KR20210152254A - 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 - Google Patents
클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 Download PDFInfo
- Publication number
- KR20210152254A KR20210152254A KR1020200069120A KR20200069120A KR20210152254A KR 20210152254 A KR20210152254 A KR 20210152254A KR 1020200069120 A KR1020200069120 A KR 1020200069120A KR 20200069120 A KR20200069120 A KR 20200069120A KR 20210152254 A KR20210152254 A KR 20210152254A
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- class
- value
- diagnosing
- probability
- Prior art date
Links
- 208000018737 Parkinson disease Diseases 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 79
- 201000010099 disease Diseases 0.000 claims abstract description 139
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 139
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims description 136
- 230000006870 function Effects 0.000 claims description 24
- 238000012706 support-vector machine Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 208000024891 symptom Diseases 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 description 4
- 238000013399 early diagnosis Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010013952 Dysphonia Diseases 0.000 description 2
- 208000016285 Movement disease Diseases 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 229960003638 dopamine Drugs 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000000653 nervous system Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000027765 speech disease Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000010473 Hoarseness Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 208000027498 hoarse voice Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Child & Adolescent Psychology (AREA)
- Fuzzy Systems (AREA)
- Developmental Disabilities (AREA)
- Multimedia (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Hospice & Palliative Care (AREA)
- Mathematical Physics (AREA)
- Acoustics & Sound (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치에 관한 것으로, 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법은, 진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 상기 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하는 단계, 질병 및 정상 데이터에 대해 상기 정규화된 출력 분포의 베타 파라미터(Beta parameter)를 결정하여 불확실성 측도(Uncertainty Measure) 값을 계산하는 단계, 상기 결정된 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 유의확률(p-value)을 추정하는 단계, 및 상기 계산된 불확실성 측도 값에 따라 상기 추정된 유의확률을 이용하여 상기 진단 대상의 질병을 진단하는 단계를 포함한다.
Description
본 발명은 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치에 관한 것이다.
파킨슨병은 초기에 약물 치료를 사용하여 증상을 완화할 수 있지만 근본적인 치료는 없다. 따라서 조기 진단은 환자 삶의 질과 수명에 중요하다. 파킨슨병은 임상 경험에 크게 의존하기 때문에 일반적으로 침습적인 방식으로 진단되며 진단 및 치료를 위해 물리적 신체 방문이 필요하다. 그러나 이는 환자의 진단 및 치료 과정을 복잡하게 하며 대부분의 환자는 종종 이동이 불편하여 병원에 방문하기가 어렵다.
파킨슨병은 흑질(substantia nigra)로 불리는 뇌의 뉴런의 상실로 인해 발생하는 질환으로, 알츠하이머병에 이어 중추 신경계에서 두 번째로 흔한 신경 퇴행성 질환이다. 파킨슨병은 운동 신경계, 언어, 행동, 정신 및 기타 중요한 기능을 부분적으로 또는 완전히 상실시킨다. 특히, 파킨슨병 환자의 90%가 언어 및 운동 장애를 보인다.
도파민은 몸에서 운동을 조절하는데 사용되는데, 신경 세포가 상실되면 순환하는 도파민을 적게 유발하여 운동을 조절하기가 어렵고 팔다리의 떨림과 마비를 유발한다. 1817년, 파킨슨병은 제임스 파킨슨 박사에 의해 "떨리는 마비"라고 묘사되었다. 파킨슨병은 일반적으로 노인에서 관찰되며 65세 이상의 100명 중 1명에게 나타난다. 노인 인구가 많아지고 있기 때문에 환자는 더 증가할 것으로 예상된다. 파킨슨병은 운동 신경계, 언어, 행동, 정신 및 기타 중요한 기능을 부분적으로 또는 완전히 상실시킨다. 특히, 파킨슨병 환자의 90%가 언어 및 운동 장애를 보인다. 파킨슨병은 초기에 약물 치료를 사용하여 증상을 완화할 수 있지만 근본적인 치료는 없다. 따라서 조기 진단은 환자 삶의 질과 수명에 중요하다. 파킨슨병은 임상 경험에 크게 의존하기 때문에 일반적으로 침습적인 방식으로 진단되며 진단 및 치료를 위해 물리적 신체 방문이 필요하다. 그러나 이는 환자의 진단 및 치료 과정을 복잡하게 하며 대부분의 환자는 종종 이동이 불편하여 병원에 방문하기가 어렵다.
파킨슨병의 증상은 여러 가지가 있지만 연구에 따르면 파킨슨병 환자의 90%가 언어 장애가 있는 것으로 나타났다. 음성의 크기가 감소하거나 쉰 목소리 또는 삐걱거리는 소리가 나타나며 음성의 성능이 저하되는 증상이 나타난다. 따라서, 언어 장애는 발병 초기의 지표로서 사용될 수 있으며, 음성 측정은 단순하고 많은 움직임을 필요로 하지 않기 때문에 효과적인 진단 방법으로서 주목 받고 있다. 또한 신체 방문 비용을 줄이고 질병의 조기 진단 속도를 높이며 의료진의 업무량을 줄일 수 있는 장점이 있다.
음성을 이용한 파킨슨병 진단에 대한 연구는 여러 차례 수행되었다. 종래 연구는 파킨슨 데이터베이스를 만들고 새로운 특성을 제시하였으며 전체 특성 공간에서 최상의 특성을 선택하는 방법을 제안하였다. RBF (Gaussian Radial Basis Function) 커널을 사용한 SVM (Support Vector Machine) 분류기를 사용하여 파킨슨 환자를 진단했다. 이 연구에서는 음성에 잡음이 많을 경우 상관관계 차원을 허위로 증가시켰으며 이는 잡음 신호에 대한 알고리즘 유용성의 본질적인 한계가 나타났다.
다른 종래 연구는 노인의 모니터링을 통해 파킨슨병의 원격 진단을 진행하였으며 상호 정보 측정을 사용하여 특성을 선택하였고 SVM 분류기를 이용하여 분류하였다. 그러나 이 연구의 주장을 입증하기 위해서는 더 많은 데이터가 필요하다.
또 다른 종래 연구는 병행 피드포워드 신경망 구조를 제안하였고 이를 사용하여 파킨슨 환자를 예측했다. 병렬 네트워크는 단일 신경망보다 성능과 예측 견고성이 향상되었다. 그러나 병렬 네트워크의 수가 증가함에 따라 훈련 시간이 증가하고 복잡성이 증가했다.
또 다른 종래 연구는 주성분 분석 (PCA)과 퍼지 k-최근접 이웃 (FkNN) 방법의 조합을 사용하였으며 SVM 모델과 비교하여 더 나은 성능을 보여주었다.
또 다른 종래 연구는 입자 무리 최적화 (PSP)를 사용하여 파라미터 최적화와 특성 선택을 진행하였으며 FkNN 모델을 사용하였다. 그러나 이러한 모델은 정규화 된 측정으로 결정에 대한 신뢰 수준을 제공하지 않는다. 또한, 이들 모델은 일반적으로 개선된 분류 성능을 얻기 위해 복잡한 구조를 갖는다.
본 발명의 실시 예들은 클래스 확률 출력 망 기반 음성을 이용해 정확하고 신뢰성 있게 질병을 조기에 진단하기 위한, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치를 제공하고자 한다. 일례로, 본 발명의 실시 예들은 파킨슨병의 진단을 음성만으로 초기에 그 증상을 파악하기 위한, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치를 제공하고자 한다.
다만, 본 발명의 해결하고자 하는 과제는 이에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위의 환경에서도 다양하게 확장될 수 있을 것이다.
본 발명의 일 실시 예에 따르면, 질병 진단 장치에 의해 수행되는 질병 진단 방법에 있어서, 진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 상기 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하는 단계; 질병 및 정상 데이터에 대해 상기 정규화된 출력 분포의 베타 파라미터(Beta parameter)를 결정하여 불확실성 측도(Uncertainty Measure) 값을 계산하는 단계; 상기 결정된 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 유의확률(p-value)을 추정하는 단계; 및 상기 계산된 불확실성 측도 값에 따라 상기 추정된 유의확률을 이용하여 상기 진단 대상의 질병을 진단하는 단계를 포함하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법이 제공될 수 있다.
상기 정규화하는 단계는, 상기 정규화된 음성 특징을 특징 공간에서 분류 오류를 최소화하는 방식으로 가우시안 커널 함수를 이용하여 선형 결합할 수 있다.
상기 진단하는 단계는, 상기 질병 클래스에 대한 제1 유의확률 값이 상기 정상 클래스에 대한 제2 유의확률 값을 초과하면 상기 진단 대상을 질병 클래스로 진단할 수 있다.
상기 진단하는 단계는, 상기 정상 클래스에 대한 제2 유의확률 값이 상기 질병 클래스에 대한 제1 유의확률 값 이상이면 상기 진단 대상을 정상 클래스로 진단할 수 있다.
상기 진단하는 단계는, 상기 계산된 불확실성 측도 값이 기 설정된 값을 초과하면 결정 네트워크(Decision network)를 이용하여 질병을 진단할 수 있다.
상기 진단하는 단계는, 상기 정규화된 음성 특징 중에서 기 설정된 불확실성 측도 값 보다 큰 불확실성 측도 값을 갖는 정규화된 음성 데이터를 기준 패턴으로 선택할 수 있다.
상기 진단하는 단계는, 상기 추정된 유의확률을 이용하여 유의확률 값의 비율을 계산하고, 상기 계산된 유의확률 값의 비율을 기 설정된 비율 값과 비교하여 상기 진단 대상을 진단할 수 있다.
상기 진단하는 단계는, 상기 계산된 유의확률 값의 비율이 상기 기 설정된 제1 비율 값 미만이면, 상기 진단 대상을 정상 클래스로 결정할 수 있다.
상기 진단하는 단계는, 상기 계산된 유의확률 값의 비율이 상기 기 설정된 제2 비율 값을 초과하면, 상기 진단 대상을 질병 클래스로 결정할 수 있다.
상기 진단하는 단계는, 상기 계산된 유의확률 값의 비율이 상기 기 설정된 제1 비율 값 및 상기 기 설정된 제2 비율 값 사이이면, 상기 정규화된 음성 특징의 입력 패턴과 가장 근접한 기준 패턴의 레이블을 사용하여 상기 진단 대상을 진단할 수 있다.
한편, 본 발명의 다른 실시 예에 따르면, 진단 대상의 음성 데이터를 획득하는 데이터 획득 모듈; 하나 이상의 프로그램을 저장하는 메모리; 및 상기 저장된 하나 이상의 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는, 상기 획득된 진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 상기 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하고, 질병 및 정상 데이터에 대해 상기 정규화된 출력 분포의 베타 파라미터(Beta parameter)를 결정하여 불확실성 측도(Uncertainty Measure) 값을 계산하고, 상기 결정된 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 유의확률(p-value)을 추정하고, 상기 계산된 불확실성 측도 값에 따라 상기 추정된 유의확률을 이용하여 상기 진단 대상의 질병을 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치가 제공될 수 있다.
상기 프로세서는, 상기 정규화된 음성 특징을 특징 공간에서 분류 오류를 최소화하는 방식으로 가우시안 커널 함수를 이용하여 선형 결합할 수 있다.
상기 프로세서는, 상기 질병 클래스에 대한 제1 유의확률 값이 상기 정상 클래스에 대한 제2 유의확률 값을 초과하면 상기 진단 대상을 질병 클래스로 진단할 수 있다.
상기 프로세서는, 상기 정상 클래스에 대한 제2 유의확률 값이 상기 질병 클래스에 대한 제1 유의확률 값 이상이면 상기 진단 대상을 정상 클래스로 진단할 수 있다.
상기 프로세서는, 상기 계산된 불확실성 측도 값이 기 설정된 값을 초과하면 결정 네트워크(Decision network)를 이용하여 질병을 진단할 수 있다.
상기 프로세서는, 상기 정규화된 음성 특징 중에서 기 설정된 불확실성 측도 값 보다 큰 불확실성 측도 값을 갖는 정규화된 음성 데이터를 기준 패턴으로 선택할 수 있다.
상기 프로세서는, 상기 추정된 유의확률을 이용하여 유의확률 값의 비율을 계산하고, 상기 계산된 유의확률 값의 비율을 기 설정된 비율 값과 비교하여 상기 진단 대상을 진단할 수 있다.
상기 프로세서는, 상기 계산된 유의확률 값의 비율이 상기 기 설정된 제1 비율 값 미만이면, 상기 진단 대상을 정상 클래스로 결정할 수 있다.
상기 프로세서는, 상기 계산된 유의확률 값의 비율이 상기 기 설정된 제2 비율 값을 초과하면, 상기 진단 대상을 질병 클래스로 결정할 수 있다.
상기 프로세서는, 상기 계산된 유의확률 값의 비율이 상기 기 설정된 제1 비율 값 및 상기 기 설정된 제2 비율 값 사이이면, 상기 정규화된 음성 특징의 입력 패턴과 가장 근접한 기준 패턴의 레이블을 사용하여 상기 진단 대상을 진단할 수 있다.
한편, 본 발명의 다른 실시 예에 따르면, 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 방법을 실행하게 하는 명령어들을 저장하기 위한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은: 진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 상기 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하는 단계; 질병 및 정상 데이터에 대해 상기 정규화된 출력 분포의 베타 파라미터(Beta parameter)를 결정하는 단계; 상기 결정된 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 유의확률(p-value)을 추정하는 단계; 상기 결정된 베타 파라미터를 이용하여 불확실성 측도(Uncertainty Measure) 값을 계산하는 단계; 및 상기 계산된 불확실성 측도 값에 따라 상기 추정된 유의확률을 이용하여 상기 진단 대상의 질병을 진단하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능한 저장 매체가 제공될 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시 예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
파킨슨병의 증상은 여러 가지가 있지만 음성의 크기가 감소하거나 쉰 목소리 또는 삐걱거리는 소리가 나타나며 음성의 성능이 저하되는 증상이 나타난다. 따라서 언어 장애는 발병 초기의 지표로서 사용될 수 있으며, 음성 측정은 단순하고 많은 움직임을 필요로 하지 않기 때문에 효과적인 진단 방법으로서 주목 받고 있다.
이에 따라, 본 발명의 실시 예들은 클래스 확률 출력 망 기반 음성을 이용해 정확하고 신뢰성 있게 질병을 조기에 진단할 수 있다. 일례로, 본 발명의 실시 예들은 파킨슨병의 진단을 음성만으로 초기에 그 증상을 파악할 수 있다.
또한, 본 발명의 실시 예들은 신체 방문 비용을 줄이고 질병의 조기 진단 속도를 높이며 의료진의 업무량을 줄일 수 있다.
도 1은 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치의 구성을 나타낸 구성도이다.
도 2는 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치에 동작하는 클래스 확률 출력 망과 결정 네트워크의 동작을 나타낸 도면이다.
도 3은 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법에 대한 흐름도이다.
도 4는 본 발명의 일 실시 예에 따른 질병 진단 방법에서 유의확률 값을 이용한 진단 동작에 대한 흐름도이다.
도 5는 본 발명의 일 실시 예에 따른 질병 진단 방법에서 결정 네트워크를 이용한 진단 동작에 대한 흐름도이다.
도 6은 클래스 확률 출력 망(CPON)의 정규화된 출력의 히스토그램을 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 PD 및 NR 클래스의 CDF 및 해당 불확실성 측도를 나타낸 도면이다.
도 2는 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치에 동작하는 클래스 확률 출력 망과 결정 네트워크의 동작을 나타낸 도면이다.
도 3은 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법에 대한 흐름도이다.
도 4는 본 발명의 일 실시 예에 따른 질병 진단 방법에서 유의확률 값을 이용한 진단 동작에 대한 흐름도이다.
도 5는 본 발명의 일 실시 예에 따른 질병 진단 방법에서 결정 네트워크를 이용한 진단 동작에 대한 흐름도이다.
도 6은 클래스 확률 출력 망(CPON)의 정규화된 출력의 히스토그램을 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 PD 및 NR 클래스의 CDF 및 해당 불확실성 측도를 나타낸 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 기술적 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해될 수 있다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들이 용어들에 의해 한정되는 것은 아니다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 발명에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 본 발명에서 사용한 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나 이는 당 분야에 종사하는 기술자의 의도, 판례, 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 발명의 실시 예들을 첨부 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치의 구성을 나타낸 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치(100)는 데이터 획득 모듈(110), 메모리(120) 및 프로세서(130)를 포함한다. 그러나 도시된 구성요소 모두가 필수 구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 질병 진단 장치(100)가 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 질병 진단 장치(100)가 구현될 수 있다.
이하, 도 1의 질병 진단 장치(100)의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.
데이터 획득 모듈(110)은 진단 대상의 음성 데이터를 획득한다.
메모리(120)는 하나 이상의 프로그램을 저장한다.
프로세서(130)는 메모리(120)에 저장된 하나 이상의 프로그램을 실행한다. 프로세서(130)는, 데이터 획득 모듈(110)에서 획득된 진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하고, 질병 및 정상 데이터에 대해 정규화된 출력 분포의 제1 및 제2 베타 파라미터(Beta parameter)를 결정하고, 결정된 제1 및 제2 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 제1 및 제2 유의확률(p-value)을 추정하고, 결정된 제1 및 제2 베타 파라미터를 이용하여 불확실성 측도(Uncertainty Measure) 값을 계산하고, 계산된 불확실성 측도 값에 따라 상기 추정된 제1 및 제2 유의확률을 이용하여 진단 대상의 질병을 진단한다.
실시 예들에 따르면, 프로세서(130)는 정규화된 음성 특징을 특징 공간에서 분류 오류를 최소화하는 방식으로 가우시안 커널 함수를 이용하여 선형 결합할 수 있다.
실시 예들에 따르면, 프로세서(130)는 질병 클래스에 대한 제1 유의확률 값이 정상 클래스에 대한 제2 유의확률 값을 초과하면 진단 대상을 질병 클래스로 진단할 수 있다.
실시 예들에 따르면, 프로세서(130)는 정상 클래스에 대한 제2 유의확률 값이 질병 클래스에 대한 제1 유의확률 값 이상이면 진단 대상을 정상 클래스로 진단할 수 있다.
실시 예들에 따르면, 프로세서(130)는 계산된 불확실성 측도 값이 기 설정된 값을 초과하면 결정 네트워크(Decision network)를 이용하여 질병을 진단할 수 있다.
실시 예들에 따르면, 프로세서(130)는 정규화된 음성 특징 중에서 기 설정된 불확실성 측도 값 보다 큰 불확실성 측도 값을 갖는 정규화된 음성 데이터를 기준 패턴으로 선택할 수 있다.
실시 예들에 따르면, 프로세서(130)는 추정된 제1 및 제2 유의확률을 이용하여 유의확률 값의 비율을 계산하고, 계산된 유의확률 값의 비율을 기 설정된 비율 값과 비교하여 진단 대상을 진단할 수 있다.
실시 예들에 따르면, 프로세서(130)는 계산된 유의확률 값의 비율이 기 설정된 제1 비율 값 미만이면, 진단 대상을 정상 클래스로 결정할 수 있다.
실시 예들에 따르면, 프로세서(130)는 계산된 유의확률 값의 비율이 기 설정된 제2 비율 값을 초과하면, 진단 대상을 질병 클래스로 결정할 수 있다.
실시 예들에 따르면, 프로세서(130)는 계산된 유의확률 값의 비율이 기 설정된 제1 비율 값 및 기 설정된 제2 비율 값 사이이면, 정규화된 음성 특징의 입력 패턴과 가장 근접한 기준 패턴의 레이블을 사용하여 진단 대상을 진단할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치에 동작하는 클래스 확률 출력 망과 결정 네트워크의 동작을 나타낸 도면이다.
도 2에는 질병(예컨대, 파킨슨병)의 음성 데이터 분류를 위한 의사 결정 네트워크를 갖춘 클래스 확률 출력 망을 나타낸다. 즉, 본 발명의 일 실시 예에 따른 전체적인 알고리즘의 구조를 설명한다. 이하, 본 발명의 일 실시 예에 따른 질병의 일례로 파킨슨병을 설명하기로 하며, 특정 질병으로 한정되지 않는다.
본 발명의 일 실시 예는 조건부 클래스 확률이 베타 분포를 사용하여 추정되는 클래스 확률 출력 망(CPON, Class Probability Output Network)(210)을 사용하여 파킨슨병의 음성 데이터를 분류하고자 한다. 본 발명의 일 실시 예에 따른 클래스 확률 출력 망(CPON)에서 분류 결정의 불확실성을 설명하는 불확실성 측도 값도 계산된다.
주어진 음성 특징의 입력 패턴이 분류의 불확실성 영역에 속하는 경우, 두 번째 계층(second layer)으로서의 결정 네트워크(Decision Network)(220)가 활성화되고 결정은 조건부 클래스 확률 및 선택된 기준 패턴으로부터 이루어진다. 그렇지 않으면 클래스 확률 출력 망(CPON)(210)의 첫 번째 계층(first layer)에서 결정된다. 결과적으로 본 발명의 일 실시 예에 따른 질병 진단 장치(100)는 안정적이며 개선된 분류 성능을 제공한다. UCI(University of California, Irvine) 데이터 세트를 사용하여 파킨슨병의 음성 데이터를 분류하기 위한 실험을 통해 본 발명의 일 실시 예에 따른 질병 진단 방법의 효과를 입증하기로 한다.
이와 같이, 본 발명의 일 실시 예에 따른 질병 진단 장치(100)는 두 가지의 의사 결정 네트워크 계층으로 구성된 분류 모델을 통해 질병을 진단한다. 질병 진단 장치(100)는 첫 번째 계층에서 클래스 확률 출력 망(CPON)을 이용해 주어진 음성 특성에 대해 조건부 클래스 확률을 추정한다. 이 때, 질병 진단 장치(100)는 분류 결정 시 불확실성의 정도를 나타내는 불확실성 측도 값도 계산한다.
질병 진단 장치(100)는 주어진 음성 특징의 불확실성 측도 값이 큰 경우, 선택된 기준 패턴과 첫 번째 계층으로부터 계산된 유의확률 값을 사용하여 결정 네트워크의 두 번째 계층에서 결정한다. 질병 진단 장치(100)는 주어진 음성 특징의 불확실성 측도 값이 작은 경우에는 첫 번째 계층의 클래스 확률 출력 망(CPON)을 사용하여 결정한다. 여기서 사용한 클래스 확률 출력 망의 출력 값은 통계적 가설 검정에 의한 유의확률을 나타낸다. 결과적으로 질병 진단 장치(100)는 지속적으로 개선된 분류 성능을 제공한다. UCI 데이터 세트 중 파킨슨병의 음성 데이터를 이용하여 본 발명의 일 실시 예에 따른 질병 진단 방법의 효과를 검증하였다.
도 3은 본 발명의 일 실시 예에 따른 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법에 대한 흐름도이다.
본 발명의 일 실시 예에 따른 질병 진단 방법은 진단 대상의 음성 데이터를 정상 클래스 또는 파킨슨병 클래스로 분류할 수 있다. 파킨슨병의 음성 데이터를 분류하는 질병 진단 방법의 전체 알고리즘은 도 3에 도시되어 있다. 첫 번째 계층에서는 클래스 확률 출력 망(CPON)에서의 진단 동작이 수행된다.
단계 S101에서, 질병 진단 장치(100)는 주어진 진단 대상의 음성 데이터에 대해, 음성 특징을 추출하여 기 설정된 범위(예컨대, 0과 1 사이)로 정규화시킨다.
단계 S102에서, 질병 진단 장치(100)는 정규화된 음성 특징의 특징 공간에서, 분류 오류를 최소화하는 방식으로 선형 결합된 가우시안 커널 함수(Gaussian kernel function)를 이용하여 선형 결합된 음성 특징을 출력한다.
단계 S103에서, 질병 진단 장치(100)는 커널 함수의 선형 결합된 출력을 기 설정된 범위(예컨대, 0과 1 사이)로 정규화한다.
단계 S104에서, 질병 진단 장치(100)는 질병과 정상(NR, Normal)에 대한 정규화 된 출력 분포의 베타 파라미터(Beta parameter)를 결정한다. 일례로, 질병에는 파킨슨병(PD, Parkinson's Disease)이 포함된다.
단계 S105에서, 질병 진단 장치(100)는 질병 및 정상 클래스를 검사하기 위한 유의확률 값(p-value)을 추정한다. 이러한 유의확률 값이 결정되고 서로 비교된다.
단계 S106에서, 질병 진단 장치(100)는 질병 및 정상 데이터 분포에 대한 베타 파라미터를 사용하여 불확실성 측도 값을 계산한다.
단계 S107에서, 질병 진단 장치(100)는 불확실성 측도가 기 설정된 측도 값(예컨대, 0.05) 이하인지를 확인한다.
단계 S108에서, 질병 진단 장치(100)는 불확실성 측도가 기 설정된 측도 값(예컨대, 0.05) 이하이면, 유의확률 값을 이용하여 진단 대상을 진단한다.
단계 S109에서, 질병 진단 장치(100)는 불확실성 측도가 기 설정된 측도 값(예컨대, 0.05)을 초과하면 결정 네트워크(Decision Network)를 이용하여 진단 대상을 진단한다.
도 4는 본 발명의 일 실시 예에 따른 질병 진단 방법에서 유의확률 값을 이용한 진단 동작에 대한 흐름도이다.
단계 S201에서, 질병 진단 장치(100)는 질병 클래스에 대한 유의확률 값이 정상 클래스에 대한 유의 확률 값을 초과하는지를 확인한다.
단계 S202에서, 질병 진단 장치(100)는 질병 클래스에 대한 유의확률 값이 정상 클래스에 대한 유의 확률 값을 초과하면, 진단 대상을 질병 클래스로 진단한다.
반면, 단계 S203에서, 질병 진단 장치(100)는 질병 클래스에 대한 유의확률 값이 정상 클래스에 대한 유의 확률 값 이하이면, 진단 대상을 정상 클래스로 진단한다.
즉, 질병 진단 장치(100)는 질병 클래스(예컨대, 파킨슨병 클래스)에 대한 유의확률 값이 정상 클래스에 대한 유의확률 값보다 크면 진단 대상을 질병 클래스로 결정한다. 그렇지 않다면, 질병 진단 장치(100)는 진단 대상을 정상 클래스로 결정한다.
도 5는 본 발명의 일 실시 예에 따른 질병 진단 방법에서 결정 네트워크를 이용한 진단 동작에 대한 흐름도이다.
단계 S301에서, 질병 진단 장치(100)는 정규화된 음성 특징 중에서 기 설정된 불확실성 측도 값 보다 큰 불확실성 측도 값을 갖는 정규화된 음성 데이터를 기준 패턴으로 선택한다.
단계 S302에서, 질병 진단 장치(100)는 유의확률 값의 비율을 계산한다.
단계 S303에서, 질병 진단 장치(100)는 유의확률 값의 비율을 확인한다.
단계 S304에서, 질병 진단 장치(100)는 유의확률 값의 비율이 기 설정된 제1 비율(예컨대, 0.05) 미만이면 진단 대상을 정상 클래스로 결정한다.
단계 S305에서, 질병 진단 장치(100)는 유의확률 값의 비율이 기 설정된 제2 비율(예컨대, 0.95)을 초과하면 진단 대상을 질병 클래스로 결정한다.
단계 S306에서, 질병 진단 장치(100)는 유의확률 값의 비율이 기 설정된 제1 비율(예컨대, 0.05)과 제2 비율(예컨대, 0.95) 사이이면 음성 특징의 입력 패턴에 가장 근접한 기준 패턴의 레이블을 사용하여 진단 대상을 진단한다.
이와 같이, 질병 진단 장치(100)는 불확실성 측도(uncertainty measure)가 기 설정된 측도 값(예컨대, 0.05)보다 큰 경우, 두 번째 계층의 결정 네트워크를 사용하여 파킨슨병을 진단할 수 있다. 주어진 음성 데이터에 대한 결정 절차는 살펴보면 다음과 같다.
질병 진단 장치(100)는 정규화 된 음성 데이터 중에서 0.05보다 큰 불확실성 측도를 갖는 정규화 된 음성 데이터를 기준 패턴으로 선택한다.
질병 진단 장치(100)는 파킨슨병 및 정상 클래스에 대한 유의확률 값을 이용해 파킨슨 클래스에 대한 유의확률 값 비율을 계산한다.
질병 진단 장치(100)는 구한 유의확률 값 비율이 0.05에서 0.95 사이의 값인 경우, 가장 가까운 패턴의 레이블을 사용하여 진단 대상을 결정한다. 그렇지 않으면, 질병 진단 장치(100)는 유의확률 값 비율을 사용하여 진단 대상을 결정한다.
질병 진단 장치(100)에 의해 수행되는 이러한 질병 진단 방법의 의미는 파킨슨병과 정상 클래스에 대한 두 개의 유의확률 값 사이의 차이가 유의미할 때, 유의확률 값을 사용하여 불확실한 패턴에 대한 결정이 이루어짐을 의미한다. 유의미하지 않으면, 기준 패턴을 사용하여 분류를 결정하는 것이다.
한편, 본 발명의 일 실시 예에서 사용되는 클래스 확률 출력 망(CPON)을 구체적으로 설명하기로 한다.
많은 분류 문제에서, 분류기의 출력은 조건부 클래스 확률을 나타내는 것이 바람직하다. 조건부 클래스 확률의 경우, 분류기의 출력이 정해진 범위 내에 있고 분류기의 출력 분포가 유니모달(unimodal)이라는 가정 하에, 분류기 출력의 분포는 베타 분포에 의해 근사될 수 있다. 즉, 분포는 빈도가 가장 높은 하나의 모달(modal) 값을 갖는다. 이 가정은 분류기의 커널 파라미터를 적절히 선택하는 많은 분류 문제의 경우에 상당히 합리적이다. 여기서, 입력 패턴 에 대한 분류기의 출력으로서의 판별함수 는 [수학식 1]과 같이 주어진다.
학습 과정에서 커널을 사용하게 되면 데이터를 저차원에서 고차원 특징 공간에 사상할 수 있어 계산 능력을 높일 수 있다. 따라서 커널을 이용하면 선형을 비선형으로 확장할 수 있다. 선형 공간에서 분류되지 못하던 문제를 커널을 이용하면 비선형 결정 경계를 이용하여 분류가 가능하다.
본 발명의 일 실시 예에서 사용되는 클래스 확률 출력 망(CPON)에서 확률 모델은 이항 분포 이전의 켤레를 나타낸다. 즉, 이 경우, 이진 분류 문제의 조건부 클래스 확률이다. 이와 관련하여 정규화 된 분류기의 출력으로서 랜덤 변수 의 다음 베타 확률 밀도 함수(PDF)는 [수학식 3]과 같이 설명 된다.
베타 분포는 모수의 베이지안 추정(Bayesian estimation)에 사용된다. 즉 모수가 클래스에 속할 확률 값을 확인하기 위해서 베타 분포를 사용하였다. 베타 분포의 특징 중 하나는 [수학식 5] 및 [수학식 6]과 같이 평균 과 분산 에서 분포 파라미터를 쉽게 추측할 수 있다는 것이다.
이러한 모멘트 매칭(MM) 방법은 간단하지만 이러한 추정은 일반적으로 적은 수의 데이터에 대해 정확한 추정을 제공하지 않는다. 이러한 경우, 파라미터를 검색하기 위한 최대 우도 추정(Maximum Likelihood Estimation, MLE) 또는 심플렉스(simplex) 방법을 사용하여 베타 파라미터를 보다 정확하게 추정할 수 있다.
파킨슨병의 음성 데이터를 분류하기 위한 클래스 확률 출력 망(CPON)에서, 선형 스케일을 사용하여 [수학식 1]의 출력이 0과 1 사이에서 정규화되고 정규화된 분류기의 출력 분포는 베타 분포 파라미터에 의해 근사화된다. 파킨슨병의 음성 데이터를 분류하기 위한 클래스 확률 출력 망(CPON)을 구성하는 알고리즘은 다음의 과정 1 내지 4와 같다.
Kullback-Leibler (K-L) 발산은 두 확률 분포의 차이를 계산하는데 사용되는 함수이며. 두 분포의 정보 엔트로피 차이를 계산하여 나타내는 것으로 [수학식 7]과 같이 계산한다.
과정 3. 선형 스케일을 사용하여 [수학식 1]의 출력 값을 0과 1사이로 정규화한다.
과정 4. 파킨슨병(PD) 및 정상(NR) 데이터에 대한 분류기의 정규화된 출력의 분포는 베타 분포 파라미터에 의해 식별된다.
CPON 훈련 후, 각 클래스의 베타 분포에 따라 알려지지 않은 패턴의 분류가 결정될 수 있다. 먼저, 알려지지 않은 패턴에 대해 분류기의 정규화 된 출력 가 계산된다. 여기서 정규화 된 값이 1보다 큰 경우, 해당 값을 1로 설정한다. 반면에 값이 0보다 작은 경우, 해당 값을 0으로 설정한다. 그런 다음 조건부 클래스 확률은 클래스의 정규화 된 출력 에 대한 누적 분포 함수(CDF) 값에 의해 [수학식 8] 및 [수학식 9]와 같이 결정 된다.
그러면 PD 및 NR 클래스를 테스트하기 위한 유의확률 값은 [수학식 10] 및 [수학식 11]과 같이 결정 된다.
위의 방정식에서 음성 데이터 분류의 최종 결정이 내려진다. 즉, 질병 진단 장치(100)는 최대 유의확률 값을 갖는 클래스를 선택하여 최종 결정을 내릴 수 있다. 질병 진단 장치(100)는 파킨슨병(PD) 클래스를 테스트하기 위한 유의확률 값이 정상(NR) 클래스를 테스트하기 위한 유의확률 값보다 크거나 같은 경우 파킨슨병(PD) 클래스로 결정하며 그렇지 않으면 정상(NR) 클래스로 결정한다. 결과적으로 본 발명의 일 실시 예에 따른 질병 진단 장치(100)는 패턴 분류 문제에 대한 조건부 확률을 추정하는 효과적인 방법을 제공한다.
한편, 본 발명의 일 실시 예에서 사용되는 의사 결정 네트워크를 갖춘 클래스 확률 출력 망을 설명하기로 한다.
본 발명의 일 실시 예에 사용되는 클래스 확률 출력 망(CPON)을 이용한 질병 진단 방법에서, 분류 결정에 대한 불확실성의 정도는 조건부 클래스 확률에 대한 신뢰 구간을 추정함으로써 제공된다. 이러한 신뢰 구간은 K-S 통계량 (Kolmogorov-Smirnov Statistics)에 의해 결정될 수 있다.
[수학식 14] 및 [수학식 15]의 양면 신뢰 구간은 다음과 같이 단면 신뢰 구간으로 설명 될 수 있다.
위 조건에서 [수학식 21]과 같다.
즉, 확률이 인 경우, 양성 클래스의 실제 CDF는 음성 클래스의 실제 CDF보다 크거나 같다. 신뢰 수준 에 대한 설명에서 불확실성 측도 값 은 다음의 과정 1 내지 3과 같이 결정 된다.
과정 1. 양성 클래스와 음성 클래스에 대한 CPON의 출력에서 경험적 CDF를 결정했다. CPON이 주어진 패턴에 대해 충분이 훈련된 후, [수학식 23] 및 [수학식 24]와 같이 나타내진다.
만약, 그렇지 않다면, [수학식 26]과 같이 나타내진다.
이 불확실성 측도 값 는 양성 클래스와 음성 클래스의 CDF 값이 얼마나 잘 분리되어 있는지 나타낸다. 예를 들어, 값이 0.1일 경우, 1-0.05 (=0.95)의 확률로 하나의 CDF 값이 다른 CDF 값보다 크거나 같다는 것을 나타낸다. 이 경우 분류의 결정을 확실히 할 수 있다. 일반적으로, 의 값은 0과 0.5 사이 값이다. 이 범위에서 의 값이 0.5에 가까우면 분류 결정이 명확하지 않아 주어진 패턴이 불확실하다고 할 수 있다. 불확실성 측정의 예로, 클래스 확률 출력 망(CPON)은 UCI 데이터 세트를 사용하여 학습되며 정규화 된 출력 및 불확실성 측도의 출력 분포는 도 6 및 도 7과 같이 주어진다.
도 6은 클래스 확률 출력 망(CPON)의 정규화된 출력의 히스토그램을 나타낸 도면이다. 도 7은 본 발명의 일 실시 예에 따른 PD 및 NR 클래스의 CDF 및 해당 불확실성 측도를 나타낸 도면이다.
도 6 및 도 7은 불확실성 측도의 예를 두 클래스(파킨슨병과 정상)의 분포로 나타낸다.
이러한 일례는 두 CDF(cumulative distribution function) 값이 모두 작은 출력 분포의 중간 범위에서 불확실한 영역 (불확실성 측정값 )을 보여준다. 즉, 더 작은 유의확률 값이다.
결정 네트워크를 구성하기 위해, 불확실성 패턴은 [수학식 27]의 불확실성 측도 값 를 사용하여 선택되며 즉, 주어진 패턴은 (예컨대, )인 경우 불확실성 패턴으로 결정된다. 이는 주어진 패턴이 불확실한 영역에 속하지 않으면 올바른 결정의 확률이 0.95임을 의미한다.
결과적으로, 의사 결정 네트워크는 PD와 NR 클래스에 대한 두 개의 유의확률 값 사이의 차이가 클 때, 유의확률 값을 사용하여 분류를 결정하는 반면, 명확하지 않은 경우 기준 패턴을 사용하여 결정한다. 이 경우 PD 및 NR 클래스의 유의확률 값은 일반적으로 매우 작다.
한편, 본 발명의 일 실시 예를 위한 실험 데이터를 설명하기로 한다.
본 발명의 일 실시 예에 따른 질병 진단 방법의 평가를 위해 31명의 사람들에서 얻은 음성 특징 값이 사용되었다. 그 중 23명이 파킨슨병 환자였다. 파킨슨병 환자의 나이 및 진단 기간은 46세에서 85세 사이와 0년부터 28년 사이이며 평균 65.8세, 표준편차 9.8세이다. 1인당 1초에서 36초 사이의 6음절이 평균적으로 기록되었다. 총 데이터 수는 195개이며 NR 데이터는 48개, 나머지는 PD 데이터이다. 음성 신호는 22개의 음성 특징을 사용하여 44.1kHz에서 샘플링 되었다.
[표 1]은 파킨슨 음성 데이터 특징을 나타낸다.
다음으로, 파라미터 및 평가 지표를 설명하기로 한다. 본 발명의 일 실시 예에 따른 결정 네트워크를 갖는 클래스 확률 출령망(CPONwD, CPON with Decision Network)을 일반적인 서포트 벡터 머신(support vector machine, SVM) 및 CPON 모델과 비교하였다. 먼저 SVM은 Scikit-learn SVC 패키지에 의해 1/8, 1/4, 1/2, 1, 2, 4, 8의 감마 파라미터 값으로 학습되었다. 일 때, 최상의 분류 성능을 얻었다. CPON의 경우, K-L 발산(Kullback-Leibler divergence)이 최댓값을 가질 때 감마 파라미터 이 결정되었다. 결과적으로, 감마 파라미터는 SVM의 감마 파라미터와 동일한 로 선택되었다.
제안된 방법의 평가를 위해, 제한된 수의 음성 데이터 세트 (이 실험에서의 패턴의 수는 195개)를 3배 평가 방법으로 사용하였다. 즉, 전체 데이터를 3개의 분리 세트로 나누어 2 세트는 훈련 데이터로 사용되었고 나머지 1세트는 실험 데이터로 사용되었다. 이 평가는 3개 그룹의 교육 및 실험 데이터 세트에 대해 3번 반복되며 분류의 평균 성능은 정확도, 정밀도, 리콜 및 측정의 4가지 표준 성능 측정을 사용하여 평가된다.
정확도 측정값은 1에서 총 할당 수에 대한 잘못된 할당 비율을 뺀 값을 나타낸다. 즉, [수학식 29]와 같이 나타내진다.
한편, 본 발명의 일 실시 예에 대한 실험 결과를 살펴보기로 한다.
[표 2]는 양성 클래스가 PD인 경우 음성 데이터를 분류한 실험 결과를 나타낸다.
[표 3]은 양성 클래스가 NR인 경우 음성 데이터를 분류한 실험 결과를 나타낸다.
본 발명의 일 실시 예(CPONwD)와 일반적인 기술(SVM, CPON)의 실험 결과는 [표 2] 및 [표 3]에 요약되어 있다. 이 결과는 본 발명의 일 실시 예(CPONwD)가 분류 정확도의 최고 성능을 보였다. 클래스 확률 출력 망은 파킨슨 데이터에 대해 측정 성능을 향상시켰다. 본 발명의 일 실시 예(CPONwD)는 정상 데이터에 대해 측정의 우수한 성능을 나타내었다. 그리고 일반적인 기술인 SVM은 파킨슨 데이터에 대한 리콜 측정에서 좋은 성능을 보여주었다. 이러한 실험 결과는 CPON 기반 질병 진단 방법이 베타 파라미터를 사용하여 분류기의 출력 분포를 추정함으로써 성능을 향상시켰으며 추가 결정 네트워크는 기준 패턴과 유의확률 값을 사용하여 클래스 확률 출력 망의 결정을 개선하는데 도움이 되었다는 것을 보여준다. 또한, 본 발명의 일 실시 예에 따른 질병 진단 방법은 분류 결정시 불확실성 측도 값을 제공한다.본 발명의 일 실시 예는 베타 분포를 사용하여 추정되는 조건부 클래스 확률을 이용한 클래스 학률 출력 네트워크를 사용하여 파킨슨병의 음성 데이터를 분류한다. 본 발명의 일 실시 예에 따른 질병 진단 방법에서, 분류 결정의 불확실성을 설명하는 불확실성 측도 값도 계산된다. UCI 데이터 세트를 사용하여 파킨슨병의 음성 데이터를 분류하는 실험을 통해, 의사 결정 네트워크를 갖는 클래스 확률 출력 망을 이용한 질병 진단 방법이 종래의 CPON 및 SVM 분류기의 분류 성능을 향상시키는 것으로 입증되었다. 본 발명의 일 실시 예에 따른 질병 진단 방법이 기여한 내용은 다음과 같이 요약 된다.
주어진 음성 데이터에 대한 조건부 클래스 확률(유의확률)은 PD 또는 NR 클래스에서의 신뢰도를 나타내기 위해 계산된다. 불확실성 측정은 의사 결정의 불확실성 정도에 따라 계산된다. 불확실한 데이터의 분류를 보다 잘 결정하기 위해 의사 결정 네트워크가 도입되며, 본 발명의 일 실시 예에 따른 질병 진단 방법은 PD 및 NR 데이터 분포에 대해 별도로 추정되는 베타 분포 파라미터를 사용하여 결정이 이루어진다.
본 발명의 실시 예들에 따르면, 이러한 의사 결정 네트워크와 클래스 확률 출력 망(CPON)의 구조는 광범위한 분류 문제에 적용될 수 있다. 확률을 기반으로 하는 질병 진단 방법은 데이터의 수가 적은 경우에 대한 의료 데이터 및 다른 분류문제에도 매우 효과적인 방법론이 될 것으로 기대한다.
한편, 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 방법을 실행하게 하는 명령어들을 저장하기 위한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은: 진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 상기 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하는 단계; 질병 및 정상 데이터에 대해 상기 정규화된 출력 분포의 제1 및 제2 베타 파라미터(Beta parameter)를 결정하는 단계; 상기 결정된 제1 및 제2 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 제1 및 제2 유의확률(p-value)을 추정하는 단계; 상기 결정된 제1 및 제2 베타 파라미터를 이용하여 불확실성 측도(Uncertainty Measure) 값을 계산하는 단계; 상기 계산된 불확실성 측도 값에 따라 상기 추정된 제1 및 제2 유의확률을 이용하여 상기 진단 대상의 질병을 진단하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능한 저장 매체가 제공될 수 있다.
한편, 본 발명의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
또한, 본 발명의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
또한, 본 발명의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.
한편, 상술한 다양한 실시 예들에 따른 기기의 프로세싱 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 기기에서의 처리 동작을 특정 기기가 수행하도록 한다. 비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.
또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
100: 질병 진단 장치
110: 데이터 획득 모듈
120: 메모리
130: 프로세서
110: 데이터 획득 모듈
120: 메모리
130: 프로세서
Claims (21)
- 질병 진단 장치에 의해 수행되는 질병 진단 방법에 있어서,
진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 상기 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하는 단계;
질병 및 정상 데이터에 대해 상기 정규화된 출력 분포의 베타 파라미터(Beta parameter)를 결정하여 불확실성 측도(Uncertainty Measure) 값을 계산하는 단계;
상기 결정된 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 유의확률(p-value)을 추정하는 단계;
상기 계산된 불확실성 측도 값에 따라 상기 추정된 유의확률을 이용하여 상기 진단 대상의 질병을 진단하는 단계를 포함하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제1항에 있어서,
상기 정규화하는 단계는,
상기 정규화된 음성 특징을 특징 공간에서 분류 오류를 최소화하는 방식으로 가우시안 커널 함수를 이용하여 선형 결합하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제1항에 있어서,
상기 진단하는 단계는,
상기 질병 클래스에 대한 제1 유의확률 값이 상기 정상 클래스에 대한 제2 유의확률 값을 초과하면 상기 진단 대상을 질병 클래스로 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제1항에 있어서,
상기 진단하는 단계는,
상기 정상 클래스에 대한 제2 유의확률 값이 상기 질병 클래스에 대한 제1 유의확률 값 이상이면 상기 진단 대상을 정상 클래스로 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제1항에 있어서,
상기 진단하는 단계는,
상기 계산된 불확실성 측도 값이 기 설정된 값을 초과하면 결정 네트워크(Decision network)를 이용하여 질병을 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제5항에 있어서,
상기 진단하는 단계는,
상기 정규화된 음성 특징 중에서 기 설정된 불확실성 측도 값 보다 큰 불확실성 측도 값을 갖는 정규화된 음성 데이터를 기준 패턴으로 선택하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제5항에 있어서,
상기 진단하는 단계는,
상기 추정된 유의확률을 이용하여 유의확률 값의 비율을 계산하고, 상기 계산된 유의확률 값의 비율을 기 설정된 비율 값과 비교하여 상기 진단 대상을 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제7항에 있어서,
상기 진단하는 단계는,
상기 계산된 유의확률 값의 비율이 상기 기 설정된 제1 비율 값 미만이면, 상기 진단 대상을 정상 클래스로 결정하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제7항에 있어서,
상기 진단하는 단계는,
상기 계산된 유의확률 값의 비율이 상기 기 설정된 제2 비율 값을 초과하면, 상기 진단 대상을 질병 클래스로 결정하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 제7항에 있어서,
상기 진단하는 단계는,
상기 계산된 유의확률 값의 비율이 상기 기 설정된 제1 비율 값 및 상기 기 설정된 제2 비율 값 사이이면, 상기 정규화된 음성 특징의 입력 패턴과 가장 근접한 기준 패턴의 레이블을 사용하여 상기 진단 대상을 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법. - 진단 대상의 음성 데이터를 획득하는 데이터 획득 모듈;
하나 이상의 프로그램을 저장하는 메모리; 및
상기 저장된 하나 이상의 프로그램을 실행하는 프로세서를 포함하고,
상기 프로세서는,
상기 획득된 진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 상기 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하고,
질병 및 정상 데이터에 대해 상기 정규화된 출력 분포의 베타 파라미터(Beta parameter)를 결정하여 불확실성 측도(Uncertainty Measure) 값을 계산하고,
상기 결정된 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 유의확률(p-value)을 추정하고,
상기 계산된 불확실성 측도 값에 따라 상기 추정된 유의확률을 이용하여 상기 진단 대상의 질병을 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제11항에 있어서,
상기 프로세서는,
상기 정규화된 음성 특징을 특징 공간에서 분류 오류를 최소화하는 방식으로 가우시안 커널 함수를 이용하여 선형 결합하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제11항에 있어서,
상기 프로세서는,
상기 질병 클래스에 대한 제1 유의확률 값이 상기 정상 클래스에 대한 제2 유의확률 값을 초과하면 상기 진단 대상을 질병 클래스로 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제11항에 있어서,
상기 프로세서는,
상기 정상 클래스에 대한 제2 유의확률 값이 상기 질병 클래스에 대한 제1 유의확률 값 이상이면 상기 진단 대상을 정상 클래스로 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제11항에 있어서,
상기 프로세서는,
상기 계산된 불확실성 측도 값이 기 설정된 값을 초과하면 결정 네트워크(Decision network)를 이용하여 질병을 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제15항에 있어서,
상기 프로세서는,
상기 정규화된 음성 특징 중에서 기 설정된 불확실성 측도 값 보다 큰 불확실성 측도 값을 갖는 정규화된 음성 데이터를 기준 패턴으로 선택하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제15항에 있어서,
상기 프로세서는,
상기 추정된 유의확률을 이용하여 유의확률 값의 비율을 계산하고, 상기 계산된 유의확률 값의 비율을 기 설정된 비율 값과 비교하여 상기 진단 대상을 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제17항에 있어서,
상기 프로세서는,
상기 계산된 유의확률 값의 비율이 상기 기 설정된 제1 비율 값 미만이면, 상기 진단 대상을 정상 클래스로 결정하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제17항에 있어서,
상기 프로세서는,
상기 계산된 유의확률 값의 비율이 상기 기 설정된 제2 비율 값을 초과하면, 상기 진단 대상을 질병 클래스로 결정하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 제17항에 있어서,
상기 진단하는 단계는,
상기 계산된 유의확률 값의 비율이 상기 기 설정된 제1 비율 값 및 상기 기 설정된 제2 비율 값 사이이면, 상기 정규화된 음성 특징의 입력 패턴과 가장 근접한 기준 패턴의 레이블을 사용하여 상기 진단 대상을 진단하는, 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 장치. - 프로세서에 의해 실행될 때, 상기 프로세서로 하여금 방법을 실행하게 하는 명령어들을 저장하기 위한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은:
진단 대상의 음성 데이터로부터 추출된 음성 특징을 정규화하고, 상기 정규화된 음성 특징을 선형 결합하고 선형 결합된 출력을 정규화하는 단계;
질병 및 정상 데이터에 대해 상기 정규화된 출력 분포의 베타 파라미터(Beta parameter)를 결정하는 단계;
상기 결정된 베타 파라미터를 이용하여 질병 클래스 및 정상 클래스를 검사하기 위한 유의확률(p-value)을 추정하는 단계;
상기 결정된 베타 파라미터를 이용하여 불확실성 측도(Uncertainty Measure) 값을 계산하는 단계; 및
상기 계산된 불확실성 측도 값에 따라 상기 추정된 유의확률을 이용하여 상기 진단 대상의 질병을 진단하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능한 저장 매체.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200069120A KR102381072B1 (ko) | 2020-06-08 | 2020-06-08 | 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200069120A KR102381072B1 (ko) | 2020-06-08 | 2020-06-08 | 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20210152254A true KR20210152254A (ko) | 2021-12-15 |
KR102381072B1 KR102381072B1 (ko) | 2022-03-31 |
Family
ID=78865885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200069120A KR102381072B1 (ko) | 2020-06-08 | 2020-06-08 | 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102381072B1 (ko) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115985490A (zh) * | 2023-03-17 | 2023-04-18 | 四川大学华西医院 | 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 |
WO2024019500A1 (ko) * | 2022-07-22 | 2024-01-25 | 주식회사 메디컬에이아이 | 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10010288B2 (en) | 2012-10-16 | 2018-07-03 | Board Of Trustees Of Michigan State University | Screening for neurological disease using speech articulation characteristics |
US20200037942A1 (en) * | 2016-02-12 | 2020-02-06 | Newton Howard | Early detection of neurodegenerative disease |
-
2020
- 2020-06-08 KR KR1020200069120A patent/KR102381072B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10010288B2 (en) | 2012-10-16 | 2018-07-03 | Board Of Trustees Of Michigan State University | Screening for neurological disease using speech articulation characteristics |
US20200037942A1 (en) * | 2016-02-12 | 2020-02-06 | Newton Howard | Early detection of neurodegenerative disease |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024019500A1 (ko) * | 2022-07-22 | 2024-01-25 | 주식회사 메디컬에이아이 | 심전도 세그먼트를 이용한 건강 상태의 예측 방법, 프로그램 및 장치 |
CN115985490A (zh) * | 2023-03-17 | 2023-04-18 | 四川大学华西医院 | 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 |
CN115985490B (zh) * | 2023-03-17 | 2023-06-13 | 四川大学华西医院 | 一种帕金森疾病客观化、定量化早期诊断系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR102381072B1 (ko) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7208224B2 (ja) | 病状を検出するモデルを構築するための音声特徴の選択 | |
Gunduz | An efficient dimensionality reduction method using filter-based feature selection and variational autoencoders on Parkinson's disease classification | |
US7561971B2 (en) | Methods and devices relating to estimating classifier performance | |
Dixit | Predicting Fetal Health using Cardiotocograms: A Machine Learning Approach | |
CN108604465B (zh) | 基于患者生理反应的对急性呼吸道疾病综合征(ards)的预测 | |
Li et al. | Novel effective connectivity inference using ultra-group constrained orthogonal forward regression and elastic multilayer perceptron classifier for MCI identification | |
KR102381072B1 (ko) | 클래스 확률 출력 망 기반 음성자료를 이용한 파킨슨 질병 진단 방법 및 장치 | |
ul Haq et al. | A survey of deep learning techniques based Parkinson’s disease recognition methods employing clinical data | |
JP2020527063A (ja) | センサの動作ステータスを検出するための方法および状態機械システム | |
Shuvo et al. | A data mining based approach to predict autism spectrum disorder considering behavioral attributes | |
Rudd | Application of support vector machine modeling and graph theory metrics for disease classification | |
CN116230233A (zh) | 一种脑卒中患者的落床风险评估方法及系统 | |
Chintalapudi et al. | Voice Biomarkers for Parkinson's Disease Prediction Using Machine Learning Models with Improved Feature Reduction Techniques | |
Kumar et al. | Comparison of Machine learning models for Parkinson’s Disease prediction | |
Kundu et al. | An optimized machine learning approach for predicting Parkinson’s disease | |
Al-Sharu et al. | Detection of valvular heart diseases using fourier transform and simple cnn model | |
Sarankumar et al. | Severity prediction over Parkinson’s disease prediction by using the deep brooke inception net classifier | |
Bunterngchit et al. | A comparative study of machine learning models for Parkinson’s disease detection | |
Ayoub et al. | A Genetic Approach Wrapped Support Vector Machine for Feature Selection Applied to Parkinson's Disease Diagnosi | |
Miranda | HYTEA-HYBRID TREE EVOLUTIONARY ALGORITHM FOR HEARING LOSS DIAGNOSIS | |
Neema et al. | Analysis and Classification of Occurrence of Brain Stroke Types using Machine Learning Approaches | |
CN117893528B (zh) | 一种心脑血管疾病分类模型的构建方法及装置 | |
An | Using CatBoost and Other Supervised Machine Learning Algorithms to Predict Alzheimer's Disease | |
He et al. | A cost sensitive and class-imbalance classification method based on neural network for disease diagnosis | |
Kumar et al. | Early Prediction of Parkinson’s Disease using Multiple SVM Classifiers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |