KR102057047B1

KR102057047B1 - 질병 예측 장치 및 이를 이용한 질병 예측 방법

Info

Publication number: KR102057047B1
Application number: KR1020190023424A
Authority: KR
Inventors: 김선호
Original assignee: 한국과학기술정보연구원
Priority date: 2019-02-27
Filing date: 2019-02-27
Publication date: 2019-12-18
Also published as: US20200268270A1; US11751795B2

Abstract

본 발명은, 딥러닝 학습을 통해 바이오 시그널을 통해 질병을 판단하기 위하여 바이오 시그널의 학습과 진단이 용이하며, 실시간으로 분석이 가능한 질병 예측 장치 및 이를 이용한 질병 예측 방법에 관한 것이다.

Description

질병 예측 장치 및 이를 이용한 질병 예측 방법{Apparatus and Method for Predicting of Disease}

본 발명은, 질병 예측 장치 및 이를 이용한 질병 예측 방법에 관한 것으로

보다 구체적으로는 바이오 시그널을 통해 질병을 판단하는 기술에 관한 것이다.

생체신호를 이용하여 인체의 다양한 건강 상태를 측정하는 기술이 연구되고 있다.

생체신호는 예를 들어 뇌전도(Electroencephalogram_EEG-뇌파), 근전도(electromyogram_EMG), 심전도 (Electrocardiography_ECG) 등을 포함할 수 있다. 그 중 뇌전도는 대뇌 피질에 자극이 가해지면 신경세포 사이 에 이온화된 전류가 흐르면서 전기장과 자기장이 형성되고, 두피에 부착한 전극을 통해 미세한 전위 변화를 측 정하여 얻어지는 파형을 이른다. 일반적으로, 뇌전도는 0~100+Hz 주파수 대역에 분포되고, 전위 변화가 수 십 ㎶ 정도이므로 전위 변화분을 증폭시켜 뇌전도로서 기록하고 있다.

이렇게 측정된 생체신호를 학습하여 질병을 측정하는 기술을 예를 들어 인공지능을 이용한 기계 학습 기술이 있다. 구체적으로, 인공 지능을 이용한 기계 학습 기술은 인공지능을 이용하여 측정된 생체신호인 바이오 시그널을 학습하고, 학습을 기초로 측정자의 질병 유무를 판단할 수 있다.

그러나, 인공 지능을 이용한 기계 학습 기술은 측정된 생체 신호를 어떠한 방법을 통해 질병인 생체신호와 비 질병인 생체신호로 진단하는지, 진단하는 단계 등이 노출되지 않는다. 따라서, 측정된 생체 신호를 통해 측정자의 질병 유무 진단의 설명이 요구되는 의료 진단에 적합하지 않는 문제점이 있었다.

또한, 기계 학습 기술을 통한 학습 및 진단은 계산 복잡도가 높고, 실시간으로 분석이 어려우며 바이오 시그널 데이터의 모델링 및 가시화 기능이 없다는 문제점이 있었다.

김선호 외 2명, Wave2Vec: Vectorizing Electroencephalography Bio-Signal for Prediction of Brain Disease, International Journal of Environmental Research and Public Health, 2018년 8월 15일

본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 도달하고자 하는 목적은, 질병 판단을 위해 바이오 시그널의 학습이 용이하고, 학습된 바이오 시그널을 기초로 질병 판단을 위한 바이오 시그널의 실시간 분석이 가능한 질병 예측 장치 및 이를 이용한 질병 예측 방법을 제공하는데 있다.

상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 질병 예측 장치는, 학습 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원의 벡터로 표현한 벡터 테이블을 획득하는 벡터 테이블 획득부, 상기 N차원의 벡터를 합하여 학습 가능한 학습 벡터를 추출하는 추출부 및 특정인의 바이오 시그널에서 추출된 특정인 벡터를 상기 학습 벡터와 비교하여 상기 특정인의 질병을 예측하는 예측부를 포함하는 것을 특징으로 한다.

구체적으로, 상기 벡터 테이블 획득부는, 상기 특정인의 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원 벡터로 표현한 특정인 벡터 테이블을 획득하며, 상기 추출부는, 상기 특정인 벡터 테이블에서의 상기 N차원 벡터를 합하여 상기 특정인 벡터를 추출하고, 상기 예측부는, 상기 학습 벡터와 상기 특정인 벡터 사이를 비교하여 상기 특정인의 질병을 예측하는 것을 특징으로 한다.

구체적으로, 상기 학습 벡터와 상기 특정인 벡터 사이 각도를 기초로 상기 특정인의 질병을 예측하는 것을 특징으로 한다.

구체적으로, 상기 학습 벡터는, 질병인 학습 벡터와 정상인 학습 벡터를 포함하는 것을 특징으로 한다.

구체적으로, 상기 예측부는, 상기 특정인 벡터와 상기 정상인 학습 벡터 사이의 각도가 상기 특정인 벡터와 상기 질병인 학습 벡터 사이의 각도 보다 큰 경우 상기 특정인이 질병이 있는 것으로 예측하는 것을 특징으로 한다.

구체적으로, 상기 벡터 테이블 획득부는, 상기 특정인 바이오 시그널이 입력되는 현재시간을 기초로 임의 시간 이전의 시간부터 상기 현재시간까지의 상기 특정인 바이오 시그널을 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원 벡터로 표현한 시간별 특정인 벡터 테이블을 획득하며, 상기 추출부는, 상기 시간별 특정인 벡터 테이블에서의 상기 N차원 벡터를 합하여 시간별 특정인 벡터를 추출하고, 상기 예측부는, 시간에 따라 상기 시간별 특정인 벡터가 상기 학습 벡터 사이의 각도가 기 설정된 임계각도보다 가까워지는지 여부를 비교하는 것을 특징으로 한다.

구체적으로, 상기 실시간 특정인 벡터는, 상기 현재시간과 상기 이전의 시간 사이에서 상기 질병인 학습 벡터와 상기 정상인 학습 벡터 사이에서 진동하며, 상기 예측부는, 상기 현재시간과 상기 이전의 시간 사이에서 상기 실시간 특정인 벡터와 상기 질병인 학습 벡터 사이의 거리가 상기 실시간 특정인 벡터와 상기 정상인 학습 벡터 사이의 거리보다 인접한 경우 상기 특정인이 질병이 있는 것으로 예측하는 것을 특징으로 한다.

구체적으로, 상기 학습 바이오 시그널 및 상기 특정인 바이오 시그널을 기 설정된 조건에 따라 일정 단위 크기로 분할하는 단위 결정부, 상기 일정 단위 각각에 기호를 부여하는 기호 결정부를 더 포함하는 것을 특징으로 한다.

구체적으로, 상기 단위 크기가 증가할수록 상기 기호의 수가 증가하는 것을 특징으로 한다.

한편, 본 발명의 일 실시예에 따른 질병 예측 방법은, 학습 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원의 벡터로 표현한 벡터 테이블을 획득하고, 상기 N차원의 벡터를 합하여 학습 가능한 학습 벡터를 추출하는 단계, 특정인의 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원의 벡터로 표현한 특정인 벡터 테이블을 획득하고, 상기 N차원의 벡터를 합하여 특정인 벡터를 추출하는 단계 및 상기 학습 벡터와 상기 특정인 벡터를 비교하여 상기 특정인의 질병을 예측하는 단계를 포함하는 것을 특징으로 한다.

구체적으로, 상기 학습 벡터와 상기 특정인 벡터를 비교하여 상기 특정인의 질병을 예측하는 단계는, 상기 학습 벡터와 상기 특정인 벡터 사이 각도를 기초로 상기 특정인의 질병을 예측하는 것을 특징으로 한다.

구체적으로, 상기 학습 벡터를 추출하는 단계는, 질병인 학습 벡터와 정상인 학습 벡터를 추출하는 단계를 포함하는 것을 특징으로 한다.

구체적으로, 상기 학습 벡터와 상기 특정인 벡터를 비교하여 상기 특정인의 질병을 예측하는 단계는, 상기 특정인 벡터와 상기 정상인 학습 벡터 사이의 각도가 상기 특정인 벡터와 상기 질병인 학습 벡터 사이의 각도 보다 큰 경우 상기 특정인이 질병이 있는 것으로 예측하는 것을 특징으로 한다.

본 발명의 질병 예측 장치 및 이를 이용한 질병 예측 방법은, 바이오 시그널을 기호화하고, 기호화된 바이오 시그널을 벡터로 표현할 수 있다. 질병 예측 장치는 벡터로 표현된 바이오 시그널을 학습하여 질병을 예측할 수 있다. 이로 인해, 바이오 시그널을 학습하는 딥러닝 장치의 학습 매체가 보다 단순화될 수 있는 장점이 있다.

또한, 벡터화된 정상인의 바이오 시그널과, 벡터화된 질병인의 바이오 시그널을 학습하고, 벡터화된 특정인의 바이오 시그널이 벡터화된 정상인의 바이오 시그널과, 벡터화된 질병인의 바이오 시그널 중 어느 벡터와 인접한지 여부를 판단하여 특정인의 질병을 확인할 수 있으므로, 특정인의 질병 예측 여부를 가시적으로 확인할 수 있는 장점이 있다.

또한, 바이오 시그널이 입력되는 현재 시간을 기초로 임의 시간 이전의 시간부터 현재 시간까지의 바이오 시그널을 벡터화할 수 있다. 특히, 질병인, 정상인 및 특정인의 바이오 시그널을 현재 시간을 기초로 임의 시간 이전의 시간부터 현재 시간까지의 벡터화하고, 벡터화된 질병인 바이오 시그널, 벡터화된 정상인 바이오 시그널 및 벡터화된 특정인 바이오 시그널 사이의 각도를 비교하여 벡터화된 특정인 바이오 시그널이 어느 벡터와 인접한지 여부를 실시간으로 확인할 수 있는 장점이 있다.

도 1은 본 발명의 일 실시예에 따른 질병 예측 장치의 계략적인 구성도이다.
도 2는 본 발명의 일 실시예에 따른 바이오 시그널을 복수의 기호로 표현하는 과정을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 벡터화된 바이오 시그널을 도시한 도면이다.
도 4 및 도 5는 본 발명의 일 실시예에 따른 질병 예측 방법을 설명하기 위한 흐름도이다.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시예에 대하여 설명한다.

도면을 설명하기 앞서, 본 발명의 일 실시예에서 설명되는 질병은 치매인 예를 들어 설명하지만, 치매 이외의 신체 전반의 질병을 측정, 예측할 수 있음은 물론이다.

또한, 본 발명의 일 실시예에서 설명되는 바이오 시그널은 뇌전도(이하 뇌파), 심전도파 등 중 어느 하나가 될 수 있으며, 바이오 시그널의 종류에 의해 본 발명이 제한되는 것은 아니다.

또한, 본 발명의 실시예에서 설명되는 질병 예측 장치는 딥러닝 학습이 가능한 인공 지능 장치 중 하나를 예를 들어 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 질병 예측 장치의 계략적인 구성도이고, 도 2는 본 발명의 일 실시예에 따른 바이오 시그널을 복수의 기호로 표현하는 과정을 도시한 도면이며, 도 3은 본 발명의 일 실시예에 따른 벡터화된 바이오 시그널을 도시한 도면이다.

도면의 구체적인 설명에 앞서, 딥러닝 기술은 사물이나 데이터를 군집화하거나 분류하는데 사용하는 기술이다. 특히, 기계 학습이란 기계가 데이터를 해석하여 자동으로 최적의 특징량을 찾아내는 것을 의미한다. 이러한 기계 학습은 최적의 특징을 찾아내는데 정확도가 매우 높다는 장점이 있다.

그러나, 기계 학습 기술은 바이오 시그널을 학습하여 특정 바이오 시그널이 질병인 바이오 시그널인지, 정상인 바이오 시그널인지 여부를 판단하는 의료 진단 장치에 적합하지 않은 기술이다.

구체적으로, 기계 학습 기술은 바이오 시그널을 어떠한 방법을 통해 학습하고, 어떠한 기준으로 입력된 바이오 시그널이 질병인 및 정상인지 여부를 판단하는 기준이 노출되지 않는다. 따라서, 바이오 시그널에 따라 질병인 여부를 판단하기 위한 기준이 명확하지 않으므로, 기계 학습 기술은 의료 진단 기계에 적합하지 않는다는 문제점이 있다.

이에, 본 발명의 일 실시예에서는, 딥러닝 기술인 기계 학습을 통해 뇌파, 심전 도 등의 바이오 시그널을 학습할 수 있으며, 학습된 정보를 통해 치매 등의 질병 가능성을 예측할 수 있는 질병 예측 장치 및 이를 이용한 질병 예측 방법을 제안하고자 한다.

구체적으로 도 1을 참고하면, 본 발명이 적용되는 질병 예측 장치(10)는, 벡터 테이블 획득부(120), 추출부(130), 예측부(140)를 포함한다.

벡터 테이블 획득부(120)는 학습 가능한 학습 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 복수의 기호 각각을 N차원의 벡터로 표현한 벡터 테이블을 획득하는 구성이다.

구체적으로, 질병 예측 장치에 학습 가능한 학습 바이오 시그널이 입력된다. 이때, 질병 예측 장치는 입력된 학습 바이오 시그널을 그대로 학습하지 않고, 보다 단순화하여 학습할 수 있다.

이를 위해, 학습 바이오 시그널(도 2의 (a) 참고)이 질병 예측 장치에 입력되면, 일정 시간 및 조건에 따라 학습 바이오 시그널을 분할하여 패턴화 할 수 있다(도 2의 (b) 참고).

이때, 학습 바이오 시그널을 분할하는 조건은 측정되는 바이오 시그널의 종류, 예측하고자 하는 질병의 종류 등에 따라 다양한 조건 중 어느 하나일 수 있으며, 본 발명의 일 실시예에서는 일정 시간에 따라 분할하는 예를 들어 설명하기로 한다.

또한, 일정 시간 및 조건에 따라 분할된 학습 바이오 시그널은 다양한 패턴으로 표현될 수 있으며, 패턴은 선, 도형 등 다양한 패턴 중 어느 하나일 수 있다.

분할되어 패턴화된 학습 바이오 시그널의 각각의 패턴은 기호로 표현될 수 있다(도 2의 (c) 참고). 각각의 기호는 숫자, 글자 및 숫자와 글자의 조합 중 어느 하나가 될 수 있으며, 이하 본 발명의 실시예에서는 숫자와 영문 글자의 조합으로 이루어진 것을 예를 들어 설명하기로 한다.

이와 같이 기호화된 학습 바이오 시그널의 각각의 기호는 N차원의 벡터로 표현될 수 있다. N차원의 벡터란 예를 들어 각 기호가 3차원의 벡터로 표현되는 경우, 기호 A는 (0, 1, 0)으로 표현되는 것을 의미한다. 이때, 벡터의 성분은 측정/예측하고자 하는 질병의 종류나, 학습 바이오 시그널을 분할하는 조건 등에 따라 설정할 수 있으며, 이하 본 발명에서는 각 기호가 N개의 성분을 가진 200차원인 경우를 예를 들어 설명하기로 한다.

이렇게 기호화된 학습 바이오 시그널 각각의 기호를 N차원의 벡터로 표현하여 획득한 벡터 집합을 벡터 테이블이라 할 수 있다.

다시 말해 질병을 측정/예측하기 위해 질병 예측 장치에 입력된 학습 바이오 시그널을 분할하고, 분할된 각 시그널을 패턴화한 뒤, 패턴화된 각 시그널을 기호로 표현하고, 각 기호를 N차원 벡터로 표현하여 벡터 집합으로 표현한 벡터 테이블을 획득할 수 있다.

이와 같이 바이오 시그널을 벡터화함에 따라 학습할 데이터를 단순화할 수 있다. 따라서, 딥러닝 장치가 데이터를 학습하는 학습 시간을 최소화하고, 딥러닝 장치의 학습 효율을 최대화할 수 있다.

더욱이, 학습하는 과정이 가시화될 수 있다. 즉, 바이오 시그널을 조건에 따라 기호화하고, 기호를 벡터화한 뒤, 벡터를 학습하기 때문에 데이터를 학습하는 전 과정이 가시화될 수 있다. 따라서, 바이오 시그널을 이용하여 질병 유무 진단 여부를 설명하는데 용이하다는 장점이 있다.

학습 바이오 시그널에서 벡터 테이블을 획득하면 추출부(130)에서 학습 벡터를 추출할 수 있다. 구체적으로 추출부(130)는 N차원의 벡터를 합하여 학습 가능한 학습 벡터를 추출할 수 있다.

앞서 설명한 바와 같이, 학습 바이오 시그널은 복수의 기호로 표현되고, 복수의 기호 각각은 N개의 성분을 가진 N차원 벡터로 표현될 수 있다. 이러한 복수의 기호 각각의 N차원 벡터 성분을 모두 합하여 학습 벡터를 추출하게 된다.

예컨대 기호화된 학습 바이오 시그널이 "?14C512EEEB?"이고, 기호 1은 벡터 1-(0, 0, 1), 기호 A는 벡터 2-(0, 1, 0), 기호 B는 벡터 3-(1, 0, 0) 등이라 가정할 경우, 추출부(130)에서는 각 기호의 벡터 성분끼리의 합인 (0, 0, 1)+(0, 1, 0)+(1, 0, 0)?을 구한다.

이와 같이 N차원의 벡터를 모두 합하면 특정 방향으로 향하는 학습 벡터가 추출될 수 있다. 추출된 학습 벡터는 특정인의 바이오 시그널에서 추출한 특정인 벡터가 질병인인지 정상인인지를 예측할 수 있는 기준이 될 수 있다.

추출부(130)에서 학습 벡터를 추출하면, 예측부(140)에서 추출된 학습 벡터와 질병 예측 장치에 입력되는 특정인의 바이오 시그널에서 앞서 방식과 동일한 방식으로 추출한 특정인 벡터와 비교하여 특정인의 질병을 예측할 수 있다.

이때, 특정인 벡터는 학습 벡터와 동일하지 않을 수 있다. 즉, 학습 바이오 시그널과 특정인 바이오 시그널이 동일하지 않은 바이오 시그널이므로, 추출한 각각의 학습 벡터와 특정인 벡터는 동일한 벡터가 아니다. 그러나, 학습 벡터를 기준으로 특정인 벡터가 학습 벡터와 인접 여부를 판단할 수 있으며, 특정인 벡터가 학습 벡터와 인접할 경우 특정인의 바이오 시그널이 학습 바이오 시그널과 유사하다고 예측할 수 있다.

예컨대, 특정인 질병을 예측하기 위해 학습 벡터와 특정인 벡터 사이의 각도를 측정할 수 있다. 학습 벡터와 특정인 벡터 사이의 각도가 특정 임계각도 이하인 경우 학습 벡터와 특정인 벡터 사이가 인접하다고 판단하고, 특정인의 바이오 시그널이 학습 바이오 시그널과 유사하다고 예측할 수 있다.

한편, 학습 바이오 시그널과 특정인의 바이오 시그널에서 학습 벡터 및 특정인 벡터를 추출하기 위해서 학습 바이오 시그널과 특정인 바이오 시그널을 일정 단위 크기로 분할해야 한다.

이를 위해, 질병 예측 장치는 바이오 시그널을 일정 단위로 분할하는 단위 결정부(160)와 일정 단위 각각에 기호를 부여할 수 있는 기호 결정부(150)를 더 포함할 수 있다.

이때, 바이오 시그널을 기호화하는 과정에서 바이오 시그널을 일정 단위 크기 증가에 따라 기호의 수가 증가할 수 있다.

일반적으로 바이오 시그널은 좌표 0에 인접하여 주로 분포한다. 따라서, 좌표 0에 인접한 바이오 시그널을 보다 구체적으로 분할할 수 있다. 이에 따라 데이터의 대부분인 좌표 0에 가까운 데이터에 보다 많은 수의 기호가 부여되어 많은 수로의 기호화가 될 수 있고, 좌표 0에서 벗어난 데이터는 적은 수의 기호가 부여되어 적은 수로의 기호화가 될 수 있다.

구체적으로 도 2 (b)의 영역 B를 참고하면, 좌표 0에 인접할수록 너비의 폭 변화가 조밀하게 표현되고, 좌표 0에서 벗어날수록 너비의 폭 변화가 크게 표현되어 있다. 앞서 설명한 바와 같이 바이오 시그널이 대체적으로 좌표 0에서 인접하게 분포되어 있으므로, 데이터의 대부분을 차지하는 좌표 0에 가까운 데이터에 많은 기호화가 이루어질 수 있도록 하기 위함이다.

이를 위해, 전체 바이오 시그널에 대한 사전 통계 분석이 필요하다. 즉, 바이오 시그널에 대한 정규 분포를 확인해야 하면, 정규 분포를 확인하면 바이오 시그널을 분할하는 단위 간격을 결정할 수 있다. 이러한 사전 통계 분석에 의해 바이오 시그널을 분할하는 단위 간격은 바이오 시그널의 종류, 바이오 시그널을 측정하는 장비(예: 센서의 해상도 등) 등에 의해 달라질 수 있으며, 바이오 시그널을 측정하는 실험자의 실험을 통해 최적의 변수를 결정할 수 있다.

이와 같이 추출된 학습 벡터와 특정인 벡터를 중심으로 하기에서 특정인의 질병을 예측하는 과정을 살펴보기로 한다.

구체적인 설명에 앞서, 앞선 과정으로 학습 벡터를 추출할 때, 학습 바이오 시그널은 질병인 바이오 시그널과 정상인 바이오 시그널에서 질병인 학습 벡터(A)와 정상인 학습 벡터(N)를 추출할 수 있다.

추출한 정상인 학습 벡터(N)와 질병인 학습 벡터(A)를 학습하면, 질병 예측 장치에 특정인의 바이오 시그널이 입력될 수 있으며, 벡터 테이블 획득부(120)에서 특정인 벡터 테이블을 획득한다. 즉, 입력된 특정인 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 복수의 기호 각각을 N 차원의 벡터로 표현한 특정인 벡터 테이블을 획득한다.

이후, 추출부(130)에서 특정인 벡터 테이블에서의 N차원 벡터 성분 각각을 모두 합하여 특정 방향을 향하는 특정인 벡터(T)를 추출할 수 있다.

특정인 벡터(T)가 추출되면 예측부(140)는 질병인 학습 벡터(A)와 정상인 학습 벡터(N) 사이의 각도를 측정할 수 있다. 예컨대, 특정인 벡터(T)와 질병인 학습 벡터(A) 사이의 각도(θ₁)가 특정인 벡터(T)와 정상인 학습 벡터(N) 사이의 각도(θ₂)보다 작은 경우 특정인의 바이오 시그널이 질병인 바이오 시그널과 유사하다고 예측할 수 있으며, 이에 따라 특정인이 질병인이라고 예측할 수 있다.

이러한 판단은, 특정인의 바이오 시그널에서 추출한 복수의 기호가 질병인의 바이오 시그널에서 추출한 복수의 기호와 유사한 패턴으로 추출되기 때문이다. 즉, 질병인의 바이오 시그널을 분할하여"?14C512EEEB?"이란 복수의 기호로 표현 가능하다고 가정하고, 질병인에서 추출한 기호 중, 예컨대 기호 EB의 추출 및 반복 추출이 확인되면 기호 EB의 추출 여부에 질병인으로 예측할 수 있는 주요한 기호로 의미될 수 있다.

이러한 특징을 중심으로 특정인의 바이오 시그널을 분할하여"?12C512ECEB?"이란 복수의 기호로 표현 가능하다고 가정하면, 특정인 바이오 시그널에서 기호 EB가 추출되었으므로 질병인 바이오 시그널의 질병인 학습 벡터(A)와 매우 유사한 특정인 벡터(T)가 추출될 수 있다. 따라서, 특정인 벡터(T)는 질병인 학습 벡터(A)와 매우 인접하게 표현될 수 있으므로 특정인은 질병을 보유하고 있다고 예측하게 되는 것이다.

이때, 특정인이 질병인 것으로 예측하기 위해서는 특정인 벡터(T)가 질병인 학습 벡터(A) 사이의 각도가 임계 각도 이하로 가까워질 때 질병인인 것으로 예측할 수 있다. 임계 각도란, 예컨대 25°의 각도가 될 수 있으며, 설정되는 임계 각도는 조건에 따라 변경될 수 있다.

한편, 질병 예측 장치에는 특정인 바이오 시그널이 실시간으로 입력된다. 따라서, 벡터 테이블 획득부(120)는 특정인의 바이오 시그널이 입력되는 현재시간을 기초로 임의 시간 이전의 시간부터 현재시간까지의 특정인 바이오 시그널을 복수의 기호로 표현하고, 복수의 기호 각각을 N 차원 벡터로 표현한 추출된 시간별 특정인 벡터 테이블을 획득할 수 있다.

이후, 추출부(130)에서 시간별 특정인 벡터 테이블에서의 N 차원의 벡터 성분을 모두 합한 시간별 특정인 벡터를 추출할 수 있다.

시간별 특정인 벡터가 추출되면 예측부(140)는 시간에 따라 시간별 특정인 벡터와 질병인 학습 벡터(A) 및 정상인 학습 벡터(N) 사이의 각도가 설정된 임계각도보다 가까워지는지 여부를 비교하여 특정인이 질병 보유 유무를 예측할 수 있다.

구체적으로, 시간별 특정인 벡터는 특정인 바이오 시그널이 입력되는 현재시간을 기초로 임의 시간 이전의 시간부터 현재시간까지의 시간 흐름에 따라 정상인 학습 벡터(N)와 질병인 학습 벡터(A) 사이에서 진동할 수 있다.

한편, 특정인이 질병을 보유하고 있는 경우, 앞서 설명한 바와 같이 특정인의 바이오 시그널에서는 질병인에서 추출되는 특정 기호(예: 기호 EB)가 추출될 수 있다. 이러한 특정 기호가 추출되는 시점에 특정인의 시간별 특정인 벡터와 질병인 학습 벡터(A) 사이의 간격은 임계 각도 이하가 될 수 있다.

이로 인해 시간별 특정인 벡터는 질병인 학습 벡터(A)와 인접하게 되고, 예측부(140)에서는 특정인이 질병을 보유했다고 예측할 수 있는 것이다.

이와 같이 본 발명의 질병 예측 장치는 시간의 흐름에 따라 특정인을 진단할 수 있게 되므로 실시간으로 특정인의 질병 유무를 확인할 수 있는 장점이 있다.

이하에서는, 도 4 및 도 5는 본 발명의 일 실시예에 따른 질병 예측 방법을 설명하겠다.

딥러닝 학습을 통해 질병을 예측하는 방법은, 학습 가능한 학습 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 복수의 기호 각각을 N차원의 벡터로 표현한 벡터 테이블을 획득한 뒤, N차원의 벡터를 합하여 학습 가능한 학습 벡터를 추출한다(S10).

구체적으로, 질병 학습 방법은, 질병 학습을 위한 학습 바이오 시그널이 입력되면, 입력된 학습 바이오 시그널을 그대로 학습하지 않고 데이터를 단순화하여 학습하도록 한다.

이를 위해, 학습 바이오 시그널이 입력되면, 일정 시간 및 조건에 따라 학습 바이오 시그널을 분할하여 패턴화 할 수 있다.

학습 바이오 시그널을 분할하는 조건은 측정되는 바이오 시그널의 종류, 예측하고자 하는 질병의 종류 등에 따라 다양한 조건 중 어느 하나일 수 있으며, 본 발명의 일 실시예에서는 일정 시간에 따라 분할하는 예를 들어 설명하기로 한다.

기호화된 학습 바이오 시그널의 각각의 기호는 N차원의 벡터로 표현될 수 있다. N차원의 벡터란 예를 들어 각 기호가 3차원의 벡터로 표현되는 경우, 기호 A는 (0, 1, 0)으로 표현되는 것을 의미한다.

벡터 테이블을 획득하면, N차원의 벡터를 합하여 학습 가능한 학습 벡터를 추출할 수 있다.

이때, 학습 벡터를 추출할 때, 학습 바이오 시그널은 질병인 바이오 시그널과 정상인 바이오 시그널에서 질병인 학습 벡터(A)와 정상인 학습 벡터(N)를 추출할 수 있다(S12, S13).

이후, 특정인의 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 복수의 기호 각각을 N차원의 벡터로 표현한 특정인 벡터 테이블을 획득한 뒤, N차원의 벡터를 합하여 특정인 벡터를 추출한다(S20). 이러한 특정인 벡터는, 앞서 학습 벡터를 추출한 방식과 동일한 방식으로 추출될 수 있으며, 앞서 추출된 학습 벡터와 비교하여 특정인의 질병을 예측할 수 있는 데이터가 될 수 있다.

이후, 추출된 학습 벡터와 특정인 벡터를 비교하여 특정인이 질병을 보유했는지 유무를 예측할 수 있다(S30).

구체적으로, 특정인 벡터는 학습 벡터와 동일하지 않을 수 있다. 즉, 학습 바이오 시그널과 특정인 바이오 시그널이 동일하지 않은 바이오 시그널이므로, 추출한 각각의 학습 벡터와 특정인 벡터는 동일한 벡터가 아니다. 그러나, 학습 벡터를 기준으로 특정인 벡터가 학습 벡터와 인접 여부를 판단할 수 있으며, 특정인 벡터가 학습 벡터와 인접할 경우 특정인의 바이오 시그널이 학습 바이오 시그널과 유사하다고 예측할 수 있다.

다시 말해, 정상인 학습 벡터(N), 질병인 학습 벡터(A) 및 특정인 벡터(T)가 추출되면, 질병인 학습 벡터(A), 정상인 학습 벡터(N)와 특정인 벡터(T) 사이의 각도를 측정할 수 있다(S32).

이때, 특정인 벡터(T)와 질병인 학습 벡터(A) 사이의 각도(θ₁_도 3 참고)가 특정인 벡터(T)와 정상인 학습 벡터(N) 사이의 각도(θ₂_도 2 참고)보다 작은 경우 특정인의 바이오 시그널이 질병인 바이오 시그널과 유사하다고 예측할 수 있으며, 이에 따라 특정인이 질병인이라고 예측하게 된다(S33).

이와 다르게, 특정인 벡터(T)와 질병인 학습 벡터(A) 사이의 각도(θ₁_도 3 참고)가 특정인 벡터(T)와 정상인 학습 벡터(N) 사이의 각도(θ₂_도 2 참고)보다 큰 경우, 특정인의 바이오 시그널이 정상인 바이오 시그널과 유사하다고 예측할 수 있으며, 이에 따라 특정인이 정상인이라고 예측하게 된다(S34).

한편, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물들은 디지털 전자 회로로 구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다.　 본 명세서에서 설명하는 주제의 구현물들은 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 제어 시스템의 동작을 제어하기 위하여 혹은 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다.

컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장 장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조성물 혹은 이들 중 하나 이상의 조합일 수 있다.

본 명세서에서 "시스템"이나 "장치"라 함은 예컨대 프로그래머블 프로세서, 컴퓨터 혹은 다중 프로세서나 컴퓨터를 포함하여 데이터를 제어하기 위한 모든 기구, 장치 및 기계를 포괄한다. 제어 시스템은, 하드웨어에 부가하여, 예컨대 프로세서 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제 혹은 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 코드를 포함할 수 있다.

컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 어플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.

한편, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체는, 예컨대 EPROM, EEPROM 및 플래시메모리 장치와 같은 반도체 메모리 장치, 예컨대 내부 하드디스크나 외장형 디스크와 같은 자기 디스크, 자기광학 디스크 및 CD-ROM과 DVD-ROM 디스크를 포함하여 모든 형태의 비휘발성 메모리, 매체 및 메모리 장치를 포함할 수 있다. 프로세서와 메모리는 특수 목적의 논리 회로에 의해 보충되거나, 그것에 통합될 수 있다.

본 명세서에서 설명한 주제의 구현물은 예컨대 데이터 서버와 같은 백엔드 컴포넌트를 포함하거나, 예컨대 어플리케이션 서버와 같은 미들웨어 컴포넌트를 포함하거나, 예컨대 사용자가 본 명세서에서 설명한 주제의 구현물과 상호 작용할 수 있는 웹 브라우저나 그래픽 유저 인터페이스를 갖는 클라이언트 컴퓨터와 같은 프론트엔드 컴포넌트 혹은 그러한 백엔드, 미들웨어 혹은 프론트엔드 컴포넌트의 하나 이상의 모든 조합을 포함하는 연산 시스템에서 구현될 수도 있다. 시스템의 컴포넌트는 예컨대 통신 네트워크와 같은 디지털 데이터 통신의 어떠한 형태나 매체에 의해서도 상호 접속 가능하다.

본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 마찬가지로, 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.

또한, 본 명세서에서는 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 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

이와 같이, 본 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하려는 의도가 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 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 범위에 포함되는 것으로 해석되어야 한다.

본 발명의 방송서비스 제공장치 및 방송수신장치, 방송서비스 제공장치의 동작 방법에 따르면, HFC망의 IPTV 방송 서비스 환경에서 HFC망의 주파수채널 별 대역폭 제한으로 인해 서비스할 수 없었던 초고화질 방송 서비스를 서비스할 수 있게 하는 기술을 실현하는 점에서, 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.

10 : 질병 예측 장치
120 : 벡터 테이블 획득부
130 : 추출부
140 : 판단부

Claims

학습 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원의 벡터로 표현한 벡터 테이블을 획득하는 벡터 테이블 획득부;
상기 N차원의 벡터를 합하여 학습 가능한 학습 벡터를 추출하는 추출부; 및
특정인의 바이오 시그널에서 추출된 특정인 벡터를 상기 학습 벡터와 비교하여 상기 특정인의 질병을 예측하는 예측부;
를 포함하는 것을 특징으로 하는 질병 예측 장치.
제 1 항에 있어서,
상기 벡터 테이블 획득부는,
상기 특정인의 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원 벡터로 표현한 특정인 벡터 테이블을 획득하며,
상기 추출부는,
상기 특정인 벡터 테이블에서의 상기 N차원 벡터를 합하여 상기 특정인 벡터를 추출하고,
상기 예측부는,
상기 학습 벡터와 상기 특정인 벡터 사이를 비교하여 상기 특정인의 질병을 예측하는 것을 특징으로 하는 질병 예측 장치.
제 2 항에 있어서,
상기 예측부는,
상기 학습 벡터와 상기 특정인 벡터 사이 각도를 기초로 상기 특정인의 질병을 예측하는 것을 특징으로 하는 질병 예측 장치.
제 1 항에 있어서,
상기 학습 벡터는, 질병인 학습 벡터와 정상인 학습 벡터를 포함하는 것을 특징으로 하는 질병 예측 장치.
제 4 항에 있어서,
상기 예측부는,
상기 특정인 벡터와 상기 정상인 학습 벡터 사이의 각도가 상기 특정인 벡터와 상기 질병인 학습 벡터 사이의 각도 보다 큰 경우 상기 특정인이 질병이 있는 것으로 예측하는 것을 특징으로 하는 질병 예측 장치.
청구항 4에 있어서,
상기 벡터 테이블 획득부는,
상기 특정인 바이오 시그널이 입력되는 현재시간을 기초로 임의 시간 이전의 시간부터 상기 현재시간까지의 상기 특정인 바이오 시그널을 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원 벡터로 표현한 시간별 특정인 벡터 테이블을 획득하며,
상기 추출부는,
상기 시간별 특정인 벡터 테이블에서의 상기 N차원 벡터를 합하여 시간별 특정인 벡터를 추출하고,
상기 예측부는,
시간에 따라 상기 시간별 특정인 벡터가 상기 학습 벡터 사이의 각도가 기 설정된 임계각도보다 가까워지는지 여부를 비교하는 것을 특징으로 하는 질병 예측 장치.
청구항 6에 있어서,
상기 시간별 특정인 벡터는,
상기 현재시간과 상기 이전의 시간 사이에서 상기 질병인 학습 벡터와 상기 정상인 학습 벡터 사이에서 진동하며,
상기 예측부는,
상기 현재시간과 상기 이전의 시간 사이에서 상기 실시간 특정인 벡터와 상기 질병인 학습 벡터 사이의 거리가 상기 실시간 특정인 벡터와 상기 정상인 학습 벡터 사이의 거리보다 인접한 경우 상기 특정인이 질병이 있는 것으로 예측하는 것을 특징으로 하는 질병 예측 장치.
청구항 1에 있어서,
상기 학습 바이오 시그널 및 상기 특정인 바이오 시그널을 기 설정된 조건에 따라 일정 단위 크기로 분할하는 단위 결정부,
상기 일정 단위 각각에 기호를 부여하는 기호 결정부를 더 포함하는 것을 특징으로 하는 질병 예측 장치.
청구항 8에 있어서,
상기 단위 크기가 증가할수록 상기 기호의 수가 증가하는 것을 특징으로 하는 질병 예측 장치.
질병 예측 장치에 의해 수행되는 질병 예측 방법으로서,
학습 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원의 벡터로 표현한 벡터 테이블을 획득하고, 상기 N차원의 벡터를 합하여 학습 가능한 학습 벡터를 추출하는 단계;
특정인의 바이오 시그널을 기 설정된 조건에 따라 복수의 기호로 표현하고, 상기 복수의 기호 각각을 N차원의 벡터로 표현한 특정인 벡터 테이블을 획득하고, 상기 N차원의 벡터를 합하여 특정인 벡터를 추출하는 단계; 및
상기 학습 벡터와 상기 특정인 벡터를 비교하여 상기 특정인의 질병을 예측하는 단계;
를 포함하는 것을 특징으로 하는 질병 예측 방법.
청구항 10에 있어서,
상기 학습 벡터와 상기 특정인 벡터를 비교하여 상기 특정인의 질병을 예측하는 단계는,
상기 학습 벡터와 상기 특정인 벡터 사이 각도를 기초로 상기 특정인의 질병을 예측하는 것을 특징으로 하는 질병 예측 방법.
청구항 10에 있어서,
상기 학습 벡터를 추출하는 단계는, 질병인 학습 벡터와 정상인 학습 벡터를 추출하는 단계를 포함하는 것을 특징으로 하는 질병 예측 방법.
청구항 12에 있어서,
상기 학습 벡터와 상기 특정인 벡터를 비교하여 상기 특정인의 질병을 예측하는 단계는,
상기 특정인 벡터와 상기 정상인 학습 벡터 사이의 각도가 상기 특정인 벡터와 상기 질병인 학습 벡터 사이의 각도 보다 큰 경우 상기 특정인이 질병이 있는 것으로 예측하는 것을 특징으로 하는 질병 예측 방법.