KR20130050707A - 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치 - Google Patents

Abstract

인공신경망을 이용하여 입력 패턴을 분류하는 방법은 인공신경망을 이용하여 입력 패턴을 분류하는 방법에 있어서, 입력 데이터를 상기 인공신경망에 입력시키고, 상기 입력 데이터에 대한 출력 데이터가 상기 인공신경망에서 출력되도록 상기 인공신경망을 학습시키는 단계; 상기 학습된 인공신경망에 상기 입력 패턴을 입력시켜 출력값을 획득하는 단계; 상기 출력값에 따라 입력 패턴의 분류를 결정하는 단계; 상기 결정된 분류를 나타내는 결과값을 상기 입력 패턴이 입력되었을 때의 출력값으로 설정하는 단계; 상기 입력 패턴이 상기 인공신경망에 입력되었을 때, 상기 설정된 출력값이 출력되도록 상기 인공신경망의 일부 연결선의 연결강도를 갱신하는 단계; 및 상기 일부 연결선의 연결강도를 갱신 후, 상기 입력 패턴에 대한 출력값을 획득하고, 상기 획득한 출력값에 따른 분류 결과를 출력하는 단계를 포함한다.

Description

인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치{THE APPARUTUS AND METHOD FOR CLASSIFY INPUT PATTERN PROMPTLY USING ARTIFICIAL NEURAL NETWORK}

인공신경망을 이용하여 입력 패턴을 분류하는 방법 및 장치에 관한 것이다.

최근 들어 공학분야에서 빈번하게 접하게 되는 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하는 방안으로써, 인간이 지니고 있는 효율적인 패턴 인식 방법을 실제 컴퓨터에 적용시키려는 연구가 활발히 진행되고 있다. 여러 가지 컴퓨터 적용 연구들 중에는 효율적인 패턴 인식 작용이 일어나는 인간두뇌 세포구조를 공학적으로 모델링한 인공신경망(Artificial Neural Network)에 대한 연구가 있다. 입력 패턴을 특정 그룹으로 분류하는 문제를 해결하기 위해, 인공신경망은 인간이 가지고 있는 학습이라는 능력을 모방한 알고리즘을 사용한다. 이 알고리즘을 통하여 입력 패턴과 출력 패턴들 사이의 사상(Mapping)을 인공신경망이 생성해낼 수 있는데, 이를 인공신경망이 학습 능력이 있다고 표현한다. 또한, 인공신경망은 학습된 결과를 바탕으로 학습에 사용되지 않았던 입력 패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화 능력이 있다. 학습과 일반화라는 두 가지 대표적인 성능 때문에 인공신경망은 기존의 순차적 프로그래밍 방법에 의해서는 좀처럼 해결하기 힘든 문제에 적용되고 있다. 인공신경망은 그 사용범위가 넓어 패턴 분류 문제, 연속 사상, 비선형 시스템 식별, 비선형 제어 및 로봇 제어 분야 등에 활발히 응용되고 있다.

인공신경망이란 연결선으로 연결된 많은 수의 인공 뉴런들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 연산모델을 나타낸다. 인공신경망에서는 생물학적인 뉴런의 기능을 단순화시킨 인공 뉴런을 사용하게 된다. 그리고 연결강도를 갖는 연결선을 통해 상호 연결시켜 인간의 인지작용이나 학습과정을 수행하게 된다. 연결강도는 연결선이 갖는 특정값으로, 연결가중치라고도 한다. 인공신경망은 지도학습과 비지도학습으로 나눌 수 있다. 지도학습이란 입력 데이터와 그에 대응하는 출력 데이터를 함께 신경망에 넣고, 입력 데이터에 대응하는 출력 데이터가 출력되도록 연결선들의 연결강도를 갱신시키는 방법이다. 대표적인 학습 알고리즘으로는 델타규칙(Delta Rule)과 오류 역전파 학습(Backpropagation Learning)이 있다.

비지도 학습이란 목표값이 없이 입력 데이터만을 사용하여 인공신경망이 스스로 연결강도를 학습시키는 방법이다. 비지도 학습은 입력 패턴들 사이의 상관관계에 의해 연결가중치들을 갱신시켜 나가는 방법이다.

의료 장비에도 패턴 분류 방법들이 적용된다. 의료 장비를 통해 입력받은 환자의 전기적인 생체 신호, 예를 들어 심전도(electrocardiography), 뇌파(brain wave), 근전도(electromyogram) 등을 측정하고, 측정된 생체 신호의 패턴을 분류하여 질병을 판단할 수 있다.

인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치를 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공하는 데 있다.

본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.

본 발명의 일 측면에 따른 패턴 분류 방법은 학습용 입력 데이터를 인공신경망의 입력층에 입력하고, 상기 학습용 입력 데이터에 대한 학습용 출력 데이터가 상기 인공신경망의 출력층에서 출력되도록 상기 인공신경망을 학습시키는 단계; 상기 학습이 완료된 인공신경망의 입력층에 소정의 입력 패턴을 입력하여, 상기 인공신경망의 출력층으로부터 출력값을 획득하는 단계; 상기 출력값에 따라 상기 입력 패턴의 분류를 결정하는 단계; 상기 학습이 완료된 인공신경망의 입력층에 상기 입력 패턴을 입력하여, 상기 출력층으로부터 상기 결정된 분류를 나타내는 결과값이 출력되도록 상기 인공신경망의 일부 연결선의 연결강도를 갱신하는 단계; 및 상기 갱신된 인공신경망의 입력층에 상기 입력 패턴을 입력하여 획득한 출력값에 따라 상기 입력 패턴의 분류를 결정하는 단계를 포함한다.

본 발명의 일 측면에 따른 패턴 분류 장치는 학습용 입력 데이터를 인공신경망의 입력층에 입력하고, 상기 학습용 입력 데이터에 대한 학습용 출력 데이터가 상기 인공신경망의 출력층에서 출력되도록 상기 인공신경망을 학습시키는 학습부; 상기 학습이 완료된 인공신경망의 입력층에 소정의 입력 패턴을 입력하여, 상기 인공신경망의 출력층으로부터 출력값을 획득하고, 상기 출력값에 따라 상기 입력 패턴의 분류를 결정하는 패턴 분류부; 및 상기 학습이 완료된 인공신경망의 입력층에 상기 입력 패턴을 입력하여, 상기 학습이 완료된 인공신경망의 출력층으로부터 상기 결정된 분류를 나타내는 결과값이 출력되도록 상기 인공신경망의 일부 연결선의 연결강도를 갱신하는 연결강도 갱신부를 포함하고, 상기 패턴 분류부는 상기 갱신된 인공신경망의 입력층에 상기 입력 패턴을 입력하여 획득한 출력값에 따라 상기 입력 패턴의 분류를 결정한다.

본 발명의 다른 측면에 따라 상기된 패턴 분류 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공된다.

단일 은닉층을 갖는 인공신경망에 입력되는 입력 패턴 이용하여 은닉층과 출력층 사이의 일부 연결선들의 연결강도를 갱신함으로써, 입력 패턴을 신속하게 분류할 수 있다.

도 1은 본 발명의 일 실시예에 따른 패턴 분류 시스템의 일례를 도시한 도면이다.
도 2는 도 1에 도시된 패턴 분류 장치의 인공신경망의 일례를 도시한 도면이다.
도 3은 도 2에 도시된 인공신경망의 뉴런을 공학적으로 모델링한 것을 도시한 도면이다.
도 4는 도 1에 도시된 패턴 분류 장치의 일례를 도시한 도면이다.
도 5는 도 1에 도시된 패턴 분류 장치가 ELM을 이용하여 학습을 수행하는 것을 설명하기 위한 도면이다.
도 6은 도 1에 도시된 패턴 분류 장치가 ELM을 이용하여 학습을 수행하는 것을 설명하기 위한 순서도이다.
도 7은 본 발명의 일 실시예에 따른 패턴 분류 방법을 설명하기 위한 흐름도이다.
도 8은 도 7에 도시된 입력 데이터를 이용하여 인공신경망의 연결강도를 갱신하는 것을 설명하기 위한 도면이다.
도 9는 심전도 신호를 이용하여 부정맥을 진단하는 것을 설명하기 위한 도면이다.
도 10은 심전도 신호의 각 구간별 명칭을 나타내는 도면이다.

이하에서는 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 패턴 분류 시스템(10)의 일례를 도시한 도면이다. 도 1을 참조하면, 패턴 분류 시스템(10)은 데이터 저장장치(11), 측정 장치(12), 패턴 분류 장치(13) 및 디스플레이 장치(14)를 포함한다. 도 1에서는 데이터 저장장치(11), 측정 장치(12), 패턴 분류 장치(13) 및 디스플레이 장치(14)를 별개의 장치로 존재하는 것으로 도시하였으나, 이에 한정되지 않고, 데이터 저장장치(11), 측정 장치(12), 패턴 분류 장치(13) 및 디스플레이 장치(14) 각각의 기능을 모두 포함하는 통합된 하나의 장치로 구현될 수도 있다.

도 1에 도시된 패턴 분류 시스템(10)은 본 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 1에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

또한, 도 1에 도시된 패턴 분류 장치(13)는 하나 또는 복수 개의 프로세서에 해당할 수 있다. 프로세서는 다수의 논리 게이트들의 어레이로 구현될 수 있고, 범용적인 마이크로 프로세서와 이 마이크로 프로세서에서 실행될 수 있는 프로그램이 저장된 메모리의 조합으로 구현될 수도 있다. 또한, 다른 형태의 하드웨어로 구현될 수도 있음을 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

본 실시예에 따른 패턴 분류 시스템(10)은 데이터 저장장치(11)의 학습용 데이터를 이용하여, 학습용 입력 데이터를 인공신경망의 입력층에 입력시켰을 때, 입력 데이터에 대한 학습용 출력 데이터가 인공신경망의 출력층으로부터 출력되도록 인공신경망을 학습시키고, 측정장치(12)로부터 소정의 입력 패턴을 입력받아 인공신경망을 이용하여 입력 패턴을 여러 그룹 중에서 어느 하나의 그룹으로 분류하고, 분류 결과를 출력하는 시스템이다. 즉, 입력 패턴을 인공신경망의 입력층에 입력하였을 때 출력된 출력값이 어느 그룹에 속하는 출력값인지 판단하여 해당 그룹으로 분류한다. 예를 들어, 패턴 분류 시스템(10)은 얼굴을 인식하여 사람을 구별하는 얼굴 인식 시스템 또는 생체 신호를 측정하여 질병을 진단하는 진단 시스템 등이 될 수 있다.

데이터 저장장치(11)는 패턴 분류 장치(13)에서 학습을 수행하기 위한 학습용 데이터를 저장하며, 패턴 분류 장치(13)로 학습용 데이터를 출력한다. 학습용 데이터는 입력 데이터와 입력 데이터에 대한 출력 데이터를 포함한다. 학습용 입력 데이터는 측정 장치(12)로부터 출력되는 입력 패턴과 동일한 종류이다. 예를 들어, 환자의 심전도 신호를 통해 부정맥을 판단하고자 할 때, 다른 인체로부터 측정한 심전도 신호들로부터 추출한 값들이 학습용 입력 데이터가 될 수 있다. 학습용 출력 데이터는 인공신경망의 출력층으로부터 출력되는 출력값이며, 출력 데이터를 통해 정상 또는 부정맥으로 분류된다. 데이터 저장장치(11)는 이러한 학습용 데이터를 저장하고, 패턴 분류 장치(13)로부터 학습용 데이터의 요청이 있으면, 패턴 분류 장치(13)로 학습용 데이터를 출력한다.

측정 장치(12)는 신호를 측정하고, 측정한 신호를 통해 입력 패턴을 생성하여 패턴 분류 장치(13)로 출력한다. 측정 장치(12)에 의해 출력된 입력 패턴은 측정된 신호로부터 추출한 데이터일 수 있다. 예를 들어, 환자의 심전도 신호를 측정한 경우, 입력 패턴은 측정된 심전도 신호로부터 추출된 심박수, QRS기간, PR 인터벌 또는 QT 인터벌 등일 수 있다.

패턴 분류 장치(13)는 인공신경망을 이용하여 입력 패턴에 대하여 분류 결과를 출력한다. 패턴 분류 장치(13)는 데이터 저장장치(11)로부터 학습용 데이터를 입력받고, 학습용 입력 데이터가 인공신경망에 입력되었을 때, 학습용 입력 데이터에 대한 학습용 출력 데이터가 출력되도록 인공 신경망을 학습시켜 인공신경망이 사상(mapping)을 형성할 수 있도록 한다. 사상이 형성된 인공신경망에 측정 장치(12)로부터 입력 패턴이 입력되면, 인공신경망은 사상이 형성된 결과를 바탕으로 입력 패턴에 대한 출력값을 출력한다. 패턴 분류 장치(13)는 출력값에 따라 분류 결과를 출력한다. 심전도 신호를 이용하여 부정맥을 판단하는 경우를 예를 들어 설명한다.

패턴 분류 장치(13)는 데이터 저장장치(11)로부터 입력받은 학습용 데이터를 이용하여 단일 은닉층을 갖는 인공신경망을 미리 학습시키고, 주성분 분석을 통해 인공신경망의 은닉층과 출력층 사이의 연결선들 중 주성분을 확인한다. 패턴 분류 장치(13)는 측정 장치(12)로부터 입력받은 입력 패턴을 이용하여 확인된 주성분의 연결 강도를 ELM(Extreme Learning Machine)으로 학습하여 갱신하고, 갱신된 인공 신경망의 입력층에 입력 패턴을 입력하고, 갱신된 인공신경망의 출력층으로부터 출력된 출력값에 따라 입력 패턴을 분류하고, 분류 결과를 디스플레이 장치(14)로 출력한다. 패턴 분류 장치(12)는 단일 은닉층을 갖는 인공신경망의 은닉층과 출력층 사이의 연결선 중 확인된 주성분만을 초기에 입력된 입력 패턴을 이용하여 ELM으로 학습하여 갱신한다. ELM은 단일 은닉층을 갖는 인공신경망을 학습시키는데 최적화된 방법이기 때문에, 인공신경망의 연결강도를 빨리 갱신할 수 있으므로 입력 패턴에 분류를 신속하게 할 수 있다.

인공신경망은 효율적인 패턴 인식 작용이 일어나는 인간 두뇌 세포 구조를 공학적으로 모델링한 것이다. 즉, 인공신경망은 상호 연결된 많은 수의 인공 뉴런들을 이용하여 생물학적인 시스템의 계산 능력을 모방하는 소프트웨어나 하드웨어로 구현된 연산 모델을 말한다. 인간의 뇌는 뉴런이라는 신경의 기본단위로 구성되어 있으며, 이들 사이의 각각의 밀도 있는 연결 형태에 따라 정보를 암호화하거나 해독하게 된다. 이러한 생물학적 뉴런 구조를 모방하여 인공신경망에서는 생물학적인 뉴런의 기능을 단순화시킨 인공뉴런을 사용하게 된다. 그리고 연결강도를 가지는 연결선을 통해 상호 연결시켜 학습과정을 수행하게 된다.

인공신경망은 인간이 가지고 있는 학습(learning)이라는 능력을 모방한 알고리즘을 사용한다. 이 알고리즘을 이용하여 입력 데이터와 출력 데이터들 사이의 사상(mapping)을 인공신경망을 통해 형성할 있다. 이를 인공신경망이 학습능력을 가지고 있다고 표현한다. 또한, 인공신경망은 기존의 학습된 결과를 바탕으로 학습에 사용되지 않았던 입력패턴에 대하여 비교적 올바른 출력을 생성할 수 있는 일반화(generalization) 능력이 있다.

패턴 분류 장치(13)는 단일 은닉층을 갖는 인공신경망을 학습시켜 연결선들의 연결강도를 결정하고, 측정장치(12)로부터 초기에 입력되는 입력 패턴을 이용하여 인공신경망이 입력 패턴에 적합한 연결강도를 갖도록 ELM 방법을 이용하여 학습시키며, 입력 패턴을 이용하여 학습이 완료된 인공신경망을 통해 입력 패턴을 분류한다. 학습을 통해 인공신경망의 연결강도를 결정한다. 패턴 분류 장치(13)는 데이터 저장장치(11)로부터 입력받은 학습용 데이터로 인공신경망을 학습시킨 후에(연결강도를 결정한 후에), 은닉층과 출력층 사이의 연결선들 중 주성분을 주성분 분석(Principal Component Analysis) 방법으로 확인한다. 주성분은 입력 데이터가 인공신경망의 입력층에 입력되고, 인공신경망의 출력층으로부터 출력 데이터가 출력될 때, 다른 연결선들보다 출력 데이터의 값에 많은 영향을 미치는 연결선들을 나타낸다. 주성분 분석 방법은 인공신경망의 기저함수를 이용하여 주성분을 구해내는 방법으로 아래에서 자세히 설명한다. 주성분 확인 후에 인공신경망의 입력층에 측정 장치(12)로부터 입력 패턴이 입력되면, 패턴 분류 장치(13)는 인공신경망의 학습 결과를 기초로 입력 패턴에 대한 분류 결과를 출력한다. 이때, 인공신경망의 입력 패턴은 인공신경망의 학습에 사용된 데이터가 아니므로, 인공신경망은 입력 패턴에 대해 올바른 분류하는 것이 어렵다. 따라서, 패턴 분류 장치(13)는 초기에 입력되는 입력 패턴을 통해 인공신경망의 연결선들 중 은닉층과 출력층 사이의 일부 연결선들의 연결강도들을 갱신하여 인공신경망이 입력 패턴에 적합한 연결강도들을 갖도록 갱신한다. 이때, 일부 연결선들은 은닉층과 출력층 사이의 연결선들 중 일부 연결선들로써, 주성분 분석을 통해 결정된다. 이때, 입력층과 은닉층 사이의 연결선들의 연결강도는 미리 학습된 값으로 고정된다. 패턴 분류 장치(13)는 인공신경망의 갱신된 연결강도를 바탕으로 입력 패턴에 대한 분류 결과를 출력한다. 초기 일정 시간 동안 입력되는 입력 패턴을 이용하여 은닉층과 출력층 사이의 주성분의 연결강도에 대해서만 ELM 방법으로 학습시키므로, 빠른 시간 내에 인공신경망의 학습이 가능하여 입력 패턴으로 학습시킨 인공신경망을 이용하여 입력 패턴을 신속하게 분류할 수 있다. 이에 대해서는 아래에서 상세히 설명한다.

심전도 측정을 통한 부정맥을 진단하는 의료 시스템의 경우의 예를 들어 패턴 분류 장치(13)의 동작을 설명한다. 데이터 저장장치(11)는 ECG-MIT-BIT DB 로부터 다수의 심전도 데이터를 획득하여 저장할 수 있다. ECG-MIT-BIT DB 는 부정맥 진단을 위해 이용되는 심전도 데이터이다. 즉, ECG-MIT-BIT DB 는 특정 부정맥을 갖는 인체로부터 획득한 심전도 신호들을 나타내며, 이러한 심전도 신호가 나타나면 어떠한 부정맥에 해당하는지를 저장하고 있다. 패턴 분류 장치(13)는 데이터 저장 장치(11)로부터 ECG-MIT-BIT DB 를 입력받아 인공신경망의 학습을 수행한다. ECG-MIT-BIT DB 는 입력 데이터에 대한 출력 데이터가 결정되어 있다. 따라서, ECG-MIT-BIT DB 를 통해, 인공신경망의 입력층에 입력 데이터들을 입력했을 때, 입력 데이터에 대한 출력 데이터가 출력되도록 인공신경망의 연결선들의 연결강도를 결정할 수 있다. 인공신경망의 연결선들의 연결강도가 결정된 후에, 패턴 분류 장치(13)는 은닉층과 출력층의 연결선들 중 어느 연결선들이 주성분에 해당하는지 주성분 분석(PCA) 방법을 이용하여 확인한다. 은닉층과 출력층 사이의 연결선들 중 주성분은 입력 데이터를 입력했을 때, 출력되는 출력 데이터에 많은 영향을 미치는 연결선을 나타낸다. 인공신경망의 입력층은 측정장치(12)로부터 심전도 데이터를 입력받는다. 심전도 데이터가 입력되면, 인공신경망은 초기에 입력되는 심전도 데이터를 통해 인공신경망의 은닉층과 출력층 사이의 연결선들 중 주성분의 연결강도들을 갱신한다. 갱신하는 방법에 대해서는 아래에서 상세히 설명한다. 인공신경망이 입력 패턴을 분류하기에 적합한 연결강도를 갖도록 갱신되면, 인공신경망은 갱신된 연결강도를 바탕으로 입력된 심전도 데이터에 대한 분류 결과를 출력한다. 인공신경망으로부터 출력되는 심전도 데이터의 분류 결과는 심방세동, 심방조동, 심실빈맥 등, 부정맥의 종류 중 어느 부정맥에 해당하는지에 관한 결과이다. 상기에서는 심전도의 경우를 예를 들어 설명하였으나, 본 발명은 심전도 이외의 다양한 입력 패턴에 대해 적용될 수 있으며, 패턴 분류 장치(13)의 상세한 동작에 대해서는 이하에서 설명된다.

도 2는 인공신경망의 일례를 도시한 도면이다. 도 2를 참조하면, 인공신경망은 입력층(21), 은닉층(22) 및 출력층(23)을 포함한다. 인공신경망의 입력층(21)을 통해서 입력된 입력값들은 입력층(21)과 은닉층(22) 사이(1th layer)의 연결선들의 연결강도들이 곱해져 은닉층(22)에 입력되며, 은닉층(22)은 입력된 값에 대한 연산을 수행하여 출력층(23)으로 출력한다. 은닉층(22)으로부터 출력된 값들은 은닉층(22)과 출력층(23) 사이(2th layer)의 연결강도들이 곱해져 출력층(23)으로 입력되고, 출력층(23)은 입력된 값에 대한 연산을 수행하여 출력한다. 입력층(21), 은닉층(22) 및 출력층(23)을 뉴런(neuron) 혹은 노드(node)라고 하며, 입력층(21)과 은닉층(22) 사이 및 은닉층(22)과 출력층(23) 사이의 연결선들의 연결강도들은 연결가중치라고도 하며, 연결선의 밀도라고도 한다. 연결강도는 연결선마다 갖는 특정 값이며, 연결선을 지나는 값에는 해당 연결선의 연결강도가 곱해진다. 입력층(21)은 분류하고자 하는 입력 패턴이 입력되는 뉴런이며, 은닉층(22)은 입력된 값에 대한 연산을 수행하여 비선형 문제를 해결하기 위한 뉴런이다. 출력층(23)은 입력된 값들을 바탕으로 입력 패턴에 대한 출력값을 출력하는 뉴런이다. 인공신경망은 은닉층(22)을 여러 개 포함하면 다층신경망이라고 하며, 도 2의 인공신경망과 같이, 은닉층(22)을 하나만 포함하는 인공신경망은 SLFN(Single Layer Feedforward Network)라 한다. 각 뉴런에서 수행되는 연산은 도 3을 통해서 자세히 설명한다.

도 3은 인공신경망의 뉴런을 공학적으로 모델링한 것을 도시한 도면이다. 도 3을 참조하면, 인공신경망의 뉴런은 연결강도가 곱해진 입력값들을 더하고, 더한 값에 대해 활성함수를 통해 연산을 수행하고 결과를 출력한다. 덧셈부(31)는 입력된 값들은 더하고 그 결과(net)를 출력한다. 덧셈부(31)의 연산은 수학식 1과 같다.

W_i : i번째 입력과 연결되는 연결강도 또는 가중치이며,

I_i : 뉴런의 i번째 입력

θ : 뉴런의 임계치(threshold) 또는 바이어스(bias)

net : 입력들의 가중치 합

활성함수부(32)는 덧셈부(31)로부터 결과(net)를 입력받아 연산을 수행한다. 활성함수 f(net)은 비선형 함수로써 인공신경망이 비선형 함수 사상(mapping)을 구현할 수 있게 해준다. 예를 들어, 활성함수는 시그모이드(sigmoid) 또는 하드리미터(hard limiter) 등의 함수가 사용된다. 활성함수로 시그모이드 함수가 사용되는 경우, net 값이 커질수록 시그모이드를 통해 연산된 결과는 1에 가까워지며, net값이 0인 경우 1/2, net값이 음의 영역에서 작아지는 경우 0에 가까워진다. 활성함수로 하드리미터 함수가 사용되는 경우, net값이 양수인 경우 하드리미터를 통해 연산된 결과는 1이며, net값이 음수인 경우는 0이 된다. 시그모이드 함수는 수학식 2와 같으며, 하드리미터 함수는 수학식 3과 같다.

상기에서는 활성함수로 시그모이드와 하드리미터 함수를 예를 들어 설명하였으나, 활성함수는 위 2개의 함수에 한정되지 아니하며, 다양한 함수들이 활성함수가 될 수 있다. 다만, 디지털 신호의 경우에는 활성함수로 하드리미터가 많이 사용되며, 아날로그 신호의 경우에는 활성함수로 시그모이드 함수가 많이 사용된다.

도 4는 도 1에 도시된 패턴 분류 장치(13)의 일례를 도시한 구성도이다. 도 4를 참조하면, 패턴 분류 장치(13)는 학습부(41), 패턴 분류부(42) 및 연결강도 갱신부(43)를 포함한다. 패턴 분류 장치(13)는 데이터 저장장치(11)로부터 학습용 데이터를 입력받고, 입력된 학습용 데이터를 이용하여 인공신경망을 학습시키며, 학습된 인공신경망의 연결선들 중 주성분을 확인하며, 측정 장치(12)로부터 입력된 입력 패턴을 이용하여 확인된 주성분의 연결강도를 갱신한 후, 갱신된 연결강도에 기초하여 입력 패턴을 분류한다.

패턴 분류 장치(13)의 학습부(41)는 데이터 저장장치(11)로부터 학습용 데이터를 입력받고, 학습용 데이터를 이용하여 인공신경망을 학습시킨다. 학습이란, 인공신경망이 원하는 함수를 사상하도록 연결강도들을 갱신하는 것을 의미하며, 그 함수는 인공신경망의 연결선들의 연결강도들로 표현된다. 즉, 인공신경망의 연결선들이 갖는 연결강도들을 입력 데이터와 출력 데이터 또는 입력 데이터만을 이용하여 갱신하는 것을 말한다. 인공신경망을 학습시키는 학습 알고리즘은 크게 지도학습(supervised learning)와 비지도 학습(unsupervised learning) 방법으로 나눌 수 있다. 지도학습은 입력 데이터와 그 입력 데이터에 상응하는 출력 데이터들로 이루어진 학습용 데이터를 가지고 인공신경망의 연결선들의 연결강도들을 갱신시켜 나가는 방법이다. 비지도 학습 방법은 단지 입력 데이터들로만 구성된 학습용 데이터만을 인공신경망에 입력하고, 입력 데이터들 사이의 상관관계(correlation)에 의해 연결강도들을 갱신시켜 나가는 방법이다.

인공신경망의 학습 방법은 그 적용문제에 따라 적절한 학습 알고리즘들이 개발되어 사용되고 있으나, 그들 중 지도학습 방법의 하나인 오차 역전파(Error Backpropagation) 학습 알고리즘이 가장 널리 사용되고 있다. 인공신경망 기본 구조의 하나인 전 방향 다층인식자(Feedforward Multilayer Perceptron)를 학습시키는 대표적인 학습방법인 오차역전파 학습 알고리즘의 기본 개념은 출력층에서 기대값과 실제 출력값 사이의 오차를 감소시켜 나가는 방향(경사감소법, Gradient Descent Rule)으로 인공신경망의 연결강도를 조정해 나가는 것이다.

오차 역전파 학습을 하기 위해서는 입력 데이터와 원하는 출력 데이터가 있어야 한다. 입력 데이터를 인공신경망의 연결강도와 곱하고 더하는 과정을 몇 번 반복하면 입력 데이터에 대한 출력값이 나온다. 이때 출력값은 학습용 데이터에서 주어진 원하는 출력 데이터와 오차가 발생하며, 오차에 비례하여 은닉층과 출력층 사이의 연결선들의 연결강도들을 갱신하고, 그 다음 입력층과 은닉층 사이의 연결선들의 연결강도들을 갱신한다. 이때 연결강도들을 갱신하는 방향이 인공신경망의 처리 방향과는 반대 방향이다. 이런 이유로 역전파 알고리즘이라고 한다. 즉, 인공신경망의 처리는 입력층 → 은닉층 → 출력층의 방향으로 진행되며, 연결강도의 갱신의 학습방향은 출력층 → 은닉층→입력층으로 진행된다.

패턴 분류 장치(13)의 학습부(41)는 단일 은닉층을 갖는 인공신경망을 오차 역전파 또는 ELM으로 학습시킨다. ELM(Extreme Learning Machine)은 단일 은닉층을 가지는 인공신경망에 특화된 학습 알고리즘이다. ELM은 단일 은닉층을 가지는 인공신경망에서 단층의 연결강도만을 갱신하여 최적 연결강도를 계산적으로 얻어내기 때문에, 학습의 결과인 연결강도의 변화를 분석함으로써 주어진 학습용 데이터가 연결강도에 미치는 영향을 알 수 있다. ELM은 다른 인공신경망의 학습방법과 달리 반복 학습을 하지 않기 때문에 전형적인 반복 학습 방법들에 비하여 매우 빠른 학습이 가능하다. ELM에 대해서는 도 5 및 도 6을 통해 자세히 설명한다.

도 5는 도 1에 도시된 패턴 분류 장치(13)가 ELM을 이용하여 학습을 수행하는 것을 설명하기 위한 도면이다. m개의 데이터 {(x_i,y_i), i=1,2,....m}와 한 개의 출력층을 가지고, N개의 은닉층들을 가지는 인공신경망의 학습을 고려해보자. 여기서 입력 x_i 는 수학식 4와 같고, y_i 는 수학식 5와 같으며, N개의 은닉층들의 활성함수 g(x)에 의한 인공신경망의 출력은 수학식 6과 같이 나타낼 수 있다.

여기서, w_J 는 수학식 7과 같으며, j번째 은닉층과 입력층들을 연결하는 연결강도 벡터로 임의의 값으로 초기화되며, a는 수학식 8과 같으며, 은닉층들과 출력층을 연결하는 연결강도 벡터이다.

이때, 수학식 6은 수학식 9와 같이 간결하게 표현될 수 있다.

여기서, G는 수학식 10, y는 수학식 11과 같다.

G는 인공신경망에서 은닉층의 출력으로 G의 i번째 열은 입력 x₁,x₂,...x_m 과 관련된 i번째 은닉층의 출력 벡터이다. 최종적으로, 수학식 12와 같이 출력 연결강도 a를 구한다.

여기서,

는 은닉층의 출력 G의 무어-펜로즈의 일반화된 역행렬이며, 수학식 13과 같이 얻어진다.

도 4를 다시 참조하면, 패턴 분류 장치(13)의 연결강도 갱신부(43)는 은닉층과 출력층 사이를 연결하는 연결선 중에서 주성분, 즉, 주요 연결선을 주성분 분석 방법을 통해 확인한다. 은닉층과 출력층 사이의 연결선들 중에는 다른 연결선들보다 출력 결과에 더 많은 영향을 미치는 연결선들이 존재한다. 이러한 연결선을 주성분이라고 하며, 주성분 분석 방법을 통해서 이러한 주성분을 확인할 수 있다. 주성분 분석 방법을 이용할 때, 연결선들의 연결강도들의 집합이 입력으로 이용된다. 학습용 데이터들을 통해 결정되는 연결강도들의 집합을 주성분 분석 방법의 입력값으로 입력하고, 이들 중 주성분이 어느 것인지 확인할 수 있다.

주성분 분석(Principal Component Analysis) 방법은 상관관계가 높은 자료(Data)들에 대하여, 통계적인 방법으로 신호에 최소한의 손실을 미치면서 자료 집합의 차원을 줄이는 방법이다. 적은 수의 기저함수(Basis Function)를 도출하여 이들로부터 주성분(PC, Principal Component)을 구해낼 수 있는데, 여기서 주성분은 자료에 대한 각각의 기저함수들의 기여도를 가중치 벡터(Weight Vector)로 나타낸다. 첫 번째 기저함수와 그 가중치 벡터(PC1)로부터 자료들의 대부분의 공통된 특징은 두 번째 기저함수와 가중치 벡터(PC2)로부터, 그리고 다음 PC3, PC4로부터 추출해 내는 과정을 계속하여 원하는 오차 내에 들 때까지 가중치 벡터를 만들어 내는 것이다. 주성분 분석 방법은 이렇게 하여 적은 수의 기저함수와 주성분만으로 입력신호의 대부분의 특징을 재현해 낸다.

패턴 분류 장치(13)의 연결강도 갱신부(43)는 확인된 주성분의 연결강도를 측정 장치(12)로부터 초기의 입력되는 입력 패턴을 이용하여 출력 결과가 보다 명확해 지도록 갱신한다. 즉, 입력 패턴에 대한 분류를 확인하며, 확인된 분류를 나타내는 결과값을 갖도록 출력값을 가정하고, 입력 패턴에 대한 출력값이 가정된 출력값이 나오도록 연결강도들을 갱신한다. 예를 들어, 어떤 입력 패턴에 대한 출력값이 [0.732, -0.523]이 출력되어, 입력 패턴을 그룹 1로 분류하였고, 그룹 1을 나타내는 결과값은 [1, -1]이다. 즉, 그룹 1은 [1, -1]에 근접한 값이 나왔을 때 가장 분명하게 그룹 1로 분류될 수 있다. 입력 패턴에 대한 출력값을 그룹 1을 나타내는 결과값인 [1, -1]로 가정하고 주성분의 연결강도들을 갱신한다. 예를 들어, 그룹 1을 나타내는 결과값은 [1, -1], 그룹 2를 나타내는 결과값은 [1, 1], 그룹 3을 나타내는 결과값은 [-1, -1] 등으로 설정될 수 있다. 입력 패턴에 대해 상술한 과정을 반복함으로써, 입력 패턴에 대한 출력값이 그룹들의 결과값에 가까워지며, 주성분의 연결강도들이 입력 패턴에 대한 명확한 분류를 할 수 있게 갱신된다. 각 그룹을 나타내는 결과값들은 각 그룹에 따라 미리 설정되어 저장되어 있을 수 있다.

도 6은 도 1에 도시된 패턴 분류 장치(13)가 ELM을 이용하여 학습을 수행하는 것을 설명하기 위한 순서도이다. 도 6을 참조하면, 61단계에서 임의의 입력 연결강도를 할당한다. 입력 연결강도는 입력층과 은닉층 사이의 연결강도이며, 임의의 값이 할당된다. 도 5에서는 w_J 로 표현되었다.

62단계에서 은닉층의 출력 행렬을 계산한다. 은닉층의 출력 행렬은 은닉층들로부터 출력되는 값들의 벡터로, 도 5에서는 G로 표현되었다. 출력 행렬은 입력 행렬과 입력 연결강도의 행렬을 통해 구할 수 있으며, 상기 수학식 10과 같이 구할 수 있다.

63단계에서 출력 연결강도를 계산한다. 출력 연결강도는 은닉층과 출력층을 연결하는 연결강도로, 도 5에서는 a로 표현되었다. 출력 연결강도는 G행렬과 y행렬을 이용하여 구할 수 있으며, 상기 수학식 12와 같이 구할 수 있다.

패턴 분류 장치(13)의 패턴 분류부(42)는 입력 패턴에 대한 출력값에 따라, 입력 패턴의 분류를 결정한다. 연결강도 갱신부(43)에 의해 주성분의 연결강도들이 입력 패턴에 적합하도록 갱신되었으므로, 입력 패턴에 대한 분류 결과를 출력하게 되면, 정확한 분류가 가능하게 된다. 따라서, 패턴 분류부(42)는 입력 패턴에 대한 출력값에 따라, 입력 패턴의 분류를 출력한다.

도 7은 본 발명의 일 실시예에 따른 패턴 분류 방법을 설명하기 위한 흐름도이다. 도 7을 참조하면, 71 및 72단계는 훈련 단계이며, 73단계는 테스트 단계이다. 훈련 단계는 학습용 데이터를 이용하여 인공신경망의 학습을 수행하고, 인공신경망의 학습 결과를 주성분 분석 방법을 통해 주성분을 확인하는 단계를 포함한다. 테스트 단계는 초기에 입력되는 입력 패턴을 이용하여 2nd Layer의 주성분의 연결강도를 갱신하고, 갱신된 2nd Layer의 주성분의 연결강도에 따라, 입력 패턴을 분류하는 단계를 포함한다.

71단계에서, 학습용 데이터를 입력받고, 인공신경망의 학습을 수행하여 1st Layer 및 2nd Layer의 연결강도를 결정한다. 학습용 데이터는 제 1 내지 제 N 데이터일 수 있으며, 각각의 데이터를 이용하여 인공신경망을 학습시킴으로써, 인공신경망의 연결강도들을 미리 결정한다. 1st Layer는 입력층과 은닉층 사이의 연결선들을 나타내며, 2nd Layer는 은닉층과 출력층 사이의 연결선들을 나타낸다. 학습 방법으로는 오차 역전파 또는 ELM 등이 있다.

72단계에서, 학습용 데이터를 이용한 인공신경망의 학습에 의해 결정된 연결강도들을 주성분 분석 방법을 통해 2nd Layer의 연결선들 중 주성분을 확인한다. 2nd Layer의 주성분은 입력 데이터에 대한 출력값에 큰 영향을 미친다. 따라서, 주성분의 연결강도를 변화를 통해 입력 데이터의 분류에 변화를 줄 수 있다.

73단계에서 입력 패턴을 입력받아 2nd Layer의 주성분의 연결강도를 ELM 방법을 이용하여 갱신한다. 패턴 분류 장치(13)는 입력 패턴을 분류하는데, 입력 패턴 중 초기에 패턴 분류 장치(13)로 입력되는 값을 이용하여, 인공신경망의 2nd Layer의 주성분의 연결강도를 갱신한다. 2nd Layer의 주성분의 연결강도를 갱신할 때, ELM 방법을 이용하며, ELM은 2nd Layer의 주성분의 연결강도만을 갱신하여 최적 연결강도를 계산하여 얻어내기 때문에, 다른 학습 방법에 비하여 짧은 시간 내에 연결강도를 갱신할 수 있다. 이때, 1st Layer의 연결강도들은 71단계에서 학습된 상태로 고정시킨다. 입력 패턴에 대한 출력값이 출력되면, 출력값에 따라 입력 패턴을 분류한다. 이때, 입력 패턴에 대한 출력값을 분류 결과를 나타내는 결과값으로 가정하고 2nd Layer의 주성분의 연결강도를 갱신한다. 즉, 입력 패턴에 대한 분류를 확인하며, 확인된 분류를 나타내는 결과값을 인공신경망의 출력값으로 가정하고, 입력 패턴에 대한 출력값이 확인된 분류를 나타내는 결과값이 나오도록 2nd Layer의 주성분의 연결강도들을 ELM 방법으로 갱신한다.

2nd Layer의 주성분의 연결강도가 갱신된 후에, 입력 패턴에 대한 분류를 수행한다. 입력 패턴 중 초기에 패턴 분류 장치(13)에 입력된 데이터를 통해서 인공신경망의 2nd Layer의 주성분의 연결강도가 갱신되었으므로, 입력 패턴에 대한 분류가 보다 정확해질 수 있다. 특히, 입력 패턴은 학습용 데이터와는 달리 분류를 원하는 패턴이므로, 입력 패턴의 특성에 맞게 연결강도들이 갱신되므로, 입력 패턴에 대한 분류 결과가 보다 정확해 진다.

도 8은 도 7에 도시된 입력 패턴을 이용하여 연결강도를 갱신하는 것을 설명하기 위한 도면이다. 도 8을 참조하면, 제 1 결정평면(81)은 입력 패턴을 제 1 내지 제 3 그룹(83 내지 85) 중 어느 하나로 명확히 분류하기 위해 제 2 결정평면(82)으로 갱신된다. 제 1 및 제 2 결정평면(81, 82)은 제 1 내지 제 3그룹(83 내지 85)을 개념적으로 분리하는 평면이다. 즉, 입력 패턴에 대한 출력값이 결정평면의 어느 쪽에 위치하느냐에 따라서 입력 패턴의 그룹이 결정된다. 제 1 내지 제 3 그룹(83 내지 85)은 입력 패턴에 대한 분류 결과이다. 제 1 결정평면(81)은 입력 패턴을 이용하여 2nd Layer의 주성분의 연결강도들이 갱신되기 이전에 입력 패턴을 분류하는 기준을 나타내며, 제 2 결정평면(82)은 입력 패턴을 이용하여 2nd Layer의 주성분의 연결강도들을 갱신한 이후에 입력 패턴을 분류하는 기준을 나타낸다. 제 1 결정평면(81)에서 제 2 결정평면(82)으로 결정평면이 이동함에 따라, 제 1 내지 제 3 그룹(83 내지 85)을 분류하는 기준이 더욱 명확해짐을 알 수 있다. 즉, 제 1 결정평면(81)을 갖는 인공신경망은 입력 패턴을 이용하여 2nd Layer의 주성분의 연결강도들이 갱신되어, 제 2 결정평면(82)을 갖게 된다. 제 2 결정평면(82)을 갖는 인공신경망은 입력 패턴을 제 1 내지 제 3 그룹(83 내지 85) 중 어느 하나로 명확히 분류할 수 있다.

도 9는 심전도 신호를 이용하여 부정맥을 진단하는 것을 설명하기 위한 도면이다. 전극부(110)는 인체로부터 심전도 신호를 측정하는 장치이다. 전극부(11)는 부정맥 진단을 받고자 하는 인체로부터 심전도 신호를 측정하여 증폭부(120)로 출력한다.

증폭부(120)는 전극부(110)로부터 심전도 신호를 입력받고, 심전도 신호를 증폭한다. 전극부(110)를 통해 들어온 심전도 신호는 신호가 미약하므로 증폭부(120)를 통해 증폭되어, 전처리부(130)로 출력된다.

전처리부(130)는 증폭부(120)로부터 증폭된 심전도 신호를 입력받고, 심전도 신호에 포함된 잡음 성분을 제어한다.

특징 추출부(140)는 전처리부(130)로부터 입력된 심전도 신호의 특징을 추출하여, 추출한 데이터를 부정맥 판단부(150)로 출력한다. 심전도 신호로부터 추출되는 특징들로는 심박수, QRS기간, PR 인터벌, QT 인터벌, T파의 유형 등을 들 수 있다. 이러한 특징들을 수치로 환산하여 부정맥 판단부(150)로 출력한다. 심전도 신호의 특징들은 일정한 주기마다 추출되며, 일정 시간 동안 추출된 심전도 신호의 특징들은 인공신경망의 연결강도들을 갱신하는데 이용된다. 도 9를 통해 심전도 신호의 특징들을 보다 상세히 설명한다.

도 9는 심전도 신호의 각 구간별 명칭을 나타낸 도면이다. 심전도(Elecrocardiogram, ECG) 신호는 심장 계통의 질환을 판단할 때 사용되는 중요한 신호로 심장에서 발생하는 전기적인 신호를 측정하여 심장에서부터 전극까지의 전도계통의 이상 유무를 확인하여 질환 유무를 판별할 수 있게 하는 신호이다. 심전도 신호의 특징으로는 심박수, QRS기간, PR 인터벌, QT 인터벌, T파의 유형들이 있다. 이것들은 심전도 신호의 형태적인 특징으로, 소정 시간을 주기로 최대값에 해당하는 값을 R파의 정점으로 추출하고, R파가 기저선과 만나는 두 점을 각각 QRS 컴플렉스의 시작점과 끝점으로 추출하며, 상기 QRS 컴플렉스의 시작점의 왼쪽에서 전압값이 가장 큰 점을 P파의 정점으로 추출하고, 상기 QRS컴플렉스의 끝점을 기준으로 오른쪽에서 최대값과 최소값 중 기저선과의 차이가 큰 값을 T파의 정점으로 추출하며, 상기 P파 및 T파의 정점을 기준으로 왼쪽과 오른쪽에서 기저선과 만나는 점에 해당하는 부분을 P파 및 T파의 시작점과 끝점으로 추출하고, 상기 R파의 정점을 기준으로 각각 왼쪽과 오른쪽에서 가장 전압 크기가 낮은 점을 Q파와 S파의 정점으로 추출하며, 상기 Q파의 정점을 기준으로 왼쪽에서 처음으로 기저선과 만나는 점을 Q파의 시작점으로 추출하고, 상기S파의 정점을 기준으로 오른쪽에서 첫 번째로 기저선과 만나는 점을 S파의 끝점으로 추출하며, 상기 P파의 시작점에서 QRS 컴플렉스의 시작점까지의 거리로 PR인터벌을 구하고, QRS 컴플렉스의 시작점으로부터 T파의 끝점까지의 거리로 QT인터벌을 구하며, Q파의 시작점부터 S파의 끝점까지의 거리로 QRS 기간을 구한다. 심박수는 분당, 도 9와 같은 기본 파형이 몇 번 존재하는지 파악하는 것이고, QRS 기간, PR 인터벌, QT 인터벌은 도 9에서 정의한 구간을 의미한다. 그리고, T파의 유형은 T파의 피크의 방향을 나타낸다. 여기서, 상기 특징 추출부의 특징 추출에 대하여 보다 상세히 살펴보면, 본 발명에서의 특징추출은 심전도 신호의 형태적인 특징을 이용하여 추출할 수 있다. 먼저, 정상적인 심전도 신호의 경우 R파의 정점은 하나의 심전도 파형에서 가장 큰 전압치를 가짐에 따라 일정 주기로 최대값에 해당하는 값을 찾아내 R파의 정점으로 추출한다. 정상 심전도 신호의 경우 일반적으로 0.6~1초 사이에 PR인터벌을 가지며, 0.8초를 주기로 R파의 정점을 찾게 되면 동 서맥의 경우에는 중간 중간에 R파가 없는 구간이 생기게 되어 잘못된 R파를 잡는 경우가 생긴다. 이러한 경우는 기저선을 기준으로 일정한 수의 문턱 값을 적용하여 추출된 R파의 크기가 이 문턱 값을 넘지 못하면 R파로 인정하지 않는다. 이후, Q파 및 S파를 추출하게 되며, Q파와 S파는 각각 R파보다 시간적으로 선행한 R파의 왼쪽 및 R파보다 시간적으로 늦은 R파의 오른쪽에 위치한다. Q파와 S파의 경우는 정점이 아래로 향하는 곡선을 그린다. 따라서 추출한 R파의 정점을 기준으로 Q파의 정점과 S파의 정점은 R파의 정점에서 왼쪽과 오른쪽에서 가장 전압의 크기가 낮은 점을 찾으면 된다. Q파의 시작점은 찾은 Q파의 정점을 기준으로 왼쪽에서 처음으로 기저선과 만나는 점에 해당한다. 그리고 S파의 끝점은 추출한 S파의 정점을 기준으로 오른쪽에서 첫 번째로 기저선과 만나는 점에 해당한다. 신호에 따라 Q파와 S파가 없는 경우도 있는데, 이 경우에는 R파만 있는 것으로 간주하여 R파가 기저선과 만나는 두 점을 각각 QRS 컴플렉스의 시작점 및 끝점으로 추출한다. Q파와 S파를 찾아내면 Q파의 시작점부터 S파의 끝점까지의 거리를 구할 수 있고, 이것이 QRS 기간에 해당한다. 일반적으로 QRS 기간이 0.12초 이상이면 비정상으로 우각차단이나 좌각차단에 해당한다. 다음, P파 및 T파는 각각 QRS 컴플렉스의 왼쪽과 오른쪽에 위치한다. P파는 정점이 위로 향하는 곡선이며, QRS 컴플렉스의 시작점의 왼쪽에서 전압값이 가장 큰 점을 찾으면 P파의 정점이 된다. P파의 시작점과 끝점은 각각 P파의 정점의 왼쪽과 오른쪽에서 기저선과 만나는 점에 해당한다. T파의 경우 정상파형은 정점이 위로 향하는 곡선이나, 좌각차단의 경우는 정점이 아래로 향하는 곡선의 형태를 취한다. 따라서 T파의 정점은 QRS 컴플렉스의 끝점을 기준으로 오른쪽에서 최대값과 최소값을 구한 후, 이중 기저선과의 차가 큰 값이 정점에 해당한다. 이렇게 추출된 정점을 기준으로 각각 왼쪽과 오른쪽에서 기저선과 만나는 두 점을 찾아 T파의 시작점 및 끝점을 찾을 수 있다. P파와 T파를 찾아내면, P파의 시작점에서 QRS 컴플렉스의 시작점까지의 거리로 PR 인터벌을 구할 수 있고, QRS 컴플렉스의 시작점으로부터 T파의 끝점까지의 거리로 QT 인터벌 값을 구할 수 있다.

부정맥 판단부(150)는 학습부(151), 부정맥 분류부(152) 및 연결강도 갱신부(153)를 포함한다. 부정맥 판단부(150)는 특징 추출부(140)로부터 심전도 신호의 특징들로부터 추출한 데이터를 인공신경망의 입력층에 입력하고, 인공신경망의 출력값으로부터 어떠한 부정맥인지를 판단한다.

부정맥 판단부(150)의 학습부(151)는 ECG-MIT-BIT DB 로부터 입력받은 심전도 데이터를 이용하여 인공신경망의 학습을 수행한다. ECG-MIT-BIT DB 로부터 입력받은 심전도 데이터는 다수의 인체들로부터 측정된 심전도 신호에 대한 정보이므로, 입력 데이터와 입력 데이터에 대한 출력값을 모두 알고 있다. 즉, 입력 데이터는 심전도 신호로부터 추출한 값들이며, 출력값은 심전도 신호를 측정한 인체가 갖는 부정맥에 따른 값이다. 출력값은 부정맥의 종류에 따라 다른 값이 된다. 따라서, 입력되는 심전도 데이터에 대한 출력값을 미리 알고 있으므로, 학습부(151)가 ECG-MIT-BIT DB 로부터 입력받은 심전도 데이터를 이용하여 인공신경망을 학습시키는 것은 지도학습에 해당한다. 학습부(151)는 ECG-MIT-BIT DB 로부터 입력받은 심전도 데이터로 인공신경망을 학습시켜, 연결강도들을 미리 결정한다.

부정맥 분류부(152)는 특징 추출부(140)로부터 추출된 데이터를 입력받아, 어떤 부정맥인지 분류한다. 부정맥 분류부(152)는 학습이 완료된 인공신경망의 입력층에 특징 추출부(140)로부터 추출된 데이터를 입력시켜 출력된 출력값을 통해 어떤 부정맥인지 분류한다.

연결강도 갱신부(153)는 특징 추출부(140)로부터 추출된 데이터와 출력값을 이용하여 인공신경망의 일부 연결선들의 연결강도들을 갱신한다. 연결강도 갱신부(153)는 특징 추출부(140)로부터 추출된 데이터에 대한 출력값을 부정맥 분류부(152)에서 결정된 분류를 나타내는 결과값으로 가정하고, 인공신경망의 일부 연결선들의 연결강도들을 갱신한다. 연결강도 갱신부(153)는 인공신경망의 2nd Layer의 주성분의 연결강도들을 갱신한다. 개인의 심전도 신호를 이용하여 인공신경망의 주성분의 연결강도들을 갱신하기 때문에, 개인에 최적화된 연결강도들을 갖게 된다. 개인에 최적화된 연결강도들에 따라 개인의 심전도 신호를 분류하기 때문에, 개인의 부정맥의 분류도 명확하게 수행된다. 따라서, 개인의 심전도 신호를 통해서 개인이 심방세동, 심방조동, 심실빈맥 등 중 어느 부정맥에 해당하는지 확인할 수 있다. 예를 들어, 특징 추출부(140)로부터 제 1 데이터를 입력받아 부정맥 분류부(152)에서 출력값으로 [0.89, 0.77]이 출력되었을 때, 출력값인 [0.89, 0.77]은 부정맥 중 심방세동에 해당한다. 그리고 심방세동을 나타내는 결과값은 [1, 1]이다. 연결강도 갱신부(153)는 제 1 데이터를 인공신경망의 입력층에 입력시키고, [1, 1]이 출력값으로 출력되도록 일부 연결선들의 연결강도들을 갱신한다. 이러한 과정은 인공신경망이 개인의 심전도 신호에 적합한 연결강도들을 갖도록 한다. 따라서, 상술한 과정을 반복하여 개인의 심전도 신호에 대한 부정맥 분류를 정확히 할 수 있다.

디스플레이부(160)는 부정맥 판단부(150)를 통해 검출된 결과를 표시한다. 즉, 심전도 신호를 통해 어떠한 부정맥인지를 표시하여 알려준다.

상술한 예에서는 심전도 신호를 통해 부정맥을 판단하는 것을 설명하였으며, 생체신호의 종류로는, 뇌파(EEG), 심전도(ECG), 근전도(EMG), 안전도(EOG), 체온(ST), 피부전기저항(GSR), 맥박(BVP) 등이 있다. 이러한 생체신호들의 패턴을 류하여 다양한 질병들을 판단하는데, 본 발명이 이용될 수 있다.

11: 데이터 저장장치
12: 측정 장치
13: 패턴 분류 장치
41: 학습부
42: 패턴 분류부
43: 연결강도 갱신부

Claims (14)

1. 학습용 입력 데이터를 인공신경망의 입력층에 입력하고, 상기 학습용 입력 데이터에 대한 학습용 출력 데이터가 상기 인공신경망의 출력층에서 출력되도록 상기 인공신경망을 학습시키는 단계;
   상기 학습이 완료된 인공신경망의 입력층에 소정의 입력 패턴을 입력하여, 상기 인공신경망의 출력층으로부터 출력값을 획득하는 단계;
   상기 출력값에 따라 상기 입력 패턴의 분류를 결정하는 단계;
   상기 학습이 완료된 인공신경망의 입력층에 상기 입력 패턴을 입력하여, 상기 출력층으로부터 상기 결정된 분류를 나타내는 결과값이 출력되도록 상기 인공신경망의 일부 연결선의 연결강도를 갱신하는 단계; 및
   상기 갱신된 인공신경망의 입력층에 상기 입력 패턴을 입력하여 획득한 출력값에 따라 상기 입력 패턴의 분류를 결정하는 단계를 포함하는 패턴 분류 방법.
2. 제 1 항에 있어서,
   상기 인공신경망은 단일 은닉층을 갖는 패턴 분류 방법.
3. 제 1 항에 있어서, 상기 연결강도를 갱신하는 단계는,
   상기 인공신경망의 은닉층과 출력층 사이의 연결선들 중 일부 연결선들을 갱신하는 패턴 분류 방법.
4. 제 1 항에 있어서,
   상기 인공신경망의 연결선들 중 갱신할 일부 연결선을 결정하는 단계를 더 포함하는 패턴 분류 방법.
5. 제 4 항에 있어서, 상기 일부 연결선을 결정하는 단계는,
   상기 은닉층과 출력층 사이의 연결선들 중 일부를 결정하는 패턴 분류 방법.
6. 제 5 항에 있어서, 상기 일부 연결선을 결정하는 단계는,
   상기 은닉층과 출력층 사이의 연결선들의 연결강도의 집합을 주성분 분석 방법에 적용하여 결정하는 패턴 분류 방법.
7. 제 1 항에 있어서, 상기 연결강도를 갱신하는 단계는,
   상기 인공신경망의 입력층과 은닉층 사이의 연결선들의 연결강도는 고정하고, 상기 은닉층과 출력층 사이의 연결선들의 연결강도 중 일부를 갱신하는 패턴 분류 방법.
8. 제 1 항 내지 제 7 항 중 어느 한 항에 기재된 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
9. 학습용 입력 데이터를 인공신경망의 입력층에 입력하고, 상기 학습용 입력 데이터에 대한 학습용 출력 데이터가 상기 인공신경망의 출력층에서 출력되도록 상기 인공신경망을 학습시키는 학습부;
   상기 학습이 완료된 인공신경망의 입력층에 소정의 입력 패턴을 입력하여, 상기 인공신경망의 출력층으로부터 출력값을 획득하고, 상기 출력값에 따라 상기 입력 패턴의 분류를 결정하는 패턴 분류부; 및
   상기 학습이 완료된 인공신경망의 입력층에 상기 입력 패턴을 입력하여, 상기 학습이 완료된 인공신경망의 출력층으로부터 상기 결정된 분류를 나타내는 결과값이 출력되도록 상기 인공신경망의 일부 연결선의 연결강도를 갱신하는 연결강도 갱신부를 포함하고,
   상기 패턴 분류부는 상기 갱신된 인공신경망의 입력층에 상기 입력 패턴을 입력하여 획득한 출력값에 따라 상기 입력 패턴의 분류를 결정하는 패턴 분류 장치.
10. 제 9 항에 있어서,
    상기 인공신경망은 단일 은닉층을 갖는 패턴 분류 장치.
11. 제 9 항에 있어서, 상기 연결강도 갱신부는,
    상기 인공신경망의 은닉층과 출력층 사이의 연결선들 중 일부 연결선들을 갱신하는 패턴 분류 장치.
12. 제 11 항에 있어서, 상기 연결강도 갱신부는,
    상기 은닉층과 출력층 사이의 연결선들 중 상기 갱신할 일부 연결선을 결정하는 패턴 분류 장치.
13. 제 12 항에 있어서, 상기 연결강도 갱신부는,
    상기 은닉층과 출력층 사이의 연결선들의 연결강도의 집합을 주성분 분석 방법에 적용하여 상기 갱신할 일부 연결선을 결정하는 패턴 분류 장치
14. 제 9 항에 있어서, 상기 연결강도 갱신부는,
    상기 인공신경망의 입력층과 은닉층 사이의 연결강도는 고정하고, 상기 은닉층과 출력층 사이의 일부 연결강도를 갱신하는 패턴 분류 방법.

Images