 예를 들어, 학습 데이터 세트(1210)는 (청진음 데이터, 청진 위치 데이터, 질병 데이터, 생체 데이터) 형식의 학습 데이터를 포함할 수 있다.
일 실시 예에 따르면, 학습 데이터 세트(1210)는 특정 질병을 가진 사람의 다양한 신체 부위에서 측정한 청진음 데이터 및 생체 데이터를 포함할 수 있다. 예를 들어, 학습 데이터 세트는 (제1 청진음, 이첨판 위치, 대동맥판막 역류증, 나이, 체온, 심장 박동 규칙도), (제2 청진음, 삼첨판 위치, 대동맥판막 역류증, 나이, 체온, 심장 박동 규칙도), (제3 청진음, 대동맥판막 위치, 대동맥판막 역류증, 나이, 체온, 심장 박동 규칙도) 또는 (제4 청진음, 폐동맥판막 위치, 대동맥판막 역류증, 나이, 체온, 심장 박동 규칙도) 등의 다양한 학습 데이터를 포함할 수 있다. 또는, 학습 데이터 세트는 (제1 청진음, 제1 위치, 간질성 폐질환, 나이, 호흡수), (제2 청진음, 제2 위치, 간질성 폐질환, 나이, 호흡수) 또는 (제3 청진음, 제3 위치, 간질성 폐질환, 나이, 호흡수) 등의 다양한 학습 데이터를 포함할 수 있다.
이와 같이, 인공 지능 모델(1200)이 청진음 데이터(1220) 및 청진 위치 데이터(1230)뿐만 아니라, 생체 데이터(1240)에 기초하여 학습됨으로써, 청진음 데이터(1220), 청진 위치 데이터(1230) 및 생체 데이터(1240)가 입력되었을 때, 전자 장치(100)는 인공 지능 모델(1200)을 이용하여 입력된 데이터의 사용자가 질병을 가지고 있는지 여부를 보다 높은 정확도로 판단할 수 있다.
도 12c를 참조하면, 전자 장치(100)는 일 실시 예에 따라 하나 이상의 청진음 데이터(1220), 하나 이상의 청진 위치 데이터(1230) 및 하나 이상의 질병 데이터(1240)를 포함하는 학습 데이터 세트(1210)를 이용하여 인공 지능 모델(1200)에 포함된 하나 이상의 인공 지능 모델들(1202, 1204, 1206)을 학습 시킬 수 있다.
예를 들어, 전자 장치(100)는 하나 이상의 심음 데이터, 하나 이상의 심음 청진 위치 데이터 및 하나 이상의 심장에 관한 질병 데이터를 포함하는 학습 데이터 세트를 이용하여, 심장에 관한 질병을 분류하기 위한 제1 인공 지능 모델(1202)을 학습시킬 수 있다. 또는, 전자 장치(100)는 하나 이상의 폐음 데이터, 하나 이상의 폐음 청진 위치 데이터 및 하나 이상의 폐에 관한 질병 데이터를 포함하는 학습 데이터 세트를 이용하여 폐에 관한 질병을 분류하기 위한 제2 인공 지능 모델(1204)을 학습시킬 수 있다. 전자 장치(100)는 하나 이상의 강아지 심음 데이터, 하나 이상의 강아지 심음 청진 위치 데이터 및 하나 이상의 강아지의 심장에 관한 질병 데이터를 포함하는 학습 데이터 세트를 이용하여, 강아지의 심장에 관한 질병을 분류하기 위한 제3 인공 지능 모델(1206)을 학습시킬 수 있다.
이와 같이, 인공 지능 모델(1200)에 포함된 하나 이상의 인공 지능 모델들(1202, 1204, 1206)이, 사용자가 진단받고자 하는 신체 부위 또는 종에 따라 상이한 학습 데이터에 기초하여 학습됨으로써, 전자 장치(100)는 입력된 데이터에 대응하는 인공 지능 모델을 이용함으로써, 보다 높은 정확도로 질병을 분류할 수 있다.
도 13은 일 실시 예에 따른 전자 장치의 인공 지능을 이용한 질병 분류 방법의 흐름도를 나타낸다. 중복되는 내용에 대해서는 전술한 기재가 적용될 수 있다.
S1300 단계에서, 전자 장치는 청진음 데이터 및 청진 위치 데이터를 획득할 수 있다.
일 실시 예에 따르면, 청진음 데이터는 심음(heart sound) 데이터 및 페음(lung sound) 데이터 중 적어도 하나를 포함하고, 청진 위치 데이터는 심음 청진 위치에 관한 데이터 및 폐음 청진 위치에 관한 데이터를 포함할 수 있다.
일 실시 예에 따르면, 전자 장치는 청진 위치 데이터를 획득할 때, 진료 기록 데이터를 획득하고, 키워드를 추출하는 인공 지능 모델을 이용하여, 진료 기록 데이터에서 청진 위치 데이터를 획득할 수 있다.
S1320 단계에서, 전자 장치는 청진음 데이터에 기초하여 특징 정보를 획득하고, 청진 위치 데이터에 기초하여 청진 위치 정보를 획득할 수 있다.
S1340 단계에서, 전자 장치는 특징 정보 및 청진 위치 정보를 결합하여, 결합 정보를 생성할 수 있다.
일 실시 예에 따르면, 특징 정보 및 청진 위치 정보는 벡터의 형태를 가질 수 있고, 전자 장치는 결합 정보를 생성할 때, 특징 정보 및 청진 위치 정보를 연결(concatenation)하여 결합 정보를 생성할 수 있다. 이때, 청진 위치 정보는 청진 가능 위치에 대응하는 하나 이상의 성분들을 포함하고, 청진 가능 위치에 대응하는 하나 이상의 성분들 중 청진 위치에 대응하는 성분은 제1 값을 가지며, 나머지 성분은 제2 값을 가질 수 있다.
일 실시 예에 따르면, 특징 정보 및 청진 위치 정보는 맵(map)의 형태를 가질 수 있고, 전자 장치는 결합 정보를 생성할 때, 특징 정보에 청진 위치 정보를 채널로서 추가하여 결합 정보를 생성할 수 있다. 이때, 청진 위치 정보는 청진 가능 위치에 대응하는 하나 이상의 맵들을 포함하고, 청진 가능 위치에 대응하는 하나 이상의 맵들 중 청진 위치에 대응하는 맵의 성분은 제1 값을 가지며, 나머지 맵의 성분은 제2 값을 가질 수 있다.
S1360 단계에서, 전자 장치는 인공 지능 모델을 이용하여, 결합 정보에 대응하는 적어도 하나의 질병 정보를 확인할 수 있다.
일 실시 예에 따르면, 전자 장치는 생체 데이터(biometric data)를 획득하고, 생체 데이터에 기초하여, 생체 정보를 획득할 수 있다. 이때, 결합 정보는 생체 정보가 더 결합될 수 있고, 생체 데이터는 심장 박동 규칙도 데이터, 호흡수 데이터, 호흡 규칙도 데이터, 체온 데이터, 나이 데이터, 혈압 데이터 및 혈당 데이터 중 적어도 하나를 포함할 수 있다.
예를 들어, 전자 장치는 생체 데이터를 획득하고, 생체 데이터에 기초하여, 벡터 형태의 생체 정보를 획득할 수 있다. 이때, 생체 정보는 설정된 수의 범주에 대응하는 하나 이상의 성분들을 포함하고, 설정된 수의 범주에 대응하는 하나 이상의 성분들 중 생체 데이터의 값이 포함된 범주에 대응하는 성분은 제1 값을 가지며, 나머지 성분은 제2 값을 가질 수 있다.
또는, 전자 장치는 생체 데이터를 획득하고, 생체 데이터에 기초하여, 맵 형태의 생체 정보를 획득할 수 있다. 이때, 생체 정보는 설정된 수의 범주에 대응하는 하나 이상의 성분들을 포함하고, 설정된 수의 범주에 대응하는 하나 이상의 맵들 중 생체 데이터의 값이 포함된 범주에 대응하는 맵의 성분은 제1 값을 가지며, 나머지 맵의 성분은 제2 값을 가질 수 있다.
일 실시 예에 따르면, 청진음 데이터는 심음 데이터를 포함하고, 인공 지능 모델은 심장에 관한 질병을 분류하기 위한 제1 인공 지능 모델을 포함할 수 있다. 또한, 전자 장치는 특징 정보를 획득할 때, 청진음 데이터에서 심음이 존재하는 주파수 외의 영역을 제거할 수 있고, 적어도 하나의 질병 정보를 확인할 때, 제1 인공 지능 모델을 이용하여 결합 정보에 대응하는 심장에 관한 적어도 하나의 질병 정보를 확인할 수 있다.
일 실시 예에 따르면, 청진음 데이터는 폐음 데이터를 포함하고, 인공 지능 모델은 폐에 관한 질병을 분류하기 위한 제2 인공 지능 모델을 포함할 수 있다. 또한, 전자 장치는 특징 정보를 획득할 때, 청진음 데이터에서 폐음이 존재하는 주파수 외의 영역을 제거할 수 있고, 적어도 하나의 질병 정보를 확인할 때, 제2 인공 지능 모델을 이용하여 결합 정보에 대응하는 폐에 관한 적어도 하나의 질병 정보를 확인할 수 있다.
일 실시 예에 다르면, 인공 지능 모델은 하나 이상의 청진음 데이터, 하나 이상의 청진 위치 데이터 및 하나 이상의 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습될 수 있다. 이때, 학습 데이터 세트는, 하나 이상의 생체 데이터를 더 포함할 수 있다.
일 실시 예에 따르면, 인공 지능 모델은 심장에 관한 질병을 분류하기 위한 제1 인공 지능 모델 및 폐에 관한 질병을 분류하기 위한 제2 인공 지능 모델을 포함할 수 있다. 제1 인공 지능 모델은, 하나 이상의 심음 데이터, 하나 이상의 심음 청진 위치 데이터 및 하나 이상의 심장에 관한 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습될 수 있고, 제2 인공 지능 모델은, 하나 이상의 폐음 데이터, 하나 이상의 폐음 청진 위치 데이터 및 하나 이상의 폐에 관한 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습될 수 있다.
도 14는 일 실시 예에 따른 전자 장치(100)의 블록도를 나타낸다.
전자 장치(100)는 일 실시 예에 따라, 통신부(communication device)(1420), 메모리(1440) 및 제어부(controller)(1460)를 포함할 수 있다. 도 14에 도시된 전자 장치(100)는 본 실시 예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 14에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시 예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다. 전자 장치(100)는 전술한 서버에 관한 내용을 포함할 수 있는 바, 중복되는 내용에 대해서는 설명을 생략한다. 실시 예에서 통신부는 하나 이상의 트랜시버(transceiver)를 포함할 수 있다. 또한, 실시 예에서 제어부는 하나 이상의 프로세서(processor)를 포함할 수 있다.
통신부(1420)는 유/무선 통신을 수행하기 위한 장치로서, 외부의 전자 장치와 통신할 수 있다. 외부의 전자 장치는 단말 또는 서버가 될 수 있다. 또한, 통신부(1420)가 이용하는 통신 기술에는 GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있을 수 있다.
제어부(1460)는 전자 장치(100)의 전반의 동작을 제어하고 데이터 및 신호를 처리할 수 있다. 제어부(1460)는 적어도 하나의 하드웨어 유닛으로 구성될 수 있다. 또한, 제어부(1460)는 메모리(1440)에 저장된 프로그램 코드를 실행하여 생성되는 하나 이상의 소프트웨어 모듈에 의해 동작할 수 있다. 제어부(1460)는 프로세서 및 메모리를 포함할 수 있는 바, 프로세서는 메모리에 저장된 프로그램 코드를 실행하여 전자 장치(100)의 전반의 동작을 제어하고 데이터 및 신호를 처리할 수 있다. 또한 실시 예에서 제어부(1460)는 적어도 하나의 프로세서를 포함할 수 있다.
제어부(1460)는 청진음 데이터 및 청진 위치 데이터를 획득하고, 청진음 데이터에 기초하여 특징 정보를 획득하고, 청진 위치 데이터에 기초하여 청진 위치 정보를 획득하고, 특징 정보 및 청진 위치 정보를 결합하여, 결합 정보를 생성하고, 인공 지능 모델을 이용하여, 결합 정보에 대응하는 적어도 하나의 질병 정보를 확인할 수 있다.
전술한 실시 예들에 따른 전자 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-Access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독 가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 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. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
전술한 실시 예들은 일 예시일 뿐 후술하는 청구항들의 범위 내에서 다른 실시 예들이 구현될 수 있다.
Claims (20)
- 전자 장치에 의해 수행되는, 인공 지능(artificial intelligence, AI)을 이용한 질병 분류 방법으로서,
청진음 데이터, 청진 위치 데이터 및 신체 부위에 관한 정보를 포함하는 설정 데이터를 획득하는 단계;
상기 청진음 데이터에 기초하여 특징 정보를 획득하고, 상기 청진 위치 데이터에 기초하여 청진 위치 정보를 획득하는 단계;
상기 특징 정보 및 상기 청진 위치 정보를 결합하여, 결합 정보를 생성하는 단계; 및
상기 결합 정보를 인공 지능 모델에 입력하여, 상기 결합 정보에 대응하는 적어도 하나의 질병 정보를 확인하는 단계를 포함하고,
상기 특징 정보, 상기 청진 위치 정보 및 상기 결합 정보는 벡터의 형태를 가지고,
상기 청진 위치 정보를 획득하는 단계는 상기 청진 위치 데이터를 임베딩(embedding)하여 상기 청진 위치 정보를 획득하는 단계를 포함하고,
상기 결합 정보를 생성하는 단계는 상기 특징 정보 및 상기 청진 위치 정보를 연결(concatenation)하여 상기 결합 정보를 생성하는 단계를 포함하고,
상기 청진 위치 정보는 청진 가능 위치에 대응하는 설정된 수의 성분들을 포함하고,
상기 청진 가능 위치에 대응하는 설정된 수의 성분들 중 청진 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가지고,
상기 설정된 수는 상기 신체 부위에 관한 정보에 기초하여 결정되는, 질병 분류 방법.
- 제1 항에 있어서,
상기 질병 분류 방법은, 생체 데이터(biometric data)를 획득하는 단계; 및 상기 생체 데이터에 기초하여, 생체 정보를 획득하는 단계를 더 포함하고,
상기 결합 정보는, 상기 생체 정보가 더 결합된, 질병 분류 방법.
- 제2 항에 있어서, 상기 생체 데이터는,
심장 박동 규칙도 데이터;
호흡수 데이터;
호흡 규칙도 데이터;
체온 데이터;
나이 데이터;
혈압 데이터; 및
혈당 데이터 중 적어도 하나를 포함하는, 질병 분류 방법.
- 삭제
- 삭제
- 제1 항에 있어서,
상기 질병 분류 방법은, 생체 데이터를 획득하는 단계; 및 상기 생체 데이터에 기초하여, 벡터 형태의 생체 정보를 획득하는 단계를 더 포함하고,
상기 결합 정보는, 상기 생체 정보가 더 연결된, 질병 분류 방법.
- 제6 항에 있어서,
상기 생체 정보는 설정된 수의 범주에 대응하는 하나 이상의 성분들을 포함하고,
상기 설정된 수의 범주에 대응하는 하나 이상의 성분들 중 상기 생체 데이터의 값이 포함된 범주에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가지는, 질병 분류 방법.
- 제1 항에 있어서,
상기 특징 정보 및 상기 청진 위치 정보는 맵(map)의 형태를 가지고,
상기 결합 정보를 생성하는 단계는, 상기 특징 정보에 상기 청진 위치 정보를 채널로서 추가하여 상기 결합 정보를 생성하는 단계를 포함하는, 질병 분류 방법.
- 제8 항에 있어서,
상기 청진 위치 정보는 청진 가능 위치에 대응하는 하나 이상의 맵들을 포함하고,
상기 청진 가능 위치에 대응하는 하나 이상의 맵들 중 청진 위치에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가지는, 질병 분류 방법.
- 제8 항에 있어서,
상기 질병 분류 방법은, 생체 데이터를 획득하는 단계; 및 상기 생체 데이터에 기초하여, 맵 형태의 생체 정보를 획득하는 단계를 더 포함하고,
상기 결합 정보는, 상기 생체 정보가 채널로서 더 추가된, 질병 분류 방법.
- 제10 항에 있어서,
상기 생체 정보는 설정된 수의 범주에 대응하는 하나 이상의 맵들을 포함하고,
상기 설정된 수의 범주에 대응하는 하나 이상의 맵들 중 상기 생체 데이터의 값이 포함된 범주에 대응하는 맵의 성분은 제1 값을 가지고, 나머지 맵의 성분은 제2 값을 가지는, 질병 분류 방법.
- 제1 항에 있어서,
상기 청진음 데이터는 심음(heart sound) 데이터 및 페음(lung sound) 데이터 중 적어도 하나를 포함하고,
상기 청진 위치 데이터는 심음 청진 위치에 관한 데이터 및 폐음 청진 위치에 관한 데이터를 포함하는, 질병 분류 방법.
- 제1 항에 있어서,
상기 청진음 데이터는 심음 데이터를 포함하고,
상기 인공 지능 모델은 심장에 관한 질병을 분류하기 위한 제1 인공 지능 모델을 포함하고,
상기 특징 정보를 획득하는 단계는, 상기 청진음 데이터에서 심음이 존재하는 주파수 외의 영역을 제거하는 단계를 포함하고,
상기 적어도 하나의 질병 정보를 확인하는 단계는, 상기 결합 정보를 상기 제1 인공 지능 모델에 입력하여 상기 결합 정보에 대응하는 심장에 관한 적어도 하나의 질병 정보를 확인하는 단계를 포함하는, 질병 분류 방법.
- 제1 항에 있어서,
상기 청진음 데이터는 폐음 데이터를 포함하고,
상기 인공 지능 모델은 폐에 관한 질병을 분류하기 위한 제2 인공 지능 모델을 포함하고,
상기 특징 정보를 획득하는 단계는, 상기 청진음 데이터에서 폐음이 존재하는 주파수 외의 영역을 제거하는 단계를 포함하고,
상기 적어도 하나의 질병 정보를 확인하는 단계는, 상기 결합 정보를 상기 제2 인공 지능 모델에 입력하여 상기 결합 정보에 대응하는 폐에 관한 적어도 하나의 질병 정보를 확인하는 단계를 포함하는, 질병 분류 방법.
- 제1 항에 있어서, 상기 청진 위치 데이터를 획득하는 단계는,
진료 기록 데이터를 획득하는 단계; 및
키워드를 추출하는 인공 지능 모델을 이용하여, 상기 진료 기록 데이터에서 상기 청진 위치 데이터를 획득하는 단계를 포함하는, 질병 분류 방법.
- 제1 항에 있어서, 상기 인공 지능 모델은,
하나 이상의 청진음 데이터, 하나 이상의 청진 위치 데이터 및 하나 이상의 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습되는, 질병 분류 방법.
- 제16 항에 있어서, 상기 학습 데이터 세트는,
하나 이상의 생체 데이터를 더 포함하는, 질병 분류 방법.
- 제1 항에 있어서,
상기 인공 지능 모델은 심장에 관한 질병을 분류하기 위한 제1 인공 지능 모델 및 폐에 관한 질병을 분류하기 위한 제2 인공 지능 모델을 포함하고,
상기 제1 인공 지능 모델은, 하나 이상의 심음 데이터, 하나 이상의 심음 청진 위치 데이터 및 하나 이상의 심장에 관한 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습되고,
상기 제2 인공 지능 모델은, 하나 이상의 폐음 데이터, 하나 이상의 폐음 청진 위치 데이터 및 하나 이상의 폐에 관한 질병 데이터를 포함하는 학습 데이터 세트에 기초하여 학습되는, 질병 분류 방법.
- 제1 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 비일시적 기록매체.
- 전자 장치로서,
통신부;
메모리; 및
제어부(controller)를 포함하고, 상기 제어부는,
청진음 데이터, 청진 위치 데이터 및 신체 부위에 관한 정보를 포함하는 설정 데이터를 획득하고,
상기 청진음 데이터에 기초하여 특징 정보를 획득하고, 상기 청진 위치 데이터에 기초하여 청진 위치 정보를 획득하고,
상기 특징 정보 및 상기 청진 위치 정보를 결합하여, 결합 정보를 생성하고,
상기 결합 정보를 인공 지능 모델에 입력하여, 상기 결합 정보에 대응하는 적어도 하나의 질병 정보를 확인하고,
상기 특징 정보, 상기 청진 위치 정보 및 상기 결합 정보는 벡터의 형태를 가지고,
상기 제어부는 상기 청진 위치 정보를 획득할 때, 상기 청진 위치 데이터를 임베딩(embedding)하여 상기 청진 위치 정보를 획득하고,
상기 제어부는 상기 결합 정보를 생성할 때, 상기 특징 정보 및 상기 청진 위치 정보를 연결(concatenation)하여 상기 결합 정보를 생성하고,
상기 청진 위치 정보는 청진 가능 위치에 대응하는 설정된 수의 성분들을 포함하고,
상기 청진 가능 위치에 대응하는 설정된 수의 성분들 중 청진 위치에 대응하는 성분은 제1 값을 가지고, 나머지 성분은 제2 값을 가지고,
상기 설정된 수는 상기 신체 부위에 관한 정보에 기초하여 결정되는, 전자 장치.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220090887A KR102502620B1 (ko) | 2022-07-22 | 2022-07-22 | 인공지능을 이용한 질병 분류 방법 및 이를 위한 전자 장치 |
US18/143,919 US11937971B2 (en) | 2022-07-22 | 2023-05-05 | Method for classifying disease using artificial intelligence and electronic apparatus therefor |
JP2023119199A JP7468948B2 (ja) | 2022-07-22 | 2023-07-21 | 人工知能を用いた疾病分類方法およびそのための電子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220090887A KR102502620B1 (ko) | 2022-07-22 | 2022-07-22 | 인공지능을 이용한 질병 분류 방법 및 이를 위한 전자 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102502620B1 true KR102502620B1 (ko) | 2023-02-24 |
Family
ID=85330329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220090887A KR102502620B1 (ko) | 2022-07-22 | 2022-07-22 | 인공지능을 이용한 질병 분류 방법 및 이를 위한 전자 장치 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11937971B2 (ko) |
JP (1) | JP7468948B2 (ko) |
KR (1) | KR102502620B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102652747B1 (ko) * | 2023-10-30 | 2024-04-01 | 스마트사운드주식회사 | 인공 지능 모델 학습 방법 및 이를 위한 전자 장치 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013089072A1 (ja) * | 2011-12-13 | 2013-06-20 | シャープ株式会社 | 情報管理装置、情報管理方法、情報管理システム、聴診器、情報管理プログラム、測定システム、制御プログラムおよび記録媒体 |
KR20170064960A (ko) * | 2015-12-02 | 2017-06-12 | 김현호 | 파동신호를 활용한 질병 진단 장치 및 그 방법 |
JP2021133005A (ja) * | 2020-02-28 | 2021-09-13 | 国立大学法人 宮崎大学 | 聴診システム及び聴診方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5010889A (en) | 1988-02-04 | 1991-04-30 | Bloodline Technology | Intelligent stethoscope |
US7479115B2 (en) | 2006-08-25 | 2009-01-20 | Savic Research, Llc | Computer aided diagnosis of lung disease |
KR101191667B1 (ko) | 2010-05-20 | 2012-10-17 | 충북대학교 산학협력단 | 시간 영역 특징을 이용한 심장 질환 진단 장치 |
USD769278S1 (en) * | 2015-01-13 | 2016-10-18 | Comprehensive Telemedicine | Display screen with graphical user interface for auscultation points |
US10159459B2 (en) | 2016-11-11 | 2018-12-25 | iMEDI PLUS Inc. | Multi-mic sound collector and system and method for sound localization |
US11284827B2 (en) * | 2017-10-21 | 2022-03-29 | Ausculsciences, Inc. | Medical decision support system |
EA201800377A1 (ru) | 2018-05-29 | 2019-12-30 | Пт "Хэлси Нэтворкс" | Способ диагностики заболеваний органов дыхания и система для его реализации |
EP3608918B1 (en) * | 2018-08-08 | 2024-05-22 | Tata Consultancy Services Limited | Parallel implementation of deep neural networks for classifying heart sound signals |
US20200152330A1 (en) | 2018-11-13 | 2020-05-14 | CurieAI, Inc. | Scalable Personalized Treatment Recommendation |
US11550276B1 (en) * | 2019-04-24 | 2023-01-10 | Object Video Labs, LLC | Activity classification based on multi-sensor input |
CN112908291A (zh) | 2021-01-21 | 2021-06-04 | 宁波理得医疗科技有限公司 | 一种电子听诊器的毛刺噪声消除方法 |
-
2022
- 2022-07-22 KR KR1020220090887A patent/KR102502620B1/ko active IP Right Grant
-
2023
- 2023-05-05 US US18/143,919 patent/US11937971B2/en active Active
- 2023-07-21 JP JP2023119199A patent/JP7468948B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013089072A1 (ja) * | 2011-12-13 | 2013-06-20 | シャープ株式会社 | 情報管理装置、情報管理方法、情報管理システム、聴診器、情報管理プログラム、測定システム、制御プログラムおよび記録媒体 |
KR20170064960A (ko) * | 2015-12-02 | 2017-06-12 | 김현호 | 파동신호를 활용한 질병 진단 장치 및 그 방법 |
JP2021133005A (ja) * | 2020-02-28 | 2021-09-13 | 国立大学法人 宮崎大学 | 聴診システム及び聴診方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102652747B1 (ko) * | 2023-10-30 | 2024-04-01 | 스마트사운드주식회사 | 인공 지능 모델 학습 방법 및 이를 위한 전자 장치 |
Also Published As
Publication number | Publication date |
---|---|
US20240023922A1 (en) | 2024-01-25 |
JP7468948B2 (ja) | 2024-04-16 |
JP2024014851A (ja) | 2024-02-01 |
US11937971B2 (en) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021040882A (ja) | 心肺機能状態変化推定システム、心肺機能状態変化推定装置、心肺機能状態変化推定方法及び心肺機能状態変化推定プログラム | |
US10856811B2 (en) | Automated diagnosis-assisting medical devices utilizing rate/frequency estimation | |
US9973847B2 (en) | Mobile device-based stethoscope system | |
Kim et al. | The coming era of a new auscultation system for analyzing respiratory sounds | |
CN112654286A (zh) | 筛选结构性心脏病的设备、方法及*** | |
CN108135485A (zh) | 通过语音分析评估肺部病症 | |
JP7468948B2 (ja) | 人工知能を用いた疾病分類方法およびそのための電子装置 | |
Ramanathan et al. | Digital stethoscopes in paediatric medicine | |
JP6770521B2 (ja) | 堅牢な分類器 | |
JP2023168424A (ja) | 診断可能化データを識別するためのシステム、方法、及びコンピュータプログラム製品 | |
US20230329646A1 (en) | Classifying biomedical acoustics based on image representation | |
US20220005601A1 (en) | Diagnostic device for remote consultations and telemedicine | |
CN109497991A (zh) | 基于机器学习的心衰检测装置 | |
Paraschiv et al. | Machine learning approaches based on wearable devices for respiratory diseases diagnosis | |
Ali et al. | An end-to-end deep learning framework for real-time denoising of heart sounds for cardiac disease detection in unseen noise | |
CN116665504A (zh) | 一种心肺听诊***及其应用方法 | |
KR102652747B1 (ko) | 인공 지능 모델 학습 방법 및 이를 위한 전자 장치 | |
Teixeira et al. | Automatic Analysis of Lung Function Based on Smartphone Recordings | |
WO2021132320A1 (ja) | 制御装置、制御システム、および制御方法 | |
JP7508850B2 (ja) | 健康診断支援システム、および健康診断支援システムの制御プログラム | |
TWI782346B (zh) | 遠距醫療輔助系統及其操作方法 | |
EP4089682A1 (en) | Medical support system and medical support method for patient treatment | |
Alrabie et al. | HeartWave: A Multiclass Dataset of Heart Sounds for Cardiovascular Diseases Detection | |
Trivedy et al. | Microphone based Smartphone enabled Spirometry Data Augmentation using Information Maximizing Generative Adversarial Network | |
CN116340844A (zh) | 一种基于注意力机制的鲁棒心音分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |