KR102134154B1

KR102134154B1 - 1-d cnn 기반의 uwb 호흡 데이터 패턴 인식 시스템

Info

Publication number: KR102134154B1
Application number: KR1020190074259A
Authority: KR
Inventors: 한기태; 김성훈; 황학인
Original assignee: 가천대학교 산학협력단
Priority date: 2019-06-21
Filing date: 2019-06-21
Publication date: 2020-07-16

Abstract

본 발명은 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템에 관한 것으로서, UWB 레이다로부터 획득한 호흡 신호를 벡터 형태로 변환하는 전처리부; 변환된 벡터를 1-D CNN을 통해 특징 벡터로 추출하는 분석부; 및 추출한 특징 벡터를 각 1-D CNN을 통해 학습하여 호흡 패턴 별로 매칭하여 저장 및 관리하는 학습/인지부를 포함하되, 분석부는 변환된 벡터를 입력받는 Input Layer; 및 입력된 벡터를 1 * m 형태의 Kernel에 의한 Convolution을 수행하여 Feature map을 추출하고, Max Pooling을 통해 Feature map에 포함된 특징들을 직렬화 하는 Convolutional Layer를 포함하고, 학습/인지부는 직렬화된 특징들을 기 설정된 비율과 대응하도록 무작위로 선택(Dropout)하여 특징을 학습 및 인지하는 Fully-connected Layer를 포함한다.
상기와 같은 본 발명에 따르면, UWR 레이다 호흡 신호를 검출하고, 이를 1D CNN을 통해 특징 벡터를 추출하여 학습함으로써, UWR 레이다 호흡 신호로부터 일반호흡, 서호흡, 빈호흡, 무호흡 또는 움직임 중에 어느 하나의 호흡 패턴 특징에 대한 최적의 신경망 구조 및 파라미터를 모델링하여 종래 대비 높은 정확도의 다양한 호흡 패턴 인식이 가능한 효과가 있다.

Description

1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템{Pattern Recognition System and Mehod of Ultra-Wideband Respiration Data Based on 1-Dimension Convolutional Neural Network}

본 발명은 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템에 관한 것으로, 더욱 상세하게는 UWR(Ultra-wideband Radar)를 이용하여 호흡 신호 데이터를 획득하고, 이들 신호로부터 일반호흡(Eupnea), 서호흡(Bradypnea), 빈호흡(Tachypnea), 무호흡(Apnea), 및 움직임(motion) 등 총 5개의 호흡패턴을 분류하고 인식할 수 있는 1D CNN(Convolutional Neural Network) 모델에 관한 것이다.

인간의 수면검사는 질병 진단과 수면의 질 개선 차원에서 요구되는 수단으로 기존의 다양한 방법들이 존재한다. 질병진단을 주 목적으로 하는 수면분석 방법은 수면다원검사를 통해 이루어지고 있으며, 최근 헬스케어 분야에서는 수면의 질 향상을 위해 수면 호흡 분석 등이 연구되고 있다.

수면다원검사는 센서 및 장치를 통해 여러가지 항목들을 측정하는데, 기본 항목으로는 수면 단계, 각성, 호흡기류, 호흡능, 혈중산소포화농도 등이 있다. 도 1에 도시된 바와 같이, 이러한 항목들을 측정하기 위해서 사용되는 센서 및 장치들은 몸에 직접 붙이거나 구강 및 비강을 통해 측정이 이루어진다.

따라서, 수면다원검사를 하기 위해서는 이러한 장비들이 구비된 시설에서만 가능하다. 이로 인해 평소에 수면을 취하던 환경이 바뀌면서 얕은 잠을 자거나 제대로 숙면을 취하지 못해 정확한 데이터 추출이 어려운 경우가 발생한다. 그리고 신체에 다수의 센서를 부착해야 한다는 점 또한 수면을 방해하는 요소로 작용하며, 특히 호흡 기류 측정 센서는 비강에 삽입되는 튜브로 인해 많은 불편함을 준다.

현재 헬스케어 분야에서 다양한 센서를 이용한 수면 무호흡 또는 코골이 등의 검출 결과로 수면의 질을 분석하는 연구들이 진행되고 있다. 하지만 헬스케어 분야는 수면다원검사 보다 적은 양의 정보를 이용하여 수면을 분석하므로 사용자에게 제공되는 정보가 제한적이다.

따라서, 정확한 수면의 질 분석을 위해서는 다양한 데이터 획득이 요구된다. 최근에는 사용자 편리성을 위해 접촉식 센서보다 비접촉식 센서로 데이터를 측정할 수 있는 장치들이 등장하고 있다.

과거에 무선통신을 위한 방법으로 사용되어왔던 UWB(Ultra-WideBand) 센서는 최근에는 비접촉 센서로 활용성을 인정받아 Radar 시스템으로 구현하여 장애물 감지뿐만 아니라 헬스케어 관련 연구에도 활용되고 있다. 특히 UWB Radar가 갖는 신호 특성으로 인해 호흡신호 및 맥박신호까지 검출이 가능한 것으로 알려졌다. 이러한 점을 이용하여 UWB Radar를 이용한 무호흡 검출, 분당 호흡 수 검출과 관련된 연구들이 진행되어 왔다.

하지만, 지금까지의 이러한 연구의 결과로는 수면의 질을 분석하기에는 충분하지 않다. 수면의 질을 분석하기 위해서는 무호흡뿐만 아니라 다양한 호흡에 대한 패턴 분류 및 검출이 요구된다.

또한, 호흡 수 검출을 통한 패턴 인식 방법은 호흡 신호가 노이즈 없이 매끄러운 모양으로 추출될 때에만 좋은 성능을 나타낼 수 있으며, 사람의 움직임 신호가 호흡 신호와 유사하게 나타난다면 정확한 패턴 인식이 어렵다는 문제점이 있다.

이에 본 출원인은 인공신경망 기술 중에서도 신호 패턴 인식에 적합한 1-Dimension Convolutional Neural Network(1D CNN)를 이용하여 일반호흡, 서호흡, 빈호흡, 무호흡과 움직임 패턴 총 5가지 신호 패턴을 학습하고 검출할 수 있는 신경망을 제안하고자 한다.

대한민국 등록특허공보 제10-1836761(2018.03.08.공고) 대한민국 공개특허공보 제10-2019-0019397호(2019.02.27.공개) 대한민국 공개특허공보 제10-2014-0106795호(2014.09.04.공개)

본 발명의 일 실시예는, UWR(Ultra-Wideband Respiration) 레이다 호흡 신호를 검출하고, 이를 1D CNN(Convolutional Neural Network)을 통해 특징 벡터를 추출하여 학습함으로써, UWR 레이다 호흡 신호로부터 일반호흡, 서호흡, 빈호흡, 무호흡 또는 움직임 중에 어느 하나의 호흡 패턴 특징의 신뢰성을 향상시키는데 있다.

이러한 기술적 과제를 달성하기 위한 본 발명의 일 실시예는 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템으로서, UWB 레이다로부터 획득한 호흡 신호를 벡터 형태로 변환하는 전처리부; 변환된 벡터를 1-D CNN을 통해 특징 벡터로 추출하는 분석부; 및 추출한 특징 벡터를 각 1-D CNN을 통해 학습하여 호흡 패턴 별로 매칭하여 저장 및 관리하는 학습/인지부를 포함하되, 분석부는 변환된 벡터를 입력받는 Input Layer; 및 입력된 벡터를 1 * m 형태의 Kernel에 의한 Convolution을 수행하여 Feature map을 추출하고, Max Pooling을 통해 Feature map에 포함된 특징들을 직렬화 하는 Convolutional Layer를 포함하고, 학습/인지부는 직렬화된 특징들을 기 설정된 비율과 대응하도록 무작위로 선택(Dropout)하여 특징을 학습 및 인지하는 Fully-connected Layer를 포함하는 것을 특징으로 한다.

바람직하게는, 특징 벡터는 일반호흡(Eupnea), 서호흡(Bradypnea), 빈호흡(Tachypnea), 무호흡(Apnea) 또는 움직임(motion) 중에 어느 하나를 포함하는 것을 특징으로 한다.

Convolutional Layer는, 각 Depth, Kernel 사이즈, Kernel 개수, 및 Fully-connected Layer의 뉴런 개수를 파라미터로 설정하고, 파라미터들의 다양한 경우를 조합하여 기 설정된 기준 이상의 파라미터 범위를 도출하는 것을 특징으로 한다.

Convolutional Layer는, Convolutional Layer Depth를 도출하는 절차; 및 N회 실험을 통해 기 설정된 기준을 초과하는 인식률을 갖는 파라미터 조합을 도출하는 절차를 수행하는 것을 특징으로 한다.

그리고, 본 발명의 일실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 방법은, 전처리부가 UWB 레이다로부터 획득한 호흡 신호를 벡터 형태로 변환하는 (a) 단계; 분석부가 변환된 벡터를 1-D CNN을 통해 특징 벡터로 추출하는 (b) 단계; 및 학습/인지부가 추출한 특징 벡터를 각 1-D CNN을 통해 학습하여 호흡 패턴 별로 매칭하는 (c) 단계를 포함하는 것을 특징으로 한다.

(b) 단계는, 분석부의 Input Layer가 변환된 벡터를 입력받는 (b-1) 단계; Convolutional Layer가 입력된 벡터를 1 * m 형태의 Kernel에 의한 Convolution을 수행하여 Feature map을 추출하는 (b-2) 단계; 및 Convolutional Layer가 Max Pooling을 통해 Feature map에 포함된 특징들을 직렬화하는 (b-3) 단계를 포함하는 것을 특징으로 한다.

(c) 단계는, 학습/인지부의 Fully-connected Layer가 직렬화된 특징들을 기 설정된 비율과 대응하도록 무작위로 선택(Dropout)하여 특징 벡터를 학습 및 인지하는 (c-2) 단계; 및 학습/인지부의 Fully-connected Layer가 학습된 특징 벡터를 호흡 패턴 별로 매칭하는 (c-4) 단계를 포함하는 것을 특징으로 한다.

상기와 같은 본 발명에 따르면, UWR 레이다 호흡 신호를 검출하고, 이를 1D CNN을 통해 특징 벡터를 추출하여 학습함으로써, UWR 레이다 호흡 신호로부터 일반호흡, 서호흡, 빈호흡, 무호흡 또는 움직임 중에 어느 하나의 호흡 패턴 특징에 대한 최적의 신경망 구조 및 파라미터를 모델링하여 종래 대비 높은 정확도의 다양한 호흡 패턴 인식이 가능한 효과가 있다.

도 1은 종래의 휴대용수면검사기기 ApneaLink와 ApneaLink Plus를 도시한 예시도.
도 2는 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템을 도시한 구성도.
도 3은 호흡 시 나타나는 들숨, 날숨, 및 호흡의 깊이에 따라 발생되는 신호를 도시한 그래프.
도 4는 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 1-D CNN의 구조를 도시한 도면.
도 5a, 도 5b, 도 5c는 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 파라미터 조합의 인식 결과를 도시한 그래프.
도 6은 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템에 의한 10회 반복 학습 수행시 각각 최대 인식률을 갖는 파라미터 집합을 도시한 도면.
도 7은 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템에 의한 10회 반복 학습 결과에서 각 반복 회차 당 가장 높은 인식률을 나타내는 max값의 위치를 나타낸 도면.
도 8은 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 전처리부가 수집한 신호들을 화면에 표시되는 것을 도시한 예시도.
도 9는 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 호흡 신호를 수집하는 환경을 도시한 예시도.
도 10은 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 UWB 레이더로부터 수신하는 추출하는 호흡 신호 데이터를 도시한 예시도.
도 11은 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 특징 벡터와 매칭된 호흡 패턴 데이터의 유형을 도시한 예시도.
도 12는 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템에 의해 특정 호흡 패턴 데이터에 대해 Time-shifting 하여 다양한 모양을 나타내도록 학습 데이터셋을 구성한 것을 도시한 예시도.
도 13은 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 호흡 패턴별 인식률과 종래 호흡 패턴별 인식률을 비교한 도면.
도 14는 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 방법을 도시한 순서도.
도 15는 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 방법의 제S200단계의 세부과정을 도시한 순서도.
도 16은 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 방법의 제S300단계의 세부과정을 도시한 순서도.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

도 2를 참조하면 본 발명의 일 실시예에에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템(S)은, UWB 레이다(10)로부터 획득한 호흡 신호를 벡터 형태로 변환하는 전처리부(100)와, 변환된 벡터를 1-D CNN을 통해 특징 벡터로 추출하는 분석부(200), 및 추출한 특징 벡터를 각 1-D CNN을 통해 학습하여 호흡 패턴 별로 매칭하여 저장 및 관리하는 학습/인지부(300)를 포함하여 구성된다.

이하에서는 그 구체적인 언급을 생략하겠으나, 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템에 의해 분류되는 호흡의 종류는 일반호흡(Eupnea), 서호흡(Bradypnea), 빈호흡(Tachypnea), 무호흡(Apnea) 및 움직임(motion)을 포함하는 5개로 구분되며, [표 1]에 나타난 바와 같이 의료분야에서 정의한 분당 호흡수에 따른 호흡 종류와 동일한 것으로 상정한다.

[표 1]

구체적으로, 전처리부(100)는 UWB 레이다(10)에 의해 비접촉식으로 호흡 신호를 수신하는 구성인바, 신체에 다수의 센서를 부착하지 않기 때문에 수면을 방해하지 않으면서 정확한 호흡 신호를 수신하게 된다.

이때, 전처리부(100)가 수신하는 호흡 신호는 도 3에 도시된 바와 같이, 들숨에는 상승하고, 날숨에는 하강하는 형태의 파형을 갖으며, 호흡 신호의 진폭은 숨을 깊게 쉬는 정도에 따라 결정되고, 한 호흡의 시간이 길어질수록 신호의 주기가 늘어나는 파형을 갖는다.

한편, 분석부(200)는 변환된 벡터를 입력받는 Input Layer(202)와, 입력된 벡터를 1 * m 형태의 Kernel에 의한 Convolution을 수행하여 Feature map을 추출하고, Max Pooling을 통해 Feature map에 포함된 특징들을 직렬화 하는 Convolutional Layer(204)를 포함하여 구성된다.

그리고, 학습/인지부(300)는 분석부(200)에 의해 직렬화된 특징들을 기 설정된 비율과 대응하도록 무작위로 선택(Dropout)하여 특징을 학습 및 인지하는 Fully-connected Layer(302)를 포함하여 구성된다.

이때, Dropout 비율은 0.4 내지 0.4 바람직하게는 0.6으로 설정되며, 학습 수행 시 60%의 특징 벡터를 사용한다.

도 4는 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 1-D CNN의 구조를 도시한 도면이다.

도 4를 참조하면, Convolutional Layer는 각 Depth, Kernel 사이즈, Kernel 개수, 및 Fully-connected Layer의 뉴런 개수를 파라미터로 설정하고, 파라미터들의 다양한 경우를 조합하여 최대의 인식률을 갖는 1D CNN을 구축하기 위한 최적의 파라미터 범위를 도출한다.

이처럼 Convolutional Layer가 최적의 파라미터 범위를 도출하기 위해 수행하는 알고리즘은 2 단계로 구성되며, 1 단계 알고리즘은 Convolutional Layer Depth를 찾는 것이고, 2단계 알고리즘은 각각의 Convolutional Layer 내에서 N회 실험을 통해 기 설정된 기준을 초과하는 인식률(안정적으로 높은 인식률)을 나타내는 최적의 파라미터 조합을 찾는 것으로 그 세부 절차는 아래와 같다.

알고리즘 1

먼저, Convolutional Layer의 Depth를 찾기 알고리즘으로 먼저 실험 파라미터 집합들을 구성한다.

이어서, 기 설정된 수준의 Learning Time 범위 내에서 Convolutional Layer의 Depth를 증가시키면서, Depth범위 내에서 실험 파라미터 집합의 모든 경우(z)에 대한 정확도 및 평균 정확도를 산출한다.

그리고, 최종적으로 Depth범위 별 평균 정확도가 최대 일 때의 Depth 값을 최적의 Depth 파라미터로 도출한다.

알고리즘 2

알고리즘 1에 의해 Depth가 정해진 Convolutional Layer에서 최적 파라미터를 도출하기 위해 N회의 반복 학습을 수행한다.

그리고, 각 학습 별로 가장 높은 인식률을 나타내는 경우의 파라미터 값들로 구성된 최적의 파라미터 범위를 도출한다.

또한, 전술한 바와 같이 Convolutional Layer(204)을 통해 최적화를 위한 파라미터 값들의 집합은 [표 2]와 같다.

[표 2]

이때, 최적화를 위해 실험하는 파라미터는 CLD (Convolutional Layer Depth), KS (kernel size of convolutional layer), KC (kernel count of convolutional layer), 및 DLNC (neuron count of dense layer)로 설정된다. 각 파라미터 항목이 가질 수 있는 모든 값의 경우수에 대한 인식률을 테스트하는 것은 한계가 있으므로, [표 2]와 같이 항목별 설정 값의 집합을 구성하여 해당 집합 안에서의 모든 경우의 수를 실험한다.

또한, 최적의 파라미터를 찾기 위해 사용된 데이터는 5개의 각 호흡 패턴 별로 200개씩 총 1,000개의 데이터 셋을 구성하고, 해당 데이터 셋에서 Training set과 Validation set의 비율을 6 : 4로 설정한다. 실험은 Convolution Layer Depth 에 따라 조합되는 모든 경우에 대해 인식률을 실험한다. Convolution Layer Depth(CLD)에 따라 각 파라미터가 가질 수 있는 값의 개수는 [표 3]과 같으며, 경우의 수는 각 레이어가 가질 수 있는 파라미터의 개수를 곱하여 계산한다. 경우의 수를 계산하면 CLD가 1일때 800개이고, 2일 때 40,000개, 3일 때 2,000,000개이다.

[표 3]

[표 3]에 나타난 바와 같이 Convolutional Layer의 Depth에 따른 파라미터 조합 경우의 수에 따라, 각각의 Depth에 따른 모든 파라미터 조합의 인식 결과를 그래프로 표시하면 도 5a, 도 5b, 및 도 5c와 같다.

CLD = 1인 경우 평균 인식률은 약 87.4%이고, CLD = 2인 경우 평균 인식률은 약 90.7%로 약 3.3%정도가 증가하였고, CLD = 3인 경우에는 92.6%로 2일 때보다 인식률이 약 1.9% 증가됨을 알 수 있다.

이에 따라 본 발명의 일 실시예에서는 Convolutional Layer depth가 3으로 설정하고, 총 N = 10번의 반복 학습을 수행하여 도 6에 도시된 바와 같이 10회 반복 학습 수행시 각각 최대 인식률을 갖는 파라미터 집합을 획득하였다.

또한, 10회의 반복 학습 결과에서 각 반복 회차 당 가장 높은 인식률을 나타내는 max값의 위치를 나타내면 도 7에 도시된 바와 같다.

도 7에 도시된 바와 같이 [표 2]의 실험 파라미터들을 사용한 조합으로 학습한 결과는 완만한 가우시안 그래프를 형성하고, 중앙 부근에서 인식률이 가장 높은 최고 인식률 지점들이 밀집해 있는 것을 확인 할 수 있다.

또한, 최고 인식률 결과를 나타내는 10개 항목들이 사용한 파라미터들을 나열해보면 [표 4]와 같으며, 이 때 가장 높은 정확도를 나타낸 항목은 8번째 Iteration에서 93.76%의 정확도를 보인다.

[표 4]

이처럼 [표 4] 통해 Convolutional Layer에서 최적의 Kernel size와 최적의 Kernel 개수, 및 최적의 Dense Layer 뉴런 개수를 다음 [표 5]와 같은 범위로 결정할 수 있으며, 제안하는 신경망에서 [표 5]의 Range of optimal parameters 중에서 파라미터를 선택하여 적용한다면 평균적으로 93.57%의 정확도를 기대할 수 있다.

[표 5]

한편, 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템의 전처리부(100)는 수집한 호흡 신호로부터 분당 호흡수를 측정하여 저장 및 관리하며, 도 8에 도시된 바와 같이 화면 상단에는 Raw신호 또는 Filtering 된 신호를 나타내는 영역이 있고, 중앙에는 호흡 신호를 나타내는 영역이 있으며, 하단 영역에는 호흡 신호에 따라 분당 호흡수를 계산하여 표시되는 영역으로 구분된다.

또한, 전처리부(100)가 호흡 신호를 수집하는 환경은 도 9에 도시된 바와 같이, 흉부로부터 20cm 이격된 위치에 UWB 레이더를 설치하여 5가지 호흡 패턴에 대한 신호를 수집하도록 구성되며, 이때 움직임 신호는 분당 호흡수와 관계없이 뒤척일 때 발생하는 신호를 수집하게 된다.

아울러, 전처리부(100)가 UWB 레이더로부터 수신하는 추출하는 호흡 신호 데이터는 도 10에 도시된 바와 같이 프레임별로 저장 및 관리되며, UWB 레이더는 초당 25 프레임으로 데이터를 생성하며, 각 패턴별로 10분씩 측정하도록 구성되나, 본 발명의 일 실시예가 이에 국한되는 것은 아니다.

한편, 학습/인지부(300)는 분석부(200)에 의해 분류된 추출한 특징 벡터를 각 1-D CNN을 통해 학습하여 호흡 패턴 별로 매칭한 호흡 패턴 데이터를 저장 및 관리하되, 호흡 패턴 유형은 도 11에 도시된 바와 같다.

도 11에 도시된 바와 같이, 일반호흡, 서호흡, 빈호흡 신호는 서로 비슷한 모양을 나타내지만 신호 세기와 주기가 서로 다른 것을 알 수 있고, 무호흡 패턴과 움직임 패턴은 다른 호흡 패턴들과 비교할 때 두드러진 차이가 나타나는 것을 확인할 수 있다.

또한, 본 발명의 일 실시예는 도 12에 도시된 바와 같이, 하나의 호흡 패턴 데이터에 대해 0.5초 마다 Time-shifting 하여 다양한 모양을 나타내도록 학습 데이터셋을 구성하며, 최종적으로는 각 호흡 패턴마다 500개의 데이터 셋을 구성할 수 있다.

한편, 도 13은 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템에 의한 호흡 패턴별 인식률과 종래의 호흡 패턴별 인식률을 비교한 도면이다.

도 13에 도시된 바와 같이, 각 호흡 패턴별로 인식결과를 비교해 보았을 때, 종래의 방법들은 일반호흡과 서호흡, 빈호흡을 유사하게 인식하여 제안하는 방법보다 인식률이 떨어지는 것으로 나타났다. 평균 인식률로 비교해 보았을 때 LDA는 약 80.4%, SVM은 약 86%, MLP는 약 90.9%이고, 제안하는 방법은 약 93.9%로 기존방법보다 최소 3%에서 최대 13.5%까지 인식률이 향상된 것을 확인할 수 있다.

이처럼, 전술한 바와 같은 본 발명의 일 실시예에 의하면, 수면의 질을 분석하기 위해 비접촉식 센서인 UWB Radar를 이용하여 사람의 호흡 신호를 추출하고, 1D Convolutional Neural Network기반으로 일반 호흡, 서호흡, 빈호흡, 무호흡과 움직임 신호에 대한 5가지 신호 패턴 인식을 위해 1D CNN 모델을 적용하여 모델에 사용할 최적의 파라미터 집합을 도출하였다.

이를 통해 종래의 방법을 적용했을 때 보다 최소 3%에서 최대 13.5%까지의 호흡패턴 인식률 향상을 기대할 수 있으며, 단순 무호흡 검출뿐만 아니라 다양한 수면의 패턴 검출이 가능하여 빈호흡과 서호흡 등의 호흡장애 분석에 적용이 가능할 것으로 사료된다.

이하, 도 14를 참조하여 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 방법에 대해 살피면 아래와 같다.

먼저, 전처리부가 UWB 레이다로부터 획득한 호흡 신호를 벡터 형태로 변환한다(S100).

이어서, 분석부가 변환된 벡터를 1-D CNN을 통해 특징 벡터로 추출한다(S200).

그리고, 학습/인지부가 추출한 특징 벡터를 각 1-D CNN을 통해 학습하여 호흡 패턴 별로 매칭한다(S300).

이하, 도 15를 참조하여 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 방법의 제S200단계의 세부과정을 살피면 아래와 같다.

제S100단계 이후, 분석부의 Input Layer가 변환된 벡터를 입력받는 단계(S202)와, Convolutional Layer가 입력된 벡터를 1 * m 형태의 Kernel에 의한 Convolution을 수행하여 Feature map을 추출하는 단계(S204), 및 Convolutional Layer가 Max Pooling을 통해 Feature map에 포함된 특징들을 직렬화하는 단계(S206)를 포함한다.

이하, 도 16을 참조하여 본 발명의 일 실시예에 따른 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 방법의 제S300단계의 세부과정을 살피면 아래와 같다.

제S100단계 이후, 학습/인지부의 Fully-connected Layer가 직렬화된 특징들을 기 설정된 비율과 대응하도록 무작위로 선택(Dropout)하여 특징 벡터를 학습 및 인지하는 단계(S302) 및 학습/인지부의 Fully-connected Layer가 학습된 특징 벡터를 호흡 패턴 별로 매칭하는 단계(S304)를 포함한다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

S: 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템
10: SWB 레이더
100: 전처리부
200: 분석부
202: Input Layer
204: Convolutional Layer
300: 학습/인지부
302: Fully-connected Layer

Claims

UWB 레이다로부터 획득한 호흡 신호를 벡터 형태로 변환하는 전처리부;
변환된 벡터를 1-D CNN을 통해 특징 벡터로 추출하는 분석부; 및
추출한 특징 벡터를 각 1-D CNN을 통해 학습하여 호흡 패턴 별로 매칭하여 저장 및 관리하는 학습/인지부를 포함하되,
상기 분석부는,
변환된 벡터를 입력받는 Input Layer; 및 입력된 벡터를 1 * m 형태의 Kernel에 의한 Convolution을 수행하여 Feature map을 추출하고, Max Pooling을 통해 Feature map에 포함된 특징들을 직렬화 하는 Convolutional Layer를 포함하고,
상기 학습/인지부는,
직렬화된 특징들을 기 설정된 비율과 대응하도록 무작위로 선택(Dropout)하여 특징을 학습 및 인지하는 Fully-connected Layer를
포함하는 것을 특징으로 하는 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템.
제1항에 있어서,
상기 특징 벡터는,
일반호흡(Eupnea), 서호흡(Bradypnea), 빈호흡(Tachypnea), 무호흡(Apnea) 또는 움직임(motion) 중에 어느 하나를 포함하는 것을 특징으로 하는 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템.
제1항에 있어서,
상기 Convolutional Layer는,
각 Depth, Kernel 사이즈, Kernel 개수, 및 Fully-connected Layer의 뉴런 개수를 파라미터로 설정하고, 파라미터들의 다양한 경우를 조합하여 기 설정된 기준 이상의 파라미터 범위를 도출하는 것을 특징으로 하는 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템.
제1항에 있어서,
상기 Convolutional Layer는,
Convolutional Layer Depth를 도출하는 절차; 및
N회 실험을 통해 기 설정된 기준을 초과하는 인식률을 갖는 파라미터 조합을 도출하는 절차를
수행하는 것을 특징으로 하는 1-D CNN 기반의 UWB 호흡 데이터 패턴 인식 시스템.
삭제
삭제
삭제