KR102519213B1 - 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법 - Google Patents

Abstract

본 발명은 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법을 개시한다. 본 발명의 일 측면에 따른 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치는, 환자의 환측 팔꿈치에서 관성 데이터를 수집하는 데이터 수집부; 상기 수집된 관성 데이터를 분석하는 데이터 분석부; 및 상기 분석된 결과를 기초로 경련의 정도를 판단하는 경련 정도 판단부;를 포함한다.

Description

관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법{Machine learning based elbow spasm evaluation device and evaluation method using inertial sensor}

본 발명은 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법에 관한 것으로, 더욱 상세하게는 환자의 환측 팔꿈치에서 수집한 가속도 및 회전 속성을 분석하여 경련 운동 정도를 분류하는 기계 학습 알고리즘을 분석하여 팔꿈치 경련의 정도를 판단함으로써, 의료 전문가의 도움없이 병원이 아닌 환경에서도 원격으로 환자의 경련을 평가할 수 있는 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법에 관한 것이다.

경련은 신경 장애가 있는 환자에서 자주 관찰되는 증상이다. 경련은 신경 장애의 증상이며 뇌졸증, 다발성 경화증, 뇌성마비 또는 척수 손상(SCI)이 있는 환자에서 흔히 발생한다. 그것은 수동적인 스트레칭 동안에 속도에 따른 근긴장의 증가를 특징으로 한다. 환자의 진행 상황을 모니터링하기 위해 상지 또는 하지의 경련 움직임을 주기적으로 측정한다. 그러나, 다양한 학문 분야의 다양한 접근 방식을 적용함에도 불구하고 경련을 정확하게 정량화하는 것은 여전히 복잡하다.

경련을 측정하고 평가하기 위한 다양한 방법들이 소개되고 있지만, 종래 기술들에 따르면, 경련을 평가하기 위해서는 임상의 및/또는 전문가가 착석해야하는 필요성 때문에 의료 시설이 아닌 곳에서 환자의 상태를 모니터링하는 것이 복잡하다는 문제점이 있다.

한국공개특허 제2017-0022158호(2017.03.02 공개)

본 발명은 상기와 같은 문제점을 해결하기 위해 제안된 것으로서, 의료 전문가의 도움없이 병원이 아닌 환경에서도 원격으로 환자의 경련을 평가할 수 있는 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법를 제공하는데 그 목적이 있다.

본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 일 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

상기와 같은 목적을 달성하기 위한 본 발명의 일 측면에 따른 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치는, 환자의 환측 팔꿈치에서 관성 데이터를 수집하는 데이터 수집부; 상기 수집된 관성 데이터를 분석하는 데이터 분석부; 및 상기 분석된 결과를 기초로 경련의 정도를 판단하는 경련 정도 판단부;를 포함한다.

상기 관성 데이터는 가속도 및 회전 속성 정보이고, 상기 데이터 수집부는, 관성 센서를 포함하는 웨어러블 장치로 환자의 환측 팔꿈치에서 관성 데이터를 수집하는 것을 특징으로 한다.

상기 데이터 수집부는, 상기 관성 센서에 의해 측정된 관성 데이터에서 미리 설정된 기준에 따라 관성 신호를 주기별로 분리하고 선택하는 데이터 전처리부;를 더 포함하는 것을 특징으로 한다.

상기 데이터 분석부는, 의사 결정 트리, 랜덤 포레스트(RF), 서포트 벡터 머신, 선형 판별 분석, 다층 퍼셉트론 중 적어도 어느 하나의 기계 학습 알고리즘을 이용하여 경련 정도를 분류하는 것을 특징으로 한다.

상기 데이터 분석부는, 경련의 심각도를 분류하기 위해 아래의 수학식1과 2에 따라 관성 데이터를 회전값으로 변환하는 것을 특징으로 한다.

[수학식 1]

[수학식 2]

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

상기 경련 정도 판단부는, 수정된 애쉬워스 척도(MAS)를 이용하여 경련 정도를 등급화하는 것을 특징으로 한다.

상기와 같은 목적을 달성하기 위한 본 발명의 다른 측면에 따른 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치에서의 평가 방법은, 환자의 환측 팔꿈치에서 관성 데이터(환자의 경련 움직임을 나타내는 신호 정보)를 수집하는 데이터 수집 단계; 상기 수집된 관성 데이터를 분석하는 데이터 분석 단계; 및 상기 분석된 결과를 기초로 경련의 정도를 판단하는 경련 정도 판단 단계;를 포함한다.

상기 관성 데이터는 가속도 및 회전 속성 정보이고, 상기 데이터 수집 단계는, 관성 센서를 포함하는 웨어러블 장치로 환자의 환측 팔꿈치에서 관성 데이터를 수집하는 것을 특징으로 한다.

상기 데이터 수집 단계는, 상기 관성 센서에 의해 측정된 관성 데이터에서 미리 설정된 기준에 따라 관성 신호를 주기별로 분리하고 선택하는 데이터 전처리 단계;를 더 포함하는 것을 특징으로 한다.

상기 데이터 분석 단계는, 의사 결정 트리, 랜덤 포레스트(RF), 서포트 벡터 머신, 선형 판별 분석, 다층 퍼셉트론 중 적어도 어느 하나의 기계 학습 알고리즘을 이용하여 경련 정도를 분류하는 것을 특징으로 한다.

상기 데이터 분석 단계는, 경련의 심각도를 분류하기 위해 아래의 수학식1과 2에 따라 관성 데이터를 회전값으로 변환하는 것을 특징으로 한다.

[수학식 1]

[수학식 2]

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

상기 경련 정도 판단 단계는, 수정된 애쉬워스 척도(MAS)를 이용하여 경련 정도를 등급화하는 것을 특징으로 한다.

본 발명의 일 측면에 따르면, 의료 전문가의 도움없이 병원이 아닌 환경에서도 원격으로 환자의 경련을 평가할 수 있어 사용이 편리하다는 효과가 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명을 실시하기 위한 구체적인 내용들과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
도 1은 본 발명의 일 실시예에 따른 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치의 개략적인 구성도,
도 2는 본 발명의 일 실시예에 따른 관성 신호의 일 예,
도 3은 본 발명의 일 실시예에 따른 팔꿈치 굴곡-신장 운동주기 신호의 일 예,
도 4는 팔꿈치 굴곡 및 확장의 세 주기를 반영한 관성 신호의 일부를 사용하는 두 가지 기술의 일 예,
도 5는 본 발명의 일 실시예에 따른 분류기의 분류 결과의 일 예,
도 6은 본 발명의 일 실시예에 따른 경련 정보 평가 방법의 개략적인 흐름도이다.

상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일 실시예를 상세히 설명하기로 한다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 “…부” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

도 1은 본 발명의 일 실시예에 따른 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치의 개략적인 구성도, 도 2는 본 발명의 일 실시예에 따른 관성 신호의 일 예, 도 3은 본 발명의 일 실시예에 따른 팔꿈치 굴곡-신장 운동주기 신호의 일 예, 도 4는 팔꿈치 굴곡 및 확장의 세 주기를 반영한 관성 신호의 일부를 사용하는 두 가지 기술의 일 예, 도 5는 본 발명의 일 실시예에 따른 분류기의 분류 결과의 일 예 이다.

도 1을 참조하면, 본 실시예에 따른 팔꿈치 경련 정도 평가 장치는 데이터 수집부(100), 데이터 분석부(200) 및 경련 정도 판단부(300)를 포함한다.

데이터 수집부(100)는 환자의 환측 팔꿈치에서 관성 데이터를 수집한다. 이때, 관성 데이터는 환자의 경련 움직임을 나타내는 신호 정보일 수 있다. 보다 자세하게, 관성 데이터는 가속도 및 회전 속성 정보일 수 있다.

한편, 데이터 수집부(100)는 관성 센서를 포함하는 웨어러블 장치로 환자의 환측 팔꿈치에 부착되어 관성 데이터를 수집할 수 있다. 이때, 관성 센서는 3축 가속도계, 3축 자이로스코프, 3축 자력계 등일 수 있다.

또한, 데이터 수집부(100)는 관성 센서에 의해 측정된 관성 데이터에서 미리 설정된 기준에 따라 관성 신호를 주기별로 분리하고 선택하는 데이터 전처리부(미도시)를 더 포함할 수 있다. 본 실시예에 따르면, 데이터 전처리부를 통해 대표적인 가속도 및 각속도를 포함하는 관성 데이터를 수집할 수 있다. 이에 따르면 가장 안정적인 팔꿈치 움직임 주기를 포함하는 관성 신호의 일부를 얻을 수 있다.

데이터 분석부(200)는 수집된 관성 데이터를 분석할 수 있다. 데이터 분석부(200)는, 의사 결정 트리, 랜덤 포레스트(RF), 서포트 벡터 머신, 선형 판별 분석, 다층 퍼셉트론 중 적어도 어느 하나의 기계 학습 알고리즘을 이용하여 경련 정도를 분류할 수 있다.

데이터 분석부(200)는, 경련의 심각도를 분류하기 위해 수학식1과 2에 따라 관성 데이터를 회전값으로 변환할 수 있다.

[수학식 1]

[수학식 2]

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

경련 정도 판단부(300)는 분석된 결과를 기초로 경련의 정도를 판단할 수 있다. 경련 정도 판단부(300)는, 수정된 애쉬워스 척도(MAS)를 이용하여 경련 정도를 등급화할 수 있다.

한편, 본 발명의 일 실시예에 따르면, 데이터 수집부(100)는 환자의 환측 팔꿈치에 부착되는 웨어러블 장치일 수 있다. 이때, 본 실시예에 따른 웨어러블 장치는 관성 센서(예컨대, 3축 가속도계, 3축 자이로스코프, 3축 자력계 등)을 포함할 수 있다. 본 실시예에 따르면, 웨어러블 장치는 환자의 환측 팔꿈치에 부착되어 팔꿈치에서 발생되는 경련의 움직임을 나타내는 신호 정보인 관성 데이터를 수집할 수 있다. 또한, 데이터 수집부(100)와 경련 정도 판단부(300)는 별도의 사용자 단말에 설치된 어플리케이션으로 구축되어 실행될 수 있다. 이와 같은 본원발명에 따르면, 웨어러블 장치와 사용자 단말은 네트워크를 통해 연결되어 정보(웨어러블 장치에서 수집된 관성 데이터)를 송수신할 수 있다. 이때, 네트워크는 인터넷망, 인트라넷망, 이동통신망, 위성 통신망 등 다양한 유무선 통신 기술을 이용하여 인터넷 프로토콜로 데이터를 송수신할 수 있는 망을 의미할 수 있다. 한편, 네트워크는 LAN(Local Area Network), WAN(Wide Area Network) 등의 폐쇄형 네트워크, 인터넷과 같은 개방형 네트워크뿐만 아니라, CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), GSM(Global System for Mobile Communication), LTE(Long Term Evolution), EPC(Evolved Packet Core) 등의 네트워크와 향후 구현될 차세대 네트워크 및 컴퓨팅 네트워크를 통칭할 수 있다. 또한, 사용자 단말은 타 단말 및 서버와 연결 가능한 컴퓨터 및/또는 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예컨대, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.

<실시예>

1. 참가자

본 발명은 순천향대학교 기관 심의위원회의 승인을 받아, 장기 요양 병원에서 참가자를 모집받아 이루어졌다. 연구에 관심을 표한 한 환자는 잠재적인 참가자로 간주되었으며 자격 여부를 결정하기 위해 선별되었다. 인지 기능이 손상되었거나(미니 정신 상태 검사 점수 23점), 웨어러블 기기 사용에 불편함을 표현했거나, 배정된 치료사가 참가자가 부적합하다고 판단한 경우 환자를 제외했다. 스크리닝 후, 연구 형식을 환자에게 설명하고 시험 전에 사전 동의를 얻었다. 처음에는 50명의 환자가 선택되었다. 그러나, 한 환자는 참여를 중단했고 다른 환자는 웨어러블 장치에 기술적 문제가 있었다. 따라서, 보고된 결과는 48명의 참가자로부터 얻은 것이다. 환자의 인구 통계학적 정보는 표 1에 요약되어 있다.

[표 1]

SCI 환자 3명을 제외하고 대부분의 남성 참가자(n=26)는 뇌 혈관 사고(CVA)로 인해 기관에 입원했다. 26명의 남성 참가자 중 9명은 상지에 경련 증상이 없었다. 7명의 남성 참가자가 오른쪽 상지에 영향을 받았다. 나머지 남성 참가자는 왼쪽에서 영향을 받았다. 여성 참가자(n=22)는 대부분 CVA의 영향을 받았다. 한 명의 여성 환자가 SCI로 인해 입원했다. 8명의 여성 참가자는 상지에 경련 운동이 없었다. 여성 참가자 중 10명은 오른쪽 상지에 경련 증상이 있는 것으로 나타났다. 4명의 여성 참가자만이 왼쪽 상지에 증상이 있었다.

2. 팔꿈치 경련 측정

경련의 중증도를 측정하기 위해 자주 사용되는 평가 도구는 MAS이다. 원래 애쉬워스 척도는 경련을 5도에서 측정하도록 설계되었다. 이것은 Bohannon과 Smith에 의해 수정되어 새로운 측정값(1+)이 1과 2 사이에 있다. 따라서, 경련의 정도는 근긴장의 약간의 증가가 관찰되면 1+로 평가되며, 이는 캐치로 나타날 수 있고 최소한의 저항으로 나타날 수 있다. 표 2는 본원발명의 일 실시예에 따른 채점 규칙을 설명한다.

[표 2]

3. 실험 설정

본원발명에서는 3축 가속도계, 3축 자이로스코프 및 3축 자력계(Shimmer Sensing, Dublin, Ireland)가 통합된 상용 웨어러블 장치를 사용했다. 이 장치에는 처리를 위한 TI MSP 430 마이크로 컨트롤러(24MHz, 16비트)와 무선 데이터 전송을 위한 RN42 Bluetooth 모듈이 장착되어 있다. 웨어러블 장치는 영향을 받은 참가자의 팔꿈치 등쪽에 배치되었다. 참가자에게 경련 증상이 없는 경우 장치를 팔꿈치의 우세한 쪽에 배치했다.

4. 데이터 수집

각 참가자는 실험을 위해 영향을 받은 쪽의 손목에 웨어러블 장치를 배치하도록 요청 받았다. 재활 치료사가 고정된 의자에 앉을 수 있는 적절한 자세를 지시했다. 일단 위치를 잡으면 환자는 긴장을 풀고 실험 중 자발적인 움직임을 피하도록 지시받았다. 치료사는 참가자의 팔뚝을 중립 위치에 놓고 팔꿈치를 완전히 구부린 다음 한 손을 사용하여 가능한 최대 굴곡에서 최대 가능한 확장까지 팔꿈치를 5회 확장하고, 다른 손으로 팔꿈치를 잡고 팔꿈치 위치의 상당한 변화를 방지한다. 경련은 속도에 의존하기 때문에 치료사는 중력의 속도로 팔다리를 움직였다. 경련 움직임을 반영하는 관성 데이터는 치료사에 의해 수집되었으며, 영향을 받은 팔꿈치의 경련 정도는 MAS를 기반으로 한다. 치료사는 IMU의 신호를 안정화하기 위해 참가자의 영향을 받은 팔을 가만히(준 정적 상태) 유지한 다음 팔꿈치를 초당 한 주기씩 움직였다. 두 가지 센서 유형이 일반적으로 경련을 평가하는데 사용되기 때문에 상당한 수의 연구에서 EMG 및 관성 데이터에 대한 기계 학습을 사용했다. 움직임 유형에 따라 다양한 샘플링 비율이 사용되었지만, 빠른 움직임을 가진 활동은 상대적으로 높은 샘플링 빈도로 샘플링된 반면, 낮은 샘플링 빈도는 움직임이 느린 활동에 사용되었다. EMG 판독 값은 상대적으로 높은 샘플링 주파수(1KHz)에서 샘플링되는 반면, 관성 신호는 100Hz에서 204.8Hz 범위의 낮은 주파수에서 샘플링된다. 본 발명에서는 정보가 누락되지 않도록 실험 중에 관성 데이터를 256Hz로 샘플링했다. 실험 중에 기록된 관성 신호의 예는 도 2에 나와 있다. 보다 자세하게, 도 2의 (a)는 MAS를 사용하여 경련 평가 중에 참가자의 팔꿈치에서 기록된 원시 3축 가속도 신호를 나타내고, 도 2의 (b)는 MAS를 사용하여 경련 평가 중에 참가자의 팔꿈치에서 기록된 각도 회전 신호를 나타낸다.

5. 신호 전처리

특성 계산 전에 원시 신호를 사전 처리하여 참가자의 팔꿈치 경련 움직임을 나타내는 관성 신호를 얻었다. 첫째, 경련 평가 중에 수집된 관성 데이터의 기준 기록은 각속도에 의해 결정되고 폐기되었다. 이 단계는 팔꿈치 움직임에 대한 일부 관성 데이터를 확보했다. 가장 대표적인 가속도 및 각속도를 얻기 위해 관성 신호를 분리하여 총 5개 주기에서 팔꿈치 굴곡 및 확장의 중간 3개 주기를 선택했다. 이는 먼저, 신호를 5개의 하위 집합으로 나눈 다음 첫 번째 및 마지막 하위 집합을 제거함으로써 달성되었다. 신호의 일부는 도 3에 설명되어 있다. 이러한 단계는, 팔꿈치 굴곡 및 확장의 세 주기만을 반영하는 관성 신호를 생성했다. 가장 안정적인 팔꿈치 움직임 주기를 포함하는 관성 신호의 일부를 얻은 후, MAS 점수에 따라 세분화를 사용하여 신호를 팔꿈치 굴곡 및 확장 움직임의 공통 특성을 공유하는 신호의 하위 그룹으로 나누었다. 두 가지 분할 기술이 적용되었다. 도 4는 팔꿈치 굴곡 및 확장의 세 주기를 반영한 관성 신호의 일부를 사용하는 두 가지 기술을 보여준다. 보다 자세하게, 도 4의 (a)는 비중첩 분할 기술에서의 관성 신호의 일 예, 도 4의 (b)는 50% 겹치는 분할(중첩 분할) 기술에서의 관성 신호의 일 예이다.

그 중 하나는 겹치지 않고 신호를 분할하는 것이었지만, 다른 방법은 50% 겹침을 허용했다. 즉, 이전 창의 데이터 샘플의 절반과 다음 창의 나머지 절반으로 세그먼트가 생성되었음을 의미한다. 겹치는 비율에 대해서는 합의가 없었다. 50% 중복은 관련 연구에서 널리 받아 들여졌기 때문에 테스트되었다. 동일한 관성 데이터에서 두 개의 추가 세그먼트가 생성되었다. 전자는 각 신호의 3개의 세그먼트를 생성하여 참가자 당 3축 가속도 및 각 회전을 포함하는 3개의 세그먼트(6x3)를 생성했다. 후자는 참가자 당 5개의 세그먼트(6x5)를 생성했다. 전처리 단계를 통해 데이터 세트1(DS1)과 데이터 세트2(DS2)의 두 가지 데이터 세트를 얻었다.

6. 특징 추출

전처리 단계 후, 경련의 심각도를 분류하기 위해 각 세그먼트에서 특징을 계산했다. 기능 유형이 분류 성능에 미치는 영향을 조사하기 위해 두 가지 기능 세트가 준비되었다. 가장 일반적인 통계 기능(예 : 제곱 평균 제곱근, 평균, 표준 편차, 에너지, 스펙트럼 에너지, 절대 차이 및 분산)이 데이터 세트에서 추출되어 기능 세트1(FS1)이라고하는 42개의 기능이 생성되었다. 또한, 아래 단계에 따라 다른 기능 세트를 생성하기 위해 추가 기능이 계산되었다. 먼저, 가속도 및 각속도 데이터는 수학식1 및 2를 사용하여 롤 및 피치와 같은 회전값으로 변환되었다.

[수학식 1]

[수학식 2]

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

이러한 데이터를 기반으로 일반적인 통계 기능이 계산되었다. 또한, 두 가지 추가 기능인 신호 크기 영역(SMA)과 신호 벡터 크기(SV)는 x 및 y 방향의 가속도에서 파생되었다. SMA는 활동 및 휴식 기간을 나타내고 SV는 운동 강도의 정도를 나타낸다. SMA와 SV는 수학식 3과 4를 사용하여 계산되었다.

[수학식 3]

[수학식 4]

추가 기능 계산 프로세스는 추가로 16개의 기능을 추출했다. 이는 FS1에 추가되어 총 58개의 기능이 있는 기능 세트2(FS2)가 되었다. 표 3에는 기능 세트가 요약되어 있다.

[표 3]

7. 기계 학습 알고리즘 및 성능 평가

기계 학습 분류기는 수동 스트레칭 중에 수집된 관성 신호에서 처리된 레이블이 지정된 데이터에서 범주를 예측하는데 사용할 수 있는 함수를 자동으로 추론하는데 사용되었다. 관성 신호는 치료사가 평가한 MAS 점수로 표시되었다. 이러한 유형의 작업은 지도 학습 문제이다. 지도 학습 영역에는 선형 판별 분석(LDA), 서포트 벡터 머신(SVM), 의사 결정 트리(DT), 랜덤 포레스트(RF), 다층 퍼셉트론(MLP)을 포함하여 널리 사용되는 지도 학습 분류기가 여러 개 있다. LDA는 통계 패턴 인식에 널리 사용되는 Fisher의 선형 판별의 일반화이다. LDA는 원래 형태로 이진 분류가 가능하지만 다중 판별 분석을 통해 다중 클래스 분류를 수행하도록 확장할 수 있다. LDA는 입력으로 연속 변수를 필요로하며 출력으로 범주형 변수를 생성한다. SVM은 분류 작업에서 뛰어난 성능을 보였다. SVM은 N차원 공간에서 데이터 포인트 사이에 최대 여백이 있는 결정 경계를 나타내는 하이퍼 플레인 또는 하이퍼 플레인 세트를 구성한다. SCM은 가장 단순한 형태의 이진 분류기이기도하다. 그러나, 다중 클래스 분류는 단답법(one-versus-the-rest method), 쌍별 분류, 오류 정정 출력 코딩, 직접 비순환 그래프와 같은 축소 방법을 통해 달성할 수 있다. SVM은 선형 분류기의 한 휴형이지만 커널 함수를 적용하여 비선형 분류에 사용할 수 있다. DT는 의사 결정 분석에 일반적으로 사용되는 반면, 기계 학습에서 널리 사용되는 방법이기도하다. DT는 학습 데이터의 특징에서 추론된 간단한 결정 규칙을 학습하여 출력 변수를 예측하는 트리 구조 형태의 모델을 구축한다. 데이터 세트를 더 작은 서브 세트로 나누는 동시에 if-then 규칙 세트를 사용하여 연관된 DT를 점진적으로 개발한다. DT의 특정 장점(예, 얻은 결과의 해석 및 시각화 용이성)이 있지만, 몇 가지 단점이 있다. 예를 들어, DT 모델은 과적합되는 경향이 있다. 이는 훈련 데이터의 작은 변경으로 인해 최적의 의사 결정 트리 구조가 크게 변경되어 결국 전반적인 성능 저하로 이어질 수 있음을 의미한다. 이 문제를 해결하기 위해 랜덤 포르세트(RF)가 도입되었다. RF는 이름 자체에서 알 수 있듯이 다수의 개별 의사 결정 트리로 구성된다. RF 작동은 앙상블 학습 방법으로, 상대적으로 상관 관계가 없는 의사 결정 트라가 훈련 단계에서 구성되고 각 의사 결정 트리의 클래스 모드인 예측을 생성한다. RF의 개념은 로컬 데이터(과적합)에 대한 출력을 완벽하게 예측하는 각 하위 샘플에서 깊은 트리를 성장시킨 다음 앙상블 기술을 적용하여 전체 분산을 줄이는 것이다. 다층 퍼셉트론(MLP)은 피드 포워드 인공 신경망이다. 단순한 형태의 MLP는 입력 레이어, 히든 레이어, 출력 레이어의 세 개 이상의 레이어로 구성되며, 기본 형식으로 완전히 연결된다. 그러나, MLP는 다중 히든 레이어를 갖도록 확장될 수 있다. 각 노드는 입력 노드를 제외하고 비선형 활성화 함수를 사용하는 뉴런이다. MLP의 특징은 은닉층과 출력층의 노드에 대한 다중 계층 및 비선형 활성화를 포함하며, 이는 MLP를 선형 퍼셉트론과 구별하고 비선형 데이터를 처리할 수 있도록 한다.

위에서 언급한 감독된 분류기는 주로 선형 및 비선형 분류기의 두 가지 범주로 그룹화될 수 있다. 선형 분류기는 관측 클래스를 분리하는 특성의 선형 조합을 찾는 것을 목표로 한다. 그러나, 이러한 분류기는 데이터 포인트를 선형 초평면으로 분리할 수 없는 비선형 문제인 경우 제대로 작동하지 않을 수 있다. 따라서, LDA, SVM, DT, RF 및 MLP를 포함한 두 유형의 분류기를 검사하여 경련 운동의 품질을 평가하기 위해 관성 데이터에서 잘 수행되는 최적의 분류기를 식별했다. 분류 성능을 테스트하기 위해 일회성 교차 검증을 사용했다. 각 분류기는 다음 네 가지 조건에서 테스트되었다. : DS1 및 DS2에서 파생된 공통 통계 기능(FS1)과 DS1 및 DS2 모두에서 파생된 추가 기능(FS2). IMU 신호의 각 세그먼트가 6개의 등급으로 분류되었기 때문에 MAS에 의해 평가된 대로 경련의 심각도를 결정하는 것은 이 연구에서 다중 등급 분류로 간주되었다. 분류의 정확성은 다음의 수학식 5를 적용하여 결정되었다.

[수학식 5]

여기서, I는 클래스가 일치하면 '1'을 반환하고, 그렇지 않으면 '0'을 반환하는 함수이다. 다양한 조건에 대한 중앙 정확도를 얻었다. 또한 기능 유형, 세분화 기술 및 기계 학습 알고리즘이 분류 성능에 미치는 영향을 조사하기 위해 통계 분석을 수행했다.

8. 결과

MAS를 사용하여 재활 치료사가 평가한 경련 운동과 분할 기법에 따른 데이터 샘플 수는 표4에 보고되어 있다. 대부분의 참가자는 팔꿈치에 경련의 징후가 없었거나(35.4%), 최소한의 증상(27.1%)이 있었다. 가장 심한 정도의 경련을 보인 참가자는 단 한명 뿐이었다.

분류 성능은 도 5와 같이 세분화 및 기능 세트(FS1 및 FS2)와 함께 데이터 세트(DS1 및 DS2)의 조합을 사용하여 테스트되었다. 보다 구체적으로, 도 5의 (a) DS1 및 도 5의 (b) DS2의 두 가지 다른 세그먼트 접근 방식을 적용하여 준비된 데이터 세트로 두 가지 기능 세트(FS1 및 FS2)에 따라 분류자의 분류 결과의 일 예이다. 분류에 DS1을 사용했을 때 중앙값 정확도는 75.7%였다. 도 5의 (a)에서 볼 수 있듯이 분류 정확도 중앙값은 FS1의 경우 73.6%, DS1이 있는 FS2의 경우 81.9%였다. 일반 통계 기능에 추가 16개 기능이 추가되면 정확도의 중앙값이 8.3% 증가했다. 그러나, Wilcoxon 서명 순위 테스트(Z = -0.944, p = 0.345)의 결과에서 확인된 바와 같이, 그 차이는 통계적으로 유의하지 않았다. 추가 기능은 분류 성능에 큰 영향을 미치지 않았다. 도5의 (b)는 다양한 분할 기술(DS2)을 사용하여 데이터에서 파생된 기능을 기반으로 분류 결과를 요약한다. FS1과 FS2의 분류 정확도 중앙값은 각각 80.8%와 87.9%였다.

표 5는 세분화 기술에 관계없이 FS1 및 FS2에서 얻은 분류 성능을 요약한 것이다. 추가 기능으로 분류가 5% 향상되었다. 추가 16개 기능(근 평균 제곱, 평균, 표준 편차, 에너지, 스펙트럼 에너지, 절대 차이, 피치 및 롤에서 추출한 분산, 두 가지 추가 기능 : SMA 및 SV)이 공통에 추가되었지만, 통계적 특징(데이터 세트 DS1 및 DS2에서 파생됨)이 더 잘 수행되었지만 분류 정확도가 크게 증가하지 않았다.(Z = -1.784, p = 0.074).

[표 5]

세분화 기법과 관련하여 중앙 정확도를 비교했다. 테스트 기능이 DS2에서 계산되었을 때 성능이 7.4% 증가했다(표 6). 또한, 세분화 기술 간의 성능 차이는 통계적으로 유의했다(Z = -2.701, p = 0.007). 이는 데이터 세트가 50% 겹치도록 분할된 것이 분류 정확도에 상당한 긍정적인 영향을 미쳤음을 나타낸다.

[표 6]

성능은 분류기 유형 측면에서 비교되었다. 표 7에 요약된 바와 같이, 이 맥락에서 가장 정확한 분류기는 적용된 세그먼트 기술 유형이나 사용된 기능 수에 관계없이 거의 95.4% 정확도(91.8% 중앙값 정확도)의 RF였다. 그 다음에는 약 80%의 정확도로 경련 운동의 중증도를 분류한 MLP 및 LDA가 이어졌다. 우리의 결과는 SVM이 이 연구에서 가장 강력하지 않음 분류자임을 보여준다.

[표 7]

마지막으로 DS2의 FS2를 사용하여 RF로 얻은 최고의 정확도에 대한 정밀도와 재현율은 표 8에 보고되어 있다. 분류기는 92%에서 100%까지의 정확도로 전반적으로 잘 작동했다. 그러나, RF는 MAS 등급 1과 1+를 구별하는데 상대적으로 낮은 성능을 보였다. MAS 점수 4는 완벽하게 분류되었지만, MAS 점수가 4인 참가자는 한명 뿐이었다. MAS 점수 3에서도 완벽한 분류가 관찰되었다.

[표 8]

도 6은 본 발명의 일 실시예에 따른 경련 정보 평가 방법의 개략적인 흐름도이다.

도 6을 참조하면, 본 실시예에 따른 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치에서의 평가 방법은, 데이터 수집 단계(S610), 데이터 분석 단계(S630) 및 경련 정도 판단 단계(S650)를 포함한다.

S610 단계는, 환자의 환측 팔꿈치에서 관성 데이터를 수집한다. 이때, 관성 데이터는 환자의 경련 움직임을 나타내는 신호 정보일 수 있다. 보다 자세하게, 관성 데이터는 가속도 및 회전 속성 정보일 수 있다. 한편, 본 발명의 일 실시예에 따르면, 관성 데이터는 환자의 환측 팔꿈치에 부착된 관성 센서를 포함하는 웨어러블 장치에 의해 수집될 수 있다. 이때, 관성 센서는 3축 가속도계, 3축 자이로스코프, 3축 자력계 등일 수 있다.

S630 단계는, 수집된 관성 데이터를 분석한다. 이때, 데이터 분석부는, 의사 결정 트리, 랜덤 포레스트(RF), 서포트 벡터 머신, 선형 판별 분석, 다층 퍼셉트 중 적어도 어느 하나의 기계 학습 알고리즘을 이용하여 경련 정도를 분류할 수 있다.

S650 단계는, 분석된 결과를 기초로 경련의 정도를 판단한다. 이때, 경련 정도 판단부는 수정된 애쉬워스 척도(MAS)를 이용하여 경련 정도를 등급화할 수 있다.

본 발명의 실시예에 따른 방법들은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는, 본 발명을 위한 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

본 명세서는 많은 특징을 포함하는 반면, 그러한 특징은 본 발명의 범위 또는 특허청구범위를 제한하는 것으로 해석되어서는 아니 된다. 또한, 본 명세서의 개별적인 실시예에서 설명된 특징들은 단일 실시예에서 결합되어 구현될 수 있다. 반대로, 본 명세서의 단일 실시예에서 설명된 다양한 특징들은 개별적으로 다양한 실시예에서 구현되거나, 적절히 결합되어 구현될 수 있다.

도면에서 동작들이 특정한 순서로 설명되었으나, 그러한 동작들이 도시된 바와 같은 특정한 순서로 수행되는 것으로 또는 일련의 연속된 순서, 또는 원하는 결과를 얻기 위해 모든 설명된 동작이 수행되는 것으로 이해되어서는 안 된다. 특정 환경에서 멀티태스킹 및 병렬 프로세싱이 유리할 수 있다. 아울러, 상술한 실시예에서 다양한 시스템 구성요소의 구분은 모든 실시예에서 그러한 구분을 요구하지 않는 것으로 이해되어야 한다. 상술한 앱 구성요소 및 시스템은 일반적으로 단일 소프트웨어 제품 또는 멀티플 소프트웨어 제품에 패키지로 구현될 수 있다.

이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것은 아니다.

100 : 데이터 수집부
200 : 데이터 분석부
300 : 경련 정도 판단부

Claims (12)

1. 관성 센서를 포함하는 웨어러블 장치로 환자의 환측 팔꿈치에서 관성 데이터를 수집하는 데이터 수집부;
   상기 수집된 관성 데이터를 분석하는 데이터 분석부; 및
   상기 분석된 결과를 기초로 경련의 정도를 판단하는 경련 정도 판단부;를 포함하고,
   상기 데이터 수집부는,
   상기 관성 센서에 의해 측정된 관성 데이터에서 미리 설정된 기준에 따라 관성 신호를 주기별로 분리하고 선택하는 데이터 전처리부;를 더 포함하는 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치.
2. 제 1 항에 있어서,
   상기 관성 데이터는 가속도 및 회전 속성 정보인 것을 특징으로 하는 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치.
3. 삭제
4. 제 1 항에 있어서,
   상기 데이터 분석부는,
   의사 결정 트리, 랜덤 포레스트(RF), 서포트 벡터 머신, 선형 판별 분석, 다층 퍼셉트론 중 적어도 어느 하나의 기계 학습 알고리즘을 이용하여 경련 정도를 분류하는 것을 특징으로 하는 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치.
5. 제 4 항에 있어서,
   상기 데이터 분석부는,
   경련의 심각도를 분류하기 위해 아래의 수학식1과 2에 따라 관성 데이터를 회전값으로 변환하는 것을 특징으로 하는 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치.
   [수학식 1]
   

   

   
   [수학식 2]
   

   

   
   여기서, x,y,z는 x,y,z 방향의 가속도를 나타내고 g는 중력으로 인한 가속도를 나타냄.
6. 제 5 항에 있어서,
   상기 경련 정도 판단부는,
   수정된 애쉬워스 척도(MAS)를 이용하여 경련 정도를 등급화하는 것을 특징으로 하는 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치.
7. 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치에서의 평가 방법에 있어서,
   상기 관성 센서를 포함하는 웨어러블 장치로 환자의 환측 팔꿈치에서 관성 데이터(환자의 경련 움직임을 나타내는 신호 정보)를 수집하는 데이터 수집 단계;
   상기 수집된 관성 데이터를 분석하는 데이터 분석 단계; 및
   상기 분석된 결과를 기초로 경련의 정도를 판단하는 경련 정도 판단 단계;를 포함하고,
   상기 데이터 수집 단계는,
   상기 관성 센서에 의해 측정된 관성 데이터에서 미리 설정된 기준에 따라 관성 신호를 주기별로 분리하고 선택하는 데이터 전처리 단계;를 더 포함하는 평가 방법.
8. 제 7 항에 있어서,
   상기 관성 데이터는 가속도 및 회전 속성 정보인 것을 특징으로 하는 평가 방법.
9. 삭제
10. 제 7 항에 있어서,
    상기 데이터 분석 단계는,
    의사 결정 트리, 랜덤 포레스트(RF), 서포트 벡터 머신, 선형 판별 분석, 다층 퍼셉트론 중 적어도 어느 하나의 기계 학습 알고리즘을 이용하여 경련 정도를 분류하는 것을 특징으로 하는 평가 방법.
11. 제 10 항에 있어서,
    상기 데이터 분석 단계는,
    경련의 심각도를 분류하기 위해 아래의 수학식1과 2에 따라 관성 데이터를 회전값으로 변환하는 것을 특징으로 하는 평가 방법.
    [수학식 1]
    

    

    
    [수학식 2]
    

    

    
    여기서, x,y,z는 x,y,z 방향의 가속도를 나타내고 g는 중력으로 인한 가속도를 나타냄.
12. 제 11 항에 있어서,
    상기 경련 정도 판단 단계는,
    수정된 애쉬워스 척도(MAS)를 이용하여 경련 정도를 등급화하는 것을 특징으로 하는 평가 방법.
    
    

Images