KR20210073260A - Mehtod and appartus for inferencing pulse properties based on pulse wave data - Google Patents

Mehtod and appartus for inferencing pulse properties based on pulse wave data Download PDF

Info

Publication number
KR20210073260A
KR20210073260A KR1020190163891A KR20190163891A KR20210073260A KR 20210073260 A KR20210073260 A KR 20210073260A KR 1020190163891 A KR1020190163891 A KR 1020190163891A KR 20190163891 A KR20190163891 A KR 20190163891A KR 20210073260 A KR20210073260 A KR 20210073260A
Authority
KR
South Korea
Prior art keywords
pulse wave
wave data
characteristic
degree
membership
Prior art date
Application number
KR1020190163891A
Other languages
Korean (ko)
Other versions
KR102307760B1 (en
Inventor
배장한
김재욱
Original Assignee
한국 한의학 연구원
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 한국 한의학 연구원 filed Critical 한국 한의학 연구원
Priority to KR1020190163891A priority Critical patent/KR102307760B1/en
Publication of KR20210073260A publication Critical patent/KR20210073260A/en
Application granted granted Critical
Publication of KR102307760B1 publication Critical patent/KR102307760B1/en

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
    • A61B5/48—Other medical applications
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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

Abstract

A method for training a pulse wave characteristic inference model by a processor may comprise: a step of analyzing a pulse wave index for a plurality of pulse wave data for training; a step of clustering the pulse wave data for training into a plurality of pulse wave data clusters based on the pulse wave index; a step of determining a membership function of the pulse wave data clusters based on a degree of membership indicating a grade to which the pulse wave data for training belongs to the pulse wave data clusters; and a step of generating a model for inferring pulse wave characteristics based on the membership function.

Description

맥파 데이터를 이용한 맥파 특성 추론 방법 및 장치{MEHTOD AND APPARTUS FOR INFERENCING PULSE PROPERTIES BASED ON PULSE WAVE DATA}Method and apparatus for inferring pulse wave characteristics using pulse wave data {MEHTOD AND APPARTUS FOR INFERENCING PULSE PROPERTIES BASED ON PULSE WAVE DATA}

이하, 맥파 데이터를 이용하여 맥파 특성을 추론하는 방법에 관한 기술이 제공된다.Hereinafter, a technique related to a method of inferring a pulse wave characteristic using the pulse wave data is provided.

한의학에서는 맥파의 특성을 범주화하여 맥상(pulse pattern)으로 분류한 후 맥진을 하는데, 맥상의 진단기준이나 참값을 정하기 어려워 한의사의 주관에 의존한 진단이 이루어졌다.In oriental medicine, the characteristics of pulse waves are categorized into pulse patterns, and then pulses are performed. Since it was difficult to determine the diagnostic criteria or true values of pulses, the diagnosis was made depending on the subjectivity of the oriental doctor.

또한, 맥파 특성이나 맥상은 한 가지가 아닌 여러 가지의 특성이 동시에 나타남에도 불구하고, 기존 컴퓨터 프로세서에 의해서는 여러가지 맥파 특성을 동시에 분석할 수 없었고, 그 특성의 정도를 정량적인 수치로 제시하기 어려웠다. 이처럼 맥파 데이터를 기반으로 계산된 맥파 지표나 맥상은 명확한 정량화나 기준 설정이 어렵고, 크다/작다와 같은 언어적 표현의 불확실함에서 야기되는 문제점으로 인해 프로세서에 의해 정확히 분류하기 힘든 점이 있었다.In addition, despite the fact that not one but several characteristics of pulse wave characteristics or pulses appear simultaneously, it was not possible to simultaneously analyze various characteristics of pulse waves by an existing computer processor, and it was difficult to present the degree of characteristics in quantitative terms. . As such, the pulse wave index or pulse calculated based on the pulse wave data is difficult to clearly quantify or standardize, and it is difficult to accurately classify the pulse wave by the processor due to problems caused by the uncertainty of linguistic expressions such as large/small.

대한민국 특허등록공보 제10-2012-0032157호(공개일: 2012년 04월 05일)Korean Patent Registration Publication No. 10-2012-0032157 (published on April 05, 2012)

일실시예에 따르면, 프로세서에 의해 맥파 특성 추론 모델을 학습하는 방법은 복수의 학습용 맥파 데이터들에 대해 맥파 지표(index)를 분석하는 단계, 상기 맥파 지표에 기초하여 상기 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하는 단계, 상기 군집화에 따른 맥파 데이터가 상기 맥파 데이터 군집에 소속된 정도(membership grade)를 지시하는 소속도 값에 기초하여 상기 맥파 데이터 군집의 멤버쉽 함수를 결정하는 단계, 및 상기 멤버쉽 함수에 기초하여 맥파 특성을 추론하는 모델을 생성하는 단계를 포함할 수 있다. According to an embodiment, a method of learning a pulse wave characteristic inference model by a processor includes analyzing a pulse wave index for a plurality of training pulse wave data, and converting the training pulse wave data into a plurality of pulse wave data based on the pulse wave index. clustering into data clusters; determining a membership function of the pulse wave data cluster based on a membership value indicating a membership grade of the pulse wave data according to the clustering to the pulse wave data cluster; and The method may include generating a model for inferring a pulse wave characteristic based on the membership function.

상기 맥파 특성은 맥파의 세기, 깊이, 속도, 너비, 길이, 리듬, 긴장도 및 첨예도를 포함하는 특성일 수 있다.The pulse wave characteristics may include characteristics including intensity, depth, speed, width, length, rhythm, tension, and sharpness of the pulse wave.

일실시예에 따르면, 상기 군집화하는 단계는 상기 학습용 맥파 데이터들 간의 유사도에 기초하여 상기 학습용 맥파 데이터들을 복수의 상기 맥파 데이터 군집으로 군집화하는 단계를 포함할 수 있다.According to an embodiment, the clustering may include clustering the pulse wave data for training into a plurality of pulse wave data clusters based on a similarity between the pulse wave data for training.

또한, 상기 맥파 데이터 군집들의 군집 중심점을 대표값으로 추출하는 단계, 상기 맥파 데이터 군집들의 군집 중심점과 상기 학습용 맥파 데이터에 대해 유사도를 계산하고 유사도가 가장 높은 맥파 데이터 군집에 상기 학습용 맥파 데이터를 포함시키는 단계, 및 상기 맥파 데이터 군집들의 군집 중심점과 상기 학습용 맥파 데이터 각각의 소속도 값을 반복적으로 업데이트 하는 단계를 포함할 수 있다.In addition, extracting the cluster center point of the pulse wave data clusters as a representative value, calculating the similarity between the cluster center point of the pulse wave data clusters and the learning pulse wave data, and including the training pulse wave data in the pulse wave data cluster with the highest similarity and repeatedly updating a cluster center point of the pulse wave data clusters and a degree of membership value of each of the pulse wave data for training.

일실시예에 따르면, 군집 중심점과 소속도 값들을 업데이트 하는 단계는 상기 맥파 데이터 군집들에 대해 상기 유사도와 연관된 목적 함수(objective function)를 최소화시키는 상기 군집 중심점을 계산하는 단계, 및 상기 학습용 맥파 데이터가 상기 맥파 데이터 군집들 각각에 속하는 소속도 값의 합이 미리 지정된 상수로 고정시키는 단계를 포함할 수 있다.According to an embodiment, the updating of the cluster centroid and membership values includes calculating the cluster centroid that minimizes an objective function associated with the similarity for the pulse wave data clusters, and the pulse wave data for training. may include fixing the sum of membership values belonging to each of the pulse wave data clusters to a predetermined constant.

아울러, 상기 맥파 특성을 추론하는 모델을 생성하는 단계는 명확한 정량화가 어렵거나 언어적 표현의 불확실함에서 야기되는 문제를 효과적으로 다룰 수 있는 퍼지 추론 시스템, 전문가 시스템, 카오스 이론, 유전자 알고리즘 및 비선형 시스템 중 적어도 하나의 소프트 컴퓨팅 기법을 적용하는 단계를 포함할 수 있다.In addition, the step of generating a model for inferring the pulse wave characteristics is one of a fuzzy reasoning system, an expert system, a chaos theory, a genetic algorithm, and a nonlinear system that can effectively deal with problems that are difficult to quantify or are caused by uncertainty in verbal expression. It may include applying at least one soft computing technique.

일측에 따르면, 프로세서에 의해 대상 맥파 데이터의 맥파 특성을 판단하는 방법에 있어서, 상기 대상 맥파 데이터에 대해 맥파 지표를 분석하는 단계, 맥파 데이터의 군집 정보가 학습된 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 소속된 정도(grade)를 지시하는 소속도 값들을 추출하는 단계, 및 복수의 맥파 데이터 군집들에 대한 상기 대상 맥파 데이터의 소속도 값들에 기초하여 상기 대상 맥파 데이터가 맥파 특성 레벨에 속하는 정도를 출력하는 단계를 포함할 수 있다.According to one side, in a method of determining a pulse wave characteristic of target pulse wave data by a processor, the steps of analyzing a pulse wave index for the target pulse wave data, and adding the pulse wave index to a pulse wave characteristic inference model from which cluster information of the pulse wave data is learned inputting, extracting degree of belonging values indicating a degree to which the target pulse wave data belongs to a plurality of pulse wave data clusters, and applying the degree of membership values of the target pulse wave data to the plurality of pulse wave data clusters. The method may include outputting a degree to which the target pulse wave data belongs to a pulse wave characteristic level based on the result.

또 다른 일실시예에 따르면, 프로세서에 의해 대상 맥파 데이터의 복합 맥파 특성을 판단하는 방법에 있어서, 상기 대상 맥파 데이터에 대해 맥파 지표를 분석하는 단계, 맥파 데이터의 서로 구별되는 맥파 지표에 의해 학습된 복수의 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 복수의 맥파 특성 추론 모델에서 상기 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출하는 단계, 및 상기 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단하는 단계를 포함할 수 있다.According to another exemplary embodiment, in a method of determining a complex pulse wave characteristic of target pulse wave data by a processor, the steps of analyzing a pulse wave index for the target pulse wave data, and learning by the pulse wave indices that are distinguished from each other of the pulse wave data inputting the pulse wave index into a plurality of pulse wave characteristic inference models, and extracting membership values indicating a degree to which the target pulse wave data belongs to a pulse wave data cluster from the plurality of pulse wave characteristic inference models; and The method may include determining a composite pulse wave characteristic based on a ratio of membership values to the characteristic inference model.

상기 복합 맥파 특성을 판단하는 단계는 상기 가장 높은 소속도 값이 지시하는 맥파 특성이 미리 지정된 특정 기준 또는 군집화 결과에 의해 평맥의 특성으로 판단된 경우, 상기 복합 맥파 특성의 판단에서 배제하는 단계를 포함 할 수 있다.The determining of the complex pulse wave characteristic includes excluding from the determination of the complex pulse wave characteristic when the pulse wave characteristic indicated by the highest degree of membership is determined to be the characteristic of the flat vein according to a predetermined specific criterion or a clustering result. can do.

상기 복합 맥파 특성을 판단하는 단계는 상기 복수의 맥파 특성 추론 모델에 대한 상기 소속도 값이 미리 지정된 임계치 미만인 경우, 상기 복합 맥파 특성의 판단에서 배제하는 단계를 포함할 수 있다.The determining of the composite pulse wave characteristic may include excluding from the determination of the composite pulse wave characteristic when the degree of membership for the plurality of pulse wave characteristic inference models is less than a predetermined threshold value.

도 1은 일실시예에 따른 맥파 특성 추론 모델을 학습하는 방법을 도시한 흐름도이다.
도 2는 일실시예에 따른 맥파 특성 추론 모델의 프로세스를 도시한 도면이다.
도 3는 일실시예에 따라 맥파 데이터 군집을 군집화한 도면이다.
도 4는 일실시예에 따라 결정된 멤버쉽 함수들을 도시한 그래프이다.
도 5은 일실시예에 따라 맥파 데이터 군집에 대응하는 맥파 특성을 나타낸 테이블이다.
도 6은 일실시예에 따라 대상 맥파 데이터에 대응하는 맥파 특성을 판단하기 위한 그래프를 도시한 도면이다.
도 7 은 일실시예에 따른 복수의 맥파 지표에 따른 비선형 맥파 특성 추론 모델을 도시한 도면이다.
도 8 은 일실시예에 따라 맥파 특성 추론 모델에 따라 맥파 특성을 판단하는 방법을 도시한 흐름도이다.
도 9는 일실시예에 따라 복수의 맥파 특성 추론 모델에 따라 복합 맥파 특성을 판단하는 방법을 도시한 흐름도이다.
도 10은 일실시예에 따라 복합 맥파 특성이 판단된 결과를 도시한 도면이다.
도 11은 다른 일실시예에 따라 복합 맥파 특성이 판단된 결과를 도시한 도면이다.
도 12는 일실시예에 따른 맥파 특성 추론 모델 학습 장치 또는 맥파 특성 판단 장치의 개략적인 구성을 도시한 도면이다.1 is a flowchart illustrating a method of learning a pulse wave characteristic inference model according to an embodiment.
2 is a diagram illustrating a process of a pulse wave characteristic inference model according to an embodiment.
3 is a diagram illustrating clustering of pulse wave data clusters according to an exemplary embodiment.
4 is a graph illustrating membership functions determined according to an embodiment.
5 is a table illustrating pulse wave characteristics corresponding to a pulse wave data cluster according to an exemplary embodiment.
6 is a diagram illustrating a graph for determining a pulse wave characteristic corresponding to target pulse wave data according to an exemplary embodiment.
7 is a diagram illustrating a nonlinear pulse wave characteristic inference model according to a plurality of pulse wave indices according to an exemplary embodiment.
8 is a flowchart illustrating a method of determining a pulse wave characteristic according to a pulse wave characteristic inference model according to an exemplary embodiment.
9 is a flowchart illustrating a method of determining a composite pulse wave characteristic according to a plurality of pulse wave characteristic inference models according to an exemplary embodiment.
10 is a diagram illustrating a result of determining a composite pulse wave characteristic according to an exemplary embodiment.
11 is a diagram illustrating a result of determining a composite pulse wave characteristic according to another exemplary embodiment.
12 is a diagram illustrating a schematic configuration of an apparatus for learning a pulse wave characteristic inference model or an apparatus for determining a pulse wave characteristic according to an exemplary embodiment.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Specific structural or functional descriptions of the embodiments are disclosed for purposes of illustration only, and may be changed and implemented in various forms. Accordingly, the embodiments are not limited to a specific disclosure form, and the scope of the present specification includes changes, equivalents, or substitutes included in the technical spirit.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Although terms such as first or second may be used to describe various components, these terms should be interpreted only for the purpose of distinguishing one component from another. For example, a first component may be termed a second component, and similarly, a second component may also be termed a first component.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.When a component is referred to as being “connected to” another component, it may be directly connected or connected to the other component, but it should be understood that another component may exist in between.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The singular expression includes the plural expression unless the context clearly dictates otherwise. In this specification, terms such as "comprise" or "have" are intended to designate that the described feature, number, step, operation, component, part, or combination thereof exists, and includes one or more other features or numbers, It should be understood that the possibility of the presence or addition of steps, operations, components, parts or combinations thereof is not precluded in advance.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present specification. does not Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. Like reference numerals in each figure indicate like elements.

도 1은 일실시예에 따른 맥파 특성 추론 모델을 학습하는 방법을 도시한 흐름도이다.1 is a flowchart illustrating a method of learning a pulse wave characteristic inference model according to an embodiment.

단계(110)에서, 맥파 특성 추론 모델을 학습하는 프로세서는 복수의 학습용 맥파 데이터들에 대해 맥파 지표를 분석할 수 있다. 맥파 특성은 맥상일 수 있으며, 예시적으로 맥파의 세기, 깊이, 속도, 너비, 길이, 리듬, 긴장도 및 첨예도를 포함할 수 있다. 맥파의 리듬은 맥파의 주기적인 패턴을 의미할 수 있고, 맥파의 긴장도는 가압에 따른 맥파의 저항 구간을 의미할 수 있다. 그러나, 맥파 특성은 이에 한정되는 것이 아니고, 맥박에 의해 생성된 파동 데이터로부터 도출된 모든 정보를 포함할 수 있다.In operation 110 , the processor learning the pulse wave characteristic inference model may analyze a pulse wave index with respect to a plurality of pulse wave data for training. The pulse wave characteristic may be a pulse wave, and may include, for example, intensity, depth, speed, width, length, rhythm, tension, and sharpness of the pulse wave. The rhythm of the pulse wave may mean a periodic pattern of the pulse wave, and the tension level of the pulse wave may mean a resistance section of the pulse wave according to the pressure. However, the pulse wave characteristic is not limited thereto, and may include all information derived from wave data generated by a pulse.

복수의 학습용 맥파 데이터는 과거 맥진시 추출하여 데이터베이스에 저장된 참고용 맥파 데이터일 수 있다. 학습용 맥파 데이터는 맥파 데이터마다 맥진 결과와 관련된 참값 데이터가 매핑되어 데이터베이스에 저장될 수 있으나, 참값 데이터가 매핑되지 않고 맥파 데이터만 저장될 수 있다. 맥파 데이터에 대응하는 맥파 특성은 한 가지가 아닌 복수의 복합 맥파 특성으로 나타날 수 있으며, 맥파 특성은 참과 거짓뿐 아니라 그 중간 영역에 대한 정보도 포함할 수 있다. 프로세서는 참값 데이터가 매핑되지 않은 맥파 데이터를 비지도 학습(unsupervised learning)하여 군집화 할 수 있으며 불확실함을 극복하고 근사치를 허용하는 소프트 컴퓨팅 기반의 맥파 특성 추론 모델을 생성할 수 있다.The plurality of pulse wave data for learning may be pulse wave data for reference extracted during a past pulse and stored in a database. Pulse wave data for training may be stored in a database by mapping true value data related to a pulse pulse result for each pulse wave data, but only pulse wave data may be stored without mapping true value data. The pulse wave characteristic corresponding to the pulse wave data may appear as a plurality of complex pulse wave characteristics instead of one, and the pulse wave characteristic may include true and false information as well as information on an intermediate region therebetween. The processor can cluster the pulse wave data to which the true value data is not mapped by unsupervised learning, and can create a soft computing-based pulse wave characteristic inference model that overcomes uncertainty and allows approximation.

단계(120)에서, 프로세서는 맥파 지표에 기초하여 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화할 수 있다. 프로세서가 복수의 맥파 데이터 군집들로 맥파 데이터들을 군집화하는 것은 도 3을 통해 상세히 서술한다.In operation 120 , the processor may cluster the pulse wave data for training into a plurality of pulse wave data clusters based on the pulse wave index. The processor clustering the pulse wave data into a plurality of pulse wave data clusters will be described in detail with reference to FIG. 3 .

단계(130)에서, 프로세서는 군집화에 따른 맥파 데이터가 맥파 데이터 군집에 소속된 정도(membership grade)를 지시하는 소속도 값에 기초하여 맥파 데이터 군집의 멤버쉽 함수를 결정할 수 있다. 소속도 값은 맥파 데이터가 특정 군집에 소속할 확률을 나타낼 수 있다. 예시적으로, 맥파 데이터 군집은 이웃한 군집들과 중첩되어 생성될 수 있으며, 맥파 데이터가 제1 군집과 제2 군집이 중첩된 부분에 포함된 경우, 프로세서는 제1 군집에 대한 제1 소속도 값 및 제2 군집에 대한 제2 소속도 값을 출력할 수 있다. 이처럼 프로세서는 맥파 데이터의 맥파 지표 정도에 따라 어느 군집에 속하는지 여부를 정량적 수치로 제공할 수 있다. 맥파 데이터 군집의 멤버쉽 함수를 결정하는 방법은 도 를 통해 상세히 서술한다.In operation 130 , the processor may determine a membership function of the pulse wave data cluster based on a membership value indicating a membership grade of the pulse wave data according to the clustering. The membership value may indicate a probability that the pulse wave data belongs to a specific cluster. Exemplarily, the pulse wave data cluster may be generated by overlapping with neighboring clusters, and when the pulse wave data is included in the overlapping portion of the first cluster and the second cluster, the processor determines the first degree of belonging to the first cluster. The value and the second degree of membership for the second cluster may be output. As such, the processor may provide a quantitative numerical value of which cluster it belongs to according to the degree of the pulse wave index of the pulse wave data. A method of determining the membership function of the pulse wave data cluster will be described in detail with reference to FIG.

단계(140)에서, 프로세서는 멤버쉽 함수에 기초하여 비선형 맥파 특성 추론 모델을 생성할 수 있다. 일실시예에 따르면, 프로세서는 맥파 지표 중 일부 맥파 지표들에 대한 비선형 맥파 특성 추론 모델을 생성할 수 있고, 일부 맥파 지표들의 종류에 따라 복수의 비선형 맥파 특성 추론 모델들을 생성할 수 있다. 예를 들어, 프로세서는 맥파 지표 중 제1 특성들에 대한 제1 맥파 특성 추론 모델을 생성할 수 있고, 제1 특성들과 구분되는 제2 특성들에 대한 제2 맥파 특성 추론 모델을 생성할 수 있다.In step 140 , the processor may generate a nonlinear pulse wave characteristic inference model based on the membership function. According to an embodiment, the processor may generate a nonlinear pulse wave characteristic inference model for some of the pulse wave indices among the pulse wave indices, and may generate a plurality of nonlinear pulse wave characteristic inference models according to the types of some of the pulse wave indices. For example, the processor may generate a first pulse wave characteristic inference model with respect to first characteristics among the pulse wave indices, and may generate a second pulse wave characteristic inference model with respect to second characteristics distinguished from the first characteristics. have.

도 2는 일실시예에 따른 맥파 특성 추론 모델 생성의 프로세스를 도시한 도면이다.2 is a diagram illustrating a process of generating a pulse wave characteristic inference model according to an embodiment.

일실시예에 따르면, 맥파 특성 추론 모델을 학습하는 프로세서는 맥파 지표 중 미리 지정된 일부 맥파 지표들에 대해 특성 정도에 따라 맥파 데이터를 군집화할 수 있다. 아울러, 맥파 지표들의 종류에 따라 군집화할 군집 수는 미리 설정될 수 있다. 예시적으로, 맥파 지표들 중 일부는 PDI(Pulse Depth Index), OAP(Optimal Applied Pressure), PPI(Pulse Pressure Index) 정보일 수 있고, 프로세서는 PDI 맥파 지표(210)를 4개의 군집, OAP 맥파 지표(211)를 4개의 군집, PPI 맥파 지표(212)를 2개의 군집으로 군집화할 수 있다. 예시적으로, 프로세서는 PDI, OAP등의 값을 기준으로 맥의 깊이가 얕은지, 보통인지, 깊은지, 아주 깊은지 여부에 관한 군집 등으로 맥파 데이터들을 군집화할 수 있다. 맥파 특성을 지시하는 각 군집들은 맥파 특성 분류에 대한 표준이 있다면 이를 이용할 수 있으나, 사용자 입력에 따라 프로세서는 맥파 특성을 분류하는 기준을 달리하여 설정할 수 있다.According to an embodiment, the processor learning the pulse wave characteristic inference model may cluster the pulse wave data according to the characteristic degree of some of the predetermined pulse wave indices among the pulse wave indices. In addition, the number of clusters to be clustered may be preset according to the types of pulse wave indices. Exemplarily, some of the pulse wave indices may be PDI (Pulse Depth Index), OAP (Optimal Applied Pressure), and PPI (Pulse Pressure Index) information, and the processor sets the PDI pulse wave index 210 to four clusters, the OAP pulse wave The index 211 may be clustered into four clusters, and the PPI pulse wave index 212 may be clustered into two clusters. For example, the processor may cluster the pulse wave data into clusters regarding whether the depth of the pulse is shallow, normal, deep, or very deep, based on values such as PDI and OAP. Each cluster indicating the pulse wave characteristic may use a standard for classifying the pulse wave characteristic if there is a standard. However, the processor may set different criteria for classifying the pulse wave characteristic according to a user input.

프로세서는 각각의 맥파 데이터가 특정 군집에 어느 정도로 속해 있는지를 연속적인 소속도 값으로 나타낼 수 있는 소프트 클러스터링 방법인 FCM(Fuzzy C-means) 알고리즘을 이용하여 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화할 수 있다. FCM 알고리즘은 K-means 알고리즘과 달리 퍼지 이론에 기반하여 복수의 군집에 동시에 속할 수 있으며, 각 군집별로 속할 가능성의 정도를 제공한다. 이때, 프로세서는 맥파 지표에 있어서 학습용 맥파 데이터들 간의 유사도에 기초하여 학습용 맥파 데이터들을 복수의 맥파 데이터 군집으로 군집화할 수 있다. 그러나, 각각의 맥파 데이터가 특정 군집에 어느정도 속해있는지 판단하는 방법으로 프로세서는 FCM 알고리즘 외에도 클러스터링 할 수 있는 비지도 학습 방법을 이용할 수 있다. The processor clusters the pulse wave data into a plurality of pulse wave data clusters using the Fuzzy C-means (FCM) algorithm, which is a soft clustering method that can indicate to what extent each pulse wave data belongs to a specific cluster as a continuous membership value. can do. Unlike the K-means algorithm, the FCM algorithm can simultaneously belong to multiple clusters based on the fuzzy theory, and provides a degree of probability of belonging to each cluster. In this case, the processor may cluster the learning pulse wave data into a plurality of pulse wave data clusters based on the similarity between the learning pulse wave data in the pulse wave index. However, as a method of determining how much each pulse wave data belongs to a specific cluster, the processor may use an unsupervised learning method capable of clustering in addition to the FCM algorithm.

프로세서는 멤버쉽 함수의 파라미터들을 맥파 데이터 군집 중심점과 소속도 값에 기초하여 결정할 수 있다. 예시적으로, 프로세서는 PDI 지표에서 4개의 군집을 표현할 수 있는 각각의 멤버쉽 함수를 임의로 결정하는 것이 아니라 군집 중심점과 소속도 값을 이용해 정량적으로 결정할 수 있다. 멤버쉽 함수가 결정되면, 프로세서는 이에 기초하여 맥파 특성 추론 모델을 생성할 수 있다.The processor may determine the parameters of the membership function based on the pulse wave data cluster center point and the membership value. Illustratively, the processor may quantitatively determine each of the membership functions capable of expressing the four clusters in the PDI index, rather than arbitrarily using the cluster centroid and membership values. When the membership function is determined, the processor may generate a pulse wave characteristic inference model based thereon.

일실시예에 따르면, 맥파 특성 추론 모델에 참과 거짓뿐만 아니라 그 중간 영역의 정보에 대해서도 정량적인 표현이 가능한 퍼지(fuzzy) 이론을 적용할 수 있으며, 그외에도 전문가 시스템, 카오스 이론, 유전자 알고리즘, 비선형 방법 등의 다양한 소프트 컴퓨팅 방법이 적용될 수 있다.According to an embodiment, a fuzzy theory that can quantitatively express not only true and false information but also information in the intermediate region can be applied to the pulse wave characteristic inference model. In addition, expert systems, chaos theory, genetic algorithms, Various soft computing methods such as a non-linear method may be applied.

도 3는 일실시예에 따라 맥파 데이터 군집을 군집화한 도면이다.3 is a diagram illustrating clustering of pulse wave data clusters according to an exemplary embodiment.

프로세서는 맥파 지표에 있어서 학습용 맥파 데이터들 간의 유사도에 기초하여 학습용 맥파 데이터들을 복수의 맥파 데이터 군집으로 군집화할 수 있다.The processor may cluster the training pulse wave data into a plurality of pulse wave data clusters based on the similarity between the training pulse wave data in the pulse wave index.

프로세서는 복수의 군집들에 대해 맥파 데이터의 맥파 지표 값이 특정 군집에 속할 가중치 값을 무작위로 할당한다. 이후, 프로세서는 각 군집들의 군집 중심점을 대표값으로 계산하고, 맥파 데이터가 특정 군집의 대표값과의 유사도에 기초하여 각 군집에 속할 가중치 값을 계산한다. 여기서 각 군집들의 군집 중심점은 군집에 연관된 데이터의 평균값 또는 중간값에 매핑된 포인트일 수 있고, 가중치 값은 맥파 데이터가 특정 군집에 속할 확률을 의미할 수 있으며, 소속도 값을 의미할 수 있다. 프로세서는 맥파 데이터 군집들의 대표값과 각 군집 내의 복수의 학습용 맥파 데이터들의 맥파 지표 값 간의 유사성을 최대화하고, 군집의 대표값과 군집 외의 맥파 지표 값들의 비유사성이 최대화하는 맥파 데이터 군집을 결정할 수 있다. 이 때, 프로세서는 메모리에 각 맥파 데이터 군집의 대표값을 저장시킬 수 있다.The processor randomly allocates a weight value to which a pulse wave index value of the pulse wave data belongs to a specific cluster for the plurality of clusters. Thereafter, the processor calculates the cluster center point of each cluster as a representative value, and calculates a weight value to belong to each cluster based on the degree of similarity between the pulse wave data and the representative value of the specific cluster. Here, the cluster center point of each cluster may be a point mapped to an average or median value of data related to the cluster, and the weight value may mean a probability that the pulse wave data belongs to a specific cluster, and may mean a degree of membership. The processor may determine a pulse wave data cluster that maximizes the similarity between the representative value of the pulse wave data clusters and the pulse wave index value of the plurality of learning pulse wave data within each cluster, and maximizes the dissimilarity between the representative value of the cluster and the pulse wave index values outside the cluster. . In this case, the processor may store a representative value of each pulse wave data cluster in the memory.

일실시예에 따르면, 프로세서는 맥파 데이터 군집들의 중심점과 학습용 맥파 데이터들 사이의 유사도를 나타내는 목적 함수(objective function)를 최소화하는 방향으로 군집 중심점을 반복 계산할 수 있다. 프로세서는 학습용 맥파 데이터가 맥파 데이터 군집들 각각에 속하는 소속도 값의 합이 미리 지정된 상수로 고정시킬 수 있다.According to an embodiment, the processor may iteratively calculate the cluster centroid in a direction of minimizing an objective function indicating a similarity between the central point of the pulse wave data clusters and the pulse wave data for training. The processor may fix the sum of the membership values belonging to each of the pulse wave data clusters for the training pulse wave data to a predetermined constant.

도 3의 산점도에 따르면, 맥파 데이터들이 복수의 군집들로 군집화 됨으로써, 프로세서는 수치화 시키기 힘들었던 맥파 특성을 맥파 데이터의 맥파 지표를 이용하여 정량화시킬 수 있다.According to the scatterplot of FIG. 3 , since the pulse wave data are clustered into a plurality of clusters, the processor can quantify the pulse wave characteristic, which is difficult to quantify, by using the pulse wave index of the pulse wave data.

일실시예에 따르면, 프로세서는 맥파 데이터에 대한 군집화가 적절히 이루어졌는지 검증할 수 있다. 각 군집 간의 응집도(cohesion)가 작고, 분리도(separation)가 클수록 군집화 결과가 좋음을 나타내는데, 이를 동시에 고려한 실루엣 계수(silhouette coefficient) 등을 이용할 수 있다.According to an embodiment, the processor may verify whether the clustering of the pulse wave data is properly performed. The smaller the cohesion between each cluster and the larger the separation, the better the clustering result is, and a silhouette coefficient or the like that considers this at the same time may be used.

도 4는 일실시예에 따라 결정된 멤버쉽 함수들을 도시한 그래프이다.4 is a graph illustrating membership functions determined according to an embodiment.

프로세서는 멤버쉽 함수를 각 맥파 데이터 군집에 따라 다르게 설정할 수 있다. 즉, 프로세서는 군집 중심점과 맥파 데이터의 소속도 값, 맥파 데이터 분포 정도를 이용해 멤버쉽 함수의 형태 또는 멤버쉽 함수의 파라미터를 결정할 수 있다. 일실시예에 따르면, 프로세서는 FCM 알고리즘에 의한 군집화 및 소속도 결과를 기반으로 퍼지 추론 시스템의 멤버쉽 함수를 결정할 수 있다. 멤버쉽 함수의 입력 개수는 FCM 알고리즘에 의한 군집 개수로 결정하고, 멤버쉽 함수의 종류는 군집 내의 데이터 분포를 고려해 결정하거나 소속도를 이용해 사용자 정의 함수를 구성할 수 있다. 멤버쉽 함수의 중심점은 각 군집의 중심점으로 결정하고, 인접한 멤버쉽 함수가 겹쳐지는 부분은 소속도를 0.5로 구성할 수 있다.The processor may set the membership function differently for each pulse wave data cluster. That is, the processor may determine the form of the membership function or a parameter of the membership function by using the cluster center point, the membership value of the pulse wave data, and the distribution degree of the pulse wave data. According to an embodiment, the processor may determine the membership function of the fuzzy inference system based on the results of clustering and membership by the FCM algorithm. The input number of the membership function is determined by the number of clusters by the FCM algorithm, and the type of membership function can be determined in consideration of the data distribution within the cluster, or a user-defined function can be constructed using the degree of membership. The center point of the membership function may be determined as the center point of each cluster, and the portion where adjacent membership functions overlap may have a degree of membership of 0.5.

도 5는 일실시예에 따라 맥파 데이터 군집에 대응하는 맥파 특성을 나타낸 테이블이다.5 is a table illustrating pulse wave characteristics corresponding to a pulse wave data cluster according to an exemplary embodiment.

프로세서는 맥파 데이터들에 대해 맥파 데이터 군집으로 군집화한 후, 각 맥파 데이터 군집이 지시하는 맥파 특성 레벨(level)을 결정할 수 있다. 맥파 타입은 맥파 특성 레벨에 따라 결정될 수 있다. 예시적으로 맥파 특성 레벨은 맥의 깊이에 따라 4단계로 구분될 수 있으며, 프로세서는 맥파 데이터들에 대해 4개의 맥파 데이터 군집으로 군집화할 수 있다. 4개의 맥파 데이터 군집은 맥파 특성 중 하나인 맥의 깊이가 '얕은', '보통의', '깊은', 및 '매우 깊은' 레벨을 지시하는 맥파 데이터 군집일 수 있다. 맥의 깊이에 따라 4개의 맥파 타입으로 구분될 수 있는데, 맥의 깊이가 얕은 경우 맥파 타입은 '부맥(floating pulse)'일 수 있고, 맥의 깊이가 보통인 경우 맥파 타입은 '평맥(normal pulse)', 맥의 깊이가 깊은 경우 맥파 타입은 '침맥(sunken pulse)', 맥의 깊이가 아주 깊은 경우 맥파 타입은 '복맥(hidden pulse)'일 수 있다.After clustering the pulse wave data into a pulse wave data cluster, the processor may determine a pulse wave characteristic level indicated by each pulse wave data cluster. The pulse wave type may be determined according to a pulse wave characteristic level. Exemplarily, the pulse wave characteristic level may be divided into four stages according to the depth of the pulse, and the processor may group the pulse wave data into four pulse wave data clusters. The four pulse wave data clusters may be pulse wave data clusters in which the depth of the pulse, which is one of the pulse wave characteristics, indicates 'shallow', 'normal', 'deep', and 'very deep' levels. According to the depth of the pulse, it can be divided into four pulse wave types. When the depth of the pulse is shallow, the pulse wave type may be 'floating pulse', and when the depth of the pulse is normal, the pulse wave type is 'normal pulse (normal pulse). )', if the pulse is deep, the pulse wave type may be a 'sunken pulse', and if the pulse is very deep, the pulse wave type may be a 'hidden pulse'.

일실시예에 따르면, 프로세서는 퍼지 추론 시스템의 규칙평가 단계를 수행하기 위해 맥파 데이터 군집에 대응하는 맥파 특성과 맥파 타입을 나타낸 테이블을 이용할 수 있다. 프로세서는 판단 대상이 되는 맥파 데이터인 대상 맥파 데이터를 퍼지 추론 시스템에 입력하면, 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값을 출력할 수 있고, 소속도 값을 이용하여 맥파 특성 레벨에 속하는 정도 및 맥파 타입 대응 정도를 확률 값으로 출력할 수 있다.According to an embodiment, the processor may use a table indicating pulse wave characteristics and pulse wave types corresponding to the pulse wave data cluster to perform the rule evaluation step of the fuzzy inference system. When the target pulse wave data, which is the pulse wave data to be judged, is input to the fuzzy inference system, the processor may output a degree of belonging value indicating the degree to which the target pulse wave data belongs to a pulse wave data cluster, and using the degree of membership value The degree of belonging to the characteristic level and the degree of correspondence to the pulse wave type may be output as a probability value.

도 6은 일실시예에 따라 대상 맥파 데이터에 대응하는 맥파 특성을 판단하기 위한 그래프를 도시한 도면이다.6 is a diagram illustrating a graph for determining a pulse wave characteristic corresponding to target pulse wave data according to an exemplary embodiment.

일실시예에 따르면, 프로세서는 퍼지 추론 시스템의 비퍼지화 단계를 수행하기 위해 각 맥파 데이터 군집이 지시하는 맥파 특성 레벨 및 맥파 타입을 저장하고 있을 수 있으며, 맥파 데이터 군집에 소속된 정도를 계산하기 위한 멤버쉽 함수를 저장하고 있을 수 있다. 프로세서는 각 맥파 데이터 군집의 멤버쉽 함수에 따라 대상 맥파 데이터가 각 맥파 데이터 군집에 속하는 정도를 계산할 수 있고, 이에 기초하여 맥파 특성 레벨 및 맥파 타입에 속하는 정도를 출력할 수 있다.According to an embodiment, the processor may store the pulse wave characteristic level and the pulse wave type indicated by each pulse wave data cluster to perform the non-fuzzy step of the fuzzy inference system, and calculates the degree of belonging to the pulse wave data cluster. You may have stored a membership function for The processor may calculate a degree to which target pulse wave data belongs to each pulse wave data cluster according to a membership function of each pulse wave data cluster, and may output a pulse wave characteristic level and a degree belonging to a pulse wave type based on the calculation.

예시적으로, 맥파 특성 추론 모델은 4개의 맥파 데이터 군집에 관한 정보를 저장할 수 있고, 맥파 데이터 군집은 각각 '부맥(floating pulse)', '평맥(normal pulse)', '침맥(sunken pulse)', 및 '복맥(hidden pulse)'의 맥파 타입이 지시되어 있을 수 있다. 프로세서는 입력된 대상 맥파 데이터에 대해 각 맥파 데이터 군집에 소속된 정도를 의미하는 소속도 값을 계산할 수 있다. 도 8의 맥파 특성에 관련된 멤버쉽 함수(610, 620, 630, 640)에 의하면, 대상 맥파 데이터가 부맥 및 복맥을 지시하는 맥파 데이터 군집에 소속될 확률은 0일 수 있다. 반면, 대상 맥파 데이터의 맥파 특성 값은 평맥 및 침맥을 지시하는 맥파 데이터 군집에 모두 소속되어 중첩될 수 있다. 도 8의 평맥에 관련된 멤버쉽 함수(620) 및 침맥에 관련된 멤버쉽 함수(630)에 따르면, 대상 맥파 데이터가 침맥을 지시하는 맥파 데이터 군집에 소속될 확률이 평맥을 지시하는 맥파 데이터 군집에 소속될 확률보다 클 수 있다.Exemplarily, the pulse wave characteristic inference model may store information about four pulse wave data clusters, and the pulse wave data clusters are 'floating pulse', 'normal pulse', and 'sunken pulse', respectively. , and a pulse wave type of 'hidden pulse' may be indicated. The processor may calculate a degree of belonging value indicating a degree of belonging to each pulse wave data cluster with respect to the input target pulse wave data. According to the membership functions 610 , 620 , 630 , and 640 related to the pulse wave characteristic of FIG. 8 , the probability that the target pulse wave data belongs to a pulse wave data cluster indicating an arrhythmia and an abdominal pulse may be zero. On the other hand, the pulse wave characteristic values of the target pulse wave data may be overlapped by belonging to all pulse wave data clusters indicating the flat and chimney pulses. According to the membership function 620 related to the flat pulse and the membership function 630 related to the chimney of FIG. 8 , the probability that the target pulse wave data belongs to the pulse wave data cluster indicating the chimney is the probability that the target pulse wave data belongs to the pulse wave data cluster indicating the chimney pulse can be larger

도 7은 일실시예에 따른 복수의 맥파 지표에 따른 비선형 맥파 특성 추론 모델을 도시한 도면이다.7 is a diagram illustrating a nonlinear pulse wave characteristic inference model according to a plurality of pulse wave indices according to an exemplary embodiment.

도 710은 맥파 지표 중 PPI 맥파 지표 값이 고정된 경우, PDI 맥파 지표 값과 OAP 맥파 지표 값에 따른 맥파 특성 레벨을 도시한 것이다. 도 720은 맥파 지표 중 OAP 맥파 지표 값이 고정된 경우, PDI 맥파 지표 값과 PPI 맥파 지표 값에 따른 맥파 특성 레벨을 도시한 것이다. 도 730은 맥파 지표 중 PDI 맥파 지표 값이 고정된 경우, PPI 맥파 지표 값과 OAP 맥파 지표 값에 따른 맥파 특성 레벨을 도시한 것이다. 예시적으로, 맥파 특성은 맥의 깊이를 지시하는 정보를 의미할 수 있으며, 도 7은 PDI, OAP, PPI 중 2가지 맥파 지표에 따른 맥의 깊이를 도시한 그래프들일 수 있다.FIG. 710 illustrates a pulse wave characteristic level according to a PDI pulse wave index value and an OAP pulse wave index value when a PPI pulse wave index value among the pulse wave indexes is fixed. FIG. 720 illustrates a pulse wave characteristic level according to a PDI pulse wave index value and a PPI pulse wave index value when the OAP pulse wave index value among the pulse wave indexes is fixed. 730 illustrates a pulse wave characteristic level according to a PPI pulse wave index value and an OAP pulse wave index value when the PDI pulse wave index value among the pulse wave indexes is fixed. For example, the pulse wave characteristic may mean information indicating the depth of the pulse, and FIG. 7 may be graphs illustrating the depth of the pulse according to two pulse wave indices among PDI, OAP, and PPI.

도 7의 그래프들의 z축은 맥파 특성에 관한 것일 수 있으며, PDI와 OAP, PDI와 PPI, OAP와 PPI 간의 관계를 통해 맥파 특성이 비선형적이라는 것을 알 수 있다. 비선형적인 관계에도 불구하고, 비선형 맥파 특성 추론 모델을 이용하면 프로세서는 맥파 데이터의 복수의 맥파 지표를 기반으로 맥파 특성을 출력할 수 있다.The z-axis of the graphs of FIG. 7 may relate to pulse wave characteristics, and it can be seen that the pulse wave characteristics are non-linear through the relationships between PDI and OAP, PDI and PPI, and OAP and PPI. Despite the nonlinear relationship, if the nonlinear pulse wave characteristic inference model is used, the processor may output the pulse wave characteristic based on a plurality of pulse wave indices of the pulse wave data.

도 8 은 일실시예에 따라 맥파 특성 추론 모델에 따라 맥파 특성을 판단하는 방법을 도시한 흐름도이다.8 is a flowchart illustrating a method of determining a pulse wave characteristic according to a pulse wave characteristic inference model according to an exemplary embodiment.

일실시예에 따른 프로세서는 도 1내지 도 7에서 설명한 맥파 특성 추론 모델을 이용하여 대상 맥파 데이터가 맥파 특성 레벨(level)에 속하는 정도를 출력할 수 있다. 맥파 특성 레벨은 경계가 애매한 레벨일 수 있으며, 예시적으로 맥의 깊이가 깊다/얕다로 경계가 구분되는 맥의 깊이의 정도 또는 맥이 빠르다/느리다로 경계가 구분되는 맥의 빠르기 정도를 포함할 수 있다. 프로세서는 맥파 데이터 군집에 속하는 소속도 값을 이용하여 맥파 특성 레벨에 속하는 정도를 수치화하여 맥파 데이터가 경계가 애매한 특성을 지시하는 정도를 출력할 수 있다.The processor according to an embodiment may output a degree to which target pulse wave data belongs to a pulse wave characteristic level using the pulse wave characteristic inference model described with reference to FIGS. 1 to 7 . The pulse wave characteristic level may be a level with ambiguous boundaries, and may include, for example, the degree of the depth of the pulse demarcated as deep/shallow or the speed of the pulse demarcated as the fast/slow pulse. can The processor may digitize the degree of belonging to the pulse wave characteristic level by using the degree of belonging to the pulse wave data cluster to output the degree to which the pulse wave data indicates a characteristic with an ambiguous boundary.

단계(810)에서, 프로세서는 대상 맥파 데이터에 대해 맥파 지표를 분석할 수 있다. 대상 맥파 데이터는 맥파 특성 추론 모델에 의해 판단하고자 하는 맥파 데이터일 수 있고, 프로세서가 피검자의 맥박이 센싱된 데이터를 분석하여 출력한 데이터일 수 있으며, 외부 장치로부터 가공된 데이터를 수신한 맥파 데이터일 수 있다.In operation 810 , the processor may analyze a pulse wave index with respect to the target pulse wave data. The target pulse wave data may be pulse wave data to be determined by the pulse wave characteristic inference model, data output by the processor analyzing data sensed by the subject's pulse, and pulse wave data received by processing data from an external device can

단계(820)에서, 프로세서는 맥파 데이터 군집 정보가 학습된 맥파 특성 추론 모델에 맥파 지표를 입력하여, 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 포함된 정도를 지시하는 소속도 값들을 추출할 수 있다. 프로세서는 대상 맥파 데이터로부터 맥파 특성 추론 모델에 사용된 맥파 지표들을 추출할 수 있고, 추출된 맥파 지료를 이용하여 맥파 특성 추론 모델에 속하는 정도를 판단할 수 있다. 복수의 맥파 데이터 군집들은 맥파 특성 추론 모델을 학습하여 생성하는 프로세서에 의해 추출된 군집일 수 있으며, 일실시예에 따르면 맥파 데이터 군집들의 대표값들이 맥파 특성 추론 모델에 저장되어 있을 수 있다.In step 820, the processor inputs the pulse wave index to the pulse wave characteristic inference model from which the pulse wave data cluster information has been learned, and the degree of belonging values indicating the degree to which the target pulse wave data is included in the plurality of pulse wave data clusters may be extracted. have. The processor may extract pulse wave indices used in the pulse wave characteristic inference model from the target pulse wave data, and determine a degree of belonging to the pulse wave characteristic inference model using the extracted pulse wave information. The plurality of pulse wave data clusters may be clusters extracted by a processor that learns and generates a pulse wave characteristic inference model, and according to an embodiment, representative values of the pulse wave data clusters may be stored in the pulse wave characteristic inference model.

단계(830)에서, 프로세서는 복수의 맥파 데이터 군집들에 대한 대상 맥파 데이터의 소속도 값들에 기초하여 대상 맥파 데이터가 맥파 특성 레벨에 속하는 정도를 출력할 수 있다. 예시적으로, 대상 맥파 데이터가 제1 군집에 대한 제1 소속도 값에 기초하여 프로세서는 제1 군집이 지시하는 제1 맥파 특성 레벨에 대상 맥파 데이터가 속하는 정도를 출력할 수 있다. 이와 마찬가지 방법으로 대상 맥파 데이터가 제2 군집에 대한 제2 소속도 값에 기초하여 프로세서는 제2 군집이 지시하는 제2 맥파 특성 레벨에 대상 맥파 데이터가 속하는 정도를 출력할 수 있다.In operation 830 , the processor may output a degree to which the target pulse wave data belongs to a pulse wave characteristic level based on degree of belonging values of the target pulse wave data to the plurality of pulse wave data clusters. Exemplarily, the processor may output a degree to which the target pulse wave data belongs to the first pulse wave characteristic level indicated by the first cluster, based on the first degree of belonging to the first cluster of the target pulse wave data. In the same way, the processor may output a degree to which the target pulse wave data belongs to the second pulse wave characteristic level indicated by the second cluster based on the second degree of belonging to the second cluster of the target pulse wave data.

도 9는 일실시예에 따라 복수의 맥파 특성 추론 모델에 따라 복합 맥파 특성을 판단하는 방법을 도시한 흐름도이다.9 is a flowchart illustrating a method of determining a composite pulse wave characteristic according to a plurality of pulse wave characteristic inference models according to an exemplary embodiment.

도 1 내지 도 7을 통해 상술한 맥파 특성 추론 모델은 맥파 데이터로부터 추출된 맥파 지표의 종류에 따라 맥파 특성 추론 모델을 학습시키는 프로세서는 복수의 구별되는 맥파 특성 추론 모델을 생성할 수 있다. 따라서, 복수의 맥파 특성 추론 모델은 맥파 데이터가 서로 다른 종류의 맥파 특성에 관한 결과를 출력할 수 있다. 예시적으로, 제1 맥파 특성 추론 모델은 맥의 깊이에 관한 결과를 출력할 수 있고, 제2 맥파 특성 추론 모델은 맥의 빠르기에 관한 결과를 출력할 수 있다.In the pulse wave characteristic inference model described above with reference to FIGS. 1 to 7 , the processor for learning the pulse wave characteristic inference model according to the type of the pulse wave index extracted from the pulse wave data may generate a plurality of distinct pulse wave characteristic inference models. Accordingly, the plurality of pulse wave characteristic inference models may output results regarding pulse wave characteristics of different types of pulse wave data. For example, the first pulse wave characteristic inference model may output a result regarding the depth of the pulse, and the second pulse wave characteristic inference model may output a result regarding the speed of the pulse.

단계(910)에서, 프로세서는 대상 맥파 데이터에 대해 맥파 지표를 분석할 수 있다. 맥파 데이터의 맥파 지표를 분석하는 것은 도 1 및 도 8에서 선술하였으므로, 자세한 설명은 생략한다.In operation 910 , the processor may analyze a pulse wave index with respect to the target pulse wave data. Since the analysis of the pulse wave index of the pulse wave data has been described with reference to FIGS. 1 and 8 , a detailed description thereof will be omitted.

단계(920)에서, 프로세서는 맥파 데이터의 서로 구별되는 맥파 지표에 의해 학습된 복수의 맥파 특성 추론 모델에 맥파 지표를 입력하여, 복수의 맥파 특성 추론 모델에서 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출할 수 있다. 예시적으로, 제1 맥파 특성 추론 모델은 제1 맥파 지표에 대해 학습된 모델일 수 있고, 프로세서는 대상 맥파 데이터의 제1 맥파 지표를 제1 맥파 특성 추론 모델에 입력할 수 있다. 제1 맥파 특성 추론 모델의 결과값은 제 1 맥파 특성 추론 모델의 맥파 데이터 군집 각각에 대한 소속도 값들일 수 있다. 프로세서는 제2 맥파 특성 추론 모델에 대해 대상 맥파 데이터의 제2 맥파 지표를 입력하여 제2 맥파 특성 추론 모델의 맥파 데이터 군집 각각에 대한 소속도 값을 획득할 수 있다. 이와 같은 방식으로, 복수의 특성 추론 모델에 대한 소속도 값을 획득할 수 있다. 이 때, 각 맥파 특성 추론 모델은 한 개의 맥파 지표가 아닌 여러 개의 맥파 지표로 구성된 모델일 수 있으므로, 여러 개의 맥파 지표가 한 개의 맥파 특성 추론 모델에 입력될 수 있다.In step 920, the processor inputs the pulse wave index to the plurality of pulse wave characteristic inference models learned by the pulse wave indices that are distinguished from each other of the pulse wave data, and the target pulse wave data belongs to the pulse wave data cluster in the plurality of pulse wave characteristic inference models. Membership values indicating the degree can be extracted. For example, the first pulse wave characteristic inference model may be a model trained on the first pulse wave index, and the processor may input the first pulse wave index of the target pulse wave data into the first pulse wave characteristic inference model. The result value of the first pulse wave characteristic inference model may be membership values for each pulse wave data cluster of the first pulse wave characteristic inference model. The processor may input a second pulse wave index of the target pulse wave data to the second pulse wave characteristic inference model to obtain a degree of membership value for each pulse wave data cluster of the second pulse wave characteristic inference model. In this way, it is possible to obtain membership values for a plurality of characteristic inference models. In this case, since each pulse wave characteristic inference model may be a model composed of several pulse wave indices instead of one pulse wave index, several pulse wave indices may be input to one pulse wave characteristic inference model.

단계(930)에서, 프로세서는 대상 맥파 데이터에 대한 복합 맥파 특성을 판단할 수 있다. 프로세서는 단계(920)에서 획득한 복수의 특성 추론 모델의 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단할 수 있다. 복합 맥파 특성을 판단하는 것은 도 10 및 도 11에서 상세히 서술한다.In operation 930, the processor may determine a composite pulse wave characteristic of the target pulse wave data. The processor may determine the composite pulse wave characteristic based on the ratio of the membership values of the plurality of characteristic inference models obtained in operation 920 . Determining the composite pulse wave characteristics will be described in detail with reference to FIGS. 10 and 11 .

도 10은 일실시예에 따라 복합 맥파 특성이 판단된 결과를 도시한 도면이다.10 is a diagram illustrating a result of determining a composite pulse wave characteristic according to an exemplary embodiment.

일실시예에 따르면, 프로세서는 복수의 맥파 특성 추론 모델에서 대상 맥파 데이터가 맥파 데이터 군집 각각에 소속된 정도를 지시하는 소속도 값들을 추출할 수 있다. 예시적으로, 프로세서는 대상 맥파 데이터를 서로 다른 맥파 지표를 이용하는 6개의 맥파 특성 추론 모델에 입력하여 각 맥파 데이터 군집에 대한 소속도 값을 출력할 수 있다.According to an embodiment, the processor may extract membership values indicating a degree to which target pulse wave data belongs to each of the pulse wave data clusters from the plurality of pulse wave characteristic inference models. For example, the processor may input the target pulse wave data into six pulse wave characteristic inference models using different pulse wave indices to output a degree of membership value for each pulse wave data cluster.

도 10에 의하면, 복수의 맥파 특성 추론 모델들 중 일부 맥파 특성 추론 모델(1010, 1020, 1030, 1050, 1060)에서는 평맥을 지시하는 맥파 데이터 군집의 소속도 값이 가장 높을 수 있다.Referring to FIG. 10 , some of the pulse wave characteristic inference models 1010 , 1020 , 1030 , 1050 , and 1060 among a plurality of pulse wave characteristic inference models may have the highest membership value of a pulse wave data cluster indicating a flat pulse.

일실시예에 따르면, 프로세서가 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율을 계산할 때, 소속도 값들 중 평맥을 지시하는 군집의 소속도 값은 배제하고 소속도 값들의 비율을 계산할 수 있다. 일실시예에 따르면, 프로세서는 맥파 특성이 미리 지정된 특정 기준 또는 군집화 결과에 의해 평맥의 특성을 판단할 수 있다. 예시적으로, 특정 기준은 분포의 상위 30% 내지 하위 30%에 해당하는 경우일 수 있고, 프로세서는 해당 분포의 군집을 평맥 특성을 의미하는 군집으로 결정할 수 있다. 아울러, 평맥을 제외한 나머지 맥파 타입 중 임계값 미만의 소속도 값을 갖는 군집이 지시하는 맥파 타입은 소속도 값들의 비율을 계산할 때 배제할 수 있다. 예를 들어, 미리 지정된 임계값은 0.2일 수 있으며, 소속도 값이 0.2 미만인 군집들은 소속도 값의 비율 계산시 배제할 수 있다. 도 10에 따르면, 맥파 특성 추론 모델(1020)에서 침맥(Sunken pulse)을 지시하는 군집의 소속도 값(1021) 및 맥파 특성 추론 모델(1040)에서 홍맥(Surging pulse)을 지시하는 군집의 소속도 값(1041)이 0.2 이상이므로, 소속도 값의 비율 계산시 침맥을 지시하는 군집의 소속도 값(1021) 및 홍맥(Surging pulse)을 지시하는 군집의 소속도 값(1041)을 이용할 수 있다. 프로세서는 침맥을 지시하는 군집의 소속도 값(1021) 및 홍맥(Surging pulse)을 지시하는 군집의 소속도 값(1041)의 비율에 따라 복합 맥파 특성(1070)을 판단할 수 있다.According to an embodiment, when the processor calculates the ratio of the membership values for the plurality of pulse wave characteristic inference models, the ratio of the membership values may be calculated while excluding the membership value of the cluster indicating the flat pulse among the membership values. . According to an embodiment, the processor may determine the characteristic of the flat pulse based on a specific criterion or a clustering result to which the pulse wave characteristic is previously specified. Illustratively, the specific criterion may be a case corresponding to the upper 30% to the lower 30% of the distribution, and the processor may determine the cluster of the corresponding distribution as a cluster indicating the flat vein characteristic. In addition, a pulse wave type indicated by a cluster having a degree of membership value less than a threshold value among pulse wave types other than the flat pulse may be excluded when calculating the ratio of the degree of membership values. For example, the predetermined threshold value may be 0.2, and clusters having a degree of membership value less than 0.2 may be excluded when calculating the ratio of the degree of membership. According to FIG. 10 , a degree of membership value 1021 of a cluster indicating a Sunken pulse in the pulse wave characteristic inference model 1020 and a membership degree of a group indicating a Surging pulse in the pulse wave characteristic inference model 1040 Since the value 1041 is greater than or equal to 0.2, when calculating the ratio of the degree of membership, the value 1021 of the degree of membership in the cluster indicating chimmaek and the value 1041 of membership in the cluster indicating the surging pulse may be used. The processor may determine the complex pulse wave characteristic 1070 according to a ratio of a group membership value 1021 indicating a chimney pulse and a group membership value 1041 indicating a surging pulse.

도 11은 다른 일실시예에 따라 복합 맥파 특성이 판단된 결과를 도시한 도면이다.11 is a diagram illustrating a result of determining a composite pulse wave characteristic according to another exemplary embodiment.

도 11에 의하면, 맥파 특성 추론 모델(1110)에서 지맥(slow pulse)을 지시하는 군집의 소속도 값(1111), 맥파 특성 추론 모델(1130)에서 실맥(Replete pulse)을 지시하는 군집의 소속도 값(1131), 맥파 특성 추론 모델(1140)에서 홍맥(Surging pulse)을 지시하는 군집의 소속도 값(1141), 맥파 특성 추론 모델(1150)에서 활맥(Slippery pulse)을 지시하는 군집의 소속도 값(1151), 및 맥파 특성 추론 모델(1160)에서 현맥(String-like pulse)을 지시하는 군집의 소속도 값(1161)을 소속도 값의 비율 계산시 이용할 수 있다. 프로세서는 계산된 소속도 값의 비율에 기초하여 대상 맥파 데이터의 복합 맥파 특성(1170)을 판단할 수 있다.According to FIG. 11 , a degree of membership value 1111 of a cluster indicating a slow pulse in the pulse wave characteristic inference model 1110 and a membership degree of a group indicating a repeat pulse in the pulse wave characteristic inference model 1130 A value 1131, a membership degree value 1141 of a cluster indicating a surging pulse in the pulse wave characteristic inference model 1140, and a membership degree of a cluster indicating a slippery pulse in the pulse wave characteristic inference model 1150 The value 1151 and the membership degree value 1161 of a cluster indicating a string-like pulse in the pulse wave characteristic inference model 1160 may be used when calculating the ratio of the membership degree values. The processor may determine the composite pulse wave characteristic 1170 of the target pulse wave data based on the calculated ratio of the degree of membership.

도 12는 일실시예에 따른 맥파 특성 추론 모델 학습 장치(1200) 및 맥파 특성 판단 장치(1210)의 개략적인 구성을 도시한 도면이다.12 is a diagram schematically illustrating the configuration of an apparatus 1200 for learning a pulse wave characteristic inference model and an apparatus 1210 for determining a pulse wave characteristic according to an exemplary embodiment.

맥파 특성 추론 모델 학습 장치(1200) 및 맥파 특성 판단 장치(1210)는 각각 프로세서 및 메모리를 포함할 수 있다.The pulse wave characteristic inference model training apparatus 1200 and the pulse wave characteristic determination apparatus 1210 may include a processor and a memory, respectively.

맥파 특성 추론 모델 학습 장치의 프로세서(1201)는 복수의 학습용 맥파 데이터들에 대해 맥파 지표를 분석하고, 맥파 지표에 기초하여 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하며, 군집화에 따른 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값에 기초하여 맥파 데이터 군집의 멤버쉽 함수를 결정하고, 멤버쉽 함수에 기초하여 비선형 맥파 특성 추론 모델을 생성할 수 있다. 맥파 특성 추론 모델 학습 장치의 메모리(1202)는 맥파 특성에 연관된 정보를 포함한 맥파 특성 추론 모델을 적어도 일시적으로 저장할 수 있다.The processor 1201 of the apparatus for training a pulse wave characteristic inference model analyzes a pulse wave index for a plurality of pulse wave data for training, clusters the pulse wave data for training into a plurality of pulse wave data clusters based on the pulse wave index, and pulse wave data according to the clustering A membership function of the pulse wave data cluster may be determined based on a degree of membership indicating the degree to which α belongs to the pulse wave data cluster, and a nonlinear pulse wave characteristic inference model may be generated based on the membership function. The memory 1202 of the pulse wave characteristic inference model training apparatus may at least temporarily store the pulse wave characteristic inference model including information related to the pulse wave characteristic.

맥파 특성 판단 장치의 프로세서(1211)는 대상 맥파 데이터에 대해 맥파 지표를 분석하고, 맥파 특성 추론 모델에 맥파 지표를 입력하여, 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 소속된 정도를 지시하는 소속도 값들을 추출하며, 복수의 맥파 데이터 군집들에 대한 대상 맥파 데이터의 소속도 값들에 기초하여 대상 맥파 데이터의 맥파 특성 레벨에 속하는 정도를 출력할 수 있다.The processor 1211 of the pulse wave characteristic determination apparatus analyzes the pulse wave index with respect to the target pulse wave data, inputs the pulse wave index to the pulse wave characteristic inference model, and indicates the degree to which the target pulse wave data belongs to a plurality of pulse wave data clusters. Degree values may be extracted, and the degree of belonging to the pulse wave characteristic level of the target pulse wave data may be output based on the values of belonging of the target pulse wave data to the plurality of pulse wave data clusters.

일실시예에 따르면, 맥파 특성 판단 장치의 프로세서(1211)는 대상 맥파 데이터에 대해 맥파 지표를 분석하고, 복수의 맥파 특성 추론 모델에 맥파 지표를 입력하여, 복수의 맥파 특성 추론 모델에서 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출하며, 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단할 수 있다.According to an embodiment, the processor 1211 of the apparatus for determining pulse wave characteristics analyzes a pulse wave index with respect to the target pulse wave data, inputs the pulse wave index to a plurality of pulse wave characteristic inference models, and receives target pulse wave data from the plurality of pulse wave characteristic inference models. A degree of belonging values indicating a degree of belonging to a pulse wave data cluster may be extracted, and a composite pulse wave characteristic may be determined based on a ratio of degree of membership values for a plurality of pulse wave characteristic inference models.

맥파 특성 판단 장치의 메모리(1212)는 서로 다른 맥파 지표에 연관된 복수의 맥파 특성 추론 모델들을 적어도 일시적으로 저장할 수 있다.The memory 1212 of the pulse wave characteristic determination apparatus may at least temporarily store a plurality of pulse wave characteristic inference models associated with different pulse wave indices.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented by a hardware component, a software component, and/or a combination of a hardware component and a software component. For example, the apparatus, methods and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and carry out program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited drawings, those skilled in the art may apply various technical modifications and variations based on the above. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

Claims (19)

프로세서에 의해 맥파 특성 추론 모델을 학습하는 방법은,
복수의 학습용 맥파 데이터들에 대해 맥파 지표(index)를 분석하는 단계;
상기 맥파 지표에 기초하여 상기 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하는 단계;
상기 학습용 맥파 데이터가 상기 맥파 데이터 군집에 소속된 정도(membership grade)를 의미하는 소속도 값에 기초하여 상기 맥파 데이터 군집들의 멤버쉽 함수를 결정하는 단계; 및
상기 멤버쉽 함수에 기초하여 맥파 특성을 추론하는 모델을 생성하는 단계
를 포함하는 맥파 특성 추론 모델 학습 방법.The method of learning the pulse wave characteristic inference model by the processor is,
analyzing a pulse wave index with respect to a plurality of pulse wave data for learning;
clustering the pulse wave data for training into a plurality of pulse wave data clusters based on the pulse wave index;
determining a membership function of the pulse wave data clusters based on a membership value indicating a membership grade of the learning pulse wave data to the pulse wave data cluster; and
generating a model for inferring a pulse wave characteristic based on the membership function;
A method of learning a pulse wave characteristic inference model comprising a. 제1항에 있어서,
상기 맥파 특성은,
맥파의 세기, 깊이, 속도, 너비, 길이, 리듬, 긴장도 및 첨예도를 적어도 일부 포함하는,
맥파 특성 추론 모델 학습 방법.According to claim 1,
The pulse wave characteristics are
at least in part including intensity, depth, speed, width, length, rhythm, tension and sharpness of the pulse wave;
Method of training pulse wave characteristic inference model. 제1항에 있어서,
상기 군집화 하는 단계는,
상기 학습용 맥파 데이터들 간의 유사도에 기초하여 상기 학습용 맥파 데이터들을 복수의 상기 맥파 데이터 군집으로 군집화하는 단계; 및
상기 학습용 맥파 데이터들이 각각의 상기 맥파 데이터 군집들에 속하는 정도를 상기 소속도 값으로 계산하는 단계
를 포함하는 맥파 특성 추론 모델 학습 방법.According to claim 1,
The clustering step is
clustering the pulse wave data for training into a plurality of pulse wave data clusters based on the similarity between the pulse wave data for training; and
Calculating the degree to which the pulse wave data for training belongs to each of the pulse wave data clusters as the degree of membership value
A method of learning a pulse wave characteristic inference model comprising a. 제1항에 있어서,
상기 군집화 하는 단계는,
상기 맥파 데이터 군집들의 군집 중심점을 대표값으로 추출하는 단계;
상기 맥파 데이터 군집들의 군집 중심점과 상기 학습용 맥파 데이터에 대해 유사도를 계산하고 유사도가 가장 높은 맥파 데이터 군집에 상기 학습용 맥파 데이터를 포함시키는 단계; 및
상기 맥파 데이터 군집들의 군집 중심점과 상기 학습용 맥파 데이터 각각의 소속도 값을 반복적으로 업데이트 하는 단계
를 포함하는 맥파 특성 추론 모델 학습 방법.According to claim 1,
The clustering step is
extracting a cluster center point of the pulse wave data clusters as a representative value;
calculating a similarity between a cluster center point of the pulse wave data clusters and the training pulse wave data, and including the training pulse wave data in a pulse wave data cluster having the highest similarity; and
Repeatingly updating a cluster center point of the pulse wave data clusters and a degree of membership value of each of the pulse wave data for training
A method of learning a pulse wave characteristic inference model comprising a. 제4항에 있어서,
상기 군집 중심점과 소속도 값들을 업데이트 하는 단계는,
상기 맥파 데이터 군집들에 대해 상기 유사도와 연관된 목적 함수(objective function)를 최소화시키는 상기 군집 중심점을 계산하는 단계; 및
상기 학습용 맥파 데이터가 상기 맥파 데이터 군집들 각각에 속하는 소속도 값의 합이 미리 지정된 상수로 고정시키는 단계
를 포함하는 맥파 특성 추론 모델 학습 방법.5. The method of claim 4,
The step of updating the cluster center point and the degree of membership includes:
calculating the cluster centroid that minimizes an objective function associated with the similarity for the pulse wave data clusters; and
fixing the sum of membership values belonging to each of the pulse wave data clusters in the training pulse wave data to a predetermined constant;
A method of learning a pulse wave characteristic inference model comprising a. 제1항에 있어서,
상기 맥파 특성을 추론하는 모델을 생성하는 단계는,
명확한 정량화가 어렵거나 언어적 표현의 불확실함에서 야기되는 문제를 효과적으로 다룰 수 있는 퍼지 추론 시스템, 전문가 시스템, 카오스 이론, 유전자 알고리즘 및 비선형 시스템 중 적어도 하나의 소프트 컴퓨팅 기법을 적용하는 단계
를 포함하는 맥파 특성 추론 모델 학습 방법.According to claim 1,
The step of generating a model for inferring the pulse wave characteristic comprises:
Applying a soft computing technique of at least one of a fuzzy reasoning system, an expert system, a chaos theory, a genetic algorithm, and a nonlinear system that can effectively deal with problems that are difficult to unambiguously quantify or arise from uncertainty in verbal expression
A method of learning a pulse wave characteristic inference model comprising a. 프로세서에 의해 대상 맥파 데이터의 맥파 특성을 판단하는 방법에 있어서,
상기 대상 맥파 데이터에 대해 맥파 지표를 분석하는 단계;
맥파 데이터의 군집 정보가 학습된 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 소속된 정도(grade)를 지시하는 소속도 값들을 추출하는 단계; 및
복수의 맥파 데이터 군집들에 대한 상기 대상 맥파 데이터의 소속도 값들에 기초하여 상기 대상 맥파 데이터가 맥파 특성 레벨에 속하는 정도를 출력하는 단계
를 포함하는 맥파 특성 판단 방법.A method for determining a pulse wave characteristic of target pulse wave data by a processor, the method comprising:
analyzing a pulse wave index with respect to the target pulse wave data;
inputting the pulse wave index to a pulse wave characteristic inference model from which cluster information of pulse wave data has been learned, and extracting degree of belonging values indicating a degree to which the target pulse wave data belongs to a plurality of clusters of pulse wave data; and
outputting a degree to which the target pulse wave data belongs to a pulse wave characteristic level based on the membership values of the target pulse wave data with respect to a plurality of pulse wave data clusters
A method for determining pulse wave characteristics comprising a. 제7항에 있어서,
상기 맥파 데이터의 군집 정보는,
상기 복수의 맥파 데이터 군집과 각각의 맥파 데이터 군집에 속하는 대표값
을 포함하는 맥파 특성 판단 방법.8. The method of claim 7,
Cluster information of the pulse wave data,
The plurality of pulse wave data clusters and a representative value belonging to each pulse wave data cluster
A method for determining pulse wave characteristics comprising a. 제8항에 있어서,
상기 소속도 값들을 추출하는 단계는,
상기 맥파 데이터 군집들의 대표값과 상기 대상 맥파 데이터를 비교하고, 비교 결과에 기초하여 상기 소속도 값들을 추출하는 단계
를 포함하는 맥파 특성 판단 방법.9. The method of claim 8,
The step of extracting the degree of membership values includes:
comparing representative values of the pulse wave data clusters with the target pulse wave data, and extracting the membership values based on the comparison result;
A method for determining pulse wave characteristics comprising a. 프로세서에 의해 대상 맥파 데이터의 복합 맥파 특성을 판단하는 방법에 있어서,
상기 대상 맥파 데이터에 대해 맥파 지표를 분석하는 단계;
맥파 데이터의 서로 구별되는 맥파 지표에 의해 학습된 복수의 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 복수의 맥파 특성 추론 모델에서 상기 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출하는 단계; 및
상기 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단하는 단계
를 포함하는 복합 맥파 특성 판단 방법.A method for determining, by a processor, a composite pulse wave characteristic of target pulse wave data, the method comprising:
analyzing a pulse wave index with respect to the target pulse wave data;
Affiliation indicating the degree to which the target pulse wave data belongs to a pulse wave data cluster in the plurality of pulse wave characteristic inference models by inputting the pulse wave index into a plurality of pulse wave characteristic inference models learned by pulse wave indices that are distinguished from each other of the pulse wave data extracting degree values; and
determining complex pulse wave characteristics based on a ratio of degree of membership values to the plurality of pulse wave characteristic inference models;
A method for determining complex pulse wave characteristics comprising a. 제10항에 있어서,
상기 맥파 데이터의 군집 정보는,
상기 복수의 맥파 데이터 군집과 맥파 데이터 군집에 대응하는 대표값을 포함하는 맥파 특성 판단 방법. 11. The method of claim 10,
Cluster information of the pulse wave data,
The pulse wave characteristic determination method including the plurality of pulse wave data clusters and representative values corresponding to the pulse wave data clusters. 제11항에 있어서,
상기 소속도 값들을 추출하는 단계는,
상기 맥파 데이터 군집들의 대표값과 상기 대상 맥파 데이터를 비교하고, 비교 결과에 기하여 상기 소속도 값들을 추출하는 단계
를 포함하는 맥파 특성 판단 방법.12. The method of claim 11,
The step of extracting the degree of membership values includes:
comparing representative values of the pulse wave data clusters with the target pulse wave data, and extracting the degree of membership values based on the comparison result;
A method for determining pulse wave characteristics comprising a. 제10항에 있어서,
상기 복합 맥파 특성을 판단하는 단계는,
각각의 상기 맥파 특성 추론 모델에서 가장 높은 소속도 값이 지시하는 맥파 특성에 기초하여 상기 복합 맥파 특성을 판단하는 단계
를 포함하는 맥파 특성 판단 방법.11. The method of claim 10,
The step of determining the complex pulse wave characteristics comprises:
determining the composite pulse wave characteristic based on the pulse wave characteristic indicated by the highest degree of membership in each of the pulse wave characteristic inference models;
A method for determining pulse wave characteristics comprising a. 제13항에 있어서,
상기 복합 맥파 특성을 판단하는 단계는,
상기 가장 높은 소속도 값이 지시하는 맥파 특성이 미리 지정된 특정 기준 또는 군집화 결과에 의해 평맥의 특성으로 판단된 경우, 상기 복합 맥파 특성의 판단에서 배제하는 단계
를 포함하는 맥파 특성 판단 방법.14. The method of claim 13,
The step of determining the complex pulse wave characteristics comprises:
When the pulse wave characteristic indicated by the highest degree of membership value is determined as the characteristic of the flat pulse according to a predetermined specific criterion or a clustering result, excluding from the determination of the complex pulse wave characteristic
A method for determining pulse wave characteristics comprising a. 제10항에 있어서,
상기 복합 맥파 특성을 판단하는 단계는,
상기 복수의 맥파 특성 추론 모델에 대한 상기 소속도 값이 미리 지정된 임계치 미만인 경우, 상기 복합 맥파 특성의 판단에서 배제하는 단계
를 포함하는 맥파 특성 판단 방법.11. The method of claim 10,
The step of determining the complex pulse wave characteristics comprises:
excluding from the determination of the composite pulse wave characteristic when the degree of membership value with respect to the plurality of pulse wave characteristic inference models is less than a predetermined threshold value;
A method for determining pulse wave characteristics comprising a. 제1항 내지 제15항 중 어느 한 항의 방법을 수행하기 위한 명령어들을 포함하는 하나 이상의 컴퓨터 프로그램을 저장한 컴퓨터 판독 가능 기록 매체.A computer-readable recording medium storing one or more computer programs including instructions for performing the method of any one of claims 1 to 15. 복수의 학습용 맥파 데이터들에 대해 맥파 지표를 분석하고, 상기 맥파 지표에 기초하여 상기 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하며, 상기 군집화에 따른 맥파 데이터가 상기 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값에 기초하여 상기 맥파 데이터 군집의 멤버쉽 함수를 결정하고, 상기 멤버쉽 함수에 기초하여 맥파 특성 추론 모델을 생성하는 프로세서; 및
상기 맥파 특성에 연관된 정보를 포함한 맥파 특성 추론 모델을 적어도 일시적으로 저장하는 메모리
를 포함하는 맥파 특성 추론 모델 학습 장치.A pulse wave index is analyzed for a plurality of pulse wave data for training, and the pulse wave data for training is clustered into a plurality of pulse wave data clusters based on the pulse wave index, and the degree to which the pulse wave data according to the clustering belongs to the pulse wave data cluster a processor for determining a membership function of the pulse wave data cluster based on a degree of membership value indicating , and generating a pulse wave characteristic inference model based on the membership function; and
A memory for at least temporarily storing a pulse wave characteristic inference model including information related to the pulse wave characteristic
A pulse wave characteristic inference model training device comprising a. 맥파 특성에 연관된 정보를 포함한 맥파 특성 추론 모델을 적어도 일시적으로 저장하는 메모리; 및
대상 맥파 데이터에 대해 맥파 지표를 분석하고, 상기 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 소속된 정도를 지시하는 소속도 값들을 추출하며, 복수의 맥파 데이터 군집들에 대한 상기 대상 맥파 데이터의 소속도 값들에 기초하여 상기 대상 맥파 데이터의 맥파 특성 레벨에 속하는 정도를 출력하는 프로세서
를 포함하는 맥파 특성 판단 장치.a memory for at least temporarily storing a pulse wave characteristic inference model including information related to the pulse wave characteristic; and
The pulse wave index is analyzed for the target pulse wave data, the pulse wave index is input to the pulse wave characteristic inference model, and membership values indicating the degree to which the target pulse wave data belongs to a plurality of pulse wave data clusters are extracted, and a plurality of A processor for outputting a degree of belonging to a pulse wave characteristic level of the target pulse wave data based on values of belonging of the target pulse wave data to pulse wave data clusters of
A pulse wave characteristic determination device comprising a. 서로 다른 맥파 지표에 연관된 복수의 맥파 특성 추론 모델들을 적어도 일시적으로 저장하는 메모리; 및
대상 맥파 데이터에 대해 맥파 지표를 분석하고, 상기 복수의 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 복수의 맥파 특성 추론 모델에서 상기 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출하며, 상기 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단하는 프로세서
를 포함하는 복합 맥파 특성 판단 장치.
a memory for at least temporarily storing a plurality of pulse wave characteristic inference models associated with different pulse wave indices; and
affiliation indicating a degree to which the target pulse wave data belongs to a pulse wave data cluster in the plurality of pulse wave characteristic inference models by analyzing a pulse wave index for the target pulse wave data and inputting the pulse wave index to the plurality of pulse wave characteristic inference models A processor that extracts degree values and determines a complex pulse wave characteristic based on a ratio of degree of membership values to the plurality of pulse wave characteristic inference models
Composite pulse wave characteristic determination device comprising a.
KR1020190163891A 2019-12-10 2019-12-10 Mehtod and appartus for inferencing pulse properties based on pulse wave data KR102307760B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190163891A KR102307760B1 (en) 2019-12-10 2019-12-10 Mehtod and appartus for inferencing pulse properties based on pulse wave data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190163891A KR102307760B1 (en) 2019-12-10 2019-12-10 Mehtod and appartus for inferencing pulse properties based on pulse wave data

Publications (2)

Publication Number Publication Date
KR20210073260A true KR20210073260A (en) 2021-06-18
KR102307760B1 KR102307760B1 (en) 2021-10-01

Family

ID=76623477

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190163891A KR102307760B1 (en) 2019-12-10 2019-12-10 Mehtod and appartus for inferencing pulse properties based on pulse wave data

Country Status (1)

Country Link
KR (1) KR102307760B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115251856A (en) * 2022-09-26 2022-11-01 季华实验室 Pulse strength judgment method and device, electronic equipment and storage medium
CN117426761A (en) * 2023-12-21 2024-01-23 深圳市景新浩科技有限公司 Control method, device and equipment for self-adaptive pressure release speed of electronic sphygmomanometer

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3790266B2 (en) * 2003-06-27 2006-06-28 株式会社総合医科学研究所 Fatigue level evaluation apparatus, fatigue level evaluation apparatus control method, fatigue level evaluation program, and recording medium recording the program
JP4882052B2 (en) * 2005-08-12 2012-02-22 国立大学法人鳥取大学 Pulse wave diagnosis system using self-organizing map, self-organizing map generating program and generating method
KR20120032157A (en) 2010-09-28 2012-04-05 한국전기연구원 Apparatus and method for measuring pulse condition using fuzzy theory

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3790266B2 (en) * 2003-06-27 2006-06-28 株式会社総合医科学研究所 Fatigue level evaluation apparatus, fatigue level evaluation apparatus control method, fatigue level evaluation program, and recording medium recording the program
JP4882052B2 (en) * 2005-08-12 2012-02-22 国立大学法人鳥取大学 Pulse wave diagnosis system using self-organizing map, self-organizing map generating program and generating method
KR20120032157A (en) 2010-09-28 2012-04-05 한국전기연구원 Apparatus and method for measuring pulse condition using fuzzy theory

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115251856A (en) * 2022-09-26 2022-11-01 季华实验室 Pulse strength judgment method and device, electronic equipment and storage medium
CN115251856B (en) * 2022-09-26 2022-12-27 季华实验室 Pulse strength judging method and device, electronic equipment and storage medium
CN117426761A (en) * 2023-12-21 2024-01-23 深圳市景新浩科技有限公司 Control method, device and equipment for self-adaptive pressure release speed of electronic sphygmomanometer
CN117426761B (en) * 2023-12-21 2024-03-22 深圳市景新浩科技有限公司 Control method, device and equipment for self-adaptive pressure release speed of electronic sphygmomanometer

Also Published As

Publication number Publication date
KR102307760B1 (en) 2021-10-01

Similar Documents

Publication Publication Date Title
Abdullah et al. Lung cancer prediction and classification based on correlation selection method using machine learning techniques
Ren et al. Ensemble based adaptive over-sampling method for imbalanced data learning in computer aided detection of microaneurysm
Gadekallu et al. Cuckoo search optimized reduction and fuzzy logic classifier for heart disease and diabetes prediction
Tokuda et al. Revisiting agglomerative clustering
Widynski et al. A multiscale particle filter framework for contour detection
KR102307760B1 (en) Mehtod and appartus for inferencing pulse properties based on pulse wave data
JP2020537787A (en) Use of neural networks
CN111611851A (en) Model generation method, iris detection method and device
Di Biasi et al. A cloud approach for melanoma detection based on deep learning networks
Chakraborty et al. TCS-ILAB-MediaEval 2015: Affective Impact of Movies and Violent Scene Detection.
CN111247600A (en) Object clustering method and device
Panchal et al. Comparative study of particle swarm optimization based unsupervised clustering techniques
Muthuvel et al. GABC based neuro-fuzzy classifier with hybrid features for ECG Beat classification
Sanz et al. A decision tree based approach with sampling techniques to predict the survival status of poly-trauma patients
Ziasabounchi et al. A comparative study of heart disease prediction based on principal component analysis and clustering methods
Choudhary et al. Glaucoma detection using cross validation algorithm
Nnamoko et al. Meta-classification model for diabetes onset forecast: A proof of concept
Singh et al. Pneumonia detection with game-theoretic rough sets
Heng et al. Deep Learning and Explainable Machine Learning on Hair Disease Detection
Abdolmaleki et al. ACQC: Apollonius Circle‐based Quantum Clustering
Cervantes et al. Optimization of vessel segmentation using genetic algorithms
Akram et al. Cancerous tumor segmentation of kidney images and prediction of tumor using medical image segmentation and deep learning techniques
Soares et al. Feature selection in small databases: a medical-case study
Kiran et al. Heart Disease Prediction Using Machine Learning
Behadada et al. A multinomial logistic regression approach for arrhythmia detection

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant