KR100682888B1 - 가중된 회귀모델 결정 방법 및 이를 이용한 혼합물의 성분농도 예측 방법 - Google Patents

Abstract

가중된 회귀모델 결정 방법 및 이를 이용한 혼합물의 성분 농도 예측 방법이 개시된다. 본 발명의 가중된 회귀모델 결정 방법은 회귀모델을 선택하는 단계; 예측 목표값들과 측정값들로 이루어진 복수의 측정점들을 생성하는 단계; 각 측정점에서 해당 예측 목표값과 측정값에 대해 가중치를 결정하는 단계; 및 측정값을 회귀모델에 적용하여 얻어지는 예측값들과 예측 목표값들과의 차에 가중치를 반영하여 소정 계산량을 얻고, 계산량을 최소화하는 회귀모델의 계수들을 결정하는 단계를 포함하고, 가중치는 예측 목표값과 측정값에 대해 별도로 계산되고, 합산되는 것을 특징으로 한다.

Description

가중된 회귀모델 결정 방법 및 이를 이용한 혼합물의 성분 농도 예측 방법{Methods for deciding weighted regression model and predicting concentration of component of mixture using the same}

도 1(a) 및 도 1(b)는 회귀모델에 의한 예측 값을 그래프로 도시한 것이다.

도 2는 본 발명에 따른 회귀모델 결정방법에 대한 흐름도이다.

도 3(a) 및 도 3(b)는 회귀모델에 의한 예측값을 그래프로 도시한 것이다.

도 4는 본 발명에 따른 혼합물의 성분 농도 예측 방법에 대한 흐름도이다.

도 5는 피실험자의 혈액 속에 실제 포함된 글루코스 농도에 대해 본 발명에 따라 예측한 농도를 비교하여 도시한 것이다.

본 발명은 가중된 회귀모델 결정 방법 및 이를 이용한 혼합물을 구성하는 성분의 농도를 예측하는 방법에 관한 것으로, 특히 레버리지(leverage)에 따라 가중된 회귀모델(regression model)을 결정하고, 이를 이용하여 혼합물을 구성하는 성분의 농도를 예측하는 방법에 관한 것이다.

혼합물의 스펙트럼으로부터 혼합물에 녹아있는 특정성분의 농도를 예측하는 방법으로 선형회귀 방법이 있다. 이는 측정하고자하는 성분과 반응하는 시약을 이용하여 시약과 반응하는 정도에 따라 농도를 측정하는 종래의 방법과 구별되는 것으로, 무시약 혈중성분 측정 또는 비침습 혈중 성분 등을 측정하는데 응용될 수 있다.

선형회귀에 사용되는 단순회귀모델은 독립변수로부터 종속변수를 예측하기위하여 사용되는 회귀 방정식으로, 일반적으로 다음과 같은 가정을 전제하고 있다. 첫째, 독립변수인 x, 예를 들어 측정된 스펙트럼 데이터와 종속변수인 y, 예를 들어 예측하고자하는 성분의 농도 사이에 존재하는 관련성은 주어진 z의 값에서 y의 기대값 μ_y.x은 다음 식과 같이 표현될 수 있다고 가정한다.

여기서, x_i는 i번째 측정된 x의 값, β₀, β₁는 각각 모집단의 회귀계수이다.

둘째, 주어진 x의 값에서 y는 정규분포(normal distribution)를 가지며, 평균은 x에 따라서 변하나 분산은 x에 관계없이 일정하다.

이러한 가정하에서 단순회귀모델을 표현하면 다음 식과 같다.

여기서, y_i는 i번째 예측된 y의 값, ε_i는 i번째 측정된 y의 오차항이다.

상술한 전제조건들중, 둘째 조건은 오차항의 등분산을 가정하여 y에 상관없이

(여기서, σ는 분산)을 가정하고있다. 그러나 이러한 등분산의 가정이 성립되지않는 경우도 있으며, 특히 회귀벡터를 구하기위하여 측정하는 학습 세트(training set)의 기준(reference) 측정기는 일반적으로 y의 값이 커질수록 오차가 커지는 경우가 일반적이다. 또한 회귀모델을 구성하기위하여 일반적으로 사용되는 최소자승(least square)법은 비정상 측정치의 영향을 크게 받아 소수의 이상치(outlier)에 의하여 회귀모델의 왜곡이 생길 수 있으며 더 나아가 정상적인 측정치를 오히려 이상치로 판단하게하는 경우가 있을 수 있다. 도 1(a) 및 도 1(b)는 회귀모델에 의한 예측 값을 그래프로 도시한 것으로, 도 1(a)는 정상적인 측정 데이터(1)에 따른 회귀모델(2)을 보여준다. 그러나 도 1(b)는 이상치(3)들에 의해 회귀모델이 왜곡된 형태(4)를 보여준다.

일반적으로, 회귀모델을 구성하기위해서는 학습 세트가 필요하며, 학습 세트를 구성하는 모든 측정점들(observation points)들에게는 동등한 자격이 부여된다. 그러나, 일반적으로 회귀모델을 구성하는데 필요한 정보의 양과 질은 모든 측정점들이 동등하게 가지고있다고는 할 수 없다. 예를 들어 기준 측정기의 오차는 y가 작아질수록 적어지므로 측정점들중에 y가 작은 것이 큰 것보다 양질의 정보를 갖고있다고 할 수 있다. 또한 측정점들중에 측정된 독립변수 x가 이상치인 측정점들은 잘못된 정보를 갖고 있을 가능성이 크므로, 다른 측정점들에 비해 회귀식에서 차지하는 비중이 작아져야한다.

본 발명이 이루고자하는 기술적 과제는 회귀모델을 생성하는데 있어서 측정점들이 갖고있는 정보의 질 혹은 중요도에 따라 서로 다른 가중치를 줌으로써 측정점들을 보다 정확하게 나타내는 회귀모델을 결정하고, 이를 이용하여 혼합물의 성분에 대한 농도를 예측하는 방법을 제공하는데 있다.

상기 기술적 과제를 이루기위한, 본 발명의 회귀모델 결정 방법은 회귀모델을 선택하는 단계; 예측 목표값들과 측정값들로 이루어진 복수의 측정점들을 생성하는 단계; 각 측정점에서 해당 예측 목표값과 측정값에 대해 가중치를 결정하는 단계; 및 상기 측정값을 상기 회귀모델에 적용하여 얻어지는 예측값들과 상기 예측 목표값들과의 차에 상기 가중치를 반영하여 소정 계산량을 얻고, 상기 계산량을 최소화하는 회귀모델의 계수들을 결정하는 단계를 포함하고, 상기 가중치는 상기 예측 목표값과 측정값에 대해 별도로 계산되고, 합산되는 것을 특징으로 한다.

상기 기술적 과제를 이루기위한, 본 발명의 혼합물의 성분 농도 예측 방법은 혼합물 스펙트럼으로부터 상기 혼합물에 포함된 성분의 농도와 스펙트럼 데이터를 갖는 복수의 측정점들을 수집하는 단계; 회귀모델을 선택하고, 각 측정점에서 상기 스펙트럼 데이터에 대해 상기 농도를 출력하도록 상기 회귀모델을 학습시켜서 상기 회귀모델을 결정하는 단계; 지시 혼합물의 스펙트럼으로부터 지시 스펙트럼 데이터들을 추출하는 단계; 및 추출된 지시 스펙트럼 데이터들을 상기 회귀모델에 적용하여 상기 지시 혼합물의 성분 농도를 얻는 단계를 포함함을 특징으로한다.

이하에서 첨부된 도면을 참조하여 본 발명을 보다 상세하게 설명하기로 한 다. 도 2는 본 발명에 따른 회귀모델 결정방법에 대한 흐름도이다. 먼저, 적용할 회귀 모델을 선택한다(20단계). 예를 들어, 수학식 2와 같은 회귀 모델을 선택할 수 있다. 다음으로, 학습세트를 구성하기위해 측정점들을 수집하고, 측정점들에 대한 독립변수 또는 설명변수 x_i와 종속변수 또는 예측변수 y_i를 결정하여 학습세트를 생성한다(21단계). 학습세트가 생성되면, 각 변수에 적용할 가중치들을 계산한다(22단계).

가중치들은 각 측정점에 대해 x와 y로부터 유도한다. 먼저, y에 대해서는 기준 측정기의 오차가 일반적으로 y가 작아질수록 정확해지므로 다음 식과 같이 y에 반비례하는 형태로 결정할 수 있다.

여기서,

는 y_i에 대한 가중치이고, y_i는 i번째 측정점에서의 y값이다.

x에 대해서는 측정된 x가 이상치일 가능성을 나타내는 척도를 마련해야한다. 본 실시예에서는 이상치의 척도로서 레버리지(leverage)를 도입한다. 레버리지는 측정점들이 기준값으로부터 얼마나 떨어져있는가를 나타내는 척도이다. 레버리지가 크다고 무조건 이상치라고 볼 수는 없다. 그러나 레버리지가 크지만 이상치가 아닌 측정점은 학습세트에서 완전히 제거하여도 회귀모델이 왜곡되지는 않으므로 레버리지를 가중치로 사용할 수 있다. 따라서 본 실시예에서는 기준 측정기(미도시)에 의 해 측정된 기준값을 구한 다음, 기준 값에 대한 측정값의 레버리지 H_i를 이용하여 x에 대한 가중치를 결정할 수 있다.

는 x_i에 대한 가중치이고, H_i는 i번째 측정점의 레버리지이다.

레버리지는 기존의 어떠한 방법으로도 구할 수 있으며, 본 실시예에서는 x를 이용하여 다음 식과 같이 구할 수도 있다.

및

가 모두 결정되었다면 측정점에 대한 최종 가중치는 다음 식과 같이 표현할 수 있다.

도 3(a) 및 도 3(b)는 회귀모델에 의한 예측값을 그래프로 도시한 것으로, 도 3(a)는 어느 데이터 그룹에서 벗어난 데이터(5)들에 대해 가중치를 고려하지않았을 때의 측정 데이터(1)에 따른 회귀모델(2)을 보여준다. 그러나 도 3(b)는 그룹에서 벗어난 데이터(5)들에 대해 벗어난 정도를 고려하여 가중하였을 때 달라지는 회귀모델(6)을 보여준다.

수학식 6에 나타난 가중치가 고려된 각 측정점의 오차, 즉, 예측 목표값과 실제 x_i를 수학식 2의 회귀모델에 적용하여 얻어진 예측값의 차를 이용하여 다음 식과 같은 계산량 S를 얻을 수 있다.

선형 회귀 방식에 따라 수학식 7의 계산량 S를 최소화하는 회귀변수 β₀, β₁을 구함으로써 수학식 2에 나타난 회귀모델을 구하게 된다(23단계). 본 실시예에서는 비록 종속변수가 하나인 단순회귀모델을 예로들어 설명하였으나, 필요에 따라 종속변수가 복수인 다중회귀모델로 확장할 수 있다.

도 4는 본 발명에 따른 혼합물의 성분 농도 예측 방법에 대한 흐름도이다. 먼저, 혼합물 스펙트럼으로부터 측정점들을 수집하여 스펙트럼 데이터에 대한 혼합물 성분의 농도로 구성되는 학습세트를 생성한다(40단계). 여기서 혼합물 스펙트럼은, 예를 들어 혼합물이 체액일 때 체액의 흡수 스펙트럼 또는 파장에 따른 빛의 산란 스펙트럼 등이 될 수도 있다. 40단계에서 생성된 학습세트에 대해 도 2에 도시된 회귀모델 생성 방법에 따라 혼합물 스펙트럼에 따른 농도예측 회귀모델을 결정한다(41단계).

테스트하고자하는 지시 혼합물의 스펙트럼 데이터를 추출하고(42단계), 추출 된 스펙트럼 데이터를 41단계에서 결정된 회귀모델에 적용함으로써 그에 대응하는 성분 농도를 출력한다(43단계).

도 5는 피실험자의 혈액 속에 실제 포함된 글루코스 농도에 대해 본 발명에 따라 예측한 농도를 비교하여 도시한 것이다. 본 실시예에서 회귀모델은 되도록이면 고농도보다는 저농도에서 오차가 작아지도록 채택되었고, 그에 따라 저농도에서 예측 오차가 개선되었음을 알 수 있다. 일반적인 경우 기준 측정기의 정확도는 저농도로 갈수록 정확해지므로 정보의 질에 있어서 고농도의 데이터보다 우위에 있는데, 단순회귀모델에서는 이 점이 반영되지않는다. 그러나 본 발명에 의해 생성된 회귀모델에 따르면, 저농도에서 측정된 측정점들이 가중되어서 회귀모델에 적용되므로 저농도에서의 정확성이 개선됨을 알 수 있다.

본 발명에 따르면, 측정점들이 갖고있는 중요도를 반영하여 회귀모델을 구성함에 따라 보다 정확한 예측값을 얻을 수 있다.

또한 일반적인 최소자승법에서는 레버리지가 큰 측정점들을 잘 모델링하지못하면 최소 자승이 커지는 정도가 레버리지가 작은 측정점들보다 크므로, 회귀모델의 구성에 있어서 레버리지가 큰 측정점들의 비중이 커지는데 반해, 본 발명에서는 레버리지가 큰 측정점들에 대해 가중치를 작게 줌으로써 상대적으로 이상치에 의한 회귀모델의 왜곡을 감소시킬 수 있다.

Claims (11)

1. 회귀모델을 선택하는 단계;

   예측 목표값들과 측정값들로 이루어진 복수의 측정점들을 생성하는 단계;

   각 측정점에서 해당 예측 목표값과 측정값에 대해 가중치를 결정하는 단계; 및

   상기 측정값을 상기 회귀모델에 적용하여 얻어지는 예측값들과 상기 예측 목표값들과의 차에 상기 가중치를 반영하여 소정 계산량을 얻고, 상기 계산량을 최소화하는 회귀모델의 계수들을 결정하는 단계를 포함하고,

   상기 가중치는 상기 예측 목표값과 측정값에 대해 별도로 계산되고, 합산되는 것을 특징으로하는 회귀모델 결정 방법.
2. 삭제
3. 제1항에 있어서, 상기 예측 목표값의 가중치는

   상기 예측 목표값이 클수록 작아지는 형태로 결정됨을 특징으로하는 회귀모델 결정 방법.
4. 제1항에 있어서, 상기 측정값의 가중치는

   상기 측정값들의 기준값을 구하고, 각 측정값이 상기 기준값에 가까울수록 큰 값을 갖도록 결정됨을 특징으로하는 회귀모델 결정 방법.
5. 제4항에 있어서, 상기 측정값의 가중치는

   상기 측정값들의 기준값을 구하는 단계;

   상기 기준값에 대해 각 측정값의 레버리지를 구하는 단계; 및

   상기 레버리지가 클수록 상기 측정값의 가중치는 작아지도록 결정하는 단계를 구비하여 결정됨을 특징으로하는 회귀모델 결정 방법.
6. 혼합물 스펙트럼으로부터 상기 혼합물에 포함된 성분의 농도와 스펙트럼 데이터를 갖는 복수의 측정점들을 수집하는 단계;

   회귀모델을 선택하고, 각 측정점에서 상기 스펙트럼 데이터에 대해 상기 농도를 출력하도록 상기 회귀모델을 학습시켜서 상기 회귀모델을 결정하는 단계;

   지시 혼합물의 스펙트럼으로부터 지시 스펙트럼 데이터들을 추출하는 단계; 및

   추출된 지시 스펙트럼 데이터들을 상기 회귀모델에 적용하여 상기 지시 혼합물의 성분 농도를 얻는 단계를 포함함을 특징으로하는 혼합물의 성분 농도 예측 방법.
7. 제6항에 있어서, 상기 회귀모델의 결정은

   각 측정점에서 해당 농도과 스펙트럼 데이터에 대해 가중치를 결정하는 단계; 및

   상기 농도를 목표값으로 하고, 상기 스펙트럼 데이터를 상기 회귀모델에 적용하여 얻어지는 출력들과 상기 농도 목표값들과의 차에 상기 가중치를 반영하여 소정 계산량을 얻고, 상기 계산량을 최소화하도록 상기 회귀모델의 계수들을 결정하는 단계를 포함함을 특징으로하는 혼합물의 성분 농도 예측 방법.
8. 제7항에 있어서, 상기 가중치는

   상기 농도 목표값과 스펙트럼 데이터에 대해 별도로 계산되고, 합산되는 것을 특징으로하는 혼합물의 성분 농도 예측 방법.
9. 제7항에 있어서, 상기 농도 목표값의 가중치는

   상기 농도 목표값이 클수록 작아지는 형태로 결정됨을 특징으로하는 혼합물의 성분 농도 예측 방법.
10. 제7항에 있어서, 상기 스펙트럼 데이터의 가중치는

    상기 스펙트럼 데이터들의 기준값을 구하고, 각 스펙트럼 데이터가 상기 기준값에 가까울수록 큰 값을 갖도록 결정됨을 특징으로하는 혼합물의 성분 농도 예측 방법.
11. 제10항에 있어서, 상기 스펙트럼 데이터의 가중치는

    상기 측정값들의 기준값을 구하는 단계;

    상기 기준값에 대해 각 스펙트럼 데이터의 레버리지를 구하는 단계; 및

    상기 레버리지가 클수록 상기 스펙트럼 데이터의 가중치는 작아지도록 결정하는 단계를 구비하여 결정됨을 특징으로하는 혼합물의 성분 농도 예측 방법.

Images