KR102461646B1 - 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법 - Google Patents
뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법 Download PDFInfo
- Publication number
- KR102461646B1 KR102461646B1 KR1020220031765A KR20220031765A KR102461646B1 KR 102461646 B1 KR102461646 B1 KR 102461646B1 KR 1020220031765 A KR1020220031765 A KR 1020220031765A KR 20220031765 A KR20220031765 A KR 20220031765A KR 102461646 B1 KR102461646 B1 KR 102461646B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- eeg
- depression
- encoder
- augmented
- Prior art date
Links
Images
Classifications
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- 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
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Abstract
본 발명은 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법으로서, 우울증에 대한 정보가 부여되지 않은 다수의 뇌파 검사 데이터로 뇌파분석모델을 학습시키고, 상기 뇌파분석모델과 유사한 구조를 갖는 데이터증강모델을 구현함으로써 입력 받은 목표 뇌파 검사 데이터와 유사한 특성을 갖는 다수의 증강데이터를 생성하여, 환자의 뇌파 검사 데이터에 기초한 우울증 추론과정에서의 정확성 및 효율성을 향상할 수 있는, 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법에 관한 것이다.
Description
본 발명은 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법으로서, 우울증에 대한 정보가 부여되지 않은 다수의 뇌파 검사 데이터로 뇌파분석모델을 학습시키고, 상기 뇌파분석모델과 유사한 구조를 갖는 데이터증강모델을 구현함으로써 입력 받은 목표 뇌파 검사 데이터와 유사한 특성을 갖는 다수의 증강데이터를 생성하여, 환자의 뇌파 검사 데이터에 기초한 우울증 추론과정에서의 정확성 및 효율성을 향상할 수 있는, 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법에 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 부여되지 않은 뇌파 검사 데이터와 유사한 특성을 갖는 다수의 증강데이터를 생성하고, 생성된 증강데이터에 의해 인공지능 학습모델을 학습시켜, 우울증 발병여부 추론과정에서의 정확성, 및 신뢰성을 확보할 수 있는 방법 및 시스템에 대한 필요성이 대두되고 있다.
본 발명은 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법으로서, 우울증에 대한 정보가 부여되지 않은 다수의 뇌파 검사 데이터로 뇌파분석모델을 학습시키고, 상기 뇌파분석모델과 유사한 구조를 갖는 데이터증강모델을 구현함으로써 입력 받은 목표 뇌파 검사 데이터와 유사한 특성을 갖는 다수의 증강데이터를 생성하여, 환자의 뇌파 검사 데이터에 기초한 우울증 추론과정에서의 정확성 및 효율성을 향상할 수 있는, 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법을 제공하는 것을 목적으로 한다.
상기와 같은 과제를 해결하기 위하여, 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법으로서, 학습용 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 상기 학습용 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델에 의하여, 상기 학습용 뇌파 검사 데이터를 입력받아 학습하는 뇌파분석모델학습단계; 상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로, 복수의 목표 뇌파 검사 데이터를 입력받아 상기 목표 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제3인코더; 상기 제3인코더에 의해 생성된 복수의 특징정보간의 유사도에 기초하여 샘플특징정보를 생성하는 샘플러; 및 상기 뇌파분석모델의 학습된 디코더와 동일한 형태로, 상기 샘플러에 의해 생성된 샘플특징정보에 기초하여 상기 제3인코더에 입력된 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성하도록 학습된 인공신경망을 포함하는 제3디코더;를 포함하는, 데이터증강모델에 의하여, 목표 뇌파 검사 데이터와 유사한 복수의 증강데이터를 생성하는 데이터증강단계; 및 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별하는 데이터선별단계;를 포함하는, 전이 학습 기반의 증강데이터 생성방법을 제공한다.
본 발명의 일 실시예에서는, 상기 뇌파 검사 데이터는, 환자 두부에 전극이 부착되어 전극이 부착된 복수의 위치 각각에서 측정된 시간에 따른 전압값에 대한 정보이고, 상기 전이 학습 기반의 증강데이터 생성방법은, 상기 뇌파 검사 데이터를 정규화하고, 주성분분석(Principal Component Analysis, PCA) 및 독립성분분석(Independent Component Analysis, ICA) 알고리즘에 기초하여 뇌파 검사 데이터의 노이즈를 제거하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 뇌파분석모델은, 우울증 발병에 대한 라벨링정보가 부여되지 않은 환자의 뇌파 검사 데이터에 의해 학습될 수 있다.
본 발명의 일 실시예에서는, 상기 데이터증강모델은, 상기 학습용 뇌파 검사 데이터에 의해 학습된 상기 뇌파분석모델의 제1인코더와 동일한 가중치(Weight)를 갖는 제3인코더; 및 상기 학습용 뇌파 검사 데이터에 의해 학습된 상기 뇌파분석모델의 제1디코더와 동일한 가중치를 갖는 제3디코더;를 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 데이터증강모델은, 환자의 뇌파 검사 데이터에 대한 라벨링정보가 우울증을 앓고 있는 여부에 따라 긍정으로 라벨링되어, 우울증을 앓고 있는 환자의 뇌파 검사데이터와 유사한 증강데이터를 생성하는 제1데이터증강모델; 및 상기 환자의 뇌파 검사 데이터에 대한 라벨링정보가 우울증을 앓고 있는 여부에 따라 부정으로 라벨링되어, 우울증을 앓고 있지 않은 환자의 뇌파 검사데이터와 유사한 증강데이터를 생성하는 제2데이터증강모델;을 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 데이터증강단계는, 상기 제3인코더에 입력된 복수의 뇌파 검사 데이터 각각에 대해 생성된 특징정보와 동일한 샘플특징정보에 기초하여 상기 제3인코더에 입력된 뇌파 검사 데이터와 유사한 증강데이터를 생성할 수 있다.
본 발명의 일 실시예에서는, 상기 데이터증강단계는, 상기 제3인코더에 입력된 복수의 뇌파 검사 데이터 각각에 대해 생성된 특징정보에 대하여, 하기의 [식 1]로 결정되는 샘플특징정보에 기초하여, 상기 제3인코더에 입력된 뇌파 검사 데이터와 유사한 증강 데이터를 생성할 수 있다.
[식 1]
(
는 디코더에 의해 생성된 샘플특징정보, 
는 복수의 특징정보에 대한 평균값, 
는 복수의 특징정보에 대한 표준편차, 
는 임의의 상수)
본 발명의 일 실시예에서는, 상기 데이터증강단계는, 상기 제3인코더에 입력된 복수의 뇌파 검사 데이터 각각에 대해 생성된 특징정보에 대하여, 하기의 [식 2]로 결정되는 샘플특징정보에 기초하여, 상기 제3인코더에 입력된 뇌파 검사 데이터와 유사한 증강 데이터를 생성할 수 있다.
[식 2]
(
는 디코더에 의해 생성된 샘플특징정보, 
는 복수의 특징정보에 대한 최솟값, 
는 복수의 특징정보에 대한 최댓값, 
는 임의의 상수)
본 발명의 일 실시예에서는, 상기 데이터선별단계는, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별하는 단계;를 포함할 수 있다.
본 발명의 일 실시예에서는, 상기 데이터선별단계는, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터에 대한 동적 시간 접합(Dynamic Time Warping) 알고리즘을 수행하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유사도가 기설정된 제2기준 이상인 증강데이터를 선별하는 단계;를 포함할 수 있다.
상기와 같은 과제를 해결하기 위하여, 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성시스템으로서, 학습용 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 상기 학습용 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델을 포함하고, 상기 뇌파분석모델에 의하여 상기 학습용 뇌파 검사 데이터를 입력받아 학습하는 뇌파분석모델학습부; 상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로, 복수의 목표 뇌파 검사 데이터를 입력받아 상기 목표 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제3인코더; 상기 제3인코더에 의해 생성된 복수의 특징정보간의 유사도에 기초하여 샘플특징정보를 생성하는 샘플러; 및 상기 뇌파분석모델의 학습된 디코더와 동일한 형태로, 상기 샘플러에 의해 생성된 샘플특징정보에 기초하여 상기 제3인코더에 입력된 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성하도록 학습된 인공신경망을 포함하는 제3디코더;를 포함하는, 데이터증강모델을 포함하고, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별하는 상기 데이터선별부;를 포함하는, 전이 학습 기반의 증강데이터 생성시스템을 제공한다.
상기와 같은 과제를 해결하기 위하여, 1 이상의 프로세서 및 1 이상의 메모리를 갖는 컴퓨팅장치에서 수행되는 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법을 구현하기 위한 컴퓨터-판독가능매체로서, 상기 컴퓨터-판독가능매체는 이하의 단계들을 수행하도록 하는 명령들을 저장하며, 상기 이하의 단계들은, 학습용 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 상기 학습용 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델에 의하여, 상기 학습용 뇌파 검사 데이터를 입력받아 학습하는 뇌파분석모델학습단계; 상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로, 복수의 목표 뇌파 검사 데이터를 입력받아 상기 목표 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제3인코더; 상기 제3인코더에 의해 생성된 복수의 특징정보간의 유사도에 기초하여 샘플특징정보를 생성하는 샘플러; 및 상기 뇌파분석모델의 학습된 디코더와 동일한 형태로, 상기 샘플러에 의해 생성된 샘플특징정보에 기초하여 상기 제3인코더에 입력된 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성하도록 학습된 인공신경망을 포함하는 제3디코더;를 포함하는, 데이터증강모델에 의하여, 목표 뇌파 검사 데이터와 유사한 복수의 증강데이터를 생성하는 데이터증강단계; 및 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별하는 데이터선별단계;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.
본 발명의 일 실시예에 따르면 우울증발병에 대한 정보가 라벨링된 목표 뇌파 검사 데이터와 동일한 라벨링정보를 갖는 다수의 증강데이터를 생성할 수 있다.
본 발명의 일 실시예에 따르면 특징정보에 대한 평균값 및 표준편차에 기초하여 유사도를 산출하여, 특징정보와 유사한 샘플특징정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 특징정보에 대한 최댓값 및 최솟값에 기초하여 유사도를 산출하여, 특징정보와 유사한 샘플특징정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 증강데이터와 목표 뇌파 검사 데이터간의 유클리드 거리에 기초한 유사도를 산출하여 증강데이터를 선별할 수 있다.
본 발명의 일 실시예에 따르면 증강데이터와 목표 뇌파 검사 데이터에 대한 동적 시간 접합 알고리즘을 수행한 후, 증강데이터와 목표 뇌파 검사 데이터간의 유사도를 산출하여 증강데이터를 선별할 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.
도 10은 본 발명의 일 실시예에 따른 증강데이터 생성시스템의 구성요소를 도시한다.
도 11은 본 발명의 일 실시예에 따른 환자의 두피에 전극이 부착되어 뇌파 검사 데이터가 측정되는 일례를 도시한 것이다.
도 12는 본 발명의 일 실시예에 따른 증강데이터 생성시스템의 수행단계를 도시한 것이다.
도 13은 본 발명의 일 실시예에 따른 데이터증강모델의 구조 및 데이터증강모델에 의해 증강데이터가 생성되는 단계를 도시한 것이다.
도 14는 본 발명의 일 실시예에 따른 복수의 목표 뇌파 검사 데이터에 대한 증강데이터를 생성하는 단계를 도시한 것이다.
도 15는 본 발명의 일 실시예에 따른 복수의 목표 뇌파 검사 데이터 각각에 대한 특징정보의 유사도에 기초하여 샘플특징정보를 생성하는 단계를 도시한 것이다.
도 16은 본 발명의 일 실시예에 따른 특징정보로부터 샘플특징정보를 생성하는 일례를 도시한 것이다.
도 17은 본 발명의 일 실시예에 따른 특징정보로부터 샘플특징정보를 생성하는 일례를 도시한 것이다.
도 18은 본 발명의 일 실시예에 따른 데이터증강모델에 의해 생성된 증강데이터와 목표 뇌파 검사 데이터간의 유사도에 기초하여 데이터를 선별하는 단계를 도시한 것이다.
도 19는 본 발명의 일 실시예에 따른 증강데이터와 목표 뇌파 검사 데이터간의 유사도에 기초하여 데이터를 선별하는 일례를 도시한 것이다.
도 20은 본 발명의 일 실시예에 따른 데이터증강모델의 일례를 도시한 것이다.
도 21은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 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.
도 10은 본 발명의 일 실시예에 따른 증강데이터 생성시스템의 구성요소를 도시한다.
도 11은 본 발명의 일 실시예에 따른 환자의 두피에 전극이 부착되어 뇌파 검사 데이터가 측정되는 일례를 도시한 것이다.
도 12는 본 발명의 일 실시예에 따른 증강데이터 생성시스템의 수행단계를 도시한 것이다.
도 13은 본 발명의 일 실시예에 따른 데이터증강모델의 구조 및 데이터증강모델에 의해 증강데이터가 생성되는 단계를 도시한 것이다.
도 14는 본 발명의 일 실시예에 따른 복수의 목표 뇌파 검사 데이터에 대한 증강데이터를 생성하는 단계를 도시한 것이다.
도 15는 본 발명의 일 실시예에 따른 복수의 목표 뇌파 검사 데이터 각각에 대한 특징정보의 유사도에 기초하여 샘플특징정보를 생성하는 단계를 도시한 것이다.
도 16은 본 발명의 일 실시예에 따른 특징정보로부터 샘플특징정보를 생성하는 일례를 도시한 것이다.
도 17은 본 발명의 일 실시예에 따른 특징정보로부터 샘플특징정보를 생성하는 일례를 도시한 것이다.
도 18은 본 발명의 일 실시예에 따른 데이터증강모델에 의해 생성된 증강데이터와 목표 뇌파 검사 데이터간의 유사도에 기초하여 데이터를 선별하는 단계를 도시한 것이다.
도 19는 본 발명의 일 실시예에 따른 증강데이터와 목표 뇌파 검사 데이터간의 유사도에 기초하여 데이터를 선별하는 일례를 도시한 것이다.
도 20은 본 발명의 일 실시예에 따른 데이터증강모델의 일례를 도시한 것이다.
도 21은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 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.
1. 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템
본원 발명의 상세한 설명에 앞서 “뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템”에 대해 설명하도록 한다. 구체적으로 이하의 인공지능 시스템이란 환자의 뇌파 검사 데이터에 기초하여 우울증 발병여부 및 우울증 증상정도에 대한 예측정보를 추론할 수 있는 인공지능 기반의 학습모델을 의미한다.
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]
(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
1)를 산출하였다.
마찬가지로 우울증예측정보산출부(14)는 상기 평균값과 우울증추론모델#3에 의해 도출된 우울증 예측정보(X3)간의 코사인 유사도(cos
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
1, cos
2, 및 cos
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
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
1)에 비례하여 산출할 수 있다.
또한 우울증추론모델#2에 대한 코사인 유사도(cos
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
2)에 비례하여 산출할 수 있다.
또한 우울증추론모델#3에 대한 코사인 유사도(cos
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
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 
cos
1) + (Y2 
cos
2) + (Y3 
cos
3)) / (cos
1 + cos
2 + cos
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
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.
2. 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법
본원 발명의 증강데이터 생성방법 및 시스템은 상술한 “1. 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템”에 포함되는 형태로 구현될 수 있다. 이하의 증강데이터 생성시스템이란 본원 발명을 구현하기 위한 인공지능 시스템을 의미한다.
또한, 이하에서는 뇌파분석모델(12)이 학습을 수행하는 '제1학습대상환자의 뇌파 검사데이터'를 '학습용 뇌파검사데이터'로, 뇌파분석모델(12)의 '디코더'를 '제1디코더(122)'로 명칭한다.
도 10은 본 발명의 일 실시예에 따른 증강데이터 생성시스템의 구성요소를 도시한다.
도 10에 도시된 바와 같이 본원 발명의 증강데이터 생성시스템은 “1. 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템”의 구성요소에 데이터증강모델(15) 및 데이터선별부(16)를 포함하는 형태로 구성될 수 있다.
상술한 바와 같이 “1.뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템”은 우울증에 대한 정보가 부여되지 않은 다수의 뇌파 검사 데이터와 우울증에 대한 정보가 부여된 소수의 뇌파 검사 데이터에 의해 학습되어, 환자의 뇌파 검사 데이터에 대한 우울증 예측정보를 생성할 수 있다.
이러한 구성을 갖는 인공지능 시스템은 우울증에 대한 정보가 부여된 소수의 뇌파 검사 데이터만으로도 환자의 뇌파 검사 데이터에 대한 우울증 예측정보를 추론할 수 있는 효과를 발휘할 수 있다.
그러나, 이러한 기대에도 불구하고 인공지능 시스템이 더 많은 학습데이터(뇌파 검사 데이터)에 의해 학습될수록, 우울증 예측정보 추론과정의 정확성 및 효율성이 향상될 것이 자명할 것이다.
본원 발명의 증강데이터 생성시스템은 목표 뇌파 검사 데이터와 유사한 증강데이터를 다수 생성하고 이에 기초하여 인공지능 시스템을 학습시킴으로써, 우울증 예측정보 추론과정의 정확성 및 효율성을 더욱 향상할 수 있다. 구체적으로 뇌파분석모델(12), 우울증 추론모델(13), 및 데이터증강모델(15)은 모두 딥러닝 기반 인공지능 학습모델로서 환자의 뇌파 검사 데이터에 의해 학습되어, 우울증 추론과정에서의 정확성 및 효율성을 향상할 수 있다.
한편, 본 발명의 일 실시예에서 데이터선별부(16)는 데이터증강모델(15)에 포함되는 형태로 구성될 수 있다.
도 11은 본 발명의 일 실시예에 따른 환자의 두피에 전극이 부착되어 뇌파 검사 데이터가 측정되는 일례를 도시한 것이다.
도 11에 도시된 바와 같이, 상기 뇌파 검사 데이터는, 환자 두부에 전극이 부착되어 전극이 부착된 복수의 위치 각각에서 측정된 시간에 따른 전압값에 대한 정보이고, 상기 전이 학습 기반의 증강데이터 생성방법은, 상기 뇌파 검사 데이터를 정규화하고, 주성분분석(Principal Component Analysis, PCA) 및 독립성분분석(Independent Component Analysis, ICA) 알고리즘에 기초하여 뇌파 검사 데이터의 노이즈를 제거하는 단계를 더 포함할 수 있다.
구체적으로, 뇌파 검사 데이터는 사용자의 두부에 전극이 부착되어, 전극이 부착된 위치에서 측정된 사용자의 뇌파정보로서, 두부에 부착되어 뇌파를 센싱할 수 있는 전극 형태의 센서에 의해 측정되어 데이터수신부(11)에 의해 유선 또는 무선으로 수신될 수 있다.
한편, 본원 발명의 증강데이터 생성시스템은 데이터전처리부(미도시)를 더 포함하고, 상기 데이터전처리부(미도시)에 의해 뇌파 검사 데이터를 정규화하고, 노이즈를 제거하는 단계가 수행될 수 있다.
구체적으로 뇌파 검사 데이터는 환자의 두부 복수의 위치(채널)에서 측정된 뇌파정보이므로, 데이터전처리부(미도시)는 각각의 위치(채널)에서 측정된 뇌파정보를 정규화할 수 있다. 바람직하게는 뇌파 검사 데이터의 정규화 단계는 최소-최대 정규화(Min-Max Normalization) 및 Z-점수 정규화(Z-Score Normalization) 등의 데이터 정규화 알고리즘에 의해 수행될 수 있다.
또한, 데이터전처리부(미도시)는 뇌파에 영향을 주는 눈의 깜빡임, 근육의 움직임 등의 노이즈 및 이상치 값들을 제거하는 단계를 수행할 수도 있다. 또한, 상기 뇌파정보필터링부(220)는 뇌파정보에서 중요한 정보의 손실을 최소화하고, 효율적으로 뇌파정보를 분석하기 위하여 별도의 특징추출(Feature Extraction) 단계를 수행할 수 있다. 상기 특징추출 단계에서는, 각각의 뇌파정보에 대하여 주성분분석(Principal Component Analysis, PCA) 혹은 독립성분분석(Independent Component Analysis, ICA)을 수행할 수 있다.
또한, 데이터전처리부(미도시)는 뇌파 검사 데이터에 대하여 특정 주파수 대역만을 남기도록 필터링할 수 있다. 구체적으로 데이터전처리부(미도시)는 우울증을 판별하기에 용이한 알파파(Alpha Wave) 혹은 세타파(Theta Wave) 대역을 포함하는 주파수 대역만을 남기도록 필터링할 수 있으며, 이를 위하여 상기 뇌파정보는 푸리에변환(Fourier Transform, FT), 바람직하게는 고속푸리에변환(Fast Fourier Transform, FFT)을 사용하여 주파수 영역으로 변환하고, 특정 주파수 대역만을 남기도록 필터링할 수 있는 주파수 필터를 사용하여 필터링을 수행할 수 있다. 바람직하게 상기 주파수 필터로는 노치 필터를 포함할 수 있다.
이와 같이 데이터전처리부(미도시)는 우울증 예측정보를 추론하기에 적합하도록 뇌파 검사 데이터를 전처리하는 단계를 수행할 수 있다. 한편, 본 발명의 일 실시예서 데이터전처리부(미도시)는 데이터수신부(11)에 포함되는 형태로 구성할 수도 있다.
도 12는 본 발명의 일 실시예에 따른 증강데이터 생성시스템의 수행단계를 도시한 것이다.
도 12에 도시된 바와 같이, 본원 발명의 증강데이터 생성시스템은 학습용 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더(121); 및 상기 특징 정보에 기초하여 상기 제1인코더(121)에 입력된 상기 학습용 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델(12)에 의하여, 상기 학습용 뇌파 검사 데이터를 입력받아 학습하는 뇌파분석모델(12)학습단계; 상기 뇌파분석모델(12)의 학습된 제1인코더(121)와 동일한 형태로, 복수의 목표 뇌파 검사 데이터를 입력받아 상기 목표 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제3인코더(151); 상기 제3인코더(151)에 의해 생성된 복수의 특징정보간의 유사도에 기초하여 샘플특징정보를 생성하는 샘플러(152); 및 상기 뇌파분석모델(12)의 학습된 디코더와 동일한 형태로, 상기 샘플러(152)에 의해 생성된 샘플특징정보에 기초하여 상기 제3인코더(151)에 입력된 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성하도록 학습된 인공신경망을 포함하는 제3디코더(153);를 포함하는, 데이터증강모델(15)에 의하여, 목표 뇌파 검사 데이터와 유사한 복수의 증강데이터를 생성하는 데이터증강단계; 및 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별하는 데이터선별단계;를 수행할 수 있다.
구체적으로 “1.뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템”에서 상술한 바와 같이 뇌파분석모델(12)은 제1인코더(121) 및 제1디코더(122)를 포함하는 형태로 구성되어, 뇌파 검사 데이터를 입력받아 이와 유사한 출력값으로 복원하도록 학습하는 단계(S1 및 S2)를 수행할 수 있고, 이에 대한 상세한 설명은 생략한다.
이어서, 학습이 완료된 뇌파분석모델(12)에 기초하여 데이터증강모델(15)이 업데이트(S30)될 수 있다. 구체적으로 데이터증강모델(15)은 제3인코더(151), 샘플러(152) 및 제3디코더(153)를 포함하는 형태로 구성되고, 상기 제3인코더(151)는 뇌파분석모델(12)의 제1인코더(121)와, 상기 제3디코더(153)는 뇌파분석모델(12)의 제1디코더(122)와 동기화되어 업데이트될 수 있다.
상술한 바와 같이 뇌파분석모델(12)은 다수의 뇌파 검사 데이터, 구체적으로 우울증 발병에 대한 라벨링정보가 부여되지 않은 다수의 뇌파 검사 데이터에 의해 학습이 완료된 상태이므로, 이와 동일한 구성을 갖는 데이터증강모델(15) 또한 뇌파 검사 데이터에 대한 특징정보를 생성하고, 생성된 특징정보에 기초하여 입력된 뇌파 검사 데이터와 유사한 출력값을 복원하는 단계(S50 및 S70)가 동일하게 수행될 수 있다.
이어서, 데이터증강모델(15)은 목표 뇌파 검사 데이터를 수신하는 단계(S40)를 수행할 수 있다. 구체적으로 뇌파분석모델(12)과 같이 데이터증강모델(15)은 유선 및 무선상으로 외부환경과 통신하여 목표 뇌파 검사 데이터를 수신하거나, 데이터수신부(11)로부터 목표 뇌파 검사 데이터를 수신할 수 있다.
또한 상기 목표 뇌파 검사 데이터는 우울증 발병여부에 따라 긍정 또는 부정의 형태로 라벨링된 정보로서, 데이터증강모델(15)은 입력받은 목표 뇌파 검사 데이터와 동일한 라벨링 정보를 갖는 증강데이터를 생성할 수 있다.
이어서, 데이터증강모델(15)은 목표 뇌파 검사 데이터에 대한 특징정보를 생성하는 단계(S50)를 수행할 수 있다. 구체적으로 특징정보를 생성하는 단계는 데이터증강모델(15)의 제3인코더(151)에 의해 수행되고, 상술한 바와 같이 데이터증강모델(15)의 제3인코더(151)는 학습이 완료된 뇌파분석모델(12)의 제1인코더(121)와 동일한 형태 및 가중치를 가지므로, 제1인코더(121)와 동일한 방식으로 목표 뇌파 검사 데이터로부터 특징정보를 생성할 수 있다.
이어서, 데이터증강모델(15)은 생성된 특징정보의 유사도에 기초하여 샘플특징정보를 생성하는 단계(S60)를 수행할 수 있다. 구체적으로 상기 샘플특징정보를 생성하는 단계(S60)는 데이터증강모델(15)의 샘플러(152)에 의해 수행될 수 있다.
본 발명의 일 실시예에서 샘플러(152)는 제3인코더(151)에 의해 생성된 복수의 특징정보와 동일한 샘플특징정보를 생성할 수 있다.
본 발명의 다른 실시예에서 샘플러(152)는 제3인코더(151)에 의해 생성된 복수의 특징정보간의 유사도에 기초하여 샘플특징정보를 생성할 수 있다. 구체적으로 샘플러(152)는 복수의 특징정보간의 평균, 분산, 표준편차, 최댓값, 최솟값 등을 산출하여, 산출된 값에 기초하여 복수의 특징정보와 유사한 샘플특징정보를 생성할 수 있다. 바람직하게는 샘플특징정보는 제3인코더(151)에 의해 생성된 특징정보보다 많은 수로 생성될 수 있다.
이어서, 데이터증강모델(15)은 생성된 샘플특징정보에 기초하여 증강데이터를 생성하는 단계(70)를 수행할 수 있다. 구체적으로 증강데이터를 생성하는 단계는 데이터증강모델(15)의 제3디코더(153)에 의해 수행되고, 상술한 바와 같이 데이터증강모델(15)의 제3디코더(153)는 학습이 완료된 뇌파분석모델(12)의 제1디코더(122)와 동일한 형태 및 가중치를 가지므로, 제1디코더(122)와 동일한 방식으로 샘플특징정보로부터 증강데이터를 생성할 수 있다. 바람직하게는 증강데이터는 제3인코더(151)에 입력된 목표 뇌파 검사 데이터와 유사하게 출력될 수 있다.
이어서, 데이터선별부(16)는 생성된 증강데이터와 목표 뇌파 검사 데이터간의 유사도에 기초하여 증강데이터를 선별하는 단계(S80)를 수행할 수 있다. 상술한 바와 같이 데이터선별부(16)가 데이터증강모델(15)에 포함되는 형태로 구성되었을 때, 데이터증강모델(15)에 의해 증강데이터를 선별하는 단계(S80)가 수행될 수 있다.
바람직하게는 데이터선별부(16)는 목표 뇌파 검사 데이터와 증강데이터간의 유클리드 거리(Euclidean distance)를 산출하거나 동적 시간 접합(Dynamic Time Warping) 알고리즘을 수행한 후의 유사도를 산출하여 증강데이터를 선별할 수 있다.
삭제
이하에서는 본원 발명의 증강데이터 생성시스템의 수행단계를 더욱 상세하게 설명한다.
도 13은 본 발명의 일 실시예에 따른 데이터증강모델(15)의 구조 및 데이터증강모델에 의해 증강데이터가 생성되는 단계를 도시한 것이다.
도 13에 도시된 바와 같이, 데이터증강모델(15)은, 상기 학습용 뇌파 검사 데이터에 의해 학습된 상기 뇌파분석모델(12)의 제1인코더(121)와 동일한 가중치(Weight)를 갖는 제3인코더(151); 및 상기 학습용 뇌파 검사 데이터에 의해 학습된 상기 뇌파분석모델(12)의 제1디코더(122)와 동일한 가중치를 갖는 제3디코더(153);를 포함할 수 있다.
구체적으로 뇌파분석모델(12)은 "1. 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템”에서 상술한 바와 같이 복수의 인코더레이어(L1, L2 및 L3)를 갖는 제1인코더(121)와 복수의 디코더레이어(L1.1, L2.1 및 L3.1)를 갖는 제1디코더(122)로 구성되고, 학습용 뇌파 검사 데이터에 의해 학습될 수 있다.
상술한 바와 같이 데이터증강모델(15)의 제3인코더(151)는 뇌파분석모델(12)의 제1인코더(121)와 동일한 구조를 가지므로, 제3인코더(151)는 복수의 인코더레이어(L1, L2 및 L3)로 구성되고, 제3디코더(153)는 복수의 디코더레이어(L1.1, L2.1 및 L3.1)로 구성될 수 있다.
한편, 데이터증강모델(15) 또한 딥러닝 기반 추론모델로서 뇌파 검사 데이터를 학습데이터로 하여 학습될 수 있다. 구체적으로 데이터증강모델(15)은 우울증 발병에 대한 라벨링정보가 부여된 뇌파 검사 데이터에 의해 학습될 수 있다.
상술한 구조를 갖는 데이터증강모델(15)은 제3인코더(151)에 의해 입력받은 목표 뇌파 검사 데이터로부터 특징정보를 생성하고, 샘플러(152)에 의해 상기 특징정보와 유사한 샘플특징정보를 생성하고, 제3디코더(153)에 의해 상기 샘플특징정보에 기초하여 데이터를 복원하는 방식으로 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성할 수 있다.
도 14는 본 발명의 일 실시예에 따른 복수의 목표 뇌파 검사 데이터에 대한 증강데이터를 생성하는 단계 및 도 15는 본 발명의 일 실시예에 따른 복수의 목표 뇌파 검사 데이터 각각에 대한 특징정보의 유사도에 기초하여 샘플특징정보를 생성하는 단계를 도시한 것이다.
도 14 및 15에 도시된 바와 같이 데이터증강모델(15)은 복수의 목표 뇌파 검사 데이터를 수신하여 복수의 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성할 수 있다. 구체적으로 데이터증강모델(15)의 제3인코더(151)는 복수의 뇌파 검사 데이터(#1,#2,#3)를 입력값으로 복수의 뇌파 검사 데이터(#1,#2,#3) 각각에 대한 특징정보(#1,#2,#3)를 생성할 수 있다. 바람직하게는 제3인코더(151)에 입력되는 복수의 뇌파 검사 데이터(#1,#2,#3)는 우울증에 대한 라벨링정보가 동일한 값으로 부여된 뇌파 검사 데이터이다.
도 15에 도시된 바와 같이, 샘플특징정보는 특징정보간의 유사도에 기초하여 산출될 수 있다. 구체적으로 샘플러(152)는 복수의 특징정보(#1,#2,#3)에 대한 유사도에 기초하여 샘플특징정보(#1.1, #1.N, #2.1, #2.N, #3.1, #3.N)를 생성할 수 있다. 바람직하게는 샘플러(152)는 복수의 특징정보(#1,#2,#3)에 대한 평균, 분산, 표준편차, 최댓값, 최솟값 등을 산출하여, 특징정보와 유사한 샘플특징정보를 생성할 수 있다. 더 바람직하게는 샘플특징정보는 특징정보와 유사하되, 특징정보보다 많은 수로 생성될 수 있다.
도 16 및 17은 본 발명의 일 실시예에 따른 특징정보로부터 샘플특징정보를 생성하는 일례를 도시한 것이다.
도 16의 (a)에 도시된 바와 같이, 본 발명의 일 실시예에서 샘플러(152)는 특징정보와 동일한 샘플특징정보를 생성할 수 있다. 구체적으로 샘플러(152)는 제3인코더(151)에 의해 생성된 특징정보와 동일한 샘플특징정보를 제3디코더(153)에 입력함으로써, 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성할 수 있다.
상기와 같은 방식으로 본원 발명의 증강데이터 생성시스템은 목표 뇌파 검사 데이터로부터 도출한 특징정보에 대한 별도의 전처리과정없이 증강데이터를 생성할 수 있으나, 이와 같은 방식은 생성되는 증강데이터의 수가 입력되는 목표 뇌파 검사 데이터의 수와 동일하여 충분한 양의 학습데이터를 확보하지 못하는 문제점이 있다.
도 16의 (b)에 도시된 바와 같이, 본 발명의 다른 실시예에서 샘플러(152)는 특징정보간의 평균, 분산, 표준편차, 최댓값, 최솟값 등을 산출하여, 샘플특징정보를 생성할 수 있다. 구체적으로 상기와 같은 방식으로 생성되는 샘플특징정보는 특징정보와 유사하되 더 많은 수, 즉 제3인코더(151)에 입력된 목표 뇌파 검사 데이터보다 많은 수로 생성될 수 있다.
도 17은 도 16의 (b)에 도시된 바와 같이 샘플특징정보가 생성되는 일례를 도시한 것이다.
구체적으로 도 17의 (a)에 도시된 바와 같이, 샘플러(152)는 제3인코더(151)에 입력된 복수의 뇌파 검사 데이터 각각에 대해 생성된 특징정보에 대하여, 하기의 [식 1]로 결정되는 샘플특징정보에 기초하여, 상기 제3인코더(151)에 입력된 뇌파 검사 데이터와 유사한 증강 데이터를 생성할 수 있다.
[식 1]
(
는 디코더에 의해 생성된 샘플특징정보, 
는 복수의 특징정보에 대한 평균값, 
는 복수의 특징정보에 대한 표준편차, 
는 임의의 상수)
상술한 바와 같이 제3인코더(151)에 입력되는 목표 뇌파 검사 데이터는 복수이고, 제3인코더(151)는 복수의 목표 뇌파 검사 데이터 각각에 대한 특징정보를 생성할 수 있다. 샘플러(152)는 복수의 목표 뇌파 검사 데이터 각각에 대한 특징정보간의 평균값 및 표준편차에 기초하여, 샘플특징정보를 생성할 수 있다.
구체적으로 샘플러(152)는 [식 1]의 임의의 상수 
를 가변하여 샘플특징정보를 생성하되, 특징정보간의 평균값 및 표준편차를 고려하여, 상기의 [식 1]로 생성된 샘플특징정보가 특징정보와 유사하도록 샘플특징정보를 생성할 수 있다.
바람직하게는 도 17의 (a)의 도시된 바와 같이, 샘플특징정보는 특징정보가 도시된 그래프 내부에 위치하는 형태로 생성될 수 있다.
한편, 도 17의 (b)에 도시된 바와 같이, 샘플러(152)는 제3인코더(151)에 입력된 복수의 뇌파 검사 데이터 각각에 대해 생성된 특징정보에 대하여, 하기의 [식 2]로 결정되는 샘플특징정보에 기초하여, 상기 제3인코더(151)에 입력된 뇌파 검사 데이터와 유사한 증강 데이터를 생성할 수 있다.
[식 2]
(
는 디코더에 의해 생성된 샘플특징정보, 
는 복수의 특징정보에 대한 최솟값, 
는 복수의 특징정보에 대한 최댓값, 
는 임의의 상수)
상술한 바와 같이 제3인코더(151)에 입력되는 목표 뇌파 검사 데이터는 복수이고, 제3인코더(151)는 복수의 목표 뇌파 검사 데이터 각각에 대한 특징정보를 생성할 수 있다. 샘플러(152)는 복수의 목표 뇌파 검사 데이터 각각에 대한 특징정보간의 최댓값 및 최솟값에 기초하여, 샘플특징정보를 생성할 수 있다.
구체적으로 샘플러(152)는 [식 2]의 임의의 상수 
를 가변하여 샘플특징정보를 생성하되, 특징정보의 최댓값 및 최솟값을 고려하여, 상기의 [식 2]로 생성된 샘플특징정보가 특징정보와 유사하도록 샘플특징정보를 생성할 수 있다.
바람직하게는 도 17의 (b)의 도시된 바와 같이, 샘플특징정보는 특징정보의 최댓값 및 최솟값 사이의 값으로 생성될 수 있다.
이와 같은 방식으로 데이터증강모델(15)은 입력값인 목표 뇌파 검사 데이터보다 많은 샘플특징정보를 생성함으로써, 다수의 증강데이터를 생성할 수 있다.
도 18은 본 발명의 일 실시예에 따른 데이터증강모델(15)에 의해 생성된 증강데이터와 목표 뇌파 검사 데이터간의 유사도에 기초하여 데이터를 선별하는 단계를 도시한 것이다.
도 18에 도시된 바와 같이, 제3디코더(153)는 샘플러(152)에 의해 생성된 샘플특징정보에 기초하여 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성할 수 있다. 구체적으로 제3디코더(153)는 입력받은 샘플특징정보(#1.1, #1.N, #2.1, #2.N, #3.1, #3.N) 각각에 대한 증강데이터(#1.1, #1.N, #2.1, #2.N, #3.1, #3.N)를 생성할 수 있다.
한편, 데이터선별부(16)는 제3디코더(153)에 의해 생성된 증강데이터와 목표 뇌파 검사 데이터 간의 유사도를 산출하여, 데이터를 선별할 수 있다. 구체적으로 데이터선별부(16)는 증강데이터와 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하거나, 증강데이터와 목표 뇌파 검사 데이터에 대한 동적 시간 접합(Dynamic Time Warping) 알고리즘을 수행하여, 증강데이터와 목표 뇌파 검사 데이터에 대한 유사도를 산출하여, 기설정된 기준을 만족하는 증강데이터를 선별할 수 있다.
상기와 같은 방식으로 데이터선별부(16)는 데이터증강모델(15)에 의해 생성된 증강데이터가 목표 뇌파 검사 데이터와 유사한지 검정할 수 잇다.
도 19는 본 발명의 일 실시예에 따른 증강데이터와 목표 뇌파 검사 데이터간의 유사도에 기초하여 데이터를 선별하는 일례를 도시한 것이다.
도 19의 (a)에 도시된 바와 같이 데이터선별부(16)는 증강데이터 및 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별할 수 있다.
상술한 바와 같이 뇌파 검사 데이터는 환자의 두피에서 시간에 따른 전압값을 측정한 데이터로서, 이에 따라 목표 뇌파 검사 데이터 및 증강데이터는 도 19에 도시된 바와 같이 표현될 수 있다. 데이터선별부(16)는 목표 뇌파 검사 데이터 및 증강데이터간의 유클리드 거리를 산출하여, 산출된 유클리드 거리가 기설정된 제1기준인 이하인 경우, 목표 뇌파 검사 데이터 및 증강데이터가 유사한 것으로 검정하여, 검정이 완료된 증강데이터를 선별할 수 있다.
한편, 도 11에서 상술한 바와 같이 데이터전처리부(미도시)에 의해 뇌파 검사 데이터를 정규화하는 과정이 수행되었으므로, 시간축에 대한 정규화 과정을 별도로 수행하지 않고도 목표 뇌파 검사 데이터와 증강데이터간의 유사도가 산출될 수 있다.
또는, 도 19의 (b)에 도시된 바와 같이 데이터선별부(16)는 증강데이터 및 목표 뇌파 검사 데이터에 대한 동적 시간 접합(Dynamic Time Warping) 알고리즘을 수행하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유사도가 기설정된 제2기준 이상인 증강데이터를 선별할 수 있다.
구체적으로 동적 시간 접합(Dynamic Time Warping) 알고리즘은 시계열 데이터간의 거리, 및 유사도를 분석할 수 있는 알고리즘으로서, 상기의 방식으로 시간축에 대한 정규화 과정이 수행되지 않은 경우에도 증강데이터 및 목표 뇌파 검사 데이터간의 유사도를 측정할 수 있다.
또는, 본 발명의 다른 실시예에서 데이터선별부(16)는 증강데이터 및 목표 뇌파 검사 데이터에 대한 동적 시간 접합(Dynamic Time Warping) 알고리즘을 수행하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 최적경로인 DTW거리를 산출하고, 하기의 [식 3]에 의해 결정되는 증강데이터 및 목표 뇌파 검사 데이터간의 유사도인 DTW유사도를 산출하여, 상기 DTW유사도가 기설정된 제3기준 이상인 증강데이터를 선별할 수 있다.
[식 3]
여기서, 
및 
는 기설정된 값, 
, 
, 
는 DTW거리의 평균값, 최댓값 및 최솟값이다.
삭제
도 20은 본 발명의 일 실시예에 따른 데이터증강모델(15)의 일례를 도시한 것이다.
도 20에 도시된 바와 같이, 데이터증강모델(15)은, 환자의 뇌파 검사 데이터에 대한 라벨링정보가 우울증을 앓고 있는 여부에 따라 긍정으로 라벨링되어, 우울증을 앓고 있는 환자의 뇌파 검사데이터와 유사한 증강데이터를 생성하는 제1데이터증강모델; 및 상기 환자의 뇌파 검사 데이터에 대한 라벨링정보가 우울증을 앓고 있는 여부에 따라 부정으로 라벨링되어, 우울증을 앓고 있지 않은 환자의 뇌파 검사데이터와 유사한 증강데이터를 생성하는 제2데이터증강모델;을 포함할 수 있다.
구체적으로 도 20의 (a)에 도시된 바와 같이, 제1데이터증강모델은 우울증을 앓고 있어 우울증 발병에 대한 라벨링정보가 긍정으로 부여된 뇌파 검사 데이터, 즉 우울증이 발병한 환자의 뇌파 검사 데이터를 목표 뇌파 검사 데이터로 입력받아 이와 유사한 증강 데이터를 생성할 수 있다.
또는 도 20의 (b)에 도시된 바와 같이, 제2데이터증강모델(15)은 우울증을 앓고 있지 않아 라벨링정보가 부정으로 부여된 뇌파 검사 데이터, 즉 정상인의 뇌파 검사 데이터를 목표 뇌파 검사 데이터로 입력받아 이와 유사한 증강 데이터를 생성할 수 있다.
또는 본 발명의 다른 실시예에서, 환자의 뇌파 검사 데이터에는 우울증 증상정도에 따라 크기가 결정되는 라벨링정보가 부여될 수 있고, 데이터증강모델(15)은 우울증 증상정도에 따라 크기가 결정된 뇌파 검사 데이터를 목표 뇌파 검사 데이터로 입력받아, 이와 유사한 증강데이터를 생성할 수 있다.
일례로 우울증 증상정도에 따라 경증, 중등증, 중증의 형태로 뇌파 검사 데이터에 라벨링정보가 부여될 수 있고, 각각의 뇌파 검사 데이터에 대한 데이터증강모델(15)에 의해, 각각의 뇌파 검사 데이터와 유사한 증강데이터가 생성될 수 있다.
상기와 같은 방식으로 데이터증강모델(15)은 우울증 발병에 대한 라벨링정보가 부여된 소수의 뇌파 검사 데이터와 라벨링정보가 동일한 증강데이터를 다수 생성할 수 있다.
도 21은 본 발명의 일 실시예에 따른 컴퓨팅장치의 내부 구성을 개략적으로 도시한 것이다.
상술한 도 1에 도시된 인공지능시스템은 상기 도 21에 도시된 컴퓨팅장치(11000)의 구성요소들을 포함할 수 있다.
도 21에 도시된 바와 같이, 컴퓨팅장치(11000)는 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅장치(11000)는 도 1에 도시된 인공지능시스템에 해당될 수 있다.
메모리(11200)는 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅장치(11000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그 밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅장치(11000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅장치(11000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅장치와 통신을 가능하게 할 수도 있다.
이러한 도 21의 실시예는, 컴퓨팅장치(11000)의 일례일 뿐이고, 컴퓨팅장치(11000)는 도 21에 도시된 일부 컴포넌트가 생략되거나, 도21에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅장치는 도 21에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(11600)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅장치(11000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시예에 따른 방법들은 다양한 컴퓨팅장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 어플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 컴퓨팅장치(11000)에 설치될 수 있다. 일 예로, 파일 배포 시스템은 컴퓨팅장치(11000)의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 어플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨팅장치 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
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.
본 발명의 일 실시예에 따르면 우울증발병에 대한 정보가 라벨링된 목표 뇌파 검사 데이터와 동일한 라벨링정보를 갖는 다수의 증강데이터를 생성할 수 있다.
본 발명의 일 실시예에 따르면 특징정보에 대한 평균값 및 표준편차에 기초하여 유사도를 산출하여, 특징정보와 유사한 샘플특징정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 특징정보에 대한 최댓값 및 최솟값에 기초하여 유사도를 산출하여, 특징정보와 유사한 샘플특징정보를 생성할 수 있다.
본 발명의 일 실시예에 따르면 증강데이터와 목표 뇌파 검사 데이터간의 유클리드 거리에 기초한 유사도를 산출하여 증강데이터를 선별할 수 있다.
본 발명의 일 실시예에 따르면 증강데이터와 목표 뇌파 검사 데이터에 대한 동적 시간 접합 알고리즘을 수행한 후, 증강데이터와 목표 뇌파 검사 데이터간의 유사도를 산출하여 증강데이터를 선별할 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)
- 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법으로서,
학습용 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 상기 학습용 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델에 의하여, 상기 학습용 뇌파 검사 데이터를 입력받아 학습하는 뇌파분석모델학습단계;
상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로, 복수의 목표 뇌파 검사 데이터를 입력받아 상기 목표 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제3인코더; 상기 제3인코더에 의해 생성된 복수의 특징정보간의 유사도에 기초하여 샘플특징정보를 생성하는 샘플러; 및 상기 뇌파분석모델의 학습된 디코더와 동일한 형태로, 상기 샘플러에 의해 생성된 샘플특징정보에 기초하여 상기 제3인코더에 입력된 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성하도록 학습된 인공신경망을 포함하는 제3디코더;를 포함하는, 데이터증강모델에 의하여, 목표 뇌파 검사 데이터와 유사한 복수의 증강데이터를 생성하는 데이터증강단계; 및
상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별하는 데이터선별단계;를 포함하는, 전이 학습 기반의 증강데이터 생성방법.
- 청구항 1에 있어서,
상기 뇌파 검사 데이터는,
환자 두부에 전극이 부착되어 전극이 부착된 복수의 위치 각각에서 측정된 시간에 따른 전압값에 대한 정보이고,
상기 전이 학습 기반의 증강데이터 생성방법은,
상기 뇌파 검사 데이터를 정규화하고, 주성분분석(Principal Component Analysis, PCA) 및 독립성분분석(Independent Component Analysis, ICA) 알고리즘에 기초하여 뇌파 검사 데이터의 노이즈를 제거하는 단계를 더 포함하는, 전이 학습 기반의 증강데이터 생성방법.
- 청구항 1에 있어서,
상기 뇌파분석모델은,
우울증 발병에 대한 라벨링정보가 부여되지 않은 환자의 뇌파 검사 데이터에 의해 학습되는, 전이 학습 기반의 증강데이터 생성방법.
- 청구항 1에 있어서,
상기 데이터증강모델은,
상기 학습용 뇌파 검사 데이터에 의해 학습된 상기 뇌파분석모델의 제1인코더와 동일한 가중치(Weight)를 갖는 제3인코더; 및 상기 학습용 뇌파 검사 데이터에 의해 학습된 상기 뇌파분석모델의 제1디코더와 동일한 가중치를 갖는 제3디코더;를 포함하는, 전이 학습 기반의 증강데이터 생성방법.
- 청구항 1에 있어서,
상기 데이터증강모델은,
환자의 뇌파 검사 데이터에 대한 라벨링정보가 우울증을 앓고 있는 여부에 따라 긍정으로 라벨링되어, 우울증을 앓고 있는 환자의 뇌파 검사데이터와 유사한 증강데이터를 생성하는 제1데이터증강모델; 및
상기 환자의 뇌파 검사 데이터에 대한 라벨링정보가 우울증을 앓고 있는 여부에 따라 부정으로 라벨링되어, 우울증을 앓고 있지 않은 환자의 뇌파 검사데이터와 유사한 증강데이터를 생성하는 제2데이터증강모델;을 포함하는, 전이 학습 기반의 증강데이터 생성방법.
- 청구항 1에 있어서,
상기 데이터증강단계는,
상기 제3인코더에 입력된 복수의 뇌파 검사 데이터 각각에 대해 생성된 특징정보와 동일한 샘플특징정보에 기초하여 상기 제3인코더에 입력된 뇌파 검사 데이터와 유사한 증강데이터를 생성하는, 전이 학습 기반의 증강데이터 생성방법.
- 청구항 1에 있어서,
상기 데이터증강단계는,
상기 제3인코더에 입력된 복수의 뇌파 검사 데이터 각각에 대해 생성된 특징정보에 대하여, 하기의 [식 1]로 결정되는 샘플특징정보에 기초하여, 상기 제3인코더에 입력된 뇌파 검사 데이터와 유사한 증강 데이터를 생성하는, 전이 학습 기반의 증강데이터 생성방법.
[식 1]
(는 디코더에 의해 생성된 샘플특징정보,
는 복수의 특징정보에 대한 평균값,
는 복수의 특징정보에 대한 표준편차,
는 임의의 상수)
- 청구항 1에 있어서,
상기 데이터증강단계는,
상기 제3인코더에 입력된 복수의 뇌파 검사 데이터 각각에 대해 생성된 특징정보에 대하여, 하기의 [식 2]로 결정되는 샘플특징정보에 기초하여, 상기 제3인코더에 입력된 뇌파 검사 데이터와 유사한 증강 데이터를 생성하는, 전이 학습 기반의 증강데이터 생성방법.
[식 2]
(는 디코더에 의해 생성된 샘플특징정보,
는 복수의 특징정보에 대한 최솟값,
는 복수의 특징정보에 대한 최댓값,
는 임의의 상수)
- 삭제
- 청구항 1에 있어서,
상기 데이터선별단계는,
상기 증강데이터 및 상기 목표 뇌파 검사 데이터에 대한 동적 시간 접합(Dynamic Time Warping) 알고리즘을 수행하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유사도가 기설정된 제2기준 이상인 증강데이터를 선별하는 단계;를 포함하는, 전이 학습 기반의 증강데이터 생성방법.
- 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성시스템으로서,
학습용 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 상기 학습용 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델을 포함하고, 상기 뇌파분석모델에 의하여 상기 학습용 뇌파 검사 데이터를 입력받아 학습하는 뇌파분석모델학습부;
상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로, 복수의 목표 뇌파 검사 데이터를 입력받아 상기 목표 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제3인코더; 상기 제3인코더에 의해 생성된 복수의 특징정보간의 유사도에 기초하여 샘플특징정보를 생성하는 샘플러; 및 상기 뇌파분석모델의 학습된 디코더와 동일한 형태로, 상기 샘플러에 의해 생성된 샘플특징정보에 기초하여 상기 제3인코더에 입력된 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성하도록 학습된 인공신경망을 포함하는 제3디코더;를 포함하는, 데이터증강모델을 포함하고, 상기 데이터증강모델에 의하여 목표 뇌파 검사 데이터와 유사한 복수의 증강데이터를 생성하는 데이터증강부; 및
상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별하는 데이터선별부;를 포함하는, 전이 학습 기반의 증강데이터 생성시스템.
- 1 이상의 프로세서 및 1 이상의 메모리를 갖는 컴퓨팅장치에서 수행되는 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법을 구현하기 위한 컴퓨터-판독가능매체로서, 상기 컴퓨터-판독가능매체는 이하의 단계들을 수행하도록 하는 명령들을 저장하며, 상기 이하의 단계들은,
학습용 뇌파 검사 데이터를 입력받아 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제1인코더; 및 상기 특징 정보에 기초하여 상기 제1인코더에 입력된 상기 학습용 뇌파 검사 데이터와 유사한 출력값을 복원하도록 학습된 인공신경망을 포함하는 디코더;를 포함하는 뇌파분석모델에 의하여, 상기 학습용 뇌파 검사 데이터를 입력받아 학습하는 뇌파분석모델학습단계;
상기 뇌파분석모델의 학습된 제1인코더와 동일한 형태로, 복수의 목표 뇌파 검사 데이터를 입력받아 상기 목표 뇌파 검사 데이터에 대한 특징 정보를 생성하도록 학습된 인공신경망을 포함하는 제3인코더; 상기 제3인코더에 의해 생성된 복수의 특징정보간의 유사도에 기초하여 샘플특징정보를 생성하는 샘플러; 및 상기 뇌파분석모델의 학습된 디코더와 동일한 형태로, 상기 샘플러에 의해 생성된 샘플특징정보에 기초하여 상기 제3인코더에 입력된 목표 뇌파 검사 데이터와 유사한 증강데이터를 생성하도록 학습된 인공신경망을 포함하는 제3디코더;를 포함하는, 데이터증강모델에 의하여, 목표 뇌파 검사 데이터와 유사한 복수의 증강데이터를 생성하는 데이터증강단계; 및
상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리(Euclidean distance)를 산출하여, 상기 증강데이터 및 상기 목표 뇌파 검사 데이터간의 유클리드 거리의 합이 기설정된 제1기준 이하인 증강데이터를 선별하는 데이터선별단계;를 포함하는, 컴퓨터-판독가능매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220031765A KR102461646B1 (ko) | 2022-03-15 | 2022-03-15 | 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220031765A KR102461646B1 (ko) | 2022-03-15 | 2022-03-15 | 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102461646B1 true KR102461646B1 (ko) | 2022-11-01 |
Family
ID=84042364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220031765A KR102461646B1 (ko) | 2022-03-15 | 2022-03-15 | 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102461646B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200141672A (ko) * | 2019-06-11 | 2020-12-21 | 주식회사 룩시드랩스 | 감정 인식 방법 및 이를 이용한 감정 인식용 디바이스 |
| KR20210059612A (ko) * | 2019-11-15 | 2021-05-25 | 삼성전자주식회사 | 심층 신경망 특징 매칭을 위한 비대칭 정규화 상관 계층 |
-
2022
- 2022-03-15 KR KR1020220031765A patent/KR102461646B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200141672A (ko) * | 2019-06-11 | 2020-12-21 | 주식회사 룩시드랩스 | 감정 인식 방법 및 이를 이용한 감정 인식용 디바이스 |
| KR20210059612A (ko) * | 2019-11-15 | 2021-05-25 | 삼성전자주식회사 | 심층 신경망 특징 매칭을 위한 비대칭 정규화 상관 계층 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11627903B2 (en) | Method for diagnosing cognitive disorder, and computer program | |
| US20230181077A1 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
| Liang et al. | An unsupervised EEG decoding system for human emotion recognition | |
| US11139048B2 (en) | Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions | |
| CN109069081B (zh) | 用于预测、筛查和监测脑病/谵妄的设备、系统和方法 | |
| KR102197112B1 (ko) | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 | |
| US20220093215A1 (en) | Discovering genomes to use in machine learning techniques | |
| KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
| CN105517484A (zh) | 用于诊断抑郁症和其他医学状况的系统和方法 | |
| Tosun | Effects of spectral features of EEG signals recorded with different channels and recording statuses on ADHD classification with deep learning | |
| KR102151497B1 (ko) | 사용자의 뇌 질환을 진단하는 방법, 시스템 및 컴퓨터-판독가능 매체 | |
| KR102423483B1 (ko) | 뇌파 검사 데이터에 기초하여 우울증 예측정보를 제공하는 인공지능 시스템 | |
| Dai et al. | Sparsity constrained differential evolution enabled feature-channel-sample hybrid selection for daily-life EEG emotion recognition | |
| Deng et al. | SparNet: a convolutional neural network for EEG space-frequency feature learning and depression discrimination | |
| JP7173482B2 (ja) | ヘルスケアデータ分析システム、ヘルスケアデータ分析方法およびヘルスケアデータ分析プログラム | |
| US20220172847A1 (en) | Apparatus, systems and methods for predicting, screening and monitoring of mortality and other conditions uirf 19054 | |
| KR102461646B1 (ko) | 뇌파 검사 데이터에 대한 전이 학습 기반의 증강데이터 생성방법 | |
| KR102208760B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 영상 데이터 생성방법 | |
| Pan et al. | Deep cross-modal feature learning applied to predict acutely decompensated heart failure using in-home collected electrocardiography and transthoracic bioimpedance | |
| Zhou et al. | Tinnitus recognition by EEG signals based on wavelet transform and deep neural networks | |
| US20240021309A1 (en) | Method for Providing Information about Schizophrenia, and Device for Providing Information about Schizophrenia by Using Same | |
| EP4335370A1 (en) | Apparatus for generating a score that is indicative for a cognitive condition like attention deficit hyperactivity disorder | |
| Duan et al. | An EEG abnormality detection algorithm based on graphic attention network | |
| Chowdhury et al. | Analysis of Psychiatric Disorders from EEG Signals Using Machine-Learning Techniques | |
| Kalele | The Enhanced Canonical Correlation Analysis for Cardiac Arrest Prediction Using Fusional MRI Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |