KR102362678B1 - 생체신호 분석 방법 - Google Patents
생체신호 분석 방법 Download PDFInfo
- Publication number
- KR102362678B1 KR102362678B1 KR1020210071364A KR20210071364A KR102362678B1 KR 102362678 B1 KR102362678 B1 KR 102362678B1 KR 1020210071364 A KR1020210071364 A KR 1020210071364A KR 20210071364 A KR20210071364 A KR 20210071364A KR 102362678 B1 KR102362678 B1 KR 102362678B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- read
- leads
- biosignal
- value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003062 neural network model Methods 0.000 claims abstract description 105
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 239000011159 matrix material Substances 0.000 claims description 73
- 239000013598 vector Substances 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 23
- 230000000873 masking effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 162
- 230000008569 process Effects 0.000 description 35
- 230000006870 function Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 17
- 208000024172 Cardiovascular disease Diseases 0.000 description 16
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 208000010125 myocardial infarction Diseases 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
-
- 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
- A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 생체신호 분석 방법이 개시된다. 상기 방법은, 복수의 리드(lead)들로부터 적어도 하나의 리드 별 생체신호를 획득하는 단계 및 상기 획득된 적어도 하나의 리드 별 생체신호를 신경망 모델에 입력하여 분석값을 도출하는 단계를 포함할 수 있다.
Description
본 발명은 생체신호의 분석 방법에 관한 것으로, 보다 구체적으로 딥러닝을 기반으로 다양한 조합의 비동기화(asynchronous) 생체신호를 분석하는 방법에 관한 것이다.
스마트 헬스케어(smart healthcare)는 개인의 건강과 의료에 관한 정보, 기기, 시스템 및 플랫폼 등을 다루는 산업분야이다. 스마트 헬스케어는 사람의 신체에서 생성되는 다양한 생체신호를 센서를 통해 수집하고 분석함으로써, 개인에게 적절한 건강 관리 방법 혹은 맞춤형 의료 안내를 제공하는 것을 목적으로 한다. 따라서, 스마트 헬스케어 환경에서는 생체신호를 어떻게 확보하고 어떻게 분석할 것인지가 중요한 이슈 중 하나이다.
스마트 헬스케어 환경에서 활용되는 대표적인 생체신호 중 하나는 심전도 신호이다. 스마트 헬스케어 환경에서 심전도 신호는 다양한 리드(lead)의 조합을 통해 비동기화(asynchronous)된 상태로 획득된다. 종래에는 각각의 조합마다 독립적인 딥러닝 모델을 구축하여 심전도 신호를 분석해왔다. 예를 들어, 12개의 리드의 조합을 통해 심전도 신호가 획득된다고 가정하면, 4095개의 심전도 신호의 조합이 존재할 수 있다. 따라서, 12개의 리드의 조합을 통해 심전도 신호를 획득할 경우, 종래 방식에 따르면 각각의 조합마다 독립적인 4095개의 딥러닝 모델이 필요할 수 밖에 없다. 즉, 종래 방식은 각 리드의 조합에 대응되는 딥러닝 모델이 개별적으로 필요하므로, 리드의 조합의 수가 증가함에 따라 심전도 신호의 분석을 위한 연산 비용(cost)이 증가할 수 밖에 없는 문제를 안고 있다.
미국 등록특허 제16-827812호(2020.11.12)는 단일 리드 ECG를 사용하여 심방 세동을 분류하는 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 다양한 조합의 비동기화(asynchronous) 생체신호를 단일 모델을 통해 분석함으로써, 다양한 조합의 비동기화 생체신호 중 일부만 존재하더라도 원하는 분석값을 도출할 수 있는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 생체신호 분석 방법이 개시된다. 상기 방법은, 복수의 리드(lead)들로부터 적어도 하나의 리드 별 생체신호를 획득하는 단계; 및 상기 획득된 적어도 하나의 리드 별 생체신호를 신경망 모델에 입력하여, 분석값을 도출하는 단계를 포함할 수 있다. 이때, 상기 분석값은, 상기 복수의 리드들로부터 획득 가능한 리드 별 생체신호의 조합에 관계없이, 상기 입력된 적어도 하나의 리드 별 생체신호를 기반으로 상기 복수의 리드들 간의 상관관계(correlation)가 반영되어 도출될 수 있다.
대안적 실시예에서, 상기 신경망 모델이 목표로 하는 분석값을 도출하는 단계는, 상기 신경망 모델을 사용하여, 상기 획득된 적어도 하나의 리드 별 생체신호에 대한 특징값을 추출하는 단계; 상기 신경망 모델을 사용하여, 상기 추출된 특징값에 상기 생체신호가 획득된 리드의 위치 정보를 인코딩(encoding)하는 단계; 및 상기 신경망 모델을 사용하여, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계가 반영된 분석값을 도출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계가 반영된 분석값을 도출하는 단계는, 상기 신경망 모델을 사용하여, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계를 반영하기 위한 셀프-어텐션(self-attention) 기반의 연산을 수행하는 단계; 및 상기 신경망 모델을 사용하여, 상기 셀프-어텐션 기반의 연산 결과를 기초로 상기 분석값을 도출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 복수의 리드들 간의 상관관계를 반영하기 위한 셀프-어텐션 기반의 연산을 수행하는 단계는, 상기 신경망 모델을 사용하여, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계를 나타내기 위한 매트릭스(matrix)를 생성하는 단계; 및 상기 신경망 모델을 사용하여, 상기 매트릭스를 기반으로 상기 셀프-어텐션 기반의 연산 결과를 도출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계를 나타내기 위한 매트릭스를 생성하는 단계는, 상기 신경망 모델을 사용하여, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 쿼리(query) 벡터, 키(key) 벡터 및 밸류(value) 벡터를 생성하는 단계; 및 상기 신경망 모델을 사용하여, 상기 쿼리 벡터 및 상기 키 벡터를 기초로 멀티-헤드(multi-head) 매트릭스를 생성하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 매트릭스를 기반으로 상기 셀프-어텐션 기반의 연산 결과를 도출하는 단계는, 상기 신경망 모델을 사용하여, 상기 멀티-헤드 매트릭스를 기반으로 상기 밸류 벡터의 가중합(weighted sum)을 도출하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 쿼리 벡터 및 상기 키 벡터를 기초로 멀티-헤드 매트릭스를 생성하는 단계는, 상기 멀티-헤드 매트릭스의 상기 생체신호를 획득하지 못한 리드에 대응하는 행렬값을 마스킹(masking)하는 단계를 포함할 수 있다.
대안적 실시예에서, 상기 마스킹은, 상기 멀티-헤드 매트릭스의 행렬값을 0으로 처리하는 것일 수 있다.
대안적 실시예에서, 상기 신경망 모델은, 복수의 리드들 전체에서 획득된 리드 별 생체신호를 기반으로 생성된, 상기 복수의 리드들 간의 상관관계를 나타내기 위한 매트릭스를 임의로 마스킹함으로써 사전 학습될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 생체신호를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 복수의 리드들로부터 적어도 하나의 리드 별 생체신호를 획득하는 동작; 및 상기 획득된 적어도 하나의 리드 별 생체신호를 신경망 모델에 입력하여, 분석값을 도출하는 동작을 포함할 수 있다. 이때, 분석값은, 상기 복수의 리드들로부터 획득 가능한 리드 별 생체신호의 조합에 관계없이, 상기 입력된 적어도 하나의 리드 별 생체신호를 기반으로 상기 복수의 리드들 간의 상관관계(correlation)가 반영되어 도출될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 생체신호를 분석하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및 복수의 리드들로부터 적어도 하나의 리드 별 생체신호를 획득하는 네트워크부를 포함하고, 상기 프로세서는, 상기 획득된 적어도 하나의 리드 별 생체신호를 신경망 모델에 입력하여, 분석값을 도출할 수 있다. 이때, 상기 분석값은, 상기 복수의 리드들로부터 획득 가능한 리드 별 생체신호의 조합에 관계없이, 상기 입력된 적어도 하나의 리드 별 생체신호를 기반으로 상기 복수의 리드들 간의 상관관계(correlation)가 반영되어 도출될 수 있다.
본 개시는 다양한 조합의 비동기화(asynchronous) 생체신호를 단일 모델을 통해 분석함으로써, 다양한 조합의 비동기화 생체신호 중 일부만 존재하더라도 원하는 분석값을 도출할 수 있는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 생체신호를 분석하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 생체신호 분석 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델의 구조를 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따른 생체신호의 분석 방법을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 심전도 신호의 분석 방법을 나타낸 순서도이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 생체신호 분석 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델의 구조를 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따른 생체신호의 분석 방법을 나타낸 순서도이다.
도 6은 본 개시의 일 실시예에 따른 심전도 신호의 분석 방법을 나타낸 순서도이다.
도 7은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 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.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호 교환 가능하게 사용될 수 있다.
도 1은 본 개시의 일 실시예에 따른 생체신호를 분석하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)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(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)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. 프로세서(110)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 개시의 일 실시예에 따르면, 프로세서(110)는 복수의 리드(lead)들로부터 획득된 생체신호를 기초로 생체신호를 분석하기 위한 신경망 모델을 학습시킬 수 있다. 프로세서(110)는 복수의 리드들 각각에 대응되는 리드 별 생체신호를 기초로 복수의 리드들 간의 상관관계(correlation)이 반영된 분석값을 도출하도록 신경망 모델을 학습시킬 수 있다. 예를 들어, 프로세서(110)는 12개의 리드들로부터 획득된 생체신호를 하나의 신경망 모델에 입력시킬 수 있다. 프로세서(110)는 12개의 리드들로부터 획득된 생체신호를 입력받은 신경망 모델이 12개의 리드들 간의 상관관계를 반영한 심근경색(myocardial infarction, MI) 등과 같은 심혈관 질환의 예측값을 도출하도록 신경망 모델을 학습시킬 수 있다. 이와 같이 하나의 신경망 모델이 12개의 리드들 간의 상관관계를 반영하여 심혈관 질환의 예측값을 도출하도록 학습되는 경우, 12개의 리드들로부터 모든 생체신호가 획득되지 않고 그 중 일부만의 생체신호가 획득되더라도 신경망 모델은 심혈관 질환의 예측값을 정확하게 도출할 수 있다. 즉, 12개의 리드들로부터 획득 가능한 모든 조합의 경우의 수를 고려하여 모델들을 개별적으로 구축하지 않고도, 프로세서(110)는 전술한 바와 같이 리드들 간의 상관관계를 반영하는 학습을 통해 구축된 단일 모델로 정확한 분석을 수행할 수 있다.
프로세서(110)는 전술한 바에 따라 사전 학습된 신경망 모델을 사용하여 다양한 조합의 비동기화(asynchronous) 생체신호 간의 상관관계가 반영된 분석값을 도출할 수 있다. 프로세서(110)는 사전 학습된 신경망 모델을 통해 복수의 리드들로부터 획득된 적어도 하나의 리드 별 생체신호를 기초로 피검자(subject)에 대한 분석 결과를 도출할 수 있다. 즉, 프로세서(110)는 전술한 바와 같이 사전 학습된 신경망 모델을 통해, 신경망 모델의 학습에 사용된 복수의 리드들 각각으로부터 어떠한 조합의 리드 별 생체신호가 획득되더라도 신경망 모델이 목표로 하는 분석값을 정확히 도출할 수 있다. 다시 말해서, 프로세서(110)는 어떠한 조합의 생체신호가 입력되더라도 사전 학습된 하나의 신경망 모델을 통해 생체신호가 획득된 리드들 간의 상관관계를 반영하여 사용자가 원하는 분석값을 정확하게 도출할 수 있다. 예를 들어, 프로세서(110)는 12개의 리드들로부터 획득된 생체신호 중 일부의 조합을 사전 학습된 신경망 모델에 입력시킬 수 있다. 프로세서(110)는 사전 학습된 신경망 모델을 통해 12개의 리드들로부터 획득된 리드 별 생체신호 중 일부의 조합을 기초로 심근경색 등과 같은 심혈관 질환의 예측값을 도출할 수 있다. 즉, 프로세서(110)는 12개의 리드들로부터 획득된 리드 별 생체신호 전체가 아닌 일부 조합만 확보한 상태에서도 하나의 신경망 모델을 통해 12개의 리드들 간의 상관관계가 반영하여 심혈관 질환의 예측값을 정확하게 도출할 수 있다. 또한, 프로세서(110)는 리드들 간의 상관관계를 반영하는 학습을 통해 구축된 단일 모델을 사용함으로써, 컴퓨팅 소스를 경량화하고, 컴퓨팅 소스의 동작 혹은 연산에 필요한 비용을 대폭 감소시킬 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)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(130)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 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 심전도 신호를 신호 측정 시스템으로부터 수신할 수 있다. 이때, 신호 측정 시스템은 심전도 신호의 측정, 저장, 가공 등이 가능한 모든 장치들을 포함한 시스템으로 이해될 수 있다. 예를 들어, 신호 측정 시스템은 피검자(subject)의 신체에 접촉 가능한 리드를 포함한 휴대형 심전도 측정 장치, 휴대용 심전도 측정 장치와 연동 가능한 데이터베이스 서버 등을 포함할 수 있다. 네트워크부(150)는 휴대형 심전도 측정 장치와의 통신을 통해 둘 이상의 다양한 조합을 갖는 복수의 리드들을 통해 측정된 적어도 하나의 리드 별 생체신호를 획득할 수 있다. 네트워크부(150)는 휴대형 심전도 측정 장치에 의해 미리 측정되어 데이터베이스 서버에 저장된 생체신호를 데이터베이스 서버와의 통신을 통해 수신할 수도 있다. 상술한 기재는 하나의 예시일 뿐이므로, 당업자가 이해 가능한 범주 내에서 다양한 경로 혹은 방식을 통해 네트워크부(150)는 생체신호를 획득할 수 있다.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 신호 측정 시스템으로부터 심전도 신호를 수신하여 심혈관질환을 예측하고, 예측된 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.
사용자 단말은 서버인 컴퓨팅 장치(100)로부터 전달되는 심전도 신호의 분석 정보(e.g. 심혈관질환의 예측 정보 등)를 제공하기 위해 제공된 사용자 인터페이스를 표시할 수 있다. 별도로 도시되지는 않았으나, 사용자 단말은 컴퓨팅 장치(100)로부터 사용자 인터페이스를 수신하는 네트워크부, 적어도 하나의 코어를 포함하는 프로세서, 메모리, 사용자 인터페이스를 제공하는 출력부 및 사용자로부터 인가된 외부 입력을 수신하는 입력부를 포함할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
본 개시의 일 실시예에 따른 신경망 모델은 생체신호의 특징값 추출, 리드 간 상관관계를 나타내는 매트릭스(matrix) 생성 등을 위한 신경망을 포함할 수 있다. 본 명세서에 걸쳐, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 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 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 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, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 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 노드들을 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 입력 레이어와 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, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 반지도학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 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. 지도 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비지도 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 지도 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 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비지도 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 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 생체신호 분석 과정을 나타낸 블록 구성도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 사전 학습된 신경망 모델(200)을 사용하여 복수의 리드들로부터 다양한 조합으로 획득 가능한 적어도 하나의 생체신호에 대한 분석값을 도출할 수 있다. 프로세서(110)는 신경망 모델(200)로 복수의 리드들로부터 획득된 적어도 하나의 리드 별 생체신호를 입력하여 복수의 리드들 간의 상관관계가 반영된 분석값을 도출할 수 있다. 즉, 프로세서(110)는 복수의 리드들 간의 상관관계를 반영하는 하나의 신경망 모델(200)을 통해 복수의 리드들로부터 획득 가능한 생체신호의 모든 조합에 대하여 신경망 모델(200)이 목표로 하는 분석값을 정확하게 도출할 수 있다.
예를 들어, 프로세서(110)는 N개(N은 자연수)의 리드 별 생체신호(11, 12, 13)를 신경망 모델(200)에 입력할 수 있다. 이때, N은 생체신호를 획득하는 복수의 리드들의 조합에 따라 달라질 수 있다. 즉, 프로세서(110)는 복수의 리드들 전체 혹은 일부에 대응되는 N개의 리드 별 생체신호(11, 12, 13)를 신경망 모델(200)에 입력할 수 있다. 신경망 모델(200)은 제 1 생체신호(11), 제 2 생체신호(12) 및 제 N 생체신호(13)를 입력받아 생체신호를 측정한 피검자의 심혈관 질환을 예측하기 위한 분석값(14)을 도출할 수 있다. 이때, 분석값(14)은 생체신호를 획득하기 위해 사용된 모든 리드들의 위치, 종류 등에 대한 상관관계가 반영된 값일 수 있다. 따라서, 생체신호를 측정하기 위한 전체 리드들 중 일부만 사용되어 생체신호가 획득된 경우에도, 신경망 모델(200)은 전체 리드들 간의 상관관계를 반영하여 전체 리드들 중 일부에 대응되는 리드 별 생체신호를 분석함으로써, 피검자의 심혈관 질환을 예측하기 위한 분석값을 도출할 수 있다.
구체적으로, 프로세서(110)는 신경망 모델(200)을 통해 복수의 리드들로부터 획득된 적어도 하나의 리드 별 생체신호에 대한 특징값을 추출할 수 있다. 이때, 신경망 모델(200)은 특징값을 추출하기 위해 복수의 리드들로부터 획득된 모든 리드 별 생체신호를 기초로 사전 학습될 수 있다. 예를 들어, N개의 리드들 각각에 대응되는 N개의 모든 생체신호가 획득된 경우, 프로세서(110)는 신경망 모델(200)을 통해 N개의 생체신호 각각의 특징값을 추출할 수 있다. 또한, M개(M은 N보다 큰 자연수)의 리드들 중 일부의 조합에 대응되는 N개의 생체신호(11, 12, 13)가 획득된 경우에도, 프로세서(110)는 신경망 모델(200)을 통해 N개의 생체신호 각각의 특징값을 추출할 수 있다.
프로세서(110)는 신경망 모델(200)을 사용하여 생체신호의 특징값에 생체신호가 획득된 리드의 위치 정보를 인코딩(encoding)할 수 있다. 전술한 바에 따라 신경망 모델(200)을 통해 추출된 리드 별 생체신호의 특징값은 리드에 상관없이 생체신호가 가지는 고유 특징을 나타내므로, 생체신호의 출처를 나타내는 리드와 관련된 정보들은 반영하지 못한다. 따라서, 프로세서(110)는 리드 별 생체신호의 특징값에 생체신호가 획득된 리드의 위치 정보를 인코딩함으로써, 리드 별 생체신호의 고유 특징에 리드와 관련된 정보들을 반영할 수 있다. 이러한 인코딩은 신경망 모델(200)의 최종 분석값에 복수의 리드들 간의 상관관계가 반영될 수 있도록 하는 사전 작업으로 이해될 수 있다. 즉, 신경망 모델(200)이 복수의 리드들 간의 상관관계를 파악하여 어떠한 리드 별 신호가 입력되더라도 분석을 정확히 수행할 수 있도록 하기 위해, 프로세서(110)는 리드 별 생체신호의 특징값에 해당 생체신호가 획득된 리드의 위치 정보를 인코딩할 수 있다.
프로세서(110)는 신경망 모델(200)을 사용하여 리드의 위치 정보가 인코딩된 특징값을 기초로 복수의 리드들 간의 상관관계가 반영된 분석값을 도출할 수 있다. 생체신호에 대한 분석값을 도출하기 위해, 프로세서(110)는 신경망 모델(200)을 사용하여 리드의 위치 정보가 인코딩된 생체신호의 특징값을 기초로 복수의 리드들 간의 상관관계를 생성하기 위한 연산을 수행할 수 있다. 프로세서(110)는 신경망 모델(200)을 사용하여 연산의 결과를 기초로 복수의 리드들 간의 상관관계가 반영된 생체신호의 분석값을 도출할 수 있다. 예를 들어, 신경망 모델(200)은 리드의 위치 정보가 인코딩된 특징값을 입력받아 복수의 리드들 간의 상관관계를 반영하기 위한 셀프-어텐션(self-attention) 기반의 연산을 수행할 수 있다. 이때, 신경망 모델(200)은 셀프-어텐션 기반의 연산을 수행하기 위한 트랜스포머(transformer)와 같은 구조의 신경망을 포함할 수 있다. 셀프 어텐션 기반의 연산을 통해 신경망 모델(200)은 리드 별 생체신호의 특징값에 리드들의 위치에 기반한 상관관계를 정의할 수 있다. 신경망 모델(200)은 셀프-어텐션 기반의 연산 결과를 기초로 심혈관 질환의 예측을 위한 분석값을 도출할 수 있다. 이와 같은 셀프-어텐션 기반의 연산을 통해 복수의 리드들 간의 상관관계가 최종 분석값을 도출하는데 반영됨으로써, 복수의 리드들로부터 어떠한 조합의 생체신호가 입력되더라도(복수의 리드들 전체가 아닌 일부에 대응되는 생체신호만이 입력되더라도) 신경망 모델(200)은 정확한 분석을 수행할 수 있다. 상술한 셀프-어텐션 기반의 연산은 하나의 예시일 뿐이므로, 복수의 리드들 간의 상관관계를 반영하기 위한 여러 연산들이 당업자가 이해 가능한 범주 내에서 적용될 수 있다.
한편, 프로세서(110)는 특징값을 도출하기 위한 연산 과정에서 생체신호를 획득하지 못한 리드에 대한 정보는 마스킹(masking)할 수 있다. 프로세서(110)는 복수의 리드들 각각에 대응되는 모든 생체신호를 신경망 모델(200)에 입력하여 분석값을 도출할 수도 있지만, 상술한 바와 같은 연산을 통해 복수의 리드들 중 일부 조합에 대응되는 생체신호를 신경망 모델(200)에 입력하여 분석값을 도출할 수도 있다. 복수의 리드들 중 일부 조합에 대응되는 생체신호를 분석에 사용하는 경우에 생체신호를 획득하지 못한 리드에 대한 정보를 처리하기 위해서, 프로세서(110)는 신경망 모델(200)의 연산 과정에서 생체신호를 획득하지 못한 리드에 대한 정보를 마스킹할 수 있다. 다시 말해서, 프로세서(110)는 생체신호를 획득하지 못한 리드에 대한 정보를 마스킹을 통해 표시 및 생성함으로써, 복수의 리드들 간의 상관관계를 반영하기 위한 연산을 효과적으로 수행하고 분석값을 생성할 수 있다.
예를 들어, 12개의 리드들 중 3개의 리드들로부터 생체신호가 각각 획득된 경우, 프로세서(110)는 신경망 모델(200)을 통해 3개의 리드들로부터 획득된 리드 별 생체신호에 대한 특징값을 추출할 수 있다. 프로세서(110)는 신경망 모델(200)을 통해 3개의 리드들 각각의 위치 정보를 대응되는 특징값에 인코딩할 수 있다. 프로세서(110)는 신경망 모델(200)을 사용하여 3개의 리드들 각각의 위치 정보가 인코딩된 생체신호의 특징값을 기초로 복수의 리드들 간의 상관관계를 생성하기 위한 연산을 수행할 수 있다. 이때, 프로세서(110)는 연산 과정에서 생체신호가 획득되지 않은 나머지 9개의 리드들에 대한 정보를 마스킹함으로써, 최종 분석값을 도출하기 위한 연산 결과값을 생성할 수 있다. 프로세서(110)는 신경망 모델(200)을 통해 마스킹된 정보를 포함하는 연산 결과값을 기초로 피검자의 심혈관 질환을 예측하기 위한 분석값을 도출할 수 있다.
전술한 마스킹은 신경망 모델(200)을 학습시키는 과정에서 복수의 리드들로부터 획득된 모든 생체신호에 대해 랜덤하게 수행될 수 있다. 신경망 모델(200)을 학습시키는 과정에서는 복수의 리드들 전체에서 획득된 모든 리드 별 생체신호가 신경망 모델(200)의 입력에 사용된다. 따라서, 신경망 모델(200)의 학습 과정에서 프로세서(110)는 복수의 리드들 전체에서 획득된 리드 별 생체신호를 임의로 마스킹하는 일종의 랜덤 샘플링(random sampling)을 수행할 수 있다.
예를 들어, 12개의 리드들로부터 12개의 리드 별 생체신호가 획득되어 신경망 모델(200)의 학습에 사용되는 경우, 프로세서(110)는 신경망 모델(200)의 연산 과정에서 12개의 리드 별 생체신호 중 일부를 임의로 마스킹할 수 있다. 마스킹의 대상이 되는 리드의 숫자 혹은 종류 등 랜덤 샘플링의 조건은 학습 사이클(epoch)마다 달라질 수 있다. 마스킹의 대상이 되는 리드의 숫자 혹은 종류 등 랜덤 샘플링의 조건은 분석 도메인 등을 고려하여 사용자에 의해 사전 결정된 바에 따라 달라질 수 있다.
전술한 바를 고려하면, 본 개시의 일 실시예에 따른 신경망 모델(200)은 복수의 리드들 간의 상관관계를 생체신호의 분석 과정에 반영함으로써, 복수의 리드들로부터 획득 가능한 리드 별 생체신호의 조합에 관계없이 목표로 하는 분석값을 도출할 수 있다. 다시 말해서, 복수의 리드들 전체 혹은 일부로부터 어떠한 개수 및 조합의 리드 별 생체신호가 입력되더라도, 신경망 모델(200)은 복수의 리드들 간의 상관관계를 반영하기 위한 연산을 통해 사용자가 원하는 분석값(i.e. 신경망 모델(200)이 목표로 하는 분석값)을 도출할 수 있다.
도 4는 본 개시의 일 실시예에 따른 신경망 모델의 구조를 나타낸 개념도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 신경망 모델은 생체신호의 특징값 생성을 위한 제 1 신경망(A), 복수의 리드들 간의 관계성을 정의하기 위한 셀프-어텐션 연산을 수행하는 제 2 신경망(B) 및 제 2 신경망(B)의 연산 결과를 기초로 최종 분석값을 도출하는 제 3 신경망(240)을 포함할 수 있다. 또한, 본 개시의 일 실시예에 따른 신경망 모델은 제 1 신경망(A)을 통해 추출된 특징값들을 연결(concatenation)하기 위한 제 4 신경망(220)을 선택적으로 더 포함할 수 있다.
제 1 신경망(A)은 복수의 리드들에서 획득된 적어도 하나의 리드 별 생체신호에 대한 특징값을 추출하기 위한 제 1 인코더(encoder) 및 제 1 인코더를 통해 추출된 특징값 각각에 리드의 위치 정보를 포함시키는 제 2 인코더를 포함할 수 있다. 예를 들어, 제 1 신경망(A)은 N개의 리드 각각에 대응하는 N개의 제 1 인코더들(211, 212, 213, 214) 및 N개의 제 2 인코더들을 포함할 수 있다. N개의 생체신호(21, 22, 23, 24)가 각 리드 별로 획득되면, N개의 각 리드 별 제 1 인코더들(211, 212, 213, 214)은 N개의 생체신호(21, 22, 23, 24) 각각으로부터 특징값(
)을 추출할 수 있다. 이때, 제 1 인코더들(211, 212, 213, 214)은 가중치를 상호 공유하는 1차원 ResNet 기반의 신경망일 수도 있다. 그러나, 이는 하나의 예시일 뿐, 제 1 인코더의 종류는 이에 제한되지 않고 당업자가 이해 가능한 범주 내에서 다양하게 구성될 수 있다. 제 1 인코더들(211, 212, 213, 214)을 통해 리드 별 생체신호의 특징값(
)이 추출되면, N개의 제 2 인코더들은 N개의 리드 별 생체신호의 특징값(
) 각각에 대하여 생체신호 각각에 매칭되는 리드 별 위치 정보(25)를 인코딩할 수 있다. 이때, 제 2 인코더들 각각은 완전 연결(fully connected) 신경망을 포함할 수도 있고, 리드 별 위치 정보를 특정 숫자 코드로 특징값(
)에 포함시키는 인코더를 포함할 수도 있다.
제 2 신경망(B)은 제 1 신경망(A)을 통해 인코딩된 리드 별 생체신호의 특징값을 기초로 전체 리드들의 상관관계를 나타내기 위한 셀프-어텐션 기반의 연산을 수행할 수 있다. 이때, 제 2 신경망(B)은 셀프-어텐션 기반의 연산을 수행하기 위한 적어도 하나의 신경망을 포함할 수 있다. 제 2 신경망(B)에 포함되는 신경망의 수가 증가할수록, 제 2 신경망(B)의 깊이(depth)가 더 깊어질 수 있다. 예를 들어, L개(L은 자연수)의 멀티 신경망을 포함하는 제 2 신경망(B)은 리드의 위치 정보가 인코딩된 리드 별 생체신호의 특징값(
)을 기초로 N개의 리드들 간의 상관관계를 나타내기 위한 매트릭스를 생성할 수 있다. 이때, 특징값(
)은 제 4 신경망(220)을 통해 상호 연결된 값일 수도 있다. 제 2 신경망(B)은 리드의 위치 정보가 인코딩된 생체신호의 특징값(
)을 기초로 쿼리(query) 벡터(231), 키(key) 벡터(232) 및 밸류(value) 벡터(233)를 생성할 수 있다. 제 2 신경망(B)은 특징값(
)을 완전 연결 신경망 기반의 쿼리(Q), 키(K) 및 밸류(V)의 형태로 벡터 공간 상에 사영(projection)함으로써, N개의 리드들 간의 상관관계를 나타내는 매트릭스를 만들기 위한 벡터들(231, 232, 233)을 생성할 수 있다. 제 2 신경망(B)은 쿼리 벡터(231) 및 키 벡터(232)를 기초로 멀티-헤드(multi-head) 매트릭스(26)를 생성할 수 있다. 멀티-헤드 매트릭스(26)는 N개의 리드들 간의 위치에 기반한 상관관계를 표현하는 셀프-어텐션 기반의 매트릭스로 이해될 수 있다. 여기서 멀티-헤드는 단일 헤드 혹은 복수의 헤드들을 모두 포괄하는 용어로 이해될 수 있다. 구체적으로, 제 2 신경망(B)은 H개(H는 자연수)의 멀티-헤드들을 통해 쿼리 벡터(231), 키 벡터(232) 및 밸류 벡터(233)를 생성할 수 있다. 제 2 신경망(B)은 H개의 멀티-헤드를 통해 생성된 쿼리 벡터(231) 및 키 벡터(232)를 기초로 H개의 멀티-헤드 매트릭스(26)를 생성할 수 있다. 멀티-헤드 매트릭스를 생성하기 위해 2개의 헤드(i.e. H는 2)가 사용된다고 가정하면, 하나의 헤드는 싱글(single) 리드 기준에서 리드들 간의 상관관계를 파악하는데 사용될 수 있다. 나머지 헤드는 2개의 리드의 조합을 기준으로 다른 리드들과의 상관관계를 파악하는데 사용될 수 있다. 즉, 제 2 신경망(B)은 N개의 리드 별 생체신호로부터 추출된 특징값(
)을 기초로 하나의 셀프-어텐션 기반의 매트릭스를 생성할 수 있으며, H개의 멀티-헤드를 통해 셀프-어텐션 기반의 매트릭스를 H개로 확장시킬 수 있다.
H개의 멀티-헤드 매트릭스(26) 중 h번째(h는 H보다 작은 자연수)의 멀티-헤드 매트릭스는 다음의 [수학식 1]과 같이 표현될 수 있다.
여기서 Ah는 h번째의 셀프-어텐션 기반의 매트릭스, Qh는 h번째 헤드에 대응하는 쿼리 벡터, Kh는 h번째 헤드에 대응하는 키 벡터, N은 리드의 수, D는 특징값의 차원(dimension of features) 및 H는 헤드의 수로 이해될 수 있다. [수학식 1]을 참조하면, 셀프-어텐션 기반의 멀티-헤드 매트릭스는 쿼리 벡터와 키 벡터를 기초로 하는 소프트맥스(softmax) 함수의 연산을 통해 생성되는 것으로 이해될 수 있다. 다만, [수학식 1]은 셀프-어텐션 기반의 매트릭스를 생성하기 위한 하나의 예시일 뿐이므로, 당업자가 이해 가능한 범주 내에서 셀프-어텐션 기반의 매트릭스를 생성하기 위한 다양한 연산 방식이 적용될 수 있다.
한편, 제 2 신경망(B)은 멀티-헤드 매트릭스(26)를 생성하는 과정에서 매트릭스의 행렬값 중 생체신호를 획득하지 못한 리드에 대응하는 행렬값을 마스킹할 수 있다. 이때, 마스킹은 매트릭스의 행렬값을 0으로 처리하는 것으로 이해될 수 있다. 예를 들어, N개의 리드들 중에서 일부 리드에서 생체신호를 획득하지 못한 경우, 제 2 신경망(B)은 매트릭스에서 생체신호를 획득하지 못한 리드의 행렬값을 0으로 처리하는 마스킹을 통해 매트릭스의 모든 행렬값을 정의할 수 있다. 즉, N개의 리드들 중에서 생체신호를 획득하지 못한 리드가 존재하더라도, 제 2 신경망(B)은 매트릭스의 행렬값 중 생체신호를 획득하지 못한 리드에 대응하는 행렬값을 0으로 처리함으로써 셀프-어텐션 기반의 멀티-헤드 매트릭스(26)를 생성할 수 있다. 다시 말해서, 일부 리드에 대한 생체신호를 획득하지 못하더라도 생체신호에 대한 분석값이 안정적이고 정확하게 도출될 수 있도록 하기 위해서, 제 2 신경망(B)은 마스킹 처리를 통해 멀티-헤드 매트릭스(26)를 생성할 수 있다.
제 2 신경망(B)은 상술한 H개의 멀티-헤드 매트릭스(26)를 기반으로 셀프-어텐션 기반의 연산 결과를 도출할 수 있다. 제 2 신경망(B)은 H개의 멀티-헤드 매트릭스(26)를 기반으로 밸류 벡터(233)의 가중합(weighted sum)을 도출할 수 있다. 즉, 제 2 신경망(B)은 멀티-헤드 매트릭스(26)를 밸류 벡터(233)의 합을 계산하기 위한 가중치로 사용하여 셀프-어텐션 기반의 연산 결과로서 밸류 벡터(233)의 가중합을 생성할 수 있다. 예를 들어, h번째의 멀티-헤드 매트릭스를 이용한 밸류 벡터의 가중합은 다음의 [수학식 2]와 같이 표현될 수 있다.
여기서 
는 h번째의 멀티-헤드 매트릭스를 이용한 밸류 벡터의 가중합, Ah는 h번째의 셀프-어텐션 기반의 매트릭스, Vh는 h번째 헤드에 대응하는 밸류 벡터, N은 리드의 수 및 D는 특징값의 차원으로 이해될 수 있다. [수학식 2]를 참조하면, 셀프-어텐션 기반의 연산 결과는 셀프-어텐션 기반의 매트릭스를 가중치로 하는 밸류 벡터의 합을 연산한 결과인 것으로 이해될 수 있다. 다만, [수학식 2]는 매트릭스를 이용한 셀프-어텐션 기반의 연산 결과를 나타내는 하나의 예시일 뿐이므로, 당업자가 이해 가능한 범주 내에서 셀프-어텐션 기반의 연산 결과를 도출하기 위한 다양한 연산 방식이 적용될 수 있다.
제 3 신경망(240)은 제 2 신경망(B)을 통해 도출된 셀프-어텐션 기반의 연산 결과를 기초로 목표하는 분석값(
)을 도출할 수 있다. 제 3 신경망(240)은 제 2 신경망(B)의 출력인 셀프-어텐션 기반의 연산 결과를 입력받아 생체신호에 대한 분석 결과값(
)을 도출할 수 있다. 예를 들어, 제 3 신경망(240)은 매트릭스(26)를 기반으로 계산된 밸류 벡터(233)의 가중합을 기초로 피검자의 심혈관 질환에 관한 분석 정보를 생성할 수 있다. 이때, 제 3 신경망(240)은 피검자가 심혈관 질환을 앓고 있는지 여부를 판단하거나 혹은 심혈관 질환이 발생할 확률 등을 예측하기 위한 분석값을 출력하는 완전 연결 신경망일 수 있다. 다만, 상술한 심혈관 질환은 사람의 건강 상태 혹은 질환과 관련된 하나의 예시일 뿐이다. 따라서, 생체신호에 대한 분석을 토대로 판단 혹은 예측 가능한 사람의 건강 상태 혹은 질환의 종류는 제한되지 않고 본 개시에 적용될 수 있다.
도 5는 본 개시의 일 실시예에 따른 생체신호의 분석 방법을 나타낸 순서도이다.
도 5를 참조하면, S110 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 복수의 리드들로부터 적어도 하나의 리드 별 생체신호를 획득할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 스마트 워치(smart watch)와 같은 휴대용 측정 장비에 구비된 복수의 리드들을 통해 측정된 리드 별 생체신호를 휴대용 측정 장비와의 통신을 통해 수신할 수 있다. 컴퓨팅 장치(100)는 휴대용 측정 장비에 구비된 모든 리드들을 통해 측정된 리드 별 생체신호 전체를 수신할 수 있다. 컴퓨팅 장치(100)는 측정 환경, 조건 혹은 리드의 측정 방식 등에 따라 달라질 수 있는 다양한 조합의 비동기화 생체신호를 수신할 수 있다.
S120 단계에서, 컴퓨팅 장치(100)는 신경망 모델을 사용하여 적어도 하나의 리드 별 생체신호에 대한 특징값을 추출할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 S110 단계를 통해 획득한 리드 별 생체신호를 신경망 모델에 입력하여 특징값을 추출할 수 있다. 이때, 신경망 모델은 휴대용 측정 장비에 구비된 복수의 리드들의 수에 맞추어 획득된 생체신호 전체를 기초로 사전 학습될 수 있다.
S130 단계에서, 컴퓨팅 장치(100)는 신경망 모델을 통해 적어도 하나의 리드 별 생체신호에 대한 특징값에 생체신호 각각에 대응되는 리드의 위치 정보를 인코딩할 수 있다. 컴퓨팅 장치(100)는 신경망 모델을 사용하여 생체신호의 획득 출처에 해당하는 리드의 위치 정보를 상호 매칭되는 특징값에 인코딩시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)는 S120 단계를 통해 생성된 리드 별 생체신호의 특징값에 리드 별 위치 정보를 포함시킬 수 있다. 이때, 리드 별 위치 정보는 신경망 모델에 포함된 신경망을 통해 특징값에 반영될 수도 있고, 특정 숫자 코드로 변환하는 소정의 인코딩 방식을 통해 특징값에 반영될 수도 있다.
S140 단계에서, 컴퓨팅 장치(100)는 신경망 모델을 통해 리드의 위치 정보가 인코딩된 특징값을 기초로 복수의 리드들 간의 상관관계가 반영된 분석값을 도출할 수 있다. 예를 들어, S110 단계를 통해 복수의 리드들에 대응하는 리드 별 생체신호 전체가 아닌 복수의 리드들의 일부 조합에 대응하는 리드 별 생체신호 일부가 수신되는 경우에도 컴퓨팅 장치(100)는 신경망 모델을 통해 복수의 리드들 간의 상관관계를 반영하여 원하는 분석값을 도출할 수 있다. 이때, 신경망 모델은 복수의 리드들 간의 상관관계를 반영하기 위한 연산으로 셀프-어텐션 기반의 연산을 수행할 수 있다. 또한, 셀프-어텐션 기반의 연산 과정에서 신경망 모델은 복수의 리드들 간의 위치에 기반한 관계성을 만들기 위해 리드의 위치 정보가 인코딩된 특징값을 기초로 매트릭스를 생성할 수 있다.
도 6은 본 개시의 일 실시예에 따른 심전도 신호의 분석 방법을 나타낸 순서도이다. 이하에서는, 본 개시의 일 실시예에 따라 N개의 리드들 전체가 아닌 일부로부터 생체 신호 중 하나로 심전도 신호를 획득하는 상황을 가정한다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 신경망 모델을 사용하여 리드 별로 획득되는 심전도 신호에 대한 특징을 추출하는 동작(S210, S220, S230) 및 리드 별 위치 정보를 인코딩하는 동작을 수행할 수 있다. 다만, 도 6과 같이 제 1 리드로부터 제 1 심전도 신호(31), 제 2 리드로부터 제 2 심전도 신호(32)를 획득하고, 제 N 리드로부터 심전도 신호를 획득하지 못한 경우, 컴퓨팅 장치(100)는 제 N 리드에 대응하는 데이터가 존재하지 않으므로, S230에 해당하는 특징 추출 동작 및 리드 별 위치 정보를 인코딩하는 동작을 사실상 수행하지 않는 것으로 볼 수 있다. 따라서, 제 1 특징값(34) 및 제 2 특징값(35)과는 달리 제 N 특징값(36)은 데이터값이 존재하지 않는 공백 데이터로 이해될 수 있다.
신경망 모델이 일부 심전도 신호(31, 32)만으로도 N개의 리드들 간의 상관관계를 반영하여 분석값을 도출할 수 있도록, 컴퓨팅 장치(100)는 공백 데이터인 제 N 특징값(36)에 대한 마스킹 동작(S240)을 수행할 수 있다. 마스킹 동작(S240)을 통해 컴퓨팅 장치(100)는 신경망 모델을 사용하여 S250 단계를 통해 생성될 매트릭스의 행렬값 중 제 N 리드에 대응하는 행렬값을 생성할 수 있다(S240). 컴퓨팅 장치(100)는 신경망 모델을 통해 리드 별로 획득된 심전도 신호에 대한 특징값과 마스킹된 특징값을 기초로 매트릭스를 생성할 수 있다(S250). 즉, 컴퓨팅 장치(100)는 리드 별로 획득된 심전도 신호에 대한 특징값과 리드로부터 획득하지 못하고 마스킹된 특징값을 기초로 신경망 모델의 멀티-헤드를 통해 어텐션 매트릭스를 생성할 수 있다. 컴퓨팅 장치(100)는 제 1 리드의 위치 정보가 반영된 제 1 특징값(34), 제 2 리드의 위치 정보가 반영된 특징값(35) 및 마스킹된 제 N 특징값을 기초로 H개인 헤드의 수에 맞추어 제 1 어텐션 매트릭스(37), 제 2 어텐션 매트릭스(38) 및 제 H 어텐션 매트릭스(39)를 생성할 수 있다. 이때, H는 1 이상의 자연수일 수 있다. 한편, 도 6에서는 마스킹 동작(S240)이 매트릭스 생성 과정(S250)에 선행되는 것으로 표현되어 있으나, 마스킹 동작은 매트릭스 생성 과정(S250)에 포함될 수도 있다.
컴퓨팅 장치(100)는 신경망 모델을 사용하여 제 1 어텐션 매트릭스(37), 제 2 어텐션 매트릭스(38), 제 H 어텐션 매트릭스(39)를 기초로 피검자의 건강 상태 혹은 질환을 판단 및/또는 예측하기 위한 분석값(40)을 도출할 수 있다(S260). 예를 들어, 분석값(40)은 심전도 신호를 측정한 피검자의 심혈관 질환(e.g. 심근경색 등)을 판단 및/또는 예측하기 위한 확률값을 포함할 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 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 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 7은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 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 소프트웨어로 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 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 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.
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 (11)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 생체신호 분석 방법으로서,
복수의 리드(lead)들로부터 적어도 하나의 리드 별 생체신호를 획득하는 단계; 및
상기 획득된 적어도 하나의 리드 별 생체신호를 신경망 모델에 입력하여, 분석값을 도출하는 단계;
를 포함하되,
상기 분석값을 도출하는 단계에서는, 상기 신경망 모델을 사용하여,
상기 획득된 적어도 하나의 리드 별 생체신호에 대한 특징값을 추출하고, 상기 추출된 특징값에 상기 생체신호가 획득된 리드의 위치 정보를 인코딩(encoding)하며, 상기 인코딩된 특징값을 기초로 상기 분석값을 도출하고,
상기 분석값은, 상기 복수의 리드들로부터 획득 가능한 리드 별 생체신호의 조합에 관계없이, 상기 입력된 적어도 하나의 리드 별 생체신호를 기반으로 상기 복수의 리드들 간의 상관관계(correlation)가 반영되어 도출되는 것인,
방법.
- 삭제
- 제 1 항에 있어서,
상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계가 반영된 분석값을 도출하는 단계는,
상기 신경망 모델을 사용하여, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계를 반영하기 위한 셀프-어텐션(self-attention) 기반의 연산을 수행하는 단계; 및
상기 신경망 모델을 사용하여, 상기 셀프-어텐션 기반의 연산 결과를 기초로 상기 분석값을 도출하는 단계;
를 포함하는,
방법.
- 제 3 항에 있어서,
상기 복수의 리드들 간의 상관관계를 반영하기 위한 셀프-어텐션 기반의 연산을 수행하는 단계는,
상기 신경망 모델을 사용하여, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계를 나타내기 위한 매트릭스를 생성하는 단계; 및
상기 신경망 모델을 사용하여, 상기 매트릭스를 기반으로 상기 셀프-어텐션 기반의 연산 결과를 도출하는 단계;
를 포함하는,
방법.
- 제 4 항에 있어서,
상기 리드의 위치 정보가 인코딩된 특징값을 기초로 상기 복수의 리드들 간의 상관관계를 나타내기 위한 매트릭스를 생성하는 단계는,
상기 신경망 모델을 사용하여, 상기 리드의 위치 정보가 인코딩된 특징값을 기초로 쿼리(query) 벡터, 키(key) 벡터 및 밸류(value) 벡터를 생성하는 단계; 및
상기 신경망 모델을 사용하여, 상기 쿼리 벡터 및 상기 키 벡터를 기초로 멀티-헤드(multi-head) 매트릭스를 생성하는 단계;
를 포함하는,
방법.
- 제 5 항에 있어서,
상기 매트릭스를 기반으로 상기 셀프-어텐션 기반의 연산 결과를 도출하는 단계는,
상기 신경망 모델을 사용하여, 상기 멀티-헤드 매트릭스를 기반으로 상기 밸류 벡터의 가중합(weighted sum)을 도출하는 단계;
를 포함하는,
방법.
- 제 5 항에 있어서,
상기 쿼리 벡터 및 상기 키 벡터를 기초로 상기 멀티-헤드 매트릭스를 생성하는 단계는,
상기 멀티-헤드 매트릭스의 상기 생체신호를 획득하지 못한 리드에 대응하는 행렬값을 마스킹(masking)하는 단계;
를 포함하는,
방법.
- 제 7 항에 있어서,
상기 마스킹은,
상기 멀티-헤드 매트릭스의 행렬값을 0으로 처리하는 것인,
방법.
- 제 1 항에 있어서,
상기 신경망 모델은,
복수의 리드들 전체에서 획득된 리드 별 생체신호를 기반으로 생성된, 그리고 상기 복수의 리드들 간의 상관관계를 나타내기 위한 매트릭스를 임의로 마스킹함으로써 사전 학습된 것인,
방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 생체신호를 분석하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
복수의 리드(lead)들로부터 적어도 하나의 리드 별 생체신호를 획득하는 동작; 및
상기 획득된 적어도 하나의 리드 별 생체신호를 신경망 모델에 입력하여, 분석값을 도출하는 동작;
을 포함하되,
상기 분석값을 도출하는 동작은, 상기 신경망 모델을 사용하여,
상기 획득된 적어도 하나의 리드 별 생체신호에 대한 특징값을 추출하고, 상기 추출된 특징값에 상기 생체신호가 획득된 리드의 위치 정보를 인코딩(encoding)하며, 상기 인코딩된 특징값을 기초로 상기 분석값을 도출하는 것이고,
상기 분석값은, 상기 복수의 리드들로부터 획득 가능한 리드 별 생체신호의 조합에 관계없이, 상기 입력된 적어도 하나의 리드 별 생체신호를 기반으로 상기 복수의 리드들 간의 상관관계(correlation)가 반영되어 도출되는 것인,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 생체신호를 분석하는 컴퓨팅 장치로서,
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
복수의 리드(lead)들로부터 적어도 하나의 리드 별 생체신호를 획득하는 네트워크부;
를 포함하고,
상기 프로세서는, 신경망 모델을 사용하여,
상기 획득된 적어도 하나의 리드 별 생체신호에 대한 특징값을 추출하고, 상기 추출된 특징값에 상기 생체신호가 획득된 리드의 위치 정보를 인코딩(encoding)하며, 상기 인코딩된 특징값을 기초로 분석값을 도출하고,
상기 분석값은, 상기 복수의 리드들로부터 획득 가능한 리드 별 생체신호의 조합에 관계없이, 상기 입력된 적어도 하나의 리드 별 생체신호를 기반으로 상기 복수의 리드들 간의 상관관계(correlation)가 반영되어 도출되는 것인,
장치.
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210071364A KR102362678B1 (ko) | 2021-06-02 | 2021-06-02 | 생체신호 분석 방법 |
| PCT/KR2021/016200 WO2022255564A1 (ko) | 2021-06-02 | 2021-11-09 | 생체신호 분석 방법 |
| US18/556,517 US20240180471A1 (en) | 2021-06-02 | 2021-11-09 | Biological signal analysis method |
| JP2023565345A JP2024516629A (ja) | 2021-06-02 | 2021-11-09 | 生体信号分析方法 |
| KR1020220016695A KR20220163241A (ko) | 2021-06-02 | 2022-02-09 | 생체신호 분석 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210071364A KR102362678B1 (ko) | 2021-06-02 | 2021-06-02 | 생체신호 분석 방법 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220016695A Division KR20220163241A (ko) | 2021-06-02 | 2022-02-09 | 생체신호 분석 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102362678B1 true KR102362678B1 (ko) | 2022-02-14 |
Family
ID=80253999
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210071364A KR102362678B1 (ko) | 2021-06-02 | 2021-06-02 | 생체신호 분석 방법 |
| KR1020220016695A KR20220163241A (ko) | 2021-06-02 | 2022-02-09 | 생체신호 분석 방법 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220016695A KR20220163241A (ko) | 2021-06-02 | 2022-02-09 | 생체신호 분석 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240180471A1 (ko) |
| JP (1) | JP2024516629A (ko) |
| KR (2) | KR102362678B1 (ko) |
| WO (1) | WO2022255564A1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102440752B1 (ko) * | 2022-04-08 | 2022-09-07 | 주식회사 알고리고 | 다중 샘플링 센서 융합을 통한 생체 시그널 정보 이상 모니터링 장치 및 방법 |
| KR102441763B1 (ko) * | 2022-04-08 | 2022-09-14 | 주식회사 알고리고 | 주파수 추정과 시그널 재건을 위한 다중 센서의 생체 시그널 정보 처리 장치 및 방법 |
| WO2024117557A1 (ko) * | 2022-11-30 | 2024-06-06 | 주식회사 뷰노 | 생체 이벤트를 예측하는 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150020955A (ko) * | 2013-08-19 | 2015-02-27 | 광운대학교 산학협력단 | 신경망을 이용한 심장질환판별 방법 및 그 장치 |
| KR102078703B1 (ko) * | 2019-07-23 | 2020-02-19 | 이재용 | 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
| KR102226875B1 (ko) * | 2018-12-04 | 2021-03-11 | 건양대학교산학협력단 | 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법 |
| KR102208759B1 (ko) * | 2020-12-23 | 2021-01-29 | 주식회사 아이메디신 | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 |
-
2021
- 2021-06-02 KR KR1020210071364A patent/KR102362678B1/ko active IP Right Grant
- 2021-11-09 US US18/556,517 patent/US20240180471A1/en active Pending
- 2021-11-09 JP JP2023565345A patent/JP2024516629A/ja active Pending
- 2021-11-09 WO PCT/KR2021/016200 patent/WO2022255564A1/ko active Application Filing
-
2022
- 2022-02-09 KR KR1020220016695A patent/KR20220163241A/ko unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150020955A (ko) * | 2013-08-19 | 2015-02-27 | 광운대학교 산학협력단 | 신경망을 이용한 심장질환판별 방법 및 그 장치 |
| KR102078703B1 (ko) * | 2019-07-23 | 2020-02-19 | 이재용 | 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102440752B1 (ko) * | 2022-04-08 | 2022-09-07 | 주식회사 알고리고 | 다중 샘플링 센서 융합을 통한 생체 시그널 정보 이상 모니터링 장치 및 방법 |
| KR102441763B1 (ko) * | 2022-04-08 | 2022-09-14 | 주식회사 알고리고 | 주파수 추정과 시그널 재건을 위한 다중 센서의 생체 시그널 정보 처리 장치 및 방법 |
| WO2024117557A1 (ko) * | 2022-11-30 | 2024-06-06 | 주식회사 뷰노 | 생체 이벤트를 예측하는 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024516629A (ja) | 2024-04-16 |
| WO2022255564A1 (ko) | 2022-12-08 |
| US20240180471A1 (en) | 2024-06-06 |
| KR20220163241A (ko) | 2022-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102362679B1 (ko) | 심전도 신호 기반의 만성질환 예측 방법 | |
| KR102362678B1 (ko) | 생체신호 분석 방법 | |
| KR102313626B1 (ko) | 신경망을 학습시키는 방법 | |
| KR102583582B1 (ko) | 어노말리 데이터 생성 방법 | |
| KR20210107458A (ko) | 모델의 성능 테스트를 위한 컴퓨터 프로그램 | |
| KR102490060B1 (ko) | 신경망 모델을 활용한 부분적인 이미지 변환 방법 | |
| KR102517968B1 (ko) | 신경망 모델을 이용한 이미지 특징 추출 방법 | |
| US20230152777A1 (en) | Method for detecting abnormality | |
| KR20220099409A (ko) | 딥러닝 모델을 사용한 분류 방법 | |
| KR102457893B1 (ko) | 딥러닝 기반의 강수량 예측 방법 | |
| KR20220079726A (ko) | 의료 영상 기반의 질환 예측 방법 | |
| KR20210119208A (ko) | 전문가 모사 모델 학습 방법 및 그 학습을 위한 장치 | |
| KR102437285B1 (ko) | 모호한 라벨을 이용한 객체 예측 모델 학습 방법 | |
| KR102647608B1 (ko) | 신경망 모델의 다양성을 위한 학습 방법 | |
| KR20230062130A (ko) | 인공지능을 이용한 인터뷰 공유 및 사용자 매칭 플랫폼 | |
| KR20230031420A (ko) | 커리큘럼 기반의 능동적 학습 방법 | |
| KR102430779B1 (ko) | 질환 판단 방법 | |
| KR102696928B1 (ko) | 소프트웨어의 잠재적 오류 테스트 방법 | |
| KR102669806B1 (ko) | 수학 문제의 풀이를 보조하기 위한 방법 및 장치 | |
| KR102653257B1 (ko) | 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법 | |
| US20240161930A1 (en) | Prediction method using static and dynamic data | |
| KR20230075626A (ko) | 환자의 상태 변화를 예측하는 방법 | |
| US20230267311A1 (en) | Method Of Selection And Optimization Of Auto-Encoder Model | |
| KR20230159938A (ko) | 생체 신호 분석 방법 | |
| KR20230138687A (ko) | 신체 내부의 생체 정보를 예측하는 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |