KR102003412B1 - 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템 - Google Patents

심뇌혈관질환 위험도 데이터 예측 방법 및 시스템 Download PDF

Info

Publication number
KR102003412B1
KR102003412B1 KR1020170177860A KR20170177860A KR102003412B1 KR 102003412 B1 KR102003412 B1 KR 102003412B1 KR 1020170177860 A KR1020170177860 A KR 1020170177860A KR 20170177860 A KR20170177860 A KR 20170177860A KR 102003412 B1 KR102003412 B1 KR 102003412B1
Authority
KR
South Korea
Prior art keywords
data
learning
risk
cerebrovascular disease
user
Prior art date
Application number
KR1020170177860A
Other languages
English (en)
Other versions
KR20190076237A (ko
Inventor
임선묵
김호현
박성빈
Original Assignee
주식회사 데이터젠
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 데이터젠 filed Critical 주식회사 데이터젠
Priority to KR1020170177860A priority Critical patent/KR102003412B1/ko
Publication of KR20190076237A publication Critical patent/KR20190076237A/ko
Application granted granted Critical
Publication of KR102003412B1 publication Critical patent/KR102003412B1/ko

Links

Images

Classifications

    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

일 실시예에 따른 데이터 예측 시스템에서 수행되는 심뇌혈관질환 위험도 데이터를 예측하는 방법은, 사용자로부터 수집된 생활 데이터에 기초하여 사용자의 생활 패턴을 분류하는 단계; 상기 사용자의 건강 정보를 심뇌혈관질환의 위험 수치 데이터로 변환하는 단계; 상기 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터 사이의 연관성을 분석하는 단계; 및 상기 사용자의 생활 패턴과 상기 분석된 연관성에 대한 연관성 데이터에 기반하여 심뇌혈관질환 위험도를 예측하는 단계를 포함하고, 상기 단계에서, 상기 심뇌혈관질환 위험도를 예측하기 위한 적어도 하나 이상의 딥러닝 모델을 생성하고, 상기 생성된 딥러닝 모델을 통해 각각의 데이터를 학습시킬 수 있다.

Description

심뇌혈관질환 위험도 데이터 예측 방법 및 시스템{METHOD AND SYSTEM FOR PREDICTING DISEASE RISK DATA RELATED TO CARDIOVASCULAR AND CEREBROVASCULAR}
아래의 설명은 심뇌혈관과 관련된 질환의 위험 데이터를 예측하기 위한 방법 및 시스템에 관한 것이다.
심혈관계 질환은 심장과 주요 동맥에 발생하는 질환으로서, 심장병은 태어날 때부터 있는　선천성 심장병과 살아가면서 발생하는 후천성 심장병이 있으며, 심장의 구조를 심장　근육, 심장　혈관, 판막, 심장 전기 신호를 담당하는 전도계로 나눌 수 있듯이 심장병도 각 부위에 생기는 질환들로 분류할 수 있다. 주요 혈관계 질환은　대동맥,　허파동맥,　목동맥, 뇌혈관,　신장동맥, 하지 동맥 등의 주요 동맥이 막히거나 늘어나거나 터지는　출혈이 일어나는 질환이다.
2009년 통계청에서 발표한 사망원인 통계를 보면, 고혈압성 질환, 허혈성 심장 질환, 뇌혈관질환을 포함한 순환기계통 질환은 우리나라 사망원인의 2위로 악성 종양 다음으로 높은 순위를 차지하고 있으며, 남성은 55세 이상, 여성은 65세 이상에서 순환기계통 질환의 사망률이 크게 증가한다. 심혈관계 질환, 특히 죽상동맥경화와 관련된 위험인자는 연령(중년 이상), 성별(남성), 고혈압,　고지혈증,　당뇨병, 흡연, 운동 부족과　비만이다. 심혈관계 질환의 주요 질병으로 고혈압, 허혈성 심장 질환, 관상동맥질환, 협심증, 심근경색증, 동맥경화증, 뇌혈관질환, 뇌졸중, 부정맥이 있다.
특히, 겨울철 날씨가 갑자기 추워지면 협심증, 심근경색증과 같은 심혈관질환과 뇌출혈, 뇌경색증을 아우르는 뇌중풍 등 심뇌혈관질환의 위험이 증가한다. 따뜻한 잠자리에서 일어나 갑자기 찬 아침 공기에 노출될 경우 심뇌혈관질환의 위험도가 더욱 높아지기 때문에 건강 관리에 주의해야 한다. 이에 따라 심뇌혈관질환과 관련된 위험 데이터를 예측하는 기술을 통하여 심뇌혈관질환을 예방하기 위한 노력이 요구되고 있다.
한국등록특허 제10-1464587호는 만성 심혈관 질환 예측 모델링 장치 및 방법에 관한 것으로, 복수의 범주형 건강 관련 항목들 및 연속 수치형 신체 지수 항목들을 입력 변수로 가지고 심혈관 유병 여부 항목을 출력 변수로 가지는 데이터셋으로부터, 입력 변수들로부터 출력 변수가 유도될 수 있는 적어도 하나의 추론 규칙들을 생성하고, 입력 변수들 중 각각의 연속형 입력 변수들에 대해 생성된 추론 규칙들에 기초하여, 퍼지 변수들에 상응하는 소속 함수들의 개수 및 각 소속 함수의 배치와 형태에 관한 퍼지 파라미터들을 결정하고, 입력 변수들에 대해, 상기 생성된 추론 규칙들과 소속 함수들을 기초로 퍼지 추론한 결과 값을 만성 심혈관 질환 위험도로서 출력하고 있다.
사용자로부터 수집된 생활 데이터에 포함된 특징을 딥러닝을 통해 추출 및 합성함으로써 심뇌혈관질환 위험도를 예측하는 방법 및 시스템을 제공할 수 있다.
데이터 예측 시스템에서 수행되는 심뇌혈관질환 위험도를 예측하는 방법은, 사용자로부터 수집된 생활 데이터에 기초하여 사용자의 생활 패턴을 분류하는 단계; 상기 사용자의 건강 정보를 심뇌혈관질환의 위험 수치 데이터로 변환하는 단계; 상기 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터 사이의 연관성을 분석하는 단계; 및 상기 사용자의 생활 패턴과 상기 분석된 연관성에 대한 연관성 데이터에 기반하여 심뇌혈관질환 위험도를 예측하는 단계를 포함하고, 상기 단계에서, 상기 심뇌혈관질환 위험도를 예측하기 위한 적어도 하나 이상의 딥러닝 모델을 생성하고, 상기 생성된 딥러닝 모델을 통해 각각의 데이터를 학습시킬 수 있다.
상기 생활 데이터에 기초하여 사용자의 생활 패턴을 분류하는 단계는, 상기 사용자의 운동 데이터, 혈압 데이터, 혈당 데이터 및 식이 데이터를 포함하는 생활 데이터 각각을 각 구간별로 코드화시킴에 따라 상기 생활 패턴을 코드화하는 단계-상기 생활 패턴은 코드화된 수치로 도출됨-; 및 상기 생활 데이터와 상기 코드화된 생활 패턴을 학습 데이터로 준비하여 학습을 수행함에 따라 생활 패턴을 분류하는 단계를 포함할 수 있다.
상기 생활 데이터에 기초하여 사용자의 생활 패턴을 분류하는 단계는, 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 상기 생활 패턴을 분류하기 위한 신경망을 구성하고, 상기 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용되고, 상기 출력 레이어에 소프트맥스(Softmax) 함수를 사용하고, 상기 소프트맥스 함수는 입력값을 0과 1 사이의 값으로 모두 정규화하며, 출력값들의 총합을 항상 1이 되도록 하는 특성을 가진 함수이고, 상기 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 분류될 패턴의 총 개수(Class)를 400, 한 번에 학습할 데이터의 개수(Batch Size)를 5000, 학습의 반복 횟수(Iterations)를 1000, 초기 가중치 값의 랜덤 수치(초기 Weight값의 랜덤 수치)를 6, 학습 속도 수치(Learning Rate)를 0.1로 설정할 수 있다.
상기 사용자의 건강 정보를 심뇌혈관질환의 위험 수치 데이터로 변환하는 단계는, 상기 사용자의 나이, 성별, 고혈압 여부, 당뇨 여부, 흡연 여부 및 콜레스테롤 수치 중 적어도 하나를 포함하는 건강 정보와 심뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 상기 건강 정보에 기반하여 1차적으로 심뇌혈관질환의 위험도를 예측하는 단계를 포함할 수 있다.
상기 사용자의 건강 정보를 심뇌혈관질환의 위험 수치 데이터로 변환하는 단계는, 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 심뇌혈관질환 위험도를 예측하기 위한 신경망을 구성하고, 상기 신경망의 레이어의 수를 3개로 설계하고, 입력 레이어와 출력 레이어 사이에 하나의 히든 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용되고, 상기 출력 레이어에 아이덴티티(Identitiy) 함수를 사용하고, 상기 아이덴티티 함수는 입력 신호를 출력 신호로 사용하고, 상기 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 10000000, 한 번에 학습할 데이터의 개수(Batch Size)를 1000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 123, 학습 속도 수치(Learning Rate)를 0.000001, 전체 데이터 학습의 반복 횟수(Epoch)를 10000로 설정할 수 있다.
상기 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터 사이의 연관성을 분석하는 단계는, 상기 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 2차적으로 심뇌혈관질환 위험도를 예측하는 단계를 포함하고, 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 상기 연관성을 분석하기 위한 신경망을 구성하고, 상기 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용되고, 상기 출력 레이어에 아이덴티티(Identitiy) 함수를 사용하고, 상기 아이덴티티 함수는 입력 신호를 출력 신호로 사용하고, 상기 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 20000000, 한 번에 학습할 데이터의 개수(Batch Size)를 2000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 56248, 학습 속도 수치(Learning Rate)를 0.00016, 전체 데이터 학습의 반복 횟수(Epoch)를 15000로 설정할 수 있다.
상기 사용자의 생활 패턴과 상기 분석된 연관성에 대한 연관성 데이터에 기반하여 심뇌혈관질환 위험도를 예측하는 단계는, 상기 생활 패턴과 상기 뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 획득된 연관성 데이터와 상기 생활 패턴을 학습 데이터로 준비하여 학습을 수행하여 3차적으로 심뇌혈관질환 위험도를 예측하는 단계를 포함하고, 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 상기 사용자의 생활 패턴과 연관성 데이터를 심뇌혈관질환 위험도를 예측하기 위한 신경망을 구성하고, 상기 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용되고, 상기 출력 레이어에 아이덴티티(Identitiy) 함수를 사용하고, 상기 아이덴티티 함수는 입력 신호를 출력 신호로 사용하고, 상기 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 20000000, 한 번에 학습할 데이터의 개수(Batch Size)를 2000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 7324, 학습 속도 수치(Learning Rate)를 0.00829, 전체 데이터 학습의 반복 횟수(Epoch)를 20000로 설정할 수 있다.
일 실시예에 따른 데이터 예측 시스템은 사용자와 관련된 생활 데이터 및 건강 정보를 딥러닝을 통해 데이터에 포함된 특징을 추출 및 합성함으로써 사용자의 심뇌혈관질환의 위험도를 보다 정확하게 예측할 수 있다.
도 1은 일 실시예에 따른 데이터 예측 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일 실시예에 따른 데이터 예측 시스템에서 심뇌혈관질환의 위험도를 예측하는 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 데이터 예측 시스템에서 적용되는 딥러닝 모델을 설명하기 위한 도면이다.
도4 및 도 5는 일 실시예에 따른 데이터 예측 시스템의 제1 딥러닝 모델을 설명하기 위한 도면이다.
도 6 및 도 7은 일 실시예에 따른 데이터 예측 시스템의 제2 딥러닝 모델을 설명하기 위한 도면이다.
도 8및 도 9는 일 실시예에 따른 데이터 예측 시스템의 제3 딥러닝 모델을 설명하기 위한 도면이다.
도 10및 도 11은 일 실시예에 따른 데이터 예측 시스템의 제4 딥러닝 모델을 설명하기 위한 도면이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 데이터 예측 시스템의 구성을 설명하기 위한 블록도이고, 도 2는 일 실시예에 따른 데이터 예측 시스템에서 심뇌혈관질환의 위험도를 예측하는 방법을 설명하기 위한 흐름도이다.
데이터 예측 시스템(100)은 분류부(110), 변환부(120), 분석부(130) 및 예측부(140)를 포함할 수 있다. 데이터 예측 시스템(100)의 구성요소들은 도 2의 심뇌혈관질환의 위험도를 예측하는 방법이 포함하는 단계들(210 내지 240)을 수행하도록 데이터 예측 시스템(100)을 제어할 수 있다. 데이터 예측 시스템(100)은 사용자로부터 수집된 생활 데이터에 포함된 특징을 딥러닝을 통해 심뇌혈관질환의 위험도를 예측할 수 있다.
단계(210)에서 분류부(110)는 생활 데이터에 기초하여 사용자의 생활 패턴을 분류할 수 있다. 분류부(110)는 사용자의 운동 데이터, 혈압 데이터, 혈당 데이터 및 식이 데이터를 포함하는 생활 데이터 각각을 각 구간별로 코드화시킴에 따라 생활 패턴을 코드화할 수 있다. 이때, 생활 패턴은 코드화된 수치로 도출될 수 있다. 분류부(110)는 생활 데이터와 코드화된 생활 패턴을 학습 데이터로 준비하여 학습을 수행함에 따라 생활 패턴을 분류할 수 있다. 도4 및 도 5를 참고하면, 제1 딥러닝 모델을 설명하기 위한 도면이다. 분류부(110)는 생활 데이터에 기반하여 사용자의 생활 패턴을 분류하기 위한 제1 딥러닝 모델을 적용할 수 있다. 일례로, 분류부(110)는 제1 딥러닝 모델을 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 생활 패턴을 분류하기 위한 신경망을 구성할 수 있다. 이때, 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법을 사용할 수 있다. 제1 딥러닝 모델에서는 Rectified Linear Unit(ReLU)이 적용될 수 있다. 또한, 출력 레이어에 소프트맥스(Softmax) 함수를 사용할 수 있다. 소프트맥스 함수는 입력값을 0과 1 사이의 값으로 모두 정규화하며, 출력값들의 총합을 항상 1이 되도록 하는 특성을 가진 함수를 의미한다.
분류부(110)는 제1 딥러닝을 통한 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 분류될 패턴의 총 개수(Class)를 400, 한 번에 학습할 데이터의 개수(Batch Size)를 5000, 학습의 반복 횟수(Iterations)를 1000, 초기 가중치 값의 랜덤 수치(초기 Weight값의 랜덤 수치)를 6, 학습 속도 수치(Learning Rate)를 0.1로 설정할 수 있다. 한편, 분류부(110)에서 하이퍼파라미터의 값을 앞서 설명한 바와 같이 설정하는 것으로 예를 들어 설명하였을 뿐, 이에 한정되는 것은 아니하다.
단계(220)에서 변환부(120)는 사용자의 건강 정보를 심뇌혈관질환의 위험 수치 데이터로 변환할 수 있다. 변환부(120)는 사용자의 나이, 성별, 고혈압 여부, 당뇨 여부, 흡연 여부 및 콜레스테롤 수치 중 적어도 하나를 포함하는 건강 정보와 심뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 건강 정보에 기반하여 1차적으로 심뇌혈관질환의 위험도를 예측할 수 있다. 도 6 및 도 7를 참고하면, 제2 딥러닝 모델을 설명하기 위한 도면이다. 변환부(120)는 사용자의 건강 데이터에 기반하여 심뇌혈관질환의 위험 수치 데이터로 변환하기 위한 제2 딥러닝 모델을 적용할 수 있다. 일례로, 변환부(120)는 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 심뇌혈관질환 위험도를 예측하기 위한 신경망을 구성할 수 있다. 이때, 신경망의 레이어의 수를 3개로 설계하고, 입력 레이어와 출력 레이어 사이에 하나의 히든 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용될 수 있다. 제2 딥러닝 모델에서는 Rectified Linear Unit(ReLU)이 적용될 수 있다. 이때, 출력 레이어에 아이덴티티(Identitiy) 함수를 사용할 수 있다. 일반적으로 아이덴티티 함수는 입력 신호를 출력 신호로 사용한다.
변환부(120)는 제2 딥러닝 모델을 통하여 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 10000000, 한 번에 학습할 데이터의 개수(Batch Size)를 1000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 123, 학습 속도 수치(Learning Rate)를 0.000001, 전체 데이터 학습의 반복 횟수(Epoch)를 10000로 설정할 수 있다. 한편, 변환부(110)에서 하이퍼파라미터의 값을 앞서 설명한 바와 같이 설정하는 것으로 예를 들어 설명하였을 뿐, 이에 한정되는 것은 아니하다.
단계(230)에서 분석부(130)는 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터 사이의 연관성을 분석할 수 있다. 분석부(130)는 생활 패턴과 심뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 2차적으로 심뇌혈관질환 위험도를 예측할 수 있다. 도 8및 도 9를 참고하면, 제3 딥러닝 모델을 설명하기 위한 도면이다. 분석부(130)는 사용자의 생활 패턴과 심뇌혈관질환의 위험 수치 데이터 사이의 연관성을 분석하기 위한 제3 딥러닝 모델을 적용할 수 있다. 일례로, 분석부(130)는 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 연관성을 분석하기 위한 신경망을 구성할 수 있다. 이때, 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용될 수 있다. 제3 딥러닝 모델에서는 Rectified Linear Unit(ReLU)이 적용될 수 있다. 또한, 출력 레이어에 아이덴티티(Identitiy) 함수를 사용할 수 있다. 아이덴티티 함수는 입력 신호를 출력 신호로 사용한다.
분석부(130)는 제3 딥러닝 모델을 통하여 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 20000000, 한 번에 학습할 데이터의 개수(Batch Size)를 2000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 56248, 학습 속도 수치(Learning Rate)를 0.00016, 전체 데이터 학습의 반복 횟수(Epoch)를 15000로 설정할 수 있다. 분석부(130)에서 하이퍼파라미터의 값을 앞서 설명한 바와 같이 설정하는 것으로 예를 들어 설명하였을 뿐, 이에 한정되는 것은 아니하다.
단계(240)에서 예측부(140)는 사용자의 생활 패턴과 분석된 연관성에 대한 연관성 데이터에 기반하여 심뇌혈관질환 위험도를 예측할 수 있다. 예측부(140)는 생활 패턴과 뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 획득된 연관성 데이터와 생활 패턴을 학습 데이터로 준비하여 학습을 수행하여 3차적으로 심뇌혈관질환 위험도를 예측할 수 있다. 도 10및 도 11를 참고하면, 제4 딥러닝 모델을 설명하기 위한 도면이다. 예측부(140)는 사용자의 생활 패턴과 연관성 데이터를 통하여 심뇌혈관질환 위험도를 예측하기 위한 제4 딥러닝 모델을 적용할 수 있다. 일례로, 예측부(140)는 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 연관성을 분석하기 위한 신경망을 구성하고, 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용될 수 있다. 제4 딥러닝 모델에서는 Rectified Linear Unit(ReLU)이 적용될 수 있다. 예측부(140)는 출력 레이어에 아이덴티티(Identitiy) 함수를 사용할 수 있다. 아이덴티티 함수는 입력 신호를 출력 신호로 사용한다.
예측부(140)는 제4 딥러닝 모델을 통하여 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 20000000, 한 번에 학습할 데이터의 개수(Batch Size)를 2000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 7324, 학습 속도 수치(Learning Rate)를 0.00829, 전체 데이터 학습의 반복 횟수(Epoch)를 20000로 설정할 수 있다. 예측부(140)에서 하이퍼파라미터의 값을 앞서 설명한 바와 같이 설정하는 것으로 예를 들어 설명하였을 뿐, 이에 한정되는 것은 아니하다.
도 3은 일 실시예에 따른 데이터 예측 시스템에서 적용되는 딥러닝 모델을 설명하기 위한 도면이다.
데이터 예측 시스템은 사용자의 운동 데이터, 혈압 데이터, 혈당 데이터, 식이 데이터들을 수집하고, 데이터에 내재하고 있는 특징을 딥러닝을 통해 추출 및 합성함으로써 심뇌혈관질환의 위험도를 예측할 수 있다. 이러한 기술을 적용하기 위한 딥러닝 모델은 4가지로 분류할 수 있다.
데이터 예측 시스템은 제1 딥러닝 모델(310), 제2 딥러닝 모델(320), 제3 딥러닝 모델(330) 및 제4 딥러닝 모델(340)을 구성할 수 있다. 이하, 아래에서는 제1 딥러닝 모델(310), 제2 딥러닝 모델(320), 제3 딥러닝 모델(330) 및 제 4딥러닝 모델(340)을 제1 모델, 제2 모델, 제3 모델 및 제4 모델로 기재하기로 한다.
데이터 예측 시스템은 생활 데이터에 기초하여 사용자의 생활 패턴을 분류하기 위한 제1 모델(310)을 생성할 수 있다. 데이터 예측 시스템은 제1 모델(310)을 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 생활 패턴을 분류하기 위한 신경망을 구성할 수 있다.
데이터 예측 시스템은 신경망의 레이어의 수를 복수 개로 설계하고, 입력 레이어와 출력 레이어 사이에 적어도 하나 이상의 히든 레이어를 구성할 수 있다. 예를 들면, 데이터 예측 시스템은 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성할 수 있다. 이와 같이, 입력 레이어, 출력 레이어 사이에 히든 레이어를 구성하여 단층 퍼셉트론보다 좀 더 복잡한 표현이 가능하도록 한다. 이때, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법을 사용할 수 있다. 제1 모델(310)에서는 Rectified Linear Unit(ReLU)을 사용하는 것을 예를 들어 설명하기로 한다. 또한, 출력 레이어에 소프트맥스(Softmax) 함수를 사용할 수 있다. 소프트맥스 함수는 입력값을 0과 1 사이의 값으로 모두 정규화하며, 출력값들의 총합을 항상 1이 되도록 하는 특성을 가진 함수를 의미하며, 일반적으로 분류를 위한 딥러닝 모델의 출력 레이어(층)에서 사용된다. 데이터 예측 시스템은 제1 모델(310)에 기반하여 사용자의 운동 데이터, 혈압 데이터, 혈당 데이터 및 식이 데이터를 포함하는 생활 데이터를 훈련시킴에 따라 생활 패턴을 분류할 수 있다.
데이터 예측 시스템은 제2 모델(320)을 훈련시킴에 따라 기반하여 사용자의 나이, 성별, 인종, Total cholesterol, HDL cholesterol, Systolic blood pressure, Diastolic blood pressure, 고혈압 여부, 당뇨 여부, 흡연 여부 등의 건강 정보를 분석할 수 있다. 데이터 예측 시스템은 제2 모델(320)을 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 심뇌혈관질환 위험도를 예측하기 위한 신경망을 구성할 수 있다. 이때, 신경망의 레이어의 수를 3개로 설계하고, 입력 레이어와 출력 레이어 사이에 하나의 히든 레이어를 구성할 수 있다. 이와 같이, 입력 레이어, 출력 레이어 사이에 히든 레이어를 구성하여 단층 퍼셉트론보다 좀 더 복잡한 표현이 가능하도록 한다. 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용될 수 있다. 제2 모델(320)에서는 Rectified Linear Unit(ReLU)이 적용될 수 있다. 이때, 출력 레이어에 아이덴티티(Identitiy) 함수를 사용할 수 있다. 일반적으로 아이덴티티 함수는 입력 신호를 출력 신호로 사용한다. 데이터 예측 시스템은 제2 모델(320)에 기반하여 사용자의 건강 정보를 분석함에 따라 심뇌혈관질환 위험도를 예측할 수 있다. 예를 들면, 데이터 예측 시스템은 제2 모델(320)에 기반하여 사용자의 건강 정보를 분석함에 따라 심뇌혈관질환의 위험 수치 데이터를 도출할 수 있다.
데이터 예측 시스템은 제1 모델(310)과 제2 모델(320)을 연계하여 심뇌혈관질환 위험도를 예측하기 위한 제3 모델(330)을 생성할 수 있다. 데이터 예측 시스템은 제3 모델(330)을 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 연관성을 분석하기 위한 신경망을 구성할 수 있다. 이때, 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용될 수 있다. 이와 같이, 입력 레이어, 출력 레이어 사이에 히든 레이어를 구성하여 단층 퍼셉트론보다 좀 더 복잡한 표현이 가능하도록 한다. 제3 모델(330)에서는 Rectified Linear Unit(ReLU)이 적용될 수 있다. 또한, 출력 레이어에 아이덴티티(Identitiy) 함수를 사용할 수 있다. 아이덴티티 함수는 입력 신호를 출력 신호로 사용한다. 데이터 예측 시스템은 제3 모델(330)에 기반하여 사용자의 생활 패턴과 심뇌혈관질환의 위험 수치 데이터 사이의 연관성을 분석할 수 있다.
데이터 예측 시스템은 제1 모델(310)로 제3 모델(330)을 예측하는 제4 모델(340)을 생성할 수 있다. 데이터 예측 시스템은 제4 모델(340)을 딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 연관성을 분석하기 위한 신경망을 구성하고, 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용될 수 있다. 이와 같이, 입력 레이어, 출력 레이어 사이에 히든 레이어를 구성하여 단층 퍼셉트론보다 좀 더 복잡한 표현이 가능하도록 한다. 제4 모델(340)에서는 Rectified Linear Unit(ReLU)이 적용될 수 있다. 예측부(140)는 출력 레이어에 아이덴티티(Identitiy) 함수를 사용할 수 있다. 아이덴티티 함수는 입력 신호를 출력 신호로 사용한다. 데이터 예측 시스템은 제4 모델(340)을 통하여 사용자의 생활 패턴과 분석된 연관성에 대한 연관성 데이터에 기반하여 심뇌혈관질환 위험도를 예측할 수 있다.
또한, 데이터 예측 시스템은 사용자의 새로운 생활 패턴을 제4 모델(340)을 통하여 학습시킴에 따라 새로운 생활 패턴에 대한 심뇌혈관질환 위험도를 예측할 수도 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (7)

  1. 데이터 예측 시스템에서 수행되는 심뇌혈관질환 위험도를 예측하는 방법에 있어서,
    생활 데이터에 기초하여 사용자의 생활 패턴을 분류하는 단계;
    상기 사용자의 건강 정보를 심뇌혈관질환의 위험 수치 데이터로 변환하는 단계;
    상기 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터 사이의 연관성을 분석하는 단계; 및
    상기 사용자의 생활 패턴과 상기 분석된 연관성에 대한 연관성 데이터에 기반하여 심뇌혈관질환 위험도를 예측하는 단계
    를 포함하고,
    상기 방법은, 각각의 단계에서 상기 심뇌혈관질환 위험도를 예측하기 위한 적어도 하나 이상의 딥러닝 모델을 생성하고, 상기 생성된 딥러닝 모델을 통해 각각의 데이터를 학습시키는
    심뇌혈관질환 위험도 예측 방법.
  2. 제1항에 있어서,
    상기 생활 데이터에 기초하여 사용자의 생활 패턴을 분류하는 단계는,
    상기 사용자의 운동 데이터, 혈압 데이터, 혈당 데이터 및 식이 데이터를 포함하는 생활 데이터 각각을 각 구간별로 코드화시킴에 따라 상기 생활 패턴을 코드화하는 단계-상기 생활 패턴은 코드화된 수치로 도출됨-; 및
    상기 생활 데이터와 상기 코드화된 생활 패턴을 학습 데이터로 준비하여 학습을 수행함에 따라 생활 패턴을 분류하는 단계
    를 포함하는 심뇌혈관질환 위험도 예측 방법.
  3. 제2항에 있어서,
    상기 생활 데이터에 기초하여 사용자의 생활 패턴을 분류하는 단계는,
    딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 상기 생활 패턴을 분류하기 위한 신경망을 구성하고, 상기 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용되고, 상기 출력 레이어에 소프트맥스(Softmax) 함수를 사용하고, 상기 소프트맥스 함수는 입력값을 0과 1 사이의 값으로 모두 정규화하며, 출력값들의 총합을 항상 1이 되도록 하는 특성을 가진 함수이고,
    상기 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 분류될 패턴의 총 개수(Class)를 400, 한 번에 학습할 데이터의 개수(Batch Size)를 5000, 학습의 반복 횟수(Iterations)를 1000, 초기 가중치 값의 랜덤 수치(초기 Weight값의 랜덤 수치)를 6, 학습 속도 수치(Learning Rate)를 0.1로 설정하는,
    심뇌혈관질환 위험도 예측 방법.
  4. 제1항에 있어서,
    상기 사용자의 건강 정보를 심뇌혈관질환의 위험 수치 데이터로 변환하는 단계는,
    상기 사용자의 나이, 성별, 고혈압 여부, 당뇨 여부, 흡연 여부 및 콜레스테롤 수치 중 적어도 하나를 포함하는 건강 정보와 심뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 상기 건강 정보에 기반하여 1차적으로 심뇌혈관질환의 위험도를 예측하는 단계
    를 포함하는 심뇌혈관질환 위험도 예측 방법.
  5. 제4항에 있어서,
    상기 사용자의 건강 정보를 심뇌혈관질환의 위험 수치 데이터로 변환하는 단계는,
    딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 심뇌혈관질환 위험도를 예측하기 위한 신경망을 구성하고, 상기 신경망의 레이어의 수를 3개로 설계하고, 입력 레이어와 출력 레이어 사이에 하나의 히든 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용되고, 상기 출력 레이어에 아이덴티티(Identitiy) 함수를 사용하고, 상기 아이덴티티 함수는 입력 신호를 출력 신호로 사용하고,
    상기 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 10000000, 한 번에 학습할 데이터의 개수(Batch Size)를 1000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 123, 학습 속도 수치(Learning Rate)를 0.000001, 전체 데이터 학습의 반복 횟수(Epoch)를 10000로 설정하는
    심뇌혈관질환 위험도 예측 방법.
  6. 제1항에 있어서,
    상기 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터 사이의 연관성을 분석하는 단계는,
    상기 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 2차적으로 심뇌혈관질환 위험도를 예측하는 단계
    를 포함하고,
    딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 상기 연관성을 분석하기 위한 신경망을 구성하고, 상기 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용되고, 상기 출력 레이어에 아이덴티티(Identitiy) 함수를 사용하고, 상기 아이덴티티 함수는 입력 신호를 출력 신호로 사용하고,
    상기 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 20000000, 한 번에 학습할 데이터의 개수(Batch Size)를 2000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 56248, 학습 속도 수치(Learning Rate)를 0.00016, 전체 데이터 학습의 반복 횟수(Epoch)를 15000로 설정하는
    심뇌혈관질환 위험도 예측 방법.
  7. 제1항에 있어서,
    상기 사용자의 생활 패턴과 상기 분석된 연관성에 대한 연관성 데이터에 기반하여 심뇌혈관질환 위험도를 예측하는 단계는,
    상기 생활 패턴과 상기 심뇌혈관질환의 위험 수치 데이터를 학습 데이터로 준비하여 학습을 수행함에 따라 획득된 연관성 데이터와 상기 생활 패턴을 학습 데이터로 준비하여 학습을 수행하여 3차적으로 심뇌혈관질환 위험도를 예측하는 단계
    를 포함하고,
    딥러닝 4J(DeepLearning4J) 프레임워크를 사용하여 상기 사용자의 생활 패턴과 연관성 데이터를 심뇌혈관질환 위험도를 예측하기 위한 신경망을 구성하고, 상기 신경망의 레이어의 수를 4개로 설계하고, 입력 레이어와 출력 레이어 사이에 2개의 히든(Hidden) 레이어를 구성하고, 각 레이어에 사용되는 활성 함수(Activation Function) 중 Sigmoid function, Hyperbolic tangent function 또는 Rectified Linear Unit(ReLU) 중 적어도 하나의 기법이 사용되고, 상기 출력 레이어에 아이덴티티(Identitiy) 함수를 사용하고, 상기 아이덴티티 함수는 입력 신호를 출력 신호로 사용하고,
    상기 학습을 수행할 때의 하이퍼파라미터(HyperParameter)를 학습할 총 데이터의 수(Samples)를 20000000, 한 번에 학습할 데이터의 개수(Batch Size)를 2000000, Batch Size당 학습의 반복 횟수(Iterations)를 1, 초기 가중치값의 랜덤 수치(Seed)를 7324, 학습 속도 수치(Learning Rate)를 0.00829, 전체 데이터 학습의 반복 횟수(Epoch)를 20000로 설정하는
    심뇌혈관질환 위험도 예측 방법.
KR1020170177860A 2017-12-22 2017-12-22 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템 KR102003412B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170177860A KR102003412B1 (ko) 2017-12-22 2017-12-22 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170177860A KR102003412B1 (ko) 2017-12-22 2017-12-22 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20190076237A KR20190076237A (ko) 2019-07-02
KR102003412B1 true KR102003412B1 (ko) 2019-07-24

Family

ID=67258340

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170177860A KR102003412B1 (ko) 2017-12-22 2017-12-22 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102003412B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210113890A (ko) * 2020-03-09 2021-09-17 에스케이 주식회사 Machine Learning을 이용한 데이터 연관성 자동 탐색 방법 및 시스템
WO2022114791A1 (ko) * 2020-11-26 2022-06-02 가톨릭대학교 산학협력단 빅데이터 기반의 질환 발병 위험도 예측 시스템, 예측 방법, 및 프로그램

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102445743B1 (ko) * 2019-08-01 2022-09-20 포항공과대학교 산학협력단 하드웨어 뉴럴 네트워크 기반의 높은 정확도를 가진 심전도 부정맥 감지 시스템
KR102439082B1 (ko) * 2020-01-30 2022-08-31 연세대학교 원주산학협력단 딥러닝 기반 심전도 분석데이터를 이용한 일반인의 간질환 보유 가능성 예측 방법
CN113710166A (zh) * 2020-03-19 2021-11-26 艾多特公司 一种颈动脉超声诊断系统
CN113450913A (zh) * 2020-08-06 2021-09-28 心医国际数字医疗系统(大连)有限公司 一种数据处理装置、方法及电子设备
KR102602712B1 (ko) * 2020-11-26 2023-11-16 가톨릭대학교 산학협력단 빅데이터 기반의 당뇨병 발병 위험도 예측 시스템, 예측 방법, 및 프로그램
KR102475057B1 (ko) * 2021-01-19 2022-12-06 금오공과대학교 산학협력단 인공 신경망을 이용한 심장부정맥 유발약물의 스크리닝 방법
EP4340705A1 (en) * 2021-05-20 2024-03-27 Medtronic, Inc. Detection of changes in patient health based on glucose data

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012064087A (ja) 2010-09-17 2012-03-29 Keio Gijuku 生活習慣病の診断予測装置、生活習慣病の診断予測方法及びプログラム
JP2016064125A (ja) 2014-09-19 2016-04-28 シナノケンシ株式会社 脳血管疾患の発症危険度予測システム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110202486A1 (en) * 2009-07-21 2011-08-18 Glenn Fung Healthcare Information Technology System for Predicting Development of Cardiovascular Conditions

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012064087A (ja) 2010-09-17 2012-03-29 Keio Gijuku 生活習慣病の診断予測装置、生活習慣病の診断予測方法及びプログラム
JP2016064125A (ja) 2014-09-19 2016-04-28 シナノケンシ株式会社 脳血管疾患の発症危険度予測システム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210113890A (ko) * 2020-03-09 2021-09-17 에스케이 주식회사 Machine Learning을 이용한 데이터 연관성 자동 탐색 방법 및 시스템
KR102339181B1 (ko) 2020-03-09 2021-12-13 에스케이 주식회사 Machine Learning을 이용한 데이터 연관성 자동 탐색 방법 및 시스템
WO2022114791A1 (ko) * 2020-11-26 2022-06-02 가톨릭대학교 산학협력단 빅데이터 기반의 질환 발병 위험도 예측 시스템, 예측 방법, 및 프로그램

Also Published As

Publication number Publication date
KR20190076237A (ko) 2019-07-02

Similar Documents

Publication Publication Date Title
KR102003412B1 (ko) 심뇌혈관질환 위험도 데이터 예측 방법 및 시스템
Masethe et al. Prediction of heart disease using classification algorithms
Ismaeel et al. Using the Extreme Learning Machine (ELM) technique for heart disease diagnosis
Mythili et al. A heart disease prediction model using SVM-decision trees-logistic regression (SDL)
Burse et al. Various preprocessing methods for neural network based heart disease prediction
Ari et al. In search of an optimization technique for artificial neural network to classify abnormal heart sounds
Gupta et al. Prediction and classification of cardiac arrhythmia
Bhowmick et al. Heart Disease Prediction Using Different Machine Learning Algorithms
Habibi et al. Estimation of re-hospitalization risk of diabetic patients based on radial base function (RBF) neural network method combined with colonial competition optimization algorithm
Zebardast et al. Artificial neural network models for diagnosing heart disease: a brief review
Jani et al. Heart disease prediction and analysis using ensemble architecture
Ipar et al. Blood pressure morphology as a fingerprint of cardiovascular health: A machine learning based approach
Kamble et al. Heart disease detection through deep learning model RNN
Song et al. Automatic identification of atrial fibrillation based on the modified Elman neural network with exponential moving average algorithm
Tyagi et al. Improved detection of coronary artery disease using dt-rfe based feature selection and ensemble learning
Geetha et al. An hybrid ensemble machine learning approach to predict type 2 diabetes mellitus
Mansouri et al. A hybrid machine learning approach for early mortality prediction of ICU patients
Wang Research of epidemic big data based on improved deep convolutional neural network
Noor et al. Heart Disease Prediction using Stacking Model with Balancing Techniques and Dimensionality Reduction
Chitra et al. Heart attack prediction system using cascaded neural network
Adegoke et al. Enhancing ensemble prediction accuracy of breast cancer survivability and diabetes diagnostic using optimized EKF-RBFN trained prototypes
Popa et al. Risk Estimator using a Multi-Layer Perceptron Network for Coronary Artery Disease Prevention.
Kanwal et al. Detection of Heart Disease Using Supervised Machine Learning
Sasipriya et al. Heart Disease Prediction Using Machine Learning Algorithm
Uğuz et al. Biomedical system based on the Discrete Hidden Markov Model using the Rocchio–Genetic approach for the classification of internal carotid artery Doppler signals

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant