KR102142647B1

KR102142647B1 - 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템

Info

Publication number: KR102142647B1
Application number: KR1020180036160A
Authority: KR
Inventors: 강병근; 이명호; 이석원; 남학현; 차성훈
Original assignee: 주식회사 아이센스
Priority date: 2018-03-28
Filing date: 2018-03-28
Publication date: 2020-08-07
Also published as: WO2019189977A8; EP3777653A4; WO2019189977A1; JP2021512322A; CN111683587A; EP3777653A1; JP7125493B2; US20210015431A1; KR20190113451A

Abstract

본 발명은 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템에 관한 것으로, 생체정보 측정장치; 및 상기 생체정보 측정장치를 통해 채혈한 혈액을 한쌍의 전극을 구비한 센서에 주입함으로써 일어나는 전기화학적 반응을 통한 신호를 획득하는 신호획득부와, 상기 신호획득부로부터 획득된 신호를 인공지능 딥러닝 학습을 위한 신호로 전처리하기 위한 신호처리부와, 상기 신호처리부를 통해 처리된 신호를 이용하여 최적화된 생체정보 측정 알고리즘을 딥러닝 인공신경망기법을 활용한 생체정보 측정 알고리즘 생성부와, 상기 생체정보 측정장치에 최적화된 생체정보 측정 알고리즘을 제공하는 최적화 알고리즘 결과 제공부를 갖는 생체정보 분석 인공지능기반 딥러닝 서버를 포함하는 것을 특징으로 한다.

Description

인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템 {Artificial Neural Network Model-Based Methods, Apparatus, Learning starategy and Systems for Analyte Analysis}

인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템에 관한 것으로, 보다 상세하게는 인공신경망 딥러닝 기술을 적용해 센서로부터 얻은 신호를 변환하여 이미지화한 데이터에서 측정물에 해당되는 영역을 인식하고 그 영역에서 측정물 종류 혹은 농도 결정에 필요한 각각의 요소를 추출해 가장 적합한 측정물의 종류 및 농도를 예측하는 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템에 관한 것이다.

일반적으로, 체외진단 제품에 있어서 가장 중요한 기준 중의 하나는 측정결과의 정확도이다.

이런 제품은 측정물이 존재할 때 감지센서가 신호를 출력하여 분석기가 이를 인지하여 미리 정해진 검정곡선 또는 알고리즘을 적용하여 정량적 또는 정성적인 결과를 내 보낸다. 측정 결과의 정확도는 간섭물, 외부환경, 샘플의 성질 등의 다양한 변수에 의해 일어난 간섭 작용에 의해 영향을 받을 수 있다.　

혈당측정을 위해 활용되는 전기화학적 센서의 경우를 들자면, 전극 표면에서 산화하는 측정물 외의 물질의 존재나 점도 등의 혈액성질의 변화로 인한 혈당의 전극으로 향한 확산계수(Diffusion Coefficient) 또는 전극 표면에서의 반응 속도(Reaction Rate)의 변화 등으로 인해 출력되는 전기 신호가 영향을 받을 수 있다.　이런 영향을 최소화 또는 제거하기 위해서 센서에 단순한 직류전압을 인가하는 방식 대신 다양한 종류의 패턴을 갖는 파형의 입력 전압을 인가하고 그 결과 전극반응에서 얻어진 파형을 적절한 통계 수학적 기법으로 처리하는 방법들이 사용되어 왔다.

2010년대 이후 혈당측정 시장은 이 사업에 진출하는 업체들이 늘어나고, 각 국가들의 국민 보험 확대에 따른 가격의 인하 압력이 커졌으며, 주요 표준 관리 기구 및 인증기관에서 사용자의 안전을 높이기 위하여 정확성 및 정밀성에 대한 기준을 나날이 강화하고 있다. 예를 들어, 미국의 메디케어 보험에서 지급하는 보험수가는 2008년 이후 시작된 경쟁입찰제도(competitive bidding)에 의하여 절반 이하로 낮아진 반면 최근 2016년에 발표된 FDA New guidance는 기존의 혈당 측정기의 규격에 비해 정확성의 요구나 각종 방해물질의 간섭 영향의 한계가 훨씬 강화된 내용을 포함하고 있다(https://www.fda.gov/downloads/medicaldevices/deviceregulationandguidance/guidancedocuments/ucm380325.pdf).

이와 같이 경쟁은 심화되고, 측정 시스템의 성능에 대한 요구는 강화된 혈당 측정기 시장에서 생존하기 위해서는 저가의 고성능을 갖는 시스템을 개발해야 하고, 이러한 모순된 개발 목표는 탁월한 기술적 진보를 통해서만 가능하다.

혈당 측정시스템의 생산원가를 낮추려면 제한된 성능의 하드웨어(예;STM8L Series MCU)와 생산이 용이한 단순한 구조의 센서스트립이 필요하다. 반면 혈당측정 시스템의 성능을 향상시키기 위하여 딥러닝과 같은 고도의 연산이 필요한 방법을 사용하려면 고성능의 연산이 가능한 칩 또는 스마트폰의 기능을 사용할 수 있도록 블루투스 등을 통하여 데이터를 전송하고 연산하는 시스템 또는 클라우드시스템에서 별도의 계산을 하도록 통신을 하는 시스템을 갖추어야 하는데, 이는 현재 시장의 추세에 어긋난다. 설령 딥러닝 알고리즘과 같은 많은 연산량이 필요한 알고리즘을 제한된 하드웨어에서 구현했다 하더라도 혈당 측정 시간이 오래 걸리는 문제점이 남게된다. 현재의 혈당 측정기 시장에서 경쟁력을 확보하려면 분석물 투입 이후 보통 약 8초 내로 추정 혈당 농도를 출력할 수 있어야 한다. 또한, 혈당 스트립(Strip)의 생산 원가를 최소화하려면 가능한 기존의 생산공정에서 만들던 한쌍의 전극만을 가진 스트립을 계속 사용하는 것이 유리하다. 반면 이러한 제한된 구조의 전극에서 얻는 정보와 기존의 신호처리 방법만으로는 정확한 혈액 내 글루코오스의 추정이 어렵다.

본 발명은 이러한 문제점을 해소하기 위하여 안출된 것으로, 본 발명의 목적은 기존의 다중 회귀(Multiple Linear Regression)방법에서 벗어나 알고리즘의 정확도, 정밀도, 및 헤마토크릿을 포함한 간섭 보정 성능을 개선할 수 있으며, 제한된 구조의 미터하드웨어와 센서스트립을 갖고 구현이 가능한 최적화된 혈당 추정 인공지능기반의 딥러닝 기술에 기반한 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치 및 시스템을 제공하는 것이다.

또한, 본 발명의 목적은, 제한된 하드웨어에서도 복잡한 알고리즘이 구현될 수 있도록 데이터 차원 축소, 알고리즘 구조 축소가 이루어진 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치 및 시스템을 제공하는 것이다.　

또한, 본 발명의 목적은 연산량이 많은 알고리즘을 사용하더라도 계산을 효율적으로 진행하여 연산 시간을 혈당 측정기에 적합한 8초이내로 최소화할 수 있는　인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치 및 시스템을 제공하는 것이다.

또한, 본 발명의 목적은 제한된 수의 전극을 통해 얻은 정보에서 데이터 내에 내제된 추가 정보를 최대한 추출할 수 있는 기술을 통해 다전극을 이용하는 효과를 얻을 수 있는 측정물 분석 방법, 장치 및 저가의 시스템을 제공하는 것이다.　

본 발명은 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템에 관한 것으로, 생체정보 측정장치; 및 상기 생체정보 측정장치를 통해 채혈한 혈액을 한쌍의 전극을 구비한 센서에 주입함으로써 일어나는 전기화학적 반응을 통한 신호를 획득하는 신호획득부와, 상기 신호획득부로부터 획득된 신호를 인공지능 딥러닝 학습을 위한 신호로 전처리하기 위한 신호처리부와, 상기 신호처리부를 통해 처리된 신호를 이용하여 최적화된 생체정보 측정 알고리즘을 딥러닝 인공신경망기법을 활용하여 자동으로 추출하는 생체정보 측정 알고리즘 생성부와, 상기 생체정보 측정장치에 최적화된 생체정보 측정 알고리즘을 제공하는 최적화 알고리즘 결과 제공부를 갖는 생체정보 분석 인공지능기반 딥러닝 서버를 포함하는 것을 특징으로 한다.

본 발명의 다른 측면에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정장치는, 한 쌍의 전극을 갖는 전기화학적 바이오센서가 장착되는 커넥터; 상기 커넥터와 전기적으로 접속되는 전류-전압 변환기; 상기 전기화학적 바이오센서의 한쌍의 전극에 대해 일정전압을 인가하고 삼각파형 순환전압, 사각파형, 계단파형 또는 다른 변형된 삼각함수 형태의 파형의 전압 인가하도록 제어하는 디지털-아날로그컨버터 회로; 및 이들을 제어하는 마이크로콘트롤러를 포함하며, 상기 마이크로콘트롤러는 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템에서 얻어진 최적화된 인공지능기반 딥러닝 알고리즘에 따라 자동으로 혈당을 계산하는 인공지능딥러닝 알고리즘 계산부를 구비하는 것을 특징으로 한다.

본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정방법은 시료를 준비하는 단계; 전기화학적 바이오센서를 생체정보 측정장치에 장전하는 단계; 상기 바이오센서가 시료에 접촉하여 상기 전기화학적 바이오센서의 작동전극과 보조전극을 혈액이 적시는 순간 일정전압을 인가하고, 상기 일정전압 인가 후 대시간인가전압 종료시점에 연속적으로 삼각파형 순환전압 또는 사각파형, 계단파형 또는 다른 변형된 삼각함수 형태의 파형을 인가하는 단계; 및 최적화된 인공지능 딥러닝 혈당측정 알고리즘에 의해서 측정된 응답전류로부터 혈당측정값을 계산하는 단계를 포함할 수 있다.

본 발명의 다른 측면에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법은, 생체정보 측정장치를 통해 채혈한 혈액을 한쌍의 전극을 갖는 센서(Strip)에 주입함으로써 일어나는 전기화학적 반응을 통해 신호를 획득하는 단계; 상기 획득된 신호를 인공지능 딥러닝을 위한 신호로 처리하는 단계;

신호의 특징 추출부와 혈당 값 예측부로 이루어진 혈당 측정을 위한 알고리즘 구조를 형성하는 단계; 혈당 예측 값이 참 값인 혈당 값을 가장 정확하게 예측할 수 있도록 알고리즘 내의 변수들을 조정하여 혈당 측정 알고리즘을 학습하는 단계; 최적화하는 단계를 포함할 수 있다.

본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치 및 시스템에 의하면, 기존의 다중 회귀(Multiple Linear Regression)방법에서 벗어나 알고리즘의 정확도, 정밀도, 및 헤마토크릿을 포함한 간섭 보정 성능을 개선할 수 있으며, 제한된 구조의 미터하드웨어와 센서스트립을 갖고 구현이 가능한 최적화된 혈당 추정 인공지능기반의 딥러닝 기술을 제공할 수 있다.

또한, 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치 및 시스템에 의하면, 제한된 하드웨어에서도 복잡한 알고리즘이 구현될 수 있도록 데이터 차원 축소, 알고리즘 구조 축소가 이루어질 수 있다.　

본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치 및 시스템에 의하면, 연산량이 많은 알고리즘을 사용하더라도 계산을 효율적으로 진행하여 연산 시간을 혈당 측정기에 적합한 8초이내로 최소화할 수 있다.

또한, 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치 및 시스템에 의하면, 제한된 수의 전극을 통해 얻은 정보에서 데이터 내에 내제된 추가 정보를 최대한 추출할 수 있는 기술을 통해 다전극을 이용하는 효과를 얻을 수 있다.　

도 1은 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템의 개념도이다.
도 2는 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 학습 시스템 중 생체정보분석 인공지능기반 딥러닝 서버의 구성도이다.
도 3은 본 발명의 일 실시예에 따른　인공신경망 딥러닝 기법을 활용한 혈당 측정장치의 내부 구성도이다.
도 4는 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정방법의 플로우챠트이다.
도 5a는 기존방법과 제안방법에 따른 임상 테스트 정확도 성능을 나타내는 그래프이다.
도 5b는 기존방법과 제안방법에 따른 노이즈 민감도 평가를 나타내는 그래프이다.
도 6a는 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법에 인가되는 전압 및 그 응답전류이며, 도 6b는 비정상 신호의 예시도이며, 도 6c는 다운샘플링방법의 개념도이며, 도6d는 다운샘플링의 예이며, 도 6e는 데이터의 관계맵을 이용한 정보추출방법을 나타내는 그래프이다.
도 7a는 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법의 알고리즘 구조 개념도이며, 도 7b는 알고리즘 특징 추출부의 구성도이며, 도 7c는 특징추출부의 레이어 구조도이며, 도 7d는 알고리즘 혈당 추정부의 구성도이다.
도 8은 앙상블 알고리즘 구성도이다.
도 9는 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법의 플로우챠트이다.

이하, 본 발명의 일 실시예에 따른 인공신경망을 이용한 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 및 시스템에 대하여 도면을 참조하여 상세히 설명한다.

본 명세서에 있어서,　본 발명의 일 실시예에 따른 인공신경망을 이용한 딥러닝 기법을 활용한 측정물 분석방법, 장치 및 시스템은 본 발명을 설명하기 위한 예시일 뿐 본 발명의 보호범위가 실시 예에 의해 한정되는 것은 아니다.

도 1은 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템의 개념도이다.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템(1)은 최소 개수인 한 쌍의 전극을 구비한 생체정보 측정장치(10), 상기 생체정보 측정장치(10)에 생체 정보를 측정할 수 있는 최적화된 알고리즘을 인공지능기반 딥러닝 기술을 이용하여 제공하는 생체정보 분석 인공지능기반 딥러닝 서버(100), 상기 생체정보 측정장치(10)와 상기 생체정보 분석 인공지능기반 딥러닝 서버(100)를 유무선으로 연결하기 위한 네트워크(20) 및, 상기 생체 정보 측정 장치(10)에서 측정되는 생체 정보를 저장 등록하거나 상기 생체정보 분석 인공지능기반 딥러닝 서버(100)의 학습을 보조할 수 있는 컴퓨터, 스마트단말기 등과 같은 사용자 단말기(30)를 포함할 수 있다.

여기서 네트워크(20)는 공중전화망, 인터넷망 등과 같이 생체 정보 측정 장치(10), 개인용 컴퓨터(31), 스마트단말기(33), 생체정보 분석 인공지능기반 딥러닝 서버(100)가 서로 정보를 송수신할 수 있는 네트워크로, 본 발명이 적용되는 분야에 따라 다양한 종류의 네트워크가 사용될 수 있으며, 이는 본 발명의 범위에 속한다.

생체 정보 측정 장치(10)는 2G, 3G, LTE, Wi-Fi 등 기간 통신망을 이용할 수 있는 모뎀을 갖추고 있어 사용자가 생체 정보를 측정할 때마다, 생체 정보 측정장치(10)의 식별자와 측정한 생체 정보를 구비하는 생체 정보 메시지를 생성하고, 생성한 생체 정보 메시지를 생체정보 분석 인공지능기반 딥러닝 서버(100)로 송신할 수도 있다.

상기 생체 정보 측정장치(10)가 통신을 할 수 없는 경우에는 개인용 컴퓨터(31) 또는 스마트 단말기(33) 등과 같은 사용자 단말기(30)를 통해 생체 정보 측정장치(10)의 식별자와 측정한 생체 정보를 구비하는 생체 정보 메시지를 생체정보 분석 인공지능기반 딥러닝 서버(100)로 송신할 수 있다.

도 2는 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 학습 시스템중 생체정보분석 인공지능기반 딥러닝 서버의 구성도이다.

도 2에 도시된 바와 같이, 상기 생체정보 분석 인공지능기반 딥러닝 서버(100)는 상기 생체정보 측정장치(10)를 통해 채혈한 혈액을 센서(Strip)에 주입함으로써 일어나는 전기화학적 반응을 통해 1차원 시계열 데이터(Time series data)를 획득하는 신호획득부(110)와, 상기 신호획득부(110)로부터 획득된 신호 중에 혈액 주입 이상 및 하드웨어 이상으로 인한 이상 신호를 제외하거나, 상기 생체정보 측정장치(10)에서 이용될 수 있는 최적화된 생체정보 측정 알고리즘을 얻기 위해서 신호를 전처리하는 신호처리부(130)와, 상기 신호처리부(130)를 통해 처리된 신호를 이용하여 최적화된 생체정보 측정 알고리즘을 딥러닝 인공신경망기법을 활용하여 자동으로 특징을 추출하는 생체정보 측정 알고리즘 생성부(150)와, 상기 생체정보 측정장치(10)에서 이용할 수 있는 최적화 알고리즘 결과 제공부(170)를 포함할 수 있다.

상기 신호처리부(130)는 상기 생체정보 측정 알고리즘 생성부(150)에서 학습할 수 있도록 정규화(Normalization) 혹은 표준화(Standardization)를 통해 데이터를 일정한 크기(scale) 혹은 분포(distribution)로 변환하며, 변환된 데이터는 다채널 데이터를 조합하거나 도메인 전환(예를 들어, 시간 혹은 주파수 도메인)등의 신호처리 및 데이터 변환을 이용하여 데이터 이미지화 시킬 수 있다.

상기 생체정보 측정 알고리즘 생성부(150)는 혈당측정을 위한 알고리즘 구조를 형성하는 알고리즘 구조부(151)와, 혈당 예측 값이 참 값인 혈당 값을 가장 정확하게 예측할 수 있도록 알고리즘 내의 변수들을 조정하는 알고리즘 학습부(153)와, 혈당 값 예측의 정확도 및 정밀도 향상을 위해 하나 이상의 알고리즘을 조합하여 최종 예측 값은 산출하는 앙상블 알고리즘부(155)를 포함할 수 있다.

또한, 상기 알고리즘 구조부(151)는 상기 신호처리부(130)를 통해 신호 전처리된 생체정보 신호 데이터 속에 포함된 측정물의 특징을 추출하는 특징추출부(151a)와 상기 특징 추출부(151a)를 이용해 구해진 특징들을 이용하여 혈당 값을 추정하는 혈당값 예측부(151b)를 포함할 수 있다.

상기 알고리즘 구조부(151)는 측정물의 성분, 헤마토크릿, 온도, 간섭종의 특성 등 주변환경을 반영한 이미지에서 분류 혹은 측정하고자 하는 결과 값을 반영하는 특징을 딥러닝 인공신경망기법을 활용하여 자동으로 추출한다.

상기 알고리즘 학습부(153)는 추출된 특징을 사용하여 알고리즘 학습과정을 거쳐 결과 값의 오차가 최소가 되는 인공신경망 층간의 가중치(Weight) 및 바이어스(Bias)를 도출한다.

상기 알고리즘 구조부(151)는 인공신경망 알고리즘으로 목적에 맞게 특정 값을 추정하는 회귀모델로 활용이 가능하며 또한 측정물의 종류를 분류하는 분류기로 활용이 가능하다.

본 명세서에 있어서, 혈당 측정 시의 헤마토크릿에 의하여 측정오차가 발생하는 것을 보정하는 것을 바람직한 실시예로 설명하지만, 글루코오스 검사와 마찬가지로 특정효소를 도입함으로써 다양한 대사물질, 예를 들면 베타하이드록시뷰티레이트(일명 케톤), 콜레스테롤, 락테이트, 크레아티닌, 과산화수소, 알코올, 아미노산, 글루타메이트와 같은 유기물 또는 무기물의 농도도 동일한 방법으로 측정값을 보정할 수 있다. 따라서 본 발명은 시료층 조성물에 포함되는 효소의 종류를 달리함으로써 다양한 대사물질의 정량에 이용될 수 있다.

예를 들면, 베타하이드록시뷰티레이트 탈수소화효소(β-hydroxybutyrate dehydrogenase), 글루코오스산화효소(glucose oxidase, GOx), 글루코오스탈수소화효소(glucose dehydrogenase,GDH), 글루타메이트산화효소(glutamate oxidase) 글루타메이트탈수소화효소(glutamate dehydrogenase), 콜레스테롤산화효소, 콜레스테롤에스테르화효소, 락테이트산화효소, 아스코빅산산화효소, 알코올산화효소, 알코올탈수소화효소, 빌리루빈산화효소 등을 사용하여, 베타하이드록시부티레이트, 글루코오스, 글루타메이트, 콜레스테롤, 락테이트, 아스코빅산, 알코올 및 빌리루빈 등의 정량을 수행할 수 있다.

　본 발명의 일 실시예에 따른 생체정보 측정장치(10)에는, 작동전극 및 보조전극이 서로 다른 평면상에서 대면하도록 구비되고, 상기 작동전극 위에 물질에 따른 효소 및 전자전달매체를 포함한 시약조성물이 코팅된 대면형 전기화학적 바이오센서가 적용될 수 있다.

　또한, 본 발명의 일 실시예에 따른 생체정보 측정장치(10)에는, 작동전극 및 보조전극이 한 평면상에 구비되고, 상기 작동전극 위에 물질에 따른 효소 및 전자전달매체를 포함한 시약조성물이 코팅된 평면형 전기화학적 바이오센서가 적용될 수 있다.

　도 3 및 도 4b를 참조하여 본 발명의 일 실시예에 따른　인공신경망 딥러닝 기법을 활용한 혈당 측정 방법 및 장치에 대해서 설명한다.

도 3은 본 발명의 일 실시예에 따른　인공신경망 딥러닝 기법을 활용한 혈당 측정장치의 내부 구성도이다.

도 3에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정장치(10)는 기존의 전기화학적 바이오센서, 즉 스트립(1)의 한 쌍의 작동전극과 보조전극의 구조를 그대로 유지하면서, 일정전압 인가후 삼각파형 순환전압, 사각파형, 계단파형 또는 다른 변형된 삼각함수 형태의 파형을 인가하면 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법에 따라서 기존의 다중회귀(Multiple Linear Regression)방법에서 벗어나 알고리즘의 정확도, 정밀도, 및 헤마토크릿을 포함한 간섭 보정 성능을 개선할 수 있는 최적화된 혈당 추정 인공지능기반의 딥러닝 알고리즘에 따라서 혈당측정값을 제공할 수 있다.

본 발명의 일 실시예에 따른　인공신경망 딥러닝 기법을 활용한 혈당 측정장치(10)는 또한, 제한된 하드웨어에서도 최적화된 혈당 추정 인공지능기반의 딥러닝 알고리즘을 계산을 효율적으로 진행하여 연산 시간을 8초 이내에 진행할 수 있다.

본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정장치(10)는 상기 전기화학적 바이오센서(1)가 커넥터(11)에 장착되면, 상기 커넥터(11)는 전류-전압 변환기(12)에 전기적으로 접속되는데, 마이크로콘트롤러(15 ; MCU)가 디지털-아날로그컨버터 회로(13: DAC)를 통해서 일정전압을 인가하고 삼각파형 순환전압을 상기 스트립(1)의 작동전극에 인가할 수 있도록 구성된다.

이를 위해서　 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정장치(10)의 펌웨어는 먼저 미리 결정된 삼각파형 순환전압을 발생시킬 수 있는 상수를 메모리에 저장하고, 일정전압을 인가할 때는 정해진 상수를 DAC(13)의 레지스터에 기록하고, 삼각파형 순환전압을 인가할 때는 정해진 시간을 주기로 상기 메모리에 저장된 상수값을 증/가감시켜 DAC(13)의 레지스터에 기록한다. 다만 여기에 예시하는 인가 순환전압의 파형은 예시일 뿐이며, 이 예시에 한정되지는 않고 동 사업의 종사자에게 당연한 모든 파형의 순환전압을 포함한다.

상기 마이크로콘트롤러(15)는 상기 DAC(13) 레지스터에 기록된 상수값에 따라 스트립의 두 전극 사이에 해당 전압을 인가시킨다.

도 4a는 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정방법에 인가된 전압과 응답전류의 예시도이다.

도 4a에 도시된 바와 같이, 일정전압이 인가되고 삼각파형 순환전압이 인가되면, 상기 스트립(1)을 통해서 측정된 응답전류가 상기 커넥터(11) 및 상기 전류-전압 변환기(12)를 거쳐 직접 아날로그-디지털컨버터 회로(13: ADC)를 통해서 측정될 수 있다.

한편, 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정장치(10)는 이상신호처리부(16)와 인공지능딥러닝알고리즘계산부(17)를 더 포함하는데, 상기 이상신호처리부(16)는 상기 스트립(1)이 상기 커넥터(11)에 접속이 불량하거나, 혈액 주입 이상 및 하드웨어 이상으로 인한 이상 신호가 검출되면 이를 경보, 디스플레이에 표시 등을 통해서 알리고, 상기 인공지능딥러닝 알고리즘 계산부(17)에서 불필요한 계산을 수행하지 않도록 할 수 있다.

상기 인공지능딥러닝알고리즘계산부(17)는 상기 생체정보 분석 인공지능기반 딥러닝 서버(100)에 의해서 도출된 최적화된 인공지능 딥러닝 혈당측정 알고리즘에 의해서 상기 스트립(1)을 통해서 측정된 응답전류로부터 혈당측정값을 8초 이내에 구할 수 있다.

이하 도 4b를 참조하여 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정방법을 설명한다.

도 4b는 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정방법의 플로우챠트이다.

　도 4b를 참조하면, 본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정방법은 시료를 준비하고(S110), 예를 들어 전기화학적 대면형 바이오센서(1)를 생체정보 측정장치(10)에 장전하고(S120), 상기 바이오센서(1)가 시료(혈액)에 접촉하여 상기 전기화학적 바이오센서(1)의 작동전극과 보조전극을 혈액이 적시는 순간 상기 전류전압변환기(12)를 통해서 일정전압을 인가하고(S130), 상기 일정전압 인가 후 대시간인가전압 종료시점에 연속적으로 삼각파형 순환전압을 인가한다(S140).

상기 이상신호처리부(16)에서 감응전류가 이상신호인지 여부를 판단하고(S150), 이상신호라고 판단되면 이를 경보, 디스플레이에 표시 등을 통해서 알릴 수 있다(S151).

또한, 이상신호가 아니라고 판단되면, 상기 인공지능딥러닝 알고리즘 계산부(17)에서 최적화된 인공지능 딥러닝 혈당측정 알고리즘에 의해서 측정된 응답전류로부터 혈당측정값을 구할 수 있다.

[비교예]

본 발명의 일 실시예에 따른 인공신경망 딥러닝 기법을 활용한 혈당 측정방법과 마찬가지로 일반적으로 종래의 다중 회귀를 이용한 혈당 측정 방법은 기존 평면형 또는 대면형의 전기화학적 바이오센서에 생체정보 측정장치(10)를 통해 일정한 전압을 인가하고 삼각형 순환파형을 인가하여 작동전극에서 환원된 전자전달매개체의 산화전위를 인가하여 생성된 전류값을 측정하여 혈당의 농도를 구하였다.

우선 정확도 성능에 대해서 다중선형회귀법을 사용하여 계산하는 알고리즘을 장착한 기존방법(이하 기존방법)과 본 발명의 제안방법(본원발명)으로 아래와 같이 비교하였다.

총 2회의 정확도 성능평가를 표준분석기인 YSI2300 시스템에서 동일 시료들에 대하여 얻은 분석값과 비교 실시하였으며(이하 모든 실시예의 비교의 기준은 YSI2300의 측정치와의 비교임), 이를 [표1] 및 도 5a에 기존방법과 제안방법에 대해서 표시한 바, 2번의 임상 테스트 모두 새로운 알고리즘 결과가 통계적으로(p=0.047) 개선됨을 확인하였다.

즉, 데이터 세트 1 및 2에 대해서 기존방법과 제안방법을 적용하여 샘플 수 각각 1,040, 600에 대하여 ISO15197 기준인 혈당 농도 100mg/dL 이상인 경우 기준 값 대비 ±15% 이내 혈당 농도 100mg/dL 미만인 경우 기준 값 대비 ±15mg/dL 이내인 정확도를 측정한다. 표준분석기의 측정값에 대한 Bias는 혈당 농도 100mg/dL 미만의 경우 (혈당 추정 값 - 기준 값)으로 계산되며 혈당 농도 100mg/dL 이상의 경우 ((혈당 추정 값 - 기준 값)/기준 값)*100으로 계산 한다. 정확도 성능을 나타내는 지표로 정확도, bias 평균, 그리고 평균제곱근편향도(root mean square bias; RMSB)를 사용하였다. RMSB는 RMSB =

으로 계산 한다.

표 1은 기존방법의 다중선형회귀분석법을 사용한 시스템에서 얻은 혈당측정값과 본 발명의 일 실시예에 따른 딥러닝 알고리즘을 채용한 시스템에서 얻은 혈당측정값들의 표준분석기 YSI2300 시스템에서 얻은 측정치들에 대한 편향도(bias) 비교를 나타낸다.

도 5a는 기존방법과 제안방법에 따른 임상 테스트 정확도 성능을 나타내는 그래프이다. 도 5a와 표 1을 통해 제안 방법의 정확도가 1차와 2차 테스트에서 98.9%, 99.7%로 기존 방법 98.7%, 98.5%와 비교하여 정확도가 개선되었다. 또한 Bias 평균이 기존 방법과 비교하여 제안 방법에서 5.6→4.9, 5.7→4.4로 개선되었으며 RMSB는 11.1→9.8, 13.1→6.7로 개선되었다.

또한, 표 2는 기존방법의 다중선형회귀분석법을 사용한 시스템에서 얻은 혈당측정값과 본 발명의 일 실시예에 따른 딥러닝 알고리즘을 채용한 시스템에서 얻은 혈당측정값들의 헤마토크릿 42% 시료에서 얻은 혈당측정값들에 대한 평균 편향도(bias) 비교를 나타낸다.

표 2에 표시된 바와 같이, 헤마토크릿 영향 평가를 실시하였으며, 기존방법에 비해 제안방법이 우수한 결과를 나타냄을 알 수 있다.

시료는 글루코오스 표준용액으로, 글루코오스 표준용액이라 함은 정맥에서 추출한 혈액을 헤마토크릿 15%~ 65%에 맞추고 글루코오스분석기, 즉 YSI의 2300 Stat Plus를 사용하여 특정 글루코오스 농도를 가지도록 제조한 혈액을 말하는 것으로, 준비된 농도의 표준 혈액 시료를 23도에서 각 10회씩 측정하였다.

헤마토크릿 영향 평가는 ISO15197 기준으로 각 글루코오스의 헤마토크릿 42%인 시료의 평균기준으로 각 헤마토크릿의 평균의 차이가 글루코오스 100mg/dL미만의 경우 10mg/dL이하, 100mg/dL이상의 경우 10%이하여야 한다.

　표 2에 나타낸 값은 글루코오스 340 mg/dL 헤마토크릿 42% 시료의 혈당값 기준으로 각 헤마토크릿에서의 평균 차이를 나타낸 값이다. 헤마토크릿에 따라 평균의 차이가 발생한다.

　즉, 혈액 내 헤마토크릿의 양에 따라 혈당 추정 값이 달라지는 것을 알 수 있다.

기존 방법과 제안 방법의 헤마토크릿 보정 능력의 정량적 비교를 위해서 Mean-Absolute-Difference(MAD)를 사용하였다. MAD는 헤마토크릿 42%기준 각 헤마토크릿의 평균 차이를 절대값 평균을 취한 값이다.

　보다 구체적으로, 기존 방법은 헤마토크릿에 대한 영향이 글루코오스 340mg/dL에서 MAD가 5.9이지만 제안 방법은 3.5로 헤마토크릿 보정 능력이 개선되었다.

또한, 정밀도 성능평가를 실시하였다. 알고리즘의 정밀도는 ISO15197을 기준으로 혈당 농도 100mg/dL미만은 혈당 추정 값의 표준편차로 계산하며, 100mg/dL 이상은 coefficient of variation(CV)로 계산한다. CV는 각 실험조건의 혈당값 표준편차를 산술 평균으로 나눈 값이다.

한편, 표 3은 기존방법의 다중선형회귀분석법을 사용한 시스템에서 얻은 혈당측정값과 본 발명의 일 실시예에 따른 딥러닝 알고리즘을 채용한 시스템에서　반복 측정을 통해 얻은 혈당측정값들의 정밀도 비교를 나타낸다.

여기서, 글루코오스 100mg/dL 미만의 경우 측정치의 표준편차값을 이용하며, 100mg/dL 이상의 경우 측정치들의 변동계수(CV)를 이용한다.

[표 3]에 나타낸 바와 같이, 본 발명의 일 실시예에 따른 혈액내 특정물질의 농도 측정방법의 정밀도 결과가 비교예에 따른 혈액내 특정물질의 농도 측정방법에 비하여 분산비 검증인 F-test 결과 p=0.000를 얻어 통계적으로 유의한 개선임을 확인하였다.

노이즈 민감도 성능과 관련하여 도 5b를 참조하여 설명한다.

도 5b에 나타낸 바와 같이, 스트립 반응신호에 일정한 크기의 노이즈를 임의로 가하였을 때 알고리즘 값의 영향을 확인하였다. 기존 신호의 표준 편차 대비 0~40%크기의 랜덤 노이즈를 가했을 때 알고리즘 값의 변화를 확인하였다. 임상에서 임상에서 중요한 110mg/dL의 경우, 기존 방법에서는 노이즈 크기에 따라 root-mean-square-error(RMSE)가 약 5~37mg/dL가 차이가 나는 반면 제안한 방법에서는 약 4~9mg/dL 정도로 노이즈에 대한 안정성이 개선되었다.　　

이제 6a 내지 도 9을 참조하여 인공신경망 딥러닝 기법을 활용한 측정물 분석 학습방법에 대해서 자세히 설명한다.

도 6a는 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법에 인가되는 전압 및 그 응답전류이며, 도 6b는 비정상 신호의 예시도이며, 도 6c는 다운샘플링방법의 개념도이며, 도6d는 다운샘플링의 예이며, 도 6e는 데이터의 관계 맵을 이용한 정보추출방법을 나타내는 그래프이다.

도 7 a는 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법의 알고리즘 구조 개념도이며, 도 7b는 알고리즘 특징 추출부의 구성도이며, 도 7c는 특징추출부의 레이어 구조도이며, 도 7d는 알고리즘 혈당 추정부의 구성도이다.

도 8은 앙상블 알고리즘 구성도이고, 도 9는 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법의 플로우챠트이다.

본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법은, 신호획득부(110)에서 상기 생체정보 측정장치(10)를 통해 채혈한 혈액을 센서(Strip)에 주입함으로써 일어나는 전기화학적 반응을 통해 1차원 시계열 데이터(Time series data)를 획득한다(S210).

온도 5~50 °C, 헤마토크릿 10~70 %, 그리고 글루코오스 10~630 mg/dL의 다양한 실험조건에서 온도 및 습도가 제어 가능한 챔버실에서 [표 4]와 같은 변수 및 실험조건에서 실험데이터를 획득하였다.

표 4는 학습 데이터 획득을 위한 실험 조건을 나타낸다.

변수	실험 조건
온도	5, 9,　13, 18, 23, 28, 34, 42, 50 (°C)
글루코오스	10,　35, 70, 120, 180, 250, 330, 420, 520, 630 (mg/dL)
헤마토크릿	10,　20, 30, 42, 49, 56, 70 (%)

실험데이터를 얻기 위한 혈액은 위의 실험조건으로 제조한 조제혈을 사용하였다. 조제혈 제조 방법은 항응고제 튜브에 채혈된 정맥혈을 이용하고, 원심분리하여 혈장, 혈구로 분리한다. 헤마토크릿은 혈장과 혈구 혼합 비율을 조절하여 맞추고, 제조하고자 하는 농도의 글루코오스를 첨가하여 각 실험조건의 조제혈을 만들었다.

사용한 스트립에는 모세관 구조의 시료셀에 효소와 전자전달매개체 및 각종 안정제와 분산제를 포함하는 시약이 코팅되어 있는 한 쌍의 전극(작동전극과 보조전극)이 배치되어 있다.

　　하나의 혈액 샘플 데이터를 획득하기 위해서 2전극 스트립에서 1초당 400번 데이터를 획득하는 방식을 사용한다면 3초간의 인큐베이션(스트립의 효소와 혈액이 화학적 반응이 일어나도록 기다리는 시간)과 반응을 측정하기 위해 2.65초간 인가한 시퀀스 전압에 대해서는 총 2260데이터 수집이 필요하다. 예를 들어, 인가되는 시퀀스와 혈액 반응으로 얻어지는 데이터는 도 6a에 도시된 그림과 같다.

학습에 필요한 데이터를 획득하기 위해서는 다수의 연구원이 상당기간 동안 항온 항습이 가능한 챔버에서 작업하는 노력이 필요하다. 실시예에서는, 온도, 글루코오스, 헤마토크릿 실험조건을 조합하여 반복측정을 통해 총 약 1억개 이상의 데이터를 획득하였다.

상기 신호획득부(110)에서 획득한 온도, 글루코오스, 헤마토크릿 실험조건을 조합하여 반복측정을 통해 얻은 데이터에 대해 신호처리부(130)는 정규화(Normalization) 혹은 표준화(Standardization)를 통해 데이터를 일정한 크기(scale) 혹은 분포(distribution)로 변환한다.

변환된 데이터는 다채널 데이터를 조합하거나 도메인 전환(예를 들어, 시간 혹은 주파수 도메인)등의 신호처리 및 데이터 변환을 이용하여 데이터 이미지화 한다. 상기 신호처리부(130)는 도 6b에 도시된 바와 같이, 신호 획득시 혈액 주입 이상 및 하드웨어 이상으로 인해 비정상적인 데이터가 발생 할 수 있는데, 예컨대, 비정상 신호는 스파이크성 노이즈가 나타나면, 이상신호 제외 알고리즘을 통하여 에러로 처리한다.

비정상 신호를 에러 처리하기 위해서 시간에 따른 데이터의 변화 정도가 일정한 값 이상이 되면 추출하는 방식과 정상 신호에서 나타날 수 있는 신호 범위를 벗어난 경우 추출하는 방법을 혼합하여 사용했다.

한편, 전극으로부터 얻은 전기화학적 반응 신호는 1초당 400회 데이터를 수집하는 방식으로 2.65초간 특정 시퀀스를 인가하여 1060번 데이터를 수집하였으며, 본 발명의 생체정보 측정장치(10)의 경우 STM32L MCU와 같은 제한된 하드웨어에서 1060번의 데이터를 모두 처리하려면 실시 예의 알고리즘 구조일 경우 약 32초 소요되는 문제가 발생한다.

혈당 측정을 위해 소모되는 시간이 32초라는 것은 제품으로서 상품성이 저하되기 때문에 최적화 작업이 필요하다. 따라서 제한된 하드웨어에서 연산량이 많은 알고리즘을 처리하기 위해서는 1060개로 이루어진 원 신호의 차원을 줄이기 위해서 row rank approximation 방법과 다운 샘플링 방법을 적용했다.

본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법에 있어서, 신호처리부(130)는 신호 전처리로서, 알고리즘의 연산량은 10분의 1수준으로 줄이면서 시계열 신호의 특징은 유지할 수 있는 다운 샘플링 방법을 도 6c에 도시하는 바와 같이 실시하였다.

도 6d에 도시된 바와 같이, 10분의 1수준으로 데이터 크기를 줄였음에도 불구하고 기존 시계열 신호의 특징은 그대로 가지고 있는 신호를 획득하였다. 다운 샘플링 결과 혈당 측정에 소요되는 시간을 약 32초에서 3초로 줄였다.

도 6e에 도시된 바와 같이, 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법에 있어서, 신호처리부(130)는 단일전극에서 획득된 혈액 샘플의 원 신호에서 추가적인 정보를 획득하기 위하여 시간에 따른 데이터의 관계 맵 및 도메인 변화를 적용하였다.

본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법에 있어서, 원 신호를 미분 및 적분한 신호로 변환하여 추가한다. 따라서 입력신호는 센서로부터 획득된 원 신호와 그 신호의 미분 및 적분신호 3가지로 이루어진다. 이를 통해 단일 전극에서 얻은 신호를 통해 다-전극에서 신호를 얻은 효과를 얻을 수 있다.

도 7a는 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법의 알고리즘 구조 개념도이며, 도 7b는 알고리즘 특징 추출부의 구성도이며, 도 7c는 특징추출부의 층상(Layer, 레이어) 구조도이며, 도 7d는 알고리즘 혈당 추정부의 구성도이며, 도 8은 앙상블 알고리즘 구성도이다.

한편, 도 7a 에 도시된 바와 같이, 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법에 있어서, 혈당 측정을 위한 알고리즘 구조부(150)는 혈당 측정을 위한 알고리즘 구조를 형성한다(S230).

혈당 측정을 위한 알고리즘 구조는 신호의 특징 추출부(151)와 혈당 값 예측부(153)로 나뉜다. 알고리즘의 크기가 클수록 컴퓨팅 파워는 크지만, 그만큼 자원의 소모도 늘어난다. 혈당 측정기와 같은 제한된 하드웨어서 딥러닝과 같은 연산량이 많은 알고리즘을 구현하기 위해서는 알고리즘 구조를 최소화 기술이 필요하다. 단순히 알고리즘의 크기만 줄이는 것이 목적이 아니라 성능 하락을 최소화하면서 알고리즘 구조를 축소하는 것이 목적이다.

알고리즘 구조를 축소하기 위해서 중요하지 않는 연결(가중치)을 제거하는 Connection pruning, 유사 연결(가중치)끼리 그룹화하는 Weight encoding-sharing, 및 알고리즘 모델 정규화 기술을 적용하여 알고리즘의 성능 하락은 최소화하면서 알고리즘 구조의 크기는 축소하였다.

상기 특징 추출부(151)의 입력신호는 앞서 설명된 신호 전처리 과정을 거친 1x106크기의 데이터이다. 데이터 속에 포함된 특징을 추출하기 위해서 크게 5개의 층상 구조를 구성하였다.

상기 특징 추출부(151)를 여러 층으로 구성한 이유는 raw data에서 획득할 수 있는 추상적인 특징을 여러 층을 통해 가공함으로써 구체화하기 위함이다. 상기 특징 추출부(151)의 각 층에는 특징을 추출하기 위한 Convolution 필터를 설정한다.

본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법에 있어서, 입력신호에 따라 원 신호는 1x5, 미분 및 적분 신호는 1x3크기의 필터를 사용하였으며, 각 층에 따라 사용된 필터의 개수는 [표 5] 같다.

표 5는 실시예에서 사용된 필터 사이즈 및 개수이다.

	필터 사이즈			필터 개수
	원 신호	미분 신호	적분 신호	원 신호	미분 신호	적분 신호
층상 1	5x1	3x1	3x1	16	16	16
층상 2	5x1	3x1	3x1	16	16	16
층상 3	5x1	3x1	3x1	16	16	16
층상 4	5x1	3x1	3x1	32	32	32
층상 5	5x1	3x1	3x1	32	32	32

각 층상은 Convolution을 수행하는 부분과 Batch normalization을 수행하는 부분, 활성화 함수 그리고 Max pooling으로 구성되어있다.

[Convolution]

여기서 Convolution은 도 7b와 같이 설정된 필터를 이용하여 데이터의 시작부분부터 끝부분까지 순차적으로 연산을 진행한다. Convolution 연산은

가 되며 n은 필터 크기가 된다.

[Batch normalization과 ReLU]

Batch normalization과 ReLU는 딥러닝 학습과 관련하여 문제가 될 수 있는 Covariate shift과 Gradient vanishing 문제를 해결하고자 사용하였다.

Batch normalization은 데이터가 k개의 차원을 가진다면 각각 차원마다 아래의 식으로 계산한다.

ReLU 함수는 Batch normalization을 통해 구한

에 대해 아래의 식으로 계산한다.

[Pooling]

Convolution 연산을 통해 도출되는 데이터의 크기를 줄이기 위해서 특징추출부에서 Max pooling과 Mean pooling을 적용했다.

각 층상은 Convolution을 수행하는 부분과 Batch normalization을 수행하는 부분, 활성화 함수 그리고 Max pooling 혹은 Mean pooling으로 구성되어있다.

도 7c은 5개의 층으로 구성된 특징 추출부의 각 층의 예다. 알고리즘 특징 추출부는 각 신호에 따라 32가지의 특징을 출력하게 된다.

상기 혈당 값 예측부(153)에서는 특징 추출부를 이용해 구해진 32개의 특징을 이용하여 혈당 값을 추정한다. 상기 혈당 값 예측부(153)는 총 2개의 층으로 구성되어 있다. 32개의 값을 이용하여 첫 번째 층에서 32x16 가중치 배열을 이용하여 32개의 특징을 16개로 축소하고, 두 번째 층에서 16x8 가중치 배열을 이용하여 16개의 특징을 8개로 축소한 다음, 최종적으로 혈당 값을 추정한다.

각 특징을 노드(node)라고 부르며, 이웃한 층의 노드들은 모두 연결되어 있다. 학습을 통해 이 노드들의 가중치를 결정하게 된다.

도 7d에 도시된 바와 같이, 상기 알고리즘 학습부(160)는 혈당 측정 알고리즘을 학습한다.

이 때, 혈당 예측 값이 참 값인 혈당 값을 가장 정확하게 예측할 수 있도록 알고리즘 내의 변수들을 조정하는 것이다. 알고리즘 내의 변수는 상기 특징 추출부(151)의 필터의 값 혹은 상기 혈당 값 예측부(153)의 노드들 사이의 가중치등이 될 수 있다.

최적화의 목표는 Loss function을 최소화하는 것이다. Loss function은 혈당 값과 예측 값의 root mean square error 값으로 정의하였다.

Loss를 최적화 하는 방법으로 Gradient Descent optimizer, Momentum optimization, Nesterov Accelerated Gradient, AdaGrad, RMSProp, 그리고 Adam optimization 등을 활용하여 최대한의 성능을 보이는 방법을 적용하였다.

혈당 예측값과 참값의 차이에 따라 알고리즘 내의 변수들을 업데이트해주기 위하여 Adam optimization을 사용하였고, 변수 업데이트 정도는 학습률(η)에 의해 결정되며 본 알고리즘에서는 0.00001로 설정하였다. 기본적인 Loss를 최적화 과정은 아래와 같다.

1.　 최적화할 변수 및 학습률 설정한다.

2.　 혈당 예측값과 참값의 차이가 최소가 될 때까지 학습을 반복한다.

1)학습을 반복할 때 마다 학습 데이터의 일부를 무작위로 선택한다.

2)선택된 데이터에 대한 예측값과 참값의 차이에 대한 보상정도를 계산한다.

3)알고리즘 내의 최적화할 변수들을 계산된 보상정도에 따라 학습률만큼 업데이트한다.

알고리즘 연산 시간을 줄이기 위해 연산에 필요한 최소한의 데이터가 쌓이면 데이터를 수집과는 별개로 연산을 진행하게 된다. 즉, 데이터를 모두 수집한 뒤 데이터를 연산하는 방식이 아닌 데이터 수집과 연산을 동시에 진행하는 방식이다

본 실시 예에서는, 데이터 수집 후 연산할 경우 약 3.3초의 연산 시간이 필요하지만 위에서 언급한 방법을 통해 데이터 수집 후 약 1초 내로 모든 연산이 완료될 수 있도록 하여 연산 시간을 약 2.3초 개선시켰다.

이제 상기 앙상블 알고리즘부(170)가 혈당 값 예측의 정확도 및 정밀도 향상을 위해 하나 이상의 알고리즘을 조합하여 최종 예측 값은 산출한다.

도 8에 도시된 바와 같이, 입력 신호가 3가지, 원신호, 미분 및 적분신호일 때 각각 혈당 값이 예측되는데, 3가지의 알고리즘으로 구해진 혈당값의 가중평균을 통하여 최종 혈당 값을 산출하였다.

최종 값 산출 방법은 각 알고리즘의 중요도에 따라 가중치를 달리 부여할 수 있으며, 3개 알고리즘의 출력 값을 이용하여 소규모 네트워크 알고리즘을 추가적으로 구성할 수도 있다.

도 9를 참조하여, 본 발명의 일 실시예에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법의 플로우챠트를 한번 더 간단히 설명한다.

본 발명의 다른 측면에 따른 생체정보 분석 인공지능기반 딥러닝 학습방법은, 생체정보 측정장치를 통해 채혈한 혈액을 한쌍의 전극을 갖는 센서(Strip)에 주입함으로써 일어나는 전기화학적 반응을 통해 신호를 획득하는 단계(S210)와, 상기 획득된 신호를 인공지능 딥러닝을 위한 신호로 처리하는 단계(S230)와, 신호의 특징 추출부와 혈당 값 예측부로 이루어진 혈당 측정을 위한 알고리즘 구조를 형성하는 단계(S240)와, 혈당 예측 값이 참 값인 혈당 값을 가장 정확하게 예측할 수 있도록 알고리즘 내의 변수들을 조정하여 혈당 측정 알고리즘을 학습하는 단계(S250)와, 최적화하는 단계를 포함할 수 있다(S260).

10: 생체정보 측정장치 110 : 신호획득부
130 : 신호처리부 150 : 생체정보 측정 알고리즘 생성부
170 : 최적화 알고리즘 결과 제공부

Claims

생체정보 측정장치; 및
상기 생체정보 측정장치를 통해 채혈한 혈액을 한쌍의 전극을 구비한 센서에 주입함으로써 일어나는 전기화학적 반응을 통한 신호를 획득하는 신호획득부와, 상기 신호획득부로부터 획득된 신호를 인공지능 딥러닝 학습을 위한 신호로 전처리하기 위한 신호처리부와, 상기 신호처리부를 통해 처리된 신호를 이용하여 최적화된 생체정보 측정 알고리즘을 딥러닝 인공신경망기법을 활용하여 자동으로 특징을 추출하는 생체정보 측정 알고리즘 생성부와, 상기 생체정보 측정장치에 최적화된 생체정보 측정 알고리즘을 제공하는 최적화 알고리즘 결과 제공부를 갖는 생체정보 분석 인공지능기반 딥러닝 서버를 포함하며,
상기 신호처리부는 상기 신호획득부로부터 획득된 신호 중에 혈액주입 이상 및 하드웨어 이상으로 인한 신호를 제외하며, 상기 생체정보 측정 알고리즘 생성부는 혈당측정을 위한 알고리즘 구조를 형성하는 알고리즘 구조부와, 혈당 예측 값이 참 값인 혈당 값을 가장 정확하게 예측할 수 있도록 알고리즘 내의 변수들을 조정하는 알고리즘 학습부와, 혈당 값 예측의 정확도 및 정밀도 향상을 위해 하나 이상의 알고리즘을 조합하여 최종 예측 값은 산출하는 앙상블 알고리즘부를 포함하며,
상기 신호처리부는 상기 생체정보 측정장치의 알고리즘 연산량을 줄이기 위해서 80Hz이하로 다운 샘플링을 진행하며, 단일전극에서 획득된 혈액 샘플의 원 신호에서 추가적인 정보를 획득하기 위하여 시간에 따른 데이터의 관계 맵 또는 도메인을 변화시키고, 상기 시간에 따른 데이터의 관계 맵으로 원신호, 미분신호, 적분신호를 이용하는 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템.
삭제
제 1 항에 있어서,
상기 알고리즘 구조부는 상기 신호처리부를 통해 신호 전처리된 생체정보 신호 데이터 속에 포함된 측정물의 특징을 추출하는 특징추출부와 상기 특징추출부를 이용해 구해진 특징들을 이용하여 혈당 값을 추정하는 혈당값 예측부를 포함하는 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템.
제 1 항에 있어서,
상기 알고리즘 구조부는 측정물의 성분, 헤마토크릿, 온도, 간섭종의 특성을 반영한 이미지에서 분류 또는 측정하고자 하는 결과 값을 반영하는 특징을 딥러닝 인공신경망기법을 활용하여 자동으로 추출하는 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템.
제 1 항에 있어서,
상기 알고리즘 학습부는 추출된 특징을 사용하여 알고리즘 학습과정을 거쳐 예측 결과 값의 오차가 최소가 되는 인공신경망 알고리즘 내의 변수 값을 도출하는 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템.
인공신경망 딥러닝 기법을 활용한 혈당 측정장치에 있어서,
한쌍의 전극을 갖는 전기화학적 바이오센서가 장착되는 커넥터;
상기 커넥터와 전기적으로 접속되는 전류-전압 변환기;
상기 전기화학적 바이오센서의 한쌍의 전극에 대해 일정전압을 인가하고 삼각파형 또는 사각파형, 계단파형 또는 다른 변형된 삼각함수 형태의 파형을 가지는 순환전압을 인가하도록 제어하는 디지털-아날로그컨버터 회로; 및
이들을 제어하는 마이크로콘트롤러를 포함하며,
상기 마이크로콘트롤러는 제 1 항, 제 3 항 내지 제 5 항 중 어느 한 항에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템에서 얻어진 최적화된 인공지능기반 딥러닝 알고리즘에 따라 자동으로 혈당을 계산하는 인공지능딥러닝 알고리즘 계산부를 구비하는 인공신경망 딥러닝 기법을 활용한 혈당 측정장치.
제 6 항에 있어서,
상기 전기화학적 바이오센서와 상기 커넥터에 접속이 불량하거나, 혈액 주입 이상 및 하드웨어 이상으로 인한 이상 신호가 검출되면 이를 경보, 디스플레이에 표시하는 이상신호처리부를 더 포함하는 인공신경망 딥러닝 기법을 활용한 혈당 측정장치.
제 6 항에 있어서,
상기 인공지능 딥러닝 알고리즘 계산부는 상기 생체정보 분석 인공지능기반 딥러닝 서버에 의해서 도출된 최적화된 인공지능 딥러닝 혈당측정 알고리즘에 의해서 상기 전기화학적 바이오센서를 통해서 측정된 응답전류로부터 혈당측정값을 8초 이내에 구하는 인공신경망 딥러닝 기법을 활용한 혈당 측정장치.
인공신경망 딥러닝 기법을 활용한 혈당 측정방법에 있어서,
시료를 준비하는 단계;
전기화학적 바이오센서를 생체정보 측정장치에 장전하는 단계;
생체정보 측정장치의 마이크로콘트롤러가 상기 전기화학적 바이오센서가 시료에 접촉하여 상기 전기화학적 바이오센서의 작동전극과 보조전극을 혈액이 적시는 순간 일정전압을 인가하고, 상기 일정전압 인가 후 대시간인가전압 종료시점에 연속적으로 삼각파형 또는 사각파형, 계단파형 또는 다른 변형된 삼각함수 형태의 파형을 가지는 순환전압을 인가하는 단계; 및
제 1 항, 제 3 항 내지 제 5 항 중 어느 한 항에 따른 인공신경망 딥러닝 기법을 활용한 측정물 분석 시스템에서 얻어진 최적화된 인공지능 딥러닝 혈당측정 알고리즘에 의해서 상기 생체정보 측정장치의 마이크로콘트롤러가 자동으로 측정된 응답전류로부터 혈당측정값을 계산하는 단계를 포함하는 인공신경망 딥러닝 기법을 활용한 혈당 측정방법.
제 9 항에 있어서,
상기 생체정보 측정장치의 마이크로콘트롤러가 상기 응답전류가 이상신호인지 여부를 판단하는 단계와, 이상신호라고 판단되면 혈당측정값을 계산하지 않고 경보, 디스플레이에 표시하는 단계를 포함하는 인공신경망 딥러닝 기법을 활용한 혈당 측정방법.
생체정보 분석 인공지능기반 딥러닝 학습방법에 있어서,
생체정보 분석 인공지능기반 딥러닝 서버의 신호획득부가 생체정보 측정장치를 통해 채혈한 혈액을 한쌍의 전극을 갖는 바이오센서(Strip)에 주입함으로써 일어나는 전기화학적 반응을 통해 신호를 획득하는 단계;
신호처리부가 상기 획득된 신호를 인공지능 딥러닝을 위한 신호로 처리하는 단계;
알고리즘 구조부가 신호의 특징 추출부와 혈당 값 예측부로 이루어진 혈당 측정을 위한 알고리즘 구조를 형성하는 단계;
알고리즘 학습부가 혈당 예측값과 참값의 차이가 최소가 되도록 알고리즘 내의 모든 변수들을 조정하여 혈당 측정 알고리즘을 학습하는 단계;
앙상블 알고리즘부가 제공한 앙상블 알고리즘을 이용하는 단계를 포함하며,
상기 신호처리하는 단계는, 상기 생체정보 측정장치의 알고리즘 연산량을 줄이기 위해서 80Hz이하로 다운 샘플링을 이용하는 단계와, 단일전극에서 획득된 혈액 샘플의 원 신호에서 추가적인 정보를 획득하기 위하여 시간에 따른 데이터의 관계 맵 또는 도메인 변화 단계를 포함하며, 상기 시간에 따른 데이터의 관계 맵으로 원신호, 미분신호, 적분신호를 이용하는 생체정보 분석 인공지능기반 딥러닝 학습방법.
제 11 항에 있어서,
상기 신호획득부는 온도 5~50 °C, 헤마토크릿 10~70 %, 그리고 글루코오스 10~630 mg/dL를 달리하여 신호를 획득하며, 상기 바이오센서의 한쌍의 전극에 1초당 400번 데이터를 획득하는 방식으로 3초간의 인큐베이션과 반응을 측정하기 위해 3초 이내의 시간 동안 특정 시퀀스 전압을 인가하는 생체정보 분석 인공지능기반 딥러닝 학습방법.
제 11 항에 있어서,
상기 신호처리하는 단계는, 신호 획득시 혈액 주입 이상 및 하드웨어 이상으로 인해 비정상 신호를 처리하는 단계를 포함하며,
상기 비정상 신호를 처리하는 단계는 스파이크성 노이즈가 나타나면 이상신호 제외 알고리즘으로 제외하거나, 비정상신호와 데이터의 차이가 일정 값 이상이 되면 제외하는 단계를 포함하는 생체정보 분석 인공지능기반 딥러닝 학습방법.
삭제
제 11 항에 있어서,
상기 특징 추출부는 상기 신호처리된 1x106크기의 데이터이며, 특징 추출을 위한 5개의 층을 구성하며, 각 층에는 입력신호에 따라 원 신호는 1x5, 미분 및 적분 신호는 1x3크기의 필터를 사용하며,　 Convolution을 수행하는 부분과 Batch normalization을 수행하는 부분, 활성화 함수 그리고 pooling으로 구성되어 각 신호에 따라 32가지의 특징을 추출하는 생체정보 분석 인공지능기반 딥러닝 학습방법.
제 11 항에 있어서,
상기 혈당 값 예측부에서는 상기 특징 추출부로부터 구해진 32개의 특징을 이용하여 혈당 값을 추정하며, 상기 혈당 값 예측부는 총 2개의 층으로 구성되어 첫 번째 층에서 32x16 가중치 배열을 이용하여 32개의 특징을 16개로 축소하고, 두 번째 층에서 16x8 가중치 배열을 이용하여 16개의 특징을 8개로 축소한 다음, 최종적으로 혈당 값을 추정하는 단계를 포함하는 생체정보 분석 인공지능기반 딥러닝 학습방법.
제 11 항에 있어서,
상기 알고리즘 학습단계는 최적화할 변수 및 학습률 설정하는 단계와, 상기 혈당 예측값과 참값의 차이가 최소가 될 때까지 알고리즘의 최적화할 변수 값을 예측값과 참값의 차이에 따른 보상정도를 학습률만큼 업데이트하는 학습의 과정을 반복하는 단계를 포함하는 생체정보 분석 인공지능기반 딥러닝 학습방법.
제 11 항에 있어서,
상기 앙상블 알고리즘을 이용하는 단계는 입력 신호가 3가지, 원신호, 미분 및 적분신호일 때 각각 알고리즘으로 구해진 혈당 값을 가중 합을 통하여 최종 혈당 값을 산출하는 단계를 포함하는 생체정보 분석 인공지능기반 딥러닝 학습방법.