KR20210051812A - 신호 분석 방법 및 장치 - Google Patents

신호 분석 방법 및 장치 Download PDF

Info

Publication number
KR20210051812A
KR20210051812A KR1020190137551A KR20190137551A KR20210051812A KR 20210051812 A KR20210051812 A KR 20210051812A KR 1020190137551 A KR1020190137551 A KR 1020190137551A KR 20190137551 A KR20190137551 A KR 20190137551A KR 20210051812 A KR20210051812 A KR 20210051812A
Authority
KR
South Korea
Prior art keywords
signal
signal analysis
model
learning
ensemble
Prior art date
Application number
KR1020190137551A
Other languages
English (en)
Inventor
김태환
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190137551A priority Critical patent/KR20210051812A/ko
Priority to US16/791,874 priority patent/US20210128070A1/en
Publication of KR20210051812A publication Critical patent/KR20210051812A/ko

Links

Images

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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • 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
    • A61B5/7242—Details of waveform analysis using integration
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Oral & Maxillofacial Surgery (AREA)

Abstract

신호 분석 방법 및 장치가 개시된다. 신호 분석 방법은, 신호 분석의 학습에 필요한 신호 수집, 신호의 특징들을 특징 공간 상에서 군집화(clustering), 군집화에 의해 형성된 군집 별로 신호 분석 모델 생성 및 군집 별로 생성된 신호 분석 모델 출력들 통합을 포함한다. 본 발명에 따르면, 5G 네트워크를 통한 인공지능(AI) 모델을 이용한 생체 신호 분석에 기반하여 피검사자에 대한 로버스트한 진단이 가능하다.

Description

신호 분석 방법 및 장치{METHOD AND APPARATUS FOR ANALYSING SIGNAL}
본 발명은 신호 분석 방법 및 장치에 관한 것으로, 더욱 상세하게는 상황 및 환경 변화에 적응적인, 생체 신호 분석을 통해 피검사자의 상태를 진단하는 방법 및 장치에 관한 것이다.
하나의 관련 기술로서 인공지능 기반의 환자상태 예측 장치가 공개번호 KR 제10-2019-0105163호의 공개공보에 개시된다. 이 관련 기술에 따르면 수술 전에 수집된 생체 신호에 기초하여 분류된 환자 유형 별로 수술 후에 수집된 생체 신호의 학습을 이용하는 환자상태 예측이 개시되어 있다. 그런데, 이 관련 기술에 따르면 환자의 상태 또는 환자가 처한 환경에 따라 변화하는 생체 신호 분석에 기반한 환자상태 예측은 개시되어 있지 않다.
또한, 다른 관련 기술로서 생체정보 및 영상정보 연계를 통한 인공지능 질환 진단 시스템이 공개번호 KR 제10-2019-0091778호의 공개공보에 개시된다. 이 관련 기술에 따르면 열 영상과 생체 신호를 이용하여 질환을 판정하고, 제시된 질환에 대한 관리자의 피드백이 포함되도록 데이터베이스를 갱신하는 시스템이 개시된다. 그런데, 이 관련 기술에 따르면 환자의 상태 또는 환자가 처한 환경에 따라 변화하는 생체 신호 분석에 기반한 환자상태 예측은 개시되어 있지 않다.
KR 등록특허공보 제10- 호 (20100.00.00. 등록) KR 공개특허공보 제10-2019- 호 (20100.00.00. 공개)
본 발명의 일 과제는, 학습 환경과 테스트 환경의 차이로 인해 테스트 결과가 학습 결과에 미치지 못했던 신호 분석의 인공지능 모델에 관한 종래 기술의 문제점을 해결하는 것이다.
본 발명의 일 과제는, 테스트 환경 변화에 적응적이지 못하여 기대에 미치지 못하는 결과를 출력했던 신호 분석의 인공지능 모델에 관한 종래 기술의 문제점을 해결하는 것이다.
본 발명의 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 실시 예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 신호 분석 방법은, 신호 분석의 학습에 필요한 신호 수집, 신호의 특징들을 특징 공간 상에서 군집화(clustering), 군집화에 의해 형성된 군집(cluster) 별로 신호 분석 모델을 생성 및 군집 별로 생성된 신호 분석 모델의 출력들을 하나로 통합을 포함하도록 구성될 수 있다.
또한, 신호 수집은 피검사자의 상태를 예측하기 위해 피검사자(testee)로부터 발생하는 생체 신호를 수집을 포함할 수 있다.
또한, 생체 신호 수집은 피검사자가 처한 현재 상황 또는 환경에서, 피검사자로부터 원시 생체 신호 수신 및 원시 생체 신호 처리를 포함할 수 있다.
또한, 생체 신호는, 피검자의 움직임 신호, 호흡 신호 및 심박 신호 중에서 적어도 하나를 포함할 수 있다.
또한, 군집화는 시계열의 신호로부터 특징들을 추출 및 특징들을 특징 공간 상에서 군집화를 포함할 수 있다.
또한, 군집화는 신호로부터 추출된 특징들이 형성하는 군집에 대한 확률 결정을 포함할 수 있다.
또한, 신호 분석 모델 생성은 앙상블 기법을 이용하여 신호 원이 처한 상황 또는 환경에 적응적인 신호 분석 모델을 생성하는 단계를 포함할 수 있다.
또한, 신호 분석 모델의 출력들을 하나로 통합은 신호로부터 추출된 특징들이 형성하는 군집에 대한 확률 값에 기반하여 각 군집에 적용될 앙상블 가중치(ensemble weight)를 결정을 포함할 수 있다.
신호 분석 방법은 통합된 하나의 출력에 기반하여 신호 원의 상태를 예측을 더 포함할 수 있다.
또한, 신호 원의 상태 예측은, 앙상블 가중치가 적용된 신호 분석 모델을 이용하여 신호 원의 상태 예측을 포함할 수 있다.
또한, 앙상블 가중치 결정은 군집에 대한 확률 값의 선형 또는 비선형 함수로 앙상블 가중치를 설정을 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 신호 분석 장치는, 수집된 신호를 처리하고, 신호로부터 특징을 추출하고, 특징 학습을 통해 훈련될 신호 분석 앙상블 모델을 생성하고 이의 출력을 제어하는 프로세서; 및 학습을 통해 신호 분석 앙상블 모델을 훈련시키는 러닝 프로세서; 훈련을 통해 신호가 비롯된 신호 원의 상태를 예측하는 학습된 심층 신경망 어셈블(deep neural network assemble)을 획득하는 신호 분석 앙상블 모델을 포함하도록 구성될 수 있다. 그리고 신호 분석 앙상블 모델은, 특징들의 군집화에 의해 형성된 각각의 군집에 대응하는 복수의 신호 분석 모델들을 포함하고, 군집 별로 생성된 복수의 신호 분석 모델의 출력을 통합하여 출력할 수 있다.
또한, 신호는, 신호 원으로서 피검사자(testee)로부터 발생하는 생체 신호를 포함할 수 있다.
또한, 프로세서는, 피검사자가 처한 현재 상황 또는 환경에서 수집된 생체 신호를 처리할 수 있다.
또한, 프로세서는, 생체 신호로부터 특징을 추출하고, 군집화 모델을 이용하여 추출된 특징을 특징 공간 상에서 군집화할 수 있다.
또한, 프로세서는, 신호로부터 추출된 특징들에 의해 형성되는 군집에 대한 확률을 결정할 수 있다.
또한, 신호 분석 모델은, 앙상블 기법을 이용하여 신호 원으로서 피검사자의 상황 또는 환경에 적응적인 생체 신호 분석 모델에 해당할 수 있다.
또한, 프로세서는, 피검사자의 생체 신호로부터 추출된 특징이 형성하는 군집에 대한 확률 값에 기반하여 군집에 적용될 앙상블 가중치(ensemble weight)를 결정할 수 있다.
또한, 프로세서는, 앙상블 가중치가 적용된 신호 분석 앙상블 모델을 이용하여 피검자의 상태를 예측할 수 있다.
또한, 프로세서는, 군집에 대한 확률 값의 선형 또는 비선형 함수로 앙상블 가중치를 설정할 수 있다.
본 발명에 의하면, 테스트 환경에서 학습에 따른 신호 분석에 기반하여 피검사자에 대한 로버스트한 진단이 가능하다.
또한, 환경 변화에 따라 수집되는 생체 신호의 레인지 커버를 통해 피검사자의 상태를 예측하는데 있어 에러를 줄일 수 있다.
도 1은 본 발명의 일 실시 예에 따른 신호 분석의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 신호 분석 장치가 연결된 네트워크 환경의 예시도이다.
도 3은 본 발명의 일 실시 예에 따른 신호 분석 장치의 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 학습 장치의 블록도이다.
도 5는 본 발명의 일 실시 예에 따른 신호 분석 방법의 흐름도이다.
도 6은 본 발명의 일 실시 예에 따른 신호 분석 방법의 예시도이다.
도 7은 본 발명의 일 실시 예에 따른 신호 처리의 예시도이다.
도 8은 본 발명의 일 실시 예에 따른 신호 처리의 예시도이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
생체 신호(biomedical signal)는 생체계(biological system)에서 정보를 추출하는데 사용되는 신호이다. 인체는 신경계, 심혈관계, 근골격계 등을 포함하여 여러 구성계로 이루어진다. 각 구성계는 많은 생리학적 프로세스(Physiological process)를 수행하는 몇 개의 부계(susbsystem)로 구성된다.
생리학적 프로세스는 신경 또는 호르몬 자극과 제어, 물리양이나 신경전달물질 또는 정보 형태의 입력과 출력, 그리고 기계적, 전기적 또는 생체역학적인 활동을 포함하는 복잡한 현상이다.
대부분 생리학적 프로세스는 자신의 성질과 활동을 반영하는 신호를 수반한다. 이러한 신호들은 호르몬과 신경전달물질 형태의 화학적 신호, 전위 또는 전류 형태의 전기신호, 그리고 압력이나 온도 형태의 물리적 신호 등을 포함하는 다양한 형태의 생체 신호가 된다.
생체전기신호는 신경세포나 근세포에 의해 발생되는 전류 또는 전압 형태의 신호이다. 대표적인 생체전기신호는 심전도, 근전도, 뇌전도 신호 등이 있으며 진단을 위하여 가장 폭넓게 이용된다. 본 발명은 생체전기신호에 기반하는 신호 분석 방법 및 이를 이용하는 신호 분석 장치에 관한 것이다.
도 1은 본 발명의 일 실시 예에 따른 신호 분석의 예시도이다.
도 1을 참조하면, 인체에서 발생하는 생체 신호는 시계열적으로 변화하는 하나 이상의 변수(variables)의 집합에 해당된다. 그리고 센서(sensor)는 이러한 변수를 수집할 수 있다.
생체 신호를 수집하는 센서는 접촉식 센서와 비접촉식 센서로 분류된다. 접촉식 센서는 사람의 몸에 접촉되는 전극을 포함하며, 생체전기신호가 전극을 통해 수집될 수 있다. 비접촉식 센서는 도플러 레이더 기반의 센서 및 RF 공진 기반의 센서를 포함한다.
본 발명의 일 실시 예에 따른 신호 분석에서는 접촉식 또는 비접촉식 방식의 센서가 이용될 수 있으며, 센서는 여러 신호, 예를 들어 심박, 호흡, GSR 등의 신호가 포함된 복합 신호를 수집할 수 있다.
생체 신호는 최적화 및 프로세싱 과정을 거쳐 센서에서 수집되는 아날로그 신호 형태에서 디지털 신호로 변환될 수 있다. 최적화 및 프로세싱 과정은 증폭 과정, ATD 과정, 노이즈 제거 과정 및 신호 분리 과정을 포함할 수 있다.
본 발명의 일 실시 예에 따른 신호 분석 장치는 디지털 신호 형태로 저장된 데이터를 이용하여 각종 결정 알고리즘을 이용하여 생체 신호를 분석하고, 생체 신호 분석 결과에 기반하여 피검진자의 상태를 인식할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 신호 분석 장치가 연결된 네트워크 환경의 예시도이다.
도 2를 참조하면, 본 발명의 일 실시 예에 따른 신호 분석 장치(100)에 해당하는 단말기, 데스크탑 컴퓨터, 서버 컴퓨터와 학습 장치(200) 및 이들이 서로 통신할 수 있도록 서로를 통신 연결시키는 네트워크(500)로 구성된 네트워크 환경(1)이 묘사되어 있다.
본 발명의 일 실시 예에 따른 신호 분석 장치(100)는, 구현되는 형태에 따라 단말기, 테스크탑 컴퓨터 및 서버 컴퓨터 등의 장치로 표현될 수 있고, 다만 도 2에 묘사된 범위로 한정되는 것은 아니다.
신호 분석 장치(100)는 신호 분석 과정에서 학습 장치(100)를 이용할 수 있다. 즉 신호 분석 장치(100)는 학습 장치(200)에 의해 훈련된 후, 학습 장치(200)에 저장된 인공 지능 모델, 예를 들어 심층 신경망(deep neural network)을 이용할 수 있다. 또한, 신호 분석 장치(100)는 다운로드를 통해 신호 분석 장치(100)에 저장된, 학습 장치(200)에 의해 훈련된 인공지능 모델을 이용하여 생체 신호를 분석할 수 있다. 인공 지능에 관한 자세한 사항은 후술하기로 한다.
학습 장치(200)는 본 발명의 일 실시 예에 따른 신호 분석에 이용되는 인공지능 모델, 예를 들어 학습을 통해 각종 신경망을 훈련시키고 평가할 수 있다. 평가를 마치고 완성된 인공지능 모델은 학습 장치(200) 또는 신호 분석 장치(100) 내에 저장된 상태에서 신호 분석 장치(100)에 의해 이용될 수 있다. 학습 장치(200)에 관한 자세한 사항은 후술하기로 한다.
네트워크(500)는 유선 및 무선 네트워크, 예를 들어 LAN(local area network), WAN(wide area network), 인터넷(internet), 인트라넷(intranet) 및 엑스트라넷(extranet), 그리고 모바일 네트워크, 예를 들어 셀룰러, 3G, LTE, 5G, WiFi 네트워크, 애드혹 네트워크 및 이들의 조합을 비롯한 임의의 적절한 통신 네트워크 일 수 있다.
네트워크(500)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(500)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(500)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다.
신호 분석 장치(100)는 5G 네트워크를 통해 학습 장치(200)와 데이터를 전송하고 수신할 수 있다. 특히 단말기로 구현되는 신호 분석 장치(100)는 5G 네트워크를 통해 모바일 브로드밴드(Enhanced Mobile Broadband, eMBB), URLLC(Ultra-reliable and low latency communications) 및 mMTC(Massive Machine-type communications) 중에서 적어도 하나의 서비스를 이용하여 학습 장치(200)와 데이터 통신을 할 수 있다.
eMBB(Enhanced Mobile Broadband)는 모바일 브로드밴드 서비스로, 이를 통해 멀티미디어 콘텐츠, 무선데이터 액세스 등이 제공된다. 또한, 폭발적으로 증가하고 있는 모바일 트래픽을 수용하기 위한 핫스팟 (hot spot)과 광대역 커버리지 등 보다 향상된 모바일 서비스가 eMBB를 통해 제공될 수 있다. 핫스팟을 통해 사용자 이동성이 작고 밀도가 높은 지역으로 대용량 트래픽이 수용될 수 있다. 광대역 커버리지를 통해 넓고 안정적인 무선 환경과 사용자 이동성이 보장될 수 있다.
URLLC(Ultra-reliable and low latency communications) 서비스는 데이터 송수신의 신뢰성과 전송 지연 측면에서 기존 LTE 보다 훨씬 엄격한 요구사항을 정의하고 있으며, 산업 현장의 생산 프로세스 자동화, 원격 진료, 원격 수술, 운송, 안전 등을 위한 5G 서비스가 여기에 해당한다.
mMTC(Massive Machine-type communications)는 비교적 작은 양의 데이터 전송이 요구되는 전송지연에 민감하지 않은 서비스이다. 센서 등과 같이 일반 휴대폰 보다 훨씬 더 많은 수의 단말들이 동시에 무선액세스 네트워크에 mMTC에 의해 접속할 수 있다. 이 경우, 단말의 통신모듈 가격은 저렴해야 하고, 배터리 교체나 재충전 없이 수년 동안 동작할 수 있도록 향상된 전력 효율 및 전력 절감 기술이 요구된다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.
비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)을 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
도 3은 본 발명의 일 실시 예에 따른 신호 분석 장치의 블록도이다.
도 3을 참조하면, 신호 분석 장치(100)는 통신부(110), 사용자 입력부(120), 러닝 프로세서(130), 디스플레이부(140), 전원 공급부(150), 메모리(170)를 포함하도록 구성될 수 있다.
통신부(110)는 무선 통신을 위한 이동통신 모듈, 무선 인터넷 모듈, 근거리 통신 모듈을 포함하고 유선 통신을 위한 네트워크 카드를 포함할 수 있다.
사용자 입력부(120)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(120)를 통해 정보가 입력되면, 프로세서(180)는 입력된 정보에 대응되도록 신호 분석 장치(100)의 동작을 제어할 수 있다.
러닝 프로세서(130)는 훈련 데이터를 이용한 학습 과정을 통해 인공지능 모델, 예를 들어 심층 신경망으로 구성된 모델을 훈련시킬 수 있다.
디스플레이부(140)는 신호 분석 장치(100)에서 처리되는 정보를 출력한다. 예를 들어, 디스플레이부(140)는 신호 분석 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
전원 공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 신호 분석 장치(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원 공급부(190)는 파워 서플라이와 배터리 중에서 적어도 하나를 포함하며, 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
메모리(170)에는 각종 컴퓨터 프로그램 모듈이 탑재될(loaded) 수 있다. 메모리(170)에 탑재되는 컴퓨터 프로그램의 범위에 운영체제(operating system), 하드웨어를 관리하는 시스템 프로그램 외에 응용 프로그램으로 신호 처리 모듈(171), 군집화 모듈(172), 모델 생성 모듈(173), 인공지능 모델(174) 및 학습 모듈(175)이 포함될 수 있다.
신호 처리 모듈(171)과 관련된, 신호의 전처리, 예를 들어 생체 신호의 증폭, 디지털 변환, 노이즈 제거 및 신호 분리 등의 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.
군집화 모듈(172)과 관련된, 생체 신호로부터 특징 벡터를 추출하고, 추출된 특징 벡터를 특징 공간 상에서 군잡화하는 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.
모델 생성 모듈(173)과 관련된, 군집화 결과 생성된 군집 별로 신호 분석 모델, 예를 들어 신호 분석의 딥 러닝을 수행하는 심층 신경망을 생성하고 모델 별 가중치를 부여하는 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.
인공지능 모델(174)과 관련된 신호에서 특징 추출 및 추출된 특징의 군집화 및 신호 분석, 예를 들어 시계열적 인체신호를 분석하는 기능은 프로세서(180)의 각종 연산 기능을 통해 수행될 수 있다.
학습 모듈(175)과 관련된, 사용자의 개인 데이터를 이용하여 이미 훈련된 인공지능 모델, 예를 들어 심층 신경망을 재학습시키는 기능은 프로세서(180) 또는 러닝 프로세서(130)의 각종 연산 기능을 통해 수행될 수 있다.
도 4는 본 발명의 일 실시 예에 따른 학습 장치의 블록도이다.
학습 장치(200)는 신호 분석 장치(100)의 외부에 별도로 구성된 장치 또는 서버로, 신호 분석 장치(100)의 러닝 프로세서(130)와 동일한 기능을 수행할 수 있다.
즉, 학습 장치(200)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정 및 기계 학습 알고리즘을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성될 수 있다. 여기서, 기계 학습 알고리즘은 딥 러닝 알고리즘을 포함할 수 있다.
학습 장치(200)는 적어도 하나의 신호 분석 장치(100)와 통신할 수 있고, 신호 분석 장치(100)를 대신하여 혹은 도와 데이터를 분석하거나 학습하여 결과를 도출할 수 있다. 여기서, 다른 장치를 도운다는 의미는 분산 처리를 통한 연산력의 분배를 의미할 수 있다.
인공 신경망의 학습 장치(200)는 인공 신경망을 학습하기 위한 다양한 장치로서, 통상적으로 서버를 의미할 수 있고, 학습 장치 또는 학습 서버 등으로 칭할 수 있다.
특히, 학습 장치(200)는 단일한 서버뿐만 아니라 복수의 서버 세트, 클라우드 서버 또는 이들의 조합 등으로 구현될 수 있다.
즉, 학습 장치(200)는 복수로 구성되어 학습 장치 세트(혹은 클라우드 서버)를 구성할 수 있고, 학습 장치 세트에 포함된 적어도 하나 이상의 학습 장치(200)는 분산 처리를 통하여 데이터 분석 또는 학습하여 결과를 도출할 수 있다.
학습 장치(200)는 주기적으로 혹은 요청에 의하여 신호 분석 장치(100)에 기계 학습 또는 딥 러닝에 의하여 학습한 모델을 전송할 수 있다.
도 4를 참조하면, 학습 장치(200)는 통신부(Communication Unit, 210), 입력부(Input Unit, 220), 메모리(Memory, 230), 러닝 프로세서(Learning Processor, 240), 전원 공급부(Power Supply Unit, 250) 및 프로세서(Processor, 260) 등을 포함할 수 있다.
통신부(210)는 도 3의 무선 통신부(110) 및 인터페이스부(160)를 포괄하는 구성과 대응될 수 있다. 즉, 유무선 통신이나 인터페이스를 통하여 다른 장치와 데이터를 송수신할 수 있다.
입력부(220)는 도 3의 사용자 입력부(120)에 대응되는 구성이며, 통신부(210)를 통하여 데이터를 수신함으로써 데이터를 획득할 수도 있다.
입력부(220)는 모델 학습을 위한 훈련 데이터 및 학습된 모델(a trained model)을 이용하여 출력을 획득하기 위한 입력 데이터 등을 획득할 수 있다.
입력부(220)는 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서(260)는 획득한 데이터를 전처리하여 모델 학습에 입력이 가능한 훈련 데이터 또는 전처리된 입력 데이터를 생성할 수 있다.
이때, 입력부(220)에서 수행하는 입력 데이터에 대한 전처리는, 입력 데이터로부터 입력 특징점(input feature)을 추출하는 것을 의미할 수 있다.
메모리(230)는 도 3의 메모리(170)에 대응되는 구성이다.
메모리(230)는 모델 저장부(231) 및 데이터베이스(232) 등을 포함할 수 있다.
모델 저장부(231)는 러닝 프로세서(240)를 통하여 학습 중인 또는 학습된 모델(또는 인공 신경망, 231a)을 저장하며, 학습을 통하여 모델이 업데이트되면 업데이트 된 모델을 저장한다.
이때, 모델 저장부(231)는 필요에 따라 학습된 모델을 학습 시점 또는 학습 진척도 등에 따라 복수의 버전으로 구분하여 저장할 수 있다.
도 4에 도시된 인공 신경망(231a)은 복수의 은닉층을 포함하는 인공 신경망의 하나의 예시일 뿐이며, 본 발명의 인공 신경망이 이에 한정되는 것은 아니다
인공 신경망(231a)은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 인공 신경망(231a)의 일부 또는 전부가 소프트웨어로 구현되는 경우, 인공 신경망(231a)을 구성하는 하나 이상의 명령어는 메모리(230)에 저장될 수 있다.
데이터베이스(232)는 입력부(220)에서 획득한 입력 데이터, 모델 학습을 위하여 이용되는 학습 데이터(또는 훈련 데이터), 모델의 학습 히스토리 등을 저장한다.
데이터베이스(232)에 저장된 입력 데이터는 모델 학습에 적합하게 가공된 데이터뿐만 아니라, 가공되지 않은 입력 데이터 그 자체일 수 있다.
러닝 프로세서(240)는 도 3의 러닝 프로세서(130)에 대응되는 구성이다.
러닝 프로세서(240)는 훈련 데이터 또는 트레이닝 셋(training set)을 이용하여 인공 신경망(231a)을 훈련(training, 또는 학습)시킬 수 있다.
러닝 프로세서(240)는 프로세서(260)가 입력부(220)를 통해 획득한 입력 데이터를 전처리한 데이터를 바로 획득하여 인공 신경망(231a)을 학습하거나, 데이터베이스(232)에 저장된 전처리된 입력 데이터를 획득하여 인공 신경망(231a)을 학습할 수 있다.
구체적으로, 러닝 프로세서(240)는 앞서 설명한 다양한 학습 기법을 이용하여 인공 신경망(231a)을 반복적으로 학습시킴으로써, 인공 신경망(231a)의 최적화된 모델 파라미터들을 결정할 수 있다
본 명세서에서는 훈련 데이터를 이용하여 학습됨으로써 파라미터가 결정된 인공 신경망을 학습 모델 또는 학습된 모델(a trained model)이라 칭할 수 있다.
이때, 학습 모델은 인공 신경망의 학습 장치(200)에 탑재된 상태에서 결과 값을 추론할 수도 있으며, 통신부(210)를 통해 신호 분석 장치(100)와 같은 다른 장치에 전송되어 탑재될 수도 있다.
또한, 학습 모델이 업데이트되는 경우, 업데이트된 학습 모델은 통신부(210)를 통해 신호 분석 장치(100)와 같은 다른 장치에 전송되어 탑재될 수 있다.
전원 공급부(250)는 도 3의 전원 공급부(190)에 대응되는 구성이다.
서로 대응되는 구성에 대한 중복되는 설명은 생략한다.
그 밖에 학습 장치(200)는 인공지능 모델(231a)을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델(231a을 업데이트 하고 업데이트된 인공지능 모델(231a)을 신호 분석 장치(100)에 제공할 수 있다. 여기서, 신호 분석 장치(100)는 학습 장치(200)가 수행하는 일련의 단계들을 로컬 영역에서 단독으로 또는 학습 장치(200)와의 통신을 통해 함께 수행할 수 있다. 예를 들어 신호 분석 장치(100)는, 사용자 개인의 데이터를 이용한 2차 학습을 통해 로컬 영역의 인공지능 모델(174)에게 사용자의 개인적 패턴을 학습시킴으로써, 학습 장치(200)로부터 다운로드 받은 인공지능 모델(174)을 업데이트할 수 있다.
도 5는 본 발명의 일 실시 예에 따른 신호 분석 방법의 흐름도이다.
도 5를 참조하면, 본 발명의 일 실시 예에 따른 신호 분석 방법(S100)은 신호 수집(S110), 신호 특징들의 군집화(S120), 신호 분석 모델 생성(S130), 군집 별로 생성된 신호 분석 모델의 출력 통합(S140) 및 통합 출력에 기반한 신호원의 상태 예측(S150)을 포함하도록 구성될 수 있다.
프로세서(180), 즉 신호 분석 장치(100)는 신호 분석의 학습에 필요한 신호를 수집할 수 있다(S110).
여기서, 신호 수집 단계(S110)는 피검사자의 상태를 예측하기 위해 피검사자로부터 발생하는 생체 신호를 수집하는 단계를 포함할 수 있다. 예를 들어 신호 분석 장치(100)는 각종 센서로부터 각종 모니터링 신호를 직접 수신하거나, 생체 신호 모니터링 시스템으로부터 전송되는 원시 신호 데이터를 수신할 수 있다. 생체 신호 모니터링 시스템은 각종 센서, 예를 들어 인체와 접촉하는 형태 또는 비접촉하는 형태의 센서를 이용하여 인체로부터 감지된 신호를 데이터 형태로 신호 분석 장치(100)에 송신할 수 있다.
생체 신호를 수집하는 단계는, 피검사자가 처한 현재 상황 또는 환경에서 신체 신호를 수집하되, 피검사자로부터 원시 생체 신호를 수신하는 단계(S111) 및 원시 생체 신호를 처리하는 과정(S112)을 포함할 수 있다. 원시 생체 신호는 가동되지 않은 상태의 생체 신호를 말한다. 신호 분석 장치(100)는 피검사자로부터 원시 생체 신호를 수신하고, 수신된 원시 생체 신호를 학습에 필요한 데이터 형태로 신호 처리할 수 있다. 이러한 신호 처리는 필터를 이용한 신호 처리를 포함한다. 프로세서(180)는 로패스 필터(low pass filter), 하이패스 필터(high pass filter), 밴드패스 필터(band pass filter), 노치 필터(notch filter) 및 디씨 블록커(DC blocker) 등을 이용하여 원시 생체 신호를 처리할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 신호 처리의 예시도이다.
도 6을 참조하면, 원시 생체 신호의 입력에 로패스 필터 및 디씨 블록커를 적용한 후의 신호 파형이 묘사되어 있다.
본 발명의 일 실시 예에서 수집되는 생체 신호는 피검사자의 움직임 신호, 호흡 신호 및 심박 신호 중에서 적어도 하나를 포함할 수 있다. 즉, 생체 신호는 하나 이상의 생체 신호를 포함하고 있으므로 복합 생체 신호를 서로 분리하는 과정이 필요하다.
도 7은 본 발명의 일 실시 예에 따른 신호 처리의 예시도이다.
도 7을 참조하면, 복합 신호에서 분리된 호흡 신호, 음직임 신호 및 심박 신호의 파형이 묘사되어 있다.
인공지능 모델, 예를 들어 심층 신경망을 이용하여, 수집된 생체 신호를 분석하기 위해 신경 분석 모델의 생체 신호에 대한 학습 과정이 필요하다.
생체 신호는 피검사자의 특성, 피검자의 상태 및 환경(이하 복합 인자)의 영향을 많이 받는 변수를 포함할 수 있다. 따라서 생체 신호 측정 당시의 복합 인자의 영향으로 인해 신호 분석의 인공지능 모델을 이용한 테스트 결과가 학습의 결과에 미치지 못하는 뜻밖의 결과가 발생할 수 있다. 이러한 뜻밖의 결과는 복합 인자로 인한 생체 신호의 발생 범위를 확정하지 못한 것에 기인한다.
본 발명의 일 실시 예에 따른 신호 분석 장치(S100)는 전체 생체 신호의 범위를 포괄할 수 있는 신호 분석 모델로서 신호 분석 앙상블 모델을 포함하도록 구성될 수 있다.
앙상블 모델의 설계 과정은 신호 특징들의 군집화를 거쳐, 군집화로 생성된 군집에 대한 신호 분석 모델 생성 및 학습과, 각 모델의 분석 결과를 통합하는 과정을 포함한다.
일단 프로세서(180)는 신호의 특징들을 특징 공간 상에서 군집화 할 수 있다(S120). 군집화 단계(S120)는 시계열의 신호로부터 특징들을 추출하는 단계(S121) 및 특징들을 특징 공간 상에서 군집화하는 단계(S122)를 포함할 수 있다. 생체 신호의 특징들을 군집화 알고리즘으로 K-Means, Mean-Shift, DBSCAN, GMM, Agglomerative Hierarchical 등이 사용될 수 잇다. 특히 생체 신호의 특징의 수가 많을 경우에는 PCA (Principal Component Analysis) 기법 등을 이용하여 feature 차원이 축소될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 신호 분석 방법의 예시도이다.
도 8을 참조하면, 신호 특징들이 모여 군집을 형성하고 있는 특징 공간과 이러한 군집을 대상으로 생성된 인공지능 앙상블(AI ensemble) 모델이 묘사되어 있다.
신호 분석 모델의 학습에 이용되는 훈련 데이터 셋에 포함된 생체 신호의 특징들의 분포로 인해 특징 공간에서 1 내지 N개의 군집들이 형성될 수 있다. 그리고 프로세서(180)는 형성된 각 군집에 대해서 해당 군집에 포함된 입력 데이터를 학습하는 신호 분석 모델을 생성할 수 있다(S130).
신호 분석 모델을 생성하는 단계는, 앙상블 기법을 이용하여 신호 원이 처한 상황 또는 환경에 적응적인 신호 분석 모델을 생성하는 단계를 포함할 수 있다. 그리고 본 발명의 일 실시 예에 따른 신호 분석 장치(100)는 신호 분석의 인공지능 앙상블 모델을 이용하여 생체 신호를 분석할 수 있다.
여기서, 형성된 각 군집에 대한 군집 확률 PN 이 연산될 수 있다.
군집화 단계는 신호로부터 추출된 특징들이 형성하는 군집에 대한 확률을 결정하는 단계를 포함할 수 있다. 군집 확률 PN의 값은 입력 신호 전체를 대상으로 연상될 필요 없이, 예를 들어 초기 일정 구간 동안의 신호를 대상으로 연산될 수 있다.
프로세서(180)는 군집 별로 생성된 신호 분석 모델의 출력을 하나로 통합할 수 있다(S140). 생체 신호의 특징이 군집화에 의해 복수의 군집으로 나뉘어지고, 이에 따라 해당 군집에 대응하는 인공지능 모델의 학습에 이용되는 훈련 데이터 셋은 피검사자의 상황 및 환경에 맞는 신호의 특징을 포함하고 있다. 따라서, 전체 범위의 신호 특징의 학습에 기반하여 신호를 분석하기 위해서는 인공지능 모델의 출력을 통합할 필요가 있다.
신호 분석 모델의 출력들을 하나로 통합하는 단계는, 신호로부터 추출된 특징들이 형성하는 군집에 대한 확률 값에 기반하여 각 군집에 적용될 앙상블 가중치(ensemble weight)를 결정하는 단계를 포함할 수 있다.
도 8을 참조하면, 1 내지 n 개의 인공지능 모델의 신호 분석의 출력 값에는 P1 내지 PN 의 가중치가 곱해질 수 있다.
프로세서(180)는 통합된 하나의 출력에 기반하여 신호 원의 상태를 예측할 수 있다(S150).
신호 원의 상태를 예측하는 단계는, 앙상블 가중치가 적용된 신호 분석 모델을 이용하여 신호 원의 상태를 예측하는 단계를 포함할 수 있다.
그리고 앙상블의 가중치는 군집에 대한 확률 값의 선형 또는 비선형 함수로 앙상블 가중치를 설정하는 단계를 통해 결정될 수 있다.
이와 같이 본 발명의 일 실시 예에 의하면, 테스트 환경에서 학습에 따른 신호 분석에 기반하여 피검사자에 대한 로버스트한 진단이 가능하다.
또한, 환경 변화에 따라 수집되는 생체 신호의 레인지 커버를 통해 피검사자의 상태를 예측하는데 있어 에러를 줄일 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 '상기'의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 신호 분석 장치
170: 메모리
171: 신호 처리 모듈
172: 군집화 모듈
174: 모델 생성 모듈
175: 인공지능 모델
176: 학습 모듈

Claims (20)

  1. 신호 분석의 학습에 필요한 신호를 수집하는 단계;
    상기 신호의 특징들을 특징 공간 상에서 군집화(clustering)하는 단계;
    상기 군집화에 의해 형성된 군집(cluster) 별로 신호 분석 모델을 생성하는 단계; 및
    상기 군집 별로 생성된 신호 분석 모델의 출력들을 하나로 통합하는 단계를 포함하는,
    신호 분석 방법.
  2. 제1항에 있어서,
    상기 신호를 수집하는 단계는,
    피검사자의 상태를 예측하기 위해 피검사자(testee)로부터 발생하는 생체 신호를 수집하는 단계를 포함하는,
    신호 분석 방법.
  3. 제2항에 있어서,
    상기 생체 신호를 수집하는 단계는,
    상기 피검사자가 처한 현재 상황 또는 환경에서,
    상기 피검사자로부터 원시 생체 신호를 수신하는 단계; 및
    상기 원시 생체 신호를 처리하는 과정을 포함하는,
    신호 분석 방법.
  4. 제2항에 있어서,
    상기 생체 신호는,
    상기 피검사자의 움직임 신호, 호흡 신호 및 심박 신호 중에서 적어도 하나를 포함하는,
    신호 분석 방법.
  5. 제1항에 있어서,
    상기 군집화하는 단계는,
    시계열의 상기 신호로부터 특징들을 추출하는 단계; 및
    상기 특징들을 특징 공간 상에서 군집화하는 단계를 포함하는,
    신호 분석 방법.
  6. 제1항에 있어서,
    상기 군집화하는 단계는,
    상기 신호로부터 추출된 특징들이 형성하는 군집에 대한 확률을 결정하는 단계를 포함하는,
    신호 분석 방법.
  7. 제1항에 있어서,
    상기 신호 분석 모델을 생성하는 단계는,
    앙상블 기법을 이용하여 신호 원이 처한 상황 또는 환경에 적응적인 신호 분석 모델을 생성하는 단계를 포함하는,
    신호 분석 방법.
  8. 제1항에 있어서,
    상기 신호 분석 모델의 출력들을 하나로 통합하는 단계는,
    상기 신호로부터 추출된 특징들이 형성하는 군집에 대한 확률 값에 기반하여 각 군집에 적용될 앙상블 가중치(ensemble weight)를 결정하는 단계를 포함하는,
    신호 분석 방법.
  9. 제8항에 있어서,
    상기 통합된 하나의 출력에 기반하여 신호 원의 상태를 예측하는 단계를 더 포함하는,
    신호 분석 방법.
  10. 제9항에 있어서,
    상기 신호 원의 상태를 예측하는 단계는,
    상기 앙상블 가중치가 적용된 상기 신호 분석 모델을 이용하여 상기 신호 원의 상태를 예측하는 단계를 포함하는,
    신호 분석 방법.
  11. 제8항에 있어서,
    상기 앙상블 가중치를 결정하는 단계는,
    상기 군집에 대한 확률 값의 선형 또는 비선형 함수로 앙상블 가중치를 설정하는 단계를 포함하는,
    신호 분석 방법.
  12. 수집된 신호를 처리하고, 상기 신호로부터 특징들을 추출하고, 상기 특징들의 학습을 통해 훈련될 신호 분석 앙상블 모델을 생성하고 이의 출력을 제어하는 프로세서; 및
    상기 학습을 통해 상기 신호 분석 앙상블 모델을 훈련시키는 러닝 프로세서;
    상기 훈련을 통해 상기 신호가 비롯된 신호 원의 상태를 예측하는 학습된 심층 신경망 어셈블(deep neural network assemble)을 획득하는 상기 신호 분석 앙상블 모델을 포함하되,
    상기 신호 분석 앙상블 모델은,
    상기 특징들의 군집화에 의해 형성된 각각의 군집에 대응하는 복수의 신호 분석 모델들을 포함하고,
    상기 군집 별로 생성된 상기 복수의 신호 분석 모델의 출력을 통합하여 출력하는,
    신호 분석 장치.
  13. 제12항에 있어서,
    상기 신호는,
    신호 원으로서 피검사자(testee)로부터 발생하는 생체 신호를 포함하는,
    신호 분석 장치.
  14. 제13항에 있어서,
    상기 프로세서는,
    상기 피검사자가 처한 현재 상황 또는 환경에서 수집된 생체 신호를 처리하는,
    신호 분석 장치.
  15. 제12항에 있어서,
    상기 프로세서는,
    피검사자의 생체 신호로부터 특징들을 추출하고, 군집화 모델을 이용하여 추출된 특징들을 특징 공간 상에서 군집화하는,
    신호 분석 장치.
  16. 제13항에 있어서,
    상기 프로세서는,
    상기 신호로부터 추출된 특징들에 의해 형성되는 군집에 대한 확률을 결정하는,
    신호 분석 장치.
  17. 제13항에 있어서,
    상기 신호 분석 모델은,
    앙상블 기법을 이용하여 신호 원으로서 피검사자의 상황 또는 환경에 적응적인 생체 신호 분석 모델에 해당하는,
    신호 분석 장치.
  18. 제13항에 있어서,
    상기 프로세서는,
    상기 신호로부터 추출된 특징들이 형성하는 군집에 대한 확률 값에 기반하여 상기 군집에 적용될 앙상블 가중치(ensemble weight)를 결정하는,
    신호 분석 장치.
  19. 제18항에 있어서,
    상기 프로세서는,
    상기 앙상블 가중치가 적용된 상기 신호 분석 앙상블 모델을 이용하여 피검자의 상태를 예측하는,
    신호 분석 장치.
  20. 제18항에 있어서,
    상기 프로세서는,
    상기 군집에 대한 확률 값의 선형 또는 비선형 함수로 앙상블 가중치를 설정하는,
    신호 분석 장치.
KR1020190137551A 2019-10-31 2019-10-31 신호 분석 방법 및 장치 KR20210051812A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190137551A KR20210051812A (ko) 2019-10-31 2019-10-31 신호 분석 방법 및 장치
US16/791,874 US20210128070A1 (en) 2019-10-31 2020-02-14 Method and apparatus for analysing signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190137551A KR20210051812A (ko) 2019-10-31 2019-10-31 신호 분석 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20210051812A true KR20210051812A (ko) 2021-05-10

Family

ID=75686468

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190137551A KR20210051812A (ko) 2019-10-31 2019-10-31 신호 분석 방법 및 장치

Country Status (2)

Country Link
US (1) US20210128070A1 (ko)
KR (1) KR20210051812A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023132565A1 (ko) * 2022-01-05 2023-07-13 엘지전자 주식회사 개인화된 건강 예측 학습 모델을 구비한 건강 예측 시스템 및 그 시스템의 제어 방법
KR102644982B1 (ko) * 2023-03-20 2024-03-07 주식회사 와이티아이엔에스 클라우드 환경에서 구현되는 빅데이터 및 인공지능 기반의 서비스 제공 시스템

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113768523B (zh) * 2021-11-11 2022-04-22 华南理工大学 基于对抗生成网络的二便预警方法与系统
CN114124536B (zh) * 2021-11-24 2022-09-13 四川九洲电器集团有限责任公司 一种多站侦收信号溯源方法
CN114631826A (zh) * 2022-02-11 2022-06-17 北京赋思强脑科技有限公司 脑力测试方法及设备、存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7342491B2 (ja) * 2019-07-25 2023-09-12 オムロン株式会社 推論装置、推論方法、及び推論プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KR 등록특허공보 제10- 호 (20100.00.00. 등록)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023132565A1 (ko) * 2022-01-05 2023-07-13 엘지전자 주식회사 개인화된 건강 예측 학습 모델을 구비한 건강 예측 시스템 및 그 시스템의 제어 방법
KR102644982B1 (ko) * 2023-03-20 2024-03-07 주식회사 와이티아이엔에스 클라우드 환경에서 구현되는 빅데이터 및 인공지능 기반의 서비스 제공 시스템

Also Published As

Publication number Publication date
US20210128070A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
KR20210051812A (ko) 신호 분석 방법 및 장치
US10653330B2 (en) System and methods for processing neural signals
Babu et al. Parkinson’s disease prediction using gene expression–A projection based learning meta-cognitive neural classifier approach
Dora et al. Development of a self-regulating evolving spiking neural network for classification problem
KR20190098106A (ko) 배치 정규화 레이어 트레이닝 방법
Yin et al. Task-generic mental fatigue recognition based on neurophysiological signals and dynamical deep extreme learning machine
Cherian et al. Theoretical and methodological analysis of EEG based seizure detection and prediction: An exhaustive review
US20190389442A1 (en) Brake control system used in a vehicle and control method thereof
Afrakhteh et al. Applying an efficient evolutionary algorithm for EEG signal feature selection and classification in decision-based systems
CN117850601B (zh) 用于手持式pda可自动检测生命体征的系统及方法
Lekshmy et al. Comparative analysis of multiple machine learning algorithms for epileptic seizure prediction
Qu et al. Improved perception-based spiking neuron learning rule for real-time user authentication
Mishra et al. Human activity recognition using deep neural network
Agarwal et al. Edge optimized and personalized lifelogging framework using ensembled metaheuristic algorithms
Cherukuvada et al. Feature Selection with Deep Belief Network for Epileptic Seizure Detection on EEG Signals.
US11804147B2 (en) Personalized weight management
Pandian et al. Effect of data preprocessing in the detection of epilepsy using machine learning techniques
Karthikeyini et al. Heart disease prognosis using D-GRU with logistic chaos honey badger optimization in IoMT framework
Ong et al. A novel selection of optimal statistical features in the DWPT domain for discrimination of ictal and seizure-free electroencephalography signals
Elbagoury et al. Mobile AI Stroke Health App: A Novel Mobile Intelligent Edge Computing Engine based on Deep Learning models for Stroke Prediction–Research and Industry Perspective
Thiemjarus et al. Context Aware Sensing
Wang et al. Learning with target prior
Wang et al. Epileptic seizures prediction based on unsupervised learning for feature extraction
Negra Leveraging Machine Learning for WBANs
Nandini et al. Enhancing Emotion Detection with Non-invasive Multi-Channel EEG and Hybrid Deep Learning Architecture