KR102015473B1 - Management System for Treatment of Neurological Disorder and Method thereof - Google Patents
Management System for Treatment of Neurological Disorder and Method thereof Download PDFInfo
- Publication number
- KR102015473B1 KR102015473B1 KR1020170079227A KR20170079227A KR102015473B1 KR 102015473 B1 KR102015473 B1 KR 102015473B1 KR 1020170079227 A KR1020170079227 A KR 1020170079227A KR 20170079227 A KR20170079227 A KR 20170079227A KR 102015473 B1 KR102015473 B1 KR 102015473B1
- Authority
- KR
- South Korea
- Prior art keywords
- voice
- attribute information
- voice attribute
- information
- diagnostic
- Prior art date
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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work
Abstract
본 발명은 신경계 질환 관리를 위한 시스템 및 방법에 관한 것으로, 신경계 질환 관리를 위한 장치는 음성 파일을 파형 데이터로 변환하는 변환부, 상기 변환된 파형 데이터에서 음성속성정보를 추출하는 음성속성 추출부, 상기 추출된 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 중 적어도 하나를 고려하여 진단모델을 동적으로 선택하는 동적 모델 선택부, 상기 음성속성정보를 상기 선택된 진단모델에 적용하여 신경계 이상 여부를 진단하는 진단 처리부를 포함한다.The present invention relates to a system and method for managing a nervous system disease, the apparatus for managing a nervous system disease includes a converter for converting a voice file into waveform data, a voice attribute extracting unit for extracting voice attribute information from the converted waveform data; A dynamic model selection unit for dynamically selecting a diagnostic model in consideration of at least one of the extracted voice attribute information, medical history information, health examination information, and risk of nervous system disease, and the voice attribute information It is applied to the selected diagnostic model and includes a diagnostic processing unit for diagnosing a nervous system abnormality.
Description
본 발명은 신경계 질환 관리를 위한 시스템 및 방법에 관한 것이다. 보다 상세하게는, 사용자의 음성을 이용하여 신경계 이상 여부를 진단하고, 치료 경과를 예측할 수 있는 신경계 질환 관리를 위한 시스템 및 방법에 관한 것이다. The present invention relates to systems and methods for the management of diseases of the nervous system. More specifically, the present invention relates to a system and method for neurological disease management capable of diagnosing abnormalities of a nervous system using a voice of a user and predicting the progress of treatment.
최근 의학기술의 발전과 삶의 수준 향상으로 평균 생존연령이 크게 늘어났고, 우리나라는 저조한 출산율로 인하여 초고령 사회에 진입할 예정이다. 신경계 이상 질환은 고연령군에서 흔히 나타나는 질환으로써 대표적으로 뇌졸중이 있다. 뇌졸중은 국내 3대 응급 질환 중 하나이며, 국내 사망원인 1, 2위를 다투는 질환이다. 뇌졸중은 크게 뇌출혈과 뇌경색으로 나누어 지는데, 뇌경색은 뇌혈관이 막혀서 영양분과 산소를 공급하는 피가 뇌에 통하지 않는 상태를 의미하고 뇌출혈은 뇌혈관이 터져서 오는 병을 지칭한다. 뇌졸중은 갑자기 뇌혈관이 막히거나 갑자기 뇌혈관이 터져서 생기는 병이기 때문에 갑자기 증상이 발생하는 것이 특징이며, 급성 심근경색, 중증외상과 더불어 주요 응급질환 중 높은 발병 비율을 차지한다. 뇌졸중으로 인한 사망률 및 후유증을 낮추기 위하여 시간적 특성이 매우 중요한데, 2015년 국내 뇌졸중 환자 94,813중 발병 후 응급실 도착시간이 6시간 이상인 경우가 42,773 명에 해당하는 것으로 미루어 보아 신속한 응급실 방문이 이루어지지 않는 것을 알 수 있다. 실제 뇌경색 발생 후 3시간 이내에 Tissue-type Plasminogen activator(t-PA) 투여가 이루어지는 경우 모든 종류의 뇌경색에서 효과가 있는 것으로 알려져 있고, 따라서 뇌졸중은 조기치료 여부가 매우 중요하다. 신경계 이상 환자는 초고령 사회에 진입할 예정인 우리나라의 사정을 고려할 때 더욱 늘어날 것으로 보이며, 휴대용 기기 및 모바일 하드웨어의 발달로 인하여 신경계 이상 판단을 위한 개인화 서비스가 가능한 환경이 구축되고 있다. 현재 국내뿐만 아니라 해외의 응급질환과 관련된 애플케이션은 응급상황 발생시에 전화연결, 병원위치 제공 등 정보만 제공하는 방식이고 질환을 진단하거나 관리하는 서비스는 존재하지 않는 실정이다. Recently, the average age of survival has increased greatly due to the advancement of medical technology and the improvement of the standard of living, and Korea is going to enter the ultra-old society due to the low birth rate. Nervous system disorders are common in older age groups and typically include stroke. Stroke is one of the three major emergency diseases in Korea, and is one of the leading causes of death in Korea. Stroke is largely divided into cerebral hemorrhage and cerebral infarction. Cerebral infarction refers to a condition in which the blood vessels that supply nutrients and oxygen do not penetrate the brain because the blood vessels are blocked and cerebral hemorrhage refers to a disease caused by the brain vessels bursting. Stroke is a disease caused by sudden cerebrovascular blockage or sudden bursting of the cerebrovascular vessel. It is characterized by sudden symptoms. It is characterized by acute myocardial infarction and severe trauma. The temporal characteristics are very important to reduce the mortality and sequelae caused by stroke.In 2015, 94,813 domestic stroke patients had more than 6 hours of arrival in the emergency room after the onset. Can be. If Tissue-type Plasminogen activator (t-PA) is administered within 3 hours after the actual infarction, it is known to be effective in all types of cerebral infarction. Therefore, the early treatment of stroke is very important. The number of patients with nervous system abnormalities is expected to increase even when considering the situation in Korea, which is going to enter the elderly society, and due to the development of portable devices and mobile hardware, an environment in which personalization service for determining the nervous system abnormalities is being established. Currently, applications related to emergency diseases in Korea as well as abroad provide only information such as telephone connection and hospital location when an emergency occurs, and there is no service for diagnosing or managing diseases.
따라서, 응급질환 중 높은 비중을 차지하는 신경계 이상 질환의 조기 치료를 위하여 환자 개인이 신속하게 질환을 판단하고 관리를 받을 수 있는 솔루션이 요구되고 있다.Therefore, for early treatment of neurological disorders, which occupy a high proportion of emergency diseases, a solution for promptly determining and managing a patient's disease is required.
본 발명의 목적은 신경계 이상 질환이 의심되는 환자가 비교적 용이하게 신경계 이상 정도 및 치료 경과를 판단할 수 있도록 하는 신경계 질환 관리를 위한 시스템 및 방법을 제공함에 있다. It is an object of the present invention to provide a system and method for the management of neurological diseases, which enables a patient suspected of a neurological disorder to relatively easily determine the degree of neurological abnormality and the course of treatment.
본 발명의 다른 목적은 신경계 이상 질환의 치료 효과를 예측하여 신경계 이상 환자 개인에 맞춤화된 솔루션을 제공하는 것이다. It is another object of the present invention to provide a solution tailored to individuals with neurological disorders by predicting the therapeutic effect of the neurological disorder.
본 발명의 일 측면에 따르면, 음성 파일을 파형 데이터로 변환하는 변환부, 상기 변환된 파형 데이터에서 음성속성정보를 추출하는 음성속성 추출부, 상기 추출된 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 중 적어도 하나를 고려하여 진단모델을 동적으로 선택하는 동적 모델 선택부, 상기 음성속성정보를 상기 선택된 진단모델에 적용하여 신경계 이상 여부를 진단하는 진단 처리부를 포함하는 신경계 질환 관리를 위한 장치가 제공된다. According to an aspect of the present invention, a conversion unit for converting a voice file into waveform data, a voice attribute extraction unit for extracting voice attribute information from the converted waveform data, the extracted voice attribute information, the user's medical history Dynamic model selection unit for dynamically selecting a diagnostic model in consideration of at least one of information, health examination information, risk of nervous system disease (risk), Diagnostic processing unit for diagnosing the nervous system abnormality by applying the voice attribute information to the selected diagnostic model An apparatus for managing nervous system diseases is provided.
상기 신경계 질환 관리는 위한 장치는 복수의 정상인의 음성속성정보, 복수의 환자의 음성속성정보를 머신러닝(machine learning) 기법 또는 딥러닝(Deep Learning) 기법으로 학습하여 신경계 이상 여부 진단을 위한 적어도 하나의 진단 모델을 생성하는 진단 모델 생성부를 더 포함할 수 있다. The apparatus for managing the nervous system disease may include at least one of diagnosing abnormalities of the nervous system by learning voice attribute information of a plurality of normal persons and voice attribute information of a plurality of patients by a machine learning technique or a deep learning technique. The apparatus may further include a diagnostic model generator configured to generate a diagnostic model.
또한, 신경계 질환 관리를 위한 장치는 복수의 환자의 음성속성정보 변화량을 머신러닝 기법 또는 딥러닝 기법으로 학습하여 신경계 이상 치료 효과를 예측하기 위한 적어도 하나의 치료효과 예측모델을 생성하는 치료효과 예측모델 생성부를 더 포함할 수 있다. In addition, the apparatus for managing the nervous system disease treatment effect prediction model for generating at least one therapeutic effect prediction model for predicting the neurological disorder treatment effect by learning the amount of voice attribute information change of a plurality of patients by machine learning or deep learning techniques It may further include a generator.
상기 진단 처리부는, 동일 사용자의 이전 음성속성정보의 존재 여부를 판단하여, 존재하는 경우 이전 음성속성정보와 상기 추출된 음성속성정보의 시간에 따른 변화량을 계산하고, 상기 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하며, 존재하지 않은 경우 상기 추출된 음성속성정보를 진단모델에 적용하여 신경계 이상 여부를 진단할 수 있다. The diagnosis processor determines whether the previous voice property information of the same user exists, calculates a change amount according to time of the previous voice property information and the extracted voice property information, if present, and treats the calculated voice property change amount. The treatment effect is predicted by applying to the effect prediction model, and if it does not exist, the extracted speech attribute information may be applied to the diagnosis model to diagnose whether the nervous system is abnormal.
본 발명의 다른 측면에 따르면, 음성 파일을 파형 데이터로 변환하여 음성속성정보를 추출하고, 진단모델을 선택하며, 음성속성정보 및 진단모델 선택정보를 포함하는 진단요청신호를 진단서버로 전송하는 사용자 장치, 상기 음성속성정보를 상기 진단모델 선택정보에 해당하는 진단모델에 적용하여 해당 사용자의 신경계 이상 여부를 진단하는 진단서버를 포함하는 신경계 질환 관리를 위한 시스템이 제공된다. According to another aspect of the present invention, a user converts a voice file into waveform data to extract voice attribute information, selects a diagnostic model, and transmits a diagnostic request signal including voice attribute information and diagnostic model selection information to a diagnostic server. Apparatus and a system for managing a nervous system disease including a diagnostic server for diagnosing a nervous system abnormality of a user by applying the voice attribute information to the diagnostic model corresponding to the diagnostic model selection information is provided.
상기 사용자 장치는, 상기 음성 파일을 파형 데이터로 변환하는 변환부, 상기 변환된 파형 데이터에서 음성속성정보를 추출하는 음성속성 추출부, 상기 추출된 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 중 적어도 하나를 고려하여 진단모델을 동적으로 선택하는 동적 모델 선택부, 상기 추출된 음성속성정보 및 진단모델 선택정보를 포함하는 진단요청신호를 진단서버로 전송하고, 상기 진단서버로부터 신경계 이상 여부에 대한 진단결과를 수신하는 진단 요청 처리부를 포함할 수 있다. The user device may include a converter for converting the voice file into waveform data, a voice property extractor for extracting voice property information from the converted waveform data, the extracted voice property information, medical history information of the user, A dynamic model selection unit for dynamically selecting a diagnosis model in consideration of at least one of health examination information and a risk of nervous system disease, and transmitting a diagnosis request signal including the extracted voice attribute information and diagnosis model selection information to a diagnosis server And, it may include a diagnostic request processing unit for receiving a diagnostic result for whether the nervous system abnormalities from the diagnostic server.
상기 진단서버는, 상기 사용자 장치로부터 진단요청신호가 수신되면, 동일 사용자의 이전 음성속성정보의 존재 여부를 판단하고, 존재하는 경우 이전 음성속성정보와 상기 음성속성정보의 시간에 따른 변화량을 계산하고, 상기 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하며, 존재하지 않은 경우 상기 음성속성정보를 진단모델에 적용하여 신경계 이상 여부를 진단할 수 있다. When the diagnostic server receives a diagnostic request signal from the user device, the diagnostic server determines whether the previous voice property information of the same user exists, and calculates a change amount according to time of the previous voice property information and the voice property information, if present. In addition, the calculated speech attribute change may be applied to a treatment effect prediction model to predict a treatment effect, and if not present, the speech attribute information may be applied to a diagnosis model to diagnose a neural abnormality.
또한, 상기 진단서버는, 복수의 정상인의 음성속성정보, 복수의 환자의 음성속성정보를 머신러닝(machine learning) 기법 또는 딥러닝(Deep Learning) 기법으로 학습하여 신경계 이상 여부 진단을 위한 적어도 하나의 진단 모델을 생성할 수 있다. The diagnosis server may be configured to learn voice attribute information of a plurality of normal persons and voice attribute information of a plurality of patients by using a machine learning technique or a deep learning technique to diagnose at least one neural system abnormality. You can create a diagnostic model.
또한, 상기 진단서버는, 복수의 환자의 음성속성정보 변화량을 머신러닝 기법 또는 딥러닝 기법으로 학습하여 신경계 이상 치료 효과를 예측하기 위한 적어도 하나의 치료효과 예측모델을 생성할 수 있다. In addition, the diagnostic server may generate at least one treatment effect prediction model for predicting a neurological disorder treatment effect by learning a change in voice attribute information of a plurality of patients by a machine learning technique or a deep learning technique.
본 발명의 또 다른 측면에 따르면, 신경계 질환 관리를 위한 장치가 신경계 질환 관리를 위한 방법에 있어서, 음성 파일을 파형 데이터로 변환하는 단계, 상기 변환된 파형 데이터에서 음성속성정보를 추출하는 단계, 상기 추출된 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 중 적어도 하나를 고려하여 진단모델을 동적으로 선택하는 단계, 상기 음성속성정보를 상기 선택된 진단모델에 적용하여 신경계 이상 여부를 진단하는 단계를 포함하는 신경계 질환 관리를 위한 방법이 제공된다. According to another aspect of the invention, the apparatus for the management of nervous system diseases in the apparatus for managing the nervous system diseases, comprising the steps of: converting a voice file into waveform data, extracting voice attribute information from the converted waveform data, the Dynamically selecting a diagnosis model in consideration of at least one of extracted voice attribute information, medical history information, health examination information, and risk of nervous system disease, and converting the voice attribute information to the selected diagnostic model. Provided is a method for managing a neurological disease, the method comprising diagnosing a neurological abnormality.
상기 진단하는 단계는, 동일 사용자의 이전 음성속성정보의 존재 여부를 판단하는 단계, 상기 판단결과, 존재하는 경우 이전 음성속성정보와 상기 추출된 음성속성정보의 시간에 따른 변화량을 계산하고, 상기 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하며, 존재하지 않은 경우 상기 추출된 음성속성정보를 진단모델에 적용하여 신경계 이상 여부를 진단하는 단계를 포함할 수 있다. The diagnosing may include determining whether or not the previous voice property information of the same user exists, and calculating the change amount according to time of the previous voice property information and the extracted voice property information, if present. The method may include predicting a treatment effect by applying the changed amount of the voice attribute to the treatment effect prediction model, and if not present, applying the extracted voice attribute information to the diagnosis model to diagnose whether the nervous system is abnormal.
본 발명의 또 다른 측면에 따르면, 사용자 장치는 음성 파일을 파형 데이터로 변환하고, 상기 변환된 파형 데이터에서 음성속성정보를 추출하는 단계, 상기 사용자 장치는 상기 추출된 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 중 적어도 하나를 고려하여 진단모델을 동적으로 선택하는 단계, 상기 사용자 장치는 음성속성정보 및 진단모델 선택정보를 포함하는 진단요청신호를 진단서버로 전송하는 단계, 상기 진단서버는 상기 음성속성정보를 상기 진단모델 선택정보에 해당하는 진단모델에 적용하여 해당 사용자의 신경계 이상 여부를 진단하는 단계, 상기 진단서버는 진단결과를 해당 사용자에게 제공하는 단계를 포함하는 신경계 질환 관리를 위한 방법이 제공된다. According to another aspect of the invention, the user device converts the voice file into waveform data, extracting the voice attribute information from the converted waveform data, the user device is the extracted voice attribute information, the user's history ( dynamically selecting a diagnosis model in consideration of at least one of medical history information, health examination information, and risk of nervous system disease, and the user device diagnoses a diagnosis request signal including voice attribute information and diagnosis model selection information. Transmitting to the server, the diagnosis server applying the voice attribute information to a diagnosis model corresponding to the diagnosis model selection information and diagnosing a neural system abnormality of the user, and the diagnosis server providing a diagnosis result to the user. Provided are methods for managing neurological disease, comprising the steps of:
상기 진단하는 단계는, 동일 사용자의 이전 음성속성정보의 존재 여부를 판단하는 단계, 상기 판단결과, 존재하는 경우 이전 음성속성정보와 상기 추출된 음성속성정보의 시간에 따른 변화량을 계산하고, 상기 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하며, 존재하지 않은 경우 상기 추출된 음성속성정보를 진단모델에 적용하여 신경계 이상 여부를 진단하는 단계를 포함할 수 있다. The diagnosing may include determining whether or not the previous voice property information of the same user exists, and calculating the change amount according to time of the previous voice property information and the extracted voice property information, if present. The method may include predicting a treatment effect by applying the changed amount of the voice attribute to the treatment effect prediction model, and if not present, applying the extracted voice attribute information to the diagnosis model to diagnose whether the nervous system is abnormal.
또한 본 발명은 컴퓨터에서 상기한 신경계 질환 관리를 위한 방법을 실행시키기 위한 컴퓨터에서 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 개시한다.The present invention also discloses a computer program stored in a computer readable recording medium for executing the above method for managing the nervous system disease in a computer.
본 발명에 따르면, 신경계 질환 관리를 위한 장치를 통해 환자들이 병원에 내원하지 않고도 스스로 신경계 이상 여부를 진단이 가능하여 조기 진단의 가능성을 높이는 효과가 있다. According to the present invention, it is possible to diagnose the abnormalities of the nervous system by patients themselves without visiting the hospital through the apparatus for the management of diseases of the nervous system, thereby increasing the possibility of early diagnosis.
또한, 음성 속성값의 변화량을 측정하여 환자들이 병원에 내원 하지 않아도 신경계 이상 치료 경과(효과)를 예상할 수 있다. In addition, the amount of change in the negative attribute value can be measured to predict the progress (effect) of neurological disorder treatment even if the patients do not visit the hospital.
도 1은 본 발명의 일 실시예에 따른 신경계 질환 관리를 위한 시스템을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 신경계 질환 관리를 위한 사용자 장치의 구성을 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따른 음성속성정보를 추출하는 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 진단서버의 구성을 나타낸 블록도이다.
도 5는 본 발명에 따른 머신러닝 알고리즘을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 신경계 질환 관리 방법을 나타낸 도면이다.
도 7은 본 발명의 다른 실시예에 따른 신경계 질환 관리를 위한 장치의 구성을 나타낸 블록도이다.
도 8은 본 발명의 다른 실시예에 따른 신경계 질환 관리를 위한 방법을 나타낸 도면이다. 1 is a diagram showing a system for managing nervous system diseases according to an embodiment of the present invention.
2 is a block diagram illustrating a configuration of a user device for managing a nervous system disease according to an embodiment of the present invention.
3 is a diagram illustrating a method of extracting voice attribute information according to an embodiment of the present invention.
Figure 4 is a block diagram showing the configuration of a diagnostic server according to an embodiment of the present invention.
5 is a view for explaining a machine learning algorithm according to the present invention.
6 is a diagram illustrating a method of managing a nervous system disease according to an embodiment of the present invention.
7 is a block diagram showing the configuration of an apparatus for managing nervous system diseases according to another embodiment of the present invention.
8 is a diagram illustrating a method for managing nervous system diseases according to another embodiment of the present invention.
이하, 본 발명의 일 실시예를 첨부된 도면들을 참조하여 상세히 설명한다.Hereinafter, an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.In the description with reference to the accompanying drawings, the same or corresponding components will be given the same reference numerals and redundant description thereof will be omitted.
또한 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다. In describing the present invention, when it is determined that detailed descriptions of related well-known structures or functions may obscure the gist of the present invention, the detailed description may be omitted.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 용어를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. The terminology used herein is for the purpose of describing particular example embodiments only and is not intended to be limiting of terms. Singular expressions include plural expressions unless the context clearly indicates otherwise.
이하에서 설명하는 각 단계는 하나 또는 여러 개의 소프트웨어 모듈로도 구비가 되거나 또는 각 기능을 담당하는 하드웨어로도 구현이 가능하며, 소프트웨어와 하드웨어가 복합된 형태로도 가능하다.Each step described below may be provided by one or several software modules or may be implemented by hardware that is responsible for each function, or may be a combination of software and hardware.
각 용어의 구체적인 의미와 예시는 각 도면의 순서에 따라 이하 설명 한다.Specific meanings and examples of each term will be described below in the order of the drawings.
이하에서는 본 발명의 실시예에 따른 신경계 질환 관리를 위한 시스템 및 방법에 대해 관련된 도면을 참조하여 상세히 설명한다.Hereinafter, a system and method for managing a neurological disease according to an embodiment of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 신경계 질환 관리를 위한 시스템을 나타낸 도면이다. 1 is a diagram showing a system for managing nervous system diseases according to an embodiment of the present invention.
도 1을 참조하면, 신경계 질환 관리를 위한 시스템은 사용자 장치(100) 및 진단 서버(200)를 포함하고, 이들은 통신망을 통해 연결된다. Referring to FIG. 1, a system for managing a nervous system disease includes a
사용자 장치(100)는 사용자의 음성파일을 분석하여 음성속성정보를 추출하여 진단서버(200)로 전송하고, 진단서버(200)로부터 음성속성정보에 근거한 신경계 이상 여부에 대한 진단결과를 수신한다. 여기서, 음성속성정보는 음정(Fo), 진폭 변동률(Shimmer), 주파수 변동률(Jitter), 휴지시간, 음도(Pitch), 세기(Intensity) 등 음성 특성의 값을 포함한다. The
또한, 사용자 장치(100)는 신경계 질환 환자로 진단된 사용자의 이전에 산출된 음성속성정보가 존재하는 경우, 이전 음성속성정보와 현재 음성속성정보의 변화량을 계산하고, 음성속성 변화량을 진단서버(200)로 전송하며, 진단서버(200)로부터 음성속성 변화량에 근거한 치료효과 예측정보를 수신한다. In addition, when there is previously calculated voice attribute information of a user diagnosed with a neurological disease patient, the
이러한 사용자 장치(100)는 사용자의 음성을 획득할 수 있는 음성 획득부(예컨대, 마이크)를 구비한 장치일 수 있다.The
이러한 사용자 장치(100)에 대한 상세한 설명은 도 2를 참조하기로 한다.Detailed description of the
진단서버(200)는 신경계 이상 환자들과 정상인들의 음성속성정보를 머신러닝 기법으로 학습하여 신경계 이상 여부를 진단하는 진단모델을 생성한다.The diagnosis server 200 generates a diagnosis model for diagnosing the abnormalities of the nervous system by learning the voice attribute information of the patients with the nervous system abnormalities and the normal persons using machine learning techniques.
진단서버(200)는 사용자 장치(100)로부터 음성속성정보가 수신되면, 그 음성속성정보를 이용하여 음성 장애 정도를 판단하고, 그 판단결과를 근거로 사용자의 신경계 이상 여부를 진단하며, 그 진단결과를 사용자 장치(100)로 전송한다. 이때, 진단서버(200)는 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 등을 고려하여 동적으로 선택된 진단모델을 이용하여 사용자의 신경계 이상 여부를 진단할 수 있다.When the voice property information is received from the
또한, 진단서버(200)는 사용자 장치(100)로부터 음성속성 변화량이 수신되면, 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하고, 그 예측된 치료효과를 사용자 장치(100)로 전송한다. 이때, 진단서버(200)는 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 등을 고려하여 동적으로 선택된 치료효과 예측모델을 이용하여 사용자의 치료효과를 예측할 수 있다. In addition, when the change in the voice attribute is received from the
본 발명의 다른 실시예에 따르면, 사용자 장치(100)가 음성속성 변화량을 계산하지 않고, 진단서버(200)가 음성속성 변화량을 계산하여 신경계 이상 여부를 진단 또는 치료효과를 예측할 수 있다. 이 경우, 진단서버(200)는 사용자 장치(100)로부터 음성속성정보가 수신되면, 동일 사용자의 이전 음성속성정보의 존재 여부를 판단한다. 그 판단결과 존재하지 않은 경우 음성속성정보를 이용하여 사용자의 신경계 이상 여부를 진단하고, 존재하는 경우 이전 음성속성정보와 현재 음성속성정보의 변화량을 계산하고, 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측할 수도 있다. According to another embodiment of the present invention, the
이러한 진단서버(200)에 대한 상세한 설명은 도 4를 참조하기로 한다. Detailed description of the diagnostic server 200 will be described with reference to FIG. 4.
한편, 상기에서는 사용자 장치(100)가 음성속성정보를 측정하고, 진단서버(200)가 사용자의 신경계 이상 여부를 진단하는 것으로 설명하였으나, 사용자 장치(100)가 음성속성정보와 변화량을 측정하고, 그 정보를 이용하여 신경계 이상 여부 진단 및 치료효과를 예측할 수도 있다. 이러한 사용자 장치(100)에 대한 상세한 설명은 신경계 질환 관리 장치로 칭하여 도 8에서 설명하기로 한다. In the above description, the
도 2는 본 발명의 일 실시예에 따른 신경계 질환 관리를 위한 사용자 장치의 구성을 나타낸 블록도, 도 3은 본 발명의 일 실시예에 따른 음성속성정보를 추출하는 방법을 설명하기 위한 도면이다. FIG. 2 is a block diagram illustrating a configuration of a user device for managing a neurological disease according to an embodiment of the present invention. FIG. 3 is a diagram illustrating a method of extracting voice attribute information according to an embodiment of the present invention.
도 2를 참조하면, 신경계 질환 관리를 위한 사용자 장치(100)는 음성 획득부(110), 변환부(120), 음성속성 추출부(130), 동적모델 선택부(140), 진단 요청 처리부(150), 통신부(160), 저장부(170), 제어부(180)를 포함한다. Referring to FIG. 2, the
음성 획득부는(110) 사용자의 음성 파일을 획득하는 구성이다. 이러한 음성 획득부(110)는 예컨대, 마이크, 음성파일이 저장된 저장매체(예컨대, USB 등) 등 다양한 형태로 구현될 수 있다.The voice obtaining unit 110 is a component for obtaining a voice file of a user. The voice acquisition unit 110 may be implemented in various forms, for example, a microphone, a storage medium (eg, a USB, etc.) in which a voice file is stored.
변환부(120)는 음성 획득부(110)에서 획득된 음성파일을 음성속성정보의 추출이 가능한 파형 데이터로 변환한다. 즉, 변환부(120)는 도 3에 도시된 음파 파형, 스펙토그램(Spectrogram) 등의 파형 데이터로 변환한다. The
음성속성 추출부(130)는 변환부(120)에서 변환된 파형 데이터에서 음성속성정보를 추출한다. 여기서, 음성속성정보는 음정(Fo), 진폭 변동률(Shimmer), 주파수 변동률(Jitter), 휴지시간, 음도(Pitch), 세기(Intensity) 등 음성 특성의 값을 포함한다. The voice property extractor 130 extracts voice property information from the waveform data converted by the
음성속성 추출부(130)는 도 3의 (a)와 같은 음파 파형으로부터 음정(Fo), 진폭 변동률(Shimmer), 주파수 변동률(Jitter), 휴지시간, 음도(Pitch), 세기(Intensity) 등 음성 특성의 값을 추출한다. 또한, 음성속성 추출부(130)는 도 2의 (b)와 같은 스펙토그램(Spectrogram)으로부터 음성속성정보를 추출할 수 있다. The voice attribute extracting unit 130 uses the sound wave waveform as shown in FIG. 3A to determine the pitch (Fo), amplitude variation ratio (Shimmer), frequency variation ratio (Jitter), pause time, pitch, intensity, etc. Extract the value of the property. In addition, the voice attribute extraction unit 130 may extract voice attribute information from a spectrogram as shown in FIG.
동적 모델 선택부(140)는 음성속성 추출부(130)에서 추출된 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 등을 고려하여, 신경계 이상 여부를 진단하기 위한 진단모델을 동적으로 선택한다.The
즉, 동적 모델 선택부(140)는 병원 EMR 데이터, 건강보험공단 자료, NEDIS 정보 등의 이전 병력정보/검진정보를 기반하여 진단모델을 선택할 수 있다. 예를 들면, 환자가 뇌졸증 발병 시, 치명적인 Damage를 입을 수 있는 상태이면 Performance Evaluation 값 중 Sensitivity가 높은 진단모델을 선택하고, 그렇지 않은 일반 환자의 경우에는 Accuracy가 높은 진단모델을 선택할 수 있다. 또한, 파킨슨병, 뇌졸중, 중증 근 무력증, 두개골기저종양, 두개 내 랑게르한스 조직구증, 분열뇌증 등 음성장애를 수반하는 질환들간 음성장애가 수반되었을 때의 Risk 값에 따라 가중치(Cost)를 다르게 계산한 진단모델을 선택할 수 있다. That is, the dynamic
진단 요청 처리부(150)는 음성속성 추출부(130)에서 추출된 음성속성정보와 동적모델 선택부(140)에서 선택된 진단모델 선택정보를 포함하는 진단요청신호를 통신부(150)를 통해 관리서버로 전송하고, 관리서버로부터 음성속성정보와 진단모델 선택정보에 근거한 신경계 이상 진단결과를 수신한다. 여기서, 진단요청 신호는 음성속성정보, 진단모델 선택정보, 사용자 식별정보 등을 포함할 수 있고, 사용자 식별정보는 사용자 장치 식별정보, 사용자 ID 등을 포함할 수 있다. 진단요청 처리부(150)는 전술한 바와 같이 음성속성정보와 진단모델 선택정보를 포함하는 진단요청신호를 관리서버로 전송할 수도 있지만, 음성 획득부(110)에서 획득된 음성 파일만을 관리서버에 전송할 수도 있다. 이 경우, 관리서버는 음성파일을 파형 데이터로 변환하여 음성속성정보를 추출하고, 동적으로 진단모델을 선택하며, 추출된 음성속성정보를 선택된 진단모델에 적용하여 사용자의 신경계 이상 여부를 진단할 수 있다. 또한, 진단요청 처리부(150)는 진단모델을 선택하지 않고, 음성속성 추출부(130)에서 추출된 음성속성정보만을 관리서버에 전송할 수도 있다. 이 경우, 관리서버는 동적으로 진단모델을 선택하고, 음성속성정보를 선택된 진단모델에 적용하여 사용자의 신경계 이상 여부를 진단할 수 있다.The
또한, 진단 요청 처리부(150)는 신경계 질환 환자로 진단된 사용자의 이전 음성속성정보의 존재 여부를 판단하고, 존재하는 경우 이전 음성속성정보와 현재 음성속성정보의 변화량을 계산하며, 계산된 음성속성 변화량을 통신부(160)를 통해 관리서버로 전송하고, 관리서버로부터 음성속성 변화량에 따른 치료효과 예측정보를 수신한다. 여기서, 음성속성 변화량은 음성 장애로 판단된 음성속성 값의 시간에 대한 변화량을 의미한다. In addition, the
예를 들어, 2017년 5월 17일 추출된 음정, 진폭 변동률 등의 값과 2017년 5월 24일 추출된 음정, 진폭 변동률 등의 값간의 차이를 계산할 수 있다. 이러한 음성속성의 시간에 대한 변화량을 구함으로써 신경계 질환의 호전 상태를 알 수 있다. For example, a difference between a pitch, amplitude variation rate, etc. extracted on May 17, 2017, and a pitch, amplitude variation rate, etc., extracted on May 24, 2017 may be calculated. The improvement state of neurological disease can be known by calculating the change amount of the voice attribute with time.
즉, a환자가 처음 신경계 질환 관리를 위한 사용자 장치(100)를 사용하는 경우 음성 속성값만을 추출하지만, 이전에 추출된 음성 속성값이 존재하는 경우, 진단 요청 처리부(150)는 음성 속성값의 변화량도 계산하여 신경계 질환의 호전 상태를 판단하게 할 수 있도록 한다. 음성 속성 변화량은 복수의 음성 속성값이 시간에 대해 얼마나 변하였는지를 나타낸다. 예를 들어, 진단 요청 처리부(150)는 동일인에 대한 복수의 음성 속성값이 존재하는 경우에만 음성속성 변화량을 계산할 수 있고, 이를 이용하여 신경계 이상 치료 효과(또는 경과)판단함으로써 신경계 이상을 진단하게 할 수 있다.That is, when a patient first uses the
한편, 변환부(120), 음성속성 추출부(130), 동적모델 선택부(140), 진단 요청 처리부(150) 각각은 컴퓨팅 장치상에서 프로그램을 실행하기 위해 필요한 프로세서 등에 의해 각각 구현될 수 있다. 이처럼 변환부(120), 음성속성 추출부(130), 동적모델 선택부(140), 진단 요청 처리부(150)는 물리적으로 독립된 각각의 구성에 의해 구현될 수도 있고, 하나의 프로세서 내에서 기능적으로 구분되는 형태로 구현될 수도 있다. Meanwhile, each of the
통신부(160)는 다양한 전자 장치들과 데이터를 송수신하기 위한 구성이다. 특히, 통신부(160)는 둘 이상의 장치와 연결될 수 있으며, 안면대칭 속성정보, 진단결과, 안면대칭 속성 변화량, 치료효과 예측정보 등 다양한 정보를 송수신할 수 있다.The communication unit 160 is a component for transmitting and receiving data with various electronic devices. In particular, the communication unit 160 may be connected to two or more devices, and may transmit and receive various information such as facial symmetry attribute information, diagnosis results, facial symmetry attribute variation, treatment effect prediction information, and the like.
저장부(170)는 사용자 장치(100)의 동작과 관련된 데이터들을 저장하는 구성이다. 여기서 저장부(160)는 공지된 저장매체를 이용할 수 있으며, 예를 들어, ROM, PROM, EPROM, EEPROM, RAM 등과 같이 공지된 저장매체 중 어느 하나 이상을 이용할 수 있다. 또한, 저장부(170)에는 신경계 질환 관리 서비스를 수행할 수 있도록 하는 애플리케이션(또는 애플릿) 등이 저장될 수 있으며, 저장되는 정보들은 필요에 따라 제어부(180)에 의해 취사 선택될 수 있다. The storage unit 170 is a component that stores data related to the operation of the
제어부(180)는 신경계 질환 관리 서비스를 수행할 수 있도록 하는 애플리케이션(또는 애플릿)을 저장부(170)에 저장할 수 있으며, 이러한 애플리케이션을 구동시켜 관리서버로부터 제공되는 정보를 출력할 수 있게 제어할 수 있다.The
이러한 제어부(180)는 적어도 하나의 연산 장치를 포함할 수 있는데, 여기서 상기 연산 장치는 범용적인 중앙연산장치(CPU), 특정 목적에 적합하게 구현된 프로그래머블 디바이스 소자(CPLD, FPGA), 주문형 반도체 연산장치(ASIC) 또는 마이크로 컨트롤러 칩일 수 있다.The
한편, 본 발명에 따른 사용자 장치(100)는 사용자 장치(100)의 동작과 관련된 다양한 정보를 표시하기 위한 디스플레이부(미도시)를 더 포함할 수 있다. 특히, 디스플레이부는 관리서버로부터 수신한 진단결과 등의 다양한 정보를 표시할 수 있다. 이러한 디스플레이부는 LCD, LED 등을 포함하는 다양한 디스플레이 장치를 통해 구현될 수 있다.Meanwhile, the
또한, 사용자 장치는 사용자로부터 명령을 입력받은 입력부(미도시)를 더 포함할 수 있다. In addition, the user device may further include an input unit (not shown) that receives a command from the user.
도 4는 본 발명의 일 실시예에 따른 진단서버의 구성을 나타낸 블록도, 도 5는 본 발명에 따른 머신러닝 알고리즘을 설명하기 위한 도면이다. 4 is a block diagram showing the configuration of a diagnostic server according to an embodiment of the present invention, Figure 5 is a view for explaining a machine learning algorithm according to the present invention.
도 4를 참조하면, 진단서버(200)는 통신부(210), 데이터베이스(220), 진단 처리부(230), 진단모델 생성부(240), 치료효과 예측모델 생성부(250), 제어부(260)를 포함한다. 4, the diagnosis server 200 includes a communication unit 210, a database 220, a diagnosis processing unit 230, a
통신부(210)는 통신망을 통해 사용자 장치로부터 음성속성정보, 음성속성 변화량을 수신하고, 진단결과를 사용자 장치에 송신할 수 있다. 여기서 통신망은 유, 무선 통신이 모두 포함되며, 통신망을 통해 사용자 장치와 진단서버(200)가 상호 연결된다.The communication unit 210 may receive the voice attribute information and the voice attribute change amount from the user apparatus through the communication network, and transmit a diagnosis result to the user apparatus. Here, the communication network includes both wired and wireless communication, and the user device and the diagnostic server 200 are interconnected through the communication network.
데이터베이스(220)에는 사용자 정보(예컨대, 성명, 사용자 식별정보, 사용자 장치 식별정보 등임), 각 사용자의 신경계 이상 진단결과, 음성속성정보, 음성속성 변화량, 치료효과 예측정보 등이 저장된다. 여기서, 사용자는 신경계 이상이 없는 사용자(이하, '정상인'이라 칭함), 신경계 이상이 있는 사용자(이하, '환자'라 칭함) 등을 포함할 수 있다. The database 220 stores user information (eg, name, user identification information, user device identification information, etc.), neurological abnormality diagnosis results, voice attribute information, voice attribute change amount, treatment effect prediction information, and the like of each user. Here, the user may include a user who has no nervous system abnormality (hereinafter, referred to as a 'normal person'), a user who has a nervous system abnormality (hereinafter, referred to as a 'patient'), and the like.
또한, 데이터베이스(220)에는 신경계 질환 환자들을 치료효과별로 그룹으로 분리한 정보가 저장된다. 예컨대, 치료효과그룹1, 치료효과그룹2, 치료효과그룹 3 등의 형태로 치료효과별로 환자들의 음성속성 변화량이 저장된다. In addition, the database 220 stores information that divides neurological disease patients into groups by treatment effect. For example, in the form of treatment effect group 1, treatment effect group 2, treatment effect group 3, and the like, the amount of change in voice attributes of patients is stored for each treatment effect.
데이터베이스(220)는 데이터를 저장하기 위한 장치로 기본적으로 검색, 분류, 분석 등을 위한 환경변수 등의 데이터를 저장하는데, 이와 같은 데이터베이스(220)의 기능은 통상의 기술을 이용하여 구현할 수 있으므로 구현에 대한 구체적인 설명은 생략한다. The database 220 is a device for storing data, and basically stores data such as environment variables for searching, classifying, analyzing, and the like. The function of the database 220 may be implemented using conventional techniques. Detailed description thereof will be omitted.
진단 처리부(230)는 사용자 장치로부터 음성속성정보를 포함하는 진단요청 신호가 수신되면, 음성속성정보를 이용하여 신경계 이상 여부를 진단한다. 이때, 진단 처리부(230)는 진단요청신호에 진단모델 선택정보가 포함된 경우, 진단모델 선택정보에 해당하는 진단모델을 이용하여 신경계 이상 여부를 진단한다. 진단요청신호에 진단모델 선택정보가 포함되지 않은 경우, 진단 처리부(230)는 진단모델 생성부(240)에서 생성된 진단모델들 중에서 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 등을 고려하여 동적으로 진단모델을 선택하고, 선택된 진단모델을 이용하여 신경계 이상 여부를 진단한다. 예를 들어, 진단 모델들을 선택함에 있어, 병원 EMR 데이터, 건강보험공단 자료, NEDIS 정보 등을 고려할 수 있고, 안면대칭 속성정보를 고려 시 치명적인 Damage를 입을 수 있는 상태이면 Performance Evaluation 값 중 Sensitivity가 높은 진단모델을 선택하며, 그렇지 않은 일반 환자의 경우에는 Accuracy가 높은 진단모델을 선택할 수 있다.When the diagnostic request signal including the voice attribute information is received from the user device, the diagnosis processor 230 diagnoses whether the nervous system is abnormal using the voice attribute information. In this case, when the diagnostic request signal includes the diagnosis model selection information, the diagnosis processing unit 230 diagnoses an abnormality of the nervous system using a diagnosis model corresponding to the diagnosis model selection information. When the diagnostic request signal does not include the diagnosis model selection information, the diagnostic processor 230 of the diagnostic models generated by the
또한, 진단 처리부(230)는 사용자 장치로부터 음성파일을 포함하는 진단요청 신호가 수신되면, 음성파일을 음성속성정보의 추출이 가능한 파형 데이터로 변환하고, 변환된 파형 데이터에서 음성속성정보를 추출하며, 추출된 음성속성정보를 이용하여 해당 사용자의 신경계 이상 여부를 진단할 수 있다. 이때, 진단 처리부(230)는 진단모델 생성부(240)에서 생성된 진단모델들 중에서 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 등을 고려하여 동적으로 진단모델을 선택하고, 선택된 진단모델을 이용하여 신경계 이상 여부를 진단한다.In addition, when a diagnostic request signal including a voice file is received from the user device, the diagnostic processor 230 converts the voice file into waveform data capable of extracting voice property information, and extracts voice property information from the converted waveform data. In addition, the extracted voice attribute information may be used to diagnose a neural system abnormality of the corresponding user. In this case, the diagnostic processor 230 may be configured by dynamically considering voice attribute information, medical history information, health examination information, and risk of nervous system disease among the diagnostic models generated by the
또한, 진단 처리부(230)는 사용자 장치로부터 음성속성 변화량이 수신되면, 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하고, 그 예측된 치료효과를 사용자 장치로 전송한다. 이때, 진단 처리부(230)는 치료효과 예측정보는 물론, 치료 효과를 높이기 위한 환자 개인에 맞춤화된 솔루션을 제공할 수 있다. 여기서, 환자 개인에 맞춤화된 솔루션은 식이요법, 운동방법 등을 포함할 수 있다. In addition, when the voice attribute change amount is received from the user device, the diagnostic processor 230 may apply the voice attribute change amount to the treatment effect prediction model to predict the treatment effect, and transmit the predicted treatment effect to the user device. In this case, the diagnosis processor 230 may provide a solution customized to the individual patient to increase the treatment effect as well as the treatment effect prediction information. Here, the solution customized to the individual patient may include a diet, exercise method and the like.
또한, 진단 처리부(230)는 사용자 장치로부터 음성속성정보가 수신되면, 동일 사용자의 음성속성정보의 존재 여부를 판단하고, 존재하는 경우 이전 음성속성정보와 현재 음성속성정보의 변화량을 계산하고, 계산된 음성속성 변화량을 치료효과 예측모델에 적용화여 치료효과를 예측할 수도 있다. 이처럼 진단 처리부(230)는 동일인에 대한 복수의 음성속성값이 존재하는 경우에만 음성속성 변화량을 계산할 수 있고, 이를 이용하여 신경계 이상 치료 효과(또는 경과)판단함으로써 신경계 이상을 진단하게 할 수 있다.In addition, when the voice attribute information is received from the user device, the diagnostic processor 230 determines whether the voice attribute information of the same user exists, and if there is, calculates a change amount of the previous voice attribute information and the current voice attribute information, and calculates it. The amount of negative attribute changes can be applied to a model for predicting treatment effects to predict the treatment effect. As such, the diagnosis processor 230 may calculate the change in the voice attribute only when there are a plurality of voice attribute values for the same person, and may diagnose the nervous system abnormality by determining a therapeutic effect (or progress) of the nervous system abnormality using the same.
진단모델 생성부(240)는 복수의 정상인의 음성속성정보, 복수의 환자의 음성속성정보를 머신러닝 기법으로 학습하여 신경계 이상 정도 판단을 위한 진단 모델을 생성한다. 진단 모델은 신경계 이상 유무에 대한 고정된 정보뿐만 아니라 신경계 이상의 위험도(risk)를 고려하여 생성될 수 있고, 정상인과 환자의 음성속성정보는 신경계 질환을 관리하는 병원 또는 의료 연구 기관의 데이터 베이스로부터 실시간 공유되는 자료일 수 있다.The
이처럼 진단모델 생성부(240)는 음성속성정보를 기반으로 신경계 이상 여부를 진단하기 위한 진단모델을 생성한다. 이때, 진단모델 생성부(240)는 로지스틱 판별 분석(Logistic Classification), 서포트 벡터 머신(SVM), 랜덤 포레스트(RF) 등의 알고리즘을 이용하여 진단 모델을 생성할 수 있다. As such, the
로지스틱 판별 분석(Logistic Classification)은 기 설정된 분류 항목에 대하여 입력 변수들이 어느 항목으로 분류 될 수 있는지를 분석하고 예측하는 통계 알고리즘이다. 분류 항목이 두개인 경우인지 그 이상인지에 따라서 이항형 로지스틱 분석과 다항형 로지스틱 분석으로 나눌 수 있다. 본 발명에서는 이항형 로지스틱 판별 분석을 실시한다. 즉 신경계 이상 유무에 대한 항목을 두개로 나누고, 임의의 환자 및 정상인들을 포함하는 트레이닝 이미지로부터 추출된 음성속성들을 두개의 항목으로 분류할 수 있다. 여기서, 트레이닝 이미지는 음성파일을 진단모델의 머신러닝 트레이닝을 위해 변환한 파형 데이터일 수 있다. Logistic Classification is a statistical algorithm that analyzes and predicts which items the input variables can be classified into. Depending on whether there are two or more classification items, it can be divided into binary logistic analysis and polynomial logistic analysis. In the present invention, binomial logistic discriminant analysis is performed. That is, the items for the neural system abnormalities can be divided into two, and voice attributes extracted from a training image including any patient and normal people can be classified into two items. Here, the training image may be waveform data obtained by converting a voice file for machine learning training of a diagnostic model.
서포트 벡터 머신(SVM)은 주로 패턴 인식에 사용되는 알고리즘으로써 문자 인식, 물체 인식 분야, 의학 영상 분석 분야 등에 사용될 수 있다. 예를 들어, 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때 서포트 벡터 머신(SVM) 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 이진 선형 분류 모델을 생성할 수 있다. 이진 선형 분류 모델은 데이터가 사상된 공간에서 경계로 표현이 되는데, 가장 큰 폭을 가진 경계를 찾는 알고리즘을 의미한다. 특히 주어진 데이터를 고차원 특징 공간으로 사상 시키는 것을 커널 트릭이라고 하는데, 입력 데이터를 좀더 쉽게 분류하기 위해서 고차원 공간에 사상 시키는 커널 트릭을 사용할 수 있다.The support vector machine (SVM) is an algorithm mainly used for pattern recognition, and may be used for character recognition, object recognition, medical image analysis, and the like. For example, given a set of data in either category, the support vector machine (SVM) algorithm can generate a binary linear classification model that determines which category the new data belongs to based on the given data set. Can be. Binary linear classification model is represented as the boundary in the space where data is mapped, which means the algorithm to find the boundary with the largest width. In particular, mapping a given data into a high-dimensional feature space is called a kernel trick. To more easily classify input data, you can use a kernel trick to map a high-level space.
랜덤 포레스트(RF)는 이진 결정 트리를 기본으로 하는 분류기로써, 랜덤 포레스트 알고리즘에 의한 머신 학습은, 각 특징 벡터를 2이상의 항목으로 분류하는 과정으로 나타날 수 있다. 랜덤 포레스트 분류는 동일한 하나의 데이터 집합에서 임의의 복원 샘플링을 통해 여러 개의 진단 데이터를 만들어 여러 번의 학습을 통해 여러 개의 트리를 생성하고 이들을 결합하여 최종적으로 결과를 예측하는 알고리즘이다. The random forest (RF) is a classifier based on a binary decision tree, and the machine learning by the random forest algorithm may appear as a process of classifying each feature vector into two or more items. Random forest classification is an algorithm that generates multiple diagnostic data through random reconstruction sampling from the same data set, generates multiple trees through multiple trainings, combines them, and finally predicts the result.
이러한 로지스틱 판별 분석(Logistic Classification), 서포트 벡터 머신(SVM), 랜덤 포레스트(RF)의 알고리즘에 의해 생성된 진단 모델의 성능을 평가하기 위한 통계지표는 도 5에 도시된 바와 같이 정확도(Accuracy, 710), 곡선하면적(Area Under Cover, 712), 민감도(Sensitivity, 714) 및 특이도(Specificity, 716)를 포함한다. 머신 학습이 이용하는 알고리즘의 정확도는 통계 지표로써 성능이 평가 된다. Statistical indicators for evaluating the performance of the diagnostic model generated by the algorithm of the Logistic Classification, the Support Vector Machine (SVM), and the Random Forest (RF) are as shown in FIG. ), Area Under Cover (712), Sensitivity (714) and Specificity (716). The accuracy of the algorithm used by machine learning is evaluated as a statistical indicator.
예를 들어, 정확도(Accuracy, 710)는 신경계 이상 여부의 적중 비율을 의미하고, 민감도(Sensitivity, 714)는 실제 신경계 이상이 있는 사례 중 진단 처리부(230)가 신경계 이상이라고 판단한 사례의 비율을 의미한다. 특이도(Specificity, 716)는 실제 신경계 이상이 없는 사례 중 진단 처리부(230)가 신경계 이상이 아니라고 판단한 사례의 비율을 의미한다. 상기 특이도(Specificity, 716)를 x좌표에 두고, 민감도(Sensitivity, 714)를 y좌표에 두어서 그래프를 그리면 수신자 판단 특성 곡선(Receiver Operation Characteristic Curve, ROC)을 얻을 수 있다. 수신자 판단 특성 곡선(Receiver Operation Characteristic Curve, ROC)의 그래프상 아래 면적을 나타내는 곡선하면적(Area Under Cover, 712)이 클수록 상기 알고리즘은 높은 성능을 나타낸다. For example, accuracy (710) refers to the ratio of hits of the nervous system abnormality, and sensitivity (714) refers to the ratio of cases in which the diagnosis processor 230 determines that the nervous system is abnormal among the cases in which the actual nervous system abnormalities are present. do. Specificity (716) refers to the ratio of cases in which the diagnosis processor 230 determines that the nervous system is not abnormal, among the cases where there is no actual nervous system abnormality. A receiver operation characteristic curve (ROC) can be obtained by drawing a graph with the specificity (716) at the x coordinate and the sensitivity (714) at the y coordinate. The larger the Area Under Cover (712) representing the area under the graph of the Receiver Operation Characteristic Curve (ROC), the higher the algorithm.
이처럼, 진단모델 생성부(240)는 로지스틱 판별 분석(Logistic Classification, 704), 서포트 벡터 머신(SVM, 706), 랜덤 포레스트(RF, 708) 등의 다양한 알고리즘을 이용하여 진단모델을 생성하고, 진단 처리부(230)는 생성된 진단모델 중에서 적절한 진단모델을 선택하여, 신경계 이상 여부 진단에 사용할 수 있다. As such, the
또한, 진단모델 생성부(240)는 RNN, CNN 등의 딥러닝 방법으로 진단모델을 생성할 수 있다. 여기서, RNN은 음성파일 자체를 사용하여 진단모델을 생성하고, CNN은 음성파일이 변환된 파형 데이터를 이용하여 진단모델을 생성할 수 있다. In addition, the
치료효과 예측모델 생성부(250)는 복수의 환자의 음성속성정보의 시간에 따른 변화량을 머신러닝 기법으로 학습하여 신경계 이상 치료 효과를 예측하기 위한 치료효과 예측모델을 생성한다. 즉, 치료효과 예측모델 생성부(250)는 신경계 질환 환자들의 치료효과별 그룹의 음성속성 변화량을 머신러닝 기법으로 학습하여 치료효과 예측모델을 생성한다. 이때, 치료효과 예측모델 생성부(250)는 로지스틱 판별 분석, 서포트 벡터 머신, 랜덤 포레스트 등의 알고리즘을 이용하여 치료효과 예측모델을 생성할 수 있다.The treatment effect prediction model generator 250 generates a treatment effect prediction model for predicting a neurological disorder treatment effect by learning the amount of change of the voice attribute information of a plurality of patients over time by a machine learning technique. That is, the treatment effect prediction model generator 250 generates a treatment effect prediction model by learning the amount of change in the voice attribute of each group of patients with neurological disorders by machine learning. In this case, the treatment effect prediction model generator 250 may generate the treatment effect prediction model using algorithms such as logistic discriminant analysis, support vector machine, and random forest.
구체적으로, 치료효과 예측모델 생성부(250)는 각 치료효과그룹에 속하는 환자들의 치료 차수별 음성속성 변화량의 평균값을 각각 구하여 치료효과 예측모델을 생성할 수 있다. 예컨대, 치료효과그룹1의 음성속성 변화량의 평균은 1차 치료 시 10, 2차 치료시 8, 3차 치료시 5이고, 치료효과그룹2의 음성속성 변화량의 평균은 1차 치료 시 5, 2차 치료시 2, 3차 치료시 0이며, 치료효과그룹3의 음성속성 변화량의 평균은 1차 치료 시 20, 2차 치료시 18, 3차 치료시 10 등의 형태로 치료효과 예측모델을 생성할 수 있다. 이 경우, 치료효과그룹1에 속하며 2차 치료가 완료된 환자는 3차 치료시 음성속성 변화량의 평균이 '5'라고 치료효과를 예측할 수 있다. In detail, the treatment effect prediction model generator 250 may generate a treatment effect prediction model by obtaining an average value of the voice attribute change amount for each treatment order of the patients belonging to each treatment effect group. For example, the mean change in the negative attribute of the treatment effect group 1 is 10 at the 1st treatment, 8 at the 2nd treatment, and 5 at the 3rd treatment, and the mean change in the negative attribute of the treatment effect group 2 is 5, 2 at the 1st treatment. The treatment model predicts treatment effects in the form of the 2nd and 3rd therapies at 0, and the average of the change in the negative attribute of the therapeutic effect group 3 is 20 at the 1st treatment, 18 at the 2nd treatment, and 10 at the 3rd treatment. can do. In this case, the patient belonging to the treatment effect group 1 and completing the second treatment can predict the treatment effect as the average of the change in the voice attribute during the third treatment is '5'.
또한, 치료효과 예측모델 생성부(250)는 RNN, CNN 등의 딥러닝 방법으로 치료효과 예측모델을 생성할 수 있다. 여기서, RNN은 음성파일 자체를 사용하여 치료효과 예측모델을 생성하고, CNN은 음성파일이 변환된 파형 데이터를 이용하여 치료효과 예측모델을 생성할 수 있다. In addition, the treatment effect prediction model generator 250 may generate a treatment effect prediction model by deep learning methods such as RNN and CNN. Here, the RNN may generate a treatment effect prediction model using the voice file itself, and the CNN may generate a treatment effect prediction model using waveform data converted from the voice file.
이처럼 치료효과 예측모델 생성부(250)는 신경계 질환을 앓고 있는 환자들의 음성속성값의 변화량을 포함하는 호전 기간에 대한 데이터를 머신러닝 기법으로 학습하여, 신경계 질환 호전 상태를 판단할 수 있도록 하는 치료효과 예측모델을 생성할 수 있다. As described above, the treatment effect prediction model generator 250 learns data on the improvement period including the amount of change in the voice attribute value of patients suffering from a neurological disease by using a machine learning technique to determine the improvement of the neurological disease. Create an effect prediction model.
한편, 진단 처리부(230), 진단모델 생성부(240), 치료효과 예측모델 생성부(250) 각각은 컴퓨팅 장치상에서 프로그램을 실행하기 위해 필요한 프로세서 등에 의해 각각 구현될 수 있다. 이처럼 진단 처리부(230), 진단모델 생성부(240), 치료효과 예측모델 생성부(250)는 물리적으로 독립된 각각의 구성에 의해 구현될 수도 있고, 하나의 프로세서 내에서 기능적으로 구분되는 형태로 구현될 수도 있다. Meanwhile, each of the diagnostic processor 230, the
제어부(260)는 통신부(210), 데이터베이스(220), 진단 처리부(230), 진단모델 생성부(240), 치료효과 예측모델 생성부(250)를 포함하는 관리장치(200)의 다양한 구성부들의 동작을 제어하는 구성이다. The
이러한 제어부(260)는 적어도 하나의 연산 장치를 포함할 수 있는데, 여기서 상기 연산 장치는 범용적인 중앙연산장치(CPU), 특정 목적에 적합하게 구현된 프로그래머블 디바이스 소자(CPLD, FPGA), 주문형 반도체 연산장치(ASIC) 또는 마이크로 컨트롤러 칩일 수 있다.The
도 6은 본 발명의 일 실시예에 따른 신경계 질환 관리 방법을 나타낸 도면이다. 6 is a diagram illustrating a method of managing a nervous system disease according to an embodiment of the present invention.
도 6을 참조하면, 사용자 장치는 음성 파일이 획득되면(S502), 그 음성파일을 음성속성정보의 추출이 가능한 파형 데이터로 변환한다(S504).Referring to FIG. 6, when a voice file is obtained (S502), the user device converts the voice file into waveform data capable of extracting voice attribute information (S504).
그 후, 사용자 장치는 파형 데이터로부터 음성속성정보를 추출하고(S506), 추출된 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 등을 고려하여, 신경계 이상 여부를 진단하기 위한 진단모델을 동적으로 선택한다(S508).Thereafter, the user device extracts the voice attribute information from the waveform data (S506), the extracted voice attribute information, medical history information of the user, medical examination information, nervous system risk, and the like, in consideration of the nervous system. Dynamically select a diagnostic model for diagnosing the abnormality (S508).
그 후, 사용자 장치는 추출된 음성속성정보, 진단모델 선택정보를 포함하는 진단 요청 신호를 진단 서버로 전송한다(S510). 진단모델 선택정보는 선택된 진단모델의 식별정보일 수 있다. Thereafter, the user device transmits a diagnosis request signal including the extracted voice attribute information and the diagnosis model selection information to the diagnosis server (S510). The diagnostic model selection information may be identification information of the selected diagnostic model.
진단서버는 사용자 장치로부터 수신한 음성속성정보를 진단모델 선택정보에 해당하는 진단모델에 적용하여 사용자의 신경계 이상 여부를 진단하고(S512), 그 진단결과를 사용자 장치로 전송한다(S514). 이때, 진단서버는 동일 사용자의 음성속성정보의 존재 여부를 판단하고, 존재하는 경우 이전 음성속성정보와 현재 음성속성정보의 변화량을 계산하고, 계산된 변화량을 치료효과 예측모델에 적용화여 치료효과를 예측할 수도 있다. The diagnosis server applies the voice attribute information received from the user device to the diagnosis model corresponding to the diagnosis model selection information to diagnose whether the user's nervous system is abnormal (S512), and transmits the diagnosis result to the user device (S514). At this time, the diagnostic server determines the existence of the voice attribute information of the same user, calculates the change amount of the previous voice attribute information and the current voice attribute information, if any, and applies the calculated change amount to the treatment effect prediction model. You can also predict.
도 7은 본 발명의 다른 실시예에 따른 신경계 질환 관리를 위한 장치의 구성을 나타낸 블록도이다. 7 is a block diagram showing the configuration of an apparatus for managing nervous system diseases according to another embodiment of the present invention.
도 7을 참조하면, 신경계 질환 관리를 위한 장치(이하 신경계 질환 관리 장치로 칭함)(700)는 음성 획득부(710), 변환부(720), 음성속성 추출부(730), 동적모델 선택부(740), 진단 처리부(750), 저장부(760), 제어부(770)를 포함한다. Referring to FIG. 7, an apparatus for managing nervous system diseases (hereinafter, referred to as a neurological disease management apparatus) 700 may include a
음성 획득부(710), 변환부(720), 음성속성 추출부(730), 동적모델 선택부(740)는 도 2의 음성 획득부, 변환부, 음성속성 추출부, 동적모델 선택부와 동일한 동작을 수행하므로, 그 설명은 생략하기로 한다. The
여기서, 음성 획득부(710)는 사용자의 음성파일을 획득하는 구성으로, 마이크가 구비된 경우 마이크를 통해 음성 파일을 획득할 수 있고, 통신부가 구비된 경우 통신부를 통해 외부 장치(또는 사용자 장치)로부터 음성파일을 획득할 수 있으며, USB 등의 다양한 저장매체로부터 음성파일을 획득할 수도 있다. Here, the
진단 처리부(750)는 음성속성 추출부(730)에서 추출된 음성속성정보와 동적모델 선택부(740)에서 선택된 진단모델을 이용하여 사용자의 신경계 이상 여부를 진단한다. The
또한, 진단 처리부(750)는 음성속성 추출부(730)에서 음성속성정보가 추출되면, 동일 사용자의 음성속성정보의 존재 여부를 판단하고, 존재하는 경우 이전 음성속성정보와 현재 음성속성정보의 변화량을 계산하고, 계산된 변화량을 치료효과 예측모델에 적용화여 치료효과를 예측할 수도 있다. 여기서, 치료효과 예측모델은 동적모델 선택부(740)에서 선택된 치료효과 예측모델일 수 있다. In addition, when the voice attribute information is extracted from the voice attribute extractor 730, the
진단 처리부(750)는 신경계 이상 여부 진단 결과, 치료효과 예측정보를 해당 환자(사용자)에게 제공한다. 또한, 진단 처리부(750)는 신경계 질환의 치료 효과를 높이기 위한 환자 개인에 맞춤화된 솔루션을 제공할 수도 있다. 여기서, 환자 개인에 맞춤화된 솔루션은 식이요법, 운동방법 등을 포함할 수 있다. 이때, 신경계 질환 관리 장치(700)가 사용자가 구비한 장치인 경우, 진단 처리부7540)는 신경계 이상 여부 진단 결과, 치료효과 예측 정보를 음성, 문자, 이미지 등의 형태로 출력할 수 있다. 또한, 신경계 질환 관리 장치(700)가 병원 등에 구비된 장치인 경우, 진단 처리부(750)는 신경계 이상 여부 진단 결과, 치료효과 예측 정보를 해당 환자 또는 기 설정된 환자의 보호자에게 제공할 수 있다. The
한편, 변환부(720), 음성속성 추출부(730), 동적모델 선택부(740), 진단 처리부(750) 각각은 컴퓨팅 장치상에서 프로그램을 실행하기 위해 필요한 프로세서 등에 의해 각각 구현될 수 있다. 이처럼 변환부(720), 음성속성 추출부(730), 동적모델 선택부(740), 진단 처리부(750)는 물리적으로 독립된 각각의 구성에 의해 구현될 수도 있고, 하나의 프로세서 내에서 기능적으로 구분되는 형태로 구현될 수도 있다. Meanwhile, each of the
저장부(760)는 신경계 질환 관리 장치(700)의 동작과 관련된 데이터들을 저장하는 구성이다. 여기서 저장부(760)는 공지된 저장매체를 이용할 수 있으며, 예를 들어, ROM, PROM, EPROM, EEPROM, RAM 등과 같이 공지된 저장매체 중 어느 하나 이상을 이용할 수 있다. 특히, 저장부(850)에는 사용자의 신경계 이상 여부를 결정하기 위한 기준인 음성속성에 대한 정보가 저장되어 있다. 저장부(850)에는 신경계 질환 관리 서비스를 수행할 수 있는 애플리케이션(또는 애플릿) 등이 저장될 수 있으며, 저장되는 정보들은 필요에 따라 제어부(860)에 의해 취사 선택될 수 있다. The storage unit 760 is configured to store data related to the operation of the neurological disease management apparatus 700. The storage unit 760 may use a known storage medium. For example, the storage unit 760 may use any one or more of known storage media such as a ROM, a PROM, an EPROM, an EEPROM, and a RAM. In particular, the storage unit 850 stores information on voice attributes, which are criteria for determining whether a user's nervous system is abnormal. The storage unit 850 may store an application (or applet) for performing a neurological disease management service, and the stored information may be selected by the controller 860 as necessary.
제어부(770)는 신경계 질환 관리 서비스를 수행할 수 있도록 하는 애플리케이션(또는 애플릿)을 저장부(760)에 저장할 수 있으며, 이러한 애플리케이션을 구동시켜 진단 처리부(750)에서 제공되는 정보를 출력할 수 있게 제어할 수 있다.The
이러한 제어부(770)는 적어도 하나의 연산 장치를 포함할 수 있는데, 여기서 상기 연산 장치는 범용적인 중앙연산장치(CPU), 특정 목적에 적합하게 구현된 프로그래머블 디바이스 소자(CPLD, FPGA), 주문형 반도체 연산장치(ASIC) 또는 마이크로 컨트롤러 칩일 수 있다.The
한편, 본 발명에 따른 신경계 질환 관리 장치(700)는 복수의 정상인의 음성속성정보, 복수의 환자의 음성속성정보를 머신러닝 기법으로 학습하여 신경계 이상 정도 판단을 위한 진단 모델을 생성하는 진단 모델 생성부(780)를 더 포함할 수 있다. 진단 모델은 신경계 이상 유무에 대한 고정된 정보뿐만 아니라 신경계 이상의 위험도(risk)를 고려하여 생성될 수 있고, 정상인과 환자의 음성속성정보는 신경계 질환을 관리하는 병원 또는 의료 연구 기관의 데이터 베이스로부터 실시간 공유되는 자료일 수 있다. 이때, 진단모델 생성부(780)는 로지스틱 판별 분석(Logistic Classification), 서포트 벡터 머신(SVM), 랜덤 포레스트(RF) 등의 알고리즘을 이용하여 진단 모델을 생성할 수 있다. On the other hand, the neurological disease management apparatus 700 according to the present invention by generating a diagnostic model for determining the degree of nervous system abnormality by learning the voice attribute information of a plurality of normal people, voice attribute information of a plurality of patients by machine learning techniques A portion 780 may be further included. Diagnostic models can be generated by considering the risk of nervous system abnormalities as well as fixed information on the presence or absence of nervous system abnormalities. Voice attribute information of normal persons and patients can be generated in real time from a database of a hospital or a medical research institution that manages nervous system diseases. It can be shared data. In this case, the diagnostic model generator 780 may generate a diagnostic model using algorithms such as logistic classification analysis, a support vector machine (SVM), and a random forest (RF).
또한, 진단모델 생성부(780)는 RNN, CNN 등의 딥러닝 방법으로 진단모델을 생성할 수 있다. 여기서, RNN은 음성파일 자체를 사용하여 진단모델을 생성하고, CNN은 음성파일이 변환된 파형 데이터를 이용하여 진단모델을 생성할 수 있다. In addition, the diagnostic model generator 780 may generate a diagnostic model by a deep learning method such as RNN and CNN. Here, the RNN may generate a diagnostic model using the voice file itself, and the CNN may generate a diagnostic model using the waveform data converted from the voice file.
또한, 신경계 질환 관리 장치(700)는 복수의 환자의 음성속성정보의 시간에 따른 변화량을 머신러닝 기법으로 학습하여 신경계 이상 치료 효과를 예측하기 위한 치료효과 예측모델을 생성하는 치료효과 모델 생성부(790)를 더 포함할 수 있다. 치료효과 예측모델 생성부(790)는 RNN, CNN 등의 딥러닝 방법으로 치료효과 예측모델을 생성할 수도 있다. 여기서, RNN은 음성파일 자체를 사용하여 치료효과 예측모델을 생성하고, CNN은 음성파일이 변환된 파형 데이터를 이용하여 치료효과 예측모델을 생성할 수 있다. In addition, the neurological disease management apparatus 700 is a treatment effect model generation unit for generating a therapeutic effect prediction model for predicting the neurological disorder treatment effect by learning the amount of change of the voice attribute information of a plurality of patients over time by machine learning techniques ( 790 may be further included. The treatment effect prediction model generator 790 may generate the treatment effect prediction model by deep learning methods such as RNN and CNN. Here, the RNN may generate a treatment effect prediction model using the voice file itself, and the CNN may generate a treatment effect prediction model using waveform data converted from the voice file.
또한, 신경계 질환 관리 장치(700)는 신경계 질환 관리 장치(700)의 동작과 관련된 다양한 정보를 표시하기 위한 디스플레이부(미도시)를 더 포함할 수 있다. 특히, 디스플레이부는 진단 처리부의 진단결과 등의 다양한 정보를 표시할 수 있다. 이러한 디스플레이부는 LCD, LED 등을 포함하는 다양한 디스플레이 장치를 통해 구현될 수 있다.In addition, the neurological disease management apparatus 700 may further include a display unit (not shown) for displaying various information related to the operation of the neurological disease management apparatus 700. In particular, the display unit may display various information such as a diagnosis result of the diagnostic processor. Such a display unit may be implemented through various display devices including LCDs, LEDs, and the like.
또한, 본 발명에 따른 신경계 질환 관리 장치(700)는 사용자로부터 명령을 입력받은 입력부(미도시)를 더 포함할 수 있다. In addition, the neurological disease management apparatus 700 according to the present invention may further include an input unit (not shown) that receives a command from a user.
상기와 같이 구성된 신경계 질환 관리 장치(700)는 마이크가 구비되고 신경계 질환 관리 서비스가 가능한 애플리케이션이 설치된 휴대용 기기 또는 모바일 단말로, 사용자가 휴대하는 장치일 수 있다. 또한, 신경계 질환 관리 장치(700)는 외부로부터 음성 파일의 획득이 가능하고, 신경계 질환 관리 서비스가 가능한 장치일 수 있다. The neurological disease management apparatus 700 configured as described above may be a portable device or a mobile terminal provided with a microphone and installed with an application capable of managing the neurological disease management service. In addition, the neurological disease management apparatus 700 may obtain a voice file from the outside, and may be a device capable of managing the neurological disease management service.
도 8은 본 발명의 다른 실시예에 따른 신경계 질환 관리를 위한 방법을 나타낸 도면이다. 8 is a diagram illustrating a method for managing nervous system diseases according to another embodiment of the present invention.
도 8을 참조하면, 신경계 질환 관리 장치는 음성 파일이 획득되면(S702), 그 음성파일을 음성속성정보의 추출이 가능한 파형 데이터로 변환한다(S704).Referring to FIG. 8, when a voice file is acquired (S702), the apparatus for managing a neurological disease is converted into waveform data capable of extracting voice attribute information (S704).
그 후, 신경계 질환 관리 장치는 파형 데이터로부터 음성속성정보를 추출하고(S706), 추출된 음성속성정보, 사용자의 병력(medical history) 정보, 건강검진 정보, 신경계 질환 위험도(risk) 등을 고려하여, 신경계 이상 여부를 진단하기 위한 진단모델을 동적으로 선택한다(S708).Thereafter, the apparatus for managing a nervous system disease extracts voice attribute information from waveform data (S706), taking out the extracted voice attribute information, medical history information, health examination information, risk of nervous system disease, etc. In step S708, a diagnostic model for diagnosing abnormalities of the nervous system is dynamically selected.
그 후, 신경계 질환 관리 장치는 추출된 음성속성정보의 사용자와 동일한 사용자의 음성속성정보가 존재하는지를 판단한다(S710). 동일 사용자의 음성속성정보의 존재 여부를 판단하는 것은, 신경계 이상 정도를 판단하여 신경계 이상을 진단할 것인지, 신경계 이상 치료 경과를 판단하여 치료효과를 예측할 것인지를 결정하기 위해서이다. Thereafter, the neurological disease management apparatus determines whether there is voice attribute information of the same user as that of the extracted voice attribute information (S710). The presence or absence of the voice attribute information of the same user is used to determine whether the degree of nervous system abnormality is diagnosed or whether the treatment of the neurological abnormality is judged to predict the treatment effect.
S710의 판단결과, 동일한 사용자의 음성속성정보가 존재하지 않으면, 신경계 질환 관리 장치는 음성속성정보를 선택된 진단모델에 적용하여 사용자의 신경계 이상 여부를 진단하고(S712), 그 진단결과를 출력한다(S714). 이때, 신경계 질환 관리 장치는 사용자의 음성속성정보, 진단결과를 저장하고, 유선 또는 무선 통신을 통하여 외부의 서버와 공유할 수 있다.As a result of the determination in S710, when the voice attribute information of the same user does not exist, the neurological disease management apparatus applies the voice attribute information to the selected diagnostic model to diagnose whether the user has nervous system abnormalities (S712), and outputs the diagnosis result (S712). S714). In this case, the neurological disease management apparatus may store the voice attribute information and the diagnosis result of the user, and may share it with an external server through wired or wireless communication.
만약, S710의 판단결과, 동일한 사용자의 음성속성정보가 존재하면, 신경계 질환 관리 장치는 이전 음성속성정보와 현재 음성속성정보의 변화량을 계산한다(S716). 그 후, 신경계 질환 관리 장치는 계산된 변화량을 선택된 치료효과 예측모델에 적용하여 치료효과를 예측하고(S718), 예측된 치료효과를 출력한다(S720). 이때, 신경계 질환 관리 장치는 사용자의 음성속성정보, 치료 효과 예측 정보를 저장하고, 유선 또는 무선 통신을 통하여 외부의 서버와 공유할 수 있다. If it is determined in S710 that voice attribute information of the same user exists, the neurological disease management apparatus calculates a change amount of the previous voice attribute information and the current voice attribute information (S716). Thereafter, the neurological disease management apparatus applies the calculated change amount to the selected treatment effect prediction model to predict the treatment effect (S718), and outputs the predicted treatment effect (S720). In this case, the neurological disease management apparatus may store the voice attribute information and the treatment effect prediction information of the user, and may share it with an external server through wired or wireless communication.
이처럼 신경계 질환 관리를 위한 신경계 질환 관리 장치는 신경계 이상 치료 경과를 진단하여 신경계 질환의 호전 상태를 알 수 있도록 한다. As such, the neurological disease management apparatus for managing the neurological disease may diagnose the progress of treating the neurological disorder so that the improvement of the neurological disease may be known.
한편, 이러한 신경계 질환 관리를 위한 방법은 프로그램으로 작성 가능하며, 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 신경계 질환 관리를 위한 방법에 관한 프로그램은 전자장치가 읽을 수 있는 정보저장매체(Readable Media)에 저장되고, 전자장치에 의하여 읽혀지고 실행될 수 있다.On the other hand, such a method for managing the nervous system disease can be written as a program, codes and code segments constituting the program can be easily inferred by a programmer in the art. In addition, a program related to a method for managing a nervous system disease may be stored in a readable media that can be read by an electronic device, and read and executed by the electronic device.
이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 실시 형태로 실시될 수 있다는 것을 인지할 수 있을 것이다. 따라서 이상에서 기술한 실시 예들은 예시적인 것일 뿐이며, 그 범위를 제한해놓은 한정적인 것이 아닌 것으로 이해해야만 한다. 또한, 도면에 도시된 순서도들은 본 발명을 실시함에 있어서 가장 바람직한 결과를 달성하기 위해 예시적으로 도시된 순차적인 순서에 불과하며, 다른 추가적인 단계들이 제공되거나, 일부 단계가 삭제될 수 있음은 물론이다. As such, those skilled in the art will recognize that the present invention can be implemented in other specific embodiments without changing the technical spirit or essential features thereof. Therefore, it should be understood that the embodiments described above are merely exemplary and are not limitative in scope. In addition, the flowcharts shown in the drawings are merely sequential orders illustrated to achieve the most desirable results in practicing the present invention, and other additional steps may be provided or some steps may be omitted. .
본 명세서에서 기술한 기술적 특징과 이를 실행하는 구현물은 디지털 전자 회로로 구현되거나, 본 명세서에서 기술하는 구조 및 그 구조적인 등가물 등을 포함하는 컴퓨터 소프트웨어, 펌웨어 또는 하드웨어로 구현되거나, 이들 중 하나 이상의 조합으로 구현 가능하다. 또한 본 명세서에서 기술한 기술적 특징을 실행하는 구현물은 컴퓨터 프로그램 제품, 다시 말해 처리 시스템의 동작을 제어하기 위하여 또는 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령어에 관한 모듈로서 구현될 수도 있다. The technical features and implementations described herein may be embodied in digital electronic circuitry, implemented in computer software, firmware, or hardware, including the structures and structural equivalents described herein, or a combination of one or more of these. It can be implemented. An implementation that implements the technical features described herein is also a module relating to computer program instructions encoded on a program storage medium of tangible type for controlling or by the operation of a computer program product, ie a processing system. It may be implemented.
또한, 본 발명의 실시예의 방법의 전체 또는 일부는, 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 기록 매체의 형태로 구현될 수 있다. 여기에서, 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. In addition, all or part of the method of the embodiment of the present invention may be implemented in the form of a computer-executable recording medium such as a program module executed by the computer. Here, computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. In addition, computer readable media may include both computer storage media and communication media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
또한, 본 발명의 실시예에 따르는 방법의 전체 또는 일부는 컴퓨터에 의해 실행 가능한 명령어를 포함하며, 매체에 기록된 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다. In addition, all or part of the method according to the embodiment of the present invention includes instructions executable by a computer, and may be implemented as a computer program (or computer program product) recorded on a medium. The computer program includes programmable machine instructions processed by the processor and may be implemented in a high-level programming language, an object-oriented programming language, an assembly language, or a machine language. . The computer program may also be recorded on tangible computer readable media (eg, memory, hard disks, magnetic / optical media or solid-state drives, etc.).
따라서 본 발명의 실시예에 따르는 방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.Thus, a method according to an embodiment of the present invention may be implemented by executing a computer program as described above by a computing device. The computing device may include at least a portion of a processor, a memory, a storage device, a high speed interface connected to the memory and a high speed expansion port, and a low speed interface connected to the low speed bus and the storage device. Each of these components are connected to each other using a variety of buses and may be mounted on a common motherboard or otherwise mounted in a suitable manner.
한편, 본 명세서에서 "장치"나 "시스템"이라 함은 예를 들어, 프로세서, 컴퓨터 또는 다중 프로세서나 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 기구, 장치 및 기계를 모두 포함한다. 처리 시스템은, 하드웨어에 부가하여 예를 들어, 프로세서 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 제체 또는 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 모든 코드를 포함할 수 있다.As used herein, the term "apparatus" or "system" includes all the apparatus, apparatus, and machines for processing data, including, for example, a processor, a computer, or a multiprocessor or a computer. The processing system includes, in addition to hardware, all code that forms an execution environment for a computer program on demand, such as code constituting processor firmware, a protocol stack, a database management system, an operating system, or a combination of one or more thereof. can do.
프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트 또는 코드 등으로 알려진 컴퓨터 프로그램은 컴파일 되거나 해석된 언어 또는 선험적, 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 또는 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 구현될 수 있다. Computer programs, known as programs, software, software applications, scripts, or code, may be written in any form of programming language, including compiled or interpreted languages, or a priori or procedural languages. It may be implemented in any form, including other units suitable for use in a routine or computer environment.
한편, 본 명세서에 첨부된 도면에 도시된 블록도와 순서도에 포함된 본 발명의 기술적 특징을 실행하는 구성들은 상기 구성들 사이의 논리적인 경계를 의미한다. 그러나 소프트웨어나 하드웨어의 실시 예에 따르면, 도시된 구성들과 그 기능들은 독립형 소프트웨어 모듈, 모놀리식 소프트웨어 구조, 코드, 서비스 및 이들을 조합한 형태로 실행되며, 저장된 프로그램 코드, 명령어 등을 실행할 수 있는 프로세서를 구비한 컴퓨터에서 실행 가능한 매체에 저장되어 그 기능들이 구현될 수 있으므로 이러한 모든 실시 예 역시 본 발명의 권리범위 내에 속하는 것으로 보아야 할 것이다.On the other hand, the components for implementing the technical features of the present invention included in the block diagram and the flowchart shown in the drawings attached to this specification means a logical boundary between the components. However, according to an embodiment of the software or hardware, the illustrated configuration and its functions are executed in the form of stand-alone software modules, monolithic software structures, codes, services, and combinations thereof, and can execute stored program codes, instructions, and the like. All such embodiments should also be considered to be within the scope of the present invention, as the functions may be implemented by being stored in a computer executable processor.
따라서, 첨부된 도면과 그에 대한 기술은 본 발명의 기술적 특징을 설명하기는 하나, 이러한 기술적 특징을 구현하기 위한 소프트웨어의 특정 배열이 분명하게 언급되지 않는 한, 단순히 추론되어서는 안된다. 즉, 이상에서 기술한 다양한 실시 예들이 존재할 수 있으며, 그러한 실시 예들이 본 발명과 동일한 기술적 특징을 보유하면서 일부 변형될 수 있으므로, 이 역시 본 발명의 권리범위 내에 속하는 것으로 보아야 할 것이다. Accordingly, although the accompanying drawings and descriptions thereof illustrate technical features of the present invention, they should not be inferred simply unless the specific arrangement of software for implementing such technical features is clearly stated. That is, there may be various embodiments described above, and such embodiments may be modified in part while having the same technical features as the present invention, which should also be regarded as falling within the scope of the present invention.
또한, 순서도의 경우 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 가장 바람직한 결과를 얻기 위하여 도시된 것으로서, 도시된 특정한 순서나 순차적인 순서대로 그러한 동작들을 반드시 실행되어야 한다거나 모든 도시된 동작들이 반드시 실행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티 태스킹과 병렬 프로세싱이 유리할 수 있다. 아울러, 이상에서 기술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다.In addition, although flowcharts depict operations in the drawings in a particular order, they are shown to obtain the most desirable results, which must be performed in the specific order shown or in the sequential order shown or all illustrated actions must be executed. It should not be understood to be. In certain cases, multitasking and parallel processing may be advantageous. In addition, the separation of the various system components of the embodiments described above should not be understood as requiring such separation in all embodiments, and the described program components and systems are generally integrated together into a single software product or may be combined into multiple software products. It should be understood that it can be packaged.
이와 같이, 본 명세서는 그 제시된 구체적인 용어에 의해 본 발명을 제한하려는 의도가 아니다. 따라서, 이상에서 기술한 실시 예를 참조하여 본 발명을 상세하게 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 범위를 벗어나지 않으면서도 본 실시 예들에 대한 개조, 변경 및 변형을 가할 수 있다. As such, this specification is not intended to limit the invention by the specific terms presented. Thus, although the present invention has been described in detail with reference to the embodiments described above, those skilled in the art to which the present invention pertains without departing from the scope of the invention modifications, changes and Modifications can be made.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is shown by the following claims rather than the detailed description, and all changes or modifications derived from the meaning and scope of the claims and their equivalent concepts are included in the scope of the present invention. Should be.
Claims (14)
상기 변환된 파형 데이터의 스펙토그램(Spectrogram)으로부터 음성속성정보를 추출하는 음성속성 추출부;
사용자의 병력(medical history) 정보, 건강검진 정보 및 신경계 질환 위험도(risk) 중 적어도 하나와, 상기 추출된 음성속성정보를 이용하여 진단 모델을 동적으로 선택하는 동적 모델 선택부; 및
상기 사용자와 관련하여 이미 저장된 음성속성정보를 상기 선택된 진단모델에 적용하여, 상기 이미 저장된 음성속성정보와 상기 음성속성 추출부에서 추출된 음성속성정보의 시간에 따른 변화량을 이용하여 신경계 이상 여부를 진단하는 진단 처리부;를 포함하는 신경계 질환 관리를 위한 장치.A converter for converting an audio file into waveform data;
A voice attribute extraction unit for extracting voice attribute information from a spectrogram of the converted waveform data;
A dynamic model selection unit for dynamically selecting a diagnostic model using at least one of medical history information, health examination information, and risk of nervous system disease, and the extracted voice attribute information; And
By applying the voice attribute information already stored in relation to the user to the selected diagnostic model, diagnosing a neural system abnormality using the amount of change of the voice attribute information and the voice attribute information extracted by the voice attribute extractor over time. Diagnosis processing unit; Apparatus for managing the nervous system disease comprising a.
복수의 정상인의 음성속성정보, 복수의 환자의 음성속성정보를 머신러닝(machine learning) 기법 또는 딥러닝(Deep Learning) 기법으로 학습하여 신경계 이상 여부 진단을 위한 적어도 하나의 진단 모델을 생성하는 진단 모델 생성부를 더 포함하는 신경계 질환 관리를 위한 장치.The method of claim 1,
A diagnostic model for generating at least one diagnostic model for diagnosing a nervous system abnormality by learning voice attribute information of a plurality of normal people and voice attribute information of a plurality of patients by machine learning or deep learning. Apparatus for managing neurological disease further comprising a generator.
복수의 환자의 음성속성정보 변화량을 머신러닝 기법 또는 딥러닝 기법으로 학습하여 신경계 이상 치료 효과를 예측하기 위한 적어도 하나의 치료효과 예측모델을 생성하는 치료효과 예측모델 생성부를 더 포함하는 신경계 질환 관리를 위한 장치.The method of claim 1,
Nervous system disease management further comprising a treatment effect prediction model generation unit for generating at least one treatment effect prediction model for predicting the neurological disorder treatment effect by learning the amount of voice attribute information changes of a plurality of patients by machine learning or deep learning techniques Device for.
상기 진단 처리부는, 동일 사용자의 이전 음성속성정보의 존재 여부를 판단하여, 존재하는 경우 이전 음성속성정보와 상기 추출된 음성속성정보의 시간에 따른 변화량을 계산하고, 상기 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하며, 존재하지 않은 경우 상기 추출된 음성속성정보를 진단모델에 적용하여 신경계 이상 여부를 진단하는 것을 특징으로 하는 신경계 질환 관리를 위한 장치.The method of claim 1,
The diagnosis processor determines whether the previous voice property information of the same user exists, calculates a change amount according to time of the previous voice property information and the extracted voice property information, if present, and treats the calculated voice property change amount. Apparatus for managing the neurological disease, characterized in that the prediction of the treatment effect by applying to the effect prediction model, and if it does not exist by applying the extracted voice attribute information to the diagnostic model to diagnose the nervous system abnormalities.
상기 음성속성정보를 상기 진단모델 선택정보에 해당하는 진단모델에 적용하여 해당 사용자의 신경계 이상 여부를 진단하는 진단서버;를 포함하며,
상기 사용자 장치는, 음성 파일을 파형 데이터로 변환하는 변환부;
상기 변환된 파형 데이터의 스펙토그램(Spectrogram)으로부터 음성속성정보를 추출하는 음성속성 추출부;
사용자의 병력(medical history) 정보, 건강검진 정보 및 신경계 질환 위험도(risk) 중 적어도 하나와, 상기 추출된 음성속성정보를 이용하여 진단 모델을 동적으로 선택하는 동적 모델 선택부; 및
상기 사용자와 관련하여 이미 저장된 음성속성정보를 상기 선택된 진단모델에 적용하여, 상기 이미 저장된 음성속성정보와 상기 음성속성 추출부에서 추출된 음성속성정보의 시간에 따른 변화량을 이용하여 신경계 이상 여부를 진단하는 진단 처리부;를 포함하는 것을 특징으로 하는 신경계 질환 관리를 위한 시스템.A user device for converting a voice file into waveform data to extract voice attribute information, select a diagnostic model, and transmit a diagnostic request signal including voice attribute information and diagnostic model selection information to a management server; And
And a diagnostic server for diagnosing a neural system abnormality of a corresponding user by applying the voice attribute information to a diagnosis model corresponding to the diagnosis model selection information.
The user device includes a conversion unit for converting a voice file into waveform data;
A voice attribute extraction unit for extracting voice attribute information from a spectrogram of the converted waveform data;
A dynamic model selection unit for dynamically selecting a diagnostic model using at least one of medical history information, health examination information, and risk of nervous system disease, and the extracted voice attribute information; And
By applying the voice attribute information already stored in relation to the user to the selected diagnostic model, diagnosing a neural system abnormality using the amount of change of the voice attribute information and the voice attribute information extracted by the voice attribute extractor over time. Diagnosis processing unit; System for managing the nervous system disease, characterized in that it comprises a.
상기 진단서버는, 상기 사용자 장치로부터 진단요청신호가 수신되면, 동일 사용자의 이전 음성속성정보의 존재 여부를 판단하고, 존재하는 경우 이전 음성속성정보와 상기 음성속성정보의 시간에 따른 변화량을 계산하고, 상기 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하며, 존재하지 않은 경우 상기 음성속성정보를 진단모델에 적용하여 신경계 이상 여부를 진단하는 것을 특징으로 하는 신경계 질환 관리를 위한 시스템.The method of claim 5,
When the diagnostic server receives a diagnostic request signal from the user device, the diagnostic server determines whether the previous voice property information of the same user exists, and calculates a change amount according to time of the previous voice property information and the voice property information, if present. For predicting the treatment effect by applying the calculated voice attribute change to the treatment effect prediction model, and if it does not exist, applying the voice attribute information to the diagnosis model to diagnose the abnormalities of the nervous system. system.
상기 진단서버는, 복수의 정상인의 음성속성정보, 복수의 환자의 음성속성정보를 머신러닝(machine learning) 기법 또는 딥러닝(Deep Learning) 기법으로 학습하여 신경계 이상 여부 진단을 위한 적어도 하나의 진단 모델을 생성하는 것을 특징으로 하는 신경계 질환 관리를 위한 시스템.The method of claim 5,
The diagnosis server may be configured to learn voice property information of a plurality of normal people and voice property information of a plurality of patients by machine learning or deep learning to at least one diagnostic model for diagnosing a nervous system abnormality. System for the management of diseases of the nervous system, characterized in that for generating.
상기 진단서버는, 복수의 환자의 음성속성정보 변화량을 머신러닝 기법 또는 딥러닝 기법으로 학습하여 신경계 이상 치료 효과를 예측하기 위한 적어도 하나의 치료효과 예측모델을 생성하는 것을 특징으로 하는 신경계 질환 관리를 위한 시스템.The method of claim 5,
The diagnosis server may be configured to learn at least one treatment effect predictive model for predicting a neurological disorder treatment effect by learning the amount of change in voice attribute information of a plurality of patients by a machine learning technique or a deep learning technique. System.
음성 파일을 파형 데이터로 변환하는 단계;
상기 변환된 파형 데이터의 스펙토그램(Spectrogram)으로부터 음성속성정보를 추출하는 단계;
사용자의 병력(medical history) 정보, 건강검진 정보 및 신경계 질환 위험도(risk) 중 적어도 하나와, 상기 추출된 음성속성정보를 이용하여 진단 모델을 동적으로 선택하는 단계; 및
상기 사용자와 관련하여 이미 저장된 음성속성정보를 상기 선택된 진단모델에 적용하여, 상기 이미 저장된 음성속성정보와 상기 음성속성 추출부에서 추출된 음성속성정보의 시간에 따른 변화량을 이용하여 신경계 이상 여부를 진단하는 단계;를 포함하는 신경계 질환 관리를 위한 방법.In the device for the management of neurological disease,
Converting the voice file into waveform data;
Extracting voice attribute information from a spectrogram of the converted waveform data;
Dynamically selecting a diagnostic model using at least one of medical history information, health examination information, and risk of nervous system disease, and the extracted voice attribute information; And
By applying the voice attribute information already stored in relation to the user to the selected diagnostic model, diagnosing a neural system abnormality using the amount of change of the voice attribute information and the voice attribute information extracted by the voice attribute extractor over time. A method for the management of diseases of the nervous system comprising;
상기 진단하는 단계는,
동일 사용자의 이전 음성속성정보의 존재 여부를 판단하는 단계;
상기 존재 여부의 판단결과, 존재하는 경우 이전 음성속성정보와 상기 추출된 음성속성정보의 시간에 따른 변화량을 계산하고, 상기 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하며, 존재하지 않은 경우 상기 추출된 음성속성정보를 진단모델에 적용하여 신경계 이상 여부를 진단하는 단계를 포함하는 것을 특징으로 하는 신경계 질환 관리를 위한 방법.The method of claim 10,
The diagnosing step is
Determining whether there is a previous voice attribute information of the same user;
As a result of the determination of the existence, if present, the amount of change over time of the previous voice attribute information and the extracted voice attribute information is calculated, and the calculated voice attribute change is applied to the treatment effect prediction model to predict the treatment effect. If not present, applying the extracted voice attribute information to a diagnostic model to diagnose neural system abnormalities.
상기 사용자 장치는 상기 사용자의 병력(medical history) 정보, 건강검진 정보 및 신경계 질환 위험도(risk) 중 적어도 하나와, 상기 추출된 음성속성정보를 이용하여 진단 모델을 동적으로 선택하는 단계;
상기 사용자 장치는 음성속성정보 및 진단모델 선택정보를 포함하는 진단요청신호를 진단서버로 전송하는 단계;
상기 진단서버는 사용자와 관련하여 이미 저장된 음성속성정보를 상기 선택된 진단모델에 적용하여, 상기 이미 저장된 음성속성정보와 상기 음성속성 추출부에서 추출된 음성속성정보의 시간에 따른 변화량을 이용하여 신경계 이상 여부를 진단하는 단계; 및
상기 진단서버는 진단결과를 해당 사용자에게 제공하는 단계;를 포함하는 신경계 질환 관리를 위한 방법.Converting a voice file into waveform data and extracting voice attribute information from a spectrogram of the converted waveform data;
The user device dynamically selecting a diagnostic model using at least one of medical history information, health examination information, and risk of nervous system disease, and the extracted voice attribute information;
The user device transmitting a diagnostic request signal including voice attribute information and diagnostic model selection information to a diagnostic server;
The diagnosis server applies the voice attribute information already stored in relation to the user to the selected diagnostic model, and uses the already stored voice attribute information and the change amount of the voice attribute information extracted by the voice attribute extractor over time to cause nervous system abnormalities. Diagnosing whether or not; And
The diagnostic server provides a diagnostic result to the user; Method for managing a nervous system disease comprising a.
상기 진단하는 단계는,
동일 사용자의 이전 음성속성정보의 존재 여부를 판단하는 단계;
상기 존재 여부의 판단결과, 존재하는 경우 이전 음성속성정보와 상기 추출된 음성속성정보의 시간에 따른 변화량을 계산하고, 상기 계산된 음성속성 변화량을 치료효과 예측모델에 적용하여 치료효과를 예측하며, 존재하지 않은 경우 상기 추출된 음성속성정보를 진단모델에 적용하여 신경계 이상 여부를 진단하는 단계를 포함하는 것을 특징으로 하는 신경계 질환 관리를 위한 방법.The method of claim 12,
The diagnosing step is
Determining whether there is a previous voice attribute information of the same user;
As a result of the determination of the existence, if present, the amount of change over time of the previous voice attribute information and the extracted voice attribute information is calculated, and the calculated voice attribute change is applied to the treatment effect prediction model to predict the treatment effect. If not present, applying the extracted voice attribute information to a diagnostic model to diagnose neural system abnormalities.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170079227A KR102015473B1 (en) | 2017-06-22 | 2017-06-22 | Management System for Treatment of Neurological Disorder and Method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170079227A KR102015473B1 (en) | 2017-06-22 | 2017-06-22 | Management System for Treatment of Neurological Disorder and Method thereof |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190000194A KR20190000194A (en) | 2019-01-02 |
| KR102015473B1 true KR102015473B1 (en) | 2019-08-28 |
Family
ID=65021473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170079227A KR102015473B1 (en) | 2017-06-22 | 2017-06-22 | Management System for Treatment of Neurological Disorder and Method thereof |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102015473B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023017889A1 (en) * | 2021-08-10 | 2023-02-16 | 충북대학교병원 | Method and device for diagnosing acute ischaemic stroke using 3d-cnn-based deep-learning model |
| WO2024014618A1 (en) * | 2022-07-15 | 2024-01-18 | 에스케이텔레콤 주식회사 | Method and apparatus for diagnosing voice disorder using pitch tremor feature |
| EP4101370A4 (en) * | 2020-03-05 | 2024-03-06 | Catholic Univ Korea Ind Academic Cooperation Foundation | Apparatus for diagnosing disease causing voice and swallowing disorders and method for diagnosing same |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102399118B1 (en) * | 2019-10-28 | 2022-05-17 | 주식회사 인포쉐어 | A smart device with an application for diagnosing Parkinson's disease installed |
| EP3985679A1 (en) * | 2020-10-19 | 2022-04-20 | Deepc GmbH | Technique for providing an interactive display of a medical image |
| KR102647385B1 (en) * | 2021-06-07 | 2024-03-14 | 이화여자대학교 산학협력단 | Apparatus for predicting swallowing disorder by analyzing voice patterns based on artificial intelligence and method for same |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101894390B1 (en) * | 2011-02-28 | 2018-09-04 | 삼성전자주식회사 | Apparatus and method diagnosing health using voice |
| KR101993716B1 (en) * | 2012-09-28 | 2019-06-27 | 삼성전자주식회사 | Apparatus and method for diagnosing lesion using categorized diagnosis model |
| KR101602033B1 (en) | 2014-01-13 | 2016-03-09 | 울산대학교 산학협력단 | Apparatus for monitoring patients with epilepsy using the mobile communication terminal and method thereof |
| KR20170023770A (en) * | 2014-06-25 | 2017-03-06 | 삼성전자주식회사 | Diagnosis model generation system and method |
-
2017
- 2017-06-22 KR KR1020170079227A patent/KR102015473B1/en active IP Right Grant
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4101370A4 (en) * | 2020-03-05 | 2024-03-06 | Catholic Univ Korea Ind Academic Cooperation Foundation | Apparatus for diagnosing disease causing voice and swallowing disorders and method for diagnosing same |
| WO2023017889A1 (en) * | 2021-08-10 | 2023-02-16 | 충북대학교병원 | Method and device for diagnosing acute ischaemic stroke using 3d-cnn-based deep-learning model |
| WO2024014618A1 (en) * | 2022-07-15 | 2024-01-18 | 에스케이텔레콤 주식회사 | Method and apparatus for diagnosing voice disorder using pitch tremor feature |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190000194A (en) | 2019-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102015473B1 (en) | Management System for Treatment of Neurological Disorder and Method thereof | |
| US11017902B2 (en) | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud | |
| KR101880678B1 (en) | System for interpreting medical images through machine learnings | |
| KR102015469B1 (en) | Management System for Treatment of Neurological Disorder and Method thereof | |
| US20180150609A1 (en) | Server and method for predicting future health trends through similar case cluster based prediction models | |
| JP6909078B2 (en) | Disease onset prediction device, disease onset prediction method and program | |
| CN109310317A (en) | System and method for automated medicine diagnosis | |
| JP2018524137A (en) | Method and system for assessing psychological state | |
| CN108604465B (en) | Prediction of Acute Respiratory Disease Syndrome (ARDS) based on patient physiological responses | |
| WO2014033681A2 (en) | Modeling techniques for predicting mortality in intensive care units | |
| EP3599616A1 (en) | System and method for providing a medical data structure for a patient | |
| US20220122735A1 (en) | System and method for processing human related data including physiological signals to make context aware decisions with distributed machine learning at edge and cloud | |
| JP2021097988A5 (en) | ||
| Gerdes et al. | Conceptualization of a personalized ecoach for wellness promotion | |
| KR20210054975A (en) | AI-based ECG reading system | |
| KR20230002513A (en) | User's health prediction by monitoring of portable monitoring device | |
| Czabanski et al. | Fuzzy analysis of delivery outcome attributes for improving the automated fetal state assessment | |
| Islam et al. | Predictive analysis for risk of stroke using machine learning techniques | |
| Côté-Allard et al. | Long–short ensemble network for bipolar manic-euthymic state recognition based on wrist-worn sensors | |
| WO2016006042A1 (en) | Data analysis device, control method for data analysis device, and control program for data analysis device | |
| KR20130104882A (en) | Apparatus and method for predictiing coronary artery calcification risk | |
| KR20130104883A (en) | Apparatus and method for prediction of cac score level change | |
| KR20220157330A (en) | Method for predicting dementia by incubation period based on machine learning and apparatus implementing the same method | |
| CN115547483A (en) | Remote monitoring method and system for monitoring patients suffering from chronic inflammatory diseases | |
| JP2024513618A (en) | Methods and systems for personalized prediction of infections and sepsis |
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 |