KR102524629B1

KR102524629B1 - 뉴럴 네트워크를 이용한 호흡 질환 분류 방법 및 장치

Info

Publication number: KR102524629B1
Application number: KR1020210043519A
Authority: KR
Inventors: 박홍성; 김한성
Original assignee: 강원대학교산학협력단
Priority date: 2021-04-02
Filing date: 2021-04-02
Publication date: 2023-04-21
Also published as: KR20220137436A

Abstract

뉴럴 네트워크를 이용한 호흡 질환 분류 방법 및 장치가 개시된다. 일 실시예에 따른 호흡 질환 분류 방법은, 호흡음 데이터를 수신하는 단계와, 상기 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성하는 단계와, 상기 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출하는 단계와, 상기 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출하는 단계와, 상기 제1 특징 및 상기 제2 특징에 기초하여 호흡 질환을 분류하는 단계를 포함한다.

Description

뉴럴 네트워크를 이용한 호흡 질환 분류 방법 및 장치{RESPIRATORY DISEASE PREDICTION METHOD AND APPRATUS USING NEURAL NETWORK}

실시예들은 뉴럴 네트워크를 이용한 호흡 질환 분류 방법 및 장치에 관한 것이다.

호흡음 데이터를 통해 호흡 질환을 분류하는 기계 학습 기술들이 활발하게 연구되고 있다. 이중 정확도가 높은 기술에는 경험적 모드 분해법(empiraical mode decomposition), 웨이블릿 변환(wavelet transform)으로 호흡음 데이터를 전처리하고 경량 CNN(Convolutional Neural Netowrk) 모델을 이용한 기술 및 멜스펙트로그램(mel-spectrogram)으로 호흡음 데이터를 전처리하고 VAE(Variational AutoEncoder) 모델을 이용하는 호흡 질환 분류 기술이 연구되었다.

하지만, 종래의 호흡 질환 분류 방식은 전처리 과정이 복잡하다는 문제점이 있고, VAE모델 구조는 복원 단계를 추가로 수행해야 하는 문제점이 있다.

따라서, 전처리 데이터 과정과 복원 단계에 소요되는 자원을 감소시킬 수 있는 호흡 질환 분류 기술이 요구된다.
선행 문헌으로는 한국공개특허공보 제10-2021-0032919호 및 Demir, Fatih, Aras Masood Ismael, and Abdulkadir Sengur. "Classification of lung sounds with CNN model using parallel pooling structure." IEEE Access 8, pp.105376-105383.(2020.06.04.)가 있다.

실시예들은 뉴럴 네트워크를 이용하여 호흡 질환을 분류하는 기술을 제공할 수 있다.

다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.

일 실시예에 따른 호흡 질환 분류 방법은, 호흡음 데이터를 수신하는 단계와, 상기 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성하는 단계와, 상기 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출하는 단계와, 상기 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출하는 단계와, 상기 제1 특징 및 상기 제2 특징에 기초하여 호흡 질환을 분류하는 단계를 포함한다.

상기 생성하는 단계는, 상기 호흡음 데이터에 기초하여 상기 파형 이미지를 생성하는 단계와, 상기 파형 이미지에 기초하여 상기 MFCC 이미지를 생성하는 단계를 포함할 수 있다.

상기 제1 특징을 추출하는 단계는, 상기 파형 이미지에 컨볼루션 연산을 수행하는 단계와, 상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하는 단계와, 상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제1 특징을 추출하는 단계를 포함할 수 있다.

상기 제2 특징을 추출하는 단계는, 상기 MFCC 이미지에 컨볼루션 연산을 수행하는 단계와, 상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하는 단계와, 상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제2 특징을 추출하는 단계를 포함할 수 있다.

상기 분류하는 단계는, 상기 제1 특징 및 상기 제2 특징을 연결함으로써 연결 벡터를 생성하는 단계와, 상기 연결 벡터를 제1 완전 연결 레이어에 입력함으로써 제1 완전 연결 출력을 획득하는 단계와, 상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류하는 단계를 포함할 수 있다.

상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류하는 단계는, 상기 제1 완전 연결 출력을 상기 제2 완전 연결 레이어에 입력함으로써 제2 완전 연결 출력을 획득하는 단계와, 상기 제2 완전 연결 출력 중에서 분류 데이터를 결정하는 단계와, 상기 분류 데이터에 기초하여 상기 호흡 질환을 분류하는 단계를 포함할 수 있다.

상기 분류 데이터를 결정하는 단계는, 상기 제2 완전 연결 출력 중에서 가장 큰 데이터를 상기 분류 데이터로 결정하는 단계를 포함할 수 있다.

상기 분류하는 단계는, 상기 제1 특징 및 상기 제2 특징에 기초하여 상기 호흡 질환을 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염, 천식, 하부 호흡기 감염 및 정상 중에서 하나로 분류하는 단계를 포함할 수 있다.

상기 호흡 질환 분류 방법은, 상기 파형 이미지에 기초하여 상기 제1 뉴럴 네트워크를 학습시키는 단계와, 상기 MFCC 이미지에 기초하여 상기 제2 뉴럴 네트워크를 학습시키는 단계를 더 포함할 수 있다.

상기 호흡 질환 분류 방법은, 상기 제1 특징 및 상기 제2 특징에 기초하여 획득한 분류 데이터에 기초하여 손실을 계산하는 단계와, 상기 손실에 기초하여 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크가 결합된 앙상블 네트워크를 학습시키는 단계를 더 포함할 수 있다.

상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크는, 전역 풀링(global pooling) 레이어를 포함할 수 있다.

일 실시예에 따른 호흡 질환 분류 장치는, 호흡음 데이터를 수신하는 수신기와, 상기 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성하고, 상기 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출하고, 상기 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출하고, 상기 제1 특징 및 상기 제2 특징에 기초하여 호흡 질환을 분류하는 프로세서를 포함한다.

상기 프로세서는, 상기 호흡음 데이터에 기초하여 상기 파형 이미지를 생성하고, 상기 파형 이미지에 기초하여 상기 MFCC 이미지를 생성할 수 있다.

상기 프로세서는, 상기 파형 이미지에 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하고, 상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제1 특징을 추출할 수 있다.

상기 프로세서는, 상기 MFCC 이미지에 컨볼루션 연산을 수행하고, 상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하고, 상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제2 특징을 추출할 수 있다.

상기 프로세서는, 상기 제1 특징 및 상기 제2 특징을 연결함으로써 연결 벡터를 생성하고, 상기 연결 벡터를 제1 완전 연결 레이어에 입력함으로써 제1 완전 연결 출력을 획득하고, 상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류할 수 있다.

상기 프로세서는, 상기 제1 완전 연결 출력을 상기 제2 완전 연결 레이어에 입력함으로써 제2 완전 연결 출력을 획득하고, 상기 제2 완전 연결 출력 중에서 분류 데이터를 결정하고, 상기 분류 데이터에 기초하여 상기 호흡 질환을 분류할 수 있다.

상기 프로세서는, 상기 제2 완전 연결 출력 중에서 가장 큰 데이터를 상기 분류 데이터로 결정할 수 있다.

상기 프로세서는, 상기 제1 특징 및 상기 제2 특징에 기초하여 상기 호흡 질환을 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염, 천식, 하부 호흡기 감염 및 정상 중에서 하나로 분류할 수 있다.

상기 프로세서는, 상기 파형 이미지에 기초하여 상기 제1 뉴럴 네트워크를 학습시키고, 상기 MFCC 이미지에 기초하여 상기 제2 뉴럴 네트워크를 학습시킬 수 있다.

상기 프로세서는, 상기 제1 특징 및 상기 제2 특징에 기초하여 획득한 분류 데이터에 기초하여 손실을 계산하고, 상기 손실에 기초하여 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크가 결합된 앙상블 네트워크를 학습시킬 수 있다.

도 1은 호흡 질환 분류 장치의 개략적인 블록도를 나타낸다.
도 2는 호흡 질환 분류를 위한 뉴럴 네트워크의 구조의 예를 나타낸다.
도 3은 제1 뉴럴 네트워크의 예를 나타낸다.
도 4는 제2 뉴럴 네트워크의 예를 나타낸다.
도 5a 내지 도 5f는 MFCC 이미지에 기초한 뉴럴 네트워크 출력의 예들을 나타낸다.
도 6a 내지 도 6f는 파형 이미지에 기초한 뉴럴 네트워크 출력의 예들을 나타낸다.
도 7a 내지 도 7f는 연결 벡터의 예들을 나타낸다.
도 8a 내지 8f는 앙상블 네트워크의 출력의 예들을 나타낸다.
도 9는 도 1에 도시된 호흡 질환 분류 장치의 동작의 흐름도를 나타낸다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 구현될 수 있다. 따라서, 실제 구현되는 형태는 개시된 특정 실시예로만 한정되는 것이 아니며, 본 명세서의 범위는 실시예들로 설명한 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.

본 명세서에서의 모듈(module)은 본 명세서에서 설명되는 각 명칭에 따른 기능과 동작을 수행할 수 있는 하드웨어를 의미할 수도 있고, 특정 기능과 동작을 수행할 수 있는 컴퓨터 프로그램 코드를 의미할 수도 있고, 또는 특정 기능과 동작을 수행시킬 수 있는 컴퓨터 프로그램 코드가 탑재된 전자적 기록 매체, 예를 들어 프로세서 또는 마이크로 프로세서를 의미할 수 있다.

다시 말해, 모듈이란 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및/또는 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적 및/또는 구조적 결합을 의미할 수 있다.

도 1은 제품 검사 장치의 개략적인 블록도를 나타낸다.

도 1을 참조하면, 호흡 질환 분류 장치(10)는 호흡음 데이터를 처리함으로써 호흡 질환을 분류할 수 있다. 호흡음 데이터는 사람이나 동물이 호흡할 때에 나는 소리를 포함한 전기적 신호를 의미할 수 있다. 호흡음은 기관지 또는 허파에서 발생하는 소리를 포함할 수 있다.

호흡 질환은 호흡기와 관련된 질환을 의미할 수 있다. 예를 들어, 호흡 질환은 상부 호흡기 감염(Upper Respiratory Tract Infection(URTI)), 만성 폐쇄성 폐질환(Chronic Obstruction Pulmonary Disease(COPD)), 기관지 확장증(bronchiectasis), 폐렴(pneumonia), 모세 기관지염(bronchiolitils), 천식(asthma) 및 하부 호흡기 감염(Lower Respiratory Tract Infection (LRTI))을 포함할 수 있다.

호흡 질환 분류 장치(10)는 뉴럴 네트워크를 이용하여 호흡음 데이터를 처리함으로써 호흡 질환을 분류할 수 있다. 호흡 질환 분류 장치(10)는 뉴럴 네트워크를 학습시키고, 학습된 뉴럴 네트워크를 이용하여 호흡음 데이터를 처리함으로써 호흡 질환을 분류할 수 있다.

뉴럴 네트워크(또는 인공 신경망)는 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력으로부터 예측하고자 하는 결과를 추론할 수 있다.

뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다. 뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있다.

호흡 질환 분류 장치(10)는 마더보드(motherboard)와 같은 인쇄 회로 기판(printed circuit board(PCB)), 집적 회로(integrated circuit(IC)), 또는 SoC(system on chip)로 구현될 수 있다. 예를 들어, 호흡 질환 분류 장치(10)는 애플리케이션 프로세서(application processor)로 구현될 수 있다.

또한, 호흡 질환 분류 장치(10)는 PC(personal computer), 데이터 서버, 또는 휴대용 장치 내에 구현될 수 있다.

휴대용 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 또는 스마트 디바이스(smart device)로 구현될 수 있다. 스마트 디바이스는 스마트 와치(smart watch), 스마트 밴드(smart band), 또는 스마트 링(smart ring)으로 구현될 수 있다.

호흡 질환 분류 장치(10)는 수신기(100) 및 프로세서(200)를 포함한다. 호흡 질환 분류 장치(10)는 메모리(300)를 더 포함할 수 있다.

수신기(100)는 수신 인터페이스를 포함할 수 있다. 수신기(100)는 호흡음 데이터를 수신할 수 있다. 수신기(100)는 마이크로폰(microphone)을 이용하여 호흡음을 수신하고, 호흡음 데이터를 획득할 수 있다. 예를 들어, 수신기(100)는 디지털 청진기를 이용하여 호흡음 데이터를 획득할 수 있다. 수신기(100)는 프로세서(200)로 호흡음 데이터를 출력할 수 있다.

프로세서(200)는 메모리(300)에 저장된 데이터를 처리할 수 있다. 프로세서(200)는 메모리(300)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서(200)에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.

"프로세서(200)"는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.

예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.

프로세서(200)는 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성할 수 있다. 프로세서(200)는 호흡음 데이터에 기초하여 파형 이미지를 생성할 수 있다. 프로세서(200)는 파형 이미지에 기초하여 MFCC 이미지를 생성할 수 있다. 프로세서(200)는 호흡음 데이터를 변환(예: 주파수 변환)함으로써 파형 이미지 및 MFCC 이미지를 생성할 수 있다.

프로세서(200)는 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출할 수 있다. 프로세서(200)는 파형 이미지에 적어도 한 번의 컨볼루션 연산을 수행함으로써 제1 특징을 추출할 수 있다. 프로세서(200)는 파형 이미지에 컨볼루션 연산을 수행하고, 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하고, ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 제1 특징을 추출할 수 있다. 제1 특징을 추출하는 과정은 도 2 내지 4를 참조하여 자세하게 설명한다.

프로세서(200)는 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출할 수 있다. 프로세서(200)는 MFCC 이미지에 적어도 한 번의 컨볼루션 연산을 수행함으로써 제2 특징을 추출할 수 있다. 프로세서(200)는 MFCC 이미지에 컨볼루션 연산을 수행하고, 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하고, ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 제2 특징을 추출할 수 있다.

프로세서(200)는 제1 특징 및 제2 특징에 기초하여 호흡 질환을 분류할 수 있다. 프로세서(200)는 제1 특징 및 제2 특징을 연결함으로써 연결 벡터를 생성할 수 있다. 프로세서(200)는 연결 벡터를 제1 완전 연결 레이어에 입력함으로써 제1 완전 연결 출력을 획득할 수 있다.

프로세서(200)는 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 호흡 질환을 분류할 수 있다. 프로세서(200)는 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 호흡 질환을 분류할 수 있다.

프로세서(200)는 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 제2 완전 연결 출력을 획득할 수 있다. 프로세서(200)는 제2 완전 연결 출력 중에서 분류 데이터를 결정할 수 있다. 프로세서(200)는 분류 데이터에 기초하여 호흡 질환을 분류할 수 있다. 예를 들어, 프로세서(200)는 제2 완전 연결 출력 중에서 가장 큰 데이터를 분류 데이터로 결정할 수 있다.

프로세서(200)는 제1 특징 및 제2 특징에 기초하여 호흡 질환을 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염, 천식, 하부 호흡기 감염 및 정상 중에서 하나로 분류할 수 있다.

제1 뉴럴 네트워크 및 제2 뉴럴 네트워크는, 전역 풀링(global pooling) 레이어를 포함할 수 있다.

프로세서(200)는 파형 이미지에 기초하여 제1 뉴럴 네트워크를 학습시키고, MFCC 이미지에 기초하여 제2 뉴럴 네트워크를 학습시킬 수 있다.

프로세서(200)는 제1 특징 및 제2 특징에 기초하여 획득한 분류 데이터에 기초하여 손실을 계산할 수 있다. 프로세서(200)는 손실에 기초하여 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크가 결합된 앙상블 네트워크를 학습시킬 수 있다.

메모리(300)는 프로세서(200)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서의 동작 및/또는 프로세서의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.

메모리(300)는 휘발성 메모리 장치 또는 불휘발성 메모리 장치로 구현될 수 있다.

휘발성 메모리 장치는 DRAM(dynamic random access memory), SRAM(static random access memory), T-RAM(thyristor RAM), Z-RAM(zero capacitor RAM), 또는 TTRAM(Twin Transistor RAM)으로 구현될 수 있다.

불휘발성 메모리 장치는 EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래시(flash) 메모리, MRAM(Magnetic RAM), 스핀전달토크 MRAM(Spin-Transfer Torque(STT)-MRAM), Conductive Bridging RAM(CBRAM), FeRAM(Ferroelectric RAM), PRAM(Phase change RAM), 저항 메모리(Resistive RAM(RRAM)), 나노 튜브 RRAM(Nanotube RRAM), 폴리머 RAM(Polymer RAM(PoRAM)), 나노 부유 게이트 메모리(Nano Floating Gate Memory(NFGM)), 홀로그래픽 메모리(holographic memory), 분자 전자 메모리 소자(Molecular Electronic Memory Device), 또는 절연 저항 변화 메모리(Insulator Resistance Change Memory)로 구현될 수 있다.

이하에서, 도 2 내지 도 4를 참조하여 호흡 질환 분류 장치가 뉴럴 네트워크를 이용하여 호흡 질환을 분류하는 과정을 상세하게 설명한다.

도 2는 호흡 질환 분류를 위한 뉴럴 네트워크의 구조의 예를 나타내고, 도 3은 제1 뉴럴 네트워크의 예를 나타내고, 도 4는 제2 뉴럴 네트워크의 예를 나타낸다.

도 2 내지 도 4를 참조하면, 프로세서(예: 도 1의 프로세서(200))는 호흡음 데이터를 이미지화한 파형 이미지 및 MFCC 이미지를 사용하여 호흡 질환의 분류의 정확도를 향상시킬 수 있다.

프로세서(200)는 호흡음 데이터에 기초하여 파형 이미지 및 MFCC이미지를 생성할 수 있다. 프로세서(200)는 호흡음 데이터에 기초하여 파형 이미지를 생성할 수 있다. 프로세서(200)는 파형 이미지에 기초하여 MFCC 이미지를 생성할 수 있다. 프로세서(200)는 호흡음 데이터를 변환(예: 주파수 변환)함으로써 파형 이미지 및 MFCC 이미지를 생성할 수 있다.

이미지의 종류에 따라 분류할 수 있는 질병의 종류가 상이할 수 있다. 프로세서(200)는 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 각각 학습시킨 후에, 제1 뉴럴 네트워크와 제2 뉴럴 네트워크를 결합한 앙상블 네트워크 모델이 학습 파라미터를 전이시킬 수 있다.

프로세서(200)는 파형 이미지 및 MFCC 이미지를 이용하여 앙상블 네트워크를 학습시키고, 학습된 앙상블 네트워크에 기초하여 호흡 질환을 분류할 수 있다.

도 2의 예시는 앙상블 네트워크의 예를 나타낼 수 있다. 앙상블 네트워크는 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 포함할 수 있다. 앙상블 네트워크는 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크의 출력을 연결(concatenate)하는 연결 레이어(250), 제1 완전 연결 레이어(fully connected layer)(270) 및 제2 완전 연결 레이어(290)를 포함할 수 있다.

프로세서(200)는 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출할 수 있다. 프로세서(200)는 파형 이미지에 적어도 한 번의 컨볼루션 연산을 수행함으로써 제1 특징을 추출할 수 있다.

프로세서(200)는 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출할 수 있다. 프로세서(200)는 MFCC 이미지에 적어도 한 번의 컨볼루션 연산을 수행함으로써 제2 특징을 추출할 수 있다.

제1 뉴럴 네트워크는 레이어(211), 레이어(212), 레이어(213), 레이어(214), 레이어(215) 및 레이어(216)를 포함할 수 있다. 레이어(211), 레이어(212), 레이어(213), 레이어(214) 레이어(215)는 컨볼루션 레이어를 포함할 수 있다.

레이어(211), 레이어(212), 레이어(213), 레이어(214) 및 레이어(215)는 컨볼루션 연산, ReLU(Rectified Linear Unit) 및 맥스 풀링(max pooling) 연산을 포함할 수 있다. 레이어(216)는 전역 풀링(global pooling) 연산을 포함할 수 있다.

프로세서(200)는 학습 과정에서 레이어(211), 레이어(212), 레이어(213), 레이어(214) 및 레이어(215)에 드롭아웃(dropout)을 수행할 수 있다. 다시 말해, 프로세서(200)는 레이어(211), 레이어(212), 레이어(213), 레이어(214) 및 레이어(215)에 포함된 임의의 노드(또는, 뉴런)을 무시하고 학습시킴으로써 과적합(overfitting)을 방지할 수 있다.

예를 들어, 프로세서(200)는 레이어(211), 레이어(212), 레이어(213), 레이어(214) 및 레이어(215)에 포함된 노드들의 32.5%에 대하여 드롭아웃을 수행할 수 있다.

제2 뉴럴 네트워크는 레이어(231), 레이어(232), 레이어(233), 레이어(234) 및 레이어(235)를 포함할 수 있다. 레이어(231), 레이어(232), 레이어(233) 및 레이어(234)는 컨볼루션 레이어를 포함할 수 있다.

레이어(231), 레이어(232), 레이어(233) 및 레이어(234)는 컨볼루션 연산, ReLU 및 맥스 풀 연산을 포함할 수 있다. 레이어(235)는 전역 풀링 연산을 포함할 수 있다.

프로세서(200)는 학습 과정에서 레이어(231), 레이어(232), 레이어(233) 및 레이어(234)에 드롭아웃(dropout)을 수행할 수 있다. 다시 말해, 프로세서(200)는 레이어(231), 레이어(232), 레이어(233) 및 레이어(234)에 포함된 임의의 노드(또는, 뉴런)을 무시하고 학습시킴으로써 과적합(overfitting)을 방지할 수 있다.

예를 들어, 프로세서(200)는 레이어(231), 레이어(232), 레이어(233) 및 레이어(234)에 포함된 노드들의 32.5%에 대하여 드롭아웃을 수행할 수 있다.

도 2 및 도 3의 예시에서, 제1 특징은 256×1의 크기를 가질 수 있고, 제2 특징은 128×1의 크기를 가질 수 있다. 실시예에 따라, 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크의 출력의 크기는 달라질 수 있다. 예를 들어, 제1 특징 및 제2 특징의 크기는 256×1 및 256×1일 수 있고, 이 경우, 연결 벡터의 크기는 512×1일 수 있다.

프로세서(200)는 제1 특징 및 제2 특징에 기초하여 호흡 질환을 분류할 수 있다. 프로세서(200)는 제1 특징 및 제2 특징을 연결함으로써 연결 벡터를 생성할 수 있다. 연결 벡터의 크기는 384×1일 수 있고, 연결 벡터의 원소는 0에서 255 사이의 플로트(float) 값일 수 있다.

프로세서(200)는 제1 특징 및 제2 특징을 연결 레이어(250)에 입력함으로써 연결 벡터를 생성할 수 있다.

프로세서(200)는 연결 벡터를 제1 완전 연결 레이어(270)에 입력함으로써 제1 완전 연결 출력을 획득할 수 있다.

프로세서(200)는 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 호흡 질환을 분류할 수 있다. 프로세서(200)는 제1 완전 연결 출력을 제2 완전 연결 레이어(290)에 입력함으로써 호흡 질환을 분류할 수 있다.

프로세서(200)는 연결 벡터를 제1 완전 연결 레이어(270) 및 제2 완결 연결 레이어(290)를 이용하여 처리함으로써 6×1 크기의 벡터를 획득할 수 있다.

프로세서(200)는 출력된 6×1 크기의 벡터의 각 열의 값 중 가장 큰 값을 해당 데이터의 분류 데이터로 결정할 수 있다. 프로세서(200)는 분류 데이터를 인코딩된 레이블과 비교하여 멀티 레이블 소프트 마진 손실(MultiLabelSoftMarginLoss) 방식으로 손실을 계산할 수 있다.

프로세서(200)는 계산한 손실에 기초하여 역전파를 수행하여 앙상블 네트워크를 학습시킬 수 있다. 프로세서(200)는 학습이 완료되면 테스트 집합에 포함된 호흡음 데이터를 파형 이미지 및 MFCC 이미지로 전처리한 후 앙상블 네트워크에 입력함으로써 뉴럴 네트워크 연산을 수행하고, 최종적으로, 6 × 1 크기의 벡터를 획득할 수 있다.

프로세서(200)는 출력된 벡터의 성분 중 가장 큰 값을 해당 데이터의 분류 데이터로 결정하고, 분류 데이터에 기초하여 호흡 질환을 분류할 수 있다.

프로세서(200)는 제1 특징 및 제2 특징에 기초하여 호흡 질환을 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염 및 정상 중에서 하나로 분류할 수 있다.

프로세서(200)는 파형 이미지에 기초하여 제1 뉴럴 네트워크를 학습시키고, MFCC 이미지에 기초하여 제2 뉴럴 네트워크를 학습시킬 수 있다. 프로세서(200)는 호흡음 데이터로부터 획득한 파형 이미지 및 MFCC 이미지를 이용하여 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크를 별도로 학습시킬 수 있다.

프로세서(200)는 파형 이미지를 이용하여 제1 뉴럴 네트워크를 학습시킬 수 있다. 도 3의 예시에서, 제1 뉴럴 네트워크는 레이어(310), 레이어(320), 레이어(330), 레이어(340), 레이어(350) 및 레이어(360)을 포함할 수 있다.

제1 뉴럴 네트워크의 레이어(360)(예: 전역 풀링 레이어)의 출력값의 벡터 크기는 256×1일 수 있다. 벡터의 원소는 0에서 255 사이 플로트(float) 값일 수 있다.

레이어(310), 레이어(320), 레이어(330), 레이어(340), 레이어(350) 및 레이어(360)에 대한 설명은 레이어(211), 레이어(212), 레이어(213), 레이어(214), 레이어(215) 및 레이어(216)와 동일할 수 있다.

프로세서(200)는 MFCC 이미지를 이용하여 제1 뉴럴 네트워크를 학습시킬 수 있다. 도 4의 예시에서, 제2 뉴럴 네트워크는 레이어(410), 레이어(420), 레이어(430), 레이어(440) 및 레이어(450)을 포함할 수 있다.

제2 뉴럴 네트워크의 레이어(450)(예: 전역 풀링 레이어)의 출력 값의 벡터 크기는 128×1일 수 있다. 벡터의 각 원소는 0에서 255 사이 플로트(float) 값일 수 있다.

레이어(410), 레이어(420), 레이어(430), 레이어(440) 및 레이어(450)에 대한 설명은 레이어(231), 레이어(232), 레이어(233), 레이어(234) 및 레이어(235)와 동일할 수 있다.

프로세서(200)는 학습된 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크의 모델 파라미터를 앙상블 네트워크로 전이시킬 수 있다.

프로세서(200)는 제1 뉴럴 네트워크 및 제2 뉴럴 네트워크로부터 추출한 특징들을 연결하여 앙상블 네트워크를 학습시키고, 학습된 앙상블 네트워크에 기초하여 호흡 질환을 분류할 수 있다.

상술한 호흡 질환 분류 방법을 이용하여 프로세서(200)는 원격으로 수집된 호흡음 데이터에 기초하여, 높은 정확도로 호흡 질환을 예측할 수 있다. 호흡음 데이터는 디지털 청진기를 이용하여 측정될 수 있다.

프로세서(200)가 생성한 호흡 질환 분류 결과를 이용할 경우, 대면하지 않고 예진한 후, 대면 진료를 수행하는 것이 가능하다. 의사들의 청진을 통한 호흡 질환 분류는 지식과 청각 감도에 달려 있어 오진의 가능성이 있을 수 있으나, 프로세서(200)는 앙상블 네트워크를 이용하여 오진의 가능성을 현저하게 낮출 수 있다.

도 5a 내지 도 5f는 MFCC 이미지에 기초한 뉴럴 네트워크 출력의 예들을 나타내고, 도 6a 내지 도 6f는 파형 이미지에 기초한 뉴럴 네트워크 출력의 예들을 나타낸다.

도 5a 내지 도 6f를 참조하면, 각각의 호흡 질환 또는 정상에 대응되는 뉴럴 네트워크의 출력은 상이할 수 있다. 상술한 바와 같이 호흡 질환은 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염, 천식 및 하부 호흡기 감염을 포함할 수 있다.

제1 뉴럴 네트워크의 출력은 256×1의 크기를 가질 수 있고, 제2 뉴럴 네트워크의 출력은 128×1의 크기를 가질 수 있다.

도 5a는 기관지 확장증인 호흡음 데이터를 처리한 경우의 제2 뉴럴 네트워크의 출력을 나타내고, 도 5b는 모세 기관지염인 호흡음 데이터를 처리한 경우의 제2 뉴럴 네트워크의 출력을 나타낼 수 있다.

도 5c는 만성 폐쇄성 폐질환인 호흡음 데이터를 처리한 경우의 제2 뉴럴 네트워크의 출력을 나타내고, 도 5d는 폐렴인 호흡음 데이터를 처리한 경우의 제2 뉴럴 네트워크의 출력을 나타낼 수 있다.

도 5e는 상부 호흡기 감염인 호흡음 데이터를 처리한 경우의 제2 뉴럴 네트워크의 출력을 나타내고, 도 5f는 정상인 호흡음 데이터를 처리한 경우의 제2 뉴럴 네트워크의 출력을 나타낼 수 있다.

도 6a는 기관지 확장증인 호흡음 데이터를 처리한 경우의 제1 뉴럴 네트워크의 출력을 나타내고, 도 6b는 모세 기관지염인 호흡음 데이터를 처리한 경우의 제1 뉴럴 네트워크의 출력을 나타낼 수 있다.

도 6c는 만성 폐쇄성 폐질환인 호흡음 데이터를 처리한 경우의 제1 뉴럴 네트워크의 출력을 나타내고, 도 6d는 폐렴인 호흡음 데이터를 처리한 경우의 제1 뉴럴 네트워크의 출력을 나타낼 수 있다.

도 6e는 상부 호흡기 감염인 호흡음 데이터를 처리한 경우의 제1 뉴럴 네트워크의 출력을 나타내고, 도 6f는 정상인 호흡음 데이터를 처리한 경우의 제1 뉴럴 네트워크의 출력을 나타낼 수 있다.

도 7a 내지 도 7f는 연결 벡터의 예들을 나타내고, 도 8a 내지 8f는 앙상블 네트워크의 출력의 예들을 나타낸다.

도 7a 내지 도 8f를 참조하면, 앙상블 네트워크의 출력은 호흡 질환의 종류에 따라 상이할 수 있다.

연결 레이어의 출력은 384×1의 크기를 가질 수 있고, 제1 완전 연결 레이어의 출력은 128×1의 크기를 가질 수 있다.

도 7a는 기관지 확장증인 호흡음 데이터를 처리한 경우의 앙상블 네트워크의 연결 레이어의 출력을 나타내고, 도 7b는 모세 기관지염인 호흡음 데이터를 처리한 경우의 앙상블 네트워크의 연결 레이어의 출력을 나타낼 수 있다.

도 7c는 만성 폐쇄성 폐질환인 호흡음 데이터를 처리한 경우의 앙상블 네트워크의 연결 레이어의 출력을 나타내고, 도 7d는 폐렴인 호흡음 데이터를 처리한 경우의 앙상블 네트워크의 연결 레이어의 출력을 나타낼 수 있다.

도 7e는 상부 호흡기 감염인 호흡음 데이터를 처리한 경우의 앙상블 네트워크의 연결 레이어의 출력을 나타내고, 도 7f는 정상인 호흡음 데이터를 처리한 경우의 앙상블 네트워크의 연결 레이어의 출력을 나타낼 수 있다.

도 8a는 기관지 확장증인 호흡음 데이터를 처리한 경우의 제1 완전 연결 레이어의 출력을 나타내고, 도 8b는 모세 기관지염인 호흡음 데이터를 처리한 경우의 제1 완전 연결 레이어의 출력을 나타낼 수 있다.

도 8c는 만성 폐쇄성 폐질환인 호흡음 데이터를 처리한 경우의 제1 완전 연결 레이어의 출력을 나타내고, 도 8d는 폐렴인 호흡음 데이터를 처리한 경우의 제1 완전 연결 레이어의 출력을 나타낼 수 있다.

도 8e는 상부 호흡기 감염인 호흡음 데이터를 처리한 경우의 제1 완전 연결 레이어의 출력을 나타내고, 도 8f는 정상인 호흡음 데이터를 처리한 경우의 제1 완전 연결 레이어의 출력을 나타낼 수 있다.

도 9는 도 1에 도시된 호흡 질환 분류 장치의 동작의 흐름도를 나타낸다.

도 9를 참조하면, 수신기(100)는 호흡음 데이터를 수신할 수 있다(910).

프로세서(200)는 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성할 수 있다(930). 프로세서(200)는 호흡음 데이터에 기초하여 파형 이미지를 생성할 수 있다. 프로세서(200)는 파형 이미지에 기초하여 MFCC 이미지를 생성할 수 있다.

프로세서(200)는 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출할 수 있다(950). 프로세서(200)는 파형 이미지에 적어도 한 번의 컨볼루션 연산을 수행함으로써 제1 특징을 추출할 수 있다.

프로세서(200)는 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출할 수 있다(970). 프로세서(200)는 MFCC 이미지에 적어도 한 번의 컨볼루션 연산을 수행함으로써 제2 특징을 추출할 수 있다.

프로세서(200)는 제1 특징 및 제2 특징에 기초하여 호흡 질환을 분류할 수 있다(990). 프로세서(200)는 제1 특징 및 제2 특징을 연결함으로써 연결 벡터를 생성할 수 있다. 프로세서(200)는 연결 벡터를 제1 완전 연결 레이어에 입력함으로써 제1 완전 연결 출력을 획득할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 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, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 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 컨트롤러를 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, 가상 장치(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 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 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. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있으며 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.

위에서 설명한 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 또는 복수의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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

호흡 질환 분류 장치가 호흡음 데이터를 수신하는 단계;
상기 호흡 질환 분류 장치가 상기 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성하는 단계;
상기 호흡 질환 분류 장치가 상기 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출하는 단계;
상기 호흡 질환 분류 장치가 상기 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출하는 단계; 및
상기 호흡 질환 분류 장치가 상기 제1 특징 및 상기 제2 특징에 기초하여 호흡 질환을 분류하는 단계
를 포함하고,
상기 분류하는 단계는,
상기 제1 특징 및 상기 제2 특징을 연결함으로써 연결 벡터를 생성하는 단계;
상기 연결 벡터를 제1 완전 연결 레이어에 입력함으로써 제1 완전 연결 출력을 획득하는 단계; 및
상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류하는 단계를 포함하고,
상기 제1 특징은 제1 크기를 가지고, 상기 제2 특징은 제2 크기를 가지고, 상기 연결 벡터는 상기 제1 크기와 상기 제2 크기를 더한 크기를 가지는,
호흡 질환 분류 방법.
제1항에 있어서,
상기 제1 특징을 추출하는 단계는,
상기 파형 이미지에 컨볼루션 연산을 수행하는 단계;
상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하는 단계; 및
상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제1 특징을 추출하는 단계를 포함하는 호흡 질환 분류 방법.
제1항에 있어서,
상기 제2 특징을 추출하는 단계는,
상기 MFCC 이미지에 컨볼루션 연산을 수행하는 단계;
상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하는 단계; 및
상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제2 특징을 추출하는 단계
를 포함하는 호흡 질환 분류 방법.
삭제
제1항에 있어서,
상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류하는 단계는,
상기 제1 완전 연결 출력을 상기 제2 완전 연결 레이어에 입력함으로써 제2 완전 연결 출력을 획득하는 단계;
상기 제2 완전 연결 출력 중에서 분류 데이터를 결정하는 단계; 및
상기 분류 데이터에 기초하여 상기 호흡 질환을 분류하는 단계
를 포함하는 호흡 질환 분류 방법.
제5항에 있어서,
상기 분류 데이터를 결정하는 단계는,
상기 제2 완전 연결 출력 중에서 가장 큰 데이터를 상기 분류 데이터로 결정하는 단계
를 포함하는 호흡 질환 분류 방법.
제1항에 있어서,
상기 분류하는 단계는,
상기 제1 특징 및 상기 제2 특징에 기초하여 상기 호흡 질환을 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염, 천식, 하부 호흡기 감염 및 정상 중에서 하나로 분류하는 단계
를 포함하는 호흡 질환 분류 방법.
제1항에 있어서,
상기 호흡 질환 분류 장치가 상기 파형 이미지에 기초하여 상기 제1 뉴럴 네트워크를 학습시키는 단계; 및
상기 호흡 질환 분류 장치가 상기 MFCC 이미지에 기초하여 상기 제2 뉴럴 네트워크를 학습시키는 단계
를 더 포함하는 호흡 질환 분류 방법.
제1항에 있어서,
상기 호흡 질환 분류 장치가 상기 제1 특징 및 상기 제2 특징에 기초하여 획득한 분류 데이터에 기초하여 손실을 계산하는 단계;
상기 호흡 질환 분류 장치가 상기 손실에 기초하여 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크가 결합된 앙상블 네트워크를 학습시키는 단계
를 더 포함하는 호흡 질환 분류 방법.
제1항에 있어서,
상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크는
전역 풀링(global pooling) 레이어를 포함하는
호흡 질환 분류 방법.
호흡음 데이터를 수신하는 수신기; 및
상기 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성하고,
상기 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출하고,
상기 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출하고,
상기 제1 특징 및 상기 제2 특징에 기초하여 호흡 질환을 분류하는 프로세서
를 포함하고,
상기 프로세서는,
상기 제1 특징 및 상기 제2 특징을 연결함으로써 연결 벡터를 생성하고,
상기 연결 벡터를 제1 완전 연결 레이어에 입력함으로써 제1 완전 연결 출력을 획득하고,
상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류하고,
상기 제1 특징은 제1 크기를 가지고, 상기 제2 특징은 제2 크기를 가지고, 상기 연결 벡터는 상기 제1 크기와 상기 제2 크기를 더한 크기를 가지는,
호흡 질환 분류 장치.
제11항에 있어서,
상기 프로세서는,
상기 파형 이미지에 컨볼루션 연산을 수행하고,
상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하고,
상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제1 특징을 추출하는
호흡 질환 분류 장치.
제11항에 있어서,
상기 프로세서는,
상기 MFCC 이미지에 컨볼루션 연산을 수행하고,
상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하고,
상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제2 특징을 추출하는
호흡 질환 분류 장치.
삭제
제11항에 있어서,
상기 프로세서는,
상기 제1 완전 연결 출력을 상기 제2 완전 연결 레이어에 입력함으로써 제2 완전 연결 출력을 획득하고,
상기 제2 완전 연결 출력 중에서 분류 데이터를 결정하고,
상기 분류 데이터에 기초하여 상기 호흡 질환을 분류하는
호흡 질환 분류 장치.
제15항에 있어서,
상기 프로세서는,
상기 제2 완전 연결 출력 중에서 가장 큰 데이터를 상기 분류 데이터로 결정하는
호흡 질환 분류 장치.
제11항에 있어서,
상기 프로세서는,
상기 제1 특징 및 상기 제2 특징에 기초하여 상기 호흡 질환을 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염, 천식, 하부 호흡기 감염 및 정상 중에서 하나로 분류하는
호흡 질환 분류 장치.
제11항에 있어서,
상기 프로세서는,
상기 파형 이미지에 기초하여 상기 제1 뉴럴 네트워크를 학습시키고,
상기 MFCC 이미지에 기초하여 상기 제2 뉴럴 네트워크를 학습시키는
호흡 질환 분류 장치.
제11항에 있어서,
상기 프로세서는,
상기 제1 특징 및 상기 제2 특징에 기초하여 획득한 분류 데이터에 기초하여 손실을 계산하고,
상기 손실에 기초하여 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크가 결합된 앙상블 네트워크를 학습시키는
호흡 질환 분류 장치.
제11항에 있어서,
상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크는
전역 풀링(global pooling) 레이어를 포함하는
호흡 질환 분류 장치.