KR102271793B1 - 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법 - Google Patents

인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법 Download PDF

Info

Publication number
KR102271793B1
KR102271793B1 KR1020200173318A KR20200173318A KR102271793B1 KR 102271793 B1 KR102271793 B1 KR 102271793B1 KR 1020200173318 A KR1020200173318 A KR 1020200173318A KR 20200173318 A KR20200173318 A KR 20200173318A KR 102271793 B1 KR102271793 B1 KR 102271793B1
Authority
KR
South Korea
Prior art keywords
data
complex
biosignal
learning
database
Prior art date
Application number
KR1020200173318A
Other languages
English (en)
Inventor
김윤관
송희석
이영신
Original Assignee
(주)씨어스테크놀로지
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)씨어스테크놀로지 filed Critical (주)씨어스테크놀로지
Priority to KR1020200173318A priority Critical patent/KR102271793B1/ko
Application granted granted Critical
Publication of KR102271793B1 publication Critical patent/KR102271793B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A61B5/0452—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

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

Abstract

본 발명은 용자의 복합생체신호 데이터를 획득하고, 이를 머신러닝 혹은 딥러닝 기술을 통해 학습한 결과를 통해 사용자의 생체상태, 진단 및 결과 예측이 가능하도록 함은 물론, 헬스케어 분야의 빅데이터 기반 인공지능 분석 모델 개발에 소요되는 기간과 비용을 획기적으로 줄이고 정확도 높은 모델 개발이 가능하도록 하는 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법에 관한 것이다.

Description

인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법{SYSTEM FOR PROVIDING A PLATFORM FOR INTEGRATING AND PROCESSING BIG DATA OF COMPLEX BIOLOGICAL SIGNALS BASED ON ARTIFICIAL INTELLIGENCE AND METHOD FOR PROCESSING BIG DATA OF COMPLEX BIOLOGICAL SIGNALS USING THEREOF}
본 발명은 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법에 관한 것으로서, 보다 구체적으로는, 사용자의 복합생체신호 데이터를 획득하고, 이를 머신러닝 혹은 딥러닝 기술을 통해 학습한 결과를 통해 사용자의 생체상태, 진단 및 결과 예측이 가능하도록 함은 물론, 헬스케어 분야의 빅데이터 기반 인공지능 분석 모델 개발에 소요되는 기간과 비용을 획기적으로 줄이고 정확도 높은 모델 개발이 가능하도록 하는 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법에 관한 것이다.
일반적으로, 생체신호는 세포의 활동에서 발생되는 생물학적 신호로서, 주로 전기 및 자기신호를 말하며 생리계통의 상태를 반영하는 모든 정보를 의미한다.
이러한 생체신호는 전통적 생리 지표인 체온, 맥박, 혈압, 호흡, 혈당뿐만 아니라, 웨어러블 센서 및 통신기술의 발달에 힘입어 심전도, 산소포화도 및 신체활동 지수 등을 모두 포함한다.
한편, 생체 신호의 측정 및 분석은 생체기능과의 상관성을 파악하고 표준화함으로써 기능적 질환의 진단 및 치료에 활용 가능하다. 또한 대량의 데이터 수집, 저장, 처리 및 분석 작업은 새로운 가치를 창출할 수 있으므로, 대량의 생체 신호를 수집, 저장, 처리, 분석할 수 있는 플랫폼 구축이 매우 중요하다.
현재는 미국, 영국, 일본 캐나다 등에서 공공사업형태로 데이터를 취득하여 생체정보 데이터베이스를 구축 및 대량의 생체정보들을 축적하고 있지만, 데이터를 활용한 모델개발에 맞도록 가공하는 데에 시간 소요가 많으며, 동서양인의 생체정보 차이가 존재함에도 불구하고 인간의 생리적 특성들을 고려하지 못한 수집, 처리 방법으로 구성되어 있다는 점에서, 국내 헬스케어 분야에 활용 가능한 진단 및 예측 모델 개발이 필요한 실정이다.
한국등록특허 제10-2099214호
본 발명은 상술된 문제점을 해결하기 위해 도출된 것으로서, 사용자의 복합생체신호 데이터를 획득하고, 이를 머신러닝 혹은 딥러닝 기술을 통해 학습한 결과를 통해 사용자의 생체상태, 진단 및 결과 예측이 가능하도록 함은 물론, 헬스케어 분야의 빅데이터 기반 인공지능 분석 모델 개발에 소요되는 기간과 비용을 획기적으로 줄이고 정확도 높은 모델 개발이 가능하도록 하는 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템은 하나 이상의 웨어러블 센서 각각을 통해 사용자의 복합생체신호 데이터를 획득하는 복합생체신호 데이터 획득부, 획득된 상기 복합생체신호 데이터를 저장하는 데이터베이스, 상기 데이터베이스로부터 상기 복합생체신호 데이터를 불러온 후 데이터 행변환 과정 및 특징 추출(feature extraction) 과정을 포함하는 데이터 전처리 과정을 통해 인공지능 학습에 필요한 데이터를 생성하는 데이터 전처리부 및 데이터 전처리 과정이 완료된 복합생체신호 데이터를 상기 데이터베이스의 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 수행하고, 반복 수행한 결과를 토대로 상기 복합생체신호 데이터 획득부를 통해 실시간으로 획득되는 복합생체 신호 데이터를 분석하여 사용자의 생체상태를 진단 및 예측한 결과를 출력하는 인공지능 학습부를 포함하는 것을 특징으로 할 수 있다.
일 실시예에서, 상기 하나 이상의 웨어러블 센서는 심전도 센서, 체온 센서 및 산소포화도 센서 중 어느 하나 이상을 포함하며, 사용자의 심전도, 체온, 산소포화도, 호흡수, 신체활동 지수에 대한 정보를 획득하는 것을 특징으로 할 수 있다.
일 실시예에서, 상기 복합생체신호 데이터 획득부는 상기 심전도 센서를 통해 획득되는 심전도 데이터들 중에서, 심전도 데이터의 파형, 박동 및 율동에 대한 레이블 작업이 완료된 심전도 데이터를 추출하여 획득하는 것을 특징으로 할 수 있다.
일 실시예에서, 상기 복합생체신호 데이터 획득부는 획득된 상기 복합생체신호 데이터를 배치(batch) 처리 방식으로 비식별화한 후 상기 데이터베이스에 저장하고, 차회 배치 처리 방식으로 비식별화되는 복합생체신호 데이터를 기 저장된 복합생체신호 데이터에 반영 및 업데이트시키는 것을 특징으로 할 수 있다.
일 실시예에서, 상기 데이터 전처리부는 비식별화된 상기 복합생체신호 데이터에 스키마(schema) 처리 과정을 통해 데이터 표준화를 진행하는 것을 특징으로 할 수 있다.
본 발명의 다른 실시예에 따른 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템을 이용한 복합생체신호 빅데이터 통합처리 방법은 복합생체신호 데이터 획득부에서 하나 이상의 웨어러블 센서 각각을 통해 사용자의 복합생체신호 데이터를 획득하는 단계, 획득된 상기 복합생체신호 데이터를 데이터베이스에 저장하는 단계, 데이터 전처리부에서 상기 데이터베이스로부터 상기 복합생체신호 데이터를 불러온 후 데이터 행변환 과정 및 특징 추출(feature extraction) 과정을 포함하는 데이터 전처리 과정을 통해 인공지능 학습에 필요한 데이터를 생성하는 단계 및 인공지능 학습부에서 데이터 전처리 과정이 완료된 복합생체신호 데이터를 상기 데이터베이스의 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 수행하고, 반복 수행한 결과를 토대로 상기 복합생체신호 데이터 획득부를 통해 실시간으로 획득되는 복합생체 신호 데이터를 분석하여 사용자의 생체상태를 진단 및 예측한 결과를 출력하는 단계를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 측면에 따르면, 인공지능 학습(머신러닝, 딥러닝)을 통해 사용자의 복합생체신호 데이터를 학습한 결과를 토대로 사용자의 생체상태, 진단 및 결과 예측이 가능하며, 특히 헬스케어 분야의 빅데이터 기반 인공지능 분석 모델 개발에 소요되는 기간과 비용을 획기적으로 줄이고 정확도 높은 모델 개발이 가능하도록 하는 이점을 가진다.
또한 본 발명의 일 측면에 따르면, 데이터 수집, 전처리, 학습데이터 생성 및 저장 기능을 통해 원하는 모델에 맞는 데이터 가공에 들어가는 시간과 비용을 획기적으로 줄일 수 있는 이점을 가진다.
또한 본 발명의 일 측면에 따르면, 대량의 생체신호데이터를 체계적으로 수집 및 관리할 수 있어 데이터의 질을 높일 수 있는 이점을 가진다.
또한 본 발명의 일 측면에 따르면, 학습모델 시나리오를 발굴하여(복합생체신호 데이터를 이용한 조기경보점수(Early Warning Score, EWS) 기반 신속대응시스템, 심박변이도(Heart Rate Variability, HRV)와 체온 등의 면역 관련 데이터를 활용한 비대면 감염분류 시스템, 심전도와 취득대상 건강정보를 활용한 급성/만성 심질환 분류/예측 모델 등) 수집한 데이터를 시나리오 기반 학습 모델에 적용할 수 있는 범용성에 있어 이점을 가진다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템(100)의 구성을 개략적으로 도시한 도면이다.
도 2는 복합생체신호 데이터 획득부(110)에서 심전도 데이터의 파형, 박동 및 율동에 대한 레이블 작업이 완료된 심전도 데이터만을 추출하여 획득하는 과정을 도시한 도면이다.
도 3은 도 1에 도시된 데이터베이스(120)를 보다 구체적으로 도시한 도면이다.
도 4는 도 1에 도시된 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템(100)을 이용하여 복합생체신호 빅데이터를 통합 처리하기 위한 방법을 일련의 순서대로 도시한 도면이다.
이하, 본 발명의 이해를 돕기 위하여 바람직한 실시예를 제시한다. 그러나 하기의 실시예는 본 발명을 보다 쉽게 이해하기 위하여 제공되는 것일 뿐, 실시예에 의해 본 발명의 내용이 한정되는 것은 아니다.
도 1은 본 발명의 일 실시예에 따른 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템(100)의 구성을 개략적으로 도시한 도면이다.
도 1을 살펴보면, 본 발명의 일 실시예에 따른 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템(100)은 크게 복합생체신호 데이터 획득부(110), 데이터베이스(120), 데이터 전처리부(130) 및 인공지능 학습부(140)를 포함하여 구성될 수 있다.
먼저, 복합생체신호 데이터 획득부(110)는 사용자의 신체와 연결된 하나 이상의 웨어러블 센서 각각으로부터 사용자에 대한 복합생체신호 데이터를 획득하는 역할을 한다. 여기에서, 복합생체신호 데이터라 함은, 사용자의 생리 지표인 심전도, 체온, 맥박, 혈압, 호흡, 혈당, 산소포화도 등을 모두 포괄하는 데이터를 의미할 수 있다.
복합생체신호 데이터 획득부(110)는 심전도 센서, 체온 센서 및 산소포화도 센서 중 어느 하나 이상을 포함하는 웨어러블 센서와 연결되며, 이를 통해 획득되는 사용자의 심전도, 체온, 산소포화도, 호흡수, 신체활동 지수에 대한 정보를 후술되는 데이터베이스(120)에 저장하게 된다.
이때, 복합생체신호 데이터 획득부(110)는 획득된 복합생체신호 데이터를 일정 주기 동안 수집 후 일괄 적으로 처리하는 배치(batch) 처리 방식으로 비식별화한 후 데이터베이스(120)에 저장하게 되는데, 이러한 과정이 반복됨에 따라 차회 배치 처리 방식으로 비식별화되는 복합생체신호 데이터는 앞서 저장된 복합생체신호 데이터에 반영 및 업데이트(갱신)되어 항시 최신 상태로 저장될 수 있다.
또한, 일 실시예에서, 복합생체신호 데이터 획득부(110)는 심전도 센서를 통해 획득되는 심전도 데이터들 중에서, 심전도 데이터의 파형, 박동 및 율동에 대한 레이블 작업이 완료된 심전도 데이터만을 추출하여 이를 획득할 수 있는데, 이는 도 2를 통해 보다 구체적으로 살펴보기로 한다.
도 2는 복합생체신호 데이터 획득부(110)에서 심전도 데이터의 파형, 박동 및 율동에 대한 레이블 작업이 완료된 심전도 데이터만을 추출하여 획득하는 과정을 도시한 도면이다.
도 2를 살펴보면, 먼저 복합생체신호 데이터 획득부(110)는 연결된 심전도 센서로부터 사용자의 심전도를 측정한 데이터를 획득한다(S201). 획득된 사용자의 심전도 데이터는 심전도를 판단할 수 있는 의료인 등이 복합생체 신호 데이터 획득부(110)와 연결된 디스플레이 장치를 통해 확인한 후, 해당 심전도 데이터의 파형, 박동, 율동에 대한 레이블 작업여부를 확인하는 과정을 거치게 된다(S202). 이때, 레이블 작업 완료 여부에 따라 의료인은 디스플레이 장치와 연결된 입력장치를 통해 해당 심전도 데이터의 획득 여부를 판단하게 되고, 복합생체신호 데이터 획득부(110)에서는 해당 의료인의 조작에 따른 입력신호를 토대로 심전도 데이터의 획득 여부를 결정하게 된다.
만약 레이블 작업이 완료된 심전도 데이터로 판단될 경우 복합생체 신호 데이터 획득부(110)는 해당 심전도 데이터를 획득하여 데이터베이스(120)에 저장하게 되고(S203), 만약 레이블 작업이 완료되지 않은 심전도 데이터로 판단될 경우 복합생체 신호 데이터 획득부(110)는 해당 심전도 데이터를 획득하지 않고 다시 심전도 센서로부터 새로운 심전도 데이터를 획득하는 과정을 반복하게 된다(S204).
데이터베이스(120)는 복합생체신호 데이터 획득부(110)를 통해 획득된 복합생체신호 데이터를 저장하는 역할을 하며, 이때 저장되는 복합생체신호 데이터는 배치 처리 방식으로 비식별화된 데이터에 해당한다.
일 실시예에서, 데이터베이스(120)는 복합생체신호 데이터 획득부(110)를 통해 획득되는 복합생체신호 데이터가 우선적으로 저장되는 영역과, 배치 처리 방식을 통해 비식별화가 완료된 데이터가 저장되는 영역으로 구분될 수 있는데, 이는 도 3을 통해 살펴보기로 한다.
도 3은 도 1에 도시된 데이터베이스(120)를 보다 구체적으로 도시한 도면이다.
도 3을 살펴보면, 본 발명에 따른 데이터베이스(120)는 크게 비식별화 과정 전 데이터가 저장되는 제1 데이터베이스(121)와, 비식별화 과정 후 데이터가 저장되는 제2 데이터베이스(122)로 구성될 수 있다.
제1 데이터베이스(121)는 복합생체신호 데이터 획득부(110)를 통해 획득되되 배치 처리되지 않고 비식별화가 되기 전 상태의 복합생체신호 데이터를 우선적으로 저장하는 영역을 의미할 수 있다. 이러한 이유는, 복합생체신호 데이터를 즉시 비식별화하는 것이 아니라, 일정 주기 동안 복합생체신호 데이터를 축적한 후 이를 일정량 한꺼번에 비식별화 처리함으로써 처리율을 높이기 위함이다.
배치 처리 과정을 통해 비식별화된 복합생체신호 데이터는 제2 데이터베이스(122)에 저장되며, 추후 제1 데이터베이스(121)에 저장되는 차회 복합생체신호 데이터는 비식별화 과정을 거친 후 제2 데이터베이스(122)에 기 저장된 복합생체신호 데이터에 반영 및 업데이트(갱신)되게 된다.
다시 도 1로 돌아와서, 데이터 전처리부(130)는 복합생체신호 데이터 획득부(110)를 통해 획득된 복합생체신호 데이터를 데이터베이스(120)로부터 불러온 후 데이터 행변환 과정 및 특징 추출(feature extraction) 과정을 포함하는 데이터 전처리 과정을 통해 인공지능 학습에 필요한 데이터를 생성하는 역할을 한다.
보다 구체적으로, 복합생체신호 데이터 획득부(110)를 통해 획득된 복합생체신호 데이터를 후술되는 인공지능 학습부(140)에서 이용하기 위해서는, 복합생체신호 데이터를 인공지능 학습에 이용 가능한 데이터 구조 및 형식으로 표준화시켜야 하는데, 이를 위해 데이터 전처리부(130)에서는 복합생체신호 데이터에 공통 스키마(schema) 처리 과정을 적용함으로써 데이터 표준화를 진행하게 된다. 이 과정에서 정규화, 행변환, 특징 추출 등의 과정을 수행함으로써 인공지능 학습부(140)에서 필요로 하는 데이터 구조 및 형식으로 변환하게 된다. 이렇게 전처리 된 데이터는 데이터베이스(120)에 저장되어, 추후 인공지능 학습부(140)에서 언제든지 불러올 수 있게 저장된다.
인공지능 학습부(140)는 데이터 전처리 과정이 완료된 복합생체신호 데이터를 데이터베이스(120)의 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 수행한 후, 반복 수행 결과를 토대로 복합생체신호 데이터 획득부(110)를 통해 실시간으로 획득되는 사용자의 복합생체신호 데이터를 토대로 사용자의 실시간 생체상태를 진단 및 예측한 후 결과를 출력하여 사용자에게 제공할 수 있다.
보다 구체적으로, 인공지능 학습부(140)에서는 크게 머신러닝(기계학습) 혹은 딥러닝(심층학습)에 기초하여 사용자의 복합생체신호 데이터를 분석할 수 있는데, 이때 복합생체신호 데이터와 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 학습함으로써 복합생체신호 데이터 획득부(110)를 통해 실시간으로 획득되는 복합생체신호 데이터를 분석하고 생체상태를 진단할 수 있는 기준이 모델링되며, 이를 토대로 생체신호 기반의 정밀의료 진단 및 예측 모델이 생성될 수 있다.
따라서, 인공지능 학습부(140)에서는 이러한 분석 결과를 토대로 사용자의 생리적 특성을 고려한 정도 높은 모델 제공이 가능하게 된다.
다음으로는, 도 1을 통해 살펴본 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템(100)을 이용하여 사용자의 복합생체신호 빅데이터를 통합 처리하는 과정을 순서대로 살펴보기로 한다.
도 4는 도 1에 도시된 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템(100)을 이용하여 복합생체신호 빅데이터를 통합 처리하기 위한 방법을 일련의 순서대로 도시한 도면이다.
도 4를 살펴보면, 먼저 복합생체신호 데이터 획득부는 사용자의 신체와 연결된 하나 이상의 웨어러블 센서 각각으로부터 복합생체신호 데이터를 획득한다(S401). 이 단계에서는 전통적 생리 지표인 체온, 맥박, 혈압, 호흡, 혈당뿐만 아니라, 심전도, 산소포화도 및 신체활동 지수 등을 모두 포함하는 복합적인 생체신호 데이터를 획득하게 된다. 또한, 이 단계에서는 획득된 복합생체신호 데이터를 일정 주기 동안 수집 후 일괄 적으로 처리하는 배치(batch) 처리 방식으로 비식별화하게 된다.
다음으로, 비식별화 과정이 완료된 복합생체신호 데이터는 데이터베이스(120)에 저장되며(S402), 특히 배치 처리 방식으로 비식별화되는 과정이 반복됨에 따라 차회 배치 처리 방식으로 비식별화되는 복합생체신호 데이터는 앞서 저장된 복합생체신호 데이터에 반영 및 업데이트(갱신)되어 항시 최신 상태로 저장된다.
다음으로, 데이터 전처리부(130)에서는 데이터베이스(120)로부터 복합생체신호 데이터를 불러온 후 데이터 전처리 과정을 실시하여 인공지능 학습에 필요한 데이터를 생성한다(S403). 특히, 이 단계에서는 복합생체신호 데이터에 공통 스키마(schema) 처리 과정을 적용함으로써 데이터 표준화를 진행하게 된다. 이 과정에서 정규화, 행변환, 특징 추출 등의 과정을 수행함으로써 인공지능 학습부(140)에서 필요로 하는 데이터 구조 및 형식으로 변환하게 된다.
다음으로, 인공지능 학습부(140)에서는 데이터 전처리 과정이 완료된 복합생체신호 데이터를 데이터베이스(120)의 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 수행한 후, 반복 수행 결과를 토대로 복합생체신호 데이터 획득부(110)를 통해 실시간으로 획득되는 사용자의 복합생체신호 데이터를 토대로 사용자의 실시간 생체상태를 진단 및 예측한 후 결과를 출력하여 사용자에게 제공한다(S404). 이 단계에서 인공지능 학습부(140)는 복합생체신호 데이터와 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 학습함으로써 복합생체신호 데이터 획득부(110)를 통해 실시간으로 획득되는 복합생체신호 데이터를 분석하고 생체상태를 진단할 수 있는 기준을 모델링하게 된다.
이러한 단계를 거침으로써, 본원발명은 데이터 수집, 전처리, 학습데이터 생성 및 저장 기능을 통해 원하는 모델에 맞는 데이터 가공에 들어가는 시간과 비용을 획기적으로 줄일 수 있고, 대량의 생체신호데이터를 체계적으로 수집 및 관리할 수 있어 데이터의 질을 높일 수 있으며, 헬스케어 분야의 빅데이터 기반 인공지능 분석 모델 개발에 소요되는 기간과 비용을 획기적으로 줄이고 정확도 높은 모델 개발이 가능하도록 하는 이점을 가지게 된다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템
110: 복합생체신호 데이터 획득부
120: 데이터베이스
130: 데이터 전처리부
140: 인공지능 학습부

Claims (6)

  1. 하나 이상의 웨어러블 센서 각각을 통해 사용자의 복합생체신호 데이터를 획득하는 복합생체신호 데이터 획득부;
    획득된 상기 복합생체신호 데이터를 저장하는 데이터베이스;
    상기 데이터베이스로부터 상기 복합생체신호 데이터를 불러온 후 데이터 행변환 과정 및 특징 추출(feature extraction) 과정을 포함하는 데이터 전처리 과정을 통해 인공지능 학습에 필요한 데이터를 생성하는 데이터 전처리부; 및
    데이터 전처리 과정이 완료된 복합생체신호 데이터를 상기 데이터베이스의 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 수행하고, 반복 수행한 결과를 토대로 상기 복합생체신호 데이터 획득부를 통해 실시간으로 획득되는 복합생체 신호 데이터를 분석하여 사용자의 생체상태를 진단 및 예측한 결과를 출력하는 인공지능 학습부;를 포함하고,
    상기 복합생체신호 데이터 획득부는,
    심전도 센서를 통해 획득되는 심전도 데이터들 중에서, 심전도 데이터의 파형, 박동 및 율동에 대한 레이블 작업이 완료된 심전도 데이터를 추출하여 획득하고,
    상기 레이블 작업이 완료된 심전도 데이터로 판단될 경우 해당 심전도 데이터를 획득하여 상기 데이터베이스에 저장하고, 상기 레이블 작업이 완료되지 않은 심전도 데이터로 판단될 경우 해당 심전도 데이터를 획득하지 않고 다시 상기 심전도 센서로부터 새로운 심전도 데이터를 획득하고,
    상기 복합생체신호 데이터 획득부를 통해 획득되되 배치 처리되지 않고 비식별화가 되기 전 상태의 복합생체신호 데이터를 우선적으로 제1 데이터베이스에 저장하고,
    배치 처리 과정을 통해 비식별화된 복합생체신호 데이터는 제2 데이터베이스에 저장되며, 추후 상기 제1 데이터베이스에 저장되는 차회 복합생체신호 데이터는 비식별화 과정을 거친 후 상기 제2 데이터베이스에 기 저장된 복합생체신호 데이터에 반영 및 업데이트되고,
    상기 인공지능 학습부는 복합생체신호 데이터와 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 학습함으로써 상기 복합생체신호 데이터 획득부를 통해 실시간으로 획득되는 복합생체신호 데이터를 분석하고 생체상태를 진단할 수 있는 시나리오 기반 학습모델을 모델링하고,
    상기 복합생체신호 데이터를 상기 복합생체신호 데이터를 이용한 조기경보점수(Early Warning Score, EWS) 기반 신속대응시스템, 심박변이도(Heart Rate Variability, HRV)와 체온 등의 면역 관련 데이터를 활용한 비대면 감염분류 시스템, 심전도와 취득대상 건강정보를 활용한 급성/만성 심질환 분류/예측 모델을 포함하는 상기 시나리오 기반 학습모델에 적용하는 것을 특징으로 하는, 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템.
  2. 제1항에 있어서,
    상기 하나 이상의 웨어러블 센서는,
    심전도 센서, 체온 센서 및 산소포화도 센서 중 어느 하나 이상을 포함하며,
    사용자의 심전도, 체온, 산소포화도, 호흡수, 신체활동 지수에 대한 정보를 획득하는 것을 특징으로 하는, 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템.
  3. 삭제
  4. 삭제
  5. 제1항에 있어서,
    상기 데이터 전처리부는,
    비식별화된 상기 복합생체신호 데이터에 스키마(schema) 처리 과정을 통해 데이터 표준화를 진행하는 것을 특징으로 하는, 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템.
  6. 복합생체신호 데이터 획득부에서 하나 이상의 웨어러블 센서 각각을 통해 사용자의 복합생체신호 데이터를 획득하는 단계;
    획득된 상기 복합생체신호 데이터를 데이터베이스에 저장하는 단계;
    데이터 전처리부에서 상기 데이터베이스로부터 상기 복합생체신호 데이터를 불러온 후 데이터 행변환 과정 및 특징 추출(feature extraction) 과정을 포함하는 데이터 전처리 과정을 통해 인공지능 학습에 필요한 데이터를 생성하는 단계; 및
    인공지능 학습부에서 데이터 전처리 과정이 완료된 복합생체신호 데이터를 상기 데이터베이스의 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 반복 수행하고, 반복 수행한 결과를 토대로 상기 복합생체신호 데이터 획득부를 통해 실시간으로 획득되는 복합생체 신호 데이터를 분석하여 사용자의 생체상태를 진단 및 예측한 결과를 출력하는 단계;를 포함하고,
    상기 복합생체신호 데이터를 획득하는 단계에서,
    심전도 센서를 통해 획득되는 심전도 데이터들 중에서, 심전도 데이터의 파형, 박동 및 율동에 대한 레이블 작업이 완료된 심전도 데이터를 추출하여 획득하고,
    상기 레이블 작업이 완료된 심전도 데이터로 판단될 경우 해당 심전도 데이터를 획득하여 상기 데이터베이스에 저장하고, 상기 레이블 작업이 완료되지 않은 심전도 데이터로 판단될 경우 해당 심전도 데이터를 획득하지 않고 다시 상기 심전도 센서로부터 새로운 심전도 데이터를 획득하고,
    상기 복합생체신호 데이터를 데이터베이스에 저장하는 단계에서,
    상기 복합생체신호 데이터 획득부를 통해 획득되되 배치 처리되지 않고 비식별화가 되기 전 상태의 복합생체신호 데이터를 우선적으로 제1 데이터베이스에 저장하고,
    배치 처리 과정을 통해 비식별화된 복합생체신호 데이터는 제2 데이터베이스에 저장되며, 추후 상기 제1 데이터베이스에 저장되는 차회 복합생체신호 데이터는 비식별화 과정을 거친 후 상기 제2 데이터베이스에 기 저장된 복합생체신호 데이터에 반영 및 업데이트되고,
    상기 사용자의 생체상태를 진단 및 예측한 결과를 출력하는 단계에서,
    복합생체신호 데이터와 학습용 라이브러리에 기 저장된 학습용 데이터와 비교 학습하는 과정을 상기 인공지능 학습부를 통해 반복 학습함으로써 상기 복합생체신호 데이터 획득부를 통해 실시간으로 획득되는 복합생체신호 데이터를 분석하고 생체상태를 진단할 수 있는 시나리오 기반 학습모델을 모델링하고,
    상기 복합생체신호 데이터를 상기 복합생체신호 데이터를 이용한 조기경보점수(Early Warning Score, EWS) 기반 신속대응시스템, 심박변이도(Heart Rate Variability, HRV)와 체온 등의 면역 관련 데이터를 활용한 비대면 감염분류 시스템, 심전도와 취득대상 건강정보를 활용한 급성/만성 심질환 분류/예측 모델을 포함하는 상기 시나리오 기반 학습모델에 적용하는 것을 특징으로 하는, 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템을 이용한 복합생체신호 빅데이터 통합처리 방법.
KR1020200173318A 2020-12-11 2020-12-11 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법 KR102271793B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200173318A KR102271793B1 (ko) 2020-12-11 2020-12-11 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200173318A KR102271793B1 (ko) 2020-12-11 2020-12-11 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법

Publications (1)

Publication Number Publication Date
KR102271793B1 true KR102271793B1 (ko) 2021-07-02

Family

ID=76896876

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200173318A KR102271793B1 (ko) 2020-12-11 2020-12-11 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법

Country Status (1)

Country Link
KR (1) KR102271793B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023101089A1 (ko) * 2021-12-02 2023-06-08 (주)씨어스테크놀로지 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180042702A (ko) * 2016-10-18 2018-04-26 경북대학교 산학협력단 인공지능 모델을 통해 사용자의 감정과 행동을 심리 처방하는 웨어러블 장치를 이용한 전자장치, 방법 및 시스템
KR101859636B1 (ko) * 2017-07-19 2018-05-21 주식회사 디지털즈 보안기능을 가지는 개인정보 비식별화 시스템 및 방법
KR20190117829A (ko) * 2018-03-12 2019-10-17 주식회사 모노라마 의료 데이터 모니터링 시스템
KR20190134982A (ko) * 2018-05-18 2019-12-05 박병훈 빅데이터 기반의 인공지능 통합 플랫폼
KR102099214B1 (ko) 2018-01-29 2020-04-09 건양대학교 산학협력단 생체정보 및 영상정보 연계를 통한 인공지능 질환 진단 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180042702A (ko) * 2016-10-18 2018-04-26 경북대학교 산학협력단 인공지능 모델을 통해 사용자의 감정과 행동을 심리 처방하는 웨어러블 장치를 이용한 전자장치, 방법 및 시스템
KR101859636B1 (ko) * 2017-07-19 2018-05-21 주식회사 디지털즈 보안기능을 가지는 개인정보 비식별화 시스템 및 방법
KR102099214B1 (ko) 2018-01-29 2020-04-09 건양대학교 산학협력단 생체정보 및 영상정보 연계를 통한 인공지능 질환 진단 시스템
KR20190117829A (ko) * 2018-03-12 2019-10-17 주식회사 모노라마 의료 데이터 모니터링 시스템
KR20190134982A (ko) * 2018-05-18 2019-12-05 박병훈 빅데이터 기반의 인공지능 통합 플랫폼

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023101089A1 (ko) * 2021-12-02 2023-06-08 (주)씨어스테크놀로지 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치

Similar Documents

Publication Publication Date Title
Gao et al. An effective LSTM recurrent network to detect arrhythmia on imbalanced ECG dataset
US20200337580A1 (en) Time series data learning and analysis method using artificial intelligence
Hammad et al. Deep learning models for arrhythmia detection in IoT healthcare applications
US20200015694A1 (en) Automatic method to delineate or categorize an electrocardiogram
CN112669967B (zh) 一种主动式健康医疗决策辅助方法及设备
KR101841222B1 (ko) 피검체의 치명적 증상의 발생을 조기에 예측하기 위한 예측 결과를 생성하는 방법 및 이를 이용한 장치
KR102421172B1 (ko) 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템
CN109346164A (zh) 一种中医临床案例的自动采集设备及方法
CN115714022A (zh) 基于人工智能的新生儿黄疸健康管理系统
Hasan et al. FPGA design and hardware implementation of heart disease diagnosis system based on NVG-RAM classifier
WO2023110477A1 (en) A computer implemented method and a system
KR102271793B1 (ko) 인공지능 기반 복합생체신호 빅데이터 통합처리 플랫폼 제공 시스템 및 이를 이용한 복합생체신호 빅데이터 통합처리 방법
Calvo et al. A methodology to analyze heart data using fuzzy automata
Naeem et al. Heart disease detection using feature extraction and artificial neural networks: A sensor-based approach
Konnova et al. Application of neural networks in cardiovascular decision support systems
Madona et al. Classification of ECG signals using the Naïve Bayes classification method and its implementation in android-based smart health care
CN112842355B (zh) 基于深度学习目标检测的心电信号心搏检测识别方法
Chen et al. Beat-to-beat heart rate detection based on seismocardiogram using BiLSTM network
CN208985716U (zh) 一种中医临床案例的自动采集设备
Deepa et al. Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle
Song et al. Development of a data-based interactive medical expert system for supporting pregnancy consultations: General architecture and methodology
CN111863283A (zh) 一种医疗健康大数据平台
US20220262516A1 (en) Atrial Fibrillation Prediction Model And Prediction System Thereof
Tolentino et al. CAREdio: Health screening and heart disease prediction system for rural communities in the Philippines
Nijhum et al. Heartisan: An incremental learning based arrhythmia detection, data collection, and monitoring system

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant