JP2024506529A - 心電図信号を基にした慢性疾患の予測方法 - Google Patents

Abstract

本開示の一実施例に基づき、コンピューティング装置において実行される、心電図信号を基にした慢性疾患の予測方法が開示される。前記方法は、前記心電図信号を基にリード（ｌｅａｄ）別統合データを生成し、前記リード別統合データを基にＮ次元入力データを生成する段階、前記Ｎ次元入力データを基に慢性疾患を予測する段階、ユーザーに提供される前記慢性疾患に係る予測情報を生成する段階を含むことが可能である。

Description

本発明は、生体信号の分析方法に係り、具体的には機械学習を利用して心電図信号に基づき慢性疾患を予測する方法に関する。

心電図信号を慢性疾患の診断及び予測のための元データとして用いる技術に係る開発が多方面で試みられている。その中の１つは、人工知能を活用する方式である。人工知能を活用するためには、心電図信号を人工知能が解析できるように処理する作業を予め行う必要がある。１次元の心電図信号をそのまま人工知能モデルの入力データとして用いると、心電図信号が測定されたリード（ｌｅａｄ）の情報が演算チャンネルに含まれ、慢性疾患の診断及び予測のために考慮しなければならないリード間の相関関係を処理するための自由度が低下するという問題が発生する。従って、心電図信号の入力形式を調整する必要があり、入力形式を調整する過程において固有の情報が失われないように心電図信号を加工する作業が必要である。

前述の必要性に対応するため、従来は周波数領域を変換する方法で１次元の心電図信号を２次元画像の形式に加工し、人工知能モデルに対する入力データとして用いていた。しかし、かかる従来の方式には、時系列情報の解析が難しくなるという問題が存在する。また、従来は１次元の信号をそのまま使うためにリード情報を別途入力する方式が試みられていた。しかし、かかる試みは、人工知能モデルが演算過程においてリード間の相関関係を活用することはできるが、ドメイン専門家が慢性疾患を診断するためにリード別の重要度を解析することが難しくなるという問題がある。

大韓民国登録特許第１０－２１１９１６９号（２０２０年５月２９日）は、心電図信号の２次元画像生成方法について開示している。

本開示は、前述の背景技術に対応して案出されたものであり、心電図信号の固有の情報を失うことなく、心電図測定のためのリード間の相互重要度も解析できる機械学習を基盤とした慢性疾患の予測方法を提供することを目的とする。

前述の課題を実現するための本開示の一実施例に基づき、コンピューティング装置によって実行される、心電図信号を基にした慢性疾患の予測方法が開示される。前記方法は、心電図データから心電図信号の勾配情報及び波形別区間情報を生成する段階；前記心電図データ、勾配情報、波形別区間情報のうち少なくとも１つを基にリード（ｌｅａｄ）別統合データを生成する段階；及び前記リード別統合データを基にＮ次元入力データを生成する段階を含むことが可能である。

代替の実施例において、前記勾配情報及び波形別区間情報を生成する段階は、補間（ｉｎｔｅｒｐｏｌａｔｉｏｎ）を通じて前記心電図信号をサンプリング（ｓａｍｐｌｉｎｇ）し前記心電図データを生成する段階；前記心電図データのサンプル別の微分値を基に前記勾配情報を生成する段階；及び前記心電図データに含まれている複数の心電図信号波形の数値を基に前記波形別区間情報を生成する段階を含むことが可能である。

代替の実施例において、前記心電図データに含まれている複数の心電図信号波形の数値を基に前記波形別区間情報を生成する段階は、前記心電図データに含まれている複数の心電図信号波形の各々の特徴値を抽出する段階；前記複数の心電図信号波形の各々の特徴値と対応する数値を導出し、前記導出された数値を基に前記複数の心電図信号波形の各々を正規化（ｎｏｒｍａｌｉｚａｔｉｏｎ）する段階；及び前記正規化された複数の心電図信号波形の各々の数値を組み合わせて前記波形別区間情報を生成する段階を含むことが可能である。

代替の実施例において、前記リード別統合データを生成する段階は、前記心電図データ、勾配情報、波形別区間情報のうち２つ以上を組み合わせて前記リード別統合データを生成する段階を含むことが可能である。

代替の実施例において、前記Ｎ次元入力データを生成する段階は、前記リード別統合データを平面上に配列して前記心電図信号の時系列情報と空間情報を表すマトリックス（ｍａｔｒｉｘ）形式のＮ次元入力データを生成する段階を含むことが可能である。

代替の実施例において、前記方法は、事前学習済み機械学習モデルを用いて、前記Ｎ次元入力データを基に前記心電図信号に対応する被検者の慢性疾患を予測する段階をさらに含むことが可能である。

代替の実施例において、前記機械学習モデルは、前記Ｎ次元入力データの入力を受けて特徴を抽出するエンコーダー（ｅｎｃｏｄｅｒ）；及び前記抽出された特徴を基にそれぞれ異なる種類の複数の慢性疾患に係る情報を生成するデコーダー（ｄｅｃｏｄｅｒ）を含むことが可能である。

代替の実施例において、前記機械学習モデルは、前記Ｎ次元入力データの入力を受けて特徴を抽出するエンコーダー；及び前記抽出された特徴を基に１つの慢性疾患に係る情報を生成するデコーダーを含むことが可能である。この場合、前記デコーダーが２つ以上存在する場合、前記２つ以上のデコーダーの各々はそれぞれ異なる種類の慢性疾患に係る情報を生成することが可能である。

代替の実施例において、前記機械学習モデルは、前記心電図信号の時系列情報と空間情報を含むＮ次元学習データを基に学習されることが可能である。

代替の実施例において、前記方法は、前記機械学習モデルによって予測された慢性疾患に係る情報を基に、ユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を生成する段階をさらに含むことが可能である。

前述のような課題を実現するための本開示の一実施例に基づき、コンピューター可読保存媒体に保存されたコンピュータープログラムが開示される。前記コンピュータープログラムは、１つ以上のプロセッサーにおいて実行される場合、心電図信号を基に慢性疾患を予測するための以下の動作を実行させるが、前記動作は：心電図データから心電図信号の勾配情報及び波形別区間情報を生成する動作；前記心電図データ、勾配情報、波形別区間情報のうち少なくとも１つを基にリード別統合データを生成する動作；及び前記リード別統合データを基にＮ次元入力データを生成する動作を含むことが可能である。

前述の課題を解決するための本開示の一実施例に基づき、心電図信号を基に慢性疾患を予測するコンピューティング装置が開示される。前記装置は、少なくとも１つのコアを含むプロセッサー；前記プロセッサーにおいて実行可能な複数のプログラムコードを含むメモリー；及び心電図信号を受信するためのネットワーク部を含み、前記プロセッサーは、心電図データから心電図信号の勾配情報及び波形別区間情報を生成し、前記心電図データ、勾配情報、波形別区間情報のうち少なくとも１つを基にリード別統合データを生成し、前記リード別統合データを基にＮ次元入力データを生成することが可能である。

前述の課題を実現するための本開示の一実施例に基づき、ユーザーインターフェースを提供するユーザー端末が開示される。前記ユーザー端末は、少なくとも１つのコアを含むプロセッサー；メモリー；コンピューティング装置から、心電図信号の分析情報を基にしたユーザーインターフェースを受信するネットワーク部；及び前記ユーザーインターフェースを提供する出力部を含むことが可能である。この場合、前記心電図信号の分析情報は、前記心電図信号から生成されたＮ次元入力データを基にして、事前学習済み機械学習モデルを通じて予測された慢性疾患に係る情報を含むことが可能である。

本開示は、心電図信号の固有の情報を失うことなく、心電図測定のためのリード間の相互重要度も解析できる、機械学習を基盤とした慢性疾患の予測方法を提供することが可能である。

図１は、本開示の一実施例に基づく、心電図信号を基に慢性疾患を予測するためのコンピューティング装置のブロック構成図である。 図２は、本開示の一実施例におけるネットワーク関数を示す概略図である。 図３は、本開示の一実施例における心電図信号に対する前処理のプロセスを示すフローチャートである。 図４は、本開示の一実施例においてリード別統合データを生成するプロセスを示す概念図である。 図５は、本開示の一実施例における心電図信号を基にした慢性疾患の予測方法に係るフローチャートである。 図６は、本開示の一実施例における機械学習モデルの構造を示すブロック構成図である。 図７は、本開示の代替の実施例における機械学習モデルの構造を示すブロック構成図である。 図８は、本開示の一実施例におけるコンピューティング環境を示す概略図である。

多様な実施例について以下に図面を参照用いて説明する。本明細書において多様な説明が本開示に対する理解を容易にするために示される。しかし、かかる実施例がかかる具体的な説明がなくても実施されることが可能であることは自明である。

本明細書において、「コンポーネント」、「モジュール」、「システム」等の用語は、コンピューター関連エンティティ、ハードウェア、ファームウェア、ソフトウェア、ソフトウェアとハードウェアとの組み合わせ、又はソフトウェアの実行を指す。例えば、コンポーネントは、プロセッサー上で実行される処理手順（ｐｒｏｃｅｄｕｒｅ）、プロセッサー、オブジェクト、実行スレッド、プログラム、及び／又はコンピューターになり得るが、これらに限定されるものではない。例えば、コンピューティング装置で実行されるアプリケーションとコンピューティング装置は、両方ともコンポーネントになり得る。１つ以上のコンポーネントは、プロセッサー及び／又は実行スレッドの中に常駐することが可能である。１つのコンポーネントは、１つのコンピューターの中でローカル化されることが可能である。１つのコンポーネントは、２つ以上のコンピューターに配分されることが可能である。また、このようなコンポーネントは、その内部に保存されている多様なデータ構造を有する多様なコンピューター可読媒体において実行することが可能である。コンポーネントは、例えば１つ以上のデータパケットを含む信号（例えば、ローカルシステムや分散システムにおいて他のコンポーネントと相互作用する１つのコンポーネントからのデータ及び／又は信号を用いて、他のシステムと、インターネットのようなネットワークを介して伝送されるデータ）を用いてローカル及び／又は遠隔処理等を通じて通信することが可能である。

なお、用語「又は」は、排他的な「又は」ではなく、内包的な「又は」を意味する意図で使われる。つまり、特に特定されておらず、文脈上明確ではない場合、「Ｘは、Ａ又はＢを利用する」は、自然な内包的置換のうち１つを意味するものとする。つまり、ＸがＡを利用したり；ＸがＢを利用したり；又はＸがＡ及びＢの両方を利用する場合、「ＸはＡ又はＢを利用する」は、これらのいずれにも当てはまるとすることが可能である。また、本明細書における「及び／又は」という用語は、取り挙げられた複数の関連アイテムのうち、１つ以上のアイテムの可能なすべての組み合わせを指し、含むものと理解されるべきである。

また、述語としての「含む（含める）」及び／又は修飾語としての「含む（含める）」という用語は、当該特徴及び／又は構成要素が存在することを意味するものと理解されるべきである。ただし、述語としての「含む（含める）」及び／又は修飾語として「含む（含める）」という用語は、１つ以上の他のさらなる特徴、構成要素及び／又はこれらのグループの存在又は追加を排除しないものと理解されるべきである。また、特に数が特定されていない場合や、単数の形を示すことが文脈上明確でない場合、本明細書と請求範囲において単数は、一般的に「１つ又はそれ以上」を意味するものと解釈されるべきである。

そして、「Ａ又はＢのうち少なくとも１つ」という用語については、「Ａだけを含む場合」、「Ｂだけを含む場合」、「ＡとＢの組み合わせの場合」を意味するものと解釈されるべきである。

当業者は、さらに、ここに開示されている実施例に係るものとして説明された多様な例示的論理的ブロック、構成、モジュール、回路、手段、ロジック及びアルゴリズム段階が、電子ハードウェア、コンピューターソフトウェア、又はその両方の組み合わせによって実現されることが可能であることを認識すべきである。ハードウェアとソフトウェアとの相互交換性を明確に例示するために、多様な例示的コンポーネント、ブロック、構成、手段、ロジック、モジュール、回路及び段階が、それらの機能性の側面で一般的に上述された。そのような機能性がハードウェアとして実装されるか或いはソフトウェアとして実装されるかは、全般的なシステムに係る特定のアプリケーション（ａｐｐｌｉｃａｔｉｏｎ）及び設計制限によって決まる。熟練した技術者は、個々の特定アプリケーションのために多様な方法で説明された機能性を実現することが可能である。ただし、そのような実現に係る決定が本開示内容の領域を逸脱するものと解釈されてはならない。

ここに示す実施例に係る説明は、本開示の技術分野において通常の知識を持つ者が本発明を利用したり、又は実施できるように提供される。このような実施例に対する多様な変形は、本開示の技術分野において通常の知識を持つ者には明確に理解できるものである。ここに定義された一般的な原理は、本開示の範囲を逸脱することなく他の実施例に適用されることが可能である。従って、本発明はここに示す実施例だけに限定されるものではない。本発明はここに示す原理及び新規な特徴と一貫する最広義の範囲で解釈されるべきである。

本開示において、ネットワーク関数、人工神経回路網及びニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）は、相互置換可能に用いることが可能である。

図１は、本開示の一実施例に基づく、心電図信号を基に慢性疾患を予測するためのコンピューティング装置のブロック構成図である。

図１に図示されたコンピューティング装置（１００）の構成は、簡略化して示した例示に過ぎない。本開示の一実施例において、コンピューター装置（１００）には、コンピューター装置（１００）のコンピューティング環境を実装するための他の構成が含まれることが可能であり、開示されている構成のうち一部だけでコンピューター装置（１００）を構成することも可能である。

コンピューター装置（１００）は、プロセッサー（１１０）、メモリー（１３０）、ネットワーク部（１５０）を含むことができる。

本開示の一実施例において、プロセッサー（１１０）は、１つ以上のコアで構成されることが可能であり、コンピューティング中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、汎用グラフィック処理装置（ＧＰＧＰＵ：ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、テンサー処理装置（ＴＰＵ：ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）等のデータ分析、ディープラーニングのためのプロセッサーを含むことができる。プロセッサー（１１０）は、メモリー（１３０）に保存されたコンピュータープログラムを読み取り、本開示の一実施例における機械学習のためのデータ処理を実行することができる。本開示の一実施例に基づき、プロセッサー（１１０）は、ニューラルネットワークの学習のための演算を行うことができる。プロセッサー（１１０）は、ディープラーニング（ＤＬ：ｄｅｅｐ ｌｅａｒｎｉｎｇ）において、学習のための入力データの処理、入力データからのフィーチャーの抽出、誤差計算、逆伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を利用したニューラルネットワークの重みの更新等のニューラルネットワークの学習のための計算を実行することができる。プロセッサー（１１０）のＣＰＵとＧＰＧＰＵとＴＰＵとのうち、少なくとも１つが、ネットワーク関数の学習を処理できる。例えば、ＣＰＵとＧＰＧＰＵとがともにネットワーク関数の学習やネットワーク関数を利用したデータの分類を行うことができる。なお、本開示の一実施例において、複数のコンピューティング装置のプロセッサーを一緒に使ってネットワーク関数の学習やネットワーク関数を利用したデータ分類を行うことができる。また、本開示の一実施例における、コンピューティング装置において実行されるコンピュータープログラムは、ＣＰＵ、ＧＰＧＰＵ又はＴＰＵで実行可能なプログラムになり得る。

本開示の一実施例において、プロセッサー（１１０）は、心電図信号を、慢性疾患を予測するための機械学習モデルの入力形式に変換する前処理を実行することが可能である。プロセッサー（１１０）は、少なくとも２つ以上のリード（ｌｅａｄ）を介して測定された１次元の心電図信号を基に、慢性疾患の予測に用いられるＮ次元（Ｎは自然数）の入力データを生成することが可能である。例えば、プロセッサー（１１０）は、１２誘導心電図で測定されたアナログ信号である心電図信号をデジタル化するサンプリング（ｓａｍｐｌｉｎｇ）作業を行うことが可能である。プロセッサー（１１０）は、サンプリング作業を通じて生成された複数の心電図データから各心電図信号の固有の情報を抽出することが可能である。プロセッサー（１１０）は、複数の心電図データと複数の心電図信号の固有の情報のうち少なくとも１つを基に、２次元入力データを生成することが可能である。プロセッサー（１１０）は、複数の心電図データと複数の心電図信号の固有の情報のうち２つ以上をリード別に組み合わせ、組み合わせた結果を基に２次元入力データを生成することが可能である。かかる方法で生成された２次元入力データは、心電図信号の時間に係る情報と心電図信号のリードに係る情報との両方を含むことが可能である。従って、プロセッサー（１１０）は、心電図信号の時系列（ｔｉｍｅ ｓｅｒｉｅｓ）情報と空間情報を失うことなく、機械学習モデルにおいて解釈できるデータを生成することが可能である。

プロセッサー（１１０）は、前処理によって生成されたＮ次元入力データを基に、慢性疾患を予測するための機械学習モデルを学習させることが可能である。例えば、プロセッサー（１１０）は、２次元入力データをモデルに入力して心電図信号に対応する被検者が特定の慢性疾患を患っているか否かを予測するようにモデルを学習させることが可能である。プロセッサー（１１０）は、２次元入力データをモデルに入力して心電図信号の被検者が患っている特定の慢性疾患の定量的数値を推定するようにモデルを学習させることも可能である。つまり、慢性疾患の予測結果を活用しようとする目的に応じて、プロセッサー（１１０）は、１次元の心電図信号に対する前処理によって生成された２次元入力データを基に機械学習モデルを多様な内容で学習させることが可能である。

プロセッサー（１１０）は、事前学習済み機械学習モデルを用いて、心電図信号に対する前処理によって生成されたＮ次元入力データを基に、慢性疾患を予測することが可能である。この場合、Ｎ次元入力データには、心電図信号の時間に係る情報とリードに係る情報が両方失われずに含まれているため、機械学習モデルは、心電図信号の固有の情報だけでなく、リード間の相互重要度も解析可能な慢性疾患の予測結果を出力することが可能である。従って、プロセッサー（１１０）がリード別の相互重要度を別途分析したり、リード別の情報を把握するために機械学習モデルを再学習させる必要がないという長所がある。また、プロセッサー（１１０）が、リード別の相関関係をメイン専門家が解析できるように、別途のヒートマップ（ｈｅａｔｍａｐ）等のような視覚化作業を通じて加工を行う必要がないという長所がある。

プロセッサー（１１０）は、機械学習モデルを通じて生成された慢性疾患の予測結果を基に、ユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を生成することが可能である。この場合、機械学習モデルによって出力された慢性疾患の予測結果は、心血管疾患、脳疾患、肺疾患を含む多様な慢性疾患の発生確率、多様な慢性疾患の各々の発生確率に基づく存在有無、被検者が現在患っている慢性疾患の定量的数値等を含むことが可能である。本開示の一実施例に基づくコンピューティング装置（１００）の活用目的に応じて、前述の例示における出力結果の全体が１つの領域として構成されてユーザーインターフェースに含まれることも可能であるが、出力結果の一部だけがユーザーインターフェースに含まれることも可能である。

本開示の一実施例において、メモリー（１３０）は、プロセッサー（１１０）が生成したり、決定した任意の形態の情報及びネットワーク部（５５０）が受信した任意の形態の情報を保存することができる。

本開示の一実施例において、メモリー（１３０）は、フラッシュメモリータイプ（ｆｌａｓｈ ｍｅｍｏｒｙ ｔｙｐｅ）、ハードディスクタイプ（ｈａｒｄ ｄｉｓｋ ｔｙｐｅ）、マルチメディアカードマイクロタイプ（ｍｕｌｔｉｍｅｄｉａ ｃａｒｄ ｍｉｃｒｏ ｔｙｐｅ）、カードタイプのメモリー（例えばＳＤ又はＸＤメモリー等）、ラム（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ロム（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、磁気メモリー、磁気ディスク、光ディスクのうち少なくとも１つのタイプの保存媒体を含むことができる。コンピューティン装置（１００）は、インターネット（ｉｎｔｅｒｎｅｔ）上で前記メモリー（１３０）の保存機能を実行するウェブストレージ（ｗｅｂ ｓｔｏｒａｇｅ）と連携して動作することも可能である。前述のメモリーに係る記述は、例示に過ぎず、本開示はこれらに限定されない。

本開示の一実施例におけるネットワーク部（１５０）は、任意の形を有する公知の有無線通信システムと連携して作動することが可能である。

ネットワーク部（１５０）は、心電図信号を信号測定システムから受信することが可能である。この場合、信号測定システムは、心電図信号の測定、保存、加工等が可能なすべての装置を含むシステムとして理解することが可能である。例えば、信号測定システムは、被検者（ｓｕｂｊｅｃｔ）の体に接触できるリードを含む持ち運び型心電図測定装置、持ち運び型心電図測定装置と連動可能なデータベースサーバー等を含むことが可能である。ネットワーク部（１５０）は、２つ以上の多様な組み合わせがあるリードを介して測定された心電図信号を、持ち運び型心電図測定装置との通信を介して受信することが可能である。ネットワーク部（１５０）は、持ち運び型心電図測定装置によって予め測定されてデータベースサーバーに保存されている心電図信号を、データベースサーバーとの通信を介して受信することも可能である。

また、ネットワーク部（１５０）は、プロセッサー（１１０）によって処理された情報、ユーザーインターフェース等を、他の端末との通信を介して送受信することが可能である。例えば、ネットワーク部（１５０）は、プロセッサー（１１０）によって生成されたユーザーインターフェースを、クライアント（例えば、ユーザー端末）に提供することが可能である。また、ネットワーク部（１５０）は、クライアントに対してインプットされたユーザーの外部入力を受信してプロセッサー（１１０）に転送することが可能である。この場合、プロセッサー（１１０）は、ネットワーク部（１５０）から受け取ったユーザーの外部入力を基に、ユーザーインターフェースを介して提供される情報の出力、修正、変更、追加等の動作を処理することが可能である。

一方、本開示の一実施例におけるコンピューティング装置（１００）は、クライアントとの通信を介して情報を送受信するコンピューティングシステムとしてサーバーを含むことが可能である。この場合、クライアントは、サーバーにアクセスできる任意の形の端末になり得る。例えば、サーバーであるコンピューティング装置（１００）は、信号測定システムから心電図信号を受信して慢性疾患を予測し、予測された結果を含むユーザーインターフェースをユーザー端末に提供することが可能である。この場合、ユーザー端末は、サーバーであるコンピューティング装置（１００）から受信したユーザーインターフェースを出力し、ユーザーとの相互作用を通じて情報の入力を受けたり、処理することが可能である。

ユーザー端末は、サーバーであるコンピューティング装置（１００）から伝達される慢性疾患の分析情報を提供するために提供されたユーザーインターフェースを表示することが可能である。図示は省略しているが、ユーザー端末は、コンピューティング装置（１００）からユーザーインターフェースを受信するネットワーク部、少なくとも１つのコアを含むプロセッサー、メモリー、ユーザーインターフェースを提供する出力部及びユーザーによってインプットされた外部入力を受信する入力部を含むことが可能である。

追加の実施例において、コンピューティング装置（１００）は、任意のサーバーにおいて生成されたデータリソースを受け取り、追加の情報処理を行う任意の形の端末を含むことも可能である。

図２は、本開示の一実施例において、ネットワーク関数を示す概略図である。

本開示の一実施形態による慢性疾患予測のための機械学習モデルまたは心電図信号の前処理のためのディープラーニングモデルは、神経回路網を含むことができる。本明細書の全体を通して、演算モデル、神経回路網、ネットワーク関数、ニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）は、同一の意味で用いることができる。神経回路網は、一般的にノードと呼ばれる相互連結された計算単位の集合で構成されることが多い。このようなノードは、ニューロン（ｎｅｕｒｏｎ）と称することもできる。神経回路網は、少なくとも１つ以上のノードを含めて構成される。神経回路網を構成するノード（またはニューロン）は１つ以上のリンクによって相互連結されることが可能である。

神経回路網において、リンクを介して繋がっている１つ以上のノードは、相対的に入力ノード及び出力ノードの関係を形成することができる。入力ノード及び出力ノードの概念は相対的なものであり、あるノードに対して出力ノードとなる任意のノードは、他のノードとの関係においては入力ノードになり得るが、その逆も成立する。前述のように、入力ノードと出力ノードとの関係はリンクを中心にして成立することができる。１つの入力ノードに１つ以上の出力ノードがリンクを介して繋がることができ、その逆も成立する。

１つのリンクを介して繋がっている入力ノード及び出力ノードの関係において、出力ノードのデータは入力ノードに入力されたデータに基づきその値が決められることが可能である。ここで入力ノードと出力ノードとを相互連結するノードは加重値（ｗｅｉｇｈｔ）を持つことができる。加重値は可変的なものになり得るが、神経回路網が所望の機能を行うために、利用者またはアルゴリズムによって変わることが可能である。例えば、１つの出力ノードに１つ以上の入力ノードが各リンクによって相互連結されている場合、出力ノードは前記出力ノードに繋がっている入力ノードに入力された値及び各入力ノードに対応するリンクに設定された加重値に基づき出力ノードの値を決定することができる。

前述のように、神経回路網は、１つ以上のノードが１つ以上のリンクを介して相互連結され神経回路網の中で入力ノードと出力ノードの関係を形成する。神経回路網において、ノードとリンクの数及びノードとリンクとの間の相関関係、各リンクに付与された加重値の値によって、神経回路網の特性が決まることが可能である。例えば、同数のノード及びリンクが存在し、リンクの加重値の値がそれぞれ異なる２つの神経回路網が存在する場合、その２つの神経回路網を、相異なるものと認識することができる。

神経回路網は、１つ以上のノードの集合で構成することができる。神経回路網を構成するノードの部分集合は、レイヤー（ｌａｙｅｒ）を構成できる。神経回路網を構成する複数のノードのうち一部は、第１入力ノードからの距離に基づき、１つのレイヤー（ｌａｙｅｒ）を構成することができる。例えば、第１入力ノードからの距離がｎであるノードの集合は、ｎレイヤーを構成することができる。第１入力ノードからの距離は、第１入力ノードから当該ノードに到達するために経由しなければならないリンクの最小限の数を基に定義することができる。しかし、このようなレイヤーの定義は、説明のために任意に取り挙げたものであり、神経回路網の中におけるレイヤーの構成は、前述の説明と異なる方法で定義されることができる。例えば、ノードのレイヤーは、最終出力ノードからの距離を基に定義することもできる。

第１入力ノードは、神経回路網の中のノードのうち、他のノードとの関係においてリンクを経由せずにデータが直接入力される１つ以上のノードを意味することができる。または、神経回路網のネットワークの中で、リンクを基準にしたノード間の関係において、リンクを介して繋がっている他の入力ノードを持たないノードを意味することができる。これと同様に、最終出力ノードは、神経回路網の中のノードのうち、他のノードとの関係において、出力ノードを持たない１つ以上のノードを意味することができる。また、ヒドンノードは、第１入力ノード及び最終出力ノードではないノードで、神経回路網を構成するノードを意味することができる。

本開示の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードと同数で、入力レイヤーからヒドゥンレイヤー（隠れ層）へと進むにつれ、ノードの数が一度減ってから、再び増加する形の神経回路網になり得る。本開示の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードの数より少なく、入力レイヤーからヒドゥンレイヤーへと進むにつれ、ノードの数が減少していく形の神経回路網になり得る。また、本開示の他の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードの数より多く、入力レイヤーからヒドゥンレイヤーへと進むにつれ、ノードの数が増加していく形の神経回路網になり得る。本開示の他の一実施例における神経回路網は、上述の神経回路網を組み合わせた形の神経回路網になり得る。

ディープニューラルネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、深層神経回路網）は、入力レイヤーと出力レイヤー以外に複数のヒドゥンレイヤーを含む神経回路網を意味することができる。ディープニューラルネットワークを利用するとデータの潜在的な構造（ｌａｔｅｎｔ ｓｔｒｕｃｔｕｒｅｓ）を把握することができる。つまり、写真、文章、ビデオ、音声、音楽の潜在的な構造（例えば、ある物が写真に映っているか、文章の内容と感情はどのようなものなのか、音声の内容と感情はどのようなものなのか等）を把握することができる。ディープニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、リカレントニューラルネットワーク（ＲＮＮ；：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、オートエンコーダー（ａｕｔｏ ｅｎｃｏｄｅｒ）、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、制限ボルツマンマシン（ＲＢＭ：ｒｅｓｔｒｉｃｔｅｄ ｂｏｌｔｚｍａｎｎ ｍａｃｈｉｎｅ）、深層信頼ネットワーク（ＤＢＮ：ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）、Ｑネットワーク、Ｕネットワーク、シャムネットワーク、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）等を含むことができる。前述のディープニューラルネットワークは、例示に過ぎず本開示はこれらに限定されない。

本開示の一実施例において、ネットワーク関数は、オートエンコーダー（ａｕｔｏｅｎｃｏｄｅｒ）を含むこともできる。オートエンコーダーは、入力データに類似した出力データを出力するための人工神経回路網の一種になり得る。オートエンコーダーは、少なくとも１つのヒドゥンレイヤーを含むことができ、奇数個のヒドゥンレイヤーが入出力レイヤーの間に配置されることができる。各レイヤーのノード数は、入力レイヤーのノード数から、ボトルネックレイヤー（エンコード）という中間レイヤーに向かって減っていき、ボトルネックレイヤーから出力レイヤー（入力レイヤーと対称を成す）に向かって、縮小と対照する形で、拡張することもできる。オートエンコーダーは、非線形次元減少を行うことができる。入力レイヤー及び出力レイヤーの数は、入力データの前処理後に次元に対応することができる。オートエンコーダー構造において、エンコーダーに含まれたヒドゥンレイヤーのノードの数は、入力データから遠くなるほど減っていく構造を持つことができる。ボトルネックレイヤー（エンコーダーとデコーダーの間に位置する、ノードの数が最も少ないレイヤー）のノードの数が少なすぎる場合、十分な量の情報が伝わらない可能性があるため、特定の数以上（例えば、入力レイヤーの半分以上等）に維持されることもあり得る。

ニューラルネットワークは、教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、半教師あり学習（ｓｅｍｉ ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、または、強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）のうち、少なくともいずれか１つの方式で学習されることができる。ニューラルネットワークの学習は、ニューラルネットワークが特定の動作を行うための知識をニューラルネットワークに提供する過程になり得る。

ニューラルネットワークは、出力のエラーを最小化する方向で学習されることが可能である。ニューラルネットワークの学習において、繰り返し学習データをニューラルネットワークに入力させ、学習データに関するニューラルネットワークの出力とターゲットのエラーを計算し、エラーを減らすための方向としてニューラルネットワークのエラーをニューラルネットワークの出力レイヤーから入力レイヤーの方向へ逆伝播（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ）してニューラルネットワークの各ノードの加重値を更新するプロセスが行われる。教師あり学習の場合、個々の学習データに正解がラベリングされている学習データを使い（つまり、ラベリングされた学習データ）、教師なし学習の場合は、個々の学習データに正解がラベリングされていない場合がある。つまり、例えばデータ分類に関する教師あり学習における学習データは、学習データの各々にカテゴリがラベリングされたデータになり得る。ラベリングされた学習データがニューラルネットワークに入力され、ニューラルネットワークの出力（カテゴリ）と学習データのラベルを比較することでエラー（ｅｒｒｏｒ）を計算することが可能である。他の例として、データ分類に関する教師なし学習の場合、入力である学習データをニューラルネットワークの出力と比較することでエラーを計算することが可能である。計算されたエラーは、ニューラルネットワークにおいて逆方向（つまり、出力レイヤーから入力レイヤー方向）へ逆伝播され、逆伝播を通じてニューラルネットワークの各レイヤーの各ノードの連結加重値を更新することが可能である。更新される各ノードの連結加重値は、学習率（ｌｅａｒｉｎｇ ｒａｔｅ）によって変化量が決まることが可能である。入力データに対するニューラルネットワークの計算とエラーの逆伝播は、学習のサイクル（ｅｐｏｃｈ）を構成することができる。学習率は、ニューラルネットワークの学習のサイクルの反復回数によって適用方式が変わることが可能である。例えば、ニューラルネットワークの学習初期においては、学習率を高くしてニューラルネットワークが早く一定のレベルの性能を確保するようにすることで効率を高め、学習の後半においては学習率を低くして精度を上げることが可能である。

ニューラルネットワークの学習において、一般的に学習データは実際のデータ（つまり、学習されたニューラルネットワークを利用して処理しようとするデータ）の部分集合であることが可能であり、そのため学習データに係るエラーは減少するが、実際のデータに係るエラーは増加する学習サイクルが存在し得る。過剰適合（ｏｖｅｒ ｆｉｔｔｉｎｇ）は、このように学習データについて過度に学習したため、実際のデータにおいてエラーが増加する現象である。例えば、黄色い猫を見て猫を学習したニューラルネットワークが、黄色以外の色の猫を見ると猫であることを認識できない現象が過剰適合の一種になり得る。過剰適合は、マシンラーニングアルゴリズムのエラーを増加させる原因になり得る。このような過剰適合を防ぐために、多様な最適化方法を適用できる。過剰適合を防ぐためには、学習データを増加させる方法、正則化（ｒｅｇｕｌａｉｚａｔｉｏｎ）、学習の過程でネットワークのノードの一部を非活性化するドロップアウト（ｄｒｏｐ ｏｕｔ）、バッチ正規化レイヤー（ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎ ｌａｙｅｒ）の活用等の方法を適用できる。

図３は、本開示の一実施例における心電図信号に対する前処理のプロセスを示すフローチャートである。そして、図４は、本開示の一実施例に基づく、リード別統合データを生成するプロセスを示す概念図である。以下にＮ次元入力データの一つである２次元入力データを基準に、本開示の一実施例に基づく前処理及び慢性疾患の予測の過程を説明する。

図３に示すように、段階Ｓ１１０において、本開示の一実施例に基づくコンピューティング装置（１００）は、心電図信号をデジタルサンプリングして心電図データを生成することが可能である。コンピューティング装置（１００）は、補間（ｉｎｔｅｒｐｏｌａｔｉｏｎ）を通じてアナログ信号である心電図信号からデジタル信号である心電図データを生成することが可能である。補間は、特定の時間間隔でアナログ振幅をキャプチャーすることで作られた複数のサンプルの間の欠けている値を再構成する作業として理解することが可能である。この場合、どれくらいの時間間隔で信号をキャプチャーしてサンプルを生成するかは、所定のサンプリングレート（ｓａｍｐｌｅ ｒａｔｅ）に基づいて決定されることが可能である。例えば、コンピューティング装置（１００）は、事前学習済み機械学習モデル別に予め決められたサンプリングレートを基に補間を行い、心電図信号を加工することが可能である。コンピューティング装置（１００）は、補間を通じてサンプリングされた心電図信号をモデルの入力長さに相当する長さに加工することが可能である。コンピューティング装置（１００）は、前述の補間及び長さの加工を通じて、心電図信号から心電図データを生成することが可能である。

段階Ｓ１１０において、コンピューティング装置（１００）は、心電図データから心電図信号の勾配情報を生成することが可能である。コンピューティング装置（１００）は、心電図データのサンプル別の微分値を基に心電図信号の勾配情報を生成することが可能である。この場合、勾配情報は、心電図信号のピーク値の方向を示す心電図信号の固有の情報として理解することが可能である。例えば、上述の過程を通じて生成された心電図データのサンプルが、Ｎ個（Ｎは自然数）だとすると、コンピューティング装置（１００）は、Ｎ個のサンプルを基に微分値を計算し、Ｎ－１個の勾配情報を算出することが可能である。コンピューティング装置（１００）は、サンプルの数に対して足りない最後の勾配情報を、コンスタントパディング（ｃｏｎｓｔａｎｔ ｐａｄｄｉｎｇ）やシンメトリックパディング（ｓｙｍｍｅｔｒｉｃ ｐａｄｄｉｎｇ）等のような多様なパディング方式を通じて算出することが可能である。つまり、コンピューティング装置（１００）は、Ｎ－１個と算出された勾配情報を、パディングを通じてＮ個になるようにし、心電図データのサンプルと同じ数の勾配情報を生成することが可能である。

また、コンピューティング装置（１００）は、心電図データから心電図信号の波形別区間情報を生成することが可能である。コンピューティング装置（１００）は、心電図データに含まれている複数の心電図信号波形の数値を基に、波形別区間情報を生成することが可能である。例えば、心臓の電気的活性化段階を反映する心電図信号の波形は、基本的にＰ波、ＱＲＳ－複合体（ＱＲＳ－ｃｏｍｐｌｅｘ）、Ｔ波及びその他の波形に分類することが可能である。コンピューティング装置（１００）は、Ｐ波、ＱＲＳ－複合体、Ｔ波及びその他に該当する波形に係る複数の相異なる数値を正規化（ｎｏｒｍａｌｉｚａｔｉｏｎ）することが可能である。この場合、正規化される数値には、Ｐ波、Ｑ波、Ｒ波、Ｓ波、Ｔ波の各々のピーク値も含まれることが可能である。コンピューティング装置（１００）は、心電図データの時系列情報を基に正規化された各波形別の数値を心電図データに相応する長さになるように構成し、心電図信号の波形別区間情報を生成することが可能である。

具体的に説明すると、コンピューティング装置（１００）は、心電図データに含まれている複数の心電図信号波形の各々の特徴値を抽出することが可能である。例えば、コンピューティング装置（１００）は、事前学習済みの深層学習モデルを通じて、Ｐ波、ＱＲＳ－複合体、Ｔ波等のように、心電図信号を構成する複数の波形の特徴値を抽出することが可能である。この場合、特徴値は、Ｐ波のオンセット（ｏｎｓｅｔ）ポイント時間、Ｐ波のオフセット（ｏｆｆｓｅｔ）ポイント時間、ＱＲＳ－複合体のオンセット（ｏｎｓｅｔ）ポイント時間等といったＰ波、ＱＲＳ－複合体、Ｔ波を含む複数の心電図信号波形の各々の固有の情報を含むことが可能である。コンピューティング装置（１００）は、特定のルール（ｒｕｌｅ）に基づいて各信号波形の特徴値を抽出することも可能である。

コンピューティング装置（１００）は、各信号波形の特徴値と対応する各信号波形の数値を導出することが可能である。コンピューティング装置（１００）は、各信号波形の数値を基に、心電図信号を構成している波形を心電図信号に対応する形態に加工することが可能である。コンピューティング装置（１００）は、心電図信号に対応する形態に加工された複数の心電図信号波形を組み合わせて、波形別区間情報を生成することが可能である。例えば、コンピューティング装置（１００）は、Ｐ波の特徴値と対応する数値は１、ＱＲＳ－複合体の特徴値と対応する数値は２、Ｔ波の特徴値と対応する数値は３、その他残りの波形の特徴値と対応する数値は０と導出することが可能である。コンピューティング装置（１００）は、各波形別の数値を基に、Ｐ波、ＱＲＳ－複合体、Ｔ波及びその他残りの波形を正規化することが可能である。コンピューティング装置（１００）は、正規化されたＰ波、ＱＲＳ－複合体、Ｔ波及びその他残りの波形を組み合わせて、１つの波形別区間情報を生成することが可能である。なお、１、２、３、０のような具体的な数値は、一例にすぎず、当業者にとって理解できる範囲で、他の値に変更されることが可能である。

段階Ｓ１２０において、コンピューティング装置（１００）は、段階Ｓ１１０を通じて生成された心電図データ、勾配情報、波形別区間情報のうち少なくとも１つを基に、リード別統合データを生成することが可能である。コンピューティング装置（１００）は、３つのデータのうち２つ以上を、順番は考慮せずに組み合わせてリード別統合データを生成することも可能である。この場合、リード別統合データの生成のために組み合わせられるデータの数及び種類は、慢性疾患の予測結果を活用する目的によって変わることが可能である。例えば、図４に示すように、コンピューティング装置（１００）は、心電図データ（１１）、勾配情報（１３）、波形別区間情報（１５）を組み合わせて畳み込み演算を実行することが可能である。言い換えると、コンピューティング装置（１００）は、畳み込み演算を実行して、心電図データ（１１）、勾配情報（１３）、波形別区間情報（１５）を組み合わせることで、特定のリードの統合データ（１７）を生成することが可能である。ただし、データの組み合わせのための演算には、上述の畳み込み演算以外にも乗算、合算、平均演算等のように、データを組み合わせるために提供できるあらゆる演算をすべて含むことが可能である。このような過程を通じて生成されたリード別統合データは、機械学習モデルが、ドメイン専門家の人間に類似した情報及び基準に基づいて、慢性疾患を予測するためのデータ解析を行えるようにサポートする。

段階Ｓ１３０において、コンピューティング装置（１００）は、段階Ｓ１２０を通じて生成されたリード別統合データを基に、慢性疾患を予測するための機械学習モデルの入力に用いられる２次元入力データを生成することが可能である。この場合、２次元入力データは、心電図信号の時系列情報と空間情報を表すマトリックス形式のものになり得る。例えば、コンピューティング装置（１００）は、リード別統合データを同一の時点を基準にして平面上に配列してＸ軸は時系列情報を表し、Ｙ軸はリード情報を表す２次元マトリックス形式の入力データを生成することが可能である。仮に、心電図信号の測定に用いられるリードの数がＫ個（Ｋは自然数）だとすると、コンピューティング装置（１００）は、時間間隔Ｔを基準とする同一時点のＫ個のリード別統合データを平面上に並べてＫｘＴの２次元マトリックス形式の入力データを生成することが可能である。２次元入力データに係る一例は、後述の図６又は図７に図示されている画像（２０）を参照することで確認することが可能である。かかる過程を通じて生成された２次元入力データは、心電図信号の空間情報に対する統合処理を可能にし、特定の慢性疾患の診断に必要なリード別相関関係が機械学習モデルの推論過程に効果的に反映されるようにサポートする。

図５は、本開示の一実施例における心電図信号を基にした慢性疾患の予測方法に係るフローチャートである。

図５を参照すると、本開示に一実施例に基づき、心電図信号を基に２次元入力データを生成する段階Ｓ２１０は、前述の図３に示すすべての段階に相当するものとして理解することが可能である。従って、段階Ｓ２１０に係る追加の説明は省略する。

段階Ｓ２２０において、本開示の一実施例におけるコンピューティング装置（１００）は、事前学習済み機械学習モデルを通じて、段階Ｓ２１０において生成された２次元入力データを基に、心電図信号を測定した被検者の慢性疾患を予測することが可能である。例えば、コンピューティング装置（１００）は、心電図信号の時系列情報と空間情報がマトリックス形式に配列されている２次元入力データを、機械学習モデルに入力することが可能である。機械学習モデルは、２次元入力データに存在する特徴を基に、様々な種類の慢性疾患の存在有無、定量的数値等を推論することが可能である。この場合、機械学習モデルは、心電図信号に対応する被検者に係る生物学的情報、環境情報等の入力も合わせて受け、慢性疾患の予測を行うことも可能である。機械学習モデルが予測できる慢性疾患には、不整脈、心不全、心筋梗塞等のような心血管疾患、脳出血、脳梗塞、脳卒中等のような脳疾患、肺血栓塞栓症等のような肺疾患、糖尿病、高血圧等のようなその他の慢性疾患がすべて含まれることが可能である。従って、コンピューティング装置（１００）は、活用の目的に合わせて、機械学習モデルが予測できるすべての慢性疾患、又はその一部に係る確率情報、線形的数値情報等を心電図信号の分析情報として導出することが可能である。

段階Ｓ２３０において、コンピューティング装置（１００）は、段階Ｓ２２０において生成された慢性疾患の予測結果である心電図信号の分析情報を基に、ユーザーインターフェースを生成することが可能である。コンピューティング装置（１００）は、特定の慢性疾患の有無を表す確率情報、特定の慢性疾患の重症度を表す線形的数値情報等を含む心電図信号の分析情報の全体又は一部に基づくユーザーインターフェースを生成することが可能である。例えば、コンピューティング装置（１００）は、心血管疾患の有無に係る確率情報を示す第１領域、心血管疾患の重症度に係る線形的数値情報を示す第２領域を含むユーザーインターフェースを生成することが可能である。コンピューティング装置（１００）は、ユーザー端末との通信を介して慢性疾患の予測結果を出力するユーザーインターフェースを、ユーザー端末に提供することが可能である。

図６と図７の各々は、本開示の一実施例における機械学習モデルの構造を示すブロック構成図である。

図６を参照すると、本開示の一実施例における機械学習モデル（２００）は、２次元入力データ（２０）の入力を受けて特徴を抽出するエンコーダー（ｅｎｃｏｄｅｒ）（２１０）と、エンコーダーによって抽出された特徴を基にそれぞれ異なる種類の複数の慢性疾患に係る情報（３１、３３、３５、３６）を生成するデコーダー（ｄｅｃｏｄｅｒ）（２２０）を含むことが可能である。機械学習モデル（２００）は、心電図信号のリードに係る空間情報を含む２次元入力データ（２０）の入力を受けるため、従来の方式とは違って１つのエンコーダー（２１０）を通じて入力データの特徴抽出を行うことが可能である。従って、既存の１次元モデル、又は周波数変換を基盤とした２次元モデルに比べて、モデルを軽量化することが可能であり、モデルのデータ処理速度を大幅に改善することが可能である。また、機械学習モデル（２００）は、２次元入力データ（２０）を用いることで空間情報に対する統合処理が可能になるため、特定の慢性疾患の予測及び判断の正確度を従来のモデルに比べ、大幅に改善することが可能である。

機械学習モデル（２００）は、１つのデコーダー（２２０）を通じて、エンコーダー（２１０）によって抽出された２次元入力データ（２０）の特徴を基に、それぞれ異なる種類の慢性疾患に係る情報（３１、３３、３５、３６）を生成することが可能である。例えば、デコーダー（２２０）は、２次元入力データ（２０）の特徴を基に、脳疾患情報（３１）、心血管疾患情報（３３）、肺疾患情報（３５）、糖尿病等のようなその他の慢性疾患情報（３６）のうち、少なくとも１つ以上を出力することが可能である。この場合、特定の慢性疾患に係る情報には、特定の慢性疾患の存在有無に係る予測結果、特定の慢性疾患に係る定量的数値に対する判断結果等が含まれることが可能である。デコーダー（２２０）は、機械学習モデル（２００）に対するコンピューティング装置（１００）の制御を通じて、脳疾患情報（３１）、心血管疾患情報（３３）、肺疾患情報（３５）、その他の慢性疾患情報（３６）を選択的に出力することも可能である。

図７を参照すると、本開示の代替の実施例における機械学習モデル（２００）は、エンコーダーによって抽出された特徴を基に、それぞれ異なる種類の複数の慢性疾患に係る情報（３１、３３、３５、３６）を生成する複数のデコーダー（２２１、２２２、２２３、２２４）を含むことが可能である。図６とは違って機械学習モデル（２００）は、慢性疾患のそれぞれ異なる種類と個別に対応する複数のデコーダー（２２１、２２２、２２３、２２４）を含むことが可能である。例えば、機械学習モデル（２００）は、脳疾患情報（３１）を生成する第１デコーダー（２２１）、心血管疾患情報（３３）を生成する第２デコーダー（２２２）、肺疾患情報（３５）を生成する第３デコーダー（２２３）、その他の慢性疾患情報（３６）を生成する第Ｎデコーダー（２２４）を含むことが可能である。この場合、その他の慢性疾患をより細分化する場合、第Ｎデコーダー（２２４）も同様に複数のものに細分化されることが可能である。機械学習モデル（２００）は、複数のデコーダー（２２１、２２２、２２３、２２４）を独立的に動作させて様々な慢性疾患に係る情報を選択的に生成することが可能である。

上述の慢性疾患の種類は、位置の例示に過ぎず、当業者が理解できる範囲で、多様な種類の例示が適用されることが可能である。

本開示の一実施例に基づき、データ構造を保存したコンピューター可読保存媒体が開示される。

データ構造は、データに効率的なアクセスおよび修正を可能にするデータの組織、管理、保存を意味することができる。データ構造は、特定の問題（例えば、最短時間でデータ検索、データ保存、データ修正）を解決するためのデータ組織を意味することができる。データ構造は、特定のデータ処理機能をサポートするように設計されたデータ要素間の物理的または論理的な関係と定義することもできる。データ要素間の論理的な関係は、ユーザーが考えるデータ要素間の連結関係を含むことができる。データ要素間の物理的な関係は、コンピューター可読保存媒体（例えば、ハードディスク）に物理的に保存されているデータ要素間の実際の関係を含むことができる。データ構造は具体的にデータの集合、データ間の関係、データに適用できる関数またはコマンドを含むことができる。効果的に設計されたデータ構造により、コンピューティング装置はコンピューティング装置のリソースを最小限に使用しながら計算を行うことができる。具体的にコンピューティング装置は効果的に設計されたデータ構造を通じて演算、読み取り、挿入、削除、比較、交換、検索の効率性を高めることができる。

データ構造はデータ構造の形態によって線形データ構造と非線形データ構造に区分されることができる。線形データ構造は、一つのデータの後に一つのデータだけが連結される構造である可能性がある。線形データ構造はリスト（Ｌｉｓｔ）、スタック（Ｓｔａｃｋ）、キュー（Ｑｕｅｕｅ）、デッキ（Ｄｅｑｕｅ）を含むことができる。リストは、内部的に順序が存在する一連のデータセットを意味することが可能である。リストは連結リスト（Ｌｉｎｋｅｄ Ｌｉｓｔ）を含むことができる。連結リストはそれぞれのデータがポインタを持って一列に連結されている方式でデータが連結されたデータ構造でありうる。連結リストでポインタは、次や以前のデータとの連結情報を含むことができる。連結リストは形態によって単一連結リスト、二重連結リスト、円形連結リストで表現できる。スタックは制限的にデータにアクセスできるデータリスト構造である可能性がある。スタックは、データ構造の片端でのみデータを処理（例えば、挿入または削除）できる線形データ構造である可能性がある。スタックに保存されたデータは、遅く入るほど早く出てくるデータ構造（ＬＩＦＯ－Ｌａｓｔ ｉｎ Ｆｉｒｓｔ Ｏｕｔ）である可能性がある。キューは制限的にデータにアクセスできるデータ羅列構造であり、スタックとは異なり遅く保存されたデータほど遅く出てくるデータ構造（ＦＩＦＯ－ＦｉｒｓｔｉｎＦｉｒｓｔＯｕｔ）であることができる。デッキはデータ構造の両端でデータを処理できるデータ構造になり得る。

非線形データ構造は、一つのデータの後に複数のデータが連結される構造である可能性がある。非線形データ構造はグラフ（Ｇｒａｐｈ）データ構造を含むことができる。グラフデータ構造は頂点（Ｖｅｒｔｅｘ）と幹線（Ｅｄｇｅ）で定義でき、幹線は互いに異なる二つの頂点を連結する線を含むことができる。グラフデータ構造ツリー（Ｔｒｅｅ）データ構造を含むことができる。ツリーデータ構造はツリーに含まれる複数の頂点のうち、互いに異なる２つの頂点を連結させる経路が一つのデータ構造になり得る。すなわち、グラフデータ構造でループ（ｌｏｏｐ）を形成しないデータ構造になり得る。

本明細書にかけて、演算モデル、神経回路網、ネットワーク関数、ニューラルネットワークは同じ意味で使用できる。（以下ではニューラルネットワークで統一して記述する。）データ構造はニューラルネットワークを含むことができる。そして、ニューラルネットワークを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ニューラルネットワークを含むデータ構造はまた、ニューラルネットワークに入力されるデータ、ニューラルネットワークの加重値、ニューラルネットワークのハイパーパラメータ、ニューラルネットワークから獲得したデータ、ニューラルネットワークの各ノードまたはレイヤーに関連する活性関数、ニューラルネットワークの学習のための損失関数を含むことができる。ニューラルネットワークを含むデータ構造は、前記開示された構成のうち任意の構成要素を含むことができる。すなわち、ニューラルネットワークを含むデータ構造は、ニューラルネットワークに入力されるデータ、ニューラルネットワークの加重値、ニューラルネットワークのハイパーパラメータ、ニューラルネットワークから獲得したデータ、ニューラルネットワークの各ノードまたはレイヤーに関連する活性関数、ニューラルネットワークのトレーニングのための損失関数など、全部またはこれらの任意の組み合わせを含んで構成されることができる。前述した構成以外にも、ニューラルネットワークを含むデータ構造は、ニューラルネットワークの特性を決定する任意の他の情報を含むことができる。また、データ構造は、ニューラルネットワークの演算過程で使用されたり、発生するすべての形態のデータを含むことができ、前述の事項に制限されるわけではない。コンピューター可読保存媒体は、コンピューター可読記録媒体および／またはコンピューター可読伝送媒体を含むことができる。ニューラルネットワークは、一般的にノードと呼ばれる相互接続された計算単位の集合で構成されることができる。このようなノードはニューロン（ｎｅｕｒｏｎ）と呼ばれることができる。ニューラルネットワークは、少なくとも１つ以上のノードを含んで構成される。

データ構造は、ニューラルネットワークに入力されるデータを含むことができる。ニューラルネットワークに入力されるデータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ニューラルネットワークに入力されるデータは、ニューラルネットワークの学習過程で入力される学習データおよび／または学習が完了したニューラルネットワークに入力される入力データを含むことができる。ニューラルネットワークに入力されるデータは、前処理（ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を経たデータおよび／または前処理対象となるデータを含むことができる。前処理はデータをニューラルネットワークに入力させるためのデータ処理過程を含むことができる。したがって、データ構造は前処理対象となるデータおよび前処理で発生するデータを含むことができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。

データ構造は、ニューラルネットワークの加重値を含むことができる。（本明細書で加重値、パラメータは同じ意味で使用できる。）そして、神経回路網の加重値を含むデータ構造はコンピューター可読保存媒体に保存されることができる。ニューラルネットワークは、複数の加重値を含むことができる。加重値は可変的であり、ニューラルネットワークが望む機能を遂行するために、ユーザーまたはアルゴリズムによって可変することができる。例えば、一つの出力ノードに一つ以上の入力ノードがそれぞれのリンクによって相互接続された場合、出力ノードは前記出力ノードと連結された入力ノードに入力された値及びそれぞれの入力ノードに対応するリンクに設定されたパラメータに基づいて出力ノード値を決定することができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。

制限ではなく例として、加重値は神経回路網学習過程で可変する加重値および／または神経回路網学習が完了した加重値を含むことができる。ニューラルネットワーク学習過程で可変される加重値は、学習サイクルが始まる時点の加重値および／または学習サイクルの間に可変される加重値を含むことができる。ニューラルネットワーク学習が完了した加重値は、学習サイクルが完了した加重値を含むことができる。したがって、ニューラルネットワークの加重値を含むデータ構造は、ニューラルネットワーク学習過程で可変される加重値および／またはニューラルネットワーク学習が完了した加重値を含むデータ構造を含むことができる。したがって、上述した加重値および／または各加重値の組み合わせは、神経回路網の加重値を含むデータ構造に含まれるものとする。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。

ニューラルネットワークの加重値を含むデータ構造は、直列化（ｓｅｒｉａｌｉｚａｔｉｏｎ）過程を経た後、コンピューター可読保存媒体（例えば、メモリ、ハードディスク）に保存されることができる。直列化は、データ構造を同一または他のコンピューティングデバイスに保存し、後で再構成して使用できる形態に変換する過程である可能性がある。コンピューティングデバイスは、データ構造を直列化し、ネットワークを介してデータを送受信することができる。直列化されたニューラルネットワークの加重値を含むデータ構造は、逆直列化（ｄｅｓｅｒｉａｌｉｚａｔｉｏｎ）を通じて同じコンピューティング装置または他のコンピューティング装置で再構成されることができる。ニューラルネットワークの加重値を含むデータ構造は、シリアル化に限定されるものではない。さらに、神経回路網の加重値を含むデータ構造は、コンピューティング装置の資源を最小限に使用しながら演算の効率を高めるためのデータ構造（例えば、非線形データ構造で Ｂ－Ｔｒｅｅ、Ｔｒｉｅ、ｍ－ｗａｙ ｓｅａｒｃｈ ｔｒｅｅ、ＡＶＬｔｒｅｅ、Ｒｅｄ－Ｂｌａｃｋ Ｔｒｅｅ）を含むことができる。前述の事項は例示に過ぎず、本開示はこれに限定されない。

データ構造は、ニューラルネットワークのハイパーパラメータ（Ｈｙｐｅｒ－ｐａｒａｍｅｔｅｒ）を含むことができる。そして、ニューラルネットワークのハイパーパラメータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ハイパーパラメータは、ユーザーによって可変される変数である可能性がある。ハイパーパラメータは、例えば、学習率（ｌｅａｒｎｉｎｇ ｒａｔｅ）、コスト関数（ｃｏｓｔ ｆｕｎｃｔｉｏｎ）、学習サイクル反復回数、加重値初期化（例えば、加重値初期化対象となる加重値の範囲設定）、Ｈｉｄｄｅｎ Ｕｎｉｔ個数（例えば、ヒドゥンレイヤーの個数、ヒドゥンレイヤーのノード数）を含むことができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。

図８は、本開示の実施例が具現化されることのできる例示的なコンピューティング環境に係る簡略で一般的な概略図である。

本開示が一般的にコンピューティング装置により具現化されることができると前述されているが、当業者であれば本開示が一つ以上のコンピューター上で実行されることのできるコンピューター実行可能命令及び／またはその他のプログラムモジュールと結合して及び／またはハードウェアとソフトウェアの組み合わせとして具現化されることができるということをよく理解できるだろう。

一般的に、本明細書におけるモジュールは、特定のタスクを実行したり、特定の抽象的なデータ類型を実装するルーティン、プログラム、コンポーネント、データ構造、その他等々を含む。また、当業者なら本開示の方法がシングルプロセッサーまたはマルチプロセッサーコンピューターシステム、ミニコンピューター、メインフレームコンピューターはもちろん、パーソナルコンピューター、ハンドヘルド（ｈａｎｄｈｅｌｄ）コンピューティング装置、マイクロプロセッサー基盤、またはプログラム可能な家電製品、その他等々（これらは、それぞれ１つ以上の関連する装置と繋がって動作することができる）をはじめとする、他のコンピューターシステムの構成によって実施されることができることをよく理解できるだろう。

本開示において説明された実施例は、さらに、あるタスクが通信ネットワークを通じて繋がっている遠隔処理装置によって実行される分散コンピューティング環境で実施されることができる。分散コンピューティング環境において、プログラムモジュールは、ローカルや遠隔メモリー保存装置の両方に位置することができる。

コンピューターは、多様なコンピューター可読媒体を含む。コンピューターによってアクセス可能な媒体はいずれもコンピューター可読媒体になり得るが、このようなコンピューター可読媒体は揮発性及び非揮発性媒体、一時的（ｔｒａｎｓｉｔｏｒｙ）及び非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）媒体、移動式及び非－移動式媒体を含む。制限ではなく例として、コンピューター可読媒体は、コンピューター可読保存媒体及びコンピューター可読伝送媒体を含むことができる。コンピューター可読保存媒体は、コンピューター可読命令、データ構造、プログラムモジュール又はその他のデータのような情報を保存する任意の方法又は技術により実装される揮発性及び非揮発性媒体、一時的及び非－一時的媒体、移動式及び非移動式媒体を含む。コンピューター可読保存媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリーまたはその他のメモリー技術、ＣＤ－ＲＯＭ、ＤＶＤ（ｄｉｇｉｔａｌ ｖｉｄｅｏ ｄｉｓｋ）またはその他の光ディスク保存装置、磁気カセット、磁気テープ、磁気ディスク保存装置またはその他の磁気保存装置、またはコンピューターによってアクセスされることができ、情報を保存するのに使われることのできる任意のその他の媒体を含むが、これに限定されない。

コンピューター可読伝送媒体は、通常、搬送波（ｃａｒｒｉｅｒ ｗａｖｅ）またはその他の伝送メカニズム（ｔｒａｎｓｐｏｒｔ ｍｅｃｈａｎｉｓｍ）のような被変調データ信号（ｍｏｄｕｌａｔｅｄ ｄａｔａ ｓｉｇｎａｌ）にコンピューター可読命令、データ構造、プログラムモジュールまたはその他のデータ等を実装し、すべての情報伝達媒体を含む。被変調データ信号という用語は、信号の中で情報をエンコードするように、その信号の特性のうち１つ以上を設定または変更した信号を意味する。制限ではなく例として、コンピューター可読伝送媒体は、有線ネットワークまたは直接配線接続（ｄｉｒｅｃｔ－ｗｉｒｅｄ ｃｏｎｎｅｃｔｉｏｎ）のような有線媒体、そして音響、ＲＦ、赤外線、その他の無線媒体のような無線媒体を含む。前述の媒体のいずれかによる任意の組み合わせもまたコンピューター可読伝送媒体の範囲に含まれるものとする。

コンピューター（１１０２）を含む本開示の多様な側面を実現する例示的な環境（１１００）が示されており、コンピューター（１１０２）は、処理装置（１１０４）、システムメモリー（１１０６）、システムバス（１１０８）を含む。システムバス（１１０８）は、システムメモリー（１１０６）（これに限定されない）をはじめとするシステムコンポーネントを処理装置（１１０４）につなげる。処理装置（１１０４）は、多様な商用プロセッサーのうち任意のプロセッサーになり得る。デュエルプロセッサーとその他のマルチプロセッサーアーキテクチャもまた処理装置（１１０４）として利用されることができる。

システムバス（１１０８）は、メモリーバス、周辺装置バス、そして多様な商用バスアーキテクチャの中から、任意のものを使用するローカルバスにさらに相互連結されることのできる複数の類型のバス構造のうちいずれかになり得る。システムメモリー（１１０６）は、読み取り専用メモリー（ＲＯＭ）（１１１０）やランダムアクセスメモリー（ＲＡＭ）（１１１２）を含む。基本的な入出力システム（ＢＩＯＳ）は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の非揮発性メモリー（１１１０）に保存され、このＢＩＯＳは、起動中の時等にコンピューター（１１０２）の中の複数の構成要素間の情報のやりとりをサポートする基本的なルーティンを含む。ＲＡＭ（１１１２）は、またデータをキャッシュするための静的ＲＡＭ等の高速ＲＡＭを含むことができる。

コンピューター（１１０２）においては、また、内蔵型ハードディスクドライブ（ＨＤＤ）（１１１４）（例えば、ＥＩＤＥ、ＳＡＴＡ）―この内蔵型ハードディスクドライブ（１１１４）はまた適切なシャシー（図示は省略）の中で外付け型の用途で構成されることができる―、磁気フロッピーディスクドライブ（ＦＤＤ）（１１１６）（例えば、移動式ディスケット（１１１８）から読み取ったりそれに書き込むためのものである）及び光ディスクドライブ（１１２０）（例えば、ＣＤ－ＲＯＭディスク（１１２２）を読み取ったり、ＤＶＤ等のその他の高容量光媒体から読み取ったり、それに書き込むためのものである）を含む。ハードディスクドライブ（１１１４）、磁気ディスクドライブ（１１１６）及び光ディスクドライブ（１１２０）は、それぞれハードディスクドライブインターフェース（１１２４）、磁気ディスクドライブインターフェース（１１２６）及び光ドライブインターフェース（１１２８）によってシステムバス（１１０８）に繋がることができる。外付け型ドライブの実装のためのインターフェース（１１２４）は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）やＩＥＥＥ１３９４インターフェース技術のうち、少なくとも１つまたはその両方を含む。

これらのドライブ及びこれらに係るコンピューター可読媒体は、データ、データ構造、コンピューターで実行可能な命令、その他等々の非揮発性保存を提供する。コンピューター（１１０２）の場合、ドライブ及び媒体は、任意のデータを適切なデジタル形式に保存することに対応する。前述におけるコンピューター可読保存媒体に係る説明が、ＨＤＤ、移動式磁気ディスク及びＣＤまたはＤＶＤ等の移動式光媒体について触れているが、当業者ならジップドライブ（ｚｉｐ ｄｒｉｖｅ）、磁気カセット、フラッシュメモリーカード、カートリッジ、その他等々のコンピューターにより読み取り可能な他の類型の保存媒体もまた例示的な運営環境で使われることができ、さらに、このような媒体のうち任意のある媒体が、本開示の方法を実行するためのコンピューターで実行可能な命令を含むことができることをよく理解できるだろう。

運営システム（１１３０）、１つ以上のアプリケーションプログラム（１１３２）、その他のプログラムモジュール（１１３４）及びプログラムデータ（１１３６）をはじめとする多数のプログラムモジュールが、ドライブ及びＲＡＭ（１１１２）に保存されることができる。運営システム、アプリケーション、モジュール及び／またはデータの全部またはその一部分がまたＲＡＭ（１１１２）にキャッシュされることができる。本開示が商業的に利用可能な様々な運営システムまたは複数の運営システムの組み合わせにより実装されることができることをよく理解できるだろう。

ユーザーは、１つ以上の有線・無線の入力装置、例えば、キーボード（１１３８）及びマウス（１１４０）等のポインティング装置を通じてコンピューター（１１０２）に命令及び情報を入力することができる。その他の入力装置（図示は省略）としてはマイク、ＩＲリモコン、ジョイスティック、ゲームパッド、スタイラスペン、タッチスクリーン、その他等々があり得る。これら及びその他の入力装置が、よくシステムバス（１１０８）に繋がっている入力装置インターフェース（１１４２）を通じて処理装置（１１０４）に繋がることがあるが、並列ポート、ＩＥＥＥ１３９４直列ポート、ゲームポート、ＵＳＢポート、ＩＲインターフェース、その他等々のその他のインターフェースによって繋がることができる。

モニター（１１４４）または他の類型のディスプレイ装置も、ビデオアダプター（１１４６）等のインターフェースを通じてシステムバス（１１０８）に繋がる。モニター（１１４４）に加えて、コンピューターは一般的にスピーカー、プリンター、その他等々のその他の周辺出力装置（図示は省略）を含む。

コンピューター（１１０２）は、有線及び／または無線通信による（複数の）遠隔コンピューター（１１４８）等の１つ以上の遠隔コンピューターへの論理的接続を利用し、ネットワーク化された環境で動作することができる。（複数の）遠隔コンピューター（１１４８）は、ワークステーション、サーバーコンピューター、ルーター、パーソナルコンピューター、携帯用コンピューター、マイクロプロセッサー基盤の娯楽機器、ピア装置またはその他の通常のネットワークノードになることができ、一般的にコンピューター（１１０２）について述べられた構成要素のうち、多数またはその全部を含むが、簡略化するために、メモリー保存装置（１１５０）のみ図示されている。図示されている論理的接続は、近距離通信網（ＬＡＮ）（１１５２）及び／または、より大きいネットワーク、例えば、遠距離通信網（ＷＡＮ）（１１５４）における有線・無線の接続を含む。このようなＬＡＮ及びＷＡＮのネットワーキング環境は、オフィスや会社では一般的なもので、イントラネット等の全社的コンピューターネットワーク（ｅｎｔｅｒｐｒｉｓｅ－ｗｉｄｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ）を容易にし、これらはすべて全世界のコンピューターネットワーク、例えば、インターネットに繋がることができる。

ＬＡＮネットワーキング環境で使われるとき、コンピューター（１１０２）は、有線及び／または無線通信ネットワークインターフェース、または、アダプター（１１５６）を通じてローカルネットワーク（１１５２）に繋がる。アダプター（１１５６）は、ＬＡＮ（１１５２）への有線または無線通信を容易にすることができ、このＬＡＮ（１１５２）は、また無線アダプター（１１５６）と通信するためにそれに設置されている無線アクセスポイントを含む。ＷＡＮネットワーキング環境で使われるとき、コンピューター（１１０２）は、モデム（１１５８）を含むことができたり、ＷＡＮ（１１５４）上の通信サーバーに繋がったり、またはインターネットを通じる等、ＷＡＮ（１１５４）を通じて通信を設定するその他の手段を持つ。内蔵型又は外付け型、そして、有線または無線装置になり得るモデム（１１５８）は、直列ポートインターフェース（１１４２）を通じてシステムバス（１１０８）に繋がる。ネットワーク化された環境において、コンピューター（１１０２）について説明されたプログラムモジュールまたはその一部分が、遠隔メモリー／保存装置（１１５０）に保存されることができる。図示されたネットワーク接続が例示的なものであり、複数のコンピューター間で通信リンクを設定する他の手段が使われることができるということは容易に理解できることである。

コンピューター（１１０２）は、無線通信で配置されて動作する任意の無線装置またはユニット、例えば、プリンター、スキャナー、デスクトップ及び／または携帯用コンピューター、ＰＤＡ（ｐｏｒｔａｂｌｅ ｄａｔａ ａｓｓｉｓｔａｎｔ）、通信衛星、無線で検出可能なタグに係る任意の装備または場所及、及び電話と通信する動作をする。これは、少なくともＷｉ－Ｆｉ及びブルートゥース（登録商標）無線技術を含む。従って、通信は、従来のネットワークのように予め定義された構造であったり、単純に少なくとも２つの装置の間でのアドホック通信（ａｄ ｈｏｃ ｃｏｍｍｕｎｉｃａｔｉｏｎ）になり得る。

Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）は、有線で繋がっていなくても、インターネット等への接続を可能にする。Ｗｉ－Ｆｉは、このような装置、例えば、コンピューターが室内及び室外で、つまり基地局の通話圏内のどこからでもデータを送受信できるようにするセル電話のような無線技術である。Ｗｉ－Ｆｉネットワークは、安全で信頼性があり、高速である無線接続を提供するためにＩＥＥＥ８０２．１１（ａ、ｂ、ｇ、その他）という無線技術を使う。コンピューターを互いに、インターネット及び有線ネットワーク（ＩＥＥＥ８０２．３またはイーサネットを使う）に接続するためにＷｉ－Ｆｉが使われることができる。Ｗｉ－Ｆｉネットワークは、非認可２．４や５ＧＨｚの無線帯域において、例えば、１１Ｍｂｐｓ（８０２．１１ａ）または５４Ｍｂｐｓ（８０２．１１ｂ）のデータレートで動作したり、両帯域（デュエル帯域）を含む製品において動作することができる。

本開示の技術分野における通常の知識を持つ者は情報及び信号が任意の多様な異なる技術及び手法を利用して示されることができることを理会できる。例えば、前記の説明において参照できるデータ、指示、命令、情報、信号、ビット、シンボル及びチップは、電圧、電流、電磁気派、磁場等または粒子、光学場等または粒子、またはこれらの任意の組み合わせによって示されることができる。

本開示の技術分野において通常の知識を持つ者は、ここに開示された実施例に係る説明で取り挙げられた多様な例示的な論理ブロック、モジュール、プロセッサー、手段、回路、アルゴリズム段階が電子ハードウェア、（利便性のために、ここでは「ソフトウェア」と称される）多様な形のプログラムまたは設計コード、またはこれらすべての結合により実装されることができることを理解できるだろう。ハードウェア及びソフトウェアのこのような相互互換性を明確に説明するために、多様な例示的なコンポーネント、ブロック、モジュール、回路、及び段階がこれらの機能に着目して前記で一般的に説明された。このような機能がハードウェアやソフトウェアで実装されるかどうかは、特定のアプリケーションおよび全体システムに対して付与される設計上の制限によって決まる。本開示の技術分野において通常の知識を持つ者は、個々の特定のアプリケーションについて多様な手法で説明された機能を実現することができるが、このような実現の決定は、本開示の範囲を逸脱するものと解釈されてはならない。

ここに示された多様な実施例は、方法、装置、または標準プログラミング及び／またはエンジニアリング技術を使った製造物品（ａｒｔｉｃｌｅ）によって実現できる。用語「製造物品」は、任意のコンピューターで可読な装置からアクセス可能なコンピュータープログラム、キャリアー、または媒体（ｍｅｄｉａ）を含む。例えば、コンピューターで可読保存媒体は、磁気保存装置（例えば、ハードディスク、フロッピーディスク、磁気ストリップ等）、光学ディスク（例えば、ＣＤ、ＤＶＤ等）、スマートカード及びフラッシュメモリー装置（例えば、ＥＥＰＲＯＭ、カード、スティック、キードライブ等）を含むが、これらに限定されるものではない。また、ここに示されている多様な保存媒体は、情報を保存するための１つ以上の装置及び／または他の機械可読媒体を含む。

示されたプロセスにおける複数の段階の特定の順番または階層構造は、例示的なアプローチの一例であることを理解すべきである。設計上の優先順位に基づき、本開示の範囲内で、プロセスにおける段階の特定の順番または階層構造が再配列されることができることを理解すべきである。添付の方法請求項は、サンプルとしての順番で、多様な段階のエレメントを提供するが、示された特定の順番または階層構造に限定されることを意味するわけではない。

示された実施例に関する説明は、任意の本開示の技術分野において通常の知識を持つ者が、本開示を利用したり、または実施できるように提供される。このような実施例に対する多様な変形は、本開示の技術分野において通常の知識を持つ者には明確に理解できるものであり、ここに定義された一般的な原理は、本開示の範囲を逸脱することなく他の実施例に適用されることができる。従って、本開示はここに示す実施例によって限定されるものではなく、ここに示す原理及び新規な特徴と一貫する最広義の範囲で解釈されるべきである。

Claims (15)

1. 少なくとも１つのプロセッサーを含むコンピューティング装置によって実行される、心電図信号を基にした慢性疾患の予測方法であって、
   前記心電図信号を基にリード（ｌｅａｄ）別統合データを生成し、前記リード別統合データを基にＮ次元入力データを生成する段階と、
   前記Ｎ次元入力データを基に、事前学習済み機械学習モデルを通じて慢性疾患を予測する段階と、
   ユーザーに提供される前記慢性疾患に係る予測情報を生成する段階と、
   を含む、
   方法。
2. 請求項１において、
   前記リード別統合データは、前記心電図信号の勾配情報と前記心電図信号の波形別区間情報とのうち少なくとも１つを基に生成される、
   方法。
3. 請求項２において、
   前記Ｎ次元入力データを生成する段階は、
   前記心電図信号の勾配情報と前記心電図信号の波形別区間情報とのうち少なくとも１つを生成する段階と、
   前記心電図信号の勾配情報と前記心電図信号の波形別区間情報とのうち少なくとも１つを基に前記リード別統合データを生成する段階と、
   前記リード別統合データを基に前記Ｎ次元入力データを生成する段階と、
   を含む、
   方法。
4. 請求項３において、
   前記心電図信号の勾配情報と前記心電図信号の波形別区間情報とのうち少なくとも１つを生成する段階は、
   補間（ｉｎｔｅｒｐｏｌａｔｉｏｎ）を通じて前記心電図信号をサンプリング（ｓａｍｐｌｉｎｇ）して心電図データを生成する段階と、
   前記心電図データのサンプル別の微分値を基に前記勾配情報を生成する段階と、
   前記心電図データに含まれている複数の心電図信号波形の数値を基に前記波形別区間情報を生成する段階と、
   を含む、
   方法。
5. 請求項４において、
   前記心電図データに含まれている複数の心電図信号波形の数値を基に前記波形別区間情報を生成する段階は、
   前記心電図データに含まれている複数の心電図信号波形の各々の特徴値を抽出する段階と、
   前記複数の心電図信号波形の各々の特徴値と対応する数値を導出し、前記導出された数値を基に前記複数の心電図信号波形の各々を正規化（ｎｏｒｍａｌｉｚａｔｉｏｎ）する段階と、
   前記正規化された複数の心電図信号波形の各々を組み合わせて前記波形別区間情報を生成する段階と、
   を含む、
   方法。
6. 請求項４において、
   前記リード別統合データを生成する段階は、
   前記心電図データ、前記勾配情報、前記波形別区間情報のうち２つ以上を組み合わせて前記リード別統合データを生成する段階
   を含む、
   方法。
7. 請求項１において、
   前記Ｎ次元入力データを生成する段階は、
   前記リード別統合データを平面上に配列して前記心電図信号の時系列情報と空間情報を表すマトリックス（ｍａｔｒｉｘ）形式の２次元入力データを生成する段階
   を含む、
   方法。
8. 請求項１において、
   前記慢性疾患を予測する段階は、前記機械学習モデルを用いて、前記Ｎ次元入力データを基に前記心電図信号に対応する被検者の慢性疾患を予測する段階
   を含む、
   方法。
9. 請求項８において、
   前記機械学習モデルは、
   前記Ｎ次元入力データの入力を受けて特徴を抽出するエンコーダー（ｅｎｃｏｄｅｒ）と、
   前記抽出された特徴を基にそれぞれ異なる種類の複数の慢性疾患に係る情報を生成するデコーダー（ｄｅｃｏｄｅｒ）と、
   を含む、
   方法。
10. 請求項８において、
    前記機械学習モデルは、
    前記Ｎ次元入力データの入力を受けて特徴を抽出するエンコーダーと、
    前記抽出された特徴を基に１つの慢性疾患に係る情報を生成するデコーダーと、
    を含み、
    前記デコーダーが２つ以上存在する場合、前記２つ以上のデコーダーの各々はそれぞれ異なる種類の慢性疾患に係る情報を生成するものである、
    方法。
11. 請求項８において、
    前記機械学習モデルは、
    前記心電図信号の時系列情報と空間情報を含むＮ次元学習データを基に学習されたものである、
    方法。
12. 請求項８において、
    前記ユーザーに提供される前記慢性疾患に係る予測情報を生成する段階は、
    前記機械学習モデルを通じて予測された前記慢性疾患に係る予測情報を基に、ユーザーインターフェース（ｕｓｅｒ ｉｎｔｅｒｆａｃｅ）を生成する段階
    を含む、
    方法。
13. コンピューター可読保存媒体に保存されたコンピュータープログラムであって、前記コンピュータープログラムは１つ以上のプロセッサーにおいて実行される場合、心電図信号を基に慢性疾患を予測するための動作を実行させ、
    前記動作は、
    前記心電図信号を基にリード別統合データを生成し、前記リード別統合データを基にＮ次元入力データを生成する動作と、
    前記Ｎ次元入力データを基に、事前学習済み機械学習モデルを通じて慢性疾患を予測する動作と、
    ユーザーに提供される前記慢性疾患に係る予測情報を生成する動作と、
    を含む、
    コンピューター可読保存媒体に保存されたコンピュータープログラム。
14. 心電図信号を基に慢性疾患を予測するコンピューティング装置であって、
    少なくとも１つのコアを含むプロセッサーと、
    前記プロセッサーにおいて実行可能な複数のプログラムコードを含むメモリーと、
    心電図信号を受信するためのネットワーク部と、
    を含み、
    前記プロセッサーは、
    前記心電図信号を基にリード別統合データを生成し、前記リード別統合データを基にＮ次元入力データを生成し、
    前記Ｎ次元入力データを基に、事前学習済み機械学習モデルを通じて慢性疾患を予測し、且つ
    ユーザーに提供される前記慢性疾患に係る予測情報を生成する、
    コンピューティング装置。
15. ユーザー端末であって、
    少なくとも１つのコアを含むプロセッサーと、
    メモリーと、
    コンピューティング装置から、心電図信号の分析情報を受信するネットワーク部と、
    前記心電図信号の分析情報を提供する出力部と、
    を含み、
    前記心電図信号の分析情報は、前記心電図信号を基にして予測された慢性疾患に係る予測情報を含み、
    前記慢性疾患に係る予測情報は、前記心電図信号から生成されたリード別統合データ及びＮ次元入力データを基に、事前学習済み機械学習モデルを通じて予測された情報と対応する、
    端末。