KR20200061968A - 시계열 데이터 처리 장치 및 이의 동작 방법 - Google Patents

Abstract

본 발명은 시계열 데이터 처리 장치 및 이의 동작 방법에 관한 것이다. 본 발명의 실시예에 따른 시계열 데이터 처리 장치는 네트워크 인터페이스, 전처리부, 및 데이터 분석부, 및 프로세서를 포함한다. 네트워크 인터페이스는 시계열 데이터 및 예측 시간을 수신한다. 전처리부는 시계열 데이터를 전처리하고, 예측 시간에 기초하여 시계열 데이터의 복수의 시간들 각각에 대응되는 시차 데이터를 생성한다. 데이터 분석부는 전처리된 시계열 데이터 및 시차 데이터에 기초하여, 예측 시간에 대응되는 결과 데이터를 생성한다. 본 발명에 따르면, 시계열 데이터의 불규칙한 시간 간격을 보정함으로써 예측 결과의 정확성 및 신뢰성을 향상시킬 수 있다.

Description

시계열 데이터 처리 장치 및 이의 동작 방법{TIME SERIES DATA PROCESSING DEVICE AND OPERATING METHOD THEREOF}

본 발명은 시계열 데이터의 처리 및 이를 위한 예측 모델의 구축에 관한 것으로, 좀 더 구체적으로 시계열 데이터 처리 장치 및 예측 모델을 학습 또는 이용하는 시계열 데이터 처리 장치의 동작 방법에 관한 것이다.

의료 기술을 비롯한 각종 기술의 발달은 인간의 생활 수준을 향상시키고, 인간의 수명을 늘리고 있다. 다만, 기술 발달에 따른, 생활 양식의 변화와 잘못된 식습관 등은 다양한 질병 등을 유발시키고 있다. 건강한 삶을 영위하기 위하여, 현재의 질병을 치료하는 것에서 나아가 미래의 건강 상태를 예측하기 위한 요구가 제기되고 있다. 시간의 흐름에 따른 시계열 의료 데이터의 추이를 분석함으로써, 미래 시점의 건강 상태를 예측하는 방안이 제기되고 있다.

산업 기술과 정보 통신 기술의 발달은 상당한 규모의 정보 및 데이터를 생성하게 만들고 있다. 최근에는, 이러한 수많은 정보 및 데이터를 이용하여, 컴퓨터와 같은 전자 장치를 학습시켜, 다양한 서비스를 제공하는 인공 지능과 같은 기술이 대두되고 있다. 특히, 미래의 건강 상태를 예측하기 위하여, 다양한 시계열 의료 데이터를 이용한 예측 모델을 구축하는 방안이 제기되고 있다. 예를 들어, 시계열 의료 데이터는 사용자의 불규칙한 방문에 따라 불규칙한 시간 간격을 갖는 점에서, 다른 분야에서 수집되는 데이터와 차이점을 갖는다. 따라서, 미래의 건강 상태를 예측하기 위하여, 시계열 의료 데이터를 효과적으로 처리하고 분석하기 위한 요구가 제기되고 있다.

본 발명은 불규칙한 시간 간격을 갖는 시계열 데이터에 의한 예측 결과의 정확성 및 신뢰성을 향상시키는 시계열 데이터 처리 장치 및 이의 동작 방법을 제공할 수 있다.

본 발명의 실시예에 따른 시계열 데이터 처리 장치는 네트워크 인터페이스, 전처리부, 데이터 분석부, 및 프로세서를 포함한다. 네트워크 인터페이스는 시계열 데이터 및 예측 시간을 수신한다. 전처리부는 시계열 데이터를 전처리하고, 예측 시간에 기초하여 시계열 데이터의 복수의 시간들 각각에 대응되는 시차 데이터를 생성한다. 데이터 분석부는 전처리된 시계열 데이터 및 시차 데이터에 기초하여 예측 시간에 대응되는 결과 데이터를 생성한다. 프로세서는 전처리부 및 데이터 분석부를 제어한다.

일례로, 전처리부는 복수의 시간들 중 최초 시간과 예측 시간의 차이에 기초하여 시계열 데이터의 복수의 기준 시간들을 계산하고, 복수의 기준 시간들과 복수의 시간들 사이의 차이에 기초하여 시차 데이터를 생성할 수 있다. 복수의 기준 시간들 사이의 시간 간격은 서로 동일할 수 있다.

일례로, 전처리부는 데이터 추출기, 시간 간격 계산기, 및 데이터 보간기를 포함할 수 있다. 데이터 추출기는 시계열 데이터에서 정상 시계열 데이터를 추출할 수 있다. 시간 간격 계산기는 예측 시간 및 정상 시계열 데이터의 복수의 시간들에 기초하여, 시차 데이터를 생성할 수 있다. 데이터 보간기는 정상 시계열 데이터에 포함된 특징들에 대한 결측 값을 보간할 수 있다.

일례로, 데이터 분석부는 전처리된 시계열 데이터 및 시차 데이터를 입력 받는 예측 모델에 의하여, 전처리된 시계열 데이터에 대응되는 가중치를 생성하고, 가중치에 기초하여 결과 데이터를 계산할 수 있다.

일례로, 예측 모델은 전처리된 시계열 데이터를 복수의 시간들에 대응되는 복수의 벡터 값들로 변환하는 제1 레이어, 복수의 시간들에 대응되는 시차 데이터의 값들 및 복수의 벡터 값들을 모델링하여, 복수의 벡터 값들에 대응되는 복수의 가중치들을 생성하고, 복수의 가중치들을 복수의 벡터 값들에 적용하여, 분석 값을 생성하는 제2 레이어, 및 복수의 시간들 중 최종 시간에 대응되는 벡터 값 및 분석 값에 기초하여, 결과 데이터를 생성하는 제3 레이어를 포함할 수 있다.

일례로, 예측 모델은 전처리된 시계열 데이터를 복수의 시간들에 대응되는 복수의 벡터 값들로 변환하는 제1 레이어, 시차 데이터를 모델링하여 복수의 벡터 값들에 대응되는 복수의 시간 보정 값들을 생성하는 제2 레이어, 복수의 벡터 값들 및 복수의 시간 보정 값들에 기초하여 복수의 벡터 값들에 대응되는 복수의 가중치들을 생성하는 제3 레이어, 및 복수의 가중치들 및 상기 복수의 벡터 값들에 기초하여 결과 데이터를 생성하는 제4 레이어를 포함할 수 있다.

본 발명의 실시예에 따른 시계열 데이터 처리 장치의 동작 방법은 복수의 시간들에 대응되는 시계열 데이터를 획득하는 단계, 설정된 예측 시간으로부터 생성된 복수의 기준 시간들과 복수의 시간들 사이의 차이에 기초하여 시차 데이터를 생성하는 단계, 및 시계열 데이터 및 시차 데이터에 기초하여 예측 모델을 학습하는 단계를 포함할 수 있다. 예측 시간은 복수의 시간들 중 최종 시간을 포함할 수 있다.

본 발명의 실시예에 따른 시계열 데이터 처리 장치의 동작 방법은 복수의 시간들에 대응되는 시계열 데이터를 획득하는 단계, 복수의 시간들 이후의 예측 시간을 획득하는 단계, 예측 시간 및 복수의 시간들 중 적어도 하나 사이의 시간 간격에 기초하여, 복수의 시간들 각각에 대응되는 시차 데이터를 생성하는 단계, 및 시계열 데이터 및 시차 데이터에 기초하여, 예측 시간에 대응되는 결과 데이터를 생성하는 단계를 포함할 수 있다.

본 발명의 실시예에 따른 시계열 데이터 처리 장치 및 이의 동작 방법은 예측 시간을 고려하여 시계열 데이터의 불규칙한 시간 간격을 보정함으로써, 원하는 시간의 예측 결과를 생성할 수 있고, 예측 결과의 정확성 및 신뢰성을 향상시킬 수 있다.

또한, 본 발명의 실시예에 따른 시계열 데이터 처리 장치 및 이의 동작 방법은 시계열 데이터의 불규칙한 시간 간격을 보정하는 어텐션 매커니즘(attention mechanism) 기반의 예측 모델을 구축함으로써, 예측 결과의 정확성 및 신뢰성을 향상시킬 수 있다.

도 1은 본 발명의 실시예에 따른 건강 상태 예측 시스템을 도시한 도면이다.
도 2는 도 1의 시계열 의료 데이터 처리 장치의 예시적인 블록도이다.
도 3은 도 2의 전처리부의 예시적인 블록도이다.
도 4는 도 3의 시간 간격 계산기에서 시차 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 5는 도 2의 데이터 분석부의 예시적인 블록도이다.
도 6은 도 5에서 학습된 예측 모델의 예시적인 도면이다.
도 7은 도 5에서 학습된 예측 모델의 예시적인 도면이다.
도 8은 도 1의 시계열 의료 데이터 처리 장치에 의한 예측 모델을 학습하는 방법의 순서도이다.
도 9는 도 1의 시계열 의료 데이터 처리 장치에 의한 미래 건강 상태를 예측하는 방법의 순서도이다.
도 10은 도 9의 S230 단계를 구체화한 순서도이다.

아래에서는, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재된다. 아래에서는, 불규칙한 시간 간격을 갖는 시계열 데이터의 대표적인 예시로, 의료 데이터가 언급되고 있다. 다만, 이에 제한되지 않고, 본 발명의 기술적 사상이 불규칙한 시간 간격을 갖는 다양한 시계열 데이터를 처리하는 장치에 적용될 수 있음이 이해될 것이다.

도 1은 본 발명의 실시예에 따른 건강 상태 예측 시스템을 도시한 도면이다. 도 1을 참조하면, 건강 상태 예측 시스템(100)은 단말기(110), 의료 데이터베이스(120), 시계열 의료 데이터 처리 장치(130), 전처리 모델 데이터베이스(140), 예측 모델 데이터 베이스(150), 및 네트워크(160)를 포함한다.

단말기(110)는 사용자로부터 시계열 데이터를 수집하여 시계열 의료 데이터 처리 장치(130)에 제공한다. 시계열 데이터는 전자 의무 기록(Electronic Medical Record, EMR)과 같이, 의료 기관에서 진단, 치료, 또는 투약 처방 등에 의하여 생성된 사용자의 건강 상태를 나타내는 시계열 의료 데이터를 포함할 수 있다. 시계열 데이터는 진단, 치료, 또는 투약 처방 등을 위하여 의료 기관에 방문할 때 생성될 수 있다. 시계열 데이터는 의료 기관의 방문에 따라, 시계열적으로 나열된 데이터일 수 있다. 시계열 데이터는 진단, 치료, 또는 투약 처방된 특징에 기초하여 생성된 복수의 특징들을 포함할 수 있다. 예를 들어, 특징은 혈압과 같은 검사로 측정된 데이터 또는 동맥 경화와 같은 질환의 정도를 나타내는 데이터를 포함할 수 있다.

단말기(110)는 사용자로부터 예측 시간 데이터를 입력받아 시계열 의료 데이터 처리 장치(130)에 더 제공할 수 있다. 예측 시간 데이터는 사용자가 원하는 미래 건강 상태의 예측 시간에 대한 정보를 포함할 수 있다. 예측 시간 데이터를 통하여, 시계열 의료 데이터 처리 장치(130)는 사용자가 원하는 예측 시간에 대한 결과를 분석할 수 있고, 예측 시간 데이터를 시계열 데이터의 불규칙한 시간 간격을 보정하는데 사용할 수 있다.

단말기(110)는 스마트폰, 데스크탑, 랩탑, 웨어러블 장치 등 사용자로부터 시계열 데이터를 입력 받을 수 있는 다양한 전자 장치 중 하나일 수 있다. 단말기(110)는 네트워크(160)를 통하여 시계열 데이터를 전송하도록 통신 모듈 또는 네트워크 인터페이스를 포함할 수 있다. 도 1은 하나의 단말기(110)를 도시하였으나, 이에 제한되지 않고, 복수의 단말기들로부터 시계열 데이터가 시계열 의료 데이터 처리 장치(130)에 제공될 수 있다.

의료 데이터베이스(120)는 다양한 사용자들에 대한 의료 데이터가 통합 관리되도록 구성된다. 예를 들어, 의료 데이터베이스(120)는 공공기관, 병원, 사용자 등으로부터 의료 데이터를 제공 받을 수 있다. 의료 데이터베이스(120)는 서버 또는 저장 매체에 구현될 수 있다. 의료 데이터는 의료 데이터베이스(120)에 시계열적으로 관리되고, 그룹핑되어 저장될 수 있다. 의료 데이터베이스(120)는 네트워크(160)를 통하여 시계열 의료 데이터 처리 장치(130)에 주기적으로 시계열 데이터를 제공할 수 있다.

시계열 의료 데이터 처리 장치(130)는 의료 데이터베이스(120) (또는 단말기(110))로부터 수신된 시계열 데이터를 통하여 학습 모델을 구축할 수 있다. 예를 들어, 학습 모델은 시계열 데이터를 바탕으로 미래 건강 상태를 예측하기 위한 예측 모델을 포함할 수 있다. 예를 들어, 학습 모델은 시계열 데이터를 전처리하기 위한 전처리 모델을 포함할 수 있다. 시계열 의료 데이터 처리 장치(130)는 의료 데이터베이스(120)로부터 수신된 시계열 데이터를 학습하여, 학습 모델을 생성할 수 있다.

시계열 의료 데이터 처리 장치(130)는 구축된 학습 모델에 기초하여 단말기(110) 또는 의료 데이터베이스(120)로부터 수신된 시계열 데이터를 처리할 수 있다. 시계열 의료 데이터 처리 장치(130)는 학습 결과 구축된 전처리 모델에 기초하여 시계열 의료 데이터를 전처리할 수 있다. 시계열 의료 데이터 처리 장치(130)는 학습 결과 구축된 예측 모델에 기초하여 전처리된 시계열 데이터를 분석할 수 있다. 분석 결과, 시계열 의료 데이터 처리 장치(130)는 예측 시간에 대응되는 결과 데이터(의료 데이터)를 계산할 수 있다.

시계열 의료 데이터 처리 장치(130)는 단말기(110)로부터 수신된 예측 시간 데이터에 기초하여, 시계열 데이터의 불규칙한 시간 간격을 보정할 수 있다. 시계열 의료 데이터 처리 장치(130)는 예측 시간 데이터에 기초하여, 이상적인 시간 간격을 갖는 복수의 기준 시간들을 계산할 수 있다. 시계열 의료 데이터 처리 장치(130)는 복수의 기준 시간들과 시계열 데이터의 복수의 실제 시간들을 비교함으로써, 시차 데이터를 생성할 수 있다. 시차 데이터는 시계열 데이터와 함께 결과 데이터를 계산하는데 이용될 수 있다. 시차 데이터의 생성 및 활용의 구체적인 내용은 후술된다.

시계열 의료 데이터 처리 장치(130)는 계산된 결과 데이터에 기초하여, 예측 시간에 대응되는 사용자의 미래 건강 상태를 예측할 수 있다. 예측된 미래 건강 상태는 단말기(110)의 요청에 따라, 네트워크(160)를 통하여 단말기(110)에 제공될 수 있다. 다만, 이에 제한되지 않고, 시계열 의료 데이터 처리 장치(130)는 예측 모델에 기초하여 미래 방문 데이터를 예측하고, 별도의 전자 장치에서, 해당 사용자의 미래 건강 상태를 예측할 수 있다.

전처리 모델 데이터베이스(140)는 시계열 의료 데이터 처리 장치(130)에서 학습되어 생성된 전처리 모델이 통합 관리되도록 구성된다. 전처리 모델 데이터베이스(140)는 별도의 서버 또는 저장 매체에 구현될 수 있다. 다만, 이에 제한되지 않고, 전처리 모델은 시계열 의료 데이터 처리 장치(130) 내부의 프로세서에 의하여 관리되고, 시계열 의료 데이터 처리 장치(130) 내부의 스토리지 등에 의하여 저장될 수 있다. 예를 들어, 전처리 모델은 시계열 데이터에서 정상 시계열 데이터와 비정상 시계열 데이터를 판단하여, 정상 시계열 데이터를 추출하기 위한 모델을 포함할 수 있다. 예를 들어, 전처리 모델은 시계열 데이터에 포함된 특징들에 대한 결측 값(missing value)을 보간하기 위한 모델을 포함할 수 있다.

예측 모델 데이터베이스(150)는 시계열 의료 데이터 처리 장치(130)에서 학습되어 생성된 예측 모델이 통합 관리되도록 구성된다. 예측 모델 데이터베이스(150)는 별도의 서버 또는 저장 매체에 구현될 수 있다. 다만, 이에 제한되지 않고, 예측 모델은 시계열 의료 데이터 처리 장치(130) 내부에서 통합 관리될 수 있다. 예측 모델은 전처리된 시계열 데이터를 분석하여 예측 시점에 대응되는 결과 데이터를 생성하기 위한 모델을 포함할 수 있다. 이러한 예측 모델의 구체적인 예시는 후술된다.

네트워크(160)는 단말기(110), 의료 데이터베이스(120), 및 시계열 의료 데이터 처리 장치(130) 사이의 데이터 통신이 수행되도록 구성될 수 있다. 단말기(110), 의료 데이터베이스(120), 및 시계열 의료 데이터 처리 장치(130)는 네트워크(160)를 통하여 유선 또는 무선으로 데이터를 주고 받을 수 있다.

도 2는 도 1의 시계열 의료 데이터 처리 장치의 예시적인 블록도이다. 도 2의 블록도는 시계열 데이터를 전처리하고, 분석하기 위한 예시적인 구성으로 이해될 것이고, 시계열 의료 데이터 처리 장치의 구조가 이에 제한되지 않을 것이다. 도 2를 참조하면, 시계열 의료 데이터 처리 장치(130)는 네트워크 인터페이스(131), 프로세서(132), 메모리(133), 스토리지(136), 및 버스(137)를 포함할 수 있다. 예시적으로, 시계열 의료 데이터 처리 장치(130)는 서버로 구현될 수 있으나, 이에 제한되지 않는다.

네트워크 인터페이스(131)는 도 1의 네트워크(160)를 통하여 단말기(110) 또는 의료 데이터베이스(120)로부터 제공되는 시계열 데이터를 입력 받도록 구성된다. 네트워크 인터페이스(131)는 도 1의 단말기(110)로부터 제공되는 예측 시간 (데이터)을 입력 받도록 구성된다. 네트워크 인터페이스(131)는 수신된 시계열 데이터 및 예측 시간을 버스(137)를 통하여 프로세서(132), 메모리(133) 또는 스토리지(136)에 제공할 수 있다. 또한, 네트워크 인터페이스(131)는 수신된 시계열 데이터 및 예측 시간에 응답하여 예측된 미래 건강 상태의 결과 데이터를 도 1의 네트워크(160)를 통하여 단말기(110) 등에 제공하도록 구성될 수 있다.

프로세서(132)는 시계열 의료 데이터 처리 장치(130)의 중앙 처리 장치로의 기능을 수행할 수 있다. 프로세서(132)는 시계열 의료 데이터 처리 장치(130)의 전처리 및 데이터 분석 등을 구현하기 위하여 요구되는 제어 동작 및 연산 동작을 수행할 수 있다. 예를 들어, 프로세서(132)의 제어에 따라, 네트워크 인터페이스(131)는 시계열 데이터 및 예측 시간을 외부로부터 수신할 수 있다. 프로세서(132)의 제어에 따라, 예측 모델을 생성하기 위한 연산 동작이 수행될 수 있고, 예측 모델을 이용하여 결과 데이터가 계산될 수 있다. 프로세서(132)는 메모리(133)의 연산 공간을 활용하여 동작할 수 있고, 스토리지(136)로부터 운영체제를 구동하기 위한 파일들 및 어플리케이션의 실행 파일들을 읽을 수 있다. 프로세서(132)는 운영 체제 및 다양한 어플리케이션들을 실행할 수 있다.

메모리(133)는 프로세서(132)에 의하여 처리되거나 처리될 예정인 데이터 및 프로세스 코드들을 저장할 수 있다. 예를 들어, 메모리(133)는 네트워크 인터페이스(131)로부터 제공된 시계열 데이터, 예측 시간 데이터, 시계열 데이터의 전처리 동작을 수행하기 위한 정보들, 시계열 데이터의 불규칙한 시간 간격을 보정하기 위한 정보들, 결과 데이터의 연산을 위한 정보들, 및 예측 모델을 구축하기 위한 정보들을 저장할 수 있다. 메모리(133)는 시계열 의료 데이터 처리 장치(130)의 주기억 장치로 이용될 수 있다. 메모리(133)는 DRAM (Dynamic RAM), SRAM (Static RAM), PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.

메모리(133)는 전처리부(134) 및 데이터 분석부(135)를 포함할 수 있다. 전처리부(134) 및 데이터 분석부(135)는 메모리(133)의 연산 공간의 일부일 수 있다. 이 경우, 전처리부(134) 및 데이터 분석부(135)는 펌웨어 또는 소프트웨어로 구현될 수 있다. 예를 들어, 펌웨어는 스토리지(136)에 저장되고, 펌웨어를 실행 시에 메모리(133)에 로딩될 수 있다. 프로세서(132)는 메모리(133)에 로딩된 펌웨어를 실행할 수 있다. 전처리부(134)는 프로세서(132)의 제어 하에 시계열 데이터를 전처리하고, 예측 시간 데이터 및 시계열 데이터에서 나열된 실제 시간들에 기초하여 시차 데이터를 생성하도록 동작될 수 있다. 데이터 분석부(135)는 프로세서(132)의 제어 하에 전처리된 시계열 데이터를 분석하여 예측 모델을 구축하도록 동작될 수 있다. 데이터 분석부(135)는 프로세서(132)의 제어 하에 전처리된 시차 데이터를 반영하여 시계열 데이터를 분석하고, 결과 데이터를 생성하도록 동작될 수 있다.

도 2에 도시된 바와 달리, 전처리부(134) 및 데이터 분석부(135)는 시계열 데이터를 전처리하고, 시차 데이터를 생성하고, 시차 데이터를 반영하여 시계열 데이터를 분석하기 위한 별도의 하드웨어로 구현될 수 있다. 예를 들어, 전처리부(134) 및 데이터 분석부(135)는 인공 신경망을 통한 학습을 수행하여 학습 모델을 구축하기 위한 뉴로모픽 칩 등으로 구현되거나, FPGA(Field Programmable Gate Aray) 또는 ASIC(Application Specific Integrated Circuit)와 같은 전용 논리 회로 등으로 구현될 수 있다. 예를 들어, 전처리부(134)는 전용 논리 회로로 구현되고, 데이터 분석부(135)는 예측 모델을 구축하기 위한 별도의 서버로 구현될 수 있다.

전처리부(134)는 프로세서(132)의 제어에 따라, 시계열 데이터를 전처리할 수 있다. 예를 들어, 전처리부(134)는 시계열 데이터에서 오타와 같은 비정상 데이터를 제거하고, 정상 시계열 데이터를 추출할 수 있다. 전처리부(134)는 정상 시계열 데이터에 대응되는 복수의 시간들 및 예측 시간에 기초하여, 복수의 기준 시간들을 생성하고, 복수의 기준 시간들에 기초하여, 시차 데이터를 생성할 수 있다. 전처리부(134)는 정상 시계열 데이터에 포함된 특징들에 대한 결측 값을 보간할 수 있다. 전처리부(134)에 대한 구체적인 내용은 후술된다.

데이터 분석부(135)는 프로세서(132)의 제어에 따라, 예측 모델을 이용하여 전처리된 시계열 데이터를 분석할 수 있다. 예를 들어, 데이터 분석부(135)는 시차 데이터를 반영하여 전처리된 시계열 데이터를 분석할 수 있다. 시차 데이터는 시계열 데이터의 불규칙한 시간 간격을 보정하는데 이용된다. 데이터 분석부(135)는 전처리된 시계열 데이터의 분석에 기초하여, 예측 시간에 대응되는 결과 데이터를 예측할 수 있다. 결과 데이터는 예측 시간에 대응되는 전자 의무 기록의 예측 값일 수 있다. 또한, 결과 데이터를 생성하기 위하여, 예측 모델은 학습될 수 있다. 데이터 분석부(135)에 대한 구체적인 내용은 후술된다.

스토리지(136)는 운영 체제 또는 어플리케이션들에 의해 장기적인 저장을 목적으로 생성되는 데이터, 운영 체제를 구동하기 위한 파일, 또는 어플리케이션들의 실행 파일 등을 저장할 수 있다. 예를 들어, 스토리지(136)는 전처리부(134) 및 데이터 분석부(135)의 실행을 위한 파일들을 저장할 수 있다. 스토리지(136)는 시계열 의료 데이터 처리 장치(130)의 보조 기억 장치로 이용될 수 있다. 스토리지(136)는 플래시 메모리, PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.

버스(137)는 시계열 의료 데이터 처리 장치(130)의 구성 요소들 사이에서 통신 경로를 제공할 수 있다. 네트워크 인터페이스(131), 프로세서(132), 메모리(133), 및 스토리지(136) 는 버스(137)를 통해 서로 데이터를 교환할 수 있다. 버스(137)는 시계열 의료 데이터 처리 장치(130)에서 이용되는 다양한 유형의 통신 포맷을 지원하도록 구성될 수 있다.

도 3은 도 2의 전처리부의 예시적인 블록도이다. 도 3의 블록도는 시계열 데이터(TSD)를 전처리하고, 시차 데이터(DD)를 생성하기 위한 예시적인 구성으로 이해될 것이고, 전처리부(134)의 구조가 이에 제한되지 않을 것이다. 도 3을 참조하면, 전처리부(134)는 데이터 추출기(134_1), 시간 간격 계산기(134_2), 및 데이터 보간기(134_3)를 포함할 수 있다. 도 2에서 설명된 바와 같이, 데이터 추출기(134_1), 시간 간격 계산기(134_2), 및 데이터 보간기(134_3)는 도 2의 메모리(133)의 연산 공간의 일부일 수 있고, 펌웨어 또는 소프트웨어로 구현될 수 있다. 또는, 데이터 추출기(134_1), 시간 간격 계산기(134_2), 및 데이터 보간기(134_3)는 FPGA 또는 ASIC와 같은 전용 논리 회로 또는 뉴로모픽 칩 등으로 구현될 수 있다

데이터 추출기(134_1)는 시계열 데이터(TSD)에서 정상 시계열 데이터를 추출할 수 있다. 데이터 추출기(134_1)는 도 2의 네트워크 인터페이스(131)를 통하여 수신된 시계열 데이터(TSD)에서 비정상 데이터를 검출할 수 있다. 비정상 데이터는 시계열 데이터(TSD)에 포함된 특징들에서 나타날 수 없는 값을 가질 수 있다. 예를 들어, 데이터 값이 특정된 특징에 대응되는 타입(예를 들어, 범주 형식(Categorical type)의 정보(-, +, ++ 등) 또는 수치 형식의 정보)이 아니거나, 데이터 값이 특정된 특징에 존재할 수 없는 범주, 수치, 또는 차원인 경우, 데이터 추출기(134_1)는 해당 특징을 비정상 데이터로 판단할 수 있다.

데이터 추출기(134_1)는 검출된 비정상 데이터를 제거함으로써, 정상 시계열 데이터를 추출할 수 있다. 다만, 이에 제한되지 않고, 데이터 추출기(134_1)는 검출된 비정상 데이터의 에러를 정정함으로써, 비정상 데이터를 정상 데이터로 변환할 수 있다. 데이터 추출기(134_1)는 뉴럴 네트워크 모델과 같이, 기계 학습이 가능한 전처리 모델을 통하여 정상 시계열 데이터를 추출할 수 있다. 또는, 데이터 추출기(134_1)는 비정상 데이터를 검출하기 위한 기준 데이터와의 비교를 통하여 정상 시계열 데이터를 추출할 수 있다.

시간 간격 계산기(134_2)는 예측 시간 데이터(PTD)에 기초하여, 정상 시계열 데이터의 복수의 시간들 각각에 대응되는 시차 데이터(DD)를 생성할 수 있다. 도 3에서, 시간 간격 계산기(134_2)는 데이터 추출기(134_1)를 통하여 예측 시간 데이터(PTD)를 수신하는 것으로 도시되나, 시간 간격 계산기(134_2)는 네트워크 인터페이스(131)를 통하여 직접 예측 시간 데이터(PTD)를 수신할 수 있다. 시간 간격 계산기(134_2)는 복수의 시간들 중 최초 시간과 예측 시간 사이의 차이에 기초하여, 복수의 기준 시간들을 계산할 수 있다. 시간 간격 계산기(134_2)는 복수의 기준 시간들과 이에 대응되는 정상 시계열 데이터의 복수의 시간들 사이의 차이에 기초하여, 시차 데이터(DD)를 생성할 수 있다. 복수의 기준 시간들 및 시차 데이터(DD)에 대한 구체적인 내용은 도 4에서 후술된다.

시간 간격 계산기(134_2)는 예측 모델을 학습할 때, 예측 시간 데이터(PTD)를 수신하지 않을 수 있다. 이 경우, 시간 간격 계산기(134_2)는 기설정된 예측 시간에 기초하여, 시차 데이터(DD)를 생성할 수 있다. 기설정된 예측 시간은 정상 시계열 데이터의 복수의 시간들 중 최종 시간일 수 있다. 즉, 시간 간격 계산기(134_2)는 복수의 시간들 중 최초 시간과 최종 시간 사이의 차이에 기초하여, 복수의 기준 시간들을 계산할 수 있다. 다만, 이에 제한되지 않고, 기설정된 예측 시간은 예측 모델의 학습의 효율성 향상을 위하여, 특정된 시간 또는 가변적인 시간일 수 있다.

데이터 보간기(134_3)는 정상 시계열 데이터에 포함된 특징들에 대한 결측 값을 보간할 수 있다. 시계열 데이터에 포함된 복수의 특징들 중 특정 시간에 대응되는 특징 값은 존재하지 않을 수 있다. 예를 들어, 전자 의무 기록과 같은 시계열 의료 데이터에 대하여, 사용자는 의료 기관에 방문시에 동일한 진단, 처방, 또는 검사를 받지 않을 수 있다. 사용자의 회복 경과 등에 따라, 특정 진단, 처방, 또는 검사가 생략되거나 추가될 수 있다. 또는, 사용자가 특정 진단, 처방, 또는 검사가 수행되었으나, 전자 의무 기록에 실수로 특징 값이 누락될 수 있다. 데이터 보간기(134_3)는 이러한 결측 값을 생성할 수 있다.

데이터 보간기(134_3)는 통계적인 방식으로 결측 값을 보간할 수 있다. 예를 들어, 데이터 보간기(134_3)는 결측 값과 인접한 시간의 특징 값을 결측 값으로 결정하거나, 결측된 특징에 대응되는 다른 값들의 평균 값을 결측 값으로 결정할 수 있다. 또는, 데이터 보간기(134_3)는 뉴럴 네트워크 모델과 같이, 기계 학습이 가능한 전처리 모델을 통하여 결측 값을 보간할 수 있다. 다만, 이에 제한되지 않고, 결측 값이 존재하는 경우, 기설정된 값으로 결측 값을 결정할 수 있다. 결측 값의 보간 결과, 최종적으로 전처리된 시계열 데이터(TMD)가 생성되며, 전처리된 시계열 데이터(TMD)는 데이터 분석부(135)의 예측 모델에 입력될 수 있다. 경우에 따라, 데이터 보간기(134_3)는 시차 데이터(DD)를 보간하여 출력할 수 있으나, 도 3과 달리, 시차 데이터(DD)는 데이터 보간기(134_3)를 경유하지 않고 출력될 수 있다.

도 3에 설명되지 않은 다양한 전처리 동작이 전처리부(134)에서 수행될 수 있다. 예를 들어, 전처리부(134)는 시계열 데이터(TSD)에 포함된 특징들을 동일한 타입을 갖도록 변환할 수 있다. 전처리부(134)는 시계열 데이터(TSD) 또는 예측 시간 데이터(PTD)의 차원을 변환하거나, 정규화할 수 있다. 전처리부(134)에서 출력되는 전처리된 시계열 데이터(TMD) 및 시차 데이터(DD)는 다양한 전처리 동작이 모두 수행되어, 데이터 분석부(135)에 입력되는 데이터로 이해될 것이다.

도 3에서, 전처리된 시계열 데이터(TMD)와 시차 데이터(DD)는 분리되어 출력되는 것으로 도시되나, 전처리된 시계열 데이터(TMD)에 시차 데이터(DD)가 포함되어 출력될 수 있다. 예를 들어, 전처리된 시계열 데이터(TMD)의 제1 시간에 대응되는 제1 데이터는 제1 시차 데이터를 포함하고, 제2 시간에 대응되는 제2 데이터는 제2 시차 데이터를 포함할 수 있다.

도 4는 도 3의 시간 간격 계산기에서 시차 데이터를 생성하는 과정을 설명하기 위한 도면이다. 도 4의 가로축은 시간으로 정의된다. 도 4를 참조하면, 시계열 데이터는 제1 내지 제n 시간들(V1~Vn)에 대응되는 데이터가 그룹화된 것일 수 있다. 설명의 편의상, 시계열 데이터는 제1 내지 제n 시간들(V1~Vn)에 대응되는 제1 내지 제n 데이터를 포함하는 것으로 가정한다. 제n+1 시간(Vn+1)은 제n 시간(Vn) 이후의 시간을 나타내며, 상술된 예측 시간에 대응된다.

제1 내지 제n 시간들(V1~Vn)은 진단, 치료, 또는 투약 처방 등을 위하여 의료 기관에 실제 방문한 시간에 대응될 수 있다. 예를 들어, 제1 내지 제n 시간들(V1~Vn)은 사용자가 병원에 방문하여, 혈액 등을 채취한 시간, 또는 의사에 의하여 진단, 치료, 또는 투약 처방을 받은 시간일 수 있다. 상술한 바와 같이, 제1 내지 제n 시간들(V1~Vn) 사이의 시간 간격은 불규칙할 수 있다. 또한, 제n 시간(Vn)과 제n+1 시간(Vn+1) 사이의 시간 간격은 제1 내지 제n 시간들(V1~Vn) 사이의 시간 간격과 연관성을 갖지 않는다. 제1 내지 제n 시간 간격들(r1~rn)은 제1 내지 제n+1 시간들(V1~Vn+1) 중 서로 인접한 시간들 사이의 간격으로 정의된다. 예를 들어, 제1 시간(V1)과 제2 시간(V2) 사이의 간격은 제1 시간 간격(r1)으로 정의된다.

제1 내지 제n+1 기준 시간들(t1~tn+1)은 시차 데이터(DD)를 생성하기 위하여, 도 3의 시간 간격 계산기(134_2)에서 계산된 시간들일 수 있다. 시간 간격 계산기(134_2)는 시계열 데이터의 최초 시간인 제1 시간(V1)과 예측 시간인 제n+1 시간(Vn+1)의 차이에 기초하여 제1 내지 제n+1 기준 시간들(t1~tn+1)을 설정할 수 있다. 제1 기준 시간(t1)은 제1 시간(V1)과 동일할 수 있고, 제n+1 기준 시간(tn+1)은 제n+1 시간(Vn+1)과 동일할 수 있다. 제1 내지 제n 기준 시간 간격들(i1~in)은 제1 내지 제n+1 기준 시간들(t1~tn+1) 중 서로 인접한 시간들 사이의 간격으로 정의된다. 예를 들어, 제1 기준 시간(t1)과 제2 기준 시간(t2) 사이의 간격은 제1 기준 시간 간격(i1)으로 정의된다. 제1 내지 제n 기준 시간 간격들(i1~in)은 서로 동일할 수 있다.

제1 내지 제n 차이 값들(d1~dn)은 시차 데이터(DD)에 포함된 데이터 값일 수 있다. 제1 내지 제n 차이 값들(d1~dn)은 제1 내지 제n 시간들(V1~Vn)과 이에 대응되는 제1 내지 제n 기준 시간들(t1~tn) 사이의 차이일 수 있다. 예를 들어, 제2 차이 값(d2)은 제2 시간(V2)과 제2 기준 시간(t2)의 차이일 수 있다. 제1 내지 제n 차이 값들(d1~dn) 각각은 수학식 1과 같이 계산될 수 있다.

수학식 1을 참조하면, k는 인덱스, N은 총 방문 회수와 같은 시계열 데이터에 대응되는 시간들의 개수, rn은 n번째 시간 간격, dk는 k번째 차이 값으로 정의된다. 제1 내지 제n 차이 값들(d1~dn)은 이상적인 시간 간격의 추이(우변의 좌항)와 실제의 시간 간격의 추이(우변의 우항)의 차이를 나타내는 값일 수 있다. 수학식 1의 시그마를 통하여, 제1 내지 제n 차이 값들(d1~dn) 각각은 이전의 방문에 따른 시간들의 추이를 모두 반영한 결과 값임을 나타낸다. 제1 내지 제n 차이 값들(d1~dn)은 시계열 데이터의 불규칙한 시간 간격을 보정하고, 시간적인 추이에 따른 시계열 데이터의 가중치를 결정하기 위하여 생성될 수 있다.

도 5는 도 2의 데이터 분석부의 예시적인 블록도이다. 도 5의 블록도는 전처리된 시계열 데이터(TMD) 및 시차 데이터(DD)를 이용하여, 예측 시간에 대응되는 결과 데이터(RD)를 생성하기 위한 예시적인 구성으로 이해될 것이고, 데이터 분석부(135)의 구조가 이에 제한되지 않을 것이다. 도 5를 참조하면, 데이터 분석부(135)는 예측 모델 관리기(135_1) 및 건강 예측기(135_2)를 포함할 수 있다. 도 2에서 설명된 바와 같이, 예측 모델 관리기(135_1) 및 건강 예측기(135_2)는 도 2의 메모리(133)의 연산 공간의 일부일 수 있고, 펌웨어 또는 소프트웨어로 구현될 수 있다. 또는, 예측 모델 관리기(135_1) 및 건강 예측기(135_2)는 FPGA 또는 ASIC와 같은 전용 논리 회로 또는 뉴로모픽 칩 등으로 구현될 수 있다.

예측 모델 관리기(135_1)는 프로세서(132)의 제어에 따라, 예측 시간에 대응되는 결과 데이터를 생성하기 위한 예측 모델을 관리할 수 있다. 예측 모델 관리기(135_1)는 예측 모델을 학습시키고, 학습된 예측 모델을 스토리지(136) 또는 도 1의 예측 모델 데이터베이스(150)와 같은 별도의 서버나 저장 매체에 전달할 수 있다. 예측 모델을 학습하거나 예측 모델을 통하여 미래의 건강 상태를 예측할 때, 예측 모델 관리기(135_1)는 스토리지(136) 또는 예측 모델 데이터베이스(150)에 저장된 예측 모델이 예측 모델 관리기(135_1)에 로딩될 수 있다.

예측 모델을 학습하기 위하여, 예측 모델 관리기(135_1)는 전처리된 시계열 데이터(TMD) 및 시차 데이터(DD)를 입력 받을 수 있다. 여기에서, 전처리된 시계열 데이터(TMD)는 도 1의 의료 데이터베이스(120)에 저장된 다양한 환자들에 대한 시계열 의료 데이터를 포함할 수 있다. 여기에서, 시차 데이터(DD)는 시계열 데이터의 최초 시간 및 최종 시간 사이의 차이에 기초하여 생성될 수 있다. 예측 모델 관리기(135_1)는 전처리된 시계열 데이터(TMD)의 불규칙한 시간 간격을 시차 데이터(DD)로 보정하여 학습 결과 데이터를 생성할 수 있다. 학습 결과 데이터는 예상되는 결과 데이터, 예를 들어 최종 시간에 대응되는 시계열 데이터와 비교될 수 있고, 비교 결과에 기초하여 예측 모델에 설정된 가중치가 조절될 수 있다. 여기에서, 가중치는 전처리된 시계열 데이터(TMD)에 부여되는 가중치 및 시차 데이터(DD)에 부여되는 가중치를 포함할 수 있다.

건강 예측기(135_2)는 프로세서(132)의 제어에 따라, 예측 모델 관리기(135_1)에서 학습된 예측 모델을 이용하여, 예측 시간에 대응되는 미래 건강 상태를 예측할 수 있다. 미래 건강 상태를 예측하기 위하여, 건강 예측기(135_2)는 예측 모델 관리기(135_1)로부터 예측 모델이 저장된 경로를 전달 받을 수 있다. 예측 모델은 전처리된 시계열 데이터(TMD) 및 시차 데이터(DD)를 입력 받을 수 있다. 여기에서, 전처리된 시계열 데이터(TMD)는 사용자(환자)에 대한 시계열 의료 데이터를 포함할 수 있다. 여기에서, 시차 데이터(DD)는 시계열 데이터의 최초 시간 및 수신된 예측 시간 사이의 차이에 기초하여 생성될 수 있다. 건강 예측기(135_2)는 예측 모델을 통하여, 전처리된 시계열 데이터(TMD)의 불규칙한 시간 간격을 보정하여 예측 시간에 대응되는 결과 데이터(RD)를 생성할 수 있다.

도 6은 도 5에서 학습된 예측 모델의 예시적인 도면이다. 도 6은 예측 모델(PM1)의 예시적인 구성으로 이해될 것이고, 본 발명의 실시예는 도 6에 제한되지 않는다. 도 6을 참조하면, 예측 모델(PM1)은 제1 내지 제4 레이어들(L1~L4)을 포함할 수 있다. 예측 모델(PM1)은 도 5의 데이터 분석부(135)에서 생성 및 학습될 수 있다. 예측 모델(PM1)은 전처리된 시계열 데이터(TMD)를 수신할 것이나, 아래에서 설명의 편의상 시계열 데이터로 지칭될 것이다.

제1 레이어(L1)는 시간의 순서에 따라 시계열 데이터를 수신하여 벡터화할 수 있다. 시계열 데이터는 제1 내지 제n 시간들에 대응되는 제1 내지 제n 데이터(TMD1~TMDn)를 포함할 수 있다. 제1 내지 제n 데이터(TMD1~TMDn)는 순차적으로 입력될 수 있다. 예를 들어, 제1 데이터(TMD1)가 제1 레이어(L1)에 의하여 벡터화된 후, 제2 데이터(TMD2)가 제1 레이어(L1)에 의하여 벡터화될 수 있다. 제1 레이어(L1)는 제1 내지 제n 데이터(TMD1~TMDn)을 제1 내지 제n 벡터 값들(h1~hn)로 변환할 수 있다.

제1 레이어(L1)는 이전에 생성된 벡터 값에 기초하여, 다음의 벡터 값을 생성하는 순환 신경망으로 구현될 수 있다. 예를 들어, 제1 레이어(L1)는 제1 벡터 값(h1)을 반영하여 제2 데이터(TMD2)를 제2 벡터 값(h2)으로 변환할 수 있다. 예시적으로, 제1 레이어(L1)는 LSTM(Long-Short Term Memory), GRU(Gated Recurrent Unit), ARIMA(Auto-regressive Integrated Moving Average), 또는 선형 회귀(Linear Regression) 모델로 구현될 수 있다.

제2 레이어(L2)는 시간의 순서에 따라 시차 데이터를 수신하여 모델링할 수 있다. 시차 데이터는 제1 내지 제n 시간들에 대응되는 제1 내지 제n 시차 데이터(DD1~DDn)를 포함할 수 있다. 제1 내지 제n 데이터(TMD1~TMDn)와 마찬가지로, 제1 내지 제n 시차 데이터(DD1~DDn)는 순차적으로 입력될 수 있다. 제1 내지 제n 시차 데이터(DD1~DDn)는 제1 내지 제n 시간 보정 값들(T1~Tn)로 모델링될 수 있다. 제1 내지 제n 시차 데이터(DD1~DDn)는 예시적으로 수학식 2와 같이 모델링될 수 있다.

수학식 2를 참조하면, dd는 시차 데이터의 값, W_T는 시차 데이터에 대응되는 가중치 (매트릭스), b는 인덕티브 바이어스(inductive bias), T는 시간 보정 값으로 정의된다. 시차 데이터는 tanh와 같은 비선형 함수를 이용하여 모델링될 수 있다.

제3 레이어(L3)는 시간의 순서에 따라 벡터 값 및 시간 보정 값을 수신하여 가중치를 생성할 수 있다. 여기에서, 가중치는 결과 데이터(RD)를 생성하기 위하여, 벡터 값에 부여되는 최종 가중치를 나타낼 수 있다. 제3 레이어(L3)는 어텐션 메커니즘(attention mechanism)으로 구현되는 어텐션 레이어를 포함할 수 있다. 제3 레이어(L3)는 제1 내지 제n 시간 보정 값들(T1~Tn)을 제1 내지 제n 벡터 값들(h1~hn)에 반영하여 불규칙한 시간 간격을 보정함으로써, 제1 내지 제n 가중치들(o1~on)을 생성할 수 있다. 제1 내지 제n 가중치들(o1~on)은 예시적으로 수학식 3과 같이 어텐션 메커니즘을 이용하고 불규칙한 시간 간격을 보정할 수 있다.

수학식 3을 참조하면, h는 벡터 값, W_e는 벡터 값에 대응되는 가중치 (매트릭스), U_e는 가중치 벡터, T는 시간 보정 값, o는 벡터 값에 부여하기 위하여 생성되는 (최종) 가중치로 정의된다. 벡터 값은 tanh와 같은 비선형 함수를 이용하여 모델링될 수 있다. 모델링된 벡터 값은 불규칙한 시간 간격을 보정하도록 시간 보정 값과 함께 softmax 함수에 입력될 수 있다. 제1 내지 제n 가중치들(o1~on)은 softmax 함수의 계산에 의하여 생성될 수 있다.

제3 레이어(L3)는 제1 내지 제n 가중치들(o1~on)을 제1 내지 제n 벡터 값들(h1~hn)에 부여할 수 있다. 예를 들어, 제1 벡터 값(h1)과 제1 가중치(o1)는 곱하여질 수 있다. 가중치의 크기에 의존하여, 벡터 값이 결과 데이터(RD)에 영향을 미치는 정도가 결정될 수 있다. 예를 들어, 가중치의 크기가 클수록, 가중치에 대응되는 데이터 또는 벡터 값은 결과 데이터(RD)를 생성하는데 유의미한 정보일 수 있다. 도 6과 달리, 제3 레이어(L3)는 가중치가 부여된 제1 내지 제n 벡터 값들(o1h1~onhn)을 모두 분석하여 생성된 하나의 분석 값을 제4 레이어(L4)에 출력할 수 있다. 예를 들어, 분석 값은 가중치가 부여된 제1 내지 제n 벡터 값들(o1h1~onhn)의 합에 기초하여 생성될 수 있다.

제4 레이어(L4)는 가중치가 부여된 제1 내지 제n 벡터 값들(o1h1~onhn)에 기초하여 결과 데이터(RD)를 계산할 수 있다. 결과 데이터(RD)는 예측 시간에 대응되는 제n+1 데이터(TMDn+1)일 수 있다. 제n+1 데이터(TMDn+1)는 예측 시간에 대응되는 전자 의무 기록의 예측 데이터일 수 있다. 제4 레이어(L4)는 제1 레이어(L1)와 같은 순환 신경망으로 구현될 수 있다. 예를 들어, 제4 레이어(L4)는 가중치가 부여된 제1 내지 제n 벡터 값들(o1h1~onhn)을 순차적으로 처리하여, 이전의 벡터 값을 반영한 데이터를 순차적으로 생성할 수 있다. 순차적인 처리 결과, 제4 레이어(L4)는 가중치가 부여된 제1 내지 제n 벡터 값들(o1h1~onhn) 모두를 반영한 결과 데이터(RD)를 생성할 수 있다. 다만, 이에 제한되지 않고, 제4 레이어(L4)는 예시적으로 행렬 곱셈 연산 등을 수행하여 결과 데이터(RD)를 출력하는 것과 같이 다양한 방식으로 구현될 수 있다.

도 7은 도 5에서 학습된 예측 모델의 예시적인 도면이다. 도 7은 예측 모델(PM2)의 예시적인 구성으로 이해될 것이고, 본 발명의 실시예는 도 7에 제한되지 않는다. 도 7을 참조하면, 예측 모델(PM2)은 입력 레이어(Li), 어텐션 레이어(La), 및 출력 레이어(Lo)를 포함할 수 있다. 예측 모델(PM2)은 도 5의 데이터 분석부(135)에서 생성 및 학습될 수 있다.

입력 레이어(Li)는 순차적으로 제1 내지 제n 데이터(TMD1~TMDn)를 벡터화할 수 있다. 입력 레이어(Li)는 도 6의 제1 레이어(L1)와 같이, 제1 내지 제n 데이터(TMD1~TMDn)을 제1 내지 제n 벡터 값들(h1~hn)로 변환할 수 있다. 입력 레이어(Li)는 이전에 생성된 벡터 값에 기초하여 다음의 벡터 값을 생성하는 순환 신경망으로 구현될 수 있다.

어텐션 레이어(La)는 어텐션 메커니즘에 따라 제1 내지 제n 벡터 값들(h1~hn) 및 제1 내지 제n 차이 값들(d1~dn)을 순차적으로 모델링하고, 이를 종합하여 제1 내지 제n 가중치들(o1~on)을 생성할 수 있다. 제1 내지 제n 차이 값들(d1~dn)은 도 4에서 상술된 바와 같이, 시차 데이터에 포함된 데이터 값들을 나타낼 수 있다. 예시적으로, 어텐션 레이어(La)는 제1 내지 제n 벡터 값들(h1~hn) 및 제1 내지 제n 차이 값들(d1~dn)을 수학식 2 및 수학식 3과 같이, tanh 함수를 이용하여 모델링할 수 있다. 이후, 어텐션 레이어(La)는 수학식 3과 같이, softmax 함수를 적용하여, 불규칙한 시간 간격이 보정된 제1 내지 제n 가중치들(o1~on)을 생성할 수 있다. 제1 내지 제n 가중치들(o1~on)은 제1 내지 제n 벡터 값들(h1~hn)에 부여되고, 서로 합산될 수 있다. 그 결과, 분석 값(CC)이 생성될 수 있다.

출력 레이어(Lo)는 분석 값(CC) 및 제n 벡터 값(hn)에 기초하여, 예측 시간에 대응되는 결과 데이터(RD)를 생성할 수 있다. 결과 데이터(RD)는 예측 시간에 대응되는 제n+1 데이터(TMDn+1)일 수 있고, 전자 의무 기록의 예측 데이터일 수 있다. 출력 레이어(Lo)는 입력 레이어(Li)와 같이, 이전에 생성된 벡터 값인 제n 벡터 값에 기초하여, 다음의 벡터 값에 대응되는 결과 데이터(RD)를 생성할 수 있다.

도 8은 도 1의 시계열 의료 데이터 처리 장치에 의한 예측 모델을 학습하는 방법의 순서도이다. 도 8을 참조하면, 예측 모델을 학습하는 방법은 도 2의 시계열 의료 데이터 처리 장치(130)의 프로세서(132)에 의하여 실행될 수 있다. 도 8의 각 단계들은 프로세서(132)의 제어 하에, 전처리부(134) 및 데이터 분석부(135)에서 처리될 수 있다. 설명의 편의상 도 2의 도면 부호를 참조하여, 도 8이 설명된다.

S110 단계에서, 시계열 데이터는 네트워크 인터페이스(131)를 통하여 획득된다. 시계열 데이터는 도 1의 의료 데이터베이스(120) 또는 단말기(110)로부터 제공될 수 있다. 학습된 예측 모델을 이용하여 미래의 건강 상태를 예측할 때와 달리, 네트워크 인터페이스(131)는 별도의 예측 시간 데이터를 수신하지 않을 수 있다.

S120 단계에서, 시계열 데이터의 전처리가 수행된다. S120 단계는 프로세서(132)의 제어 하에, 전처리부(134)에서 수행될 수 있다. 전처리부(134)는 S121 내지 S123 단계를 수행할 수 있다.

S121 단계에서, 전처리부(134)는 정상 시계열 데이터를 추출할 수 있다. 예시적으로, 전처리부(134)는 시계열 데이터에서 노이즈 등에 의하여 손상되거나, 해당 특징에서 나타날 수 없는 잘못된 값으로 기록된 비정상 시계열 데이터를 제거하거나 정상 시계열 데이터로 보정할 수 있다.

S122 단계에서, 전처리부(134)는 시차 데이터를 생성한다. 학습 단계에서, 별도의 예측 시간을 수신하지 않으므로, 시차 데이터는 기설정된 예측 시간을 이용하거나, 수신된 시계열 데이터의 최종 시간을 예측 시간으로 설정함으로써 생성될 수 있다. 예를 들어, 전처리부(134)는 시계열 데이터의 최초 시간과 최종 시간 사이에 일정한 시간 간격을 갖는 기준 시간들을 계산할 수 있다. 전처리부(134)는 기준 시간들과 실제 시계열 데이터의 시간들의 차이에 기초하여, 시차 데이터를 생성할 수 있다.

S123 단계에서, 전처리부(134)는 정상 시계열 데이터를 보간할 수 있다. 예시적으로, 전처리부(134)는 정상 시계열 데이터에 포함된 특징들 중 특정 시간에 존재하지 않는 결측 값들을 보간할 수 있다. 예시적으로, 결측 값은 평균 값 또는 인접한 특징 값 등을 활용하는 통계적인 방식으로 보간되거나, 전처리 모델과 같은 기계 학습을 통하여, 보간될 수 있다.

S130 단계에서, 데이터 분석부(135)는 전처리된 시계열 데이터 및 시차 데이터에 기초하여, 예측 모델을 학습한다. 데이터 분석부(135)는 전처리된 시계열 데이터의 불규칙한 시간 간격을 시차 데이터로 보정함으로써, 학습 결과 데이터를 생성할 수 있다. 학습 결과 데이터는 예상되는 결과 데이터, 예를 들어 최종 시간에 대응되는 시계열 데이터와 비교될 수 있다. 비교 결과에 기초하여 예측 모델에 설정된 가중치가 조절됨으로써, 예측 모델이 학습될 수 있다. 예측 모델을 다양한 표본들에 대한 시계열 데이터를 이용하여 학습될 수 있다.

도 9는 도 1의 시계열 의료 데이터 처리 장치에 의한 미래 건강 상태를 예측하는 방법의 순서도이다. 도 9를 참조하면, 미래 건강 상태를 예측하는 방법은 도 2의 시계열 의료 데이터 처리 장치(130)의 프로세서(132)에 의하여 실행될 수 있다. 도 8의 각 단계들은 프로세서(132)의 제어 하에, 전처리부(134) 및 데이터 분석부(135)에서 처리될 수 있다. 설명의 편의상 도 2의 도면 부호를 참조하여, 도 9가 설명된다.

S210 단계에서, 네트워크 인터페이스(131)를 통하여, 데이터가 수집된다. S211 단계에서, 미래 건강 상태를 예측하고자 하는 사용자에 대한 시계열 데이터가 네트워크 인터페이스(131)를 통하여 획득된다. 또한, S212 단계에서, 예측 시간 데이터가 네트워크 인터페이스(131)를 통하여 더 획득된다. 예측 시간은 미래 건강 상태를 예측하고자 하는 시점일 수 있다.

S220 단계에서, 시계열 데이터의 전처리가 수행된다. S221 단계 및 S223 단계는 도 8의 S121 단계 및 S123 단계에 대응되며, 실질적으로 동일한 동작이 수행될 수 있다. S222 단계에서, 전처리부(134)는 예측 시간 데이터에 기초하여 시차 데이터를 생성한다. 예를 들어, 전처리부(134)는 시계열 데이터의 최초 시간과 예측 시간 사이에 일정한 시간 간격을 갖는 기준 시간들을 계산할 수 있다. 전처리부(134)는 기준 시간들과 실제 시계열 데이터의 시간들의 차이에 기초하여, 시차 데이터를 생성할 수 있다.

S230 단계에서, 데이터 분석부(135)는 전처리된 시계열 데이터 및 시차 데이터에 기초하여, 예측 시간에 대응되는 미래 건강 상태를 예측한다. 데이터 분석부(135)는 전처리된 시계열 데이터의 불규칙한 시간 간격을 시차 데이터로 보정함으로써, 시계열 데이터의 시간들 각각에 대응되는 가중치를 생성할 수 있다. 데이터 분석부(135)는 생성된 가중치에 기초하여, 예측 시간에 대응되는 결과 데이터를 생성할 수 있다.

도 10은 도 9의 S230 단계를 구체화한 순서도이다. 도 10을 참조하면, 예측 모델을 이용하여 예측 시간에 대응되는 미래 건강 상태를 예측하는 방법이 수행된다. 미래 건강 상태의 결과를 예측하는 방법은 도 2의 시계열 의료 데이터 처리 장치(130)의 프로세서(132)에 의하여 실행될 수 있다. 도 10의 각 단계들은 데이터 분석부(135)에 의하여 학습된 예측 모델에서 수행될 수 있다. 설명의 편의상 도 6의 도면 부호를 참조하여, 도 10이 설명된다.

S231 단계에서, 데이터 분석부(135)는 전처리된 시계열 데이터를 벡터화한다. S231 단계는 제1 레이어(L1)에서 수행될 수 있다. 제1 레이어(L1)는 시간의 순서에 따라 시계열 데이터를 수신하여 벡터 값으로 변환할 수 있다. 제1 레이어(L1)는 이전에 생성된 벡터 값에 기초하여, 다음의 벡터 값을 생성할 수 있다.

S232 단계에서, 데이터 분석부(135)는 시차 데이터에 기초하여 시계열 데이터의 불규칙한 시간 간격을 보정할 수 있다. S232 단계는 제3 레이어(L3)에서 수행될 수 있다. S232 단계 이전에, 제2 레이어(L2)는 시차 데이터를 상술된 수학식 3과 같이 모델링 할 수 있다. 예를 들어, 제3 레이어(L3)는 상술된 수학식 2와 같이, 벡터 값을 모델링하고, 모델링된 벡터 값과 모델링된 시차 데이터에 어텐션 메커니즘을 적용할 수 있다.

S233 단계에서, 데이터 분석부(135)는 모델링된 벡터 값과 모델링된 시차 데이터에 어텐션 메커니즘을 적용함으로써, 벡터 값에 부여되는 가중치를 생성할 수 있다. S233 단계는 제3 레이어(L3)에서 수행될 수 있다. 예를 들어, 모델링된 벡터 값 및 모델링된 시차 데이터에 softmax 함수가 적용될 수 있다. 가중치는 결과 데이터를 생성하는데 이용되는 벡터 값의 중요도와 연관될 수 있다.

S234 단계에서, 데이터 분석부(135)는 예측 시간에 대응되는 결과 데이터를 생성한다. S234 단계는 제4 레이어(L4)에서 수행될 수 있다. 예를 들어, S234 단계에서 생성된 가중치는 벡터 값에 부여될 수 있다. 벡터 값 및 가중치는 전처리된 시계열 데이터에 대응되는 시간들의 개수만큼 생성될 수 있고, 가중치가 부여된 벡터 값들 전체가 반영되어 결과 데이터가 생성될 수 있다.

위에서 설명한 내용은 본 발명을 실시하기 위한 구체적인 예들이다. 본 발명에는 위에서 설명한 실시 예들뿐만 아니라, 단순하게 설계 변경하거나 용이하게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명에는 상술한 실시 예들을 이용하여 앞으로 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다.

100: 건강 상태 예측 시스템
130: 시계열 의료 데이터 처리 장치
134: 전처리부
135: 데이터 분석부

Claims (20)

1. 시계열 데이터 및 예측 시간을 수신하는 네트워크 인터페이스;
   상기 시계열 데이터를 전처리하고, 상기 예측 시간에 기초하여 상기 시계열 데이터의 복수의 시간들 각각에 대응되는 시차 데이터를 생성하는 전처리부;
   상기 전처리된 시계열 데이터 및 상기 시차 데이터에 기초하여, 상기 예측 시간에 대응되는 결과 데이터를 생성하는 데이터 분석부; 및
   상기 전처리부 및 상기 데이터 분석부를 제어하는 프로세서를 포함하는 시계열 데이터 처리 장치.
2. 제1 항에 있어서,
   상기 전처리부는,
   상기 복수의 시간들 중 최초 시간과 상기 예측 시간의 차이에 기초하여, 상기 시계열 데이터의 복수의 기준 시간들을 계산하고, 상기 복수의 기준 시간들과 상기 복수의 시간들 사이의 차이에 기초하여, 상기 시차 데이터를 생성하는 시계열 데이터 처리 장치.
3. 제2 항에 있어서,
   상기 복수의 기준 시간들 사이의 시간 간격은 서로 동일한 시계열 데이터 처리 장치.
4. 제1 항에 있어서,
   상기 시계열 데이터는 제1 시간에 대응되는 제1 데이터, 상기 제1 시간 이후의 제2 시간에 대응되는 제2 데이터, 및 상기 제2 시간 이후의 제3 시간에 대응되는 제3 데이터를 포함하고,
   상기 전처리부는,
   상기 예측 시간에 기초하여 상기 제1 내지 제3 데이터에 대응되는 제1 내지 제3 기준 시간들을 계산하고, 상기 제1 시간과 상기 제1 기준 시간의 차이에 기초하여 제1 시차 데이터를 생성하고, 상기 제2 시간과 상기 제2 기준 시간 사이의 차이에 기초하여 제2 시차 데이터를 생성하고, 상기 제3 시간과 상기 제3 기준 시간 사이의 차이에 기초하여 제3 시차 데이터를 생성하는 시계열 데이터 처리 장치.
5. 제4 항에 있어서,
   상기 제1 시간과 상기 제2 시간의 차이는 상기 제2 시간과 상기 제3 시간의 차이와 다르고, 상기 제1 기준 시간과 상기 제2 기준 시간의 차이는 상기 제2 기준 시간과 상기 제3 기준 시간의 차이와 동일한 시계열 데이터 처리 장치.
6. 제1 항에 있어서,
   상기 전처리부는,
   상기 시계열 데이터에서 정상 시계열 데이터를 추출하는 데이터 추출기;
   상기 예측 시간 및 상기 정상 시계열 데이터의 복수의 시간들에 기초하여, 상기 시차 데이터를 생성하는 시간 간격 계산기; 및
   상기 정상 시계열 데이터에 포함된 특징들에 대한 결측 값을 보간하는 데이터 보간기를 포함하는 시계열 데이터 처리 장치.
7. 제1 항에 있어서,
   상기 데이터 분석부는,
   상기 전처리된 시계열 데이터 및 상기 시차 데이터를 입력 받는 예측 모델에 의하여, 상기 전처리된 시계열 데이터에 대응되는 가중치를 생성하고, 상기 가중치에 기초하여 상기 결과 데이터를 계산하는 시계열 데이터 처리 장치.
8. 제7 항에 있어서,
   상기 예측 모델은,
   상기 전처리된 시계열 데이터를 상기 복수의 시간들에 대응되는 복수의 벡터 값들로 변환하는 제1 레이어;
   상기 복수의 시간들에 대응되는 상기 시차 데이터의 값들 및 상기 복수의 벡터 값들을 모델링하여, 상기 복수의 벡터 값들에 대응되는 복수의 가중치들을 생성하고, 상기 복수의 가중치들을 상기 복수의 벡터 값들에 적용하여, 분석 값을 생성하는 제2 레이어; 및
   상기 복수의 시간들 중 최종 시간에 대응되는 벡터 값 및 상기 분석 값에 기초하여, 상기 결과 데이터를 생성하는 제3 레이어를 포함하는 시계열 데이터 처리 장치.
9. 제7 항에 있어서,
   상기 예측 모델은,
   상기 전처리된 시계열 데이터를 상기 복수의 시간들에 대응되는 복수의 벡터 값들로 변환하는 제1 레이어;
   상기 시차 데이터를 모델링하여, 상기 복수의 벡터 값들에 대응되는 복수의 시간 보정 값들을 생성하는 제2 레이어;
   상기 복수의 벡터 값들 및 상기 복수의 시간 보정 값들에 기초하여, 상기 복수의 벡터 값들에 대응되는 복수의 가중치들을 생성하는 제3 레이어; 및
   상기 복수의 가중치들 및 상기 복수의 벡터 값들에 기초하여, 상기 결과 데이터를 생성하는 제4 레이어를 포함하는 시계열 데이터 처리 장치.
10. 제1 항에 있어서,
    상기 시계열 데이터는 상기 복수의 시간들에 대응되는 복수의 전자 의무 기록들을 포함하는 시계열 데이터 처리 장치.
11. 프로세서에 의하여 수행되는 시계열 데이터 처리 장치의 동작 방법에 있어서,
    복수의 시간들에 대응되는 시계열 데이터를 획득하는 단계;
    설정된 예측 시간으로부터 생성된 복수의 기준 시간들과 상기 복수의 시간들 사이의 차이에 기초하여, 시차 데이터를 생성하는 단계; 및
    상기 시계열 데이터 및 상기 시차 데이터에 기초하여, 예측 모델을 학습하는 단계를 포함하는 방법.
12. 제11 항에 있어서,
    상기 예측 시간은 상기 복수의 시간들 중 최종 시간을 포함하는 방법.
13. 제11 항에 있어서,
    상기 시차 데이터를 생성하는 단계는,
    상기 예측 시간과 상기 복수의 시간들 중 최초 시간의 차이에 기초하여, 일정한 시간 간격을 갖는 상기 복수의 기준 시간들을 계산하는 단계를 포함하는 방법.
14. 제11 항에 있어서,
    상기 예측 모델을 학습하는 단계는,
    상기 시계열 데이터의 시간 간격을 상기 시차 데이터로 보정하여 상기 예측 시간에 대응되는 학습 결과 데이터를 생성하는 단계; 및
    상기 학습 결과 데이터에 기초하여, 상기 시계열 데이터에 대응되는 제1 가중치 및 상기 시차 데이터에 대응되는 제2 가중치를 조절하는 단계를 포함하는 방법.
15. 제14 항에 있어서,
    상기 학습 결과 데이터를 생성하는 단계는,
    상기 시계열 데이터를 벡터화하여, 벡터 값을 생성하는 단계;
    상기 벡터 값에 상기 제1 가중치를 부여하는 단계;
    상기 시차 데이터에 상기 제2 가중치를 부여하는 단계;
    상기 제1 가중치가 부여된 상기 벡터 값 및 상기 제2 가중치가 부여된 상기 시차 데이터에 기초하여, 최종 가중치를 생성하는 단계; 및
    상기 벡터 값에 상기 최종 가중치를 부여하여 상기 학습 결과 데이터를 계산하는 단계를 포함하는 방법.
16. 프로세서에 의하여 수행되는 시계열 데이터 처리 장치의 동작 방법에 있어서,
    복수의 시간들에 대응되는 시계열 데이터를 획득하는 단계;
    상기 복수의 시간들 이후의 예측 시간을 획득하는 단계;
    상기 예측 시간 및 상기 복수의 시간들 중 적어도 하나 사이의 시간 간격에 기초하여, 상기 복수의 시간들 각각에 대응되는 시차 데이터를 생성하는 단계; 및
    상기 시계열 데이터 및 상기 시차 데이터에 기초하여, 상기 예측 시간에 대응되는 결과 데이터를 생성하는 단계를 포함하는 방법.
17. 제16 항에 있어서,
    상기 시계열 데이터를 획득하는 단계 이후에, 상기 시계열 데이터를 전처리하는 단계를 더 포함하고,
    상기 시계열 데이터를 전처리하는 단계는,
    상기 시계열 데이터에서 정상 시계열 데이터를 추출하는 단계; 및
    상기 정상 시계열 데이터에 포함된 특징들에 대한 결측 값을 보간하는 단계를 포함하는 단계를 포함하는 방법.
18. 제16 항에 있어서,
    상기 결과 데이터를 생성하는 단계는,
    상기 시계열 데이터를 상기 복수의 시간들에 대응되는 복수의 벡터 값들로 변환하는 단계;
    상기 복수의 시간들에 대응되는 상기 시차 데이터의 값들을 모델링하여, 복수의 시간 보정 값들을 생성하는 단계;
    상기 복수의 벡터 값들 및 상기 복수의 시간 보정 값들에 기초하여, 상기 복수의 벡터 값들에 대응되는 복수의 가중치들을 생성하는 단계를 포함하는 단계; 및
    상기 복수의 가중치들을 상기 복수의 벡터 값들에 적용하는 단계를 포함하는 방법.
19. 제16 항에 있어서,
    상기 시계열 데이터는 제1 시간에 대응되는 제1 데이터 및 상기 제1 시간 이후의 제2 시간에 대응되는 제2 데이터를 포함하고,
    상기 결과 데이터를 생성하는 단계는,
    상기 제1 데이터를 제1 벡터 값으로 변환하는 단계;
    상기 제1 시간에 대응되는 제1 시차 데이터 및 상기 제1 벡터 값에 기초하여, 제1 가중치를 생성하는 단계;
    상기 제1 벡터 값에 기초하여, 상기 제2 데이터를 제2 벡터 값으로 변환하는 단계; 및
    상기 제2 시간에 대응되는 제2 시차 데이터 및 상기 제2 벡터 값에 기초하여, 제2 가중치를 생성하는 단계를 포함하는 방법.
20. 제19 항에 있어서,
    상기 결과 데이터를 생성하는 단계는,
    상기 제1 벡터 값에 상기 제1 가중치를 부여하여 제1 분석 값을 생성하는 단계;
    상기 제2 벡터 값에 상기 제2 가중치를 부여하여 제2 분석 값을 생성하는 단계; 및
    상기 제2 벡터 값, 상기 제1 분석 값, 및 상기 제2 분석 값에 기초하여, 상기 결과 데이터를 출력하는 단계를 더 포함하는 방법.
    

Images