KR102423483B1 - 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템 - Google Patents

뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템 Download PDF

Info

Publication number
KR102423483B1
KR102423483B1 KR1020220021839A KR20220021839A KR102423483B1 KR 102423483 B1 KR102423483 B1 KR 102423483B1 KR 1020220021839 A KR1020220021839 A KR 1020220021839A KR 20220021839 A KR20220021839 A KR 20220021839A KR 102423483 B1 KR102423483 B1 KR 102423483B1
Authority
KR
South Korea
Prior art keywords
depression
inference
prediction information
information
eeg data
Prior art date
Application number
KR1020220021839A
Other languages
English (en)
Inventor
이영호
강석환
강민
오서현
오경수
Original Assignee
가천대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가천대학교 산학협력단 filed Critical 가천대학교 산학협력단
Priority to KR1020220021839A priority Critical patent/KR102423483B1/ko
Application granted granted Critical
Publication of KR102423483B1 publication Critical patent/KR102423483B1/ko

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/16Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165Evaluating the state of mind, e.g. depression, anxiety
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271Specific aspects of physiological measurement analysis
    • A61B5/7275Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Social Psychology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Educational Technology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템으로서, 우울증에 대한 정보가 부여되지 않은 다수의 뇌파 검사 데이터와 우울증에 대한 정보가 부여된 소수의 뇌파 검사 데이터에 의해 학습되어, 환자의 뇌파 검사 데이터에 기초하여 우울증 발병여부 및 증상정도에 대한 예측정보를 제공하는, 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템에 관한 것이다.

Description

뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템 {An artificial intelligence system that provides predictive information on depression based on EEG data}
본 발명은 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템으로서, 우울증에 대한 정보가 부여되지 않은 다수의 뇌파 검사 데이터와 우울증에 대한 정보가 부여된 소수의 뇌파 검사 데이터에 의해 학습되어, 환자의 뇌파 검사 데이터에 기초하여 우울증 발병여부 및 증상정도에 대한 예측정보를 제공하는, 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템에 관한 것이다.
우울증이란 우울감, 의욕저하, 초조함 등 부정적인 감정이 일상적인 경우를 넘어 장기간 지속되어 정신기능 및 활동력 저하를 유발하는 정신 질환으로서, 대인관계, 경제적 문제와 같은 외부 환경 요인 또는 세로토닌이라는 뇌 내 신경전달물질의 저하와 같은 생물학적 요인으로 인해 발병하는 것으로 보고된 바 있다.
한편, 세계보건기구(World Health Organization, WHO)에 따르면 우울증을 진단받고 있는 사람의 수는 꾸준히 증가하고 있으며, 특히 코로나 팬데믹 이후 코로나 블루라고 하는 우울증을 호소하고 있는 사람이 증가하고 있다. 구체적으로 세계 각국에서 우울증 발병율이 2배 이상 증가한 것으로 보고되었고, 한국의 경우 우울증 유병률이 OECD 1 위인 36.8%인 것으로 보고된 바 있다.
이러한 우울증의 확산은 개인적 문제에 국한되지 않고, 국가적 차원에서 경제적 손실, 사회적 문제를 불러오므로, 국가 차원에서 국민의 정신건강 문제를 관리할 필요성이 대두되고 있다.
한편, 우울증과 같은 뇌질환을 진단하는 방법으로 컴퓨터 단층촬영(CT) 장치, 기능적 자기 공명(FMRI) 장치, 뇌파(EEG) 측정 장치를 이용한 진단방법, 및 정신과 전문의와 상담을 통한 심리적 진단 방법이 사용되고 있다. 이 중 뇌파 측정 장치에 의한 타 방법보다 저렴하고 간단하게 뇌질환을 진단할 수 있기에, 의료현장에서 흔히 사용되고 있다.
뇌파 측정 장치에 의해 측정되는 환자의 뇌파 검사 데이터로부터 환자의 우울증 발병여부 및 우울증 증상정도에 정보를 도출하기 위해서는 정신과 전문의에 의한 전문적인 분석이 수반될 필요가 있고, 이를 보조하기 위해 인공지능 학습모델에 의해 환자의 뇌파 검사 데이터를 분석하는 시스템이 개발된 바 있다.
이러한 인공지능 학습모델의 정확성 및 신뢰성을 확보하기 위해서는 다량의 학습데이터, 즉 환자의 뇌파 검사 데이터로 인공지능 학습모델을 학습시킬 필요가 있다. 그러나 종래의 경우, 환자의 뇌파 검사 데이터는 다량 확보할 수 있으나, 해당 뇌파 검사 데이터가 어떤 질병에 대한 데이터인지 판별된 학습데이터, 구체적으로 우울증에 대한 정보가 부여된 학습데이터를 충분히 확보하기 어려워, 인공지능 학습모델을 학습시키기 난해한 문제점이 있었다.
따라서, 상기와 같은 문제를 해결하기 위해 우울증에 대한 정보가 부여되는 다수의 뇌파 검사 데이터와 우울증에 대한 정보가 부여되지 않은 소수의 뇌파 검사 데이터를 학습데이터로 활용하여 인공지능 모델을 학습시켜, 우울증 발병여부 추론과정에서의 정확성, 및 신뢰성을 확보할 수 있는 방법 및 시스템에 대한 필요성이 대두되고 있다.
본 발명은 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템으로서, 우울증에 대한 정보가 부여되지 않은 다수의 뇌파 검사 데이터와 우울증에 대한 정보가 부여된 소수의 뇌파 검사 데이터에 의해 학습되어, 환자의 뇌파 검사 데이터에 기초하여 우울증 발병여부 및 증상정도에 대한 예측정보를 제공하는, 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템을 제공하는 것을 목적으로 한다.
상기와 같은 과제를 해결하기 위하여, 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템으로서, 우울증 예측정보를 생성하고자 하는 추론대상환자의 뇌파 검사 데이터를 수신하는 데이터수신부; 우울증 발병에 대한 라벨링정보가 부여되지 않은 제1학습대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델; 및 상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제2인코더; 및 상기 제2인코더에 의해 생성된 특징 정보에 기초하여, 우울증 예측정보를 생성하고자 하는 상기 추론대상환자의 우울증 예측정보를 출력하도록 학습된 인공신경망을 포함하는 분류모델;을 포함하는 우울증추론모델;을 포함하고, 상기 뇌파분석모델은, 우울증 발병에 대한 라벨링정보가 부여되지 않은 복수의 제1학습대상환자의 뇌파 검사 데이터에 기초하여 상기 뇌파분석모델을 학습시키는 뇌파분석모델학습단계에 의하여 학습되고, 상기 우울증추론모델은, 우울증 발병에 대한 라벨링정보가 부여된 복수의 제2학습대상환자의 뇌파 검사 데이터 및 라벨링정보에 기초하여 상기 우울증추론모델을 학습시키는 우울증추론모델학습단계;에 의하여 학습되고, 상기 데이터수신부는, 우울증 발병여부가 결정되지 않은 상기 추론대상환자의 뇌파 검사 데이터를 수신하는 뇌파데이터수신단계;를 수행하고, 상기 우울증추론모델은, 상기 추론대상환자의 뇌파 검사 데이터로부터 상기 추론대상환자에 대한 우울증 예측정보를 추론하는 우울증추론단계;를 수행하는, 인공지능 시스템을 제공한다.
본 발명의 일 실시예에서는, 상기 뇌파 검사 데이터는, 환자 두부에 전극이 부착되어 전극이 부착된 복수의 위치 각각에서 측정된, 시간에 따른 전압값에 대한 정보일 수 있다.
본 발명의 일 실시예에서는, 상기 라벨링정보는, 상기 제2학습대상환자의 뇌파 검사 데이터에 대하여 상기 제2학습대상환자가 우울증을 앓고 있는 여부에 따라 긍정 또는 부정의 형태로 라벨링된 정보이거나, 상기 제2학습대상환자의 뇌파 검사 데이터에 대하여 상기 제2학습대상환자가 우울증을 앓고 있는 경우, 우울증 증상 정도에 비례하여 라벨링된 정보일 수 있다.
본 발명의 일 실시예에서는, 상기 제1인코더는, 상기 제1학습대상환자의 뇌파 검사 데이터로부터 특징 정보를 생성하기 위한 복수의 인코더레이어를 포함하고, 상기 디코더는, 상기 제1인코더를 구성하는 각각의 인코더레이어와 역순으로 대칭된 형태의 복수의 디코더레이어를 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 뇌파분석모델은, 상기 인코더레이어와 상기 디코더레이어가 상호 대응되게 하여, 상기 제1인코더의 출력값인 특징 정보가 상기 디코더의 입력값이 되도록 하고, 상기 디코더의 출력값이 상기 제1인코더의 입력값인 뇌파 검사 데이터와 유사하게 복원하도록 학습될 수 있다.
본 발명의 일 실시예에서는, 상기 우울증추론단계는, 상기 제2인코더에 의해 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 상기 추론대상환자의 뇌파 검사 데이터에 대한 특징 정보를 생성하고, 상기 분류모델에 의해 상기 특징 정보에 기초하여 상기 추론대상환자가 우울증을 앓고 있는 여부에 따라 긍정 또는 부정의 형태로 우울증 예측정보를 추론하거나, 상기 추론대상환자가 우울증을 앓고 있는 경우, 우울증 증상 정도에 비례하여 우울증 예측정보를 추론할 수 있다.
본 발명의 일 실시예에서는, 상기 인공지능 시스템은 3 이상의 우울증추론모델을 포함하고, 상기 3 이상의 우울증추론모델 각각을 구성하는 상기 제2인코더는 동일하게 구성하되, 상기 3 이상의 우울증추론모델 각각을 구성하는 상기 분류모델의 레이어는 상이하게 구성하여, 상기 3 이상의 우울증추론모델 각각이 상이한 방식으로 상기 추론대상환자에 대한 우울증 예측정보를 추론할 수 있다.
본 발명의 일 실시예에서는, 상기 인공지능 시스템은, 복수의 우울증추론모델 각각에 의해 도출된 우울증 예측정보를 평균하여, 상기 추론대상환자에 대한 최종우울증 예측정보를 도출하는 우울증예측정보산출부;를 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 우울증예측정보산출부는, 상기 우울증추론모델 각각에 의해 도출된 복수의 우울증 예측정보를 종합하여 우울증 예측정보의 평균값(Avg)을 산출하는 단계; 상기 우울증 예측정보의 평균값과 상기 복수의 우울증 예측정보 각각에 대하여 하기의 [식 1] 로 결정되는 코사인 유사도(Cosine Similarity)를 산출하는 단계; 상기 코사인 유사도에 기초하여 상기 우울증 예측정보에 가중치를 부여하여, 가중치가 부여된 상기 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출하는 단계;를 수행할 수 있다.
[식 1]
Figure 112022018780619-pat00001
(X는 우울증추론모델 각각에 의해 도출된 우울증 예측정보이고, Avg는 우울증 예측정보의 평균값이다)
본 발명의 일 실시예에서는, 상기 우울증예측정보산출부는, 상기 코사인 유사도에 기초하여 결정된 상기 가중치에 비례하여 상기 복수의 우울증추론모델 각각에 대한 신뢰도를 결정하는 신뢰도산출단계를 수행할 수 있다.
상기와 같은 과제를 해결하기 위하여, 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템에서 수행되는, 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 방법으로서, 상기 인공지능 시스템은, 우울증 예측정보를 생성하고자 하는 추론대상환자의 뇌파 검사 데이터를 수신하는 데이터수신부; 우울증 발병에 대한 라벨링정보가 부여되지 않은 제1학습대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델; 및 상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제2인코더; 및 상기 제2인코더에 의해 생성된 특징 정보에 기초하여, 우울증 예측정보를 생성하고자 하는 상기 추론대상환자의 우울증 예측정보를 출력하도록 학습된 인공신경망을 포함하는 분류모델;을 포함하는 우울증추론모델;을 포함하고, 상기 우울증 예측정보를 제공하는 방법은, 상기 뇌파분석모델에 의하여, 우울증 발병에 대한 라벨링정보가 부여되지 않은 복수의 제1학습대상환자의 뇌파 검사 데이터에 기초하여 상기 뇌파분석모델을 학습시키는 뇌파분석모델학습단계; 상기 우울증추론모델에 의하여, 우울증 발병에 대한 라벨링정보가 부여된 복수의 제2학습대상환자의 뇌파 검사 데이터 및 라벨링정보에 기초하여 상기 우울증추론모델을 학습시키는 우울증추론모델학습단계; 상기 데이터수신부에 의하여, 우울증 발병여부가 결정되지 않은 상기 추론대상환자의 뇌파 검사 데이터를 수신하는 뇌파데이터수신단계; 및 상기 우울증추론모델에 의하여, 상기 추론대상환자의 뇌파 검사 데이터로부터 상기 추론대상환자에 대한 우울증 예측정보를 추론하는 우울증추론단계;를 수행하는, 우울증 예측정보를 제공하는 방법을 제공한다.
상기와 같은 과제를 해결하기 위하여, 1 이상의 프로세스 및 1 이상의 메모리를 갖는 컴퓨팅장치에서 수행되는 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템을 구현하기 위한 컴퓨터-판독가능 매체로서, 상기 인공지능 시스템은, 우울증 예측정보를 생성하고자 하는 추론대상환자의 뇌파 검사 데이터를 수신하는 데이터수신부; 우울증 발병에 대한 라벨링정보가 부여되지 않은 제1학습대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델; 및 상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제2인코더; 및 상기 제2인코더에 의해 생성된 특징 정보에 기초하여, 우울증 예측정보를 생성하고자 하는 상기 추론대상환자의 우울증 예측정보를 출력하도록 학습된 인공신경망을 포함하는 분류모델;을 포함하는 우울증추론모델;을 포함하고, 상기 컴퓨터-판독가능 매체는, 컴퓨팅장치로 하여금 이하의 단계들을 수행하도록 하는 명령들을 저장하며, 상기 이하의 단계들은, 상기 뇌파분석모델에 의하여 수행되는, 우울증 발병에 대한 라벨링정보가 부여되지 않은 복수의 제1학습대상환자의 뇌파 검사 데이터에 기초하여 상기 뇌파분석모델을 학습시키는 뇌파분석모델학습단계; 상기 우울증추론모델에 의하여 수행되는, 우울증 발병에 대한 라벨링정보가 부여된 복수의 제2학습대상환자의 뇌파 검사 데이터 및 라벨링정보에 기초하여 상기 우울증추론모델을 학습시키는 우울증추론모델학습단계; 상기 데이터수신부에 의하여 수행되는, 우울증 발병여부가 결정되지 않은 상기 추론대상환자의 뇌파 검사 데이터를 수신하는 뇌파데이터수신단계; 및 상기 우울증추론모델에 의하여 수행되는, 상기 추론대상환자의 뇌파 검사 데이터로부터 상기 추론대상환자에 대한 우울증 예측정보를 추론하는 우울증추론단계;를 포함하는, 컴퓨터-판독가능매체를 제공한다.
본 발명의 일 실시예에 따르면 우울증 발병여부가 결정되지 않은 환자의 뇌파 검사 데이터에 기초하여 환자에 대한 우울증 발병여부 및 우울증이 발병된 경우 우울증 증상정도에 대한 정보를 도출하여 제공할 수 있다.
본 발명의 일 실시예에 따르면 뇌파 검사 데이터를 분석하는 뇌파분석모델은 다수의 학습대상환자의 뇌파 검사 데이터에 의해 학습되어 뇌파분석모델의 신뢰성을 향상할 수 있다.
본 발명의 일 실시예에 따르면 환자의 뇌파 검사 데이터에 대한 우울증 예측정보를 도출하는 우울증추론모델은 학습된 뇌파분석모델의 일부 구성요소를 활용하여 구성함으로써 우울증 예측정보 추론과정의 신뢰성을 향상할 수 있다.
본 발명의 일 실시예에 따르면 복수의 우울증추론모델에 의해 뇌파 검사 데이터에 대한 우울증 예측정보를 도출함으로써 우울증 예측정보 추론과정의 신뢰성을 향상할 수 있다.
본 발명의 일 실시예에 따르면 환자의 뇌파 검사 데이터에 대한 우울증 예측정보를 도출하는 우울증추론모델 각각에 대한 신뢰도를 산출할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 시스템의 구성요소를 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 시스템의 수행단계를 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 뇌파분석모델을 학습시키는 단계를 도시한 것이다.
도 4는 본 발명의 일 실시예에 따른 우울증추론모델을 학습시키는 단계를 도시한 것이다.
도 5은 본 발명의 일 실시예에 따른 우울증추론모델에 의해 추론대상환자에 대한 우울증 예측정보를 추론하는 단계를 도시한 것이다.
도 6은 본 발명의 일 실시예에 따른 복수의 우울증추론모델에 의해 추론대상환자에 대한 우울증 예측정보를 추론하는 단계를 도시한 것이다.
도 7은 본 발명의 일 실시예에 따른 우울증 예측정보에 기초하여 최종우울증 예측정보를 산출하고, 우울증추론모델에 대한 신뢰도를 결정하는 단계를 도시한 것이다.
도 8은 본 발명의 일 실시예에 따른 우울증추론모델에 의해 도출된 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출하는 단계를 도시한 것이다.
도 9는 본 발명의 일 실시예에 따른 우울증추론모델에 의해 도출된 우울증 예측정보에 대한 코사인 유사도를 산출하여 최종우울증 예측정보를 산출하는 단계를 도시한 것이다.
이하에서는, 다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
또한, 다양한 양상들 및 특징들이 다수의 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 컴포넌트들, 모듈들 등 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다. 아래에서 사용되는 용어들 '~부', '컴포넌트', '모듈', '시스템', '인터페이스' 등은 일반적으로 컴퓨터 관련 엔티티(computer-related entity)를 의미하며, 예를 들어, 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어를 의미할 수 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 인공지능 시스템의 구성요소를 도시한 것이다.
도 1에 도시된 바와 같이, 본원 발명의 인공지능 시스템은 데이터수신부(11), 뇌파분석모델(12), 우울증추론모델(13), 및 우울증예측정보산출부(14)에 의해 구성될 수 있다. 또한 뇌파분석모델(12)은 제1인코더(121) 및 디코더(122)를 포함하고, 우울증추론모델(13)은 제2인코더(131) 및 분류모델(132)을 포함할 수 있다.
데이터수신부(11)는 추론대상환자의 뇌파 검사 데이터를 수신하는 구성요소이다. 구체적으로 데이터수신부(11)는 우울증 발병여부가 결정되지 않은 환자인 추론대상환자 또는 환자의 주치의로부터 추론대상환자에 대한 뇌파 검사 데이터를 수신할 수 있다.
상기 추론대상환자는 본원 발명의 인공지능 시스템이 우울증 예측정보를 제공하는 대상으로서, 본원 발명의 인공지능 시스템은 상기 추론대상환자의 뇌파 검사 데이터에 기초하여 추론대상환자가 우울증을 앓고 있는 지 여부 및 우울증을 앓고 있는 경우, 우울증 증상정도에 대한 정보를 도출하여 추론대상환자 및 환자의 주치의에게 제공할 수 있다.
한편, 본원 발명의 일 실시예에서 데이터수신부(11)는 학습대상환자의 뇌파 검사 데이터를 수신할 수 있다. 구체적으로 학습대상환자는 본원 발명의 인공지능 시스템의 구성요소인 뇌파분석모델(12) 및 우울증추론모델(13)을 학습시키기 위한 학습데이터를 제공하는 대상으로서, 우울증 발병에 대한 라벨링정보가 부여되지 않은 뇌파 검사 데이터를 제공하는 제1학습대상환자 및 우울증 발병에 대한 라벨링정보가 부여된 뇌파 검사 데이터를 제공하는 제2학습대상환자를 포함할 수 있다.
한편, 상술한 뇌파 검사 데이터(Electroencephalogram)란 환자 두부에 전극을 부착하여 전극이 부착된 복수의 위치 각각에서 측정된 뇌파정보를 의미한다. 구체적으로 뇌파 검사 데이터는 환자에 대한 우울증 발병여부 및 증상정도에 대한 정보를 도출하기 위하여, 환자 두부에 부착되는 전극을 부착하여 전극이 부착된 위치 각각에서 측정된 전압, 즉 뇌의 전기적 활동을 기록한 정보일 수 있다.
본원 발명의 인공지능 시스템은 환자의 뇌파 검사 데이터에 대한 분석을 수행하여, 뇌파 검사 데이터를 제공한 환자에 대한 우울증 발병여부 및 증상정도에 대한 예측정보를 추론하여 제공할 수 있다.
뇌파분석모델(12)은 뇌파 검사 데이터에 대한 분석을 수행하는 구성요소로서, 데이터수신부(11)로부터 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더(121), 및 상기 제1인코더(121)에 의해 생성된 특징 정보에 기초하여 상기 제1인코더(121)에 입력된 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더(122)를 포함할 수 있다.
구체적으로 제1인코더(121)는 제1학습대상환자의 우울증 발병에 대한 라벨링정보가 부여되지 않은 복수의 뇌파 검사 데이터를 입력받아 상기 뇌파 검사 데이터에 대한 특징 정보를 생성하는 구성요소로서, 일반적으로 특징 정보는 제1인코더(121)에 입력된 뇌파 검사 데이터보다 차원이 낮은 데이터로 생성될 수 있다.
바람직하게는 제1인코더(121)는 제1학습대상환자의 뇌파 검사 데이터로부터 특징 정보를 생성하기 위한 복수의 인코더레이어를 포함할 수 있다.
디코더(122)는 제1인코더(121)에 의해 압축된 데이터인 특징 정보를 복원하여 제1인코더(121)에 입력된 입력데이터와 유사한 출력값을 복원하는 구성요소로서, 상기 디코더(122)는 상기 특징 정보로 상기 제1인코더(121)에 입력된 뇌파 검사 데이터와 유사한 출력값으로 데이터를 복원할 수 있다.
구체적으로 디코더(122)는 상기 제1인코더(121)에 의해 생성된 특징 정보로부터 출력값을 출력하기 위한 복수의 디코더(122)레이어를 포함하고, 상기 디코더(122)레이어는 제1인코더(121)를 구성하는 인코더레이어와 역순으로 대칭되는 형태로 구성될 수 있다.
한편 뇌파분석모델(12)이 분석 및 학습을 수행하는 뇌파 검사 데이터는 복수의 제1학습대상환자로부터 수신한 뇌파 검사 데이터이고, 상기 제1학습대상환자의 뇌파 검사 데이터는 우울증 발병에 대한 라벨링정보가 부여되지 않은 뇌파 검사 데이터일 수 있다.
구체적으로 제1학습대상환자의 뇌파 검사 데이터, 즉 우울증 발병에 대한 라벨링정보가 부여되지 않은 뇌파 검사 데이터는 복수의 의료기관에서 확보하기 용이하여, 복수의 의료기관에서 확보한 다량의 학습데이터로 뇌파분석모델(12)을 학습시킴으로써 뇌파분석모델(12)의 성능을 향상할 수 있다.
결과적으로 제1인코더(121)에 의해 생성된 특징 정보는 뇌파 검사 데이터의 특성을 결정짓는 압축된 데이터이고, 뇌파분석모델(12)은 복수의 뇌파 검사 데이터를 입력받아 학습됨으로써 성능을 향상할 수 있다.
우울증추론모델(13)은 추론대상환자의 뇌파 검사 데이터에 기초하여 우울증 예측정보를 추론하는 구성요소로서, 상기 뇌파분석모델(12)의 제1인코더(121)와 동일한 형태로 데이터수신부(11)로부터 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하는 제2인코더(131), 및 상기 제2인코더(131)에 의해 생성된 특징 정보에 기초하여 추론대상환자에 대한 우울증 예측정보를 추론하는 분류모델(132)을 포함할 수 있다.
구체적으로 제2인코더(131)는 복수의 제1학습대상환자의 뇌파 검사 데이터로 학습된 제1인코더(121)와 동일한 형태로 구성된 학습모델로서, 학습이 완료된 제1인코더(121)와 동일한 학습모델을 사용함으로써, 데이터 효율적으로 추론대상환자의 뇌파 검사 데이터에 대한 특징 정보를 생성할 수 있다.
분류모델(132)은 상기 제2인코더(131)에 의해 생성된 특징 정보에 기초하여 우울증 예측정보를 출력하는 구성요소로서, 추론대상환자에 대하여 우울증 발병여부 및 우울증 증상 정도에 따른 우울증 예측정보를 추론하여 출력할 수 있다.
구체적으로 상기 분류모델(132)은 추론대상환자가 우울증을 앓고 있는 지 여부에 따라, 긍정 또는 부정의 형태로 우울증 예측정보를 출력하거나, 우울증을 앓고 있는 경우 우울증 증상 정도에 비례하여 크기가 결정되는 우울증 예측정보를 출력할 수 있다.
바람직하게는 분류모델(132)은 제2인코더(131)에 의해 생성된 특징 정보로부터 우울증 예측정보를 출력하기 위한 복수의 레이어를 포함하는 형태로 구성할 수 있다.
한편, 우울증추론모델(13)은 제2학습대상환자의 뇌파 검사 데이터에 의하여 학습될 수 있다. 구체적으로 우울증추론모델(13)은 우울증 발병에 대한 라벨링정보가 부여된 복수의 뇌파 검사 데이터와 상기 뇌파 검사 데이터에 대한 라벨링정보에 의하여 학습되어, 특징 정보로부터 우울증 예측정보를 추론하는 단계의 정확성을 향상할 수 있다.
바람직하게는 우울증추론모델(13)의 분류모델(132)이 제2학습대상환자의 뇌파 검사 데이터에 의하여 학습될 수 있다.
한편 우울증추론모델(13)이 학습을 수행하는 뇌파 검사 데이터는 복수의 제2학습대상환자로부터 수신한 뇌파 검사 데이터이고, 상기 제2학습대상환자의 뇌파 검사 데이터는 우울증 발병에 대한 라벨링정보가 부여된 뇌파 검사 데이터일 수 있다.
구체적으로 우울증추론모델(13)은 우울증 발병에 대한 라벨링정보가 부여된 뇌파 검사 데이터 및 해당 뇌파 검사 데이터의 라벨링정보로 학습되어, 뇌파 검사 데이터에 대한 특징 정보로부터 우울증 예측정보를 추론하는 인공신경망의 성능을 향상할 수 있다.
결과적으로, 우울증추론모델(13)의 제2인코더(131)는 제1학습대상환자의 뇌파 검사 데이터에 의하여 학습된 제1인코더(121)와 동일하게 구성하고, 분류모델(132)은 제2학습대상환자의 우울증 발병에 대한 라벨링정보가 부여된 뇌파 검사 데이터에 의하여 학습하게 함으로써, 추론대상환자에 대한 우울증 발병 여부 및 우울증 증상정도에 대한 예측정보를 추론하는 과정의 정확성을 향상할 수 있다.
한편, 본원 발명의 인공지능 시스템은 복수의 우울증추론모델(13)을 포함할 수 있다. 구체적으로 본원 발명의 인공지능 시스템은 3 이상의 우울증추론모델(13)을 포함하고, 각각의 우울증추론모델(13)에 의해 출력된 우울증 예측정보를 종합하여 최종우울증 예측정보를 출력할 수 있다.
바람직하게는 복수의 우울증추론모델(13) 각각을 구성하는 제2인코더(131)는 동일하게 구성하고, 분류모델(132)은 상이하게 구성하여, 복수의 우울증추론모델(13) 각각이 상이한 방식으로 추론대상환자에 대한 우울증 예측정보를 추론할 수 있다.
더 바람직하게는 각각의 분류모델(132)을 구성하는 복수의 레이어를 상이하게 구성할 수 있다.
또한, 복수의 우울증추론모델(13) 각각에 의해 출력된 우울증 예측정보에 기초하여 복수의 우울증추론모델(13) 각각에 대한 신뢰도를 결정할 수 있다.
우울증예측정보산출부(14)는 복수의 우울증추론모델(13) 각각에 의해 도출된 우울증 예측정보를 종합하여 최종우울증 예측정보를 산출하고, 복수의 우울증추론모델(13) 각각에 대한 신뢰도를 도출하는 구성요소이다.
구체적으로 본 발명의 일 실시예에서는 우울증예측정보산출부(14)는 복수의 우울증추론모델(13) 각각에 의해 도출된 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출할 수 있다.
또는 본 발명의 다른 실시예에서는 우울증예측정보산출부(14)는 복수의 우울증추론모델(13) 각각에 의해 도출된 우울증 예측정보를 평균하여 우울증 예측정보의 평균값을 산출하고, 상기 평균값과 우울증 예측정보 각각에 대한 코사인 유사도를 산출하고, 상기 코사인 유사도에 기초하여 우울증 예측정보에 가중치를 부여하여 최종우울증 예측정보를 산출할 수 있다.
구체적으로 복수의 우울증추론모델(13) 각각에 의해 도출된 우울증 예측정보는 벡터 형태의 데이터로 산출될 수 있고, 벡터 형태로 도출된 우울증 예측정보에 기초하여 하기의 [식 1]로 결정되는 코사인 유사도를 산출할 수 있다.
[식 1]
Figure 112022018780619-pat00002
(X는 우울증추론모델(13) 각각에 의해 도출된 우울증 예측정보이고, Avg는 우울증 예측정보의 평균값이다)
바람직하게는 본원 발명의 인공지능 시스템은 3 이상의 우울증추론모델(13)을 포함하여, 각각의 우울증추론모델(13)에 의해 도출된 우울증 예측정보와 평균값과의 유사한 정도를 표시하는 코사인 유사도를 산출할 수 있다.
더 바람직하게는 코사인 유사도는 0 내지 1 사이의 값으로 산출될 수 있다.
우울증예측정보산출부(14)는 각각의 우울증추론모델(13)별로 도출된 코사인 유사도에 비례하여 우울증 예측정보 각각에 대한 가중치를 부여하고, 가중치가 부여된 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출할 수 있다.
또한 우울증예측정보산출부(14)는 우울증 예측정보 각각에 대하여 부여된 가중치에 비례하여 우울증추론모델(13) 각각에 대한 신뢰도를 결정할 수 있다. 구체적으로 코사인 유사도가 높은 우울증 예측정보를 추론한 우울증추론모델(13), 즉 가중치가 높게 부여된 우울증 예측정보를 추론한 우울증추론모델(13)를 신뢰도가 높은 학습모델로 결정할 수 있다.
도 2는 본 발명의 일 실시예에 따른 인공지능 시스템의 수행단계를 도시한 것이다.
도 2에 도시된 바와 같이, 상기 뇌파분석모델(12)은, 우울증 발병에 대한 라벨링정보가 부여되지 않은 복수의 제1학습대상환자의 뇌파 검사 데이터에 기초하여 상기 뇌파분석모델(12)을 학습시키는 뇌파분석모델(12)학습단계;에 의하여 학습되고, 상기 우울증추론모델(13)은, 우울증 발병에 대한 라벨링정보가 부여된 복수의 제2학습대상환자의 뇌파 검사 데이터 및 라벨링정보에 기초하여 상기 우울증추론모델(13)을 학습시키는 우울증추론모델(13)학습단계;에 의하여 학습되고, 상기 데이터수신부(11)는, 우울증 발병여부가 결정되지 않은 상기 추론대상환자의 뇌파 검사 데이터를 수신하는 뇌파데이터수신단계;를 수행하고, 상기 우울증추론모델(13)은, 상기 추론대상환자의 뇌파 검사 데이터로부터 상기 추론대상환자에 대한 우울증 예측정보를 추론하는 우울증추론단계;를 수행할 수 있다.
또한, 상기 우울증예측정보산출부(14)는, 상기 코사인 유사도에 기초하여 결정된 상기 가중치에 비례하여 상기 복수의 우울증추론모델(13) 각각에 대한 신뢰도를 결정하는 신뢰도산출단계;를 수행할 수 있다.
구체적으로 뇌파분석모델(12)은 제1학습대상환자의 우울증 발병에 대한 라벨링정보가 부여되지 않은 뇌파 검사 데이터를 수신(S1)할 수 있다.
바람직하게는 뇌파분석모델(12)은 유선 및 무선상으로 외부환경과 통신하여 제1학습대상환자에 대한 뇌파 검사 데이터를 수신하거나, 데이터수신부(11)로부터 제1학습대상환자에 대한 뇌파 검사 데이터를 수신할 수 있다.
한편, 뇌파분석모델(12)이 학습을 수행하는 제1학습대상환자의 뇌파 검사 데이터, 즉 우울증 발병에 대한 라벨링정보가 부여되지 않은 뇌파 검사 데이터는 복수의 의료기관에서 확보되어, 다량의 학습데이터로 뇌파분석모델(12)을 학습시킬 수 있다.
이어서, 뇌파분석모델(12)은 입력받은 뇌파 검사 데이터에 대한 특징 정보를 생성하고, 생성된 특징 정보에 기초하여 입력받은 뇌파 검사 데이터와 유사한 출력값을 복원하는 뇌파분석모델(12)학습단계(S2)를 수행할 수 있다.
구체적으로 상기 뇌파분석모델(12)학습단계(S2)는 제1인코더(121)에 의해 뇌파 검사 데이터에 대한 특징 정보를 생성하는 단계(S2.1) 및 디코더(122)에 의해 특징 정보에 기초하여 뇌파 검사 데이터와 유사한 출력값을 복원하는 단계(S2.1)을 포함할 수 있다.
바람직하게는 뇌파분석모델(12)은 뇌파분석모델(12)학습단계(S2)를 반복 수행함으로써 입력값과 유사하게 출력값을 복원하는 과정에서 손실률을 최소화하는 방향으로 학습될 수 있다.
결과적으로 뇌파분석모델(12)은 복수의 의료기관에서 확보된 우울증 발병에 대한 라벨링정보가 부여되지 않은 다수의 뇌파 검사 데이터를 입력값으로 하여 입력값에 대한 특징 정보를 생성하고, 상기 특징 정보에 기초하여 입력값과 유사한 출력값을 복원하는 단계를 반복 수행함으로써, 뇌파 검사 데이터의 특성을 결정 짓는 특징 정보를 생성하여 뇌파 검사 데이터를 분석하는 인공신경망의 성능을 향상할 수 있다.
이어서, 뇌파분석모델(12)은 학습된 제1인코더(121)에 대한 정보를 우울증추론모델(13)로 송신하여 우울증추론모델(13)의 제2인코더(131)를 업데이트하는 단계(S3)를 수행할 수 있다. 상술한 바와 같이, 우울증추론모델(13)의 제2인코더(131)는 뇌파분석모델(12)의 제1인코더(121)와 동일하게 구성되고, 더 구체적으로 뇌파분석모델(12)학습단계(S2)에서 학습된 제1인코더(121)를 뇌파분석모델(12)의 제2인코더(131)와 동일하게 구성할 수 있다.
이어서, 우울증추론모델(13)은 제2학습대상환자의 우울증 발병에 대한 라벨링정보가 부여된 뇌파 검사 데이터 및 이에 대한 라벨링정보를 수신(S4)할 수 있다.
구체적으로 우울증추론모델(13)은 유선 및 무선상으로 외부환경과 통신하여 제2학습대상환자에 대한 뇌파 검사 데이터를 수신하거나, 데이터수신부(11)로부터 제2학습대상환자에 대한 뇌파 검사 데이터를 수신할 수 있다.
이어서, 우울증추론모델(13)은 제2학습대상환자의 뇌파 검사 데이터 및 해당 뇌파 검사 데이터에 대한 라벨링정보에 기초하여 학습하는 우울증추론모델(13)학습단계(S5)를 수행할 수 있다. 구체적으로 우울증추론모델(13)은 제2학습대상환자의 뇌파 검사 데이터에 기초하여 우울증 발병에 대한 예측정보를 추론하는 인공신경망을 학습을 시킬 수 있다.
바람직하게는 제2학습대상환자의 뇌파 검사 데이터는 우울증 발병에 대한 라벨링정보가 부여된 뇌파 검사 데이터이므로, 우울증추론모델(13)은 상기 제2학습대상환자의 뇌파 검사 데이터와 라벨링정보로 학습을 수행함으로써 우을증 발병에 대한 예측정보를 추론하는 인공신경망의 성능을 향상할 수 있다.
이어서, 데이터수신부(11)는 추론대상환자에 대한 뇌파 검사 데이터를 수신하고 우울증추론모델(13)에 입력하는 단계(S6 및 S7)를 수행할 수 있다. 구체적으로 데이터수신부(11)는 우을증 예측정보를 제공하고자 하는 환자인 추론대상환자의 뇌파 검사 데이터를 수신하여 우울증추론모델(13)에 입력할 수 있다.
바람직하게는 추론대상환자의 뇌파 검사 데이터는 우울증 발병에 대한 라벨링정보가 부여되지 않은 뇌파 검사 데이터일 수 있다.
이어서, 우울증추론모델(13)은 추론대상환자의 뇌파 검사 데이터로부터 상기 추론대상환자에 대한 우울증 예측정보를 추론하는 우울증추론단계(S8)를 수행할 수 있다. 구체적으로 우울증추론단계(S8)는 제2인코더(131)에 의해 추론대상환자의 뇌파 검사 데이터에 대한 특징 정보를 생성하는 단계(8.1) 및 분류모델(132)에 의해 상기 특징 정보에 기초하여 우울증 예측정보를 추론하는 단계(8.2)를 포함할 수 있다.
상술한 바와 같이 우울증추론모델(13)의 제2인코더(131)는 뇌파분석모델(12)학습단계(S2)에서 학습된 제1인코더(121)와 동일하게 구성되고, 분류모델(132)은 우울증추론모델(13)학습단계(S5)에서 학습이 완료된 인공신경망으로 구성됨으로써, 우울증추론모델(13)은 추론대상환자의 뇌파 검사 데이터에 기초하여 추론대상환자에 대한 우울증 예측정보를 추론할 수 있다.
구체적으로 우울증추론모델(13)은 추론대상환자에 대하여 우울증을 앓고 있는 지 여부에 대한 우울증 예측정보를 추론하거나, 우울증을 앓고 있는 경우, 우울증 증상정도에 대한 우울증 예측정보를 추론할 수 있다.
한편, 본원 발명의 인공지능 시스템은 복수의 우울증추론모델(13)을 포함하고, 우울증추론모델(13) 각각에 대한 신뢰도를 부여할 수 있다. 구체적으로 복수의 우울증추론모델(13)에 의하여 도출된 우울증 예측정보를 종합하여 최종우울증 예측정보가 도출될 수 있고, 상기 최종우울증 예측정보를 도출하는 과정에서 산출되는 코사인 유사도 및 우울증 예측정보에 대한 가중치에 기초하여 우울증추론모델(13) 각각에 대한 신뢰도를 도출할 수 있다. 우울증추론모델(13) 각각에 대한 신뢰도를 도출하는 과정은 도 7 및 도 9에서 후술하도록 한다.
도 3은 본 발명의 일 실시예에 따른 뇌파분석모델(12)을 학습시키는 단계를 도시한 것이다.
도 3에 도시된 바와 같이 뇌파분석모델(12)은 제1학습대상환자에 대한 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하는 제1인코더(121)를 포함할 수 있고, 상기 제1인코더(121)는 복수의 인코더레이어를 포함하는 형태로 구성할 수 있다.
구체적으로 도 3에 도시된 바와 같이 제1인코더(121)는 복수의 인코더레이어(L1, L2, 및 L3)를 순차적으로 배치하여 구성할 수 있다. 바람직하게는 제1인코더(121)의 L1, L2, 및 L3 인코더레이어를 각각 입력레이어, 히든레이어, 및 출력레이어로 하여 제1인코더(121)를 구성할 수 있다.
결과적으로 제1인코더(121)는 복수의 인코더레이어를 포함한 인공신경망으로서 제1학습대상환자에 대한 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터의 특성을 결정하는 특징 정보로 압축할 수 있다.
한편, 뇌파분석모델(12)은 제1인코더(121)에 의해 생성된 특징 정보에 기초하여 제1인코더(121)에 입력된 뇌파 검사 데이터와 유사한 출력값으로 복원하는 디코더(122)를 포함할 수 있고, 상기 디코더(122)는 복수의 디코더(122)레이어를 포함하는 형태로 구성할 수 있다.
구체적으로 디코더(122)를 구성하는 복수의 디코더(122)레이어는 제1인코더(121)를 구성하는 복수의 인코더레이어와 역순으로 대칭된 형태로, 각각의 인코더레이어에 의해 출력된 출력값을 입력값으로 하고, 인코더레이어에 입력된 입력값과 유사한 출력값을 출력하도록 할 수 있다.
도 3에 도시된 바와 같이 디코더(122)를 구성하는 디코더(122)레이어(L3.1, L2.1, 및 L1.1)는 제1인코더(121)를 구성하는 인코더레이어(L1, L2, 및 L3)와 역순으로 대칭되게 하여 배치할 수 있다.
구체적으로 인코더레이어(L3)와 디코더(122)레이어(L3.1)이 서로 대응되어 인코더레이어(L3)의 출력값인 특징 정보가 디코더(122)레이어(L3.1)의 입력값이 될 수 있고, 인코더레이어(L1)와 디코더(122)레이어(L1.1)이 서로 대응되어 인코더레이어(L1)의 입력값인 뇌파 검사 데이터가 디코더(122)레이어(L1.1)의 출력값인 복원된 뇌파 검사 데이터일 수 있다.
한편 제1인코더(121)를 구성하는 인코더레이어와 디코더(122)를 구성하는 디코더(122)레이어는 상호 대응되므로, 뇌파분석모델(12)이 학습을 수행함에 따라 일부 레이어가 업데이트 되는 경우, 변경된 레이어와 대응되는 레이어도 이에 대응하여 업데이트 될 수 있다.
한편, 뇌파분석모델(12)의 제1인코더(121) 및 디코더(122)를 구성하는 레이어는 도 3에 도시된 레이어의 개수에 한정되지 않고, 뇌파분석모델(12)이 뇌파 검사 데이터를 분석하기 위한 최소한의 레이어를 포함하는 개수를 상회하는 형태로 구성할 수 있다.
구체적으로 더 많은 레이어를 포함할수록, 입력값인 뇌파 검사 데이터로부터 출력값인 복원된 뇌파 검사 데이터를 도출함에 있어 발생하는 손실률이 감소할 수 있다.
결과적으로 뇌파분석모델(12)은 제1인코더(121) 및 디코더(122)를 포함하고, 복수의 제1학습대상환자의 우울증 발병에 대한 라벨링정보가 부여되지 않은 뇌파 검사 데이터로 학습함으로써, 뇌파 검사 데이터의 특성을 결정하는 특징 정보를 생성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 우울증추론모델(13)을 학습시키는 단계를 도시한 것이다.
도 4에 도시된 바와 같이 우울증추론모델(13)은 제2학습대상환자에 대한 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하는 제2인코더(131)를 포함할 수 있다. 상술한 바와 같이 제2인코더(131)는 뇌파분석모델(12)의 제1인코더(121)와 동일한 형태로 복수의 인코더레이어를 포함하는 형태로 구성할 수 있다.
바람직하게는 제2인코더(131)는 복수의 제1학습대상환자의 뇌파 검사 데이터에 의해 학습된 제1인코더(121)와 동일하게 업데이트될 수 있다.
한편, 우울증추론모델(13)은 제2인코더(131)에 의해 생성된 특징 정보에 기초하여 우울증 예측정보를 추론하는 분류모델(132)을 포함할 수 있다.
구체적으로 우울증추론모델(13)에 입력되는 제2학습대상환자의 뇌파 검사 데이터는 우울증 발병에 대한 라벨링정보가 부여된 뇌파 검사 데이터이고, 분류모델(132)은 제2인코더(131)에 의해 생성된 특징 정보와 제2학습대상환자의 뇌파 검사 데이터에 대한 라벨링정보에 기초하여 상기 제2학습대상환자에 대한 우울증 예측정보를 추론하는 분류모델(132)을 학습시킬 수 있다.
한편, 본 발명의 일 실시예에서는 라벨링정보는 제2학습대상환자의 뇌파 검사 데이터에 대하여 상기 제2학습대상환자가 우울증을 앓고 있는 지 여부에 따라 긍정 또는 부정의 형태로 라벨링된 정보일 수 있고, 분류모델(132)은 상기와 같은 형태의 라벨링정보를 입력받음으로써, 제2학습대상환자에 대하여 긍정 또는 부정의 형태로 우울증 예측정보를 출력하기 위한 복수의 레이어를 포함하는 인공신경망을 구성할 수 있다.
또는 본 발명의 다른 실시예에서는, 라벨링정보는 제2학습대상환자의 뇌파 검사 데이터에 대하여 상기 제2학습대상환자가 우울증을 앓고 있는 경우, 우을증 증상 정도에 비례하여 라벨링된 정보일 수 있고, 분류모델(132)은 상기와 같은 형태의 라벨링정보를 입력받음으로써, 제2학습대상환자에 대하여 우울증 증상 정도에 따라 크기가 결정되는 우울증 예측정보를 출력하기 위한 복수의 레이어를 포함하는 인공신경망을 구성할 수 있다.
결과적으로 우울증추론모델(13)의 분류모델(132)은 우울증 발병에 대한 라벨링정보가 부여된 제2학습대상환자의 뇌파 검사 데이터 및 상기 뇌파 검사 데이터에 대한 라벨링정보로 학습되어 뇌파 검사 데이터에 기초하여 우울증 예측정보를 추론할 수 있다.
도 5는 본 발명의 일 실시예에 따른 우울증추론모델(13)에 의해 추론대상환자에 대한 우울증 예측정보를 추론하는 단계를 도시한 것이다.
도 5에 도시된 바와 같이, 우울증추론모델(13)은 추론대상환자에 대한 뇌파 검사 데이터에 기초하여 추론대상환자에 대한 우울증 예측정보를 추론할 수 있다. 구체적으로 추론대상환자의 뇌파 검사 데이터는 우울증 발병에 대한 라벨링정보가 부여되지 않은 뇌파 검사 데이터이고, 도 3 및 도 4에서 학습된 우울증추론모델(13)에 의해 추론대상환자에 대한 우울증 예측정보를 추론하여 제공할 수 있다.
도 6은 본 발명의 일 실시예에 따른 복수의 우울증추론모델(13)에 의해 추론대상환자에 대한 우울증 예측정보를 추론하는 단계를 도시한 것이다.
한편 도 6에 도시된 바와 같이, 본원 발명의 인공지능 시스템은 복수의 우울증추론모델(13)을 포함할 수 있고, 복수의 우울증추론모델(13)에 의해 도출되는 복수의 우울증 예측정보를 종합하여 신뢰성 있는 결과값을 산출할 수 있다.
바람직하게는 복수의 우울증추론모델(13) 각각을 구성하는 제2인코더(131)는 동일하게 구성하고, 복수의 우울증추론모델(13) 각각을 구성하는 분류모델(132)은 상이하게 구성하여, 복수의 우울증추론모델(13) 각각이 상이한 방식으로 추론대상환자에 대한 우울증 예측정보를 추론하도록 할 수 있다.
더 바람직하게는 복수의 우울증추론모델(13) 각각을 구성하는 분류모델(132)의 레이어 또는 하이퍼파라미터를 상이하게 구성할 수 있다.
도 7은 본 발명의 일 실시예에 따른 우울증 예측정보에 기초하여 최종우울증 예측정보를 산출하고, 우울증추론모델(13)에 대한 신뢰도를 결정하는 단계를 도시한 것이다.
본원 발명의 인공지능 시스템은 복수의 우울증추론모델(13) 각각에 의해 도출된 우울증 예측정보에 기초하여 최종우울증 예측정보를 도출하고, 복수의 우울증추론모델(13) 각각에 대한 신뢰도를 부여하는 우울증예측정보산출부(14)를 포함할 수 있다.
구체적으로 도 7의 (a)에 도시된 바와 같이, 우울증예측정보산출부(14)는 복수의 우울증추론모델(13) 각각에 의해 도출된 우울증 예측정보를 평균하여 최종우울증 예측정보를 도출할 수 있다.
또는, 도 7의 (b)에 도시된 바와 같이, 우울증예측정보산출부(14)는 복수의 우울증추론모델(13) 각각에 의해 도출된 우울증 예측정보를 평균하여 평균값을 산출하고, 상기 평균값과 우울증 예측정보 각각에 대한 코사인 유사도를 도출할 수 있다. 이어서 우울증예측정보산출부(14)는 상기 코사인 유사도에 기초하여 우울증 예측정보 각각에 대한 가중치를 부여하여 최종우울증 예측정보를 산출하고, 우울증추론모델(13) 각각에 대한 신뢰도를 부여할 수 있다.
도 8은 본 발명의 일 실시예에 따른 우울증추론모델(13)에 의해 도출된 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출하는 단계를 도시한 것이다. 구체적으로 도 8은 도 7의 (a)에서 상술한 형태로 최종변수기여도를 도출하였을 때 표시될 수 있는 형태를 도시한 것이다.
도 8에 도시된 바와 같이, 본원 발명의 인공지능 시스템은 복수의 우울증추론모델(13)을 포함하고, 우울증예측정보산출부(14)에 의해 복수의 우울증추론모델(13) 각각이 도출한 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출할 수 있다.
구체적으로 우울증추론모델(13) #1, #2, 및 #3이 추론대상환자의 뇌파 검사 데이터에 기초하여 도출한 우울증 예측정보는 X1, X2, 및 X3으로 도출되었다.
바람직하게는 각각의 우울증추론모델(13) #1, #2, 및 #3은 상이한 분류모델(132)을 포함하여, 각각의 우울증추론모델(13)별로 상이한 방식으로 우울증 예측정보를 추론할 수 있다.
또한, 우울증추론모델(13)에 의해 도출되는 우울증 예측정보는 분류모델(132)에 따라 우울증 발병여부에 따라 긍정 또는 부정의 형태로 도출되거나, 우울증 증상정도에 따라 크기가 결정되어 도출될 수 있다.
우울증예측정보산출부(14)는 각각의 우울증추론모델(13)에 의해 도출된 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출할 수 있다. 구체적으로 복수의 우울증추론모델(13)에 의해 산출된 최종우울증 예측정보는 (X1+X2+X3)/3으로 결정될 수 있다.
결과적으로 최종우울증 예측정보는 복수의 우울증추론모델(13)에 의해 도출된 우울증 예측정보가 반영된 정보로서 신뢰성 있는 결과값으로 산출될 수 있다.
도 9는 본 발명의 일 실시예에 따른 우울증추론모델(13)에 의해 도출된 우울증 예측정보에 대한 코사인 유사도를 산출하여 최종우울증 예측정보를 산출하는 단계를 도시한 것이다. 구체적으로 도 9는 도 7의 (b)에서 상술한 형태로 최종우울증 예측정보를 도출하였을 때 표시될 수 있는 형태를 도시한 것이다.
도 9의 (a)에 도시된 바와 같이, 본원 발명의 인공지능 시스템은 복수의 우울증추론모델(13)을 포함하고, 우울증예측정보산출부(14)에 의해 복수의 우울증추론모델(13) 각각이 도출한 우울증 예측정보를 평균하여 우울증 예측정보에 대한 평균값을 산출할 수 있다.
구체적으로 우울증추론모델(13) #1, #2, 및 #3이 추론대상환자의 뇌파 검사 데이터에 기초하여 도출한 우울증 예측정보는 X1, X2, 및 X3으로 도출되었다. 바람직하게는 우울증추론모델(13) #1, #2, 및 #3 각각이 도출한 우울증 예측정보 X1, X2, 및 X3는 벡터형태의 데이터일 수 있다.
우울증예측정보산출부(14)는 각각의 우울증추론모델(13)에 의해 도출된 우울증 예측정보를 평균하여 우울증 예측정보에 대한 평균값을 산출할 수 있다. 구체적으로 우울증예측정보산출부(14)에 의해 산출된 우울증 예측정보에 대한 평균값은 (X1+X2+X3)/3으로 결정될 수 있다.
이어서, 도 9의 (b)에 도시된 바와 같이, 우울증예측정보산출부(14)는 각각의 우울증추론모델(13)이 산출한 우울증 예측정보에 대한 코사인 유사도를 산출할 수 있다. 구체적으로 코사인 유사도는 우울증 예측정보의 평균값과 각각의 우울증 예측정보로 산출할 수 있다.
일례로 도 9의 (a)에서 우울증예측정보산출부(14)는 각각의 우울증추론모델(13)에 의해 도출된 우울증 예측정보의 평균값을 산출하였고, 상기 평균값과 우울증추론모델#1에 의해 도출된 우울증 예측정보(X1)간의 코사인 유사도(cos
Figure 112022018780619-pat00003
1)를 산출하였다.
마찬가지로 우울증예측정보산출부(14)는 상기 평균값과 우울증추론모델#3에 의해 도출된 우울증 예측정보(X3)간의 코사인 유사도(cos
Figure 112022018780619-pat00004
3)를 산출하였다.
우울증예측정보산출부(14)는 우울증추론모델(13) 각각에 대하여 산출된 코사인 유사도에 기초하여 우울증 예측정보 각각에 대하여 가중치를 부여할 수 있다. 또한, 우울증예측정보산출부(14)는 우울증 예측정보 각각에 대해 부여된 가중치에 기초하여 우울증추론모델(13) 각각에 대한 신뢰도를 부여할 수 있다.
구체적으로 코사인 유사도는 각각의 우울증추론모델(13)이 도출한 우울증 예측정보간의 유사한 정도를 나타내는 정보이고, 상기 코사인 유사도에 기초하여 우울증추론모델(13)이 도출한 우울증 예측정보에 가중치를 부여하고, 해당 우울증추론모델(13)에 대한 신뢰도를 결정할 수 있다.
이어서, 우울증예측정보산출부(14)는 각각의 우울증추론모델(13)별로 도출된 코사인 유사도에 기초하여 가중치가 부여된 우울증 예측정보를 산출하고, 가중치가 부여된 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출할 수 있다.
본 발명의 일 실시예에서는, 각각의 우울증추론모델(13)별로 도출된 코사인 유사도에 비례하여 각각의 우울증 예측정보별로 가중치를 부여할 수 있다. 구체적으로 도 9의 (b)에서, 우울증예측정보산출부(14)는 우울증추론모델(13) 각각에 대한 코사인 유사도(cos
Figure 112022018780619-pat00005
1, cos
Figure 112022018780619-pat00006
2, 및 cos
Figure 112022018780619-pat00007
3)에 비례하여 우울증 예측정보에 대한 가중치를 산출하여, 가중치가 부여된 우울증 예측정보(Z1, Z2, 및 Z3)를 산출할 수 있다.
일례로 우울증추론모델#1에 대한 코사인 유사도(cos
Figure 112022018780619-pat00008
1)가 0.8로 산출되는 경우, 우울증추론모델#1이 도출한 우울증 예측정보(X1)에 0.8에 비례하는 가중치를 부여하여 가중치가 부여된 우울증 예측정보(Y1)을 도출할 수 있다. 우울증추론모델#1에 대한 신뢰도는 코사인 유사도(cos
Figure 112022018780619-pat00009
1)에 비례하여 산출할 수 있다.
또한 우울증추론모델#2에 대한 코사인 유사도(cos
Figure 112022018780619-pat00010
2)가 0.15로 산출되는 경우, 우울증추론모델#2이 도출한 우울증 예측정보(X2)에 0.15에 비례하는 가중치를 부여하여 가중치가 부여된 우울증 예측정보(Y2)을 도출할 수 있다. 우울증추론모델#2에 대한 신뢰도는 코사인 유사도(cos
Figure 112022018780619-pat00011
2)에 비례하여 산출할 수 있다.
또한 우울증추론모델#3에 대한 코사인 유사도(cos
Figure 112022018780619-pat00012
3)가 0.05로 산출되는 경우, 우울증추론모델#3이 도출한 우울증 예측정보(X3)에 0.05에 비례하는 가중치를 부여하여 가중치가 부여된 우울증 예측정보(Y3)을 도출할 수 있다. 우울증추론모델#3에 대한 신뢰도는 코사인 유사도(cos
Figure 112022018780619-pat00013
3)에 비례하여 산출할 수 있다.
우울증예측정보산출부(14)는 가중치가 부여된 우울증 예측정보(Y1, Y2, 및 Y3)를 가중평균하여 최종우울증 예측정보를 산출할 수 있다.
구체적으로 최종우울증 예측정보는 ((Y1
Figure 112022018780619-pat00014
cos
Figure 112022018780619-pat00015
1) + (Y2
Figure 112022018780619-pat00016
cos
Figure 112022018780619-pat00017
2) + (Y3
Figure 112022018780619-pat00018
cos
Figure 112022018780619-pat00019
3)) / (cos
Figure 112022018780619-pat00020
1 + cos
Figure 112022018780619-pat00021
2 + cos
Figure 112022018780619-pat00022
3) 와 같은 방식으로 산출될 수 있다.
본 발명의 다른 실시예서는, 코사인 유사도가 가장 높은 우울증 예측정보에 가중치를 부여할 수 있다. 구체적으로 도 9의 (b) 및 (c)에서, 우울증추론모델#1에 대한 코사인 유사도(cos
Figure 112022018780619-pat00023
1)가 가장 높은 경우, 해당 우울증추론모델#1이 도출한 우울증 예측정보(X1)에 가중치를 부여하여, 가중치가 부여된 우울증 예측정보(Y1)(미도시)를 산출할 수 있다.
우울증예측정보산출부(14)는 가중치가 부여된 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출할 수 있다. 구체적으로 도 9의 (c)의 경우, 최종우울증 예측정보는 (Y1+X2+X3)/3으로 결정될 수 있다.
결과적으로 최종우울증 예측정보 및 우울증추론모델(13)에 대한 신뢰도는 복수의 우울증추론모델(13)에 의해 도출된 우울증 예측정보가 반영된 정보로서 신뢰성 있는 결과값으로 산출될 수 있다.
한편, 본원 발명의 인공지능 시스템은 상기와 같이 도출된 우울증추론모델(13) 각각에 대한 신뢰도에 기초하여 우울증추론모델(13)을 업데이트할 수 있다. 구체적으로 신뢰도가 가장 낮은 우울증추론모델(13) 또는 기설정된 기준 이하인 우울증추론모델(13)을 업데이트하여 인공지능 시스템의 성능을 향상시킬 수 있다.
바람직하게는 업데이트하고자 하는 우울증추론모델(13)을 구성하는 분류모델(132)의 레이어를 다르게 구성하여 기존 방식과 상이한 방법으로 우울증 예측정보를 추론하도록 할 수 있다.
본 발명의 일 실시예에 따르면 우울증 발병여부가 결정되지 않은 환자의 뇌파 검사 데이터에 기초하여 환자에 대한 우울증 발병여부 및 우울증이 발병된 경우 우울증 증상정도에 대한 정보를 도출하여 제공할 수 있다.
본 발명의 일 실시예에 따르면 뇌파 검사 데이터를 분석하는 뇌파분석모델은 다수의 학습대상환자의 뇌파 검사 데이터에 의해 학습되어 뇌파분석모델의 신뢰성을 향상할 수 있다.
본 발명의 일 실시예에 따르면 환자의 뇌파 검사 데이터에 대한 우울증 예측정보를 도출하는 우울증추론모델은 학습된 뇌파분석모델의 일부 구성요소를 활용하여 구성함으로써 우울증 예측정보 추론과정의 신뢰성을 향상할 수 있다.
본 발명의 일 실시예에 따르면 복수의 우울증추론모델에 의해 뇌파 검사 데이터에 대한 우울증 예측정보를 도출함으로써 우울증 예측정보 추론과정의 신뢰성을 향상할 수 있다.
본 발명의 일 실시예에 따르면 환자의 뇌파 검사 데이터에 대한 우울증 예측정보를 도출하는 우울증추론모델 각각에 대한 신뢰도를 산출할 수 있다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (12)

  1. 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템으로서,
    우울증 예측정보를 생성하고자 하는 추론대상환자의 뇌파 검사 데이터를 수신하는 데이터수신부;
    우울증 발병에 대한 라벨링정보가 부여되지 않은 제1학습대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델; 및
    상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제2인코더; 및 상기 제2인코더에 의해 생성된 특징 정보에 기초하여, 우울증 예측정보를 생성하고자 하는 상기 추론대상환자의 우울증 예측정보를 출력하도록 학습된 인공신경망을 포함하는 분류모델;을 포함하는 우울증추론모델;을 포함하고,
    상기 뇌파분석모델은, 우울증 발병에 대한 라벨링정보가 부여되지 않은 복수의 제1학습대상환자의 뇌파 검사 데이터에 기초하여 상기 뇌파분석모델을 학습시키는 뇌파분석모델학습단계;에 의하여 학습되고,
    상기 우울증추론모델은, 우울증 발병에 대한 라벨링정보가 부여된 복수의 제2학습대상환자의 뇌파 검사 데이터 및 라벨링정보에 기초하여 상기 우울증추론모델을 학습시키는 우울증추론모델학습단계;에 의하여 학습되고,
    상기 데이터수신부는, 우울증 발병여부가 결정되지 않은 상기 추론대상환자의 뇌파 검사 데이터를 수신하는 뇌파데이터수신단계;를 수행하고,
    상기 우울증추론모델은, 상기 추론대상환자의 뇌파 검사 데이터로부터 상기 추론대상환자에 대한 우울증 예측정보를 추론하는 우울증추론단계;를 수행하는, 인공지능 시스템.
  2. 청구항 1에 있어서,
    상기 뇌파 검사 데이터는,
    환자 두부에 전극이 부착되어 전극이 부착된 복수의 위치 각각에서 측정된, 시간에 따른 전압값에 대한 정보인, 인공지능 시스템.
  3. 청구항 1에 있어서,
    상기 라벨링정보는,
    상기 제2학습대상환자의 뇌파 검사 데이터에 대하여 상기 제2학습대상환자가 우울증을 앓고 있는 여부에 따라 긍정 또는 부정의 형태로 라벨링된 정보이거나,
    상기 제2학습대상환자의 뇌파 검사 데이터에 대하여 상기 제2학습대상환자가 우울증을 앓고 있는 경우, 우울증 증상 정도에 비례하여 라벨링된 정보인, 인공지능 시스템.
  4. 청구항 1에 있어서,
    상기 제1인코더는,
    상기 제1학습대상환자의 뇌파 검사 데이터로부터 특징 정보를 생성하기 위한 복수의 인코더레이어를 포함하고,
    상기 디코더는,
    상기 제1인코더를 구성하는 각각의 인코더레이어와 역순으로 대칭된 형태의 복수의 디코더레이어를 포함하는, 인공지능 시스템.
  5. 청구항 4에 있어서,
    상기 뇌파분석모델은,
    상기 인코더레이어와 상기 디코더레이어가 상호 대응되게 하여, 상기 제1인코더의 출력값인 특징 정보가 상기 디코더의 입력값이 되도록 하고, 상기 디코더의 출력값이 상기 제1인코더의 입력값인 뇌파 검사 데이터와 유사하게 복원하도록 학습되는, 인공지능 시스템.
  6. 청구항 1에 있어서,
    상기 우울증추론단계는,
    상기 제2인코더에 의해 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 상기 추론대상환자의 뇌파 검사 데이터에 대한 특징 정보를 생성하고, 상기 분류모델에 의해 상기 특징 정보에 기초하여 상기 추론대상환자가 우울증을 앓고 있는 여부에 따라 긍정 또는 부정의 형태로 우울증 예측정보를 추론하거나, 상기 추론대상환자가 우울증을 앓고 있는 경우, 우울증 증상 정도에 비례하여 우울증 예측정보를 추론하는, 인공지능 시스템.
  7. 청구항 1에 있어서,
    상기 인공지능 시스템은 3 이상의 우울증추론모델을 포함하고,
    상기 3 이상의 우울증추론모델 각각을 구성하는 상기 제2인코더는 동일하게 구성하되, 상기 3 이상의 우울증추론모델 각각을 구성하는 상기 분류모델의 레이어는 상이하게 구성하여, 상기 3 이상의 우울증추론모델 각각이 상이한 방식으로 상기 추론대상환자에 대한 우울증 예측정보를 추론하는, 인공지능 시스템.
  8. 청구항 7에 있어서,
    상기 인공지능 시스템은,
    복수의 우울증추론모델 각각에 의해 도출된 우울증 예측정보를 평균하여, 상기 추론대상환자에 대한 최종우울증 예측정보를 도출하는 우울증예측정보산출부;를 포함하는, 인공지능 시스템.
  9. 청구항 8에 있어서,
    상기 우울증예측정보산출부는,
    상기 우울증추론모델 각각에 의해 도출된 복수의 우울증 예측정보를 종합하여 우울증 예측정보의 평균값(Avg)을 산출하는 단계;
    상기 우울증 예측정보의 평균값과 상기 복수의 우울증 예측정보 각각에 대하여 하기의 [식 1] 로 결정되는 코사인 유사도(Cosine Similarity)를 산출하는 단계;
    상기 코사인 유사도에 기초하여 상기 우울증 예측정보에 가중치를 부여하여, 가중치가 부여된 상기 우울증 예측정보를 평균하여 최종우울증 예측정보를 산출하는 단계;를 수행하는, 인공지능 시스템.
    [식 1]
    Figure 112022018780619-pat00024

    (X는 우울증추론모델 각각에 의해 도출된 우울증 예측정보이고, Avg는 우울증 예측정보의 평균값이다)
  10. 청구항 9에 있어서,
    상기 우울증예측정보산출부는,
    상기 코사인 유사도에 기초하여 결정된 상기 가중치에 비례하여 상기 복수의 우울증추론모델 각각에 대한 신뢰도를 결정하는 신뢰도산출단계를 수행하는, 인공지능 시스템.
  11. 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템에서 수행되는, 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 방법으로서,
    상기 인공지능 시스템은,
    우울증 예측정보를 생성하고자 하는 추론대상환자의 뇌파 검사 데이터를 수신하는 데이터수신부;
    우울증 발병에 대한 라벨링정보가 부여되지 않은 제1학습대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델; 및
    상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제2인코더; 및 상기 제2인코더에 의해 생성된 특징 정보에 기초하여, 우울증 예측정보를 생성하고자 하는 상기 추론대상환자의 우울증 예측정보를 출력하도록 학습된 인공신경망을 포함하는 분류모델;을 포함하는 우울증추론모델;을 포함하고,
    상기 우울증 예측정보를 제공하는 방법은,
    상기 뇌파분석모델에 의하여, 우울증 발병에 대한 라벨링정보가 부여되지 않은 복수의 제1학습대상환자의 뇌파 검사 데이터에 기초하여 상기 뇌파분석모델을 학습시키는 뇌파분석모델학습단계;
    상기 우울증추론모델에 의하여, 우울증 발병에 대한 라벨링정보가 부여된 복수의 제2학습대상환자의 뇌파 검사 데이터 및 라벨링정보에 기초하여 상기 우울증추론모델을 학습시키는 우울증추론모델학습단계;
    상기 데이터수신부에 의하여, 우울증 발병여부가 결정되지 않은 상기 추론대상환자의 뇌파 검사 데이터를 수신하는 뇌파데이터수신단계; 및
    상기 우울증추론모델에 의하여, 상기 추론대상환자의 뇌파 검사 데이터로부터 상기 추론대상환자에 대한 우울증 예측정보를 추론하는 우울증추론단계;를 수행하는, 우울증 예측정보를 제공하는 방법.
  12. 1 이상의 프로세스 및 1 이상의 메모리를 갖는 컴퓨팅장치에서 수행되는 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템을 구현하기 위한 컴퓨터-판독가능 매체로서,
    상기 인공지능 시스템은,
    우울증 예측정보를 생성하고자 하는 추론대상환자의 뇌파 검사 데이터를 수신하는 데이터수신부;
    우울증 발병에 대한 라벨링정보가 부여되지 않은 제1학습대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델; 및
    상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로 상기 추론대상환자의 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제2인코더; 및 상기 제2인코더에 의해 생성된 특징 정보에 기초하여, 우울증 예측정보를 생성하고자 하는 상기 추론대상환자의 우울증 예측정보를 출력하도록 학습된 인공신경망을 포함하는 분류모델;을 포함하는 우울증추론모델;을 포함하고,
    상기 컴퓨터-판독가능 매체는, 컴퓨팅장치로 하여금 이하의 단계들을 수행하도록 하는 명령들을 저장하며, 상기 이하의 단계들은,
    상기 뇌파분석모델에 의하여 수행되는, 우울증 발병에 대한 라벨링정보가 부여되지 않은 복수의 제1학습대상환자의 뇌파 검사 데이터에 기초하여 상기 뇌파분석모델을 학습시키는 뇌파분석모델학습단계;
    상기 우울증추론모델에 의하여 수행되는, 우울증 발병에 대한 라벨링정보가 부여된 복수의 제2학습대상환자의 뇌파 검사 데이터 및 라벨링정보에 기초하여 상기 우울증추론모델을 학습시키는 우울증추론모델학습단계;
    상기 데이터수신부에 의하여 수행되는, 우울증 발병여부가 결정되지 않은 상기 추론대상환자의 뇌파 검사 데이터를 수신하는 뇌파데이터수신단계; 및
    상기 우울증추론모델에 의하여 수행되는, 상기 추론대상환자의 뇌파 검사 데이터로부터 상기 추론대상환자에 대한 우울증 예측정보를 추론하는 우울증추론단계;를 포함하는, 컴퓨터-판독가능매체.

KR1020220021839A 2022-02-21 2022-02-21 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템 KR102423483B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220021839A KR102423483B1 (ko) 2022-02-21 2022-02-21 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220021839A KR102423483B1 (ko) 2022-02-21 2022-02-21 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템

Publications (1)

Publication Number Publication Date
KR102423483B1 true KR102423483B1 (ko) 2022-07-21

Family

ID=82610245

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220021839A KR102423483B1 (ko) 2022-02-21 2022-02-21 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템

Country Status (1)

Country Link
KR (1) KR102423483B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102555139B1 (ko) * 2023-02-06 2023-07-12 인천대학교 산학협력단 비전 트랜스포머 모델에 기초하여 뇌파 스펙트로그램 이미지에 대한 정상 여부 판단을 수행하는 전자 장치 및 그 동작 방법
CN116570289A (zh) * 2023-07-11 2023-08-11 北京视友科技有限责任公司 一种基于便携式脑电的抑郁状态评估系统
KR102670189B1 (ko) 2023-12-18 2024-05-29 스타라이크 주식회사 리듬게임을 이용한 ai 기반의 디지털 치료제를 제공하기 위한 운영 서버 및 그 동작 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102236791B1 (ko) * 2019-11-29 2021-04-06 서울대학교병원 뇌파 분석 기반 환자진단 지원 시스템 및 방법
KR20210048285A (ko) * 2019-10-23 2021-05-03 인제대학교 산학협력단 정신 장애에 대한 정보 제공 방법 및 이를 이용한 정신 장애에 대한 정보 제공용 디바이스
KR20210119081A (ko) * 2020-03-24 2021-10-05 비웨이브 주식회사 주요 우울증에 대한 정보 제공 방법 및 이를 이용한 주요 우울증에 대한 정보 제공용 디바이스

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210048285A (ko) * 2019-10-23 2021-05-03 인제대학교 산학협력단 정신 장애에 대한 정보 제공 방법 및 이를 이용한 정신 장애에 대한 정보 제공용 디바이스
KR102236791B1 (ko) * 2019-11-29 2021-04-06 서울대학교병원 뇌파 분석 기반 환자진단 지원 시스템 및 방법
KR20210119081A (ko) * 2020-03-24 2021-10-05 비웨이브 주식회사 주요 우울증에 대한 정보 제공 방법 및 이를 이용한 주요 우울증에 대한 정보 제공용 디바이스

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102555139B1 (ko) * 2023-02-06 2023-07-12 인천대학교 산학협력단 비전 트랜스포머 모델에 기초하여 뇌파 스펙트로그램 이미지에 대한 정상 여부 판단을 수행하는 전자 장치 및 그 동작 방법
CN116570289A (zh) * 2023-07-11 2023-08-11 北京视友科技有限责任公司 一种基于便携式脑电的抑郁状态评估系统
KR102670189B1 (ko) 2023-12-18 2024-05-29 스타라이크 주식회사 리듬게임을 이용한 ai 기반의 디지털 치료제를 제공하기 위한 운영 서버 및 그 동작 방법

Similar Documents

Publication Publication Date Title
KR102423483B1 (ko) 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템
AU2022201530B2 (en) Apparatus, systems and methods for predicting, screening and monitoring of encephalopathy/delirium
US20230181077A1 (en) Machine differentiation of abnormalities in bioelectromagnetic fields
US20200260977A1 (en) Method for diagnosing cognitive disorder, and computer program
KR102197112B1 (ko) 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법
KR102208759B1 (ko) 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법
US20220093215A1 (en) Discovering genomes to use in machine learning techniques
US10602940B1 (en) Systems, devices, software, and methods for diagnosis of cardiac ischemia and coronary artery disease
CN108597621B (zh) 基于中医理论的健康状态监控装置、系统及方法
EP4272645A1 (en) Method and apparatus for converting electrical biosignal data into numerical vectors, and method and apparatus for analyzing disease by using same
Pal et al. Deep learning techniques for prediction and diagnosis of diabetes mellitus
US20210353203A1 (en) Diagnostics for detection of ischemic heart disease
Gökçay et al. Binary classification using neural and clinical features: an application in fibromyalgia with likelihood-based decision level fusion
CN114343585A (zh) 认知和行为障碍的预警方法、装置、设备及存储介质
KR102208760B1 (ko) 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법
US11547346B2 (en) Method, server, and computer program for classifying severe cognitive impairment patients by analyzing EEG data
Luo et al. Exploring adaptive graph topologies and temporal graph networks for EEG-based depression detection
JP2022519971A (ja) 心臓の虚血および冠動脈疾患を診断するためのシステム、装置、ソフトウェア、および方法
KR102461646B1 (ko) 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법
JPH05277119A (ja) 癌診断装置
US20240212843A1 (en) Method and apparatus for converting electrical biosignal data into numerical vectors, and method and apparatus for analyzing disease by using same
EP4335370A1 (en) Apparatus for generating a score that is indicative for a cognitive condition like attention deficit hyperactivity disorder
Su et al. An Automatic Sleep Arousal Detection Method by Enhancing U-Net with Spatial-channel Attention
CN115251889B (zh) 一种功能磁共振影像动态连接网络特征描述方法
Bhattacharya et al. Detection of Psychological Trauma in Refugee Children by Analysis of Drawings using Machine Learning

Legal Events

Date Code Title Description
GRNT Written decision to grant