KR102510769B1

KR102510769B1 - 인공지능 기반 관절 경직도 예측 시스템 및 방법

Info

Publication number: KR102510769B1
Application number: KR1020210017464A
Authority: KR
Inventors: 김중연; 박근수; 이성아; 남윤영
Original assignee: 순천향대학교 산학협력단
Priority date: 2021-02-08
Filing date: 2021-02-08
Publication date: 2023-03-16
Also published as: KR20220114224A

Abstract

본 발명은 인공지능 기반 관절 경직도 예측 시스템 및 방법에 관한 것으로, 더욱 상세하게는 관절에 관성센서를 부착하여 관절의 움직임에 따른 X, Y, Z축 가속도 및 각속도에 대응하는 관절 움직임 데이터에 관절 전문 치료사로부터 입력받은 경직도 평가점수를 입력받아 레이블링한 학습 데이터세트를 생성한 후, 관절 경직도 예측 인공지능 모델에 적용하여 학습시키고, 학습된 관절 경직도 예측 인공지능 모델에 관성센서에 기반한 환자의 관절 움직임 데이터에 대한 관절의 경직도 예측 점수를 예측하는 인공지능 기반 관절 경직도 예측 시스템 및 방법에 관한 것이다.

Description

인공지능 기반 관절 경직도 예측 시스템 및 방법{Artificial intelligence-based joint rigid prediction system and method thereof}

일반적으로, 임신과 출산, 중추신경계 손상으로 인한 뇌성마비, 뇌혈관 막힘, 선천성 심질환, 세균성 심내막염, 두부외상, 동정맥 기형, 혈액 질환 등으로 인한 뇌졸중, 교통사고, 산업재해, 스포츠 등 각종 사고로 인한 외상성 뇌손상 등을 포함하는 뇌병변장애 환자들이 증가하고 있다.

뇌병변장애 환자의 증상 중 대표적인 증상이 신경계통 이상으로 인한 상/하지의 마비 등으로 인한 경직이다.

통상적으로, 상/하지의 경직은 팔, 다리의 관절에서 발생되며, 뇌병변장애의 정도 및 재활훈련 등에 따라 그 경직 정도가 달라진다.

따라서 관절의 경직 정도, 즉 경직도를 판단해야 할 필요가 있다.

종래 관절의 경직도 판단은 전문 치료사가 환자의 관절을 움직이면서 느끼는 저항, 즉 경직 정도를 판단하여 이루어지고 있다. 즉, 경직도 판단은 전문 치료사의 경험칙에 의해 이루어지고 있다.

통상, 전문 치료사의 경험칙에 의한 경직도 평가 방법으로는 근 긴장도 평가점수(Modified Ashworth Scale: MAS) 방식이 적용되고 있다.

상기 MAS 방식은 하기 표 1과 같이 6개의 레벨로 나누어 0, 1, 1+, 2, 3, 4 의 점수를 부여한다.

상술한 바와 같이 종래 관절의 경직도 판단은 MAS에 기반하여 전문 치료사의 경험칙에 의해 이루어지므로, 전문 치료사에 따라 경직도 판단이 달라질 수 있는 문제점이 있다.

대한민국 등록특허 제10-1081643호(2011.11.09.공고)

따라서 본 발명의 목적은 관절에 관성센서를 부착하여 관절의 움직임에 따른 X, Y, Z축 가속도 및 각속도에 대응하는 관절 움직임 데이터에 관절 전문 치료사로부터 입력받은 경직도 평가점수를 입력받아 레이블링한 학습 데이터세트를 생성한 후, 관절 경직도 예측 인공지능 모델에 적용하여 학습시키고, 학습된 관절 경직도 예측 인공지능 모델에 관성센서에 기반한 환자의 관절 움직임 데이터에 대한 관절의 경직도 예측 점수를 예측하는 인공지능 기반 관절 경직도 예측 시스템 및 방법을 제공함에 있다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 관절 경직도 예측 시스템은: 환자의 관절에 부착되어 관절의 움직임에 따른 가속도 및 각속도를 포함하는 관절 움직임 신호 데이터를 출력하는 관절 움직임 측정부; 다수의 환자에 대한 관절 움직임 데이터 및 각 관절 움직임 데이터에 맵핑하여 경직도 평가점수가 레이블링된 학습 데이터세트를 저장하는 학습 데이터세트 DB를 포함하는 저장부; 및 관절 경직도 예측 인공지능 모델을 가지고 있으며, 상기 관절 경직도 예측 인공지능 모델에 상기 학습 데이터세트를 적용하여 상기 학습 데이터세트의 관절 움직임 데이터를 입력으로 받아 상기 학습 데이터세트의 관절 움직임 데이터에 레이블링된 경직도 평가점수를 출력하도록 학습시킨 후, 상기 관절 움직임 측정부를 통해 측정되는 관절 움직임 신호 데이터를 학습된 상기 관절 경직도 예측 인공지능 모델에 적용하여 상기 관절 움직임 데이터에 대한 경직도 평가점수를 예측하여 출력하는 경직도 예측 모듈을 포함하는 것을 특징으로 한다.

상기 경직도 예측 모듈은, 다수의 환자들에 대한 관절 움직임 데이터 및 상기 각 관절 움직임 데이터에 대한 경직도 평가점수를 입력받아 레이블링한 학습 데이터세트를 생성하여 상기 학습 데이터세트 DB에 저장하는 학습 데이터 생성부; 상기 학습 데이터세트의 관절 움직임 데이터를 입력으로 받고 상기 경직도 평가점수를 출력으로 하는 관절 경직도 예측 인공지능 모델을 포함하고, 상기 관절 경직도 예측 인공지능 모델에 상기 학습 데이터세트를 적용하여 관절 움직임 데이터에 대한 경직도 평가점수를 학습시키는 학습부; 및 상기 학습부에서 학습된 관절 경직도 예측 인공지능 모델을 포함하여, 상기 관절 움직임 측정부에서 입력되는 관절 움직임 데이터를 상기 관절 경직도 예측 인공지능 모델에 적용하여 경직도 평가점수를 예측하여 출력하는 경직도 예측부를 포함하는 것을 특징으로 한다.

상기 학습 데이터 생성부는, 상기 관절 움직임 측정부로부터 입력되는 관절 움직임 신호 데이터를 전처리하여 출력하는 데이터 전처리부; 상기 전처리된 관절 움직임 신호 데이터를 입력받아 특징을 상기 관절 움직임 신호 데이터의 복수의 특징을 추출하고, 추출된 복수의 특징을 포함하는 관절 움직임 데이터를 출력하는 특징 추출부; 상기 관절 움직임 데이터에 대한 경직도 평가점수를 입력받아 획득하는 경직도 획득부; 및 상기 관절 움직임 데이터에 상기 획득된 경직도 평가점수를 레이블링한 데이터세트를 생성하여 상기 학습 데이터세트 DB에 저장하되, 미리 설정된 환자 수 이상의 데이터세트을 학습 데이터세트로서 생성하여 상기 학습 데이터세트 DB에 저장하는 데이터세트 생성부를 포함하는 것을 특징으로 한다.

상기 저장부는, 갱신 데이터세트 DB를 더 포함하되, 상기 경직도 예측부는, 상기 관절 움직임 측정부로부터 입력되는 관절 움직임 신호 데이터를 전처리하여 출력하는 데이터 전처리부; 및 상기 전처리된 관절 움직임 신호 데이터를 입력받아 특징을 상기 관절 움직임 신호 데이터의 복수의 특징을 추출하고, 추출된 복수의 특징을 포함하는 관절 움직임 데이터를 출력하는 특징 추출부; 상기 특징 추출부에서 입력되는 관절 움직임 데이터를 적용하여 경직도 평가점수를 예측하여 출력하는 학습된 상기 관절 경직도 예측 인공지능 모델; 및 상기 관절 경직도 예측 인공지능 모델로부터 경직도 평가점수가 출력되면 상기 관절 움직임 데이터에 출력된 상기 경직도 평가점수를 레이블링하여 데이터세트를 생성하여 상기 갱신 데이터세트 DB에 저장하고, 일정 환자 수 이상의 데이터세트의 생성 시 상기 일정 환자 수 이상의 데이터세트에 대한 갱신 학습 데이터세트를 학습 데이터세트 DB에 저장된 학습 데이터세트에 추가하는 재학습 데이터세트 구성부를 포함하되, 상기 학습부는 상기 학습 데이터세트 DB의 학습 데이터세트에 갱신 학습 데이터세트가 추가 시 상기 관절 경직도 예측 인공지능 모델에 적용하여 재학습시키는 것을 특징으로 한다.

상기 데이터 전처리부는, 환자의 관절의 4회 이상의 움직임에 대한 관절 움직임 신호 데이터가 입력되면 상기 관절 움직임 신호 데이터의 각속도 데이터를 기준으로 관절 움직별 각속도가 0에 근접한 위치를 분할하여 관절 움직임별로 상기 관절 움직임 신호 데이터를 분할하고, 최초 관절 움직임 및 최후 관절 움직임에 대한 분할된 분할 데이터를 제거하는 전처리를 수행한 2회 이상의 관절 움직임에 대한 분할 데이터를 포함하는 상기 관절 움직임 데이터를 출력하는 것을 특징으로 한다.

상기 데이터 전처리부는, 최초 및 최후 관절 움직임에 대한 분할 데이터를 제거하는 1차 전처리 후, 1차 전처리된 2회 이상의 관절 움직임에 대응하는 2개 이상의 파형 구간 중 첫 번째 파형구간의 50% 위치 및 다음 파형 구간의 50% 위치를 분할한 1개 이상의 분할 데이터를 생성하는 2차 전처리를 수행하되, 상기 1차 전처리된 2개 이상의 분할 데이터 및 상기 2차 전처리된 1개 이상의 분할 데이터를 포함하는 관절 움직임 데이터를 생성하여 출력하는 것을 특징으로 한다.

상기 관절 움직임 5회이고, 상기 1차 전처리된 분할 데이터의 파형은 3개이며, 2차 전처리된 분할 데이터의 파형은 2개이며, 상기 관절 움직임 데이터는 5개의 분할 데이터로 구성되는 것을 특징으로 한다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 관절 경직도 예측 방법은: 관절 움직임 측정부가 환자의 관절에 부착되어 관절의 움직임에 따른 가속도 및 각속도를 포함하는 관절 움직임 신호 데이터를 경직도 예측 모듈로 출력하는 관절 움직임 측정 과정; 및 관절 경직도 예측 인공지능 모델을 가지고 있는 상기 경직도 예측 모듈이 상기 관절 경직도 예측 인공지능 모델에 학습 데이터세트 DB에 저장되어 있는 다수의 환자에 대한 관절 움직임 데이터 및 각 관절 움직임 데이터에 맵핑하여 경직도 평가점수가 레이블링된 학습 데이터세트를 적용하여 상기 학습 데이터세트의 관절 움직임 데이터를 입력으로 받아 상기 학습 데이터세트의 관절 움직임 데이터에 레이블링된 경직도 평가점수를 출력하도록 학습시킨 후, 상기 관절 움직임 측정부를 통해 측정되는 관절 움직임 신호 데이터를 학습된 상기 관절 경직도 예측 인공지능 모델에 적용하여 상기 관절 움직임 데이터에 대한 경직도 평가점수를 예측하여 출력하는 관절 경직도 예측 과정을 포함하는 것을 특징으로 한다.

상기 관절 경직도 예측 과정은, 경직도 예측 모듈의 학습 데이터 생성부가 다수의 환자들에 대한 관절 움직임 데이터 및 상기 각 관절 움직임 데이터에 대한 경직도 평가점수를 입력받아 레이블링한 학습 데이터세트를 생성하여 상기 학습 데이터세트 DB에 저장하는 학습 데이터 생성 단계; 상기 경직도 예측 모듈의 학습부가 상기 학습 데이터세트의 관절 움직임 데이터를 입력으로 받고 상기 경직도 평가점수를 출력으로 하는 관절 경직도 예측 인공지능 모델을 포함하고, 상기 관절 경직도 예측 인공지능 모델에 상기 학습 데이터세트를 적용하여 관절 움직임 데이터에 대한 경직도 평가점수를 학습시키는 학습 단계; 및 상기 경직도 예측 모듈의 예측부가 상기 관절 움직임 측정부에서 입력되는 관절 움직임 데이터를 학습된 상기 관절 경직도 예측 인공지능 모델에 적용하여 경직도 평가점수를 예측하여 출력하는 경직도 예측 단계를 포함하는 것을 특징으로 한다.

상기 학습 데이터 생성 과정은, 상기 학습 데이터 생성부의 데이터 전처리부가 상기 관절 움직임 측정부로부터 입력되는 관절 움직임 신호 데이터를 전처리하여 출력하는 데이터 전처리 단계; 상기 학습 데이터 생성부의 특징 추출부가 상기 전처리된 관절 움직임 신호 데이터를 입력받아 특징을 상기 관절 움직임 신호 데이터의 복수의 특징을 추출하고, 추출된 복수의 특징을 포함하는 관절 움직임 데이터를 출력하는 특징 추출 단계; 상기 학습 데이터 생성부의 경직도 획득부가 상기 관절 움직임 데이터에 대한 경직도 평가점수를 입력받아 획득하는 경직도 획득 단계; 및 상기 학습 데이터 생성부의 데이터세트 생성부가 상기 관절 움직임 데이터에 상기 획득된 경직도 평가점수를 레이블링한 데이터세트를 생성하여 상기 학습 데이터세트 DB에 저장하되, 미리 설정된 환자 수 이상의 데이터세트을 학습 데이터세트로서 생성하여 상기 학습 데이터세트 DB에 저장하는 데이터세트 생성 단계를 포함하는 것을 특징으로 한다.

상기 관절 경직도 예측 과정은, 상기 경직도 예측부의 데이터 전처리부가 상기 학습 데이터 생성부의 데이터 전처리부가 상기 관절 움직임 측정부로부터 입력되는 관절 움직임 신호 데이터를 전처리하여 출력하는 데이터 전처리 단계; 상기 학습 데이터 생성부의 특징 추출부가 상기 전처리된 관절 움직임 신호 데이터를 입력받아 특징을 상기 관절 움직임 신호 데이터의 복수의 특징을 추출하고, 추출된 복수의 특징을 포함하는 관절 움직임 데이터를 출력하는 특징 추출 단계; 상기 경직도 예측부의 상기 관절 경직도 예측 인공지능 모델이 상기 데이터 전처리부에서 입력되는 관절 움직임 데이터를 적용하여 경직도 평가점수를 예측하여 출력하는 예측 단계; 및 상기 경직도 예측부의 재학습 데이터세트 구성부가 상기 관절 경직도 예측 인공지능 모델로부터 경직도 평가점수가 출력되면 상기 관절 움직임 데이터에 출력된 상기 경직도 평가점수를 레이블링하여 데이터세트를 생성하여 상기 갱신 데이터세트 DB에 저장하고, 일정 환자 수 이상의 데이터세트의 생성 시 상기 일정 환자 수 이상의 데이터세트에 대한 갱신 학습 데이터세트를 학습 데이터세트 DB에 저장된 학습 데이터세트에 추가하는 재학습 데이터세트 구성 단계를 포함하되, 상기 학습부가 상기 학습 데이터세트 DB의 학습 데이터세트에 갱신 학습 데이터세트가 추가되면 상기 관절 경직도 예측 인공지능 모델에 적용하여 재학습시키는 재학습 과정을 더 포함하는 것을 특징으로 한다.

상기 데이터 전처리 단계에서 상기 데이터 전처리부가 환자의 관절의 4회 이상의 움직임에 대한 관절 움직임 신호 데이터가 입력되면 상기 관절 움직임 신호 데이터의 각속도 데이터를 기준으로 관절 움직별 각속도가 0에 근접한 위치를 분할하여 관절 움직임별로 상기 관절 움직임 신호 데이터를 분할하고, 최초 관절 움직임 및 최후 관절 움직임에 대한 분할된 분할 데이터를 제거하는 전처리를 수행한 2회 이상의 관절 움직임에 대한 분할 데이터를 포함하는 상기 관절 움직임 데이터를 출력하는 것을 특징으로 한다.

상기 데이터 전처리 단계는, 최초 및 최후 관절 움직임에 대한 분할 데이터를 제거하는 1차 데이터 전처리를 수행하는 제1차 전처리 단계; 및 1차 전처리된 2회 이상의 관절 움직임에 대응하는 2개 이상의 파형 구간 중 첫 번째 파형구간의 50% 위치 및 다음 파형 구간의 50% 위치를 분할한 1개 이상의 분할 데이터를 생성하는 2차 전처리를 수행하는 2차 전처리 단계를 포함하여, 상기 1차 전처리된 2개 이상의 분할 데이터 및 상기 2차 전처리된 1개 이상의 분할 데이터를 포함하는 관절 움직임 데이터를 생성하여 출력하는 것을 특징으로 한다.

본 발명은 관성센서를 통해 측정되는 관절의 움직임 속도에 기반하여 관절의 경직도 평가를 수행하므로, 치료사의 경험칙에 의존하지 않고, 객관적이면서 정확하게 관절의 경직도를 평가할 수 있는 효과가 있다.

도 1은 본 발명에 따른 인공지능 기반 관절 경직도 예측 시스템의 구성을 나타낸 도면이다.
도 2는 본 발명에 따른 인공지능 기반 관절 경직도 예측 방법을 나타낸 흐름도이다.
도 3은 본 발명에 따른 인공지능 기반 관절 경직도 예측 방법 중 학습 데이터세트 생성 방법을 나타낸 흐름도이다.
도 4는 본 발명에 따른 관성센서에 의한 가속도 및 각속도에 대한 센서신호의 파형을 나타낸 도면이다.
도 5는 본 발명에 따른 관성센서 신호의 1차 전처리 방법을 설명하기 위한 각속도 파형을 나타낸 도면이다.
도 6은 본 발명에 따른 관성센서 신호의 2차 전처리 방법을 설명하기 위한 가속도 및 각속도 파형을 나타낸 도면이다.

이하 첨부된 도면을 참조하여 본 발명에 따른 인공지능 기반 관절 경직도 예측 시스템의 구성 및 동작을 상세히 설명하고, 상기 시스템에서의 관절 경직도 예측 방법을 설명한다.

도 1은 본 발명에 따른 인공지능 기반 관절 경직도 예측 시스템의 구성을 나타낸 도면이다.

본 발명에 따른 인공지능 기반 관절 경직도 예측 시스템은 저장부(10), 관절 움직임 측정부(20) 및 경직도 예측 모듈(50)을 포함하고, 실시예에 따라 디스플레이부(30) 및 입력부(40)를 더 포함한다.

저장부(10)는 본 발명에 따른 인공지능 기반 관절 경직도 예측 시스템의 전반적인 동작을 제어하기 위한 제어프로그램을 저장하는 프로그램영역, 상기 제어프로그램 수행 중에 발생되는 데이터를 일시 저장하는 임시영역, 상기 제어프로그램 수행에 필요한 데이터 및 수행 중에 발생되는 데이터를 반영구적으로 저장하는 데이터영역을 포함한다. 상기 데이터영역에는 본 발명에 따라 학습 데이터세트 DB(11) 및 갱신 데이터세트 DB(12)가 구성될 수 있을 것이다.

상기 학습 데이터세트 DB(11)는 다수의 환자에 대한 관절 움직임 데이터 및 각 관절 움직임 데이터에 맵핑하여 경직도 평가점수가 레이블링된 학습 데이터세트를 저장한다. 상기 경직도 평가점수 방식으로는 상술한 근 긴장도 평가점수(MAS)가 적용될 수 있을 것이다.

상기 갱신 데이터세트 DB(12)는 학습된 관절 경직도 예측 인공지능 모델에 관절 움직임 측정부(20)로부터 측정되는 관절 움직임 신호 데이터에 대한 관절 움직임 데이터를 적용하여 출력되는 출력 결과인 경직도 평가정보가 상기 관절 움직임 데이터에 라벨링된 데이터세트들을 저장한다.

관절 움직임 측정부(20)는 환자의 관절에 부착되는 관성센서를 구비하고, 관절의 움직임에 따라 관성센서로부터 출력되는 X, Y, Z축 각각에 대한 가속도(Acceleration) 및 각속도(Angular Velocity) 신호에 대한 데이터를 포함하는 관절 움직임 신호 데이터를 경직도 예측 모듈(60)로 출력한다. 상기 관성센서는 가속도센서, 자이로센서 등이 될 수 있을 것이다.

디스플레이부(30)는 경직도 예측 모듈(50)의 제어를 받아 현재의 동작상태에 대한 정보 및 예측된 경직도 평가점수 등과 같은 다양한 정보를 텍스트, 그래픽, 영상 등 중 어느 하나 이상으로 표시한다. 상기 디스플레이부(30)는 상기 관절 움직임 측정부(20)로부터 입력되는 관절 움직임 신호 데이터에 대한 파형을 표시할 수도 있을 것이다.

입력부(40)는 다수의 기능 및 상기 관절 움직임 측정부(20)에 출력되는 관절의 움직임에 따른 관절 움직임 신호 데이터에 대응하는 경직도 평가점수를 입력할 수 있는 다수의 키를 포함하는 키입력장치, 상기 디스플레이부(30)의 화면에 일체로 구성되어 터치되는 위치에 대응하는 위치신호를 출력하여, 디스플레이부(30)의 화면에 표시된 사용자 인터페이스 수단 중 상기 위치에 대응하는 명령에 대응하는 정보 입력을 처리하는 터치패드 등을 포함할 수 있을 것이다.

경직도 예측 모듈(50)은 학습 데이터 생성부(60), 학습부(70) 및 경직도 예측부(80)를 포함하여, 학습 데이터의 생성, 생성된 학습 데이터에 의한 관절 경직도 예측 인공지능 모델 학습, 학습된 관절 경직도 예측 인공지능 모델에 의한 관절의 경직도 평가점수 예측 등을 수행한다.

즉, 경직도 예측 모듈(50)은 관절 경직도 예측 인공지능 모델을 가지고 있으며, 상기 관절 경직도 예측 인공지능 모델에 상기 학습 데이터세트 DB(11)에 저장되어 있는 학습 데이터세트를 적용하여 상기 학습 데이터세트의 관절 움직임 데이터를 상기 관절 경직도 예측 인공지능 모델의 입력으로 설정하고 상기 학습 데이터세트의 관절 움직임 데이터에 레이블링된 경직도 평가점수를 출력으로 설정하여 학습시킨 후, 상기 관절 움직임 측정부를 통해 측정되는 관절 움직임 신호 데이터를 학습된 상기 관절 경직도 예측 인공지능 모델에 적용하여 상기 관절 움직임 데이터에 대한 경직도 평가점수를 예측하여 출력한다.

구체적으로 설명하면, 학습 데이터 생성부(60)는 데이터 전처리부(61), 특징 추출부(62), 경직도 획득부(63) 및 데이터세트 생성부(64)를 포함하여, 다수의 환자들에 대한 관절 움직임 데이터에 경직도 평가점수가 레이블링된 데이터세트들을 포함하는 학습 데이터세트를 생성한다.

상기 학습 데이터 생성부(60)는 수집해야 할 데이터세트의 최소 수, 즉 최소 환자 수를 정의하고 있는 것이 바람직하다. 상기 데이터세트의 수는 많을수록 좋을 것이다.

상기 데이터 전처리부(61)는 관절 움직임 측정부(20)로부터 관절의 움직임 및 움직임 횟수(굽혔다 폈다를 1회로 간주)에 따른 X, Y, Z 축 가속도 및 각속도 데이터를 포함하는 관절 움직임 신호 데이터를 입력받고, 상기 관절 움직임 신호 데이터를 최적화하기 위한 데이터 전처리를 수행한다.

상기 관절 움직임 신호 데이터는 최소 두 번의 관절 움직임 횟수에 대한 데이터인 것이 바람직하며, 이하 설명에서는 5번의 관절 움직임에 대한 데이터인 경우를 예를 들어 설명한다.

상기 데이터 전처리는 1차 데이터 전처리 및 2차 데이터 전처리로 구성된다.

1차 데이터 전처리는 입력되는 5회의 관절 움직임에 따른 관절 움직임 신호 데이터 중 첫 번째 관절 움직임 및 마지막 관절 움직임에 따른 가속도 및 각속도 데이터 구간을 제거하고, 2회 내지 4회의 관절 움직임에 따른 가속도 및 각속도 데이터 구간만을 출력한다. 이는 환자의 관절 움직임 시작 및 종료 시 속도 조절 실패 등으로 발생할 수 있는 잡음을 제거하기 위한 것이다.

2차 데이터 전처리는 1차 데이터 전처리된 관절 움직임 신호 데이터를 관절 움직임 신호 데이터에 포함된 움직임 횟수(n)+(n-1)로 분할한다. 5회의 관절 움직임에 대해 1차 데이터 전처리에서 3회의 관절 움직임에 대한 데이터가 존재하는 경우를 예를 들면, 3개의 관절 움직임에 대한 관절 움직임 신호 데이터를 3+(3-1)=5로 분할한다. 이하 분할된 데이터를 세그먼트라 한다.

분할 방법으로는 관절 움직임에 따른 데이터 구간을 분할하고, 상기 관절 움직임 신호 데이터의 각 관절 움직임에 대한 데이터 구간의 중앙(50%) 지점(위치)과 다음 데이터 구간의 중앙(50%) 지점을 하나의 데이터 구간으로 중복 생성하는 50%구간 중복 분할하는 중복 분할 방식이 적용될 수 있을 것이다.

2차 데이터 전처리된 관절 움직임 신호 데이터가 3개의 관절 움직임에 대한 데이터(구간)을 포함하는 경우를 예를 들면, 2차 전처리 과정에서는 3개의 관절 움직임에 대한 데이터 구간을 1차적으로 분할하여 3개의 세그먼트를 획득하고, 상기 3개의 관절 움직임에 대한 데이터 구간의 중앙(50%) 지점과 다음 구간의 중앙(50%) 지점을 분할여 2개의 세그먼트를 획득한다. 즉, 2차 전처리 과정에서는 상기 예에서 5개의 세그먼트를 획득한다.

특징 추출부(62)는 데이터 전처리부(61)에서 전처리된 관절 움직임 신호 데이터의 세그먼트들에 대한 특징을 추출하고, 그 특징정보들을 포함하는 관절 움직임 데이터를 생성하여 출력한다.

상기 특징정보 추출 방법으로는 통계 방식(제곱 평균 제곱근, 평균, 표준 편차, 에너지, 스펙트럼 에너지, 절대차 및 분산 등), 롤(Roll) 및 피치(Pitch) 방식, 및 신호 크기 영역(Signal Magnitude Area: SMA) 방식, 벡터 크기(Vector Magnitude: VM) 방식 중 어느 하나 이상이 적용될 수 있을 것이다.

특징 추출부(62)는 상기 특징정보 추출 방법들을 하기 표 2와 같이 통계방식에 의해 42개의 특징을 추출하여 특징셋1(FS1)을 구성하고, 특징셋1에 롤, 피치, 신호 크기영역 방식 및 벡터 크기 방식을 적용한 추가적인 16개의 특징을 추출하여 58개의 특징셋(FS2)을 관절 움직임 데이터로서 출력할 수 있을 것이다.

상기 회전값인 롤(Roll) 및 피치는 하기 수학식 1 및 수학식 2에 의해 계산된다.

여기서, x, y, z는 x, y, z 방향의 가속도를 나타내고, g는 중력으로 인한 가속도를 나타낸다.

그리고 상기 SV 및 SMA는 하기 수학식 3 및 수학식 4에 의해서 계산될 수 있을 것이다.

경직도 획득부(63)는 데이터 전처리부(61) 및 특징 추출부(62)를 통해 출력되는 관절 움직임 데이터에 대한 경직도 평가점수를 입력부(40)를 통해 입력받아 데이터세트 생성부(64)로 출력한다.

상기 경직도 획득부(62)는 전처리 후의 상기 관절 움직임 신호 데이터에 대응하는 파형을 디스플레이부(30)에 표시하고 상기 관절 움직임 신호 데이터에 대응하는 경직도 평가점수를 입력부(40)를 통해 입력받을 수도 있을 것이다.

데이터세트 생성부(64)는 상기 특징 추출부(62)에서 출력되는 관절 움직임 데이터에 상기 경직도 획득부(63)에서 획득된 경직도 평가점수를 레이블링한 데이터세트를 생성하여 학습 데이터세트 DB(11)에 저장하고, 미리 설정된 수 이상의 데이터세트가 생성되면 상기 미리 설정된 수 이상의 데이터세트를 학습 데이터세트으로 설정한다.

학습부(70)는 관절 경직도 예측 인공지능 모델을 가지고 있으며, 학습 데이터 생성부(60)의 데이터세트 생성부(64)를 통해 학습 데이터세트가 생성되면 상기 관절 경직도 예측 인공지능 모델에 상기 학습 데이터세트를 적용하여 상기 관절 경직도 예 인공지능 모델을 학습시킨다. 즉 학습부(70)는 상술한 바와 같이 입력인 관절 움직임 데이터에 대한 관절의 경직도 평가점수를 학습한다.

상기 관절 경직도 예측 인공지능 모델은 선형판별분석(Linear Discriminant Analysis: LDA), 서포트 벡터 머신(Sepport Vector Machines: SVM), 의사결정트리(Decision Tree: DT), 랜덤 포레스트(Random Forests: RFs), 다층 퍼셉트론(Multilayer Perceptrons: MLP)를 포함하여 널리 사용되는 여러개의 학습 분류기로 구성될 수 있을 것이다.

경직도 예측부(80)는 데이터 전처리부(81), 특징 추출부(82) 및 관절 경직도 예측 인공지능 모델(83)을 포함하고, 실시예에 따라 재학습 데이터세트 구성부(84)를 더 포함한다.

데이터 전처리부(81) 및 특징 추출부(82)는 상술한 학습 데이터 생성부(60)의 데이터 전처리부(61) 및 특징 추출부(62)와 동일한 동작을 수행하므로 그 설명을 생략한다.

관절 경직도 예측 인공지능 모델(83)은 상기 학습부(70)에서 학습된 관절 경직도 예측 인공지능 모델로, 실시예에 따라 상기 특징 추출부(82)로부터 출력되는 관절 움직임 데이터에 대한 경직도 평가점수를 출력한다. 상기 경직도 평가점수는 디스플레이부(30)에 표시될 것이다.

재학습 데이터세트 구성부(84)는 상기 관절 경직도 예측 인공지능 모델(83)로부터 경직도 평가점수가 출력되면 상기 관절 움직임 데이터에 출력된 상기 경직도 평가점수를 레이블링하여 데이터세트를 생성하여 상기 갱신 데이터세트 DB(12)에 저장하고, 일정 환자 수 이상의 데이터세트의 생성 시 상기 일정 환자 수 이상의 데이터세트에 대한 갱신 학습 데이터세트를 학습 데이터세트 DB(11)에 저장된 학습 데이터세트에 추가한다.

그러면 학습부(70)는 상기 학습 데이터세트 DB(11)의 학습 데이터세트에 갱신 학습 데이터세트가 추가되면 상기 관절 경직도 예측 인공지능 모델에 적용하여 재학습시키고, 재학습된 관절 경직도 예측 인공지능 모델을 경직도 예측부(80)로 제공할 것이다.

도 2는 본 발명에 따른 인공지능 기반 관절 경직도 예측 방법을 나타낸 흐름도이다.

도 2를 참조하면, 경직도 예측 모듈(50)은 학습 데이터 생성부(60)를 통해 관절 움직임 측정부(20)를 통해 관절의 움직임에 따른 X, Y, Z축 가속도 및 각속도 신호를 포함하는 관절움직임 신호 기반 학습 데이터세트를 생성한다(S111).

학습 데이터세트가 생성되면 경직도 예측 모듈(50)은 학습부(70)를 통해 관절 경직도 예측 인공지능 모델에 학습 데이터세트를 적용하여 관절 움직에 따른 가속도 및 각속도에 대한 경직도 평가점수를 학습한다(S113).

관절 경직도 예측 인공지능 모델의 학습이 완료되면 경직도 예측 모듈(50)은 경직도 예측부(80)에 학습된 관절 경직도 예측 인공지능 모델을 적용한다(S115).

학습된 관절 경직도 예측 인공지능 모델이 적용된 경직도 예측부(80)는 관절 움직임 측정부(20)로부터 관절 움직임 신호 데이터가 입력되는지를 모니터링하고(S117), 관절 움직임 신호 데이터가 입력되면 상기 관절 움직임 신호 데이터를 전처리한 전처리 관절 움직임 신호 데이터로부터 추출된 특징정보들을 포함하는 관절 움직임 데이터를 상기 학습된 관절 경직도 예측 인공지능 모델(83)에 적용하고(S119), 관절 경직도 예측 인공지능 모델(83)로부터 그 출력값인 경직도 평가점수가 출력되는지를 모니터링한다(S121).

경직도 평가점수가 출력되면 경직도 예측 모듈(50)은 경직도 평가점수를 디스플레이부(30)로 출력하여 표시한다(S123).

도 3은 본 발명에 따른 인공지능 기반 관절 경직도 예측 방법 중 학습 데이터세트 생성 방법을 나타낸 흐름도이고, 도 4는 본 발명에 따른 관성센서에 의한 가속도 및 각속도에 대한 센서신호의 파형을 나타낸 도면이고, 도 5는 본 발명에 따른 관성센서 신호의 1차 전처리 방법을 설명하기 위한 각속도 파형을 나타낸 도면이며, 도 6은 본 발명에 따른 관성센서 신호의 2차 전처리 방법을 설명하기 위한 가속도 및 각속도 파형을 나타낸 도면이다. 이하 도 3 내지 도 6을 참조하여 설명한다.

학습 데이터 생성부(60)는 관절 움직임 측정부(20)로부터 관절 움직임 신호 데이터가 입력되는지를 모니터링한다(S211).

상기 관절 움직임 신호 데이터는 도 4에서와 같이 관절의 움직임(관절을 굽혔다가 펴는 움직임 또는 폈다가 굽히는 움직임)에 대해 401과 같은 X, Y, Z축에 대한 가속도 파형을 출력하고, 402와 같은 X, Y, Z축에 대한 각속도 파형을 형성한다.

도 4는 5회의 관절 움직임에 대한 파형을 나타낸 것으로, 관절을 굽혔다 펴는 동작에 의해 가속도 및 각속도는 증가하였다 감소하는 파형을 관절 움직 횟수에 따라 반복한다.

관절 움직임 신호 데이터가 입력되면 학습 데이터 생성부(60)는 데이터 전처리부(61)에서 데이터 전처리된 상기 관절 움직임 신호 데이터의 첫 번째 관절 움직임 및 마지막 관절 움직임에 대한 데이터를 제거하는 1차 데이터 전처리를 수행하고, 상기 1차 데이터 전처리가 수행된 관절 움직임 데이터 신호를 관절을 굽혔다 펴는(또는 폈다가 굽히는) 관절 움직임별로 분할하고, 한 번의 관절 움직임에 대한 데이터 구간의 중앙 지점과 다음 번의 관절 움직임에 대한 데이터 구간의 중앙지점을 분할하는 2차 데이터 전처리를 수행한다(S213).

구체적으로, 도 5를 참조하면 학습 데이터 생성부(60)의 데이터 전처리부(61)는 각속도 파형을 기준으로 첫 번째 관절 움직임에 대한 데이터 구간(502) 및 마지막 관절 움직임에 대한 데이터 구간(503)을 제거하는 1차 데이터 전처리를 수행하여, 두 번째, 세 번째 및 네 번째 관절 움직임에 대한 데이터 구간(501)만을 취한다.

데이터 전처리부(61)는 1차 데이터 전처리에 의해 도 6과 같은 각속도 데이터 및 가속도 데이터를 포함하는 관절 움직임 신호 데이터가 획득되면 우선적으로 601과 같이 두 번째 관절 움직임에 대한 데이터 구간(611), 세 번째 관절 움직임에 대한 데이터 구간(612) 및 네 번째 관절 움직임에 대한 데이터 구간(613)을 분할하여 3개의 세그먼트를 획득한다.

그런 후 데이터 전처리부(61)는 제1세그먼트(611)의 중앙 지점(위치)과 다음의 제2세그먼트(612)의 중앙지점을 중복 분할하여 제4세그먼트(614)를 생성하고, 제2세그먼트(612)의 중앙지점과 제3세그먼트(613)의 중앙지점을 중복 분할하여 제5세그먼트(615)를 생성하여 5개의 세그먼트를 관절 움직임 신호 데이터로서 출력하는 2차 데이터 전처리를 수행한다.

데이터 전처리가 수행되면 학습 데이터 생성부(60)는 설정된 관절 움직임 횟수에 대응하는 세그먼트들을 포함하는 데이터 전처리된 관절 움직임 신호 데이터의 세그먼트들로부터 특징을 추출하고, 추출된 특징들을 포함하는 데이터세트를 생성하여 학습 데이터세트 DB(11)에 저장한다(S215).

학습 데이터 생성부(60)는 경직도 획득부(63)를 통해 상기 관절 움직임 신호 데이터에 대응하는 파형 또는 값을 디스플레이부(30)에 표시하고, 그에 대응하는 경직도 평가점수를 입력할 것을 요청하는 메시지를 디스플레이부(30)에 표시한다(S217).

상기 경직도 평가점수의 입력 요청 후 학습 데이터 생성부(60)는 경직도 평가점수가 입력부(40)를 통해 입력되는지를 모니터링한다(S219).

경직도 평가점수가 입력되면 학습 데이터 생성부(60)는 획득된 관절 움직임 데이터에 입력된 경직도 평가점수를 레이블링하여 데이터세트를 생성하고 학습 데이터세트 DB(11)에 저장한다(S221).

데이터세트가 생성되어 저장되면 학습 데이터 생성부(60)는 미리 설정된 개수 이상의 데이터세트가 생성되었는지를 판단하고(S223), 미리 설정된 개수 이상의 데이터세트가 생성되지 않았으면 상술한 S211 이후의 과정을 반복 수행하고, 미리 설정된 개수 이상의 데이터세트가 생성되었으면 갱신 학습 데이터세트를 생성하여 학습 데이터세트 DB(11)의 학습 데이터세트에 추가한다(S225).

한편, 본 발명은 전술한 전형적인 바람직한 실시예에만 한정되는 것이 아니라 본 발명의 요지를 벗어나지 않는 범위 내에서 여러 가지로 개량, 변경, 대체 또는 부가하여 실시할 수 있는 것임은 당해 기술분야에서 통상의 지식을 가진 자라면 용이하게 이해할 수 있을 것이다. 이러한 개량, 변경, 대체 또는 부가에 의한 실시가 이하의 첨부된 특허청구범위의 범주에 속하는 것이라면 그 기술사상 역시 본 발명에 속하는 것으로 보아야 한다.

10: 저장부 11: 학습 데이터세트 DB
12: 갱신 데이터세트 DB 20: 관절 움직임 측정부
30: 디스플레이부 40: 입력부
50: 경직도 예측 모듈 60: 학습 데이터 생성부
61: 데이터 전처리부 62: 특징 추출부
63: 경직도 획득부 64: 데이터세트 생성부
70: 학습부 80: 경직도 예측부
81: 데이터 전처리부 82: 특징 추출부
83: 관절 경직도 예측 인공지능 모델
84: 재학습 데이터세트 구성부

Claims

환자의 관절에 부착되어 관절의 움직임에 따른 가속도 및 각속도를 포함하는 관절 움직임 신호 데이터를 출력하는 관절 움직임 측정부;
다수의 환자에 대한 관절 움직임 데이터 및 각 관절 움직임 데이터에 맵핑하여 경직도 평가점수가 레이블링된 학습 데이터세트를 저장하는 학습 데이터세트 DB를 포함하는 저장부; 및
관절 경직도 예측 인공지능 모델을 가지고 있으며, 상기 관절 경직도 예측 인공지능 모델에 상기 학습 데이터세트를 적용하여 상기 학습 데이터세트의 관절 움직임 데이터를 입력으로 받아 상기 학습 데이터세트의 관절 움직임 데이터에 레이블링된 경직도 평가점수를 출력하도록 학습시킨 후, 상기 관절 움직임 측정부를 통해 측정되는 관절 움직임 신호 데이터를 학습된 상기 관절 경직도 예측 인공지능 모델에 적용하여 상기 관절 움직임 데이터에 대한 경직도 평가점수를 예측하여 출력하는 경직도 예측 모듈을 포함하는 것을 특징으로 하고,
상기 경직도 예측 모듈은,
다수의 환자들에 대한 관절 움직임 데이터 및 상기 각 관절 움직임 데이터에 대한 경직도 평가점수를 입력받아 레이블링한 학습 데이터세트를 생성하여 상기 학습 데이터세트 DB에 저장하는 학습 데이터 생성부;
상기 학습 데이터세트의 관절 움직임 데이터를 입력으로 받고 상기 경직도 평가점수를 출력으로 하는 관절 경직도 예측 인공지능 모델을 포함하고, 상기 관절 경직도 예측 인공지능 모델에 상기 학습 데이터세트를 적용하여 관절 움직임 데이터에 대한 경직도 평가점수를 학습시키는 학습부; 및
상기 학습부에서 학습된 관절 경직도 예측 인공지능 모델을 포함하여, 상기 관절 움직임 측정부에서 입력되는 관절 움직임 데이터를 상기 관절 경직도 예측 인공지능 모델에 적용하여 경직도 평가점수를 예측하여 출력하는 경직도 예측부를 포함하는 것을 특징으로 하고,
상기 저장부는,
갱신 데이터세트 DB를 더 포함하되,
상기 경직도 예측부는,
상기 관절 움직임 측정부로부터 입력되는 관절 움직임 신호 데이터를 전처리하여 출력하는 데이터 전처리부; 및
상기 전처리된 관절 움직임 신호 데이터를 입력받아 특징을 상기 관절 움직임 신호 데이터의 복수의 특징을 추출하고, 추출된 복수의 특징을 포함하는 관절 움직임 데이터를 출력하는 특징 추출부;
상기 특징 추출부에서 입력되는 관절 움직임 데이터를 적용하여 경직도 평가점수를 예측하여 출력하는 학습된 상기 관절 경직도 예측 인공지능 모델; 및
상기 관절 경직도 예측 인공지능 모델로부터 경직도 평가점수가 출력되면 상기 관절 움직임 데이터에 출력된 상기 경직도 평가점수를 레이블링하여 데이터세트를 생성하여 상기 갱신 데이터세트 DB에 저장하고, 일정 환자 수 이상의 데이터세트의 생성 시 상기 일정 환자 수 이상의 데이터세트에 대한 갱신 학습 데이터세트를 학습 데이터세트 DB에 저장된 학습 데이터세트에 추가하는 재학습 데이터세트 구성부를 포함하되,
상기 학습부는 상기 학습 데이터세트 DB의 학습 데이터세트에 갱신 학습 데이터세트가 추가 시 상기 관절 경직도 예측 인공지능 모델에 적용하여 재학습시키는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 시스템.
삭제
제1항에 있어서,
상기 학습 데이터 생성부는,
상기 관절 움직임 데이터에 대한 경직도 평가점수를 입력받아 획득하는 경직도 획득부; 및
상기 관절 움직임 데이터에 상기 획득된 경직도 평가점수를 레이블링한 데이터세트를 생성하여 상기 학습 데이터세트 DB에 저장하되, 미리 설정된 환자 수 이상의 데이터세트를 학습 데이터세트로서 생성하여 상기 학습 데이터세트 DB에 저장하는 데이터세트 생성부를 포함하는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 시스템.
삭제
제1항에 있어서,
상기 데이터 전처리부는,
환자의 관절의 4회 이상의 움직임에 대한 관절 움직임 신호 데이터가 입력되면 상기 관절 움직임 신호 데이터의 각속도 데이터를 기준으로 관절 움직별 각속도가 0에 근접한 위치를 분할하여 관절 움직임별로 상기 관절 움직임 신호 데이터를 분할하고, 최초 관절 움직임 및 최후 관절 움직임에 대한 분할된 분할 데이터를 제거하는 전처리를 수행한 2회 이상의 관절 움직임에 대한 분할 데이터를 포함하는 상기 관절 움직임 데이터를 출력하는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 시스템.
제5항에 있어서,
상기 데이터 전처리부는,
최초 및 최후 관절 움직임에 대한 분할 데이터를 제거하는 1차 전처리 후,
1차 전처리된 2회 이상의 관절 움직임에 대응하는 2개 이상의 파형 구간 중 첫 번째 파형구간의 50% 위치 및 다음 파형 구간의 50% 위치를 분할한 1개 이상의 분할 데이터를 생성하는 2차 전처리를 수행하되,
상기 1차 전처리된 2개 이상의 분할 데이터 및 상기 2차 전처리된 1개 이상의 분할 데이터를 포함하는 관절 움직임 데이터를 생성하여 출력하는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 시스템.
제6항에 있어서,
상기 관절 움직임은 5회이고, 상기 1차 전처리된 분할 데이터의 파형은 3개이며, 2차 전처리된 분할 데이터의 파형은 2개이며,
상기 관절 움직임 데이터는 5개의 분할 데이터로 구성되는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 시스템.
관절 움직임 측정부가 환자의 관절에 부착되어 관절의 움직임에 따른 가속도 및 각속도를 포함하는 관절 움직임 신호 데이터를 경직도 예측 모듈로 출력하는 관절 움직임 측정 과정; 및
관절 경직도 예측 인공지능 모델을 가지고 있는 상기 경직도 예측 모듈이 상기 관절 경직도 예측 인공지능 모델에 학습 데이터세트 DB에 저장되어 있는 다수의 환자에 대한 관절 움직임 데이터 및 각 관절 움직임 데이터에 맵핑하여 경직도 평가점수가 레이블링된 학습 데이터세트를 적용하여 상기 학습 데이터세트의 관절 움직임 데이터를 입력으로 받아 상기 학습 데이터세트의 관절 움직임 데이터에 레이블링된 경직도 평가점수를 출력하도록 학습시킨 후, 상기 관절 움직임 측정부를 통해 측정되는 관절 움직임 신호 데이터를 학습된 상기 관절 경직도 예측 인공지능 모델에 적용하여 상기 관절 움직임 데이터에 대한 경직도 평가점수를 예측하여 출력하는 관절 경직도 예측 과정을 포함하는 것을 특징으로 하고,
상기 관절 경직도 예측 과정은,
경직도 예측 모듈의 학습 데이터 생성부가 다수의 환자들에 대한 관절 움직임 데이터 및 상기 각 관절 움직임 데이터에 대한 경직도 평가점수를 입력받아 레이블링한 학습 데이터세트를 생성하여 상기 학습 데이터세트 DB에 저장하는 학습 데이터 생성 단계;
상기 경직도 예측 모듈의 학습부가 상기 학습 데이터세트의 관절 움직임 데이터를 입력으로 받고 상기 경직도 평가점수를 출력으로 하는 관절 경직도 예측 인공지능 모델을 포함하고, 상기 관절 경직도 예측 인공지능 모델에 상기 학습 데이터세트를 적용하여 관절 움직임 데이터에 대한 경직도 평가점수를 학습시키는 학습 단계; 및
상기 경직도 예측 모듈의 예측부가 상기 관절 움직임 측정부에서 입력되는 관절 움직임 데이터를 학습된 상기 관절 경직도 예측 인공지능 모델에 적용하여 경직도 평가점수를 예측하여 출력하는 경직도 예측 단계를 포함하는 것을 특징으로 하고,
상기 관절 경직도 예측 과정은,
경직도 예측부의 데이터 전처리부가 상기 학습 데이터 생성부의 데이터 전처리부가 상기 관절 움직임 측정부로부터 입력되는 관절 움직임 신호 데이터를 전처리하여 출력하는 데이터 전처리 단계;
상기 학습 데이터 생성부의 특징 추출부가 상기 전처리된 관절 움직임 신호 데이터를 입력받아 특징을 상기 관절 움직임 신호 데이터의 복수의 특징을 추출하고, 추출된 복수의 특징을 포함하는 관절 움직임 데이터를 출력하는 특징 추출 단계;
상기 경직도 예측부의 상기 관절 경직도 예측 인공지능 모델이 상기 데이터 전처리부에서 입력되는 관절 움직임 데이터를 적용하여 경직도 평가점수를 예측하여 출력하는 예측 단계; 및
상기 경직도 예측부의 재학습 데이터세트 구성부가 상기 관절 경직도 예측 인공지능 모델로부터 경직도 평가점수가 출력되면 상기 관절 움직임 데이터에 출력된 상기 경직도 평가점수를 레이블링하여 데이터세트를 생성하여 갱신 데이터세트 DB에 저장하고, 일정 환자 수 이상의 데이터세트의 생성 시 상기 일정 환자 수 이상의 데이터세트에 대한 갱신 학습 데이터세트를 학습 데이터세트 DB에 저장된 학습 데이터세트에 추가하는 재학습 데이터세트 구성 단계를 포함하되,
상기 학습부가 상기 학습 데이터세트 DB의 학습 데이터세트에 갱신 학습 데이터세트가 추가되면 상기 관절 경직도 예측 인공지능 모델에 적용하여 재학습시키는 재학습 과정을 더 포함하는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 방법.
삭제
제8항에 있어서,
상기 학습 데이터 생성 단계는,
상기 학습 데이터 생성부의 경직도 획득부가 상기 관절 움직임 데이터에 대한 경직도 평가점수를 입력받아 획득하는 경직도 획득 단계; 및
상기 학습 데이터 생성부의 데이터세트 생성부가 상기 관절 움직임 데이터에 상기 획득된 경직도 평가점수를 레이블링한 데이터세트를 생성하여 상기 학습 데이터세트 DB에 저장하되, 미리 설정된 환자 수 이상의 데이터세트을 학습 데이터세트로서 생성하여 상기 학습 데이터세트 DB에 저장하는 데이터세트 생성 단계를 포함하는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 방법.
삭제
제8항에 있어서,
상기 데이터 전처리 단계에서 상기 데이터 전처리부가 환자의 관절의 4회 이상의 움직임에 대한 관절 움직임 신호 데이터가 입력되면 상기 관절 움직임 신호 데이터의 각속도 데이터를 기준으로 관절 움직별 각속도가 0에 근접한 위치를 분할하여 관절 움직임별로 상기 관절 움직임 신호 데이터를 분할하고, 최초 관절 움직임 및 최후 관절 움직임에 대한 분할된 분할 데이터를 제거하는 전처리를 수행한 2회 이상의 관절 움직임에 대한 분할 데이터를 포함하는 상기 관절 움직임 데이터를 출력하는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 방법.
제12항에 있어서,
상기 데이터 전처리 단계는,
최초 및 최후 관절 움직임에 대한 분할 데이터를 제거하는 1차 데이터 전처리를 수행하는 제1차 전처리 단계; 및
1차 전처리된 2회 이상의 관절 움직임에 대응하는 2개 이상의 파형 구간 중 첫 번째 파형구간의 50% 위치 및 다음 파형 구간의 50% 위치를 분할한 1개 이상의 분할 데이터를 생성하는 2차 전처리를 수행하는 2차 전처리 단계를 포함하여,
상기 1차 전처리된 2개 이상의 분할 데이터 및 상기 2차 전처리된 1개 이상의 분할 데이터를 포함하는 관절 움직임 데이터를 생성하여 출력하는 것을 특징으로 하는 인공지능 기반 관절 경직도 예측 방법.