KR102298119B1 - 수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치 - Google Patents

Abstract

전술한 바와 같은 과제를 실현하기 위한 컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법이 개시된다. 상기 방법은, 사용자의 수면 센싱 데이터를 획득하는 단계, 상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 단계 및 상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 단계를 포함할 수 있다.

Description

수면에 관련한 분석 정보를 제공하기 위한 방법 및 컴퓨팅 장치{METHOD AND COMPUTER DEVICE FOR PROVIDING ANALYTICAL INFORMATION RELATED TO SLEEP}

본 개시는 수면 환경에서 획득되는 사용자의 수면 데이터에 기반하여 수면 상태에 관한 정보를 제공하는 것으로, 보다 구체적으로, 인공 신경망을 활용하여 사용자의 수면 상태에 대응하는 분석 정보를 제공하기 위함이다.

건강을 유지하고 개선시키는 방법에는 운동, 식이요법 등 다양한 방법이 있지만, 하루 중 약 30% 이상의 시간을 차지하는 수면을 잘 관리하는 것이 무엇보다 중요하다. 하지만, 현대인들은 기계의 단순한 노동 대체 및 삶의 여유에도 불구하고 불규칙한 식습관과 생활습관 및 스트레스로 인해 숙면을 취하지 못하고, 불면증, 과다수면, 수면 무호흡 증후군, 악몽, 야경증, 몽유병 등과 같은 수면 질환으로 고통받고 있다.

국민건강보험 공단에 따르면, 국내 수면장애 환자가 2014년부터 2018년까지 연 평균 약 8%씩 증가하는 것으로 나타났으며, 2018년 국내에서 수면장애로 진료받은 환자는 약 57만명에 달한다. 특히, 수면 질환 중 가장 일반적이나 위험한 수면무호흡증의 경우, 대한민국 성인 6명 중 1명이 겪고 있다. 이러한 수면 무호흡증은, 숙면을 방해할 뿐만 아니라 심장 질환, 정신 질환 및 뇌 질환 등의 주 원인으로 간주되고 있다. 이러한 수면 중 질환들을 진단하기 위하여 수면 다원 검사를 수행할 수 있다.

수면 단계 분석 및 수면 질환 진단의 표준 방법으로 사용되고 있는 수면 다원 검사에서는 수면 중의 환자로부터 다양한 생체 신호를 수집한다. 이러한 생체 신호는 수면 단계, 수면 질환의 유무에 따라 각기 다른 패턴을 보이는데 환자의 특성과 측정 시점에 따라 같은 수면 단계에서도 다양한 패턴을 가질 수 있기 때문에 수면 단계 분석 및 수면 질환 진단을 위해서는 수면 기사 혹은 전문의가 직접 생체 신호를 보고 분석해야한다. 보통, 수면 단계는 30초를 기준으로 설정하기 때문에 수 시간에 달하는 환자의 수면 전체를 분석하는데 2~3시간 정도의 시간이 소요되며, 분석을 위한 인건비 또한 부담이 될 수 있다.

인공지능을 활용한 생체 데이터 분석은 이미 영상 의학 분야에서는 보편적으로 활용되고 있으나, 시계열 데이터로 이루어진 생체 데이터 분석에서는 연구가 미비한 실정이다. 특히, 전문의가 인공지능 모델의 예측을 해석하고 신뢰하고 사용할 수 있게 하는 기법에 대한 연구가 미비한 실정이다.

실제로 인공지능 모델의 예측이 전문의의 판단을 대체하기 어려운 이유는 모델의 평균적인 정확도가 낮아서가 아닌, 어떤 상황에서는 잘 동작하고, 어떤 상황에서는 잘 동작하지 않는 인공지능 모델의 불확실성으로 인한 리스크가 크기 때문이다.

이에 따라, 인공지능의 불확실성으로 인한 리스크를 최소화하기 위해 수면 단계 별 성능 뿐 아니라 수면질환과 성능의 상관관계 분석을 통해 인공지능 모델의 예측이 잘 맞는 경우와, 잘 맞지 않는 경우에 대해 체계적으로 분석함으로써, 신뢰할 수 있고 실질적으로 도움이 될 수 있는 수면단계예측 보조 모델에 대한 연구 개발에 대한 수요가 존재할 수 있다.

대한민국 공개특허 2003-0032529

본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 사용자 개개인의 수면 환경에서 측정되는 데이터에 기반하여 수면 상태에 관련한 정보들을 제공하기 위함이다.

본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 개시 일 실시예에서 컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법이 개시된다. 상기 방법은, 사용자의 수면 센싱 데이터를 획득하는 단계, 상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 단계 및 상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 수면 센싱 데이터는, 상기 사용자의 수면 환경과 관련하여 하나 이상의 채널을 통해 시계열적으로 획득되는 사용자의 생체 신호에 관련한 하나 이상의 시퀀스 데이터를 포함하며, 상기 수면 분석 정보는, 상기 사용자의 수면이 하나 이상의 수면 단계 중 적어도 하나에 해당한다는 수면 단계 정보를 포함하고, 상기 수면 분석 모델은, 상기 수면 센싱 데이터를 입력으로 하여, 상기 하나 이상의 시퀀스 데이터 각각에 대응하는 수면 분석 정보를 출력하는 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 수면 분석 모델은, 제1 서브 모델 및 제2 서브 모델을 포함하며, 상기 제1 서브 모델은, 상기 수면 센싱 데이터에 포함된 상기 하나 이상의 시퀀스 데이터 각각을 입력으로 하여 상기 하나 이상의 채널 각각에 대응하여 하나 이상의 피처를 추출하고, 추출된 하나 이상의 피처를 통합하여 각 시퀀스 데이터에 대응하는 하나 이상의 통합 피처를 생성하는 것을 특징으로 하고, 상기 제2 서브 모델은, 상기 하나 이상의 통합 피처 각각을 입력으로 하여 상기 수면 분석 정보를 출력하는 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 수면 분석 모델은, 하나 이상의 어텐션 모듈을 더 포함하며, 상기 하나 이상의 어텐션 모듈은, 상기 하나 이상의 통합 피처 각각에 대응하는 수면 분석 정보에 대한 어텐션 가중치를 산출하는 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 단계는, 상기 하나 이상의 어텐션 모듈을 통해 각 통합 피처에 따른 수면 분석 정보에 대한 어텐션 가중치를 시각화하여 상기 특성 맵 정보를 생성하는 것을 특징으로 하고, 상기 특성 맵 정보는, 상기 수면 분석 모델이 출력한 각 시퀀스 데이터 별 예측에 영향을 준 데이터들을 시각화하여 나타낸 정보일 수 있다.

대안적인 실시예에서, 상기 수면 분석 모델은, 소스 도메인(source domain)에서 훈련된 알고리즘을 다른 타겟 도메인(target domain)에서 적용 가능하도록 전이 학습(transfer learning)되는 것을 특징으로 하며, 상기 전이 학습은, 정상에 관련한 소스 도메인에서 훈련된 알고리즘 기반하여 수면 질환에 관련한 타겟 도메인에서의 학습을 수행하는 것을 포함할 수 있다.

대안적인 실시예에서, 상기 수면 분석 정보는, 하나 이상의 시퀀스 데이터 각각에 대응하는 예측 확신도 정보를 포함하고, 상기 방법은, Temperature scaling을 통해 상기 수면 분석 모델이 출력하는 상기 예측 확신도 정보에 대한 보정을 수행하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 상기 방법은, 상기 예측 확신도 정보와 수면 단계 정보 간의 관계 정보를 생성하는 단계 및 상기 관계 정보에 기반하여 상기 수면 분석 정보를 업데이트하는 단계를 포함할 수 있다.

본 개시의 다른 일 실시예에서, 수면에 관련한 분석 정보를 제공하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는, 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리 및 사용자 단말과 데이터를 송수신하는 네트워크부를 포함하고, 상기 프로세서는, 사용자의 수면 센싱 데이터를 획득하고, 상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하고, 상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성할 수 있다.

본 개시의 또 다른 실시예에서, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은, 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 수면에 관련한 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 사용자의 수면 센싱 데이터를 획득하는 동작, 상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 동작 및 상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 동작을 포함할 수 있다.

본 개시의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 사용자 개개인의 수면 환경에서 측정되는 데이터에 기반하여 수면 질환에 관련한 정보들을 제공할 수 있다.

추가적으로, 인공지능 모델의 예측이 잘 맞는 경우와, 잘 맞지 않는 경우에 대해 체계적으로 분석함으로써, 신뢰할 수 있고 실질적으로 도움이 될 수 있는 수면단계예측 보조 모델을 제공할 수 있다.

본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 수면에 관련한 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 수면에 관련한 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 수면 센싱 데이터를 예시적으로 도시한 도면이다.
도 4는 본 개시의 일 실시예와 관련된 수면 센싱 데이터가 수면 분석 모델에 입력되는 과정을 예시적으로 도시한 도면이다.
도 5은 본 개시의 일 실시예와 관련된 수면 분석 모델의 출력 과정을 예시적으로 도시한 도면이다.
도 6은 본 개시의 일 실시예와 관련된 수면에 관련한 분석 정보를 제공하는 방법을 예시적으로 나타낸 순서도를 도시한다.
도 7은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 개시는 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시의 개시가 완전하도록 하고, 본 개시가 속하는 기술 분야의 통상의 기술자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 개시의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 개시의 일 실시예와 관련된 수면에 관련한 분석 정보를 제공하기 위한 컴퓨팅 장치의 다양한 양태가 구현될 수 있는 시스템을 나타낸 개념도를 도시한다.

본 개시의 실시예들에 따른 시스템은 컴퓨팅 장치(100), 사용자 단말(10), 외부 서버(20) 및 네트워크를 포함할 수 있다. 본 개시의 실시예들에 따른 컴퓨팅 장치(100), 사용자 단말(10) 및 외부 서버(20)는 네트워크를 통해, 본 개시의 일 실시예들에 따른 시스템을 위한 데이터를 상호 송수신할 수 있다.

본 개시의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따르면, 사용자 단말(10)은 컴퓨팅 장치(100)와의 정보 교환을 통해 사용자의 수면과 관련한 정보를 제공받을 수 있는 단말로, 사용자가 소지한 단말을 의미할 수 있다. 예컨대, 사용자 단말(10)은 자신의 수면 습관에 관련한 정보들을 통해 건강을 증진시키고자 하는 사용자와 관련한 단말일 수 있다. 또한, 사용자 단말(10)은 검진 결과를 사용자(예컨대, 검진자)에게 제공하는 검사자(예컨대, 전문의)와 관련한 단말일 수 있다. 사용자 단말(10)이 검진자에게 검진 결과(예컨대, 수면 다원 검사에 대한 검진 결과)를 제공하는 검사자에 관련한 단말인 경우, 컴퓨팅 장치(100)로부터 획득한 분석 정보를 통해 검사자의 검진 결과 판독을 위한 의료 보조 단말로 활용될 수 있다.

사용자는 사용자 단말(10)을 통해 수면 환경에서 각 시점 별에 대응하는 수면 단계 정보, 각 시점 별 수면 단계 정보 각각에 대응하는 예측 확신도 정보 등을 수신할 수 있다. 이러한 사용자 단말(10)은 디스플레이를 구비하고 있어서, 사용자의 입력을 수신하고, 사용자에게 임의의 형태의 출력을 제공할 수 있다.

이러한 사용자 단말(10)은 고객 단말기(UE), 모바일, 무선 통신이 가능한 PC, 핸드폰, 키오스크, 셀룰러 폰, 셀룰러, 셀룰러 단말, 가입자 유닛, 가입자국, 이동국, 단말, 원격국, PDA, 원격 단말, 엑세스 단말, 사용자 에이전트, 셀룰러 전화, 무선 전화, 세션 개시 프로토콜(SIP) 전화, 무선 로컬 루프(WLL) 국, 무선 접속 기능을 구비하는 휴대용 장치, 무선 모델과 같은, 무선 메커니즘을 사용할 수 있는 임의의 장치 등으로 지칭될 수 있으나, 이에 한정되지는 않는다. 또한, 사용자 단말(10)은, 유선 팩스, 유선 모델을 구비한 PC, 유선 전화, 유선 통신이 가능한 단말 등과 같은 유선 접속 메커니즘을 사용할 수 있는 임의의 장치 등으로 지칭될 수 있으나, 이들로 한정되지는 않는다.

본 개시의 일 실시예에 따르면, 외부 서버(20)는 복수의 사용자들에 대한 건강검진 정보 또는 수면검진 정보 등을 저장하는 서버일 수 있다. 예를 들어, 외부 서버(20)는 병원 서버 및 정보 서버 중 적어도 하나일 수 있으며, 복수의 수면다원검사 기록, 전자건강기록 및 전자의료기록 등에 관한 정보를 저장하는 서버일 수 있다. 예를 들어, 수면다원검사 기록은 수면검진 대상자의 수면 동안의 뇌파, 안구운동, 근육의 움직임, 호흡, 심전도 등에 대한 정보 및 해당 정보들에 대응하는 수면 진단 결과(예컨대, 수면 단계, 수면무호흡증, 수면 장애 등)에 대한 정보를 포함할 수 있다. 외부 서버(20)에 저장된 정보들은 본 개시에서의 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(20)는 본 개시의 수면 분석 모델을 학습시키기 위한 데이터 세트를 저장하고 있는 서버일 수 있다.

본 개시의 컴퓨팅 장치(100)는 외부 서버(20)로부터 건강검진 정보 또는 수면검진 정보 등을 수신하고, 해당 정보들에 기초하여 학습 데이터 세트를 구축할 수 있다. 컴퓨팅 장치(100)는 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 포함하는 수면 분석 모델을 학습시킴으로써, 사용자의 수면 센싱 데이터에 대응하는 수면 분석 정보를 산출하기 위한 수면 분석 모델을 생성할 수 있다. 본 개시의 신경망 학습을 위한 학습 데이터 세트를 구축하는 구성 및 학습 데이터 세트를 활용한 학습 방법에 대한 구체적인 설명은 도 2를 참조하여 후술하도록 한다.

외부 서버(20)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(20)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 수면 환경에 관련한 수면 센싱 데이터를 획득하고, 그리고 수면 센싱 데이터에 기초하여 사용자의 수면 상태에 관련한 수면 분석 정보를 생성할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 라벨링된 학습 데이터 세트를 이용하여 하나 이상의 네트워크 함수를 학습시켜 수면 센싱 데이터에 기초한 수면 분석 정보를 출력하도록 하는 수면 분석 모델을 생성할 수 있다. 즉, 컴퓨팅 장치(100)는 사용자의 수면 환경에 관련한 수면 센싱 데이터를 획득하고, 수면 센싱 데이터를 학습된 신경망 모델인 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 생성할 수 있다. 이 경우, 컴퓨팅 장치(100)가 제공하는 수면 분석 정보는, 사용자의 수면 동안의 수면 단계에 관한 예측 정보를 포함할 수 있다. 예를 들어, 수면 분석 정보는, 특정 시점에 관련하여 사용자의 수면이 하나 이상의 수면 단계 중 적어도 하나에 해당한다는 수면 단계 정보를 포함할 수 있다. 여기서 하나 이상의 수면 단계는, 예컨대, wake(비수면 상태), N1(Non REM 1), N2, N3 및 REM 수면을 포함할 수 있다. 구체적인 예를 들어, 수면 분석 정보는, 제 1 시점에서의 사용자의 수면 단계가 REM 수면에 해당한다는 정보를 포함할 수 있다.

추가적으로, 수면 분석 정보는, 사용자의 수면 환경에 관련한 각 시점 별 예측 확신도 정보를 포함할 수 있다. 예측 확신도 정보는, 특정 시점에 대응하여 수면 분석 모델을 통해 출력한(또는, 예측한) 수면 단계 정보에 대한 예측 정확도에 관한 정보일 수 있다. 예컨대, 수면 분석 정보는, 제 1 시점에서의 사용자의 수면 단계가 REM 수면에 해당한다는 예측 정보 및 해당 예측 정보에 신뢰도에 관련한 예측 확신도 정보가 '80'이라는 정보를 포함할 수 있다. 예컨대, 예측 확신도 정보가 클수록 인공 신경망을 통해 예측된 수면 단계에 대한 정확도(또는, 신뢰도) 높은 것을 의미할 수 있다. 즉, 컴퓨팅 장치(100)는 사용자의 수면 동안에 시점 별 수면 단계에 대한 예측 정보와 각 수면 단계에 예측 정보에 대응하는 예측 확신도 정보를 제공할 수 있다. 이 경우, 예측 확신도 정보는, 인공 신경망(즉, 수면 분석 모델)의 출력(즉, 수면 단계에 대한 예측 정보)이 얼마나 신뢰할만 한지에 대한 판단 지표로 활용될 수 있다. 다시 말해, 각 시점 별 수면 단계 추정에 관련한 예측 확신도 정보를 수면 단계 정보와 함께 제시함으로써 의료 환경에서의 신뢰성 있는 활용이 가능해질 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 수면 분석 정보에 기초하여 특성 맵 정보를 생성할 수 있다. 특성 맵 정보는, 수면 분석 모델이 출력한 수면 분석 정보의 산출 과정에서 영향을 준 데이터들을 시각화하여 나타낸 정보일 수 있다. 구체적으로, 컴퓨팅 장치(100)는 하나 이상의 어텐션 모듈을 통해 특정 시점에 관련한 수면 센싱 데이터에 따른 수면 분석 정보에 대한 어텐션 가중치를 획득할 수 있다. 이 경우, 하나 이상의 어텐션 모듈은 수면 분석 모델의 입력과 출력 사이의 매칭 관계를 학습하도록 하는 모듈일 수 있다. 하나 이상의 어텐션 모듈은, 신경망의 학습 과정에서, 시계열에 관련한 입력 데이터(즉, 수면 센싱 데이터)의 각 요소에 어텐션 가중치를 부여함에 따라, 입력 데이터와 출력 데이터 간의 집중해야 할 요소를 강조할 수 있다. 다시 말해, 하나 이상의 어텐션 모듈은 수면 분석 모델의 출력값이 어떤 입력 요소와 가장 높은 연관이 있는지에 대한 정보를 생성하는 모듈일 수 있다.

구체적인 예를 들어, 컴퓨팅 장치(100)는 제 1 시점(예컨대, 취침 후, 최초 사용자의 수면 1분)에 대응하여 획득된 사용자의 수면 센싱 데이터를 통해, 해당 1분 동안 사용자의 수면 단계가 N3 수면 단계에 해당한다는 예측 정보를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 하나 이상의 어텐션 모듈로부터 해당 제 1 시점에 관련한 수면 분석 정보(즉, 해당 시점에 사용자의 수면이 N3 수면 단계에 해당한다는 예측 정보)에 대한 각 입력 요소의 어텐션 가중치를 획득할 수 있다. 컴퓨팅 장치(100)는 획득한 각 요소 별 어텐션 가중치를 시각화하여 특성 맵 정보를 생성할 수 있다.

즉, 컴퓨팅 장치(100)는 하나 이상의 어텐션 모듈을 활용하여 시계열에 관련한 입력 데이터(즉, 수면 센싱 데이터)에 대한 예측 정보를 산출하는 과정에서의 판단 근거를 시각화할 수 있다. 다시 말해, 각 시점 별 수면 단계 판독에 대하여 어떤 신호(즉, 어떠한 수면 센싱 데이터)가 중요한 역할을 했는지 어텐션 가중치 값을 통해 시각화하여 제공할 수 있다. 예컨대, 어텐션 가중치를 통해 주목되는 신호 또는 정보들에 기초하여 픽셀 별로 다르게 표시하여 유의미한 형태의 시각화 정보를 제공하도록 특성 맵 정보를 생성할 수 있다.

일반적으로 인공 신경망 모델은 내부적 알고리즘을 파악하기는 어렵다. 즉, 어떠한 근거를 바탕으로 입력 데이터에 관련한 출력을 생성하는지 파악하기 어렵다. 이는, 인공 신경망 모델의 불확실성으로 인한 리스크로 작용함에 따라 실제 의료 환경에서 활용되기 어려운 문제점을 가질 수 있다.

본 개시의 컴퓨팅 장치(100)는 시점 별 수면 단계를 예측할 때 중요하게 작용한 신호의 패턴을 시각화하여 제공함으로써, 신경망 모델이 어떤 근거를 바탕으로 예측 또는 판단을 했는지 시각화할 수 있다. 이에 따라, 본 개시의 수면 분석 모델이 출력하는 예측 정보의 타당성을 정밀하게 검증할 수 있도록 하여, 사용자(예컨대, 전문의)와의 협업 시너지를 극대화시킬 수 있다.

본 개시의 컴퓨팅 장치(100)의 구체적인 구성 및 해당 구성에 따른 효과들은 도 2를 참조하여 자세히 후술하도록 한다.

또한, 컴퓨팅 장치(100)는 단말 또는 서버일 수 있으며, 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치(100)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치(100)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 인터넷 기반 컴퓨팅의 일종으로 정보를 사용자의 컴퓨터가 아닌 인터넷에 연결된 다른 컴퓨터로 처리하는 클라우드 컴퓨팅 서비스를 제공하는 서버일 수 있다. 상기 클라우드 컴퓨팅 서비스는 인터넷 상에 자료를 저장해 두고, 사용자가 필요한 자료나 프로그램을 자신의 컴퓨터에 설치하지 않고도 인터넷 접속을 통해 언제 어디서나 이용할 수 있는 서비스일 수 있으며, 인터넷 상에 저장된 자료들을 간단한 조작 및 클릭으로 쉽게 공유하고 전달할 수 있다. 또한, 클라우드 컴퓨팅 서비스는 인터넷 상의 서버에 단순히 자료를 저장하는 것뿐만 아니라, 별도로 프로그램을 설치하지 않아도 웹에서 제공하는 응용프로그램의 기능을 이용하여 원하는 작업을 수행할 수 있으며, 여러 사람이 동시에 문서를 공유하면서 작업을 진행할 수 있는 서비스일 수 있다. 또한, 클라우드 컴퓨팅 서비스는 IaaS(Infrastructure as a Service), PaaS(Platform as a Service), SaaS(Software as a Service), 가상 머신 기반 클라우드 서버 및 컨테이너 기반 클라우드 서버 중 적어도 하나의 형태로 구현될 수 있다. 즉, 본 개시의 컴퓨팅 장치(100)는 상술한 클라우드 컴퓨팅 서비스 중 적어도 하나의 형태로 구현될 수 있다. 전술한 클라우드 컴퓨팅 서비스의 구체적인 기재는 예시일 뿐, 본 개시의 클라우드 컴퓨팅 환경을 구축하는 임의의 플랫폼을 포함할 수도 있다.

이하에서는, 도 2를 참조하여 컴퓨팅 장치(100)가 수면 센싱 데이터에 기반하여 수면 분석 정보를 제공하는 방법에 대하여 보다 구체적으로 후술하도록 한다.

도 2는 본 개시의 일 실시예와 관련된 수면에 관련한 분석 정보를 제공하기 위한 컴퓨팅 장치의 블록 구성도를 도시한다.

도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 네트워크부(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 전술한 컴퓨팅 장치(100)에 포함된 컴포넌트들은 예시적인 것으로서 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시내용의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자 단말(10) 및 외부 서버(20)와 데이터를 송수신하는 네트워크부(110)를 포함할 수 있다. 네트워크부(110)는 본 개시의 일 실시예에 따른 수면 환경 센싱 데이터에 기반하여 수면 분석 정보를 제공하는 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 즉, 네트워크부(110)는 컴퓨팅 장치(100)와 사용자 단말(10) 및 외부 서버(20) 간의 통신 기능을 제공할 수 있다. 예를 들어, 네트워크부(110)는 병원 서버로부터 복수의 사용자들에 대한 수면검진기록 및 전자건강기록을 수신할 수 있다. 추가적으로, 네트워크부(110)는 컴퓨팅 장치(100)로 프로시저를 호출하는 방식으로 컴퓨팅 장치(100)와 사용자 단말(10) 및 외부 서버(20) 간의 정보 전달을 허용할 수 있다.

본 개시의 일 실시예에 따른 네트워크부(110)는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 본 명세서에서 제시되는 네트워크부(110)는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 개시에서 네트워크부(110)는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 본 개시의 일 실시예에 따른 수면 분석 정보를 제공하는 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(130)에 의하여 판독되어 구동될 수 있다. 또한, 메모리(120)는 프로세서(130)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(110)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(120)는 사용자의 수면에 관련한 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 입/출력되는 데이터들(예를 들어, 사용자의 수면 환경에 관련한 수면 센싱 데이터, 즉, 수면 다원 검사에 관련한 센싱 데이터 등)을 임시 또는 영구 저장할 수도 있다.

본 개시의 일 실시예에 따르면, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다.

프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(130)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(130)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

또한, 프로세서(130)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.

프로세서(130)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 수면 분석 모델을 제공할 수 있다. 본 개시의 일 실시예에 따라, 프로세서(130)는 수면 센싱 데이터에 기초하여 수면 분석 정보를 산출하기 위한 계산을 수행할 수 있다. 본 개시의 일 실시예에 따라 프로세서(130)는 수면 분석 모델을 학습시키기 위한 계산을 수행할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(130)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 사용자의 수면 센싱 데이터를 획득할 수 있다. 본 개시의 일 실시예에 따른, 수면 센싱 데이터의 획득은, 메모리(120)에 저장된 수면 센싱 데이터를 수신하거나 또는 로딩(loading)하는 것일 수 있다. 수면 센싱 데이터의 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체에, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 수면 센싱 데이터를 수신하거나 또는 로딩하는 것일 수 있다.

수면 센싱 데이터는, 사용자의 수면 동안 획득되는 생체 신호일 수 있다. 예컨대, 수면 센싱 데이터는 수면 다원 검사에 관련하여 사용자로부터 측정되는 생체 신호일 수 있다. 수면 다원 검사에 관련한 생체 신호는, 뇌파, 안전도, 턱 근전도, 호흡, 심전도, 동맥혈중산소포화도, 전비골근 근전도, 기타 생리적 및 신체적 변수들에 대한 정보들을 포함할 수 있다. 추가적인 실시예에 따르면, 수면 다원 검사에 관련한 생체 신호는 사용자의 수면 동안의 호흡 및 움직임에 관한 정보를 더 포함할 수도 있다. 이러한, 수면 센싱 데이터는 하나 이상의 채널을 통해 획득될 수 있다. 하나 이상의 채널 각각은, 생체 신호를 획득하기 위해 구성되는 각 전극 쌍에 관련한 것일 수 있다.

예를 들어, 수면 센싱 데이터는, 수면 다원 검사에 관련하여 측정된 생체 신호일 수 있으며, 뇌전도(EEG, Electroencephalography), 안전도(EOG, Electrooculography) 및 근전도(EMG, Electromyography)에 관한 정보를 포함할 수 있다. 이 경우, 뇌전도, 안전도 및 근전도에 관한 정보는 각각 상이한 채널을 통해 획득될 수 있다. 구체적인 예를 들어, 도 3에 도시된 바와 같이, 뇌전도에 대한 정보는 6개의 채널(즉, F3-A2, F4-A1, C3-A2, C4-A1, O1-A2 및 O1-A1)을 통해 획득될 수 있으며, 안전도에 대한 정보는, 2개의 채널을 통해(LEFT, RIGHT) 획득되고, 그리고 근전도에 대한 정보는 1개의 채널을 통해 획득될 수 있다. 즉, 본 개시의 수면 센싱 데이터는, 수면 다원 검사를 위해 수면 기간 동안 사용자의 신체로부터 측정되는 뇌전도, 안전도 및 근전도에 관련한 생체 신호들을 의미하며, 해당 생체 신호들은 상술한 바와 같이 뇌전도에 관련한 6개의 채널, 안전도에 관련한 2개의 채널 및 근전도에 관련한 1개의 채널 즉, 총 9개의 채널을 통해 획득될 수 있다. 본 개시의 수면 분석 정보 생성에 기반이 되는 수면 센싱 데이터는 전술한 바와 같이, 복수의 채널을 통해 획득되는 다양한 생체 신호들을 포함함에 따라, 해당 데이터를 통해 인공 신경망의 출력 정확도가 향상될 수 있다.

또한, 본 개시의 수면 센싱 데이터는, 사용자의 수면 기간 동안 획득되는 시계열 데이터일 수 있다. 이 경우, 수면 센싱 데이터는 사전 결정된 단위 시간으로 구분되는 하나 이상의 시퀀스 데이터의 조합일 수 있다. 사전 결정된 단위 시간은, 예를 들어, 수면 변화를 검출하기 위한 기준이 되는 30초일 수 있다. 즉, 수면 센싱 데이터는 사용자의 수면 환경에 관련하여 하나 이상의 채널을 통해 시계열적으로 획득되는 사용자의 생체 신호에 관련한 하나 이상의 시퀀스 데이터를 포함할 수 있다. 예를 들어, 하나 이상의 시퀀스 데이터는, 사전 결정된 단위 시간(예컨대, 30초)을 기준으로 9개 채널을 통해 획득된 뇌전도, 안전도 및 근전도에 관한 정보를 포함할 수 있다.

구체적인 예를 들어, 도 3을 참조하면, 수면 센싱 데이터에 포함된 하나 이상의 시퀀스 데이터는, 제 1 시퀀스 데이터(201) 및 제 2 시퀀스 데이터(202)를 포함할 수 있다. 여기서 제 1 시퀀스 데이터(201)는, 0~30초 동안 9개의 채널을 통해 획득된 뇌전도, 안전도 및 근전도에 관련한 생체 신호일 수 있다. 제 2 시퀀스 데이터(202)는 제 1 시퀀스 데이터(201)의 이후 시점인 31초~60초 동안 9개의 채널을 통해 획득된 뇌전도, 안전도 및 근전도에 관련한 생체 신호일 수 있다. 도 3의 참조하여 전술한 기재는, 본 개시의 이해를 돕기위한 일 예시일 뿐, 본 개시의 수면 센싱 데이터에 포함된 하나 이상의 시퀀스 데이터는 제 1 및 제 2 시퀀스 데이터로 제한되지 않는다. 즉, 본 개시의 수면 센싱 데이터는, 사용자의 수면 기간 동안(예컨대, 8시간 동안) 측정된 생체 신호에 관련한 데이터임에 따라, 수면 센싱 데이터는 보다 많은 수의 시퀀스 데이터들을 포함함이 당 업계의 통상의 기술자에게 자명할 것이다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 수면 센싱 데이터에 대한 전처리를 수행할 수 있다. 일 실시예에 따른 수면 센싱 데이터에 대한 전처리는, 수면 센싱 데이터에 대한 다운 샘플링(down sampling)을 수행하는 것을 포함할 수 있다. 예를 들어, 수면 다원 검사에 관련하여 다채널(예컨대, 9개의 채널)을 통해 획득되는 수면 센싱 데이터는, 각각 상이한 sampling rate로 획득되나, 수면 단계측정에 불필요할 정도로 높은 sampling rate를 가질 수 있다. 이에 따라, 프로세서(130)는, 각 채널을 통해 획득하는 데이터들을 본 개시의 신경망 모델에 적합한 sampling rate로 다운 샘플링할 수 있다. 구체적인 예를 들어, 각 채널을 통해 획득되는 데이터들을 25 Hz의 sampling rate으로 다운 샘플링하여 각 신호의 주기를 낮출 수 있다. 이는 시계열적으로 획득되는 데이터들의 왜곡을 저감시켜 에일리어싱(aliasing)을 방지하는 효과를 제공할 수 있다. 이에 따라, 각 채널을 통해 획득되는 데이터들의 구분이 명확해질 수 있다.

추가적인 실시예에서, 수면 센싱 데이터에 대한 전처리는, 각 채널을 통해 획득되는 데이터 각각의 노이즈를 제거하는 전처리를 포함할 수 있다. 구체적으로, 프로세서(130)는 각 채널을 통해 획득되는 데이터 각각에 포함된 신호의 크기와 사전 결정된 기준 신호의 크기에 비교에 기초하여 각 데이터에 포함된 신호의 크기를 표준화할 수 있다. 예컨대, 프로세서(130)는 복수의 채널을 통해 획득한 수면 센싱 데이터 각각에 포함된 신호의 크기가 사전 결정된 기준 신호 미만인 경우, 해당 신호의 크기를 크게 조정하고, 그리고 각 채널을 통해 획득한 수면 센싱 데이터 각각에 포함된 신호의 크기가 사전 결정된 기준 신호 이사인 경우, 해당 신호의 크기를 작게(즉, clipping되지 않게) 조정할 수 있다. 전술한, 수면 센싱 데이터에 대한 전처리에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력할 수 있다. 수면 분석 정보는, 사용자의 수면이 하나 이상의 수면 단계 중 적어도 하나에 해당한다는 수면 단계 정보를 포함할 수 있다. 다시 말해, 수면 분석 정보는, 사용자의 수면 동안의 수면 단계에 대한 예측 정보를 포함할 수 있다. 예를 들어, 수면 분석 정보는, 특정 시점에 관련하여 사용자의 수면이 하나 이상의 수면 단계 중 적어도 하나에 해당한다는 수면 단계 정보를 포함할 수 있다. 여기서 하나 이상의 수면 단계는, 예컨대, wake(비수면 상태), N1(Non REM 1), N2, N3 및 REM 수면을 포함할 수 있다. 구체적인 예를 들어, 수면 분석 정보는, 제 1 시점에서의 사용자의 수면 단계가 REM 수면에 해당한다는 정보를 포함할 수 있다. 전술한 수면 분석 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 대한 학습을 수행할 수 있다. 이를 위해, 프로세서(130)는 외부 서버(20)로부터 학습 데이터 세트를 수신할 수 있다. 여기서, 외부 서버(20)는 병원 서버 및 정부 서버 중 적어도 하나에 관련한 서버일 수 있으며, 각각의 서버의 전자건강기록, 전자의료기록 및 건강 검진 DB 중 적어도 하나로부터 수면 다원 검사에 관련한 복수의 사용자 각각의 검진 데이터를 수신할 수 있다. 프로세서(130)는 외부 서버(20)로부터 수신한 복수의 사용자 각각의 검진 데이터에 기초하여 복수의 학습 데이터를 포함하는 학습 데이터 세트를 구축할 수 있다. 학습 데이터 세트는, 신경망의 입력에 관련한 학습 입력 데이터 세트 및 출력과 비교되는 학습 출력 데이터 세트를 포함할 수 있다.

보다 구체적으로, 학습 데이터 세트는, 복수의 사용자 각각의 수면 환경에 관련하여 수면 다원 검사를 통해 사용자의 신체로부터 측정된 생체 신호에 관련한 학습 입력 데이터 세트 및 각 생체 신호의 시점 별 수면 단계 판정 정보에 관련한 학습 출력 데이터 세트를 포함할 수 있다. 프로세서(130)는 학습 데이터 세트를 통해 하나 이상의 네트워크 함수에 대한 학습을 수행하여 본 개시의 수면 분석 모델을 생성할 수 있다.

수면 분석 모델은, 제1 서브 모델(310) 및 제2 서브 모델(330)을 포함할 수 있다. 이하에서, 제1 서브 모델(310)은 차원 감소 서브 모델(310), 제2 서브 모델(330)은 차원 복원 서브 모델(330)로 서술하나, 이에 제한되는 것은 아니다. 프로세서(130)는 학습 입력 데이터를 차원 감소 서브 모델(310)의 입력으로 하여 차원 복원 서브 모델(330)이 해당 학습 입력 데이터의 라벨과 연관된 학습 데이터를 출력하도록 학습시킬 수 있다.

차원 감소 서브 모델(310)은 사용자의 수면 동안 시계열적으로 획득되는 생체 신호에 관련한 학습 입력 데이터를 입력으로 하여 피처(즉, 임베딩)를 추출하는 모델일 수 있다. 즉, 차원 감소 서브 모델(310)은 프로세서(130)로부터 학습 입력 데이터를 수신하여 학습 입력 데이터의 특징 벡터 열을 출력으로 지정하여 입력 데이터가 피처로 변환되는 중간 과정을 학습할 수 있다.

또한, 프로세서(130)는 차원 감소 서브 모델(310)의 출력에 관련한 임베딩(즉, 피처)을 차원 복원 서브 모델(330)로 전달할 수 있다. 차원 감소 서브 모델(310)은 피처를 입력으로 하여 해당 피처에 관련한 수면 분석 정보를 출력할 수 있다. 프로세서(130)는 차원 복원 서브 모델의 출력인 수면 분석 정보를 학습 출력 데이터와 비교하여 오차를 도출하고, 도출된 오차에 기초하여 각 모델의 가중치를 역전파(backpropagation) 방식으로 조정할 수 있다.

프로세서(130)는 학습 입력 데이터에 대한 차원 복원 서브 모델(330)의 연산 결과와 학습 출력 데이터의 오차에 기초하여 차원 복원 서브 모델(330)의 출력인 수면 분석 정보가 학습 출력 데이터에 가까워지도록 하나 이상의 네트워크 함수의 가중치를 조정할 수 있다.

다시 말해, 차원 감소 서브 모델은 학습 입력 데이터에 대한 피처를 추출하도록 학습되며, 차원 복원 서브 모델은 추출된 피처에 대응하는 분석 정보를 출력하도록 학습될 수 있다.

또한, 수면 분석 모델은 하나 이상의 어텐션 모듈을 더 포함할 수 있다. 하나 이상의 어텐션 모듈은 피처에 대응하는 분석 정보에 대한 어텐션 가중치를 산출할 수 있다. 구체적으로, 프로세서(130)는 학습 입력 데이터와 학습 출력 데이터를 통해 하나 이상의 어텐션 모듈로 하여금 입력(즉, 학습 입력 데이터)과 출력(즉, 학습 출력 데이터) 사이의 매칭 관계를 학습하도록 할 수 있다. 이에 따라, 하나 이상의 어텐션 모듈(320)은 피처 및 차원 복원 서브 모델(330)의 타임 스텝 간의 연관성에 관련한 연관 정보를 생성할 수 있다. 다시 말해, 하나 이상의 어텐션 모듈은 신경망의 학습 과정에서 시계열에 관련한 입력 데이터의 각 요소에 어텐션 가중치를 부여함으로서, 입력 데이터와 출력 데이터 간의 집중해야 할 요소를 강조할 수 있다. 다시 말해, 하나 이상의 어텐션 모듈은 수면 분석 모델의 출력값과 입력값 간의 연관성에 관련한 어텐션 가중치를 부여하도록 학습되는 모듈일 수 있다.

구체적인 예를 들어, 차원 복원 서브 모델(330)은 하나 이상의 RNN을 포함하며, 하나 이상의 RNN을 통해 제 1 타임 스탬프의 예측 정보를 입력으로 하여 제 2 타임 스탬프의 예측 정보를 출력하는 모델일 수 있다. 이 경우, 제 1 타임 스탬프는 제 2 타임 스탬프보다 앞선 시점일 수 있다. 구체적으로, 차원 복원 서브 모델의 제 1 RNN을 통해 예측된 예측 정보는 다음 타임 스탬프의 제 2 RNN으로 전달되고, 제 2 RNN을 통해 예측된 예측 정보는 다음 타임 스탬프의 제 3 RNN으로 전달될 수 있다. 이 과정에서 하나 이상의 어텐션 모듈은 타임 스텝 간의 연관 정보를 통해 집중해야 할 피처의 시점을 결정할 수 있다. 즉, 차원 복원 서브 모델(330)은 하나 이상의 RNN을 통해 예측 정보를 반복하여 예측하는 과정에서 하나 이상의 어텐션 모듈을 통해 집중할 변화 요인의 시점을 결정함으로써, 다양한 인자들의 시점 간 연관 관계에 대한 예측 정보를 출력하도록 학습될 수 있다.

다시 말해, 프로세서(130)는 학습 입력 데이터를 차원 감서 서브 모델의 입력으로 하여 학습 입력 데이터에 대응하는 피처를 출력하도록 하며, 해당 피처를 하나 이상의 어텐션 모듈을 거쳐 차원 복원 서브 모델(330)의 입력으로 처리할 수 있다. 이 경우, 차원 복원 서브 모델(330)은 피처를 입력으로 하여 수면 분석 정보를 출력할 수 있으며, 프로세서(130)는 출력된 수면 분석 정보를 학습 입력 데이터의 라벨인 학습 출력 데이터와 비교하여 오차를 도출하고, 도출된 오차에 기초하여 각 모델의 가중치를 조정할 수 있다. 전술한 학습 과정을 통해 프로세서(130)는 하나 이상의 네트워크 함수에 대한 학습을 수행하여 수면 분석 모델을 생성할 수 있다.

이에 따라, 수면 분석 모델은, 수면 센싱 데이터를 입력으로 하여 수면 분석 정보를 출력할 수 있다.

보다 자세히 설명하면, 수면 분석 모델은, 하나 이상의 시퀀스 데이터를 포함하는 수면 센싱 데이터를 입력으로 하여, 하나 이상의 시퀀스 데이터 각각에 대응하는 수면 분석 정보를 출력할 수 있다. 즉, 수면 분석 모델은, 수면 센싱 데이터를 입력으로 하여 하나 이상의 시퀀스 데이터 각각에 대응하는 수면 분석 정보를 출력하는 것을 특징으로 할 수 있다. 이러한 수면 분석 모델은, 차원 감소 서브 모델(예컨대, 인코더) 및 차원 복원 서브 모델(예컨대, 디코더)을 포함할 수 있다. 이하에서 서술되는 차원 감소 서브 모델 및 차원 복원 서브 모델은 전술한 학습 과정을 통해 학습된 모델들을 의미할 수 있다. 수면 분석 모델이 하나 이상의 시퀀스 데이터를 포함하는 수면 센싱 데이터를 입력으로 하여 각 시퀀스 데이터에 대응하는 수면 분석 정보를 출력하는 과정에 대한 구체적인 기재는 도 4 및 도 5를 참조하여 이하에서 서술하도록 한다.

차원 감소 서브 모델(310)은, 수면 센싱 데이터에 포함된 하나 이상의 시퀀스 데이터 각각을 입력으로 하여 하나 이상의 채널 각각에 대응하여 하나 이상의 피처를 추출하고, 추출된 하나 이상의 피처를 통합하여 각 시퀀스 데이터에 대응하는 하나 이상의 통합 피처를 생성하는 것을 특징으로 할 수 있다.

보다 구체적으로, 도 4를 참조하면, 본 개시의 학습 입력 수면 센싱 데이터는, 사용자의 수면 동안 하나 이상의 채널을 통해 시계열적으로 획득되는 사용자의 생체 신호에 관련한 것일 수 있다. 이러한 수면 센싱 데이터는, 하나 이상의 시퀀스 데이터를 포함할 수 있다. 하나 이상의 시퀀스 데이터는, 제 1 시퀀스 데이터(201) 및 제 2 시퀀스 데이터(202)를 포함할 수 있다. 여기서 제 1 시퀀스 데이터(201)는, 0~30초 동안 9개의 채널을 통해 획득된 뇌전도, 안전도 및 근전도에 관련한 생체 신호일 수 있다. 제 2 시퀀스 데이터(202)는 제 1 시퀀스 데이터(201)의 이후 시점인 31초~60초 동안 9개의 채널을 통해 획득된 뇌전도, 안전도 및 근전도에 관련한 생체 신호일 수 있다. 나아가, 분석에 사용되는 수면 센싱 데이터는 30초 단위로 10개의 시퀀스 데이터를 포함할 수 있으나, 이에 제한되는 것은 아니다.

이 경우, 차원 감소 서브 모델(310)은 제 1 시퀀스 데이터(201)를 입력으로 하여 각 채널에 대응하는 하나 이상의 피처를 추출할 수 있다. 구체적으로, 차원 감소 서브 모델은 0~30초 동안의 뇌전도에 관련한 6개의 채널 각각에 대응하여 6개의 피처를 생성할 수 있으며, 해당 시간 기간 동안의 안전도에 관련한 2개의 채널 각각에 대응하여 2개의 피처를 생성할 수 있고, 그리고 해당 시간 기간 동안의 근전도에 관련한 1개의 채널에 대응하여 1개의 피처를 생성할 수 있다. 즉, 차원 감소 서브 모델(310)은 수면 센싱 데이터에 포함된 제 1 시퀀스 데이터(201)를 입력으로 하는 경우, 각 채널에 대응하여 9개의 피처를 생성할 수 있다. 또한, 차원 감소 서브 모델(310)은 하나 이상의 피처 즉, 9개의 피처를 통합하여 통합 피처를 생성할 수 있다. 통합 피처는 동일한 시간 동안 복수의 채널을 통해 획득된 다양한 생체 신호를 통합한 것으로 특정 시점에 관련한 수면 환경에 대표성을 나타낸 피처를 의미할 수 있다. 즉, 하나의 통합 피처는 하나의 시퀀스 데이터에 대응하는 피처(즉, 임베딩)을 의미할 수 있다. 또한, 차원 감소 서브 모델(310)은 제 1 시퀀스 데이터(201)의 이후 시점의 수면 환경에 관련한 제 2 시퀀스 데이터(202)를 입력으로 하여 제 2 시퀀스 데이터(202)에 대응하는 통합 피처를 생성할 수 있다.

예를 들어, 차원 감소 서브 모델(310)에서 각각의 채널별로 피처를 추출하는 모델은 Res1DCNN일 수 있고, 각 채널별 피처를 통합하여 통합 피처를 추출하는 모델 또한 Res1DCNN일 수 있다. 즉, 차원 감소 서브 모델(310)은 MultiRes1DCNN일 수 있으나, 이에 제한되지 않는다.

일 실시예에서, 본 개시의 차원 감소 서브 모델은 복수 개로 구비되어, 하나 이상의 시퀀스 데이터에 대응하는 통합 피처 추출 동작을 병렬적으로 수행할 수도 있다. 차원 감소 서브 모델이 복수 개로 구비되여 각 시퀀스 데이터를 입력으로 하여 하나 이상의 통합 피처 추출 동작을 병렬적으로 수행하는 경우, 처리 속도가 보다 향상될 수 있다.

전술한 바와 같이, 차원 복원 서브 모델(330)은, 사전 결정된 단위 시간으로 구분된 하나 이상의 시퀀스 데이터를 포함하는 수면 센싱 데이터를 입력으로 하는 경우, 각 시퀀스 데이터에 대응하여 하나 이상의 통합 피처를 생성할 수 있다. 예를 들어, 10개의 시퀀스에 대해 분석을 수행할 경우 10개의 통합 피처가 획득될 수 있다.

또한, 차원 복원 서브 모델(330)은, 통합 피처를 입력으로 하여 수면 분석 정보를 출력하는 것을 특징으로 할 수 있다.

구체적인 예를 들어, 차원 복원 서브 모델(330)은 RNN을 포함할 수 있으며, 복수의 시퀀스에 대한 분석 결과로서 획득된 복수의 통합 피처를 입력으로 하여, 복수의 시퀀스에 대한 통합 피처를 함께 분석하여 복수의 시퀀스 각각에 대한 수면 분석 정보를 출력할 수 있다. 출력되는 수면 분석 정보는 각 시퀀스에 대한 수면 단계 정보 및 이에 대한 확신도 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다.

예를 들어, 10개의 시퀀스로부터 추출된 통합 피처를 이용하여 수면 분석 정보를 획득하는 경우, 10개의 MultiRes1DCNN 연산으로부터 추출된 통합 피처들을 RNN에 입력하여 그 출력으로부터 10개의 시퀀스 각각에 대한 수면단계 정보 및 이에 대한 확신도 정보를 획득할 수 있으나, 이에 제한되는 것은 아니다.

다른 예로, 차원 복원 서브 모델(330)은 하나 이상의 RNN을 포함하며, 하나 이상의 RNN을 통해 제 1 타임 스탬프의 예측 정보를 입력으로 하여 제 2 타임 스탬프의 예측 정보를 출력하는 모델일 수 있다. 이 경우, 제 1 타임 스탬프는 제 2 타임 스탬프보다 앞선 시점일 수 있다. 구체적으로, 차원 복원 서브 모델의 제 1 RNN을 통해 예측된 예측 정보는 다음 타임 스탬프의 제 2 RNN으로 전달되고, 제 2 RNN을 통해 예측된 예측 정보는 다음 타임 스탬프의 제 3 RNN으로 전달될 수 있다. 이 과정에서 하나 이상의 어텐션 모듈은 타임 스텝 간의 연관 정보를 통해 집중해야 할 피처의 시점을 결정할 수 있다. 즉, 차원 복원 서브 모델(330)은 하나 이상의 RNN을 통해 예측 정보를 반복하여 예측하는 과정에서 하나 이상의 어텐션 모듈(320)을 통해 집중할 변화 요인의 시점을 결정함으로써, 다양한 인자들의 시점 간 연관 관계에 대한 예측 정보를 출력할 수 있다.

즉, 차원 감소 서브 모델(310)을 통해 출력된 통합 피처는 하나 이상의 어텐션 모듈(320)로 전달될 수 있다. 이 경우, 하나 이상의 어텐션 모듈(320)은, 각 통합 피처에 대응하는 수면 분석 정보에 대한 어텐션 가중치를 산출할 수 있다. 하나 이상의 어텐션 모듈(320)은 시계열에 관련한 입력 데이터(즉, 수면 센싱 데이터)의 각 피처에 어텐션 가중치를 부여하여 입력 데이터와 출력 데이터 간의 집중해야 할 요소를 강조할 수 있다.

즉, 본 개시의 차원 감소 서브 모델(310), 하나 이상의 어텐션 모듈(320) 및 차원 복원 서브 모델(330)을 포함하는 수면 분석 모델은, 단순히 하나의 시퀀스 데이터에 관련한 시점을 고려하여 수면 분석 정보(즉, 수면 단계에 관련한 예측 정보)를 출력하는 것이 아닌, 이점 시점의 시퀀스 데이터들을 반영하여 수면 분석 정보를 출력할 수 있다.

예컨대, 전문의 또는 수면기사가 실제로 수면 다원 검사 결과를 판독하는 경우, 단일 30초에 대응하는 하나의 시퀀스만을 살피는 것이 아닌, 이전 시퀀스까지 고려하여 판독을 진행할 수 있다. 다시 말해, 이전 시퀀스와의 연관성을 고려하지 않고, 단일 시퀀스에 기반하여 수면 단계에 대한 예측 정보가 산출되는 경우, 정확도가 결여될 우려가 있다.

본 개시의 수면 분석 모델은 전술한 과정을 통해, 하나의 시퀀스 데이터에 대응하는 수면 분석 정보를 산출하는 과정에서 전후 시퀀스 데이터들의 특성을 고려하여 수면 단계 예측을 진행할 수 있다. 이에 따라, 산출된 수면 분석 정보의 정확도 및 신뢰도를 담보할 수 있다.

본 개시의 일 실시예에 따르면, 수면 분석 모델은 전이 학습(transfer learning)되는 것을 특징으로 할 수 있다. 예컨대, 수면 질환을 겪는 환자들에 대한 수면 단계 예측의 정확도는 정상인 보다 낮을 수 있다. 예를 들어, 수면무호흡증을 겪는 환자들을 통해 획득한 수면 센싱 데이터에 기반하여 신경망을 활용한 수면 단계 예측을 수행하는 경우, 수면질환을 겪지 않는 사용자를 대상으로 한 수면 단계 예측에 대한 정확도 보다 약 10~15% 낮을 수 있다.

일반적으로, 수면 다원 검사를 진행하기 이전에 해당 사용자의 수면 질환 여부를 명확히 분류하기 어렵다. 이에 따라, 수면질환을 겪는 사용자와 수면질환을 겪지 않는 사용자의 수면 센싱 데이터에 대응하는 수면 분석 정보를 제공하는 수면 분석 모델을 생성하기 위해서는, 수면 질환을 겪는 사용자에 관련한 수면 센싱 데이터가 추가적으로 필요할 수 있다. 다시 말해, 수면 질환을 겪는 복수의 사용자들의 복수의 수면 센싱 데이터가 수면 분석 모델(즉, 신경망 모델)을 학습시키기 위한 학습 데이터로 구축되어야 하며, 이는 데이터 세트를 통한 신경망 모델의 학습에 많은 시간과 비용을 초래할 우려가 있다.

이에 따라, 본 개시의 수면 분석 모델은 전이 학습을 통해 상이한 도메인(예컨대, 수면질환을 겪는 사용자들)에 해당하는 수면 센싱 데이터에 대응하는 수면 분석 정보를 출력하도록 전이 학습되는 것을 특징으로할 수 있다. 구체적으로, 수면 분석 모델은 소스 도메인(source domain)에서 훈련된 알고리즘을 다른 타겟 도메인(target domain)에서 적용 가능하도록 전이 학습되는 것을 특징으로 할 수 있다. 여기서, 소스 도메인은 수면질환을 겪지 않는 사용자에 관련한 수면 센싱 데이터에 관련한 것을 의미할 수 있으며, 타겟 도메인은 수면질환을 겪는 사용자에 관련한 수면 센싱 데이터에 관련한 것을 의미할 수 있다. 전이 학습은, 예컨대, 소스 도메인에서 훈련된 모델의 가중치를 타겟 도메인에 맞게 재보정하여 사용하는 것을 의미할 수 있다. 추가적인 실시예에 따르면, 본 개시의 수면 분석 모델은 Domain Adaptation을 통해 정답에 관련한 라벨이 없는 상황에서 데이터에의 학습을 수행할 수도 있다. 즉, 전이 학습 및 Domain Adaptation을 통해 수면 분석 모델은 다양한 도메인(예컨대, 수면 질환을 겪는 사용자 또는 겪지 않는 사용자)에 대하여 적은 양의 학습 데이터를 사용하면서 학습 속도 및 성능이 향상될 수 있다.

이에 따라, 본 개시의 수면 분석 모델은 수면질환을 겪지 않는 사용자뿐 만 아니라, 수면 질환 환자에게도 잘 동작할 수 있다. 즉, 수면 분석 모델은 수면 질환을 겪는 사용자의 수면 센싱 데이터에 대응하여 보다 견고한 수면 분석 정보를 출력할 수 있다. 다시 말해, 수면 질환을 가진 사용자에 대해 강인하며, 자동화된 수면 분석 정보 제공할 수 있다.

본 개시의 일 실시예에 따르면, 수면 분석 모델이 출력하는 수면 분석 정보는, 예측 확신도 정보를 포함할 수 있다. 수면 분석 정보는 하나 이상의 시퀀스 데이터 각각에 대응하는 예측 확신도 정보를 포함할 수 있다.

구체적으로, 수면 분석 모델은 하나 이상의 시퀀스 데이터를 포함하는 수면 센싱 데이터를 입력으로 하여, 각 시퀀스 데이터에 대응하는 수면 단계 정보를 출력할 수 있다. 이 경우, 수면 분석 모델은, 하나의 시퀀스 데이터를 입력으로 하여 하나 이상의 수면 단계 각각에 대응하는 스코어(즉, softmax)를 산출할 수 있으며, 각 수면 단계에 대응하여 산출된 스코어에 기초하여 수면 단계 정보를 생성할 수 있다. 프로세서(130)는 수면 분석 모델을 통해 수면 단계에 대한 예측 정보를 산출한 경우, 해당 예측 정보 산출에 기여한 스코어 값을 통해 예측 확신도 정보를 생성할 수 있다.

예를 들어, 수면 분석 모델은, 사용자의 수면과 관련하여 0~30초 동안 0개의 채널을 통해 획득된 제 1 시퀀스 데이터(201)를 입력으로 하는 경우, 제 1 시퀀스 데이터(201)에 대응하여 하나 이상의 수면 단계 각각에 대응하는 스코어를 산출할 수 있다. 구체적인 예를 들어, 수면 분석 모델은 제 1 시퀀스 데이터(201)에 대응하여 wake - 2점, N1 - 10점, N2 - 80점, N3 - 7점 및 REM - 1점를 산출할 수 있으며, 가장 큰 스코어 값에 기초하여 'N2'를 제 1 시퀀스 데이터(201)에 대응하는 수면 단계 정보로 결정할 수 있다. 즉, 0~30초 동안의 사용자는 N2 수면 단계에 해당하는 예측 정보를 산출할 수 있다. 이 경우, 프로세서(130)는 N2 수면 단계 예측에 기여한 스코어에 기초하여 예측 확신도 정보를 '80'으로 결정할 수 있다. 예컨대, 예측 확신도 정보가 클수록 인공 신경망을 통해 예측된 수면 단계에 대한 정확도(또는, 신뢰도) 높은 것을 의미할 수 있다. 전술한 시퀀스 데이터, 스코어 값, 수면 단계 및 예측 확신도 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 프로세서(130)는 사용자의 수면 동안에 시점 별 수면 단계에 대한 예측 정보와 각 수면 단계에 예측 정보에 대응하는 예측 확신도 정보를 제공할 수 있다. 이 경우, 예측 확신도 정보는, 인공 신경망(즉, 수면 분석 모델)의 출력(즉, 수면 단계에 대한 예측 정보)이 얼마나 신뢰할만 한지에 대한 판단 지표로 활용될 수 있다. 다시 말해, 각 시점 별 수면 단계 추정에 관련한 예측 확신도 정보를 수면 단계 정보와 함께 제시함으로써 의료 환경에서의 신뢰성 있는 활용이 가능해질 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 temperature scaling을 통해 수면 분석 모델이 출력하는 예측 확신도 정보에 대한 보정을 수행할 수 있다. 예를 들어, 의료 환경에서의 인공 신경망의 활용은, 평균적인 정확도가 낮아서가 아닌, 어떤 상황에서는 잘 동작하나, 다른 어떤 상황에서는 잘 동작하지 않는 동작의 불확실성으로 인한 리스크가 존재할 수 있다. 이에 따라, 인공 신경망의 최종 출력층의 output인 softmax 값만을 활용하여 예측 신뢰도 정보를 생성하는 경우, 예측 확신도 정보에 대한 신뢰도를 담보하기 어려울 수 있다. 예컨대, 신경망이 자신의 예측을 과도하게 확신(overconident)하는 경우, 해당 예측 확신도 정보를 참고하는 사용자에게 부정확한 정보를 전달할 우려가 있다.

이에 따라, 프로세서(130)는 temperature scaling 과정을 통해 모델이 예측에 대하여 확신하는 정도와 실제 정확도를 같은 수준으로 맞추는 작업을 수행할 수 있다. 구체적으로, 단일 scalar parameter T를 이용하여 logit vector Z가 주어질 때, 확신도 예측은 다음과 같을 수 있다.

T가 커질수록 확률값

는 최대 불확실성을 나타내는 1/K에 근접할 수 있다. 즉, 본 개시는, validation set에 대해 NLL(Negative log likelihood)을 최소화하는 식으로 optimization하는 temperature scaling을 통해 예측 확신도에 대한 보정을 수행할 수 있다. 이 경우, temperature scaling은 모델의 정확도에는 영향을 주지 않고, Calibration에만 영향을 줄 수 있다.

즉, temperature scaling을 이용한 확신도 보정을 통해 사용자의 판단 지표로 활용되는 예측 확신도 정보 자체에 대한 신뢰성을 확보하는 효과를 제공할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(130)는 예측 확신도 정보와 수면 단계 정보 간의 관계 정보를 생성할 수 있다. 또한, 프로세서(130)는 관계 정보에 기반하여 수면 분석 정보를 업데이트할 수 있다.

자세히 설명하면, 수면 단계 정보 및 예측 확신도 정보를 포함하는 수면 분석 정보는, 매 시점 별 생성되는 것을 특징으로 할 수 있다. 구체적인 예를 들어, 도 5에 도시된 바와 같이, 수면 분석 정보(400)는 각 시점에 대응하여 생성된 수면 단계 정보 및 예측 확신도 정보를 포함할 수 있다. 예컨대, 0~30초 수면 동안 9개 채널을 통해 획득된 생체 신호에 관련한 제 1 시퀀스 데이터(201)에 대응하여 제 1 수면 분석 정보(401)가 생성될 수 있다. 제 1 수면 분석 정보(401)는 제 1 시퀀스 데이터에 대응하는 시점에 사용자의 수면이 N1에 해당하며, 예측 확신도 정보가 90%이라는 정보를 포함할 수 있다.

이 경우, 프로세서(130)는 전체 수면 기간 동안의 예측 확신도 정보와 수면 단계 정보를 고려하여 관계 정보를 생성할 수 있다. 예를 들어, 예측 확신도 정보의 전체 평균이 비교적 낮게 산출되며, 전체 수면 동안 수면 단계 정보의 변화가 사전 결정된 변화 임계치 보다 많은 경우, 프로세서(130)는 예측 확신도가 낮은 경우, 수면 단계의 변화가 잦다는 관계 정보를 생성할 수 있다. 다른 예를 들어, 사용자의 수면 동안 수면 단계 비율을 통해 사용자가 수면 무호흡증에 관련한 질환을 가진 것으로 해석되며, 산축된 예측 확신도 정보의 전체 평균이 비교적 낮은 경우, 프로세서(130)는 수면 무호흡증은 낮은 예측 확신도 정보와 관련이 있다는 관계 정보를 생성할 수 있다. 다시 말해, 예측 확신도가 낮은 사용자의 경우, 수면 질환이 있을 확률이 높다는 관계 정보를 생성할 수 있다. 전술한, 관계 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

즉, 프로세서(130)는 예측 확신도 정보와 수면 단계 정보 간의 관계 정보를 생성하고, 생성된 관계 정보에 기초하여 수면 분석 정보를 업데이트할 수 있다. 이는 수면 단계 변화에 따른 수면 패턴과 예측 정확도 간의 새로운 관계 정보를 통한 수면 분석 정보의 제공을 가능하게 할 수 있다. 이에 따라, 프로세서(130)는 사용자(예컨대, 전문의)에게 일반적으로 알려진 패턴의 수면 분석 이외의 새로운 연관 관계에 대한 통찰을 제공할 수 있다.

본 개시의 일 일시예에 따르면, 프로세서(130)는 수면 분석 정보에 기초하여 특성 맵 정보를 생성할 수 있다. 구체적으로, 프로세서(130)는 하나 이상의 어텐션 모듈을 통해 각 통합 피처에 따른 수면 분석 정보에 대한 어텐션 가중치를 시각화하여 특성 맵 정보를 생성할 수 있다.

구체적인 예를 들어, 컴퓨팅 장치(100)는 제 1 시점(예컨대, 취침 후, 최초 사용자의 수면 1분)에 대응하여 획득된 사용자의 수면 센싱 데이터를 통해, 해당 1분 동안 사용자의 수면 단계가 N3 수면 단계에 해당한다는 예측 정보를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 하나 이상의 어텐션 모듈로부터 해당 제 1 시점에 관련한 수면 분석 정보(즉, 해당 시점에 사용자의 수면이 N3 수면 단계에 해당한다는 예측 정보)에 대한 각 입력 요소의 어텐션 가중치를 획득할 수 있다. 컴퓨팅 장치(100)는 획득한 각 요소 별 어텐션 가중치를 시각화하여 특성 맵 정보를 생성할 수 있다.

즉, 컴퓨팅 장치(100)는 하나 이상의 어텐션 모듈을 활용하여 시계열에 관련한 입력 데이터(즉, 수면 센싱 데이터)에 대한 예측 정보를 산출하는 과정에서의 판단 근거를 시각화할 수 있다. 다시 말해, 각 시점 별 수면 단계 판독에 대하여 어떠한 시점의 어떠한 신호(즉, 어떠한 수면 센싱 데이터)가 중요한 역할을 했는지 어텐션 가중치 값을 통해 시각화하여 제공할 수 있다. 예컨대, 어텐션 가중치를 통해 주목되는 신호 또는 정보들에 기초하여 픽셀 별로 다르게 표시하여 유의미한 형태의 시각화 정보를 제공하도록 특성 맵 정보를 생성할 수 있다.

일반적으로 인공 신경망 모델은 내부적 알고리즘을 파악하기가 어렵다. 즉, 어떠한 근거를 바탕으로 입력 데이터에 관련한 출력을 생성하는지 파악하기 어렵다. 이는, 인공 신경망 모델의 불확실성으로 인한 리스크로 작용함에 따라 실제 의료 환경에서 활용되기 어려운 문제점을 가질 수 있다.

본 개시의 프로세서(130)는 시점 별 수면 단계를 예측할 때 중요하게 작용한 신호의 패턴을 시각화하여 제공함으로써, 신경망 모델이 어떤 근거를 바탕으로 예측 또는 판단을 했는지 시각화할 수 있다. 이에 따라, 본 개시의 수면 분석 모델이 출력하는 예측 정보의 타당성을 정밀하게 검증할 수 있도록 하여, 사용자(예컨대, 전문의)와의 협업 시너지를 극대화시킬 수 있다.

도 6은 본 개시의 일 실시예와 관련된 수면에 관련한 분석 정보를 제공하는 방법을 예시적으로 나타낸 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 상기 방법은, 사용자의 수면 센싱 데이터를 획득하는 단계(510)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 상기 방법은, 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 단계(520)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 상기 방법은, 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 단계(530)를 포함할 수 있다.

전술한 도 6에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 일 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.

도 7은 본 개시의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의“링크”에 의해 상호 연결될 수 있다.

신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.

신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 개시의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 개시의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (14)

1. 컴퓨팅 장치의 프로세서에서 수행되는 방법으로,
   사용자의 수면 센싱 데이터를 획득하는 단계;
   상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 단계; 및
   상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 단계;
   를 포함하며,
   상기 수면 센싱 데이터는,
   상기 사용자의 수면 환경과 관련하여 하나 이상의 채널을 통해 시계열적으로 획득되는 사용자의 생체 신호에 관련한 하나 이상의 시퀀스 데이터를 포함하며,
   상기 수면 분석 모델은,
   제1 서브 모델 및 제2 서브 모델을 포함하며,
   상기 제1 서브 모델은,
   상기 수면 센싱 데이터에 포함된 상기 하나 이상의 시퀀스 데이터 각각을 입력으로 하여 상기 하나 이상의 채널 각각에 대응하여 하나 이상의 피처를 추출하고, 추출된 하나 이상의 피처를 통합하여 각 시퀀스 데이터에 대응하는 하나 이상의 통합 피처를 생성하는 것을 특징으로 하고,
   상기 제2 서브 모델은,
   상기 하나 이상의 통합 피처 각각을 입력으로 하여 상기 수면 분석 정보를 출력하는 것을 특징으로 하는,
   컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법.
   
2. 제 1 항에 있어서,
   상기 수면 분석 정보는,
   상기 사용자의 수면이 하나 이상의 수면 단계 중 적어도 하나에 해당한다는 수면 단계 정보를 포함하고,
   상기 수면 분석 모델은,
   상기 수면 센싱 데이터를 입력으로 하여, 상기 하나 이상의 시퀀스 데이터 각각에 대응하는 수면 분석 정보를 출력하는 것을 특징으로 하는,
   컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법.
   
3. 제 1 항에 있어서,
   상기 수면 분석 모델은,
   하나 이상의 어텐션 모듈을 더 포함하며,
   상기 하나 이상의 어텐션 모듈은,
   상기 하나 이상의 통합 피처 각각에 대응하는 수면 분석 정보에 대한 어텐션 가중치를 산출하는 것을 특징으로 하는,
   컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법.
   
4. 제 3 항에 있어서,
   상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 단계는,
   상기 하나 이상의 어텐션 모듈을 통해 각 통합 피처에 따른 수면 분석 정보에 대한 어텐션 가중치를 시각화하여 상기 특성 맵 정보를 생성하는 것을 특징으로 하고,
   상기 특성 맵 정보는,
   상기 수면 분석 모델이 출력한 각 시퀀스 데이터 별 예측에 영향을 준 데이터들을 시각화하여 나타낸 정보인,
   컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법.
   
5. 제 1 항에 있어서,
   상기 수면 센싱 데이터에 대한 전처리를 수행하는 단계;
   를 더 포함하고,
   상기 전처리는,
   상기 수면 센싱 데이터에 대한 다운 샘플링을 수행하는 것을 포함하는,
   컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법.
   
6. 컴퓨팅 장치의 프로세서에서 수행되는 방법으로,
   사용자의 수면 센싱 데이터를 획득하는 단계;
   상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 단계; 및
   상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 단계;
   를 포함하며,
   상기 수면 분석 모델은,
   소스 도메인(source domain)에서 훈련된 알고리즘을 다른 타겟 도메인(target domain)에서 적용 가능하도록 전이 학습(transfer learning)되는 것을 특징으로 하며,
   상기 전이 학습은,
   정상에 관련한 소스 도메인에서 훈련된 알고리즘 기반하여 수면 질환에 관련한 타겟 도메인에서의 학습을 수행하는 것을 포함하는,
   컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법.
   
7. 컴퓨팅 장치의 프로세서에서 수행되는 방법으로,
   사용자의 수면 센싱 데이터를 획득하는 단계;
   상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 단계; 및
   상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 단계;
   를 포함하며,
   상기 수면 분석 정보는,
   하나 이상의 시퀀스 데이터 각각에 대응하는 예측 확신도 정보를 포함하고,
   상기 방법은,
   Temperature scaling을 통해 상기 수면 분석 모델이 출력하는 상기 예측 확신도 정보에 대한 보정을 수행하는 단계;
   를 더 포함하는,
   컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법.
   
8. 제 7 항에 있어서,
   상기 방법은,
   상기 예측 확신도 정보와 수면 단계 정보 간의 관계 정보를 생성하는 단계; 및
   상기 관계 정보에 기반하여 상기 수면 분석 정보를 업데이트하는 단계;
   를 포함하는,
   컴퓨팅 장치의 프로세서에서 수행되는 수면에 관련한 분석 정보를 제공하기 위한 방법.
   
9. 컴퓨팅 장치에 있어서,
   하나 이상의 코어를 포함하는 프로세서;
   상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 및
   사용자 단말과 데이터를 송수신하는 네트워크부;
   를 포함하고,
   상기 프로세서는,
   사용자의 수면 센싱 데이터를 획득하고, 상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하고, 상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하며,
   상기 수면 센싱 데이터는,
   상기 사용자의 수면 환경과 관련하여 하나 이상의 채널을 통해 시계열적으로 획득되는 사용자의 생체 신호에 관련한 하나 이상의 시퀀스 데이터를 포함하며,
   상기 수면 분석 모델은,
   제1 서브 모델 및 제2 서브 모델을 포함하며,
   상기 제1 서브 모델은,
   상기 수면 센싱 데이터에 포함된 상기 하나 이상의 시퀀스 데이터 각각을 입력으로 하여 상기 하나 이상의 채널 각각에 대응하여 하나 이상의 피처를 추출하고, 추출된 하나 이상의 피처를 통합하여 각 시퀀스 데이터에 대응하는 하나 이상의 통합 피처를 생성하는 것을 특징으로 하고,
   상기 제2 서브 모델은,
   상기 하나 이상의 통합 피처 각각을 입력으로 하여 상기 수면 분석 정보를 출력하는 것을 특징으로 하는,
   수면에 관련한 분석 정보를 제공하기 위한 컴퓨팅 장치.
   
10. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 수면에 관련한 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    사용자의 수면 센싱 데이터를 획득하는 동작;
    상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 동작; 및
    상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 동작;
    을 포함하며,
    상기 수면 센싱 데이터는,
    상기 사용자의 수면 환경과 관련하여 하나 이상의 채널을 통해 시계열적으로 획득되는 사용자의 생체 신호에 관련한 하나 이상의 시퀀스 데이터를 포함하며,
    상기 수면 분석 모델은,
    제1 서브 모델 및 제2 서브 모델을 포함하며,
    상기 제1 서브 모델은,
    상기 수면 센싱 데이터에 포함된 상기 하나 이상의 시퀀스 데이터 각각을 입력으로 하여 상기 하나 이상의 채널 각각에 대응하여 하나 이상의 피처를 추출하고, 추출된 하나 이상의 피처를 통합하여 각 시퀀스 데이터에 대응하는 하나 이상의 통합 피처를 생성하는 것을 특징으로 하고,
    상기 제2 서브 모델은,
    상기 하나 이상의 통합 피처 각각을 입력으로 하여 상기 수면 분석 정보를 출력하는 것을 특징으로 하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 컴퓨팅 장치에 있어서,
    하나 이상의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 및
    사용자 단말과 데이터를 송수신하는 네트워크부;
    를 포함하고,
    상기 프로세서는,
    사용자의 수면 센싱 데이터를 획득하고, 상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하고, 상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하며,
    상기 수면 분석 모델은,
    소스 도메인(source domain)에서 훈련된 알고리즘을 다른 타겟 도메인(target domain)에서 적용 가능하도록 전이 학습(transfer learning)되는 것을 특징으로 하며,
    상기 전이 학습은,
    정상에 관련한 소스 도메인에서 훈련된 알고리즘 기반하여 수면 질환에 관련한 타겟 도메인에서의 학습을 수행하는 것을 포함하는,
    수면에 관련한 분석 정보를 제공하기 위한 컴퓨팅 장치.
    
12. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 수면에 관련한 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    사용자의 수면 센싱 데이터를 획득하는 동작;
    상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 동작; 및
    상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 동작;
    을 포함하며,
    상기 수면 분석 모델은,
    소스 도메인(source domain)에서 훈련된 알고리즘을 다른 타겟 도메인(target domain)에서 적용 가능하도록 전이 학습(transfer learning)되는 것을 특징으로 하며,
    상기 전이 학습은,
    정상에 관련한 소스 도메인에서 훈련된 알고리즘 기반하여 수면 질환에 관련한 타겟 도메인에서의 학습을 수행하는 것을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    
13. 컴퓨팅 장치에 있어서,
    하나 이상의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 및
    사용자 단말과 데이터를 송수신하는 네트워크부;
    를 포함하고,
    상기 프로세서는,
    사용자의 수면 센싱 데이터를 획득하고, 상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하고, 상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하며,
    상기 수면 분석 정보는,
    하나 이상의 시퀀스 데이터 각각에 대응하는 예측 확신도 정보를 포함하고,
    상기 프로세서는,
    Temperature scaling을 통해 상기 수면 분석 모델이 출력하는 상기 예측 확신도 정보에 대한 보정을 수행하는,
    수면에 관련한 분석 정보를 제공하기 위한 컴퓨팅 장치.
    
14. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 수면에 관련한 분석 정보를 제공하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    사용자의 수면 센싱 데이터를 획득하는 동작;
    상기 수면 센싱 데이터를 수면 분석 모델의 입력으로 처리하여 수면 분석 정보를 출력하는 동작; 및
    상기 수면 분석 정보에 기초하여 특성 맵 정보를 생성하는 동작;
    을 포함하며,
    상기 수면 분석 정보는,
    하나 이상의 시퀀스 데이터 각각에 대응하는 예측 확신도 정보를 포함하고,
    상기 동작들은,
    Temperature scaling을 통해 상기 수면 분석 모델이 출력하는 상기 예측 확신도 정보에 대한 보정을 수행하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
    

Images