KR102653259B1 - 심박변이도 특징 값을 추출하기 위한 방법 - Google Patents
심박변이도 특징 값을 추출하기 위한 방법 Download PDFInfo
- Publication number
- KR102653259B1 KR102653259B1 KR1020210126071A KR20210126071A KR102653259B1 KR 102653259 B1 KR102653259 B1 KR 102653259B1 KR 1020210126071 A KR1020210126071 A KR 1020210126071A KR 20210126071 A KR20210126071 A KR 20210126071A KR 102653259 B1 KR102653259 B1 KR 102653259B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- heart rate
- neural network
- rate variability
- time period
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000003062 neural network model Methods 0.000 claims abstract description 111
- 238000003860 storage Methods 0.000 claims description 23
- 206010003119 arrhythmia Diseases 0.000 claims description 18
- 230000006793 arrhythmia Effects 0.000 claims description 18
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 135
- 230000008569 process Effects 0.000 description 39
- 238000012549 training Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 21
- 238000012545 processing Methods 0.000 description 15
- 230000007774 longterm Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000013186 photoplethysmography Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013498 data listing Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000033764 rhythmic process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000003403 autonomic nervous system Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
본 개시의 일 실시예에 따라, 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 심박변이도(HRV: Heart Rate Variability) 특징 값을 추출하기 위한 방법으로서, 제 1 시간 기간 동안 측정된 제 1 생체신호 데이터를 획득하는 단계; 및 상기 제 1 생체신호 데이터를 사전 학습된 신경망 모델에 입력하여 상기 제 1 시간 기간 보다 긴 시간 기간에 대응하는 하나 이상의 심박변이도 특징 값을 출력하는 단계;를 포함하는 심박변이도 특징 값을 추출하기 위한 방법.
Description
본 개시는 심장 관련된 생체 신호에 대한 측정 및 분석 방법에 관한 것으로, 보다 구체적으로, 신경망을 이용하여 심박변이도 특징 값을 추출하기 위한 방법에 관한 것이다.
일반적으로, 사람의 현재 상태를 파악하기 위해 혹은 미래의 상태를 예측하기 위해 여러가지 방식으로 생체 신호가 측정될 수 있다. 예를 들어, 사람의 심장과 관련된 상태를 확인하기 위하여 예를 들어 심전도(ECG: Electrocardiogram) 신호 혹은 광혈류측정(PPG: Photoplethysmography) 신호가 측정될 수 있다.
심전도 신호는 심장 활동에 의해 국소적으로 발생하는 전기 변화를 기록한 것이다. 그리고, 광혈류측정 신호는 신체 조직에 광을 조사하여 혈관의 팽창 및 수축에 따라 광의 반사율이 달라지는 원리를 이용하여 심박을 측정한 것이다.
심전도 신호 및 광혈류측정 신호에 대한 분석 결과는 여러가지 질환 진단에 활용될 수 있다. 이러한 심전도 신호 및 광혈류측정 신호로부터 획득할 수 있는 정보 중 하나로 심박변이도(HRV: Heart Rate Variability)가 있다.
심박변이도는 심장 박동의 변이 정도를 의미하며, 하나의 심장 주기로부터 다음 심장 주기사이의 미세한 변이를 의미한다. 심박변이도는 자율신경계 균형도 및 활성도의 확인, 스트레스 관련 질환의 발병 위험도 예측 및 평가, 질병에 대한 저항능력의 평가, 치료 효과에 대한 확인 및 추적 검사 등에 활용된다.
심박변이도에서 도출할 수 있는 특징 값들의 대부분은 장기측정(예를 들어, 5분 이상, 10분 이상 또는 24시간 이상 등)해야 신뢰도 있는 결과값을 보여주는 항목들이 존재한다.
신뢰할 만한 수준의 심박변이도 특징 값들을 추출하기 위해서, 사용자는 심전도 등의 심장 관련 생체신호의 측정 기간동안 움직임 없는 자세로 깨끗한 신호 측정을 진행해야 한다.
이처럼 심전도 신호 혹은 광혈류측정 신호에 대한 장기측정에서는 사용자에게 큰 불편을 초래하며, 사용자의 움직임과 같은 다양한 변수로 인해 신호의 품질이 떨어질 수 있다는 문제점이 있다.
따라서, 단기측정만으로 신뢰할 만한 심박변이도 특징 값들을 추출하기 위한 방법에 대한 연구 및 개발의 필요성이 존재한다.
한국의 공개특허공보 제10-2018-0032829호는 심박 신호 측정 장치에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 신경망을 이용하여 심박변이도 특징 값을 추출하기 위한 방법을 제공하는 것을 목적으로 한다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따른 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 심박변이도(HRV: Heart Rate Variability) 특징 값을 추출하기 위한 방법으로서, 제 1 시간 기간 동안 측정된 제 1 생체신호 데이터를 획득하는 단계; 및 상기 제 1 생체신호 데이터를 사전 학습된 신경망 모델에 입력하여 상기 제 1 시간 기간 보다 긴 시간 기간에 대응하는 하나 이상의 심박변이도 특징 값을 출력하는 단계;를 포함할 수 있다.
대안적으로, 상기 사전 학습된 신경망 모델은, 제 2 시간 기간 동안 측정된 제 2 생체신호 데이터를 시간에 따라 분할한 복수의 세그먼트(segment)들을 기초로 생성된 데이터셋을 이용하여 학습된 것일 수 있다.
대안적으로, 상기 하나 이상의 심박변이도 특징 값을 출력하는 단계는, 상기 복수의 세그먼트들 각각에 대응되는 심박변이도 특징 값에 기초하여, 상기 하나 이상의 심박변이도 특징 값을 출력하는 단계;를 포함하고, 상기 복수의 세그먼트들 각각의 시간 기간은 상기 제 1 시간 기간보다 길 수 있다.
대안적으로, 상기 데이터셋은, 상기 복수의 세그먼트들 중 제 1 세그먼트를 시간에 따라 분할한 복수의 서브(sub) 세그먼트들을 입력 데이터로서 포함하고, 그리고 상기 제 1 세그먼트에서 추출된 제 3 생체신호 데이터에 대응하는 심박변이도 특징 값을 상기 입력 데이터의 정답(ground truth) 데이터로서 포함할 수 있다.
대안적으로, 상기 복수의 서브 세그먼트들 각각의 시간 기간은 상기 제 1 시간 기간과 대응될 수 있다.
대안적으로, 부정맥 질환이 존재한다는 입력을 수신하는 경우, 상기 제 1 생체신호 데이터가 측정되는 상기 제 1 시간 기간을 상기 부정맥 질환이 존재하지 않는 사용자에 비해 길게 설정하거나, 상기 사용자로부터 사전 정의된 패턴의 신호가 측정되는 시점까지의 시간 기간으로 설정할 수 있다.
대안적으로, 상기 제 1 생체신호 데이터를 상기 사전 학습된 신경망 모델에 입력하여 상기 하나 이상의 심박변이도 특징 값을 출력하는 단계는, 상기 제 1 생체신호 데이터를 상기 사전 학습된 신경망 모델에 입력하여 상기 하나 이상의 심박변이도 특징 값을 도메인(domain)별로 출력하는 단계;를 포함할 수 있다.
대안적으로, 상기 도메인은, 시간 도메인(time domain), 주파수 도메인(frequency domain) 또는 비선형 도메인(nonlinear domain) 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 사전 학습된 신경망 모델은, 상기 도메인별로 독립적으로 학습된 복수의 서브-신경망 모델들을 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 다른 실시예에 따른 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 프로세서로 하여금 심박변이도 특징 값을 추출하기 위한 방법을 수행하도록 하며, 상기 방법은: 제 1 시간 기간 동안 측정된 제 1 생체신호 데이터를 획득하는 단계; 및 상기 제 1 생체신호 데이터를 사전 학습된 신경망 모델에 입력하여 상기 제 1 시간 기간 보다 긴 시간 기간에 대응하는 하나 이상의 심박변이도 특징 값을 출력하는 단계;를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 또 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 컴퓨팅 장치로서, 하나 이상의 코어를 포함하는 프로세서; 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리;를 포함하고, 상기 프로세서는, 제 1 시간 기간 동안 측정된 제 1 생체신호 데이터를 획득하고; 그리고 상기 제 1 생체신호 데이터를 사전 학습된 신경망 모델에 입력하여 상기 제 1 시간 기간 보다 긴 시간 기간에 대응하는 하나 이상의 심박변이도 특징 값을 출력할 수 있다.
본 개시는 신경망을 이용하여 심박변이도 특징 값을 추출할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 심박변이도 특징 값을 추출하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 몇몇 실시예에 따른 신경망 모델을 통해 심박변이도 특징 값을 추출하는 과정을 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 또 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 7은 본 개시의 몇몇 또 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법에서 신경망 모델을 학습시키기 위한 데이터셋을 구성하는 과정을 설명하기 위한 흐름도이다.
도 8은 본 개시의 몇몇 실시예에 따른 생체신호 데이터를 획득하기 위한 방법을 설명하기 위한 흐름도이다.
도 9는 본 개시의 몇몇 다른 실시예에 따른 생체신호 데이터를 획득하기 위한 방법을 설명하기 위한 흐름도이다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
도 1은 본 개시의 몇몇 실시예에 따른 심박변이도 특징 값을 추출하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 몇몇 실시예에 따른 신경망 모델을 통해 심박변이도 특징 값을 추출하는 과정을 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 또 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 7은 본 개시의 몇몇 또 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법에서 신경망 모델을 학습시키기 위한 데이터셋을 구성하는 과정을 설명하기 위한 흐름도이다.
도 8은 본 개시의 몇몇 실시예에 따른 생체신호 데이터를 획득하기 위한 방법을 설명하기 위한 흐름도이다.
도 9는 본 개시의 몇몇 다른 실시예에 따른 생체신호 데이터를 획득하기 위한 방법을 설명하기 위한 흐름도이다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 심박변이도(HRV: Heart Rate Variability) 특징 값을 추출하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크가 본 개시 내용에서 표현되는 네트워크에 포함될 수 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
프로세서(110)는 심박변이도 특징 값을 추출하기 위해 제 1 시간 기간 동안 측정된 제 1 생체신호 데이터를 획득할 수 있다. 여기서, 제 1 시간 기간은 특정한 길이의 시간 기간을 의미하며, 일례로 단기간(예를 들어, 2분30초 미만)을 의미할 수 있다. 예를 들어, 제 1 시간 기간은 사용자로부터 특정 신호가 포함된 제 1 생체신호 데이터를 획득하기 위해 소요되는 시간일 수 있다. 예를 들어, 제 1 시간 기간은 심전도 측정에 소요되는 시간 기간을 의미할 수 있다. 다른 예시로, 제 1 시간 기간은 광혈류측정에 소요되는 시간 기간을 의미할 수 있다. 다른 예시로, 제 1 시간 기간은 학습된 신경망 모델의 인퍼런스(inference) 과정에서 사용되는 입력 데이터가 요구하는 시간 기간을 의미할 수 있다.
본 개시내용에서의 단기간 및 장기간은 상대적으로 길고 짧은 시간 기간을 표현하기 위해 사용되는 용어이다. 일례로, 단기간은 2분 30초 미만, 1분 미만, 30초 미만 또는 10초 미만의 시간 기간을 의미할 수 있으며, 장기간은 2분 30초 이상, 5분 이상, 10분 이상, 1시간 이상 또는 24시간 이상의 시간 기간을 의미할 수 있다. 단기간은 장기간에 비해 상대적으로 짧은 시간 기간을 의미할 수 있다.
생체신호 데이터는 인체로부터 얻을 수 있는 생물학적 신호로서 전기적 또는 자기적 형태의 데이터를 의미할 수 있다. 제 1 생체신호 데이터는 심장과 관련된 생체 신호 데이터를 의미할 수 있으며, 이러한 심장과 관련된 생체 신호 데이터는 예를 들어 심전도 데이터 또는 광혈류측정 데이터를 포함할 수 있다. 심전도 데이터는 사용자(예를 들어, 검사 대상자)의 피부에 적어도 하나의 리드를 부착하여 일정 시간 측정하여 획득될 수 있다. 광혈류측정 데이터는 광원과 광검출기를 포함하는 센서 모듈을 이용하여 신체의 일부분(예를 들어, 손가락)에 부착하여 일정 시간 측정하여 획득될 수 있다. 심전도 데이터 및 광혈류측정 데이터는 각각 시간에 따른 심박동 신호의 세기를 나타낸 그래프의 정보를 포함할 수 있다. 구체적으로, 그래프의 정보는 사용자의 심장 근육에 흐르는 미세한 전류를 증폭한 심전도 곡선의 모양, 심전도 곡선의 파형 간 거리, 심전도 곡선의 높이, 심전도 곡선의 각도 등을 포함할 수 있다.
이러한 생체신호 데이터를 분석하여 심박변이도(HRV: Heart Rate Variability)를 획득할 수 있다. 심박변이도는 심장 박동의 변이 정도를 의미하며, 하나의 심장 주기로부터 다음 심장 주기 사이의 미세한 변이를 의미한다. 심박변이도에 대한 분석을 통해서 하나 이상의 심박변이도 특징 값들이 추출될 수 있다. 심박변이도 특징 값은 시간 도메인, 주파수 도메인, 또는 비선형 도메인 등에서 각각 사전에 설정된 기준에 따라 정량화된 값을 의미할 수 있다. 예를 들어, 심박변이도 특징 값은 mRR, SDRR, mHR, SDHR, RMSSD, NN50, pNN50, VLF, LF, HF, pVLF, pLF, pHF, prcVLF, prcLF, powHF, nLF, nHF, LF/HF, SD1, SD2, ApEn, SampEn, D2, Alpha1, Alpha2, Lmean, Lmax, REC, DET, 및/또는 ShanEn 등을 포함할 수 있다.
심박변이도의 특징 값들을 나타내는 파라미터들은 아래의 [표 1]을 예시될 수 있다.
| 파라미터 | 설명 | |
| 시간 도메인 | mRR | RR 구간들의 평균 |
| SDRR | RR 구간들의 표준 편차 | |
| mHR | 평균 심박수들 | |
| SDHR | 순간 심박수 값의 표준 편차 | |
| RMSSD | 연속적인 RR 구간 사이의 차이에 대한 표준 편차 | |
| NN50 | 50ms 이상 차이가 나는 연속적인 RR 구간 쌍의 수 | |
| pNN50 | NN50을 RR 구간들의 총 수로 나눈 값 | |
| 주파수 도메인 | VLF | 매우 낮은 주파수 범위에서의 최대값(peak)(0~0.04 Hz) |
| LF | 낮은 주파수 범위에서의 최대값(peak)(0.04~0.15 Hz) | |
| HF | 높은 주파수 범위에서의 최대값(peak)(0.15~0.4 Hz) | |
| pVLF | VLF 대역에서의 절대적인 파워(absolute powers) | |
| pLF | LF 대역에서의 절대적인 파워(absolute powers) | |
| pHF | HF 대역에서의 절대적인 파워(absolute powers) | |
| prcVLF | VLF 대역에서의 상대적인 파워(relative powers)VLF(ms2)/총 파워(ms2)×100% | |
| prcLF | LF 대역에서의 상대적인 파워(relative powers)LF(ms2)/총 파워(ms2)×100% | |
| powHF | HF 대역에서의 상대적인 파워(relative powers)HF(ms2)/총 파워(ms2)×100% | |
| nLF | 정규화된 단위에 LF 대역에서의 파워LF(ms2)/(LF+HF)(ms2) | |
| nHF | 정규화된 단위에 HF 대역에서의 파워HF(ms2)/(LF+HF)(ms2) | |
| LF/HF | LF와 HF 대역 파워 사이의 비율 | |
| 비선형 도메인 | SD1 | 푸앵카레 플롯의 표준 편차(단기 변동성) |
| SD2 | 푸앵카레 플롯의 표준 편차(장기 변동성) | |
| ApEn | 근사적 엔트로피 | |
| SapmpEn | 샘플 엔트로피 | |
| D2 | 상관 차원(correlation dimension) | |
| Alpha1 | 추세 변동 분석(DFA)의 단기 변동들 | |
| Alpha2 | 추세 변동 분석(DFA)의 장기 변동들 | |
| Lmean | 리커런스 플롯(RP)에서 대각선의 평균선 길이 | |
| Lmax | 리커런스 플롯(RP)에서 대각선의 최대선 길이 | |
| REC | 재발율(recurrence rate):RP에서 재발 지점들(recurrence point)의 백분율 | |
| DET | 결정론(determinism):RP에서 대각선을 형성하는 재발 지점들의 백분율 | |
| ShanEn | 대각선 길이의 확률 분포의 섀넌 엔트로피(shannon entropy) |
다양한 형태의 생체신호 데이터를 측정하는 방식들이 존재하지만, 이하에서는 설명의 편의를 위하여, 생체신호 데이터를 측정하기 위한 방식을 설명하기 위해 심전도 측정 방식이 예시적으로 기재될 것이다.
프로세서(110)는 별도의 측정 장치로부터 측정된 제 1 생체신호 데이터를 획득하거나, 컴퓨팅 장치(100)에 포함된 적어도 하나의 리드(미도시)로부터 직접 제 1 생체신호를 획득할 수 있다. 일례로, 제 1 생체 신호 데이터는 신경망 모델(200)의 인퍼런스 과정에서 사용되는 데이터일 수 있다.
그리고, 제 1 생체신호 데이터를 사전 학습된 신경망 모델(200)에 입력하여 하나 이상의 심박변이도 특징 값을 출력할 수 있다. 여기서, 신경망 모델(200)은 도 2 및 3을 참조하여 후술한다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 신경망 모델, 서브-신경망 모델, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터, 데이터셋), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터, 즉 데이터셋이 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 신경망 모델, 서브-신경망 모델, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 3은 본 개시의 몇몇 실시예에 따른 신경망 모델을 통해 심박변이도 특징 값을 추출하는 과정을 설명하기 위한 도면이다.
도 3에 도시된 신경망 모델(200)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 몇몇 실시예에서 신경망 모델(200)은 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 신경망 모델(200)을 구성할 수도 있다. 심박변이도 특징 값은 시간 도메인, 주파수 도메인, 비선형 도메인 등에서 각각 사전에 설정된 기준에 따라 정량화된 값을 의미할 수 있다. 예를 들어, 심박변이도 특징 값은 mRR, SDRR, mHR, SDHR, RMSSD, NN50, pNN50, VLF, LF, HF, pVLF, pLF, pHF, prcVLF, prcLF, powHF, nLF, nHF, LF/HF, SD1, SD2, ApEn, SampEn, D2, Alpha1, Alpha2, Lmean, Lmax, REC, DET, ShanEn 등을 포함할 수 있다.
도 3을 참조하면, 신경망 모델(200)은 도메인별로 독립적으로 학습된 복수의 서브-신경망 모델들을 포함할 수 있다. 예를 들어, 복수의 서브-신경망 모델들은 제 1 서브-신경망 모델(210), 제 2 서브-신경망 모델(220), 제 3 서브-신경망 모델(230)을 포함할 수 있다. 일례로, 서브-신경망 모델들(210, 220, 230)은 하나의 신경망 모델(200)을 구성할 수 있다. 서브-신경망 모델(210, 220, 230)에서의 네트워크 구조, 학습 방법, 입력 데이터 형식 또는 출력 데이터 형식 중 적어도 하나는 동일할 수 있다. 서브-신경망 모델(210, 220, 230)은 네트워크 구조, 학습 방법, 입력 데이터 형식 또는 출력 데이터 형식 중 적어도 하나를 상호 공유할 수 있다. 신경망 모델(200)은 서브-신경망 모델들(210, 220, 230)의 출력들을 앙상블(ensemble)하거나 혹은 이들의 출력들에 대한 추가적인 후처리 프로세스를 통해 최종 출력물을 생성할 수 있다.
다른 예시로, 서브-신경망 모델들(210, 220, 230)은 신경망 모델(200)과 독립적으로 존재할 수도 있다.
본 개시내용의 일 실시예에서, 서브-신경망 모델들(210, 220, 230) 각각은 심박변이도 특징 값들 중 서로 상이한 도메인에 해당하는 심박변이도 특징 값들에 기초하여 학습될 수 있다.
제 1 서브-신경망 모델(210)은 시간 도메인(time domain)에 대응되는 하나 이상의 심박변이도 특징 값이 출력되도록 학습된 모델일 수 있다. 따라서, 컴퓨팅 장치(100)에 의해 신경망 모델(200)에 제 1 생체신호 데이터가 입력되는 경우, 제 1 서브-신경망 모델(210)은 시간 도메인에 대응되는 하나 이상의 심박변이도 특징 값을 출력할 수 있다. 예를 들어, 시간 도메인에 대응되는 하나 이상의 심박변이도 특징 값은 mRR, SDRR, mHR, SDHR, RMSSD, NN50, pNN50 등을 포함할 수 있다.
제 2 서브-신경망 모델(220)은 주파수 도메인(frequency domain)에 대응되는 하나 이상의 심박변이도 특징 값이 출력되도록 학습된 모델일 수 있다. 따라서, 컴퓨팅 장치(100)에 의해 신경망 모델(200)에 제 1 생체신호 데이터가 입력되는 경우, 제 2 서브-신경망 모델(220)은 주파수 도메인에 대응되는 하나 이상의 심박변이도 특징 값을 출력할 수 있다. 예를 들어, 주파수 도메인에 대응되는 하나 이상의 심박변이도 특징 값은 VLF, LF, HF, pVLF, pLF, pHF, prcVLF, prcLF, powHF, nLF, nHF, LF/HF 등을 포함할 수 있다.
제 3 서브-신경망 모델(230)은 비선형 도메인(nonlinear domain)에 대응되는 하나 이상의 심박변이도 특징 값이 출력되도록 학습된 모델일 수 있다. 따라서, 컴퓨팅 장치(100)에 의해 신경망 모델(200)에 제 1 생체신호 데이터가 입력되는 경우, 제 3 서브-신경망 모델(220)은 비선형 도메인에 대응되는 하나 이상의 심박변이도 특징 값을 출력할 수 있다. 예를 들어, 비선형 도메인에 대응되는 하나 이상의 심박변이도 특징 값은 SD1, SD2, ApEn, SampEn, D2, Alpha1, Alpha2, Lmean, Lmax, REC, DET, ShanEn 등을 포함할 수 있다.
도 3에서 상술한 몇몇 실시예와 같이, 신경망 모델(200)은 복수의 서브-신경망 모델들을 포함하여 하나 이상의 심박변이도 특징 값을 도메인별로 출력할 수 있다. 또한, 신경망 모델(200)은 도메인별로 출력된 하나 이상의 심박변이도 특징 값에 기초하여 전체 심박변이도 특징 값을 출력할 수도 있다. 전체 심박변이도 특징값을 출력하는 방법은, 예를 들어 각 도메인별로 출력된 심박변이도 특징값들을 합산하는 방법, 각 도메인별로 출력된 심박변이도 특징 값들 각각에 사전결정된 가중치를 적용하여, 합산하는 방법, 각 도메인별로 출력된 심박변이도 특징 값들에 사전결정된 알고리즘을 적용하여 합산하는 방법, 또는 각 도메인별로 출력된 심박변이도 특징 값들을 인공지능 모델에 입력하여 그 출력을 합산 값으로 사용하는 방법 등의 다양한 방법들을 포함할 수 있다.
따라서, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델(200)을 이용하여 사용자의 요구사항에 맞춰서 도메인별 또는 전체의 하나 이상의 심박변이도 특징 값을 출력할 수 있다.
앞서 도 1 내지 3을 통해 서술한 컴퓨팅 장치(100)에서 신경망 모델(200)을 이용하여 심박변이도 특징 값을 추출하는 방법에 대해서 후술한다.
도 4는 본 개시의 몇몇 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 4를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 시간 기간 동안 측정된 제 1 생체 신호 데이터를 획득할 수 있다(S100).
여기서, 제 1 시간 기간은 단기간(예를 들어, 30초 미만, 1분 미만 또는 2분30초 미만)을 의미할 수 있다. 본 명세서에서의 시간 기간에 대한 예시들은 설명의 편의를 도모하고 그리고 이해의 편의를 돕기 위한 목적으로 사용되는 예시일 뿐, 이러한 시간 기간에 대한 예시 시간 기간들은 적용되는 어플레이케이션의 종류 및 획득되는 파라미터들(예컨대, 심박변이도 특징 값들)의 종류에 따라 가변적일 수 있다.
제 1 생체신호 데이터는 심전도 데이터 또는 광혈류측정 데이터를 포함할 수 있다.
또한, 프로세서(110)는 별도의 측정 장치로부터 측정된 제 1 생체신호 데이터를 획득하거나, 컴퓨팅 장치(100)에 포함된 적어도 하나의 리드(미도시)로부터 직접 제 1 생체신호를 획득할 수 있다.
여기서, 프로세서(110)는 제 1 생체신호 데이터를 신경망 모델(200)에 입력하기 위해 전처리할 수 있다. 전처리란 신경망 모델(200)에 입력하기 위하여 입력 데이터에 대한 사전 처리를 의미한다. 예를 들어, 프로세서(110)는 제 1 생체신호 데이터로부터 R파의 최대값(peak)을 도출할 수 있다. 여기서, R파의 최대값은 웨이브릿 변환(wavelet transform), 팬-톰킨스 알고리즘(pan-tompkins algorithm), 딥러닝 알고리즘(deep learning algorithm) 등의 다양한 R파의 최대값 검출 알고리즘을 이용하여 도출할 수 있고, R파의 최대값 검출 알고리즘은 이에 한정되지 않는다.
다른 예를 들어, 프로세서(110)는 제 1 생체신호 데이터를 푸리에 변환(fourier transform)을 사용하여 시간 도메인의 데이터를 주파수 도메인의 데이터 또는 시간-주파수 도메인의 데이터로 변환할 수 있다.
따라서, 프로세서(110)는 전처리된 제 1 생체신호 데이터를 신경망 모델(200)에 입력할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 제 1 생체 신호 데이터를 사전 학습된 신경망 모델(200)에 입력하여 제 1 시간 기간보다 긴 시간 기간에 대응하는 하나 이상의 심박변이도 특징 값을 출력할 수 있다(S200). 예를 들어, 학습된 신경망 모델(200)을 사용하여 단기간 측정된 생체 신호 데이터를 통해 상대적으로 장기간 측정된 심박변이도 특징 값을 출력하는 신경망 인퍼런스 동작이 구현될 수 있다.
여기서, 신경망 모델(200)은 도메인별로 독립적으로 학습된 복수의 서브-신경망 모델들을 포함할 수 있다. 따라서, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 생체신호 데이터를 사전 학습된 신경망 모델(200)에 입력하여 하나 이상의 심박변이도 특징 값을 도메인별로 출력할 수 있다. 또한, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델(200)을 이용하여 도메인별로 출력된 하나 이상의 심박변이도 특징 값을 하나로 합쳐서 전체 심박변이도 특징 값을 출력할 수도 있다.
본 개시의 몇몇 실시예에 따르면, 신경망 모델(200)은 입력 데이터 및 입력 데이터의 정답 데이터를 포함하는 데이터셋을 이용하여 교사 학습된 모델을 포함할 수 있다. 교사 학습된 모델은 신경망 구조를 이용하여 학습된 모델을 포함할 수 있다. 교사 학습된 모델은 입력 데이터의 정답 데이터를 이용하여 학습 과정에서 오차를 감소시켜 학습된 모델을 의미할 수 있다. 교사 학습된 모델은 예를 들어, 컨볼루션 뉴럴 네트워크 또는 리커런트 뉴럴 네트워크를 이용하여 학습된 모델일 수 있다.
또한, 신경망 모델(200)은 컨볼루션 뉴럴 네트워크, 리커런트 뉴럴 네트워크 뿐만 아니라 어텐션 매커니즘(attention mechanism) 모델, 및/또는 트랜스포머(transformer) 등을 단독 또는 조합으로 구성한 모델을 포함할 수 있다.
신경망 모델(200)은 입력 데이터만을 이용하여 비교사 학습된 모델을 포함할 수 있다. 비교사 학습된 모델은 신경망 구조를 이용하여 학습된 모델을 포함할 수 있다. 비교사 학습된 모델은 입력 데이터와 출력되는 데이터를 비교하여 오차가 계산되고, 계산된 오차를 역방향으로 역전파하여 각 레이어의 각 노드들의 연결 가중치가 업데이트 되어 학습된 모델을 의미할 수 있다. 비교사 학습된 모델은 예를 들어, 오토 인코더를 이용하여 학습된 모델일 수 있다.
도 4에서 상술한 몇몇 실시예와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 단기간 측정된 생체신호 데이터를 신경망 모델(200)에 입력하여 장기간 측정된 생체신호 데이터에 대응되는 심박변이도 특징 값, 즉, 신뢰도가 높은 심박변이도 특징 값을 출력할 수 있다.
도 5는 본 개시의 몇몇 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 5를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 시간 기간 동안 측정된 제 1 생체 신호 데이터를 획득할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 제 1 시간 기간 보다 긴 제 2 시간 기간 동안 측정된 제 2 생체신호 데이터를 시간에 따라 분할한 복수의 세그먼트(segment)들을 기초로 생성된 데이터셋을 이용하여 신경망 모델(200)을 학습시킬 수 있다(S310).
여기서, 제 2 시간 기간은 장기간(예를 들어, 5분 이상, 10분 이상, N 시간 이상 또는 24시간 이상 등)을 의미할 수 있다. 여기서 N은 자연수에 해당한다. 제 2 시간 기간은 신경망 모델(200)의 학습을 위한 데이터를 확보하기 위해 요구되는 시간일 수 있다. 예를 들어, 제 2 시간 기간은 신경망 모델(200)의 학습에 사용되는 학습 데이터에게 요구되는 최소 시간 기간을 의미할 수 있다. 다른 예시로, 제 2 시간 기간을 구성하는 하위 시간 기간이 신경망 모델(200)의 학습에 사용되는 학습 데이터에게 요구되는 최소 시간 기간을 의미할 수 있다. 예를 들어, 제 2 시간 기간은 상기 제 1 시간 기간에 비해 상대적으로 긴 시간 기간을 의미할 수 있다. 다른 예시로, 제 2 시간 기간은 홀터 데이터와 같은 장기 측정 데이터의 측정 시간 기간을 의미할 수도 있다. 다른 예시로, 제 2 시간 기간은 생체 신호의 측정 결과가 사전결정된 임계수준 이상의 신뢰도 값을 가지게 되는 레이블을 추출해낼 수 있는 시간 기간을 의미할 수 있다. 제 2 시간 기간은 어떠한 심박변이도 특징 값을 추출하는지에 따라 가변적인 값을 가질 수 있다. 제 2 시간 기간은 심박변이도 특징 값의 종류, 생체 신호 획득 방식, 신경망 모델 학습 방식 또는 적용되는 어플리케이션의 종류 중 적어도 하나에 따라 가변적일 수 있다. 제 2 생체신호 데이터는 신경망 모델(200)의 학습을 위해 요구되는 데이터일 수 있다.
본 개시내용에서의 세그먼트는 사전결정된 임계수준 이상의 신뢰도를 갖는 레이블을 추출해낼 수 있는 측정 시간 기간을 의미할 수 있다. 세그먼트에 대응되는 시간 기간 또한 다른 시간 기간과 마찬가지로 심박변이도 특징 값의 종류, 학습 방식의 종류, 적용되는 어플리케이션의 종류 등에 따라 가변적으로 결정될 수 있다.
또한, 본 개시의 몇몇 실시예에 따르면, 복수의 세그먼트들은 사전 설정된 시간 기간으로 제 2 생체신호 데이터를 연달아 나눈 시간 영역 혹은 시간의 단위를 의미할 수 있다. 예를 들어, 사전 설정된 시간 기간이 5분인 경우, 제 1 세그먼트는 제 2 생체신호 데이터에서 0~5(0이상 5미만)분의 영역이고, 제 2 세그먼트는 제 2 생체신호 데이터에서 5~10(5이상 10미만)분의 영역일 수 있다.
본 개시의 몇몇 다른 실시예에 따르면, 복수의 세그먼트들은 사전 설정된 시간 기간만큼 누적되도록 제 2 생체신호 데이터를 나눈 시간 영역을 의미할 수도 있다. 예를 들어, 사전 설정된 시간 기간이 10분인 경우, 제 1 세그먼트는 제 2 생체신호 데이터에서 0~10(0이상 10미만)분의 영역이고, 제 2 세그먼트는 제 2 생체신호 데이터에서 0~20(0이상 20미만)분의 영역일 수 있다.
본 개시의 몇몇 다른 실시예에 따르면, 복수의 세그먼트들은 가변적인 시간 간격으로 제 2 생체신호 데이터를 연달아 나눈 시간 영역 혹은 시간의 단위를 의미할 수도 있다. 예를 들어, 제 1 세그먼트는 제 2 생체신호 데이터에서 0~5 (0이상 5미만)분의 영역이고, 제 2 세그먼트는 제 2 생체신호 데이터에서 5~15 (5이상 15미만)분의 영역일 수 있다.
본 개시의 몇몇 다른 실시예에 따르면, 복수의 세그먼트들은 사전 설정된 시간 기간으로 제 2 생체신호 데이터를 불연속적으로 나눈 시간 영역 혹은 시간의 단위를 의미할 수 있다. 예를 들어, 사전 설정된 시간 기간이 5분인 경우, 제 1 세그먼트는 제 2 생체신호 데이터에서 0~5(0이상 5미만)분의 영역이고, 제 2 세그먼트는 제 2 생체신호 데이터에서 10~15(10이상 15미만)분의 영역일 수 있다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는 별도의 장치로부터 측정된 제 2 생체신호 데이터를 획득하거나, 컴퓨팅 장치(100)에 포함된 적어도 하나의 리드(미도시)로부터 직접 제 2 생체신호를 획득할 수 있다. 컴퓨팅 장치(100)는 제 2 생체신호 데이터가 사전에 저장되어 있을 수 있다.
따라서, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 생체신호 데이터를 분할하여 데이터셋을 구성함으로써, 장시간 측정된 데이터의 양이 충분하지 않은 경우에도 데이터셋의 구성이 용이하여 데이터의 양에 구애받지 않고 신경망 모델을 학습시킬 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 복수의 세그먼트들 각각에 대응되는 심박변이도 특징 값에 기초하여, 하나 이상의 심박변이도 특징 값을 출력할 수 있다(S320).
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 생체신호 데이터를 사전 학습된 신경망 모델(200)에 입력하여 복수의 세그먼트들 각각에 대응되는 심박변이도 특징 값에 기초하여, 하나 이상의 심박변이도 특징 값을 출력할 수 있다.
또한, 복수의 세그먼트들 각각의 시간 기간은 신경망 모델(200)의 인퍼런스 과정에서 사용자로부터 특정 신호가 포함된 제 1 생체신호 데이터를 획득하기 위해 소요되는 시간인 제 1 시간 기간보다 긴 제 3 시간 기간일 수 있다. 제 3 시간 기간은 신경망 모델(200)의 학습에 이용 가능한 데이터를 확보하기 위해 요구되는 시간일 수 있다. 구체적으로, 제 3 시간 기간은 제 1 시간 기간과 신경망 모델(200)의 학습을 위한 데이터를 확보하기 위해 요구되는 시간인 제 2 시간 기간 사이의 기간일 수 있다. 제 3 시간 기간은 세그먼트와 대응되는 시간 기간을 의미할 수 있다. 일례로, 제 3 시간 기간은 신경망 모델(200)의 학습에 사용되는 학습 데이터에게 요구되는 최소 시간 기간을 의미할 수 있다. 다른 예시로, 다른 예시로, 제 3 시간 기간을 구성하는 하위 시간 기간이 신경망 모델(200)의 학습에 사용되는 학습 데이터에게 요구되는 최소 시간 기간을 의미할 수 있다.
본 개시의 몇몇 실시예에 따르면, 신경망 모델(200)은 입력 데이터 및 입력 데이터의 정답 데이터를 포함하는 데이터셋을 이용하여 교사 학습된 모델을 포함할 수 있다. 교사 학습된 모델은 신경망 구조를 이용하여 학습된 모델을 포함할 수 있다. 교사 학습된 모델은 입력 데이터의 정답 데이터를 이용하여 학습 과정에서 오차를 감소시켜 학습된 모델을 의미할 수 있다. 교사 학습된 모델은 예를 들어, 컨볼루션 뉴럴 네트워크 또는 리커런트 뉴럴 네트워크를 이용하여 학습된 모델일 수 있다.
또한, 신경망 모델(200)은 컨볼루션 뉴럴 네트워크, 리커런트 뉴럴 네트워크 뿐만 아니라 어텐션 매커니즘(attention mechanism) 모델, 트랜스포머(transformer) 등을 단독 또는 조합으로 구성한 모델을 포함할 수 있다.
신경망 모델(200)은 입력 데이터만을 이용하여 비교사 학습된 모델을 포함할 수 있다. 비교사 학습된 모델은 신경망 구조를 이용하여 학습된 모델을 포함할 수 있다. 비교사 학습된 모델은 입력 데이터와 출력되는 데이터를 비교하여 오차가 계산되고, 계산된 오차를 역방향으로 역전파하여 각 레이어의 각 노드들의 연결 가중치가 업데이트 되어 학습된 모델을 의미할 수 있다. 비교사 학습된 모델은 예를 들어, 오토 인코더를 이용하여 학습된 모델일 수 있다.
도 5에서 상술한 몇몇 다른 실시예와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 생체신호 데이터보다 시간 기간이 더 긴 복수의 세그먼트들을 이용하여 신경망 모델(200)을 학습시킴으로써, 단기간 측정한 제 1 생체신호 데이터를 신경망 모델(200)에 입력하여 장기간 측정 시 획득할 수 있는 신뢰도 높은 하나 이상의 심박변이도 특징 값을 출력할 수 있다. 도 5에서 예시적으로 도시한 본 개시내용의 일 실시예에 따른 학습 방식을 통해, 단기간 측정한 생체신호 데이터에 대한 인퍼런스를 수행하는 경우 상대적으로 장기간 측정한 경우와 대응되는 신뢰도를 갖는 심박변이도 특징 값이 출력될 수 있다.
도 6은 본 개시의 몇몇 또 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법을 설명하기 위한 흐름도이다.
도 6을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 시간 기간 동안 측정된 제 1 생체 신호 데이터를 획득할 수 있다.
그리고, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 시간 기간보다 긴 제 2 시간 기간 동안 측정된 제 2 생체신호 데이터를 시간에 따라 분할하여 복수의 세그먼트들을 생성할 수 있다(S410).
여기서, 제 2 시간 기간은 장기간(예를 들어, 10분, 또는 N시간 이상 등)을 의미할 수 있다. 여기서 N은 자연수를 의미한다.
또한, 본 개시의 몇몇 실시예에 따르면, 복수의 세그먼트들은 사전 설정된 시간 기간으로 제 2 생체신호 데이터를 연달아 혹은 불연속적으로 분할한 시간 영역을 의미할 수 있다. 예를 들어, 사전 설정된 시간 기간이 5분인 경우, 제 1 세그먼트는 제 2 생체신호 데이터에서 0~5(0이상 5미만)분의 영역이고, 제 2 세그먼트는 제 2 생체신호 데이터에서 5~10(5이상 10미만)분의 영역일 수 있다. 다른 예시로, 제 2 생체신호 데이터의 값을 기준으로 복수의 세그먼트들이 불연속적으로 분할될 수도 있다. 이 경우, 제 2 시간 기간이 10분이라는 예시에서, 만약 5분 내지 5분 30초에서의 생체신호 데이터가 부정맥 등으로 인해 유의미한 형태의 값을 가지고 있지 않는다고 판단되는 경우, 0~5분 까지의 생체신호 데이터는 제 1 세그먼트로 할당될 수 있으며, 5분 30초에서 10분 30초 까지의 생체신호 데이터는 제 2 세그먼트로 할당될 수 있다. 본 개시내용의 일 실시예에서, 프로세서(110)는 생체신호 데이터의 값들을 분석함으로써, 획득된 생체신호 데이터를 어떠한 방식으로 분할할지 결정할 수 있다.
본 개시의 몇몇 다른 실시예에 따르면, 복수의 세그먼트들은 사전 설정된 시간 기간만큼 누적되도록 제 2 생체신호 데이터를 나눈 시간 영역을 의미할 수도 있다. 예를 들어, 사전 설정된 시간 기간이 10분인 경우, 제 1 세그먼트는 제 2 생체신호 데이터에서 0~10(0이상 10미만)분의 영역이고, 제 2 세그먼트는 제 2 생체신호 데이터에서 0~20(0이상 20미만)분의 영역일 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 복수의 세그먼트들 중 제 1 세그먼트를 시간에 따라 분할한 복수의 서브(sub) 세그먼트들을 입력 데이터로 생성할 수 있다(S420).
복수의 서브 세그먼트들 각각의 시간 기간은 제 1 시간 기간과 대응될 수 있다. 따라서, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 생체신호 데이터와 시간 기간이 대응되는 입력 데이터를 이용하여 신경망 모델(200)을 사전 학습시킴으로써, 정확도가 높은 하나 이상의 심박변이도 특징 값을 출력할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 제 1 세그먼트에서 추출된 제 3 생체신호 데이터에 대응하는 심박변이도 특징 값을 입력 데이터의 정답(ground truth) 데이터로 생성할 수 있다(S430).
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 세그먼트에서 추출된 제 3 생체신호 데이터를 전처리한 데이터를 이용하여 심박변이도 특징 값을 추출할 수 있다. 그리고, 컴퓨팅 장치(100)의 프로세서(110)는 추출된 제 3 생체신호 데이터의 심박변이도 특징 값을 입력 데이터의 정답 데이터로 생성할 수 있다.
제 3 생체신호 데이터는 신경망 모델(200)의 학습을 위해 제 2 시간 기간을 구성하는 하위 시간 기간동안 측정된 데이터일 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 입력 데이터 및 입력 데이터의 정답 데이터를 포함하는 데이터셋을 이용하여 신경망 모델(200)을 학습시킬 수 있다(S440).
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 입력 데이터로 복수의 세그먼트들 중 제 1 세그먼트를 시간에 따라 분할한 복수의 서브 세그먼트들 각각을 생성하고, 각각에 대한 입력 데이터의 정답 데이터는 제 3 생체신호 데이터를 전처리한 데이터를 이용하여 추출한 심박변이도 특징 값일 수 있다.
본 개시의 몇몇 실시예에 따르면, 신경망 모델(200)은 입력 데이터 및 입력 데이터의 정답 데이터를 포함하는 데이터셋을 이용하여 교사 학습된 모델을 포함할 수 있다. 교사 학습된 모델은 신경망 구조를 이용하여 학습된 모델을 포함할 수 있다. 교사 학습된 모델은 입력 데이터의 정답 데이터를 이용하여 학습 과정에서 오차를 감소시켜 학습된 모델을 의미할 수 있다. 교사 학습된 모델은 예를 들어, 컨볼루션 뉴럴 네트워크 또는 리커런트 뉴럴 네트워크를 이용하여 학습된 모델일 수 있다.
구체적으로, 신경망 모델(200)은 입력 데이터로 복수의 서브 세그먼트들 각각을 뉴럴 네트워크에 입력시키고 출력 레이어를 통해 출력되는 값과 입력 데이터의 정답 데이터인 제 3 생체신호 데이터에 대응되는 심박변이도 특징 값과의 오차를 계산하고, 오차를 줄이기 위해 출력 레이어에서부터 입력 레이어 방향으로 역전파하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트하는 교사 학습을 통해 사전 학습될 수 있다.
또한, 신경망 모델(200)은 컨볼루션 뉴럴 네트워크, 리커런트 뉴럴 네트워크 뿐만 아니라 어텐션 매커니즘(attention mechanism) 모델, 트랜스포머(transformer) 등을 단독 또는 조합으로 구성한 모델을 포함할 수 있다.
예를 들어, 신경망 모델(200)은 인코더(encoder) 및 디코더(decoder)를 포함하는 트랜스포머일 수 있다. 구체적으로, 신경망 모델(200)은 입력 데이터로 복수의 서브 세그먼트들 각각을 인코더에 입력할 수 있다. 여기서, 복수의 서브 세그먼트들 각각은 이미지 형태의 데이터일 수 있다.
신경망 모델(200)에서 인코더는 입력된 서브 세그먼트를 다수의 세트로 분할한 다음, 분할된 각각의 세트를 다수의 서브 이미지로 분할하고, 분할된 다수의 서브 이미지를 병렬로 처리하여 한 세트의 출력 이미지를 생성할 수 있다. 그리고, 인코더는 생성된 한 세트의 출력 이미지 각각에 대해 한 세트의 특징 맵을 생성하고, 생성된 각 세트의 특징 맵을 병합하며, 병합된 특징 맵을 처리하여 이미지 벡터를 출력한다. 여기서, 인코더가 서브 세그먼트를 처리하는 방법은 컨볼루션 뉴럴 네트워크, SIFT(scale invariant feature transform), HOG(histogram of oriented gradient), SURF(speeded up robust features) 등 다양한 방법들이 사용될 수 있다.
신경망 모델(200)에서 디코더는 인코더에서 출력된 이미지 벡터를 어텐션 메커니즘에 적용하여 목표치인 제 3 생체신호 데이터에 대응되는 심박변이도 특징 값을 출력하도록 반복적으로 학습될 수 있다.
그리고, 신경망 모델(200)은 입력 데이터만을 이용하여 비교사 학습된 모델을 포함할 수 있다. 비교사 학습된 모델은 신경망 구조를 이용하여 학습된 모델을 포함할 수 있다. 비교사 학습된 모델은 입력 데이터와 출력되는 데이터를 비교하여 오차가 계산되고, 계산된 오차를 역방향으로 역전파하여 각 레이어의 각 노드들의 연결 가중치가 업데이트 되어 학습된 모델을 의미할 수 있다. 비교사 학습된 모델은 예를 들어, 오토 인코더를 이용하여 학습된 모델일 수 있다.
한편, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 생체 신호 데이터를 사전 학습된 신경망 모델(200)에 입력하여 하나 이상의 심박변이도 특징 값을 출력할 수 있다.
도 6에서 상술한 몇몇 또 다른 실시예와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 시간 기간보다 긴 제 2 시간 기간 동안 측정된 제 2 생체신호 데이터를 시간에 따라 분할한 복수의 세그먼트들을 기초로 데이터셋을 구성함으로써, 장시간 측정된 데이터의 양이 충분하지 않은 경우에도 데이터셋의 구성이 용이하여 데이터의 양에 구애받지 않고 신경망 모델을 학습시킬 수 있다.
도 6에서 예시적으로 도시한 본 개시내용의 일 실시예에 따른 학습 방식을 통해, 단기간 측정한 생체신호 데이터에 대한 인퍼런스를 수행하는 경우 상대적으로 장기간 측정한 경우와 대응되는 신뢰도를 갖는 심박변이도 특징 값이 출력될 수 있다.
도 7은 본 개시의 몇몇 또 다른 실시예에 따른 심박변이도 특징 값을 추출하기 위한 방법에서 신경망 모델을 학습시키기 위한 데이터셋을 구성하는 과정을 설명하기 위한 흐름도이다.
도 7을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 생체신호 데이터(10)를 복수의 세그먼트들(20)로 분할할 수 있다. 구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 생체신호 데이터(10)를 시간에 따라 복수의 세그먼트들(20)로 분할할 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 세그먼트들(20) 중 제 1 세그먼트(21)에서 제 3 생체신호 데이터를 추출할 수 있다. 그리고, 컴퓨팅 장치(100)의 프로세서(110)는 추출된 제 3 생체신호 데이터에 대응하는 심박변이도 특징 값(30)을 추출할 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 세그먼트(21)를 복수의 서브 세그먼트들(40)로 분할할 수 있다. 구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 세그먼트(21)를 시간에 따라 복수의 서브 세그먼트들(40)로 분할할 수 있다. 여기서, 복수의 서브 세그먼트들(40)은 제 1 서브 세그먼트(41) 및 제 2 서브 세그먼트(42)를 포함할 수 있다. 예를 들어, 서브 세그먼트는 세그먼트의 하위개념을 의미할 수 있다. 일례로, 서브 세그먼트는 30초 또는 1분 또는 2분 30초에 대응되는 시간 기간을 가질 수 있다. 일례로, 서브 세그먼트는 인퍼런스 과정에서 사용되는 입력 데이터가 가지는 시간 기간과 대응되는 시간 기간을 가질 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 심박변이도 특징 값(30) 및 복수의 서브 세그먼트들(40)을 이용하여 데이터셋(50)을 생성할 수 있다. 구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 서브 세그먼트(41) 및 제 2 서브 세그먼트(42)를 입력 데이터로 포함하고, 추출된 제 3 생체신호 데이터에 대응하는 심박변이도 특징 값(30)을 입력 데이터의 정답 데이터로 포함하는 데이터셋(50)을 생성할 수 있다. 도 7에서 상술한 몇몇 또 다른 실시예와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델(200)의 학습을 위한 데이터를 확보하기 위해 요구되는 시간인 제 2 시간 기간 동안 측정된 제 2 생체신호 데이터를 분할한 복수의 세그먼트들을 기초로 데이터셋을 구성함으로써, 다수의 데이터셋을 구성할 수 있어 획득한 데이터의 양이 적은 경우에도 높은 성능을 가지도록 신경망 모델을 학습시킬 수 있다. 컴퓨팅 장치(100)의 프로세서(110)는 도 7을 참조하여 상술한 과정에 따라 제 1 세그먼트(21)뿐만 아니라 복수의 세그먼트들(20) 각각에서 생체신호 데이터들을 추출할 수 있다. 그리고, 컴퓨팅 장치(100)의 프로세서(110)는 생체신호 데이터들 각각에 대응하는 심박변이도 특징 값들을 추출할 수 있다. 따라서, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 세그먼트들(20)을 데이터셋으로 구성할 수 있다.
도 8은 본 개시의 몇몇 실시예에 따른 생체신호 데이터를 획득하기 위한 방법을 설명하기 위한 흐름도이다.
도 8을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 생체신호 데이터를 획득하기 이전에, 사용자로부터 부정맥 질환의 존재 여부에 대한 입력을 수신할 수 있다(S510).
구체적으로, 부정맥 질환은 맥박의 리듬이 불규칙적인 상태이다. 따라서, 사용자가 부정맥 질환이 있는 경우에는 측정 시간이 충분하지 않으면 유의미한 생체신호 데이터를 획득하지 못하는 상황이 발생할 수 있다. 구체적으로, 사용자의 맥박이 존재하지 않는 생체신호 데이터를 획득하여 분석이 불가능한 상황이 발생할 수 있다. 이와 같은 상황을 방지하기 위하여, 본 개시에 따른 컴퓨팅 장치(100)의 프로세서(110)는 사용자로부터 부정맥 질환의 존재 여부에 대한 입력을 수신하여 제 1 생체신호 데이터가 측정되는 제 1 시간 기간의 조정의 필요 여부를 판단할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 부정맥 질환이 존재한다는 입력을 수신하는 경우(S510, Yes), 제 1 생체신호 데이터가 측정되는 제 1 시간 기간(또는, 제 1 시간 기간의 값)을 부정맥 질환이 존재하지 않는 사용자에 비해 길게 설정할 수 있다(S520).
도 8에서 상술한 몇몇 실시예와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 부정맥 질환의 존재 여부를 고려하여 제 1 시간 기간(또는 제 1 시간 기간의 값)을 조정하여 맥박이 존재하지 않는 제 1 생체신호 데이터가 측정되는 것을 방지할 수 있다.
도 9는 본 개시의 몇몇 다른 실시예에 따른 생체신호 데이터를 획득하기 위한 방법을 설명하기 위한 흐름도이다.
도 9를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 생체신호 데이터를 획득하기 이전에, 사용자로부터 부정맥 질환의 존재 여부에 대한 입력을 수신할 수 있다(S510).
구체적으로, 부정맥 질환은 맥박의 리듬이 불규칙적인 상태이다. 따라서, 사용자가 부정맥 질환이 있는 경우에는 측정 시간이 충분하지 않으면 유의미한 생체신호 데이터를 획득하지 못하는 상황이 발생할 수 있다. 구체적으로, 사용자의 맥박이 존재하지 않는 생체신호 데이터를 획득하여 분석이 불가능한 상황이 발생할 수 있다. 이와 같은 상황을 방지하기 위하여, 본 개시에 따른 컴퓨팅 장치(100)의 프로세서(110)는 사용자로부터 부정맥 질환의 존재 여부에 대한 입력을 수신하여 제 1 생체신호 데이터가 측정되는 제 1 시간 기간의 조정의 필요 여부를 판단할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 부정맥 질환이 존재한다는 입력을 수신하는 경우(S510, Yes), 제 1 생체신호 데이터가 측정되는 제 1 시간 기간(또는, 제 1 시간 기간의 값)을 사용자로부터 사전 정의된 패턴의 신호가 측정되는 시점까지의 시간 기간으로 설정할 수 있다(S530).
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 사전 정의된 패턴의 신호를 R파의 최대값(peak)을 도출할 수 있는 신호로 설정할 수 있다.
도 9에서 상술한 몇몇 실시예와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 부정맥 질환의 존재 여부를 고려하여 제 1 시간 기간(또는, 제 1 시간 기간의 값)을 조정하여 맥박이 존재하지 않는 제 1 생체신호 데이터가 측정되는 것을 방지할 수 있다.
도 4 내지 9에서 도시되는 단계 또는 과정들은 예시적인 단계 또는 과정들로, 본 개시내용의 사상의 범위를 벗어나지 않는 한도에서 도 4 내지 9의 단계 또는 과정들 중 일부가 생략되거나 추가적인 단계 또는 과정들이 존재할 수 있다는 점 또한 당업자에게 명백할 것이다.
도 1 내지 9에서 상술한 몇몇 실시예와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 단기간 측정된 생체신호 데이터를 신경망 모델(200)에 입력하여 장기간 측정된 생체신호 데이터에 대응되는 심박변이도 특징 값을 출력할 수 있다. 즉, 컴퓨팅 장치(100)의 프로세서(110)는 단기간 측정된 생체신호 데이터를 이용하여 장기간 측정 시 획득할 수 있는 신뢰도 높은 하나 이상의 심박변이도 특징 값을 출력할 수 있다. 따라서, 컴퓨팅 장치(100)의 프로세서(110)는 장시간 생체신호를 측정하지 않아도 되므로, 웨어러블 기기에서도 간단하게 생체신호 측정이 가능하여 사용자의 편의성 증대에 기여할 수 있다.
추가적으로, 기존 기술에 따르면 특히 심박변이도 특징 값들 중 LF, HF 등은 2분 30초 미만 혹은 1분 미만 등의 단기 측정된 심전도 파형으로부터는 신뢰할만한 결과값을 가지지 못하는데, 본 개시내용의 일 실시예에 따른 심박변이도 특징 값 추출 방식의 경우 상대적으로 짧은 시간 기간 동안의 심전도 측정만으로도 충분히 신뢰할만한 심박변이도 특징 값을 추출할 수 있다는 장점을 가질 수 있다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (11)
- 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 심박변이도(HRV: Heart Rate Variability) 특징 값을 추출하기 위한 방법으로서,
제 1 시간 기간 동안 측정된 제 1 생체신호 데이터를 획득하는 단계; 및
상기 제 1 생체신호 데이터를 사전 학습된 신경망 모델에 입력하여 상기 제 1 시간 기간 보다 긴 시간 기간에 대응하는 하나 이상의 심박변이도 특징 값을 출력하는 단계;
를 포함하고,
상기 사전 학습된 신경망 모델은,
학습용 생체신호 데이터를 시간에 따라 분할한 복수의 데이터 영역들, 및 상기 학습용 생체신호 데이터에 대응하는 심박변이도 특징 값을 포함하는 데이터셋을 이용하여 학습된 것이고,
상기 데이터셋은, 상기 학습용 생체신호 데이터를 상기 제 1 시간 기간의 길이로 분할한 복수의 서브(sub) 세그먼트들 각각에 대응하는 생체신호 데이터를 입력 데이터로서 포함하고,
상기 복수의 서브 세그먼트들에 대응하는 생체신호 데이터를 포함하되 상기 제 1 시간 기간보다 긴 시간 동안 측정된 생체신호 데이터에 대응하는 심박변이도 특징값을 정답(ground truth) 데이터로서 포함하며,
상기 복수의 서브 세그먼트들은 상기 복수의 데이터 영역들에 대응하는,
심박변이도 특징 값을 추출하기 위한 방법.
- 제 1 항에 있어서,
상기 사전 학습된 신경망 모델은,
제 2 시간 기간 동안 측정된 제 2 생체신호 데이터를 시간에 따라 분할한 복수의 세그먼트(segment)들을 기초로 생성된 데이터셋을 이용하여 학습된 것이고,
상기 복수의 세그먼트들 중 하나는 상기 학습용 생체신호 데이터에 대응하는,
심박변이도 특징 값을 추출하기 위한 방법.
- 제 2 항에 있어서,
상기 하나 이상의 심박변이도 특징 값을 출력하는 단계는,
상기 복수의 세그먼트들 각각에 대응되는 심박변이도 특징 값에 기초하여, 상기 하나 이상의 심박변이도 특징 값을 출력하는 단계;
를 포함하고,
상기 복수의 세그먼트들 각각의 시간 기간은 상기 제 1 시간 기간보다 긴,
심박변이도 특징 값을 추출하기 위한 방법.
- 제 2 항에 있어서,
상기 데이터셋은,
상기 복수의 세그먼트들 중 제 1 세그먼트를 시간에 따라 분할한 상기 복수의 서브 세그먼트들을 입력 데이터로서 포함하고, 그리고
상기 제 1 세그먼트에서 추출된 제 3 생체신호 데이터에 대응하는 심박변이도 특징 값을 상기 입력 데이터의 정답 데이터로서 포함하는,
심박변이도 특징 값을 추출하기 위한 방법.
- 제 4 항에 있어서,
상기 복수의 서브 세그먼트들 각각의 시간 기간은 상기 제 1 시간 기간과 대응되는,
심박변이도 특징 값을 추출하기 위한 방법.
- 제 1 항에 있어서,
부정맥 질환이 존재한다는 입력을 수신하는 경우, 상기 제 1 생체신호 데이터가 측정되는 상기 제 1 시간 기간을 상기 부정맥 질환이 존재하지 않는 사용자에 비해 길게 설정하거나, 상기 사용자로부터 사전 정의된 패턴의 신호가 측정되는 시점까지의 시간 기간으로 설정하는,
심박변이도 특징 값을 추출하기 위한 방법.
- 제 1 항에 있어서,
상기 제 1 생체신호 데이터를 상기 사전 학습된 신경망 모델에 입력하여 상기 하나 이상의 심박변이도 특징 값을 출력하는 단계는,
상기 제 1 생체신호 데이터를 상기 사전 학습된 신경망 모델에 입력하여 상기 하나 이상의 심박변이도 특징 값을 도메인(domain)별로 출력하는 단계;
를 포함하는,
심박변이도 특징 값을 추출하기 위한 방법.
- 제 7 항에 있어서,
상기 도메인은,
시간 도메인(time domain), 주파수 도메인(frequency domain) 또는 비선형 도메인(nonlinear domain) 중 적어도 하나를 포함하는,
심박변이도 특징 값을 추출하기 위한 방법.
- 제 8 항에 있어서,
상기 사전 학습된 신경망 모델은,
상기 도메인별로 독립적으로 학습된 복수의 서브-신경망 모델들을 포함하는,
심박변이도 특징 값을 추출하기 위한 방법.
- 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 프로세서로 하여금 심박변이도 특징 값을 추출하기 위한 방법을 수행하도록 하며, 상기 방법은:
제 1 시간 기간 동안 측정된 제 1 생체신호 데이터를 획득하는 단계; 및
상기 제 1 생체신호 데이터를 사전 학습된 신경망 모델에 입력하여 상기 제 1 시간 기간 보다 긴 시간 기간에 대응하는 하나 이상의 심박변이도 특징 값을 출력하는 단계;
를 포함하고,
상기 사전 학습된 신경망 모델은,
학습용 생체신호 데이터를 시간에 따라 분할한 복수의 데이터 영역들, 및 상기 학습용 생체신호 데이터에 대응하는 심박변이도 특징 값을 포함하는 데이터셋을 이용하여 학습된 것이고,
상기 데이터셋은, 상기 학습용 생체신호 데이터를 상기 제 1 시간 기간의 길이로 분할한 복수의 서브(sub) 세그먼트들 각각에 대응하는 생체신호 데이터를 입력 데이터로서 포함하고,
상기 복수의 서브 세그먼트들에 대응하는 생체신호 데이터를 포함하되 상기 제 1 시간 기간보다 긴 시간 동안 측정된 생체신호 데이터에 대응하는 심박변이도 특징값을 정답(ground truth) 데이터로서 포함하며,
상기 복수의 서브 세그먼트들은 상기 복수의 데이터 영역들에 대응하는,
컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
- 심박변이도 특징 값을 추출하기 위한 컴퓨팅 장치로서,
하나 이상의 코어를 포함하는 프로세서;
상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리;
를 포함하고,
상기 프로세서는,
제 1 시간 기간 동안 측정된 제 1 생체신호 데이터를 획득하고; 그리고
상기 제 1 생체신호 데이터를 사전 학습된 신경망 모델에 입력하여 상기 제 1 시간 기간 보다 긴 시간 기간에 대응하는 하나 이상의 심박변이도 특징 값을 출력하며,
상기 사전 학습된 신경망 모델은,
학습용 생체신호 데이터를 시간에 따라 분할한 복수의 데이터 영역들, 및 상기 학습용 생체신호 데이터에 대응하는 심박변이도 특징 값을 포함하는 데이터셋을 이용하여 학습된 것이고,
상기 데이터셋은, 상기 학습용 생체신호 데이터를 상기 제 1 시간 기간의 길이로 분할한 복수의 서브(sub) 세그먼트들 각각에 대응하는 생체신호 데이터를 입력 데이터로서 포함하고,
상기 복수의 서브 세그먼트들에 대응하는 생체신호 데이터를 포함하되 상기 제 1 시간 기간보다 긴 시간 동안 측정된 생체신호 데이터에 대응하는 심박변이도 특징값을 정답(ground truth) 데이터로서 포함하며,
상기 복수의 서브 세그먼트들은 상기 복수의 데이터 영역들에 대응하는,
심박변이도 특징 값을 추출하기 위한 컴퓨팅 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210126071A KR102653259B1 (ko) | 2021-09-24 | 2021-09-24 | 심박변이도 특징 값을 추출하기 위한 방법 |
| PCT/KR2022/011904 WO2023048400A1 (ko) | 2021-09-24 | 2022-08-10 | 심박변이도 특징 값을 추출하기 위한 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210126071A KR102653259B1 (ko) | 2021-09-24 | 2021-09-24 | 심박변이도 특징 값을 추출하기 위한 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230043320A KR20230043320A (ko) | 2023-03-31 |
| KR102653259B1 true KR102653259B1 (ko) | 2024-04-01 |
Family
ID=85720889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210126071A KR102653259B1 (ko) | 2021-09-24 | 2021-09-24 | 심박변이도 특징 값을 추출하기 위한 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102653259B1 (ko) |
| WO (1) | WO2023048400A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023200236A1 (ko) | 2022-04-13 | 2023-10-19 | 주식회사 엘지에너지솔루션 | 리튬 이차전지용 전해질 및 이를 포함하는 리튬 이차전지 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020183857A1 (ja) * | 2019-03-08 | 2020-09-17 | 国立大学法人 東京医科歯科大学 | 心房細動解析装置、心房細動解析方法及びプログラム |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101273652B1 (ko) * | 2011-07-22 | 2013-06-11 | 가천대학교 산학협력단 | 심박변이도의 시간과 주파수 영역에서의 특징 비교 분석을 이용하여 심근 허혈을 검출하는 방법 |
| KR20190114694A (ko) * | 2018-03-30 | 2019-10-10 | 삼성에스디에스 주식회사 | 인공지능을 이용한 시계열 데이터 학습 및 분석 방법 |
| KR102448860B1 (ko) * | 2019-10-14 | 2022-10-05 | 금오공과대학교 산학협력단 | Qrs 복합체 형태 특징을 기반으로 하여 머신 러닝을 통한 심실세동 예측방법 |
| KR102400652B1 (ko) * | 2020-01-30 | 2022-05-19 | 연세대학교 원주산학협력단 | 딥러닝 기반 비침습 데이터를 활용한 환자의 저혈압 예측 방법 및 장치 |
| KR102400651B1 (ko) * | 2020-01-30 | 2022-05-19 | 연세대학교 원주산학협력단 | 딥러닝 기반 환자의 저혈압 예측 방법 및 장치 |
-
2021
- 2021-09-24 KR KR1020210126071A patent/KR102653259B1/ko active IP Right Grant
-
2022
- 2022-08-10 WO PCT/KR2022/011904 patent/WO2023048400A1/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020183857A1 (ja) * | 2019-03-08 | 2020-09-17 | 国立大学法人 東京医科歯科大学 | 心房細動解析装置、心房細動解析方法及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230043320A (ko) | 2023-03-31 |
| WO2023048400A1 (ko) | 2023-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102362679B1 (ko) | 심전도 신호 기반의 만성질환 예측 방법 | |
| US20180032689A1 (en) | Method and apparatus for performing feature classification on electrocardiogram data | |
| KR102583582B1 (ko) | 어노말리 데이터 생성 방법 | |
| US20230152777A1 (en) | Method for detecting abnormality | |
| KR20240035302A (ko) | 신경망 모델을 활용한 부분적인 이미지 변환 방법 | |
| KR102653259B1 (ko) | 심박변이도 특징 값을 추출하기 위한 방법 | |
| KR102362678B1 (ko) | 생체신호 분석 방법 | |
| US20240062515A1 (en) | Method for classification using deep learning model | |
| KR102606619B1 (ko) | 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법 | |
| KR102653257B1 (ko) | 의료 영상을 기반으로 하는 관심 대상의 상태 판독 방법 | |
| KR102430779B1 (ko) | 질환 판단 방법 | |
| KR102647017B1 (ko) | 질환 진단 방법 | |
| KR102653258B1 (ko) | 심전도 기술 및 결과 통합 방법 | |
| KR20240072405A (ko) | 정적 데이터 및 동적 데이터를 활용한 예측 방법 | |
| KR20240025317A (ko) | 심장 나이를 예측하는 방법 | |
| KR20230159938A (ko) | 생체 신호 분석 방법 | |
| US20240180471A1 (en) | Biological signal analysis method | |
| KR102579684B1 (ko) | 신경망 학습모델을 이용한 디지털 휴먼 모델링 방법 | |
| US20240161930A1 (en) | Prediction method using static and dynamic data | |
| KR20240081326A (ko) | 생체 이벤트를 예측하는 방법 | |
| KR102661357B1 (ko) | 의료데이터를 분석하기 위한 방법 및 장치 | |
| KR102546175B1 (ko) | 얼굴 변환을 수행하는 신경망 모델을 학습시키기 위한 방법 | |
| KR102590872B1 (ko) | 환부의 회복 정보를 예측하기 위한 방법 | |
| KR102674067B1 (ko) | 각도 변화에 대한 이미지 변환 품질 향상 방법 | |
| KR20230138687A (ko) | 신체 내부의 생체 정보를 예측하는 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |