KR20220111599A - 의료데이터 인공지능 분산학습 방법 - Google Patents

의료데이터 인공지능 분산학습 방법 Download PDF

Info

Publication number
KR20220111599A
KR20220111599A KR1020210015041A KR20210015041A KR20220111599A KR 20220111599 A KR20220111599 A KR 20220111599A KR 1020210015041 A KR1020210015041 A KR 1020210015041A KR 20210015041 A KR20210015041 A KR 20210015041A KR 20220111599 A KR20220111599 A KR 20220111599A
Authority
KR
South Korea
Prior art keywords
distributed
medical data
learning
data
medical
Prior art date
Application number
KR1020210015041A
Other languages
English (en)
Inventor
권준명
Original Assignee
주식회사 바디프랜드
주식회사 메디컬에이아이
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 주식회사 바디프랜드, 주식회사 메디컬에이아이 filed Critical 주식회사 바디프랜드
Priority to KR1020210015041A priority Critical patent/KR20220111599A/ko
Publication of KR20220111599A publication Critical patent/KR20220111599A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은, 제1 내지 제N 의료기관 분산서버(110)에 각각 다중 분산되어 저장되는 개인정보가 포함된 생체신호의 의료데이터로부터 학습데이터 세트를 추출하는 제1단계(S110), 학습데이터를 비식별화하는 제2단계(S120), 비식별화된 학습데이터 세트로 학습시켜 의료데이터로부터 생체신호로 인한 예측결과를 도출하는 딥러닝 모델(120)을 구축하는 제3단계(S130), 및 딥러닝 모델(120)에 의해 도출된 예측결과를 출력하는 제4단계(S140)를 포함하여, 분산된 의료데이터를 외부로 유출하지 않고 딥러닝 모델을 구축하여 민감한 개인정보를 보호하는, 의료데이터 인공지능 분산학습 방법을 개시한다.

Description

의료데이터 인공지능 분산학습 방법{METHOD FOR DISTRIBUTED LEARNING OF MEDICAL DATA BY USING ARTIFICIAL INTELLIGENCE}
본 발명은 분산된 의료데이터를 외부로 유출하지 않고 딥러닝 모델을 구축하여 민감한 개인정보를 보호할 수 있는, 의료데이터 인공지능 분산학습 방법에 관한 것이다.
주지하는 바와 같이, 인공지능, 특히 딥러닝 모델은 수백, 수천만 건 이상의 방대한 데이터를 학습시켜 생성되어야, 새로운 데이터가 입력되었을 때 해당 데이터를 보다 정확하게 분석해낼 수 있다.
한편, 도 1에 예시된 바와 같이, 딥러닝 모델에 의해 학습하고자 하는 방대한 양의 데이터는 분산되어 있을 가능성이 높으므로, 특정 클라우드 서버에 수집하여 저장하여 통합학습하도록 할 수 있다.
이와 같은 통합학습(unified learning)이 분산된 데이터를 학습시키는 가장 이상적인 학습방법이기는 하지만 데이터에 민감한 개인정보가 포함될 수 있어서 학습데이터의 수집시 개인정보도 반출되어 개인정보가 노출될 위험성 및 보안 이슈 등에 문제점이 발생한다.
특히, 의료데이터는 민감한 개인정보를 포함하고 있어 의료기관 외부로 반출이 용인되지 않으므로, 다수의 의료기관으로부터 수집된 의료데이터를 클라우드 서버에 모아 학습시키는 것이 어렵다.
이에, 의료기관별로 분산되어 저장된 의료데이터를 활용하여 딥러닝 모델을 구축할 필요성이 제기된다.
한국 등록특허공보 제10-1123361호 (네트워크를 통한 학습 분산 환경 관리 서버, 방법 및 그방법을 실행하는 프로그램이 기록된 기록매체) 한국 공개특허공보 제10-2021-0112082호 (분산 병렬 딥러닝 시스템, 서버 및 방법)
본 발명의 사상이 이루고자 하는 기술적 과제는, 분산된 의료데이터를 외부로 유출하지 않고 딥러닝 모델을 구축하여 민감한 개인정보를 보호할 수 있는, 의료데이터 인공지능 분산학습 방법을 제공하는 데 있다.
전술한 목적을 달성하고자, 본 발명의 실시예는, 제1 내지 제N 의료기관 분산서버에 각각 다중 분산되어 저장되는 개인정보가 포함된 생체신호의 의료데이터로부터 학습데이터 세트를 추출하는 제1단계; 상기 학습데이터를 비식별화하는 제2단계; 상기 비식별화된 학습데이터 세트로 학습시켜 상기 의료데이터로부터 상기 생체신호로 인한 예측결과를 도출하는 딥러닝 모델을 구축하는 제3단계; 및 상기 딥러닝 모델에 의해 도출된 예측결과를 출력하는 제4단계;를 포함하는, 의료데이터 인공지능 분산학습 방법을 제공한다.
여기서, 상기 제2단계는, 상기 의료데이터를 정규화하는 단계와, 상기 정규화된 의료데이터를 주파수변환하여 차원변환하는 단계로 이루어질 수 있다.
또한, 상기 의료데이터는 심전도데이터이고, 상기 심전도데이터의 STFT 또는 웨이블릿 변환을 통해 차원변환하거나, 상기 심전도데이터의 2차원변형을 수행하는 2차원 행렬을 적용하여 차원변환할 수 있다.
또한, 상기 딥러닝 모델은, 상기 제1 내지 제N 의료기관 분산서버에 분산된 상기 의료데이터를 순환하며 학습하는 순환모델일 수 있다.
또한, 상기 순환모델은 상기 제1 내지 제N 의료기관 분산서버에 분산된 상기 의료데이터를 순차적으로 순환하며 학습하거나, 임의로 순환하며 학습할 수 있다.
또한, 상기 딥러닝 모델은, 상기 제1 내지 제N 의료기관 분산서버에 분산된 상기 의료데이터를 사전에 구축된 예측모델을 통해 동시에 각각 학습하고, 가중치와 편향값과 그래디언트값을 각각 전송받아 평균값으로 상기 예측모델을 업데이트하는 연합모델일 수 있다.
또한, 상기 생체신호는 심전도신호이고, 상기 예측결과는 상기 심전도신호에 상응하는 심장질환일 수 있다.
본 발명에 의하면, 분산된 의료데이터를 외부로 유출하지 않고 딥러닝 모델을 구축하여 민감한 개인정보를 보호하도록 할 수 있으며, 분산된 의료데이터를 분석하여 편향되지 않은 분석을 수행하여 보다 정확한 예측결과를 도출하는 딥러닝 모델을 구축할 수 있고, 의료데이터가 극히 적은 희귀병에 대해서도 각 의료기관별로 분산된 방대한 양의 의료데이터를 활용하여 예측결과를 도출할 수 있는 딥러닝 모델을 구축할 수 있는 효과가 있다.
도 1은 종래기술에 의한 통합학습을 예시한 것이다.
도 2는 본 발명의 실시예에 의한 의료데이터 인공지능 분산학습 방법의 개략적인 구성도를 도시한 것이다.
도 3은 도 2의 의료데이터 인공지능 분산학습 방법의 순환학습을 예시한 것이다.
도 4는 도 2의 의료데이터 인공지능 분산학습 방법의 연합학습을 예시한 것이다.
도 5는 도 2의 의료데이터 인공지능 분산학습 방법의 심전도데이터의 웨이블릿 차원변환을 예시한 것이다.
도 6 내지 도 9는 도 2의 의료데이터 인공지능 분산학습 방법의 딥러닝 모델의 AUC 성능지표를 각각 비교 도시한 것이다.
이하, 첨부된 도면을 참조로 전술한 특징을 갖는 본 발명의 실시예를 더욱 상세히 설명하고자 한다.
본 발명의 실시예에 의한 의료데이터 인공지능 분산학습 방법은, 제1 내지 제N 의료기관 분산서버(110)에 각각 다중 분산되어 저장되는 개인정보가 포함된 생체신호의 의료데이터로부터 학습데이터 세트를 추출하는 제1단계(S110), 학습데이터를 비식별화하는 제2단계(S120), 비식별화된 학습데이터 세트로 학습시켜 의료데이터로부터 생체신호로 인한 예측결과를 도출하는 딥러닝 모델(120)을 구축하는 제3단계(S130), 및 딥러닝 모델(120)에 의해 도출된 예측결과를 출력하는 제4단계(S140)를 포함하여, 분산된 의료데이터를 외부로 유출하지 않고 딥러닝 모델을 구축하여 민감한 개인정보를 보호하는 것을 요지로 한다.
이하, 도 2 내지 도 5를 참조하여, 전술한 구성의 의료데이터 인공지능 분산학습 방법을 구체적으로 상술하면 다음과 같다.
우선, 제1단계(S110)는 학습데이터 세트를 추출하는 단계로서, 제1 내지 제N 의료기관 분산서버(110)에 각각 다중 분산되어 저장되는 민감한 개인정보가 포함된 생체신호의 의료데이터로부터 학습데이터 세트를 추출한다.
예컨대, 제1 내지 제N 의료기관 분산서버(110)에는 각 의료기관별로 데이터베이스화된 의료데이터가 분산되어 저장되며, 의료데이터를 제1 내지 제N 의료기관 분산서버(110)로부터 외부로 유출하지 않고, 분산학습 방법에 의해 후술하는 딥러닝 모델(120)을 학습시키도록 하여 프라이버시 및 보안성을 유지하도록 할 수 있다.
여기서, 생체신호로는, 심전도측정부에 의해 측정된 심전도(ECG ; electrocardiogram), 지문, 얼굴, 홍채 등의 개인신원을 확인하기 위해 주체만이 고유하게 보유하고 있는 생체 특성을 예로 들 수 있다.
다음, 제2단계(S120)는 학습데이터를 비식별화하는 단계로서, 제1 내지 제N 의료기관 분산서버(110)에 저장되어 딥러닝 모델(120)을 학습시키기 위한 학습데이터를 안전하게 비식별화하여 민감한 개인정보가 포함되어 개인식별이 가능한 생체신호를 보호하도록 한다.
구체적으로, 제2단계(S120)는, 의료데이터를 정규화하는 단계(S121)와, 정규화된 의료데이터를 주파수변환하여 차원변환하는 단계(S122)로 이루어질 수 있다.
즉, 의료데이터의 값이 너무 크거나 너무 작지 않고 적당한 범위, 예컨대 -1에서 1 사이의 값 범위 안으로 들어오게 정규화하여 의료데이터의 크기를 변형시켜 개인식별이 쉽지 않도록 하고, 정규화된 의료데이터의 차원변환을 통해 개인식별 가능성을 완전히 제거하도록 한다.
예컨대, 의료데이터의 정규화로는, 전체 의료데이터의 평균을 기준으로 평균보다 작으면 음수로, 평균보다 크면 양수로 나타내고 크기는 표준편차를 활용하여 계산하는 Z-score 정규화, 전체 의료데이터 중에서 최소값을 0으로 최대값을 1로 두고 나머지 값들을 비율을 맞춰 0과 1사이의 값으로 크기를 조정하는 Min-Max 정규화 등의 방법을 사용할 수 있다.
또한, 의료데이터는 심전도데이터일 수 있고, 심전도데이터의 STFT(Short-Time Fourier Transform) 또는 심전도의 QRS파 신호분석 등에 이용되는 웨이블릿(wavelet) 변환을 통해 차원변환하거나, 심전도데이터의 2차원변형을 수행하는 2차원 행렬을 적용하여 차원변환을 수행할 수 있다.
여기서, 도 5를 참고하면, 도 5의 (a)에서와 같이 심전도는 여러가지 파동이 합쳐져 생성된 결과로서, 여러가지 파동으로 분해해 분석할 수 있으며, 도 5의 (b)에서와 같이 특정 형태를 가진 파동인 웨이블릿을 활용하여 심전도를 분석할 수 있고, 도 5의 (c)에서와 같이 심전도로부터 웨이블릿으로 변형된 분석 결과값은 2D 이미지로 나타낼 수 있어서, 심전도데이터를 안전하게 비식별화하여 민감한 개인정보가 포함되어 개인식별이 불가능하도록 할 수 있다.
다음, 제3단계(S130)는 딥러닝 모델(120)을 구축하는 단계로서, 앞서 비식별화된 학습데이터 세트로 학습시켜서 의료데이터로부터 생체신호로 인한 예측결과, 예컨대 심전도신호와 같은 생체신호의 분석으로부터 예측될 수 있는 심장질환 여부와 심장질환 종류를 도출하도록 하는 딥러닝 모델(120)을 구축한다.
예컨대, 딥러닝 모델(DLM ; Deep Learning Model)(120)은, 도 3에 예시된 바와 같이, 제1 내지 제N 의료기관 분산서버(110)에 분산된 의료데이터로부터 추출된 학습데이터 세트를 순환하며 학습하는 순환모델일 수 있으며, 도 3의 (a)와 같이 순환모델은 제1 내지 제N 의료기관 분산서버(110)에 분산된 의료데이터를 순차적으로 순환하며 학습하거나, 도 3의 (b)와 같이 임의로 순환하며 학습할 수 있다.
여기서, 순환학습(cyclic learning)은 한번의 에폭(epoch)마다 다른 의료기관 분산서버(110)의 학습데이터 세트로 옮겨가며 학습하거나, 하나의 의료기관 분산서버(110)의 학습데이터 세트에 얼리스톱(early stopping)을 통해 최종 딥러닝 모델을 생성한 후 다른 의료기관 분산서버(110)의 학습데이터 세트로 옮겨가며 학습하도록 하여서, 개인정보의 외부유출없이 예측모델을 구축할 수 있다.
또는, 딥러닝 모델(120)은, 클라우드 상에 사전에 구축된 예측모델을 제1 내지 제N 의료기관 분산서버(110)로 병렬적으로 전송하여 제1 내지 제N 의료기관 분산서버(110)에 분산된 의료데이터를 동시에 각각 학습하도록 하고, 가중치(w)와 편향값(a,b)과 그래디언트값의 모델 파라미터를 각각 전송받아 평균값의 통합 파라미터로 앞서 구축된 예측모델을 업데이트하는 연합모델일 수 있다.
참고로, 도 4의 (b)에 도시된 바와 같이, 입력층을 통해 1X5000 형태의 심전도를 입력받아, 하나 이상의 은닉층(hidden layer)을 통과하여 0과 1사이의 확률값을 출력하여 예로 해당 심전도가 심근경색일 확률을 출력하도록 할 수 있는데, 제1은닉층에서 입력받은 데이터 각각에 가중치(w)를 곱해 a1, a2, a3,...aN을 얻어내고, 제2은닉층에서는 a1, a2, a3,...aN에 다른 가중치(w)를 곱해 b1, b2, b3,...bN을 얻어내고, 예측모델에 의해 예측한 값과 실제 값 사이의 오차를 최소화하는 모델 파라미터의 조합을 찾는 방식으로 학습되어서, 의료데이터를 반출할 필요없이 모델 파라미터만을 전송받아 프라이버시를 보호할 수 있다.
다음, 제4단계(S140)에서는, 딥러닝 모델(120)에 의해 도출된 심장질환 등의 예측결과와 예측의 근거가 되는 심장질환 판단이유 등을 출력하여 제공하도록 한다.
도 6 내지 도 9는 도 2의 의료데이터 인공지능 분산학습 방법의 딥러닝 모델의 AUC 성능지표를 각각 비교 도시한 것으로, 이를 참조하면, 통합학습(도 6)에 비해, 본 실시예에 의한 의료데이터 인공지능 분산학습 방법의 순차적 순환학습(도 7)과 임의 순환학습(도 8)과 연합학습(도 9)의 AUC(area under the ROC curve)성능이 양호함을 알 수 있다.
한편, 본 발명의 다른 실시예는, 앞서 언급한 의료데이터 인공지능 분산학습 방법을 컴퓨터에서 실행하기 위한 프로그램이 기록된 컴퓨터 판독가능한 기록매체를 제공한다.
따라서, 전술한 바와 같은 의료데이터 인공지능 분산학습 방법에 의해서, 분산된 의료데이터를 외부로 유출하지 않고 딥러닝 모델을 구축하여 민감한 개인정보를 보호하도록 할 수 있으며, 분산된 의료데이터를 분석하여 편향되지 않은 분석을 수행하여 보다 정확한 예측결과를 도출하는 딥러닝 모델을 구축할 수 있고, 의료데이터가 극히 적은 희귀병에 대해서도 각 의료기관별로 분산된 방대한 양의 의료데이터를 활용하여 예측결과를 도출할 수 있는 딥러닝 모델을 구축할 수 있다.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원 시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
S110 : 학습데이터 세트 추출 단게
S120 : 학습데이터 비식별화 단계
S121 : 정규화 단계
S122 : 차원변환 단계
S130 : 딥러닝 모델 구축 단계
S140 : 예측결과 출력 단계
110 : 의료기관 분산서버
120 : 딥러닝 모델

Claims (7)

  1. 제1 내지 제N 의료기관 분산서버에 각각 다중 분산되어 저장되는 개인정보가 포함된 생체신호의 의료데이터로부터 학습데이터 세트를 추출하는 제1단계;
    상기 학습데이터를 비식별화하는 제2단계;
    상기 비식별화된 학습데이터 세트로 학습시켜 상기 의료데이터로부터 상기 생체신호로 인한 예측결과를 도출하는 딥러닝 모델을 구축하는 제3단계; 및
    상기 딥러닝 모델에 의해 도출된 예측결과를 출력하는 제4단계;를 포함하는,
    의료데이터 인공지능 분산학습 방법.
  2. 제1항에 있어서,
    상기 제2단계는,
    상기 의료데이터를 정규화하는 단계와, 상기 정규화된 의료데이터를 주파수변환하여 차원변환하는 단계로 이루어지는 것을 특징으로 하는,
    의료데이터 인공지능 분산학습 방법.
  3. 제2항에 있어서,
    상기 의료데이터는 심전도데이터이고,
    상기 심전도데이터의 STFT 또는 웨이블릿 변환을 통해 차원변환하거나, 상기 심전도데이터의 2차원변형을 수행하는 2차원 행렬을 적용하여 차원변환하는 것을 특징으로 하는,
    의료데이터 인공지능 분산학습 방법.
  4. 제1항에 있어서,
    상기 딥러닝 모델은,
    상기 제1 내지 제N 의료기관 분산서버에 분산된 상기 의료데이터를 순환하며 학습하는 순환모델인 것을 특징으로 하는
    의료데이터 인공지능 분산학습 방법.
  5. 제4항에 있어서,
    상기 순환모델은 상기 제1 내지 제N 의료기관 분산서버에 분산된 상기 의료데이터를 순차적으로 순환하며 학습하거나, 임의로 순환하며 학습하는 것을 특징으로 하는,
    의료데이터 인공지능 분산학습 방법.
  6. 제1항에 있어서,
    상기 딥러닝 모델은,
    상기 제1 내지 제N 의료기관 분산서버에 분산된 상기 의료데이터를 사전에 구축된 예측모델을 통해 동시에 각각 학습하고, 가중치와 편향값과 그래디언트값을 각각 전송받아 평균값으로 상기 예측모델을 업데이트하는 연합모델인 것을 특징으로 하는,
    의료데이터 인공지능 분산학습 방법.
  7. 제1항에 있어서,
    상기 생체신호는 심전도신호이고, 상기 예측결과는 상기 심전도신호에 상응하는 심장질환인 것을 특징으로 하는,
    의료데이터 인공지능 분산학습 방법.
KR1020210015041A 2021-02-02 2021-02-02 의료데이터 인공지능 분산학습 방법 KR20220111599A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210015041A KR20220111599A (ko) 2021-02-02 2021-02-02 의료데이터 인공지능 분산학습 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210015041A KR20220111599A (ko) 2021-02-02 2021-02-02 의료데이터 인공지능 분산학습 방법

Publications (1)

Publication Number Publication Date
KR20220111599A true KR20220111599A (ko) 2022-08-09

Family

ID=82844387

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210015041A KR20220111599A (ko) 2021-02-02 2021-02-02 의료데이터 인공지능 분산학습 방법

Country Status (1)

Country Link
KR (1) KR20220111599A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102643869B1 (ko) * 2023-07-31 2024-03-07 주식회사 몰팩바이오 연합학습모델을 이용한 병리진단시스템 및 그 프로세싱 방법
WO2024090794A1 (ko) * 2022-10-27 2024-05-02 국립암센터 의료기관 간의 연합 학습 시스템 및 방법, 이를 포함하는 질환 예후 예측시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101123361B1 (ko) 2008-06-27 2012-03-23 (주)디유넷 네트워크를 통한 학습 분산 환경 관리 서버, 방법 및 그방법을 실행하는 프로그램이 기록된 기록매체
KR20210112082A (ko) 2020-03-04 2021-09-14 중앙대학교 산학협력단 분산 병렬 딥러닝 시스템, 서버 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101123361B1 (ko) 2008-06-27 2012-03-23 (주)디유넷 네트워크를 통한 학습 분산 환경 관리 서버, 방법 및 그방법을 실행하는 프로그램이 기록된 기록매체
KR20210112082A (ko) 2020-03-04 2021-09-14 중앙대학교 산학협력단 분산 병렬 딥러닝 시스템, 서버 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090794A1 (ko) * 2022-10-27 2024-05-02 국립암센터 의료기관 간의 연합 학습 시스템 및 방법, 이를 포함하는 질환 예후 예측시스템
KR102643869B1 (ko) * 2023-07-31 2024-03-07 주식회사 몰팩바이오 연합학습모델을 이용한 병리진단시스템 및 그 프로세싱 방법

Similar Documents

Publication Publication Date Title
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
Li et al. Deep convolutional neural network based ECG classification system using information fusion and one‐hot encoding techniques
Chen et al. EEG-based biometric identification with convolutional neural network
Abayomi-Alli et al. BiLSTM with data augmentation using interpolation methods to improve early detection of parkinson disease
Phanphaisarn et al. Heart detection and diagnosis based on ECG and EPCG relationships
KR20220111599A (ko) 의료데이터 인공지능 분산학습 방법
Zeng et al. Detection of heart valve disorders from PCG signals using TQWT, FA-MVEMD, Shannon energy envelope and deterministic learning
Hamil et al. Design of a secured telehealth system based on multiple biosignals diagnosis and classification for IoT application
Prakash et al. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal
Yao et al. Interpretation of electrocardiogram heartbeat by CNN and GRU
Müller Deep opacity undermines data protection and explainable artificial intelligence
Anusha et al. Parkinson’s disease identification in homo sapiens based on hybrid ResNet-SVM and resnet-fuzzy svm models
Ghorbanian et al. An improved procedure for detection of heart arrhythmias with novel pre‐processing techniques
Liang et al. Identification of heart sounds with arrhythmia based on recurrence quantification analysis and Kolmogorov entropy
Tian Identification and modeling of college students’ psychological stress indicators for deep learning
Shchetinin et al. Cardiac arrhythmia disorders detection with deep learning models
Xie et al. Wavelet kernel principal component analysis in noisy multiscale data classification
CN115969392A (zh) 基于张量化频空注意力域适应网络的跨时段脑纹识别方法
Tseng et al. Ecg identification system using neural network with global and local features.
Vandendriessche et al. A framework for patient state tracking by classifying multiscalar physiologic waveform features
CN113951886A (zh) 一种脑磁纹生成系统及测谎决策系统
Yadav et al. Deep learning based cardiovascular disease diagnosis system from heartbeat sound
KR20220149796A (ko) 딥러닝기반의 심전도 판독 시스템
Singh et al. Machine learning on web: skin lesion classification using CNN
Sharma et al. Deep Learning Perspectives for Prediction of Diabetic Foot Ulcers

Legal Events

Date Code Title Description
A201 Request for examination