KR20220148717A - 뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 분류하는 방법 및 서버 - Google Patents

Abstract

본 발명은 뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 분류하는 방법으로서, 상기 복수의 사용자에 대한 뇌파 데이터를 수집하여 정량화하는 단계; 상기 정량화된 뇌파 데이터에 기초하여, 상기 복수의 사용자들 중 일부를 특이도 중점 제1 분류 모델을 이용하여 중증인지장애 그룹으로 분류하고, 나머지 사용자들을 비중증인지장애 그룹으로 분류하는 제1 분류 단계; 상기 비중증인지장애 그룹으로 분류된 사용자들을, 민감도 중점 분류 모델 및 특이도 중점 분류 모델을 조합한 제2 분류 모델을 이용하여 정상 그룹 또는 기억장애형 경도인지장애 그룹으로 분류하는 제2 분류 단계; 및 상기 정상 그룹으로 분류된 사용자들을 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹으로 분류된 사용자들을 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류 단계; 를 포함하는 인지장애 환자를 분류하는 방법이 제공된다.

Description

뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 분류하는 방법 및 서버{Method and server for classifying a plurality of ADD patient based on EEG data}

아래의 실시예들은 뇌파 데이터에 기초하여 환자군에 포함된 복수의 사용자들을 분류하는 방법 및 서버에 관한 것이다.

뇌파 또는 뇌파 검사(electoencephalography, 이하 EEG)란 전기적인 신뇌(neocortical) 두뇌 활동을 역동적으로 실시간 기록하는 것으로서 전기 현상이 발견되고 '활동 전류(action current)'의 개념이 형성된 1600년대에 시작되었다. 뇌파는 뇌의 뉴런(neuron)에서 이온 전류로 인한 전압 변동을 측정한 것이다. 뇌의 파형(brain waves)은 뇌세포들의 생화학적 상호작용에 의해 발생하는 이온 흐름으로 인해 생성되는 뇌의 전기적 활동이다.

한편, 뇌파 검사는 치매를 판단하는 신경생물학적 지표로서 활발히 연구되고 있다. 치매(dementia)란, 뇌 질환으로 초래된 일련의 증세를 의미한다. 치매는 인식 능력의 저하로 일상적인 활동 능력 결여 상태가 되는 것으로, 치매가 진행되면, 사고력, 행동 및 일상 생활 수행에 영향을 미치게 된다. 의사들은 두 개 이상의 인식 기능(예: 기억력, 언어 기능, 정보 이해, 공간 기능, 판단력 및 주의력을 포함)이 현저하게 손상될 경우 치매로 진단한다. 치매 환자는 문제를 해결하고 감정을 통제하는데 어려움이 있을 수 있으며, 인격 변화를 겪을 수도 있다. 치매 환자가 겪는 정확한 증세는 치매를 일으킨 질환에 의해 손상된 뇌가 어떤 부위인가에 달려 있다. 치매의 여러 유형에서는 뇌의 신경 세포 일부가 기능을 멈추고 다른 세포들과의 연결이 사라져 죽게 된다. 치매는 대개 꾸준히 진행된다. 즉, 치매는 점차적으로 뇌로 퍼지며 환자의 증치매란, 뇌 질환으로 초래된 일련의 증세를 의미한다.

치매는 인식 능력의 저하로 일상적인 활동 능력 결여 상태가 되는 것으로, 치매가 진행되면, 사고력, 행동 및 일상 생활 수행에 영향을 미치게 된다. 의사들은 두 개 이상의 인식 기능(예: 기억력, 언어 기능, 정보 이해, 공간 기능, 판단력 및 주의력을 포함)이 현저하게 손상될 경우 치매로 진단한다.

치매 환자는 문제를 해결하고 감정을 통제하는데 어려움이 있을 수 있으며, 인격 변화를 겪을 수도 있다. 치매 환자가 겪는 정확한 증세는 치매를 일으킨 질환에 의해 손상된 뇌가 어떤 부위인가에 달려 있다. 치매의 여러 유형에서는 뇌의 신경 세포 일부가 기능을 멈추고 다른 세포들과의 연결이 사라져 죽게 된다. 치매는 대개 꾸준히 진행된다. 즉, 치매는 점차적으로 뇌로 퍼지며 환자의 증세는 시간이 지나면서 악화된다.

본 발명이 해결하고자 하는 과제는 뇌파 데이터에 기초하여 환자군에 포함된 복수의 사용자들을 분류하는 방법을 제공하는데 있다.

본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 과제 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명이 해결하고자 하는 과제 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

전술한 본 개시의 과제 해결 수단에 의하면, 뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 분류하는 방법으로서, 상기 복수의 사용자에 대한 뇌파 데이터를 수집하여 정량화하는 단계; 상기 정량화된 뇌파 데이터에 기초하여, 상기 복수의 사용자들 중 일부를 특이도 중점 제1 분류 모델을 이용하여 중증인지장애 그룹으로 분류하고, 나머지 사용자들을 비중증인지장애 그룹으로 분류하는 제1 분류 단계; 상기 비중증인지장애 그룹으로 분류된 사용자들을, 민감도 중점 분류 모델 및 특이도 중점 분류 모델을 조합한 제2 분류 모델을 이용하여 정상 그룹 또는 기억장애형 경도인지장애 그룹으로 분류하는 제2 분류 단계; 및 상기 정상 그룹으로 분류된 사용자들을 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹으로 분류된 사용자들을 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류 단계; 를 포함하는 인지장애 환자를 분류하는 방법이 제공된다.

본 발명에 있어서, 상기 특이도 중점 제1 분류 모델은, 실제 중증인지장애가 있는 사람이 상기 중증인지장애 그룹으로 분류될 확률이 기설정된 기준보다 높을 수 있다.

본 발명에 있어서, 상기 민감도 중점 분류 모델은, 환자가 실제 질병이 있는 경우 검사 결과가 양성이 될 확률이 기설정된 기준보다 높은 모델이고, 상기 특이도 중점 분류 모델은, 환자가 실제 질병이 없는 경우 검사 결과가 음성이 될 확률이 기설정된 기준보다 높은 모델로서, 상기 제2 분류 모델은, 상기 비중증인지장애 그룹으로 분류된 사람들을, 상기 민감도 중점 분류모델을 이용하여 기억장애형 경도인지장애 그룹 또는 정상 그룹으로 분류하고, 또한, 상기 정상 그룹으로 분류된 사람들을, 상기 특이도 중점 분류모델을 이용하여 상기 기억장애형 경도인지장애 그룹 또는 상기 정상 그룹으로 분류할 수 있다.

본 발명에 있어서, 상기 제2 분류 모델에서, 상기 민감도 중점 분류 모델에 대응하는 임계 확률이 상기 특이도 중점 분류 모델에 대응하는 임계 확률보다 크도록 설정될 수 있다.

본 발명에 있어서, 상기 민감도 중점 분류 모델은 상기 기억장애형 경도인지장애와 관련된 질환을 가진 사용자들의 뇌파 데이터를 제1 학습 데이터로 하여 학습된 모델이고, 상기 특이도 중점 분류 모델은 상기 기억장애형 경도인지장애과 관련된 질환을 가지지 않은 사용자들의 뇌파 데이터를 제2 학습 데이터로 하여 학습된 모델일 수 있다.

본 발명에 있어서, 상기 제1 학습 데이터와 상기 제2 학습 데이터의 수가 기 설정된 값 이상의 차이를 가지는 경우, 상기 제1 학습 데이터의 수와 상기 제2 학습 데이터 수 비율이 기설정된 비율 이하가 되도록 보정할 수 있다.

본 발명에 있어서, 상기 제3 분류 단계는, 제3-1 분류 모델을 이용하여 상기 정상 그룹으로 분류된 사용자들을 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 제3-2 분류 모델을 이용하여 상기 기억장애형 경도인지장애 그룹으로 분류된 사용자들을 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류할 수 있다.

본 발명에 있어서, 상기 제3-1 분류 모델은 사용자가 실제 질병이 있는 경우 검사 결과가 양성이 될 확률이 기설정된 기준보다 높은 민감도 중점 분류 모델이고, 상기 제3-2 모델은 사용자가 실제 질병이 없는 경우 검사 결과가 음성이 될 확률이 기설정된 기준보다 높은 특이도 중점 모델일 수 있다.

본 발명에 있어서, 상기 제1 분류단계에 따른 분류 결과, 상기 제2 분류단계에 따른 분류 결과 및 상기 제3 분류단계에 따른 분류 결과를 이용하여, 상기 정상 범위 내 그룹, 상기 인지장애 잠복기 그룹, 상기 알츠하이머가 아닌 경도인지장애 그룹, 상기 치매전 경도인지장애 그룹 및 상기 중증인지장애 그룹 각각에 포함된 사용자에 대한 중증인지장애 정도를 스코어링하는 단계를 더 포함할 수 있다.

본 발명에 있어서, 상기 스코어링하는 단계는, 상기 중증인지장애 정도에 따라 상기 정상 범위 내 그룹에 포함된 사용자에 대하여 0 내지 50 범위 내의 점수를 부여하는 단계; 상기 중증인지장애 정도에 따라 상기 인지장애 잠복기 그룹에 포함된 사용자에 대하여 50 내지 60 범위 내의 점수를 부여하는 단계; 상기 중증인지장애 정도에 따라 상기 알츠하이머가 아닌 경도인지장애 그룹에 포함된 사용자에 대하여 60 내지 70 범위 내의 점수를 부여하는 단계; 상기 중증인지장애 정도에 따라 상기 치매전 경도인지장애 그룹에 포함된 사용자에 대하여 따라 70 내지 85 범위 내의 점수를 부여하는 단계; 및 상기 중증인지장애 정도에 따라 상기 중증인지장애 그룹에 포함된 사용자에 대하여 85 내지 100 범위 내의 점수를 부여하는 단계를 포함할 수 있다.

본 발명의 다른 실시예에 있어서, 프로세서; 통신부; 메모리; 를 포함하고, 복수의 사용자에 대한 뇌파 데이터를 수집하여 정량화하고, 상기 정량화된 뇌파 데이터에 기초하여, 상기 복수의 사용자들 중 일부를 특이도 중점 제1 분류 모델을 이용하여 중증인지장애 그룹으로 분류하고, 나머지 사용자들을 비중증인지장애 그룹으로 분류하고, 상기 비중증인지장애 그룹으로 분류된 사용자들을, 민감도 중점 분류 모델 및 특이도 중점 분류 모델을 조합한 제2 분류 모델을 이용하여 정상 그룹 또는 기억장애형 경도인지장애 그룹으로 분류하고, 상기 정상 그룹으로 분류된 사용자들을 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹으로 분류된 사용자들을 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는, 뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 분류하는 서버가 제공된다.

본 발명의 일 실시예에 따르면, 뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 높은 정확도로 분류할 수 있다.

도 1 은 일 실시예에 따른 사용자 단말 및 분류 서버를 포함하는 시스템도이다.
도 2 는 일 실시예에 따른 분류 서버의 내부 구성을 예시한 것이다.
도 3 은 일 실시예에 따른 환자 분류 방법을 시계열적으로 도시한 도면이다.
도 4 는 일 실시예에 따른 환자 분류 방법을 블록도로 나타낸 것을 도시한 도면이다.
도 5 는 일 실시예에 따라 뇌파 데이터를 획득하는 단계를 상세히 나타낸 것이다.
도 6 은 특이도 및 민감도를 설명하기 위한 도면이다.
도 7 은 일 실시예에 따라 분류 단계에 의해 환자군이 분류되는 예시를 도시한 것이다.
도 8 은 일 실시예에 따라 사용자들을 중증인지장애 그룹으로 분류하는 것을 설명하기 위한 도면이다.
도 9는 일 실시예에 따라 최적화된 분류 모델을 생성하는 과정을 도시한 도면이다.
도 10 은 일 실시예에 따라 제3 분류 모델의 테스트 결과를 나타낸 그래프이다.
도 11 은 일 실시예에 따른 실제 검사 결과를 예시한 것이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, “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.

본 개시의 일부 실시예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다.“매커니즘”, “요소”, “수단” 및 “구성”등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.

또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.

이하에서 사용자가 수행하는 동작은, 사용자가 사용자 단말을 통해 수행하는 동작을 의미할 수 있다. 일 예로서, 사용자 단말에 매립되거나 부가적으로 연결된 입력 장치(예를 들어, 키보드, 마우스 등)를 통하여, 사용자가 수행하는 동작에 대응하는 명령(command)이 사용자 단말에 입력될 수 있다. 다른 예로서, 사용자 단말의 터치 스크린을 통하여, 사용자가 수행하는 동작에 대응하는 명령이 사용자 단말에 입력될 수 있다. 이 때, 사용자가 수행하는 동작은 소정의 제스처를 포함할 수 있다. 예를 들어, 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭 등이 포함될 수 있다.

이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.

도 1 은 일 실시예에 따른 사용자 단말 및 분류 서버를 포함하는 시스템도이다.

일 실시예에 따른 시스템은 분류 서버(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.

분류 서버(100)는 네트워크를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 분류 서버(100)는 환자군에 포함된 복수의 환자들을 뇌파 데이터에 기초하여 분류하는 역할을 수행할 수 있다.

사용자 단말(200)은 네트워크를 통하여 서로 간에 통신하거나, 다른 노드와 통신할 수 있다. 사용자 단말(200)은 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, 랩톱 및 기타 모바일 또는 비모바일 컴퓨팅 디바이스일 수 있다. 또한, 사용자 단말(200)은 통신 기능 및 데이터 프로세싱 기능을 구비한 안경, 헤어 밴드 등의 웨어러블 디바이스일 수 있다. 사용자 단말(200)은 네트워크를 통해 다른 장치와 통신을 수행할 수 있는 모든 종류의 디바이스를 포함할 수 있다.

사용자 단말(200) 및 분류 서버(100)는 네트워크를 이용하여 통신을 수행할 수 있다. 분류 서버(100)는 네트워크를 통하여 사용자 단말(200)에 환자 분류 결과를 제공할 수 있다. 사용자는 사용자 단말(200)을 통해 분류 서버(100)에 접속하여 환자군에 포함된 복수의 환자들의 분류 결과를 획득할 수 있다. 보다 상세히, 사용자 단말(200)은 사용자 단말(200)에 설치된 어플리케이션 및 실행 프로그램을 통해 분류 서버(100)에 접속할 수 있다. 또한, 사용자 단말(200)은 분류 서버(100)에서 제공된 의료 플랫폼을 통해 분류 서버(100)에 접속할 수 있다. 그러나, 분류 서버(100)에 접속하는 방법은 이에 제한되지 않는다.

일 실시예에서, 외부 서버(300)는 네트워크를 통해 분류 서버(100)와 연결될 수 있으며, 분류 서버(100)가 뇌파 데이터 분석을 통한 중증인지장애 환자 분류 프로세스를 수행하기 위하여 필요한 각종 정보/데이터를 저장 및 관리하거나, 뇌파 데이터 분석을 통한 환자 분류 프로세스를 수행함에 따라 생성되는 각종 정보/데이터를 저장 및 관리할 수 있다. 예를 들어, 외부 서버(300)는 중증인지장애 환자 분류 서버(100) 외부에 별도로 구비되는 저장 서버일 수 있으나, 이에 한정되지 않는다.

네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 또한, 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

도 2 는 일 실시예에 따른 분류 서버(100)의 내부 구성을 예시한 것이다.

도 2 를 참조하면, 분류 서버(100)는 통신부(110), 프로세서(120) 및 DB(130)를 포함할 수 있다. 도 2 의 분류 서버(100)에는 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 11에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 당해 기술분야의 통상의 기술자라면 이해할 수 있다.

통신부(110)는 다른 노드들과 유선/무선 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 통신부(110)는, 근거리 통신부(미도시), 이동 통신부(미도시) 및 방송 수신부(미도시) 중 적어도 하나를 포함할 수 있다.

DB(130)는 분류 서버(100) 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 프로세서(120)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. DB(130)는 결제 정보, 사용자 정보 등을 저장할 수 있다.

DB(130)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다.

프로세서(120)는 분류 서버(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(120)는 DB(130)에 저장된 프로그램들을 실행함으로써, 입력부(미도시), 디스플레이(미도시), 통신부(110), DB(130) 등을 전반적으로 제어할 수 있다. 프로세서(120)는, DB(130)에 저장된 프로그램들을 실행함으로써, 분류 서버(100)의 동작을 제어할 수 있다. 프로세서(120)는 후술할 분류 서버(100)의 동작 중 적어도 일부를 제어할 수 있다.

또한, 프로세서(120)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.

도 3 은 일 실시예에 따른 환자 분류 방법을 시계열적으로 도시한 도면이다. 또한, 도 4 는 일 실시예에 따른 환자 분류 방법을 블록도로 나타낸 것을 도시한 도면이다. 이하에서는, 도 3 및 도 4 를 함께 참조하여 설명하기로 한다.

도 3 을 참조하면, 먼저 분류 서버(100)는 뇌파 데이터를 획득한다(S100).

다음으로, 분류 서버(100)는 획득된 뇌파 데이터에 기초하여 환자군에 포함된 복수의 환자들을 분류한다(S200). 보다 상세히, 분류 서버(100)는 먼저 특이도 중점 분류 모델을 이용하여 둔 제1 분류 단계에서 환자들을 중증인지장애 그룹과 비중증인지장애 그룹으로 분류한다(S210).

또한, 분류 서버(100)는 민감도 중점 분류 모델 및 특이도 중점 분류 모델이 조합된 제2 분류 모델을 이용하여 제2 분류 단계에서 비중증인지장애 그룹을 정상 그룹과 기억장애형 경도인지장애 그룹으로 분류한다(S220). 이때, 제2 분류 단계에서 이용되는 제2 분류 모델은, 민감도 중점 분류 모델을 앞단에서 실행한 후 특이도 중점 분류 모델을 뒷단에서 실행한다. 즉, 제2 분류 모델은 민감성 및 특이성 중점 분류 모델을 조합한 것으로서, 민감도가 특이도보다 특화된 모델이다.

다음으로, 분류 서버(100)는 혼합 모델링을 이용하여 제3 분류 단계를 실시한다(S230). 제3 분류 단계의 결과, 정상 그룹을 정상범위 내 그룹과 인지장애 잠복기 그룹으로 분류하고, 경도 그룹을 알츠하이머가 아닌 경도인지장애 그룹과 치매 전 경도인지장애 그룹으로 분류할 수 있다.

다음으로, 분류 서버(100)는 분류된 환자들에게 인지장애 점수를 매기는 스코어링 단계를 실시한다(S300).

이하에서는, 분류 방법의 각 단계에 대해 보다 상세히 살펴보기로 한다.

도 5 는 일 실시예에 따라 뇌파 데이터를 획득하는 단계를 상세히 나타낸 것이다.

도 5 를 참조하면, 분류 서버(100)는 먼저 뇌파 신호 데이터를 측정하여 획득한다(S110).

예를 들어, 분류 서버(100)는 뇌파 측정 장치(미도시)를 통해 실시간으로 측정된 복수의 사용자에 대한 뇌파 데이터를 수집할 수 있다. 그러나, 이에 한정되지 않고, 분류 서버(100)는 외부 서버(300)로부터 기 저장된 복수의 사용자 각각에 대한 뇌파 데이터를 제공받을 수 있다.

일 실시예에서, 뇌파 데이터는 사용자의 머리(두피)의 서로 다른 위치에 부착되는 복수의 뇌파 측정 채널(예: 총 19개의 채널(예: Fp1, Fp2, F3, F4, C3, C4, P3, P4, O1, O2, F7, F8, T3, T4, T5, T6, Fz, Cz, Pz))을 포함하는 뇌파 측정 장치(미도시)를 통해 측정되는 복수의 단위 뇌파 데이터(예: 각 채널을 통해 측정되는 독립적인 뇌파 신호)를 의미할 수 있다.

다양한 실시예에서, 분류 서버(100)는 복수의 사용자 각각에 대하여, 복수의 사용자가 별도의 동작을 취하고 있지 않은 평상 시 상태에서 측정되는 뇌파 데이터뿐만 아니라 각종 테스트(예: 언어 유창성 검사, 보스톤 이름대기 검사, 간이 정신상태 검사, 단어 목록 기억 검사, 구성 행동 검사, 단어 목록 회상 검사, 단어 목록 재인 검사, 구성 회상 검사, 길만들기 검사 A/B 등)를 수행하는 과정에서 측정되는 뇌파 데이터를 수집할 수 있다.

다양한 실시예에서, 분류 서버(100)는 복수의 사용자에 대하여 수집된 복수의 뇌파 데이터 각각을 가공하여 복수의 정량화된 뇌파 데이터(QEEG)를 생성할 수 있다.

다음으로, 분류 서버(100)는 측정된 뇌파 신호를 주파수 도메인으로 변환한다(S120). 서버(100)는 제1 사용자의 머리의 서로 다른 위치에 부착되는 복수의 뇌파 측정 채널을 통해 수집된 복수의 단위 뇌파 데이터에 대한 주파수 도메인을 산출할 수 있다.

측정된 뇌파 신호를 주파수 도메인으로 변환하는 것은 고속 푸리에 변환(Fast-Fourier Transform, FFT)을 기반으로 한다. 추가적인 실시예에서, 고속 푸리에 변환에 기초하되 시간과 주파수에 따른 변화를 보다 효율적으로 표현할 수 있는 슈퍼렛(superlet) 기법을 이용하여 측정된 뇌파 신호의 주파수 도메인을 산출할 수 있다. 그러나, 반드시 이에 한정되지 않고, 다양한 주파수 도메인 산출 방법(예: 웨이블릿 변환(wavelet transform))을 이용하여 뇌파 신호의 주파수 도메인을 산출할 수 있다.

또한, 분류 서버(100)가 측정된 뇌파 신호의 주파수 도메인을 산출한 결과, 도 5 의 우측 상단 그림과 같이 복수의 단위 뇌파 데이터 각각에 대하여 사전 결정된 범위의 주파수에 기초한 주파수 변환을 수행하여 하나 이상의 스펙트로그램을 생성할 수 있다.

여기서, 스펙트로그램은, 소리나 파동을 시각화하여 파악하기 위한 것으로, 파형(waveform)과 스펙트럼(spectrum)의 특징을 조합하여 나타낸 이미지에 관련한 것일 수 있다. 스펙트로그램은 시간 축과 주파수 축의 변화에 따라 진폭의 차이를 인쇄 농도 또는, 표시 색상의 차이로 나타낸 것일 수 있다. 그러나, 이에 한정되지 않는다.

또한, 여기서, 사전 결정된 범위의 주파수는, 1~45Hz일 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 분류 서버(100)는 뇌파 데이터가 측정된 시간이 기설정된 시간(예: 4초) 미만인 경우, 오버래핑(overlapping)을 통해 스펙트로그램의 크기를 정사각 행렬로 맞출 수 있다. 예를 들어, 분류 서버(100)는 정사각 행렬로 구성된 각 스펙트로그램을 시간 축에 기반하여 상대 세기(relative power)를 계산(해당 시간대의 상대적인 세기를 계산)하고, 각 행렬 내 가장 큰 값을 기준으로 하여 -1 내지 1 사이의 스케일링을 수행하여 하나 이상의 스펙트로그램을 생성할 수 있다.

다음으로, 분류 서버(100)는 복수의 단위 뇌파 데이터에 대응하는 주파수 도메인을 뇌파 측정 채널의 위치에 따라 재배열한다(S130). 보다 상세히, 분류 서버(100)는 복수의 단위 뇌파 데이터 중 뇌파 측정 채널을 통해 동일한 시점에 측정된 복수의 단위 뇌파 데이터에 대응하는 주파수 도메인을 복수의 뇌파 측정 채널의 위치에 따라 재배열함으로써, 복수의 영상 서브 데이터를 생성할 수 있다.

보다 상세히, 분류 서버(100)는 동일한 시점에 측정된 것으로 판단된 복수의 단위 뇌파 데이터를 사용자의 두피 표면 복수의 영역(즉, 19개의 영역) 각각의 위치(예: 사용자의 두피 표면에 대응하는 위치)에 따라 재배열(예: 총 19개의 뇌파 측청 채널의 위치를 기반으로, 복수의 단위 뇌파 데이터를 좌측 및 우측 각각 11개(3개의 공통 채널(Fz, Cz, Pz) 포함)로 나누어 재배열)함으로써, 영상 서브 데이터를 생성할 수 있다.

다양한 실시예에서, 분류 서버(100)는 서로 다른 시점에 대한 복수의 영상 서브 데이터를 생성할 수 있다.

다음으로, 분류 서버(100)는 재배열된 복수의 단위 뇌파 데이터를 시계열에 따라 축척한다(S140). 예를 들어, 분류 서버(100)는 S140 단계를 거쳐 생성된 서로 다른 시점에 대한 복수의 영상 서브 데이터를 시계열에 따라 축적할 수 있다. 도 5 의 좌측 하단 이미지는 시계열에 따라 축척된 복수의 영상 서브 데이터를 예시하고 있다. 여기서, 복수의 영상 서브 데이터 각각은 주파수 영역에 대한 정보뿐 아니라 채널 별 연결성에 관련한 정보를 더 포함할 수 있다.

다음으로, 분류 서버(100)는 학습 데이터를 강화하여 정량화된 뇌파 데이터를 생성한다(S150). 이때, 사용되는 주파수는 1Hz 내지 45Hz일 수 있으며, 정량화된 뇌파 데이터는 도 5 의 좌측 하단 이미지와 같이 대칭 이미지(symmetry image) 형태로 표현될 수 있다. 이는 주파수의 전체 영역뿐만 아니라 채널별로 위상(topologic)에 대한 정보를 포함되어 있기 때문에 정량화된 뇌파 데이터만으로 한 번에 모든 정보(예를들어, 주파수(Frequency), 주파수별 세기(Power), 신호가 발생하는 위치(Location), 다른 신호와의 관련성(Relation), 신호의 패턴(규칙성, 복잡성)(Time-dynamics))를 확인할 수 있다는 이점이 있다.

다양한 실시예에서, 정량화된 뇌파 데이터의 형태는 상술한 대칭형 이미지에 제한되지 않으며, 토폴로지 이미지(topology image), 시간-주파수 이미지(time-frequency image) 등 다양한 형태의 이미지가 적용될 수 있다.

다양한 실시예에서, 분류 서버(100)는 기 설정된 성별 및 연령별 기준에 기초하여 S150 단계에서 생성된 정량화된 뇌파 데이터를 표준화(예: 표준점수 표준화)시킬 수 있다. 그러나, 이에 한정되지 않는다.

이하에서는, 특이도 중점 제1 분류 모델과, 민감도 중점 분류 모델 및 특이도 중점 분류 모델을 조합한 제2 분류 모델을 설명하기 위해 특이도와 민감도를 먼저 설명한 후, 획득된 정량화된 뇌파 데이터를 이용하여 환자를 분류하는 구성에 대해 보다 상세히 살펴보기로 한다.

도 6 은 특이도 및 민감도를 설명하기 위한 도면이다.

도 6 을 참조하면, 실제 환자(Positive)의 검사 결과가 양성(Positive)인 경우 옳은 양성(True positive, TP)라 할 수 있다. 또한, 실제 환자(Positive)의 검사 결과가 음성(Negative)인 경우 틀린 음성(False Negative, FN)이라 할 수 있다. 또한, 실제 비환자(Negative)의 검사 결과가 양성(Positive)인 경우 틀린 양성(False Positive, FP)라 할 수 있고, 실제 비환자(Negative)의 검사 결과가 음성(Negative)인 경우 옳은 음성(True Negatvie, TN)이라 할 수 있다.

도 6 과 같은 표에서, 특이도는 TN/(TN+FP)의 식으로 산출될 수 있다. 즉, 특이도는 실제 비환자의 검사 결과가 음성이 나올 확률이다. 질병이 없는 사람의 검사 결과가 음성이 나올 확률이 높다는 것은, 즉 특이도가 높다는 것은 실제 질병이 없는 사람이 양성이 나올 가능성이 낮다는 것이다. 즉, 특이도가 높은 검사는 양성 판정의 타당도가 높다.

달리 말해, 특이도가 높은 검사에 의하면 음성 판정자 중에는 실제 환자인 사람이 포함될 가능성이 존재하지만, 양성 판정자는 환자라는 것을 확실시 할 수 있다. 따라서, 일반적으로 특이도가 높은 검사는 마지막 확진 판단을 하기 위하여 사용될 수 있다.

다음으로, 민감도는 TP/(TP+FN)의 식으로 산출될 수 있다. 즉, 민감도는 실제 환자의 검사 결과가 양성으로 나올 확률이다. 질병이 있는 사람의 검사 결과가 양성이 나올 확률이 높다는 것은, 즉 민감도가 높다는 것은 실제 질병이 있는 사람의 검사 결과가 음성이 나올 확률이 낮다는 것이다. 즉, 민감도가 높은 검사는 음성 판정의 타당도가 높다.

달리 말해, 민감도가 높은 검사에 의하면 양성 판정자 중에는 실제 비환자인 사람이 포함될 가능성이 존재하지만, 음성 판정자는 질병이 없는 사람이라는 것을 확실시 할 수 있다.

일 실시예에 따른 환자 분류 방법은, 상술한 특이도 또는 민감도에 중점을 둔 모델을 이용하여 환자 분류의 정확도를 높일 수 있다. 이하에서는, 특이도 또는 민감도에 중점을 둔 모델을 이용하여 환자를 분류하는 방법에 대해 보다 상세히 알아보기로 한다.

도 7 은 일 실시예에 따라 분류 단계에 의해 환자군이 분류되는 예시를 도시한 것이다.

도 7 을 참조하면, 분류 서버(100)는 제1 분류 단계에서, 정량화된 뇌파 데이터에서 추출된 특징값에 따라 특이도 중점 제1 분류 모델을 이용하여 특정 환자가 중증인지장애 그룹인지 여부를 판별한다. 보다 상세히, 제1 분류 모델은 특이도가 강화된 모델로서, 제1 모델에 의해 중증인지장애 그룹으로 분류된 환자는 높은 정확도로 인지장애 질환이 있다고 판단될 수 있다.

일 실시예에서, 특이도 중점 제1 분류 모델의 가장 큰 목적은 중증인지장애 그룹으로 분류된 사람이 높은 확률로 실제 중증인지장애를 가진 사람임을 확실시하는 것이다. 질병 분류 모델에서, 분류 대상 환자군을 분류할 때 질환 환자군을 확실하게 구분해내는 것과, 비질환 환자군을 확실하게 구분해내는 것의 모델의 특성은 상이할 수 있다. 일 실시예에 있어서 제1 분류 모델은 높은 정확도로 중증인지장애 그룹을 분류해내고, 비중증인지장애 그룹을 획득하는, 특이도가 중요한 모델일 수 있다.

보다 상세히, 제1 분류 모델에 의하면 비중증인지장애인 사람의 검사 결과가 비중증인지장애 그룹으로 분류될 가능성이 높다. 비중증인지장애인 사람의 검사 결과가 비중증인지장애 그룹으로 분류될 가능성이 높다는 것은, 실제 비중증인지장애인 사람이 중증인지장애 그룹으로 분류될 가능성이 낮다는 것이다. 즉, 제1 분류 모델은 중증인지장애 그룹으로 분류된 사람이 실제 중증인지장애 질환을 가지고 있음을 확실하게 하는 모델일 수 있다.

즉, 특이도란 실제 질병이 없는 환자의 검사 결과가 음성으로 나타날 확률로서, 제1 분류 모델은 실제 중증인지장애가 있는 사람이 상기 중증인지장애 그룹으로 분류될 확률이 기설정된 기준보다 높은 모델일 수 있다. 이때, 제1 분류 모델은 분류 임계 확률의 기준을 엄격하게 설정함으로써 중증인지장애와 매우 유사한 데이터를 확실하게 필터링할 수 있다. 이로써, 후술하는 제2 분류 모델이 비중증인지장애 환자를 보다 세부적으로 분류할 수 있도록 중증인지장애 환자군을 확실하게 분류할 수 있다.

도 8 은 일 실시예에 따라 사용자들을 중증인지장애 그룹으로 분류하는 것을 설명하기 위한 도면이다.

도 8 을 참조하면, 분류 서버(100)는 정량화된 뇌파 데이터(QEEG)를 획득한 후, 제1 분류 모델(S211)을 이용하여 비중증인지장애 가능성이 있는 사용자들과 중증인지장애 가능성이 있는 환자들을 분류하고(S212), 특이도 중점 임계값을 사용하여 최종적으로 환자들을 비중증인지장애 그룹과 중증인지장애 그룹으로 분류한다(S213).

보다 상세히, 제1 분류 단계에서 이용되는 특이도 중점 제1 분류 모델은 대칭 이미지 형태의 정량화된 뇌파 데이터를 이미지 분석하여 대칭 이미지 값(Symmetry image value)을 특징값으로 추출하고, 추출된 특징값에 따라 중증인지장애 환자일 확률을 산출 및 분류하는 모델(예: 랜덤 포레스트(Random forest(8:2) 5 fold C.V) 모델)일 수 있다. 이때, Random forest(8:2)은 학습(train)과 검증(test)을 8:2 의 비율로 수행하는 랜덤 포레스트 모델일 수 있다.

다양한 실시예에서, 특이도 중점 제1 분류 모델은 특정 환자가 중증인지장애 환자 여부인지가 레이블링된 복수의 정량화된 뇌파 데이터를 학습 데이터로 하여 학습된 모델일 수 있다.

다양한 실시예에서, 제1 분류 모델은 하나 이상의 네트워크 함수로 구성되며, 하나 이상의 네트워크 함수는 일반적으로 '노드'라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 '노드'들은 '뉴런(neuron)'들로 지칭될 수도 있다. 하나 이상의 네트워크 함수는 적어도 하나 이상의 노드들을 포함하여 구성된다. 하나 이상의 네트워크 함수를 구성하는 노드(또는 뉴런)들은 하나 이상의 '링크'에 의해 상호 연결될 수 있다.

제1 분류 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 제1 분류 모델이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 제1 분류 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 제1 분류 모델 내에서 입력 노드 및 출력 노드 관계를 형성한다. 제1 분류 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 제1 분류 모델의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 제1 분류 모델이 존재하는 경우, 두 개의 제1 분류 모델들은 서로 상이한 것으로 인식될 수 있다.

제1 분류 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 제1 분류 모델 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 제1 분류 모델 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 제1 분류 모델 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 제1 분류 모델 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다.

또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 제1 분류 모델을 구 성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 제1 분류 모델은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 제1 분류 모델일 수 있다.

제1 분류 모델은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fully connected layer)에 의해 출력될 수 있다.

다양한 실시예에서, 제1 분류 모델은 딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)일 수 있다. 딥 뉴럴 네트워크는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 제1 분류 모델을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

다양한 실시예에서, 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경 망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다.

오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.

다양한 실시예에서, 제1 분류 모델은 지도학습 방법에 의해 학습된 모델일 수 있다. 여기서, 지도학습은 통상적으로 특정 데이터와 특정 데이터에 연관된 정보를 레이블링하여 학습 데이터를 생성하고, 이를 이용하여 학습시키는 방법으로써, 인과 관계를 가진 두 데이터를 레이블링하여 학습 데이터를 생성하고, 생성된 학습 데이터를 통해 학습하는 방법을 의미한다.

보다 구체적으로, 분류 서버(100)는 레이블링된 학습 데이터를 이용하여 분류 모델을 구성하는 하나 이상의 네트워크 함수에 대한 학습을 수행할 수 있다. 예를 들어, 분류 서버(100)는 학습 입력 데이터 각각을 하나 이상의 네트워크 함수에 입력시키고, 하나 이상의 네트워크 함수로 연산된 출력 데이터 각각과 학습 입력 데이터 각각의 레이블에 해당하는 학습 출력 데이터 각각을 비교하여 오차를 도출할 수 있다. 즉, 분류 모델의 학습에서 학습 입력 데이터는 하나 이상의 네트워크 함수의 입력 레이어에 입력될 수 있으며, 학습 출력 데이터는 하나 이상의 네트워크 함수의 출력과 비교될 수 있다.

분류 서버(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터(레이블)의 오차에 기초하여 분류 모델을 학습시킬 수 있다.

또한, 분류 서버(100)는 오차에 기초하여 하나 이상의 네트워크 함수의 가중치를 역전파 방식으로 조정할 수 있다. 즉, 분류 서버(100)는 학습 입력 데이터에 대한 하나 이상의 네트워크 함수의 연산 결과와 학습 출력 데이터의 오차에 기초하여 하나 이상의 네트워크 함수의 출력이 학습 출력 데이터에 가까워지도록 가중치를 조정할 수 있다.

분류 서버(100)는 하나 이상의 네트워크 함수의 학습이 사전 결정된 에폭 이상 수행된 경우, 검증 데이터를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다.

검증 데이터는 레이블링된 학습 데이터 중 적어도 일부로 구성될 수 있다. 즉, 분류 서버(100)는 학습 데이터를 통해 분류 모델의 학습을 수행하며, 분류 모델의 학습이 사전 결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 분류 모델의 학습 효과가 사전 결정된 수준 이상인지 여부를 판단할 수 있다. 예를 들어, 분류 서버(100)는 100개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10회인 학습을 수행하는 경우, 사전 결정된 에폭인 10회의 반복 학습을 수행한 후, 10개의 검증 데이터를 이용하여 3회의 반복 학습을 수행하여, 3회의 반복 학습 동안 분류 모델 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다.

즉, 검증 데이터는 분류 모델의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.

분류 서버(100)는 테스트 데이터를 이용하여 하나 이상의 네트워크 함수의 성능을 테스트하여 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써, 분류 모델을 생성할 수 있다. 테스트 데이터는 분류 모델의 성능을 검증하기 위하여 사용될 수 있으며, 학습 데이터 중 적어도 일부로 구성될 수 있다. 예를 들어, 상술한 학습 데이터 중 80%는 분류 모델의 학습(즉, 레이블과 비슷한 결과값을 출력하도록 가중치를 조정하기 위한 학습)을 위해 활용될 수 있으며, 20%는 분류 모델의 성능을 검증하기 위한 테스트 데이터로써 활용될 수 있다. 분류 서버(100)는 학습이 완료된 분류 모델에 테스트 데이터를 입력하고 오차를 측정하여 사전 결정된 성능 이상인지 여부에 따라 분류 모델의 활성화 여부를 결정할 수 있다.

분류 서버(100)는 학습이 완료된 분류 모델에 테스트 데이터를 이용하여 학습 완료된 분류 모델의 성능을 검증하고 학습 완료된 분류 모델의 성능이 사전에 결정된 기준 이상인 경우 해당 분류 모델을 다른 어플리케이션에서 사용하도록 활성화할 수 있다.

또한, 분류 서버(100)는 학습 완료된 분류 모델의 성능이 사전에 결정된 기준 이하인 경우 해당 분류 모델을 비활성화하여 폐기할 수 있다. 예를 들어, 분류 서버(100)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 분류 모델 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 분류 서버(100)는 각각의 분류 모델을 독립적으로 학습시켜 복수의 분류 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 분류 모델만을 사용할 수 있다.

다양한 실시예에서, 분류 서버(100)는 특이도 중점 제1 분류 모델을 이용하여 정량화된 뇌파 데이터를 이미지 분석함으로써, 환자군에 포함된 복수의 사용자 각각에 대한 중증인지장애 확률 및 비 중증인지장애 확률을 산출할 수 있고, 산출된 중증인지장애 확률 및/또는 비중증인지장애 확률을 이용하여 복수의 사용자를 중증인지장애 그룹 또는 비 중증인지장애 그룹으로 분류할 수 있다.

일 실시예에서, 분류 서버(100)는 중증인지장애 확률이 기 설정된 제1 확률 이상인 사용자를 중증인지장애 그룹으로 분류하고, 중증인지장애 그룹으로 분류되지 않은 나머지 사용자를 비중증인지장애 그룹으로 분류할 수 있다. 이때, 상기 제1 확률은 높은 특이도에 기반하여 설정된 임계값일 수 있다. 보다 상세히, 상술한 바와 같이 특이도 중점 제1 분류 모델은 양성 판정의 타당도가 높다. 따라서, 제1 분류 모델에서는 중증인지장애 확률이 기 설정된 제1 확률 이상인 경우 사용자를 중증인지장애 그룹으로 분류하되, 제1 확률을 엄격하게 설정할 수 있다. 예를 들어, 제1 확률은 90%로 설정될 수 있다.

다른 실시예에서, 분류 서버(100)는 산출된 중증인지장애 확률 및 비 중증인지장애 확률을 이용하여 중증인지장애 확률이 기 설정된 제1 확률 이상이며, 비 중증인지장애 확률이 기 설정된 제2 확률 미만인 사용자를 중증인지 장애 그룹으로 분류하고, 중증인지장애 그룹으로 분류되지 않은 나머지 사용자를 비 중증인지장애 그룹으로 분류할 수 있다. 이때에도, 상기 제1 확률은 높은 특이도에 기반하여 설정된 임계값으로서, 엄격하게 설정될 수 있다.

후술할 실시예들에서는, 비중증인지장애 그룹으로 분류된 사용자들을 인지장애 정도에 따라 여러 그룹으로 세분화한다. 따라서, 제1 분류 단계에서는 특이도 중점 제1 분류 모델을 이용하여, 중증인지장애 확률이 기 설정된 제1 확률 이상인 사용자들 즉, 명확하게 중증인지장애인 것으로 판단되는 사용자들만을 중증인지장애 그룹으로 분류하고, 나머지 사용자들을 비 중증인지장애 그룹으로 분류하는 것이 바람직하다.

다양한 실시예에서, 분류 서버(100)는 기 설정된 뇌파 데이터 제거 조건(예: 유력 알츠하이머병 치매의 핵심 임상 기준)에 기초하여, 제1 분류 모델의 학습에 사용되는 뇌파 데이터에 대한 필터링을 수행할 수 있다.

예를 들어, 분류 서버(100)는 복수의 뇌파 데이터 중 나이 및 성별에서 이상이 있는 것으로 판단되는 뇌파 데이터 및 정상 뇌파 데이터에서 TBR2 표준 점수가 기준 이상인 뇌파 데이터를 제거할 수 있다.

또한, 분류 서버(100)는 복수의 뇌파 데이터 중 객관적 증거가 불충분한 경우의 뇌파 데이터 및 비 전형적이고 의문점이 있는 뇌파 데이터를 제거할 수 있다. 그러나, 이에 한정되지 않는다. 예를 들어, 분류 서버(100)는 사용자가 인지적 손상의 특징 측면에서는 유력 알츠하이머병 치매의 핵심 임상 기준을 만족하지만 인지장애가 급작스러운 발명 양상을 보이거나 점진적 감퇴의 객관적(병력이나 인지검사 상) 증거가 불충분한 경우, 이러한 사용자의 뇌파 데이터를 제거할 수 있다.

또한, 분류 서버(100)는 유력 알츠하이머병 치매의 모든 핵심 임상 기준을 만족하지만, 인지 장애의 발명이나 약화와 시간적으로 연관된 뇌졸중의 병력이 있는 사용자, 다수의 뇌경색 또는 크기가 큰 뇌경색이 존재하는 사용자, 심한 백질 고강도신호 병변 등으로 확인되는 상당한 수준의 뇌혈관 질환을 가진 사용자, 치매 존재 자체를 제외한 루이체 치매의 핵심 증상들을 포함하는 사용자, 활동성 신경학적 질환이나 비신경학적 동반 질환 또는 인지기능에 심각한 영향을 줄 수 있는 약물을 사용한 사용자의 뇌파 데이터를 학습 데이터에서 제거할 수 있다. 그러나, 이에 한정되지 않는다.

다음으로, 제2 분류 단계(S220)에서 분류 서버(100)는 제2 분류 모델을 이용하여 비중증인지장애 그룹에 포함된 사용자를 정상 그룹 또는 기억장애형 경도인지장애 그룹으로 분류하는 제2 분류동작을 수행할 수 있다.

일 실시예에서, 제2 분류 모델은 민감도 중점 분류 모델 및 특이도 중점 분류 모델을 조합한 모델이면서, 민감도가 특이도보다 중요한 모델일 수 있다. 관련하여, 민감도란 실제 질병이 있는 환자가 검사 결과가 양성으로 나타날 확률이다. 즉, 민감도가 높은 검사는 질병이 있는 사람의 검사 결과가 음성이 나올 가능성이 낮으므로, 음성 판정의 타당성이 높다. 따라서 제2 분류 모델에서 기억장애형 경도인지장애가 있다고 분류된 사람 중에는 실제 환자가 아닌 사람이 포함되어 있을 가능성이 존재하지만, 정상 그룹으로 판정된 사람들은 환자가 아니라고 확실시할 수 있다.

다양한 실시예에서, 분류 서버(100)는 제2 분류 모델을 이용하여, 비중 증인지장애 그룹에 포함된 사용자 중 기억 장애(Memory impairment)가 있는 사용자를 우선적으로 기억장애형 경도인지장애 그룹으로 분류하고, 기억장애형 경도인지장애 그룹으로 분류되지 않은 사용자(예: 기억 장애가 없는 사용자)를 정상 그룹으로 분류할 수 있다.

상술한 바와 같이, 제2 분류 모델은 민감도가 중요한 모델일 수 있다. 이를 위해, 제2 분류 모델은 서로 다른 2개이상의 분류 모델(예: 민감도 중점 분류 모델과 특이도 중점 분류 모델)을 포함할 수 있다고, 민감도 중점 분류 모델과 특이도 중점 분류 모델의 조합인 앙상블 모델을 이용하여 분류하는 동작을 수행할 수 있다. 즉, 민감도가 중요한 모델이란 반드시 민감도 중점 분류 모델을 사용한다는 뜻이 아니며, 민감도 중점 분류 모델과 특이도 중점 분류 모델의 앙상블 모델일 수 있지만, 민감도에 치중하여 설계된 모델이라는 뜻일 수 있다.

다양한 실시예에서, 제2 분류 모델은 민감도 중점 분류 모델과 특이도 중점 분류 모델의 시퀀스(sequence) 분류 모델일 수 있다. 이때, 제2 분류 모델 내에서 민감도 중점 분류 모델이 특이도 중점 분류 모델보다 선행하여 적용될 수 있다. 또한, 제2 분류 모델에 속하는 민감도 중점 분류 모델에 대응하는 임계 확률이 특이도 중점 분류 모델에 대응하는 임계 확률보다 클 수 있다.

구체적인 일 예시에서, 분류 서버(100)는 민감도 중점 분류 모델을 이용하여 민감도 임계 확률 90%로 복수의 사용자들 중 정상 그룹에 속하는 사용자들을 분류할 수 있다. 다음으로, 분류 서버(100)는 민감도 중점 분류 모델에 의해 기억장애형 경도인지장애 그룹에 속하는 것으로 분류된 사용자들에 대하여, 특이도 중점 분류 모델을 이용하여 특이도 임계 확률 75%로 기억장애형 경도인지장애 그룹을 분류하고, 기억장애형 경도인지장애 그룹으로 분류되지 않은 사람들을 기억장애형 정상 그룹으로 재분류한다. 다만, 반드시 기재된 실시예에 한정되는 것이 아니고, 민감도 중점 분류 모델의 임계 확률과 특이도 중점 분류 모델의 임계 확률은 다양하게 설정될 수 있다

다른 일 실시예에서, 제2 분류 모델은 적어도 하나 이상의 민감도 중점 분류 모델과 적어도 하나 이상의 특이도 중점 분류모델을 포함할 수 있다. 분류 서버(100)는 적어도 하나 이상의 민감도 중점 분류 모델과 적어도 하나 이상의 특이도 중점 분류 모델을 이용하여 분류하는 동작을 수행할 수 있다. 예를 들어, 분류 서버(100)는 제1 민감도 중점 분류 모델을 이용하여 분류하는 동작을 수행한 후 제1 특이도 중점 분류모델을 이용하여 분류하는 동작을 수행하고 제2 민감도 중점 분류 모델을 이용하여 분류하는 동작을 수행할 수 있다. 또한, 분류 서버(100)는 그 목적에 맞게 복수개의 분류 모델의 조합을 통해 분류하는 동작을 수행할 수 있다.

이로써, 제2 분류 모델의 앞단에 배치된 민감도 중점 분류 모델에서 실제 질병이 없는 환자가 양성 판정이 나온 것으로 오분류된 환자들을, 제2 분류 모델의 상기 뒷단에 배치된 특이도 중점 분류 모델에서 음성 판정으로 재판정하여 분류의 정확도를 높일 수 있다.

한편, 제2 분류 모델은 랜덤 포레스트, LGBM, 그래디언트 부스팅(Gradient boosting) 및 TBR(theta/beta ratio) 관련 특징 값을 추출하는 SVM, KNN, TREE, 균형화된 랜덤 포레스트(balanced Random forest, BRF) 모델일 수 있으나, 이에 한정되지 않는다.

보다 상세히, 민감도 중점 분류 모델은 기억장애형 경도인지장애와 관련된 질환을 가진 사용자들의 뇌파 데이터를 제1 학습 데이터로 하여 학습된 모델로서, 기억장애형 경도인지장애와 관련된 질환을 가진 사용자에 대하여 기억장애형 경도인지장애와 관련된 질환이 있음을 판단하는 모델일 수 있다. 또한, 특이도 중점 분류 모델은 기억장애형 경도인지장애와 관련된 질환을 가지지 않은 사용자들의 뇌파 데이터를 제2 학습 데이터로 하여 학습된 모델, 즉 기억장애형 경도인지장애와 관련된 질환을 가지지 않은 사용자에 대하여 기억장애형 경도인지장애와 관련된 질환이 없음을 판단하는 모델일 수 있다.

다양한 실시예에서, 분류 서버(100)는 제1 학습 데이터를 이용하여 민감도 중점 분류 모델을 학습시키고, 제2 학습 데이터를 이용하여 특이도가 중점 분류 모델을 학습시킬 수 있다. 또한, 분류 서버(100)는 제1 학습 데이터와 제2 학습 데이터가 불균형한 경우(예: 제1 학습 데이터의 수와 제2 학습 데이터의 수가 기 설정된 값 이상의 차이를 가질 경우), 민감도 중점 분류 모델을 학습시키기 위한 제1 학습 데이터와 특이도 중점 분류 모델을 학습시키기 위한 제2 학습 데이터의 비율이 소정의 비율 이하가 되도록 보정할 수 있고, 이를 통해, 2개의 분류 모델 간의 학습 데이터가 불균형한 것을 극복할 수 있다.

보다 상세히, 분류 서버(100)는 민감도 중점 분류 모델을 학습시키기 위한 제1 학습 데이터와 특이도 중점 분류 모델을 학습시키기 위한 제2 학습 데이터의 비율이 기설정된 값 이하가 되도록 밸런싱된 랜덤 포레스트(balanced Random Forest)를 이용하여 보정할 수 있다. 관련하여, 의료 기관에서는 질병이 있는 사람과 질병이 없는 사람의 데이터를 수집할 수 있지만, 일반적으로 질병이 있는 사람이 질병이 없는 사람에 비해 그 수가 적으므로, 데이터의 클래스 불균형(class imbalance)이 발생하게 된다.

즉, 일 실시예에 따르면 기억 장애와 관련한 질환이 있는 사용자들의 뇌파 데이터인 제1 학습 데이터와, 기억 장애와 관련한 질환을 가지지 않은 사용자들의 뇌파 에디터인 제2 학습 데이터 사이에 불균형이 발생할 수 있다. 또한, 제1 학습 데이터와 제2 학습 데이터의 불균형은 민감도 중점 분류 모델과 특이도 중점 분류 모델의 조합이 부정확해지는 원인이 될 수 있다. 따라서, 일 실시예에 따르면 제1 학습 데이터와 제2 학습 데이터의 비율을 조정할 수 있다.

일 실시예에서, 제1 학습 데이터와 제2 학습 데이터보다 수가 적은 경우, 이를 해결하기 위해서는 따라서 제1 학습 데이터의 클래스에는 더욱 큰 비중 (weight)을 줄 수 있다. 비중 균형(Weight balancing) 방법은 각 학습 세트의 각 데이터에서 손실(loss)을 계산할 때 특정 클래스의 데이터에 더 큰 손실 값을 갖도록 할 수 있다. 예를 들어, 일 실시예에서 질병이 있다는 제1 학습 데이터의 클래스에 관해서는 더 큰 정확도가 필요하므로, 트레이닝 할 때, 제1 학습 데이터에 관해서는 손실이 더 크도록 할 수 있다. 이를 구현하기 위하여, 제1 학습 데이터의 손실에는 제2 학습 데이터의 손실에 곱하는 것보다 큰 가중치를 곱할 수 있다. 다른 실시예에서는, 데이터 수의 비율에 따라 가중치를 줄 수 있다. 예를 들어, 제1 학습 데이터와 제2 학습 데이터의 수의 비율이 1:9 라면 가중치를 9:1로 줌으로써 적은 샘플 수를 가진 제1 학습 데이터가 전체 손실에 동일하게 기여하도록 할 수 있다.

다양한 실시예에서, 제1 학습 데이터와 제2 학습 데이터의 수를 보정하는 방법으로, 샘플링(sampling) 기법을 사용할 수도 있다. 보다 상세히, 언더샘플링(undersampling)은 수가 많은 제2 데이터의의 일부만을 선택하고, 제1 데이터는 최대한 많이 사용하는 방법이다. 또한, 오버샘플링(oversampling)은 제1 학습 데이터의의 복사본을 만들어, 제2 학습 데이터의 수만큼 데이터를 만들어주는 것이다. 이 경우 똑같은 데이터를 그대로 복사하는 것이기 때문에 새로운 데이터는 기존 데이터와 같은 성질을 가질 수 있다.

다음으로, 제3 분류 단계(S230)에서 분류 서버(100)는 정상 그룹에 포함된 사용자를 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지 장애 그룹으로 분류하는 제3 분류동작을 수행할 수 있다.

먼저, 분류 서버(100)는 사용자 분류를 위한 최적화된 분류 모델을 생성할 수 있다. 예를 들어, 분류 서버(100)는 정상 그룹에 포함된 사용자를 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하기 위한 제3-1 분류 모델과 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하기 위한 제3-2 분류 모델을 생성할 수 있다. 이하, 도 9 를 참조하여, 분류 서버(100)에 의해 수행되는 최적화된 분류 모델 생성방법에 대해 설명하도록 한다.

도 9 는 일 실시예에 따라 최적화된 분류 모델을 생성하는 과정을 도시한 도면이다.

도 9 를 참조하면, S231 단계에서, 분류 서버(100)는 서로 다른 특징값 조합을 포함하는 복수의 다차원 모델을 생성할 수 있다. 예를 들어, 분류 서버(100)는 10개의 특징값(예: 도 9 의 "FT1", "FT2" 내지 "FT10") 중 기 설정된 개수인 3개의 특징 값을 임의로 반복 선택하여 서로 다른 복수의 특징값 조합을 생성할 수 있다. 이때, 분류 서버(100)의 기설정된 특징값은 아밀로이드(amyloid) 특징값일 수 있다.

또한, S232 단계에서, 생성된 복수의 특징값 조합 각각을 이용하여 복수의 다차원 모델(3차원 모델)을 생성할 수 있다. 이때, 분류 서버(100)는 10개의 특징값에 대하서, 서로 다른 조합을 가지는 모든 특징값 조합(예: ₁₀C₃개의 조합, 120개의 조합)에 대한 다차원 모델을 생성할 수 있다. 여기서, 다차원 모델을 구성하는 특징값은 복수의 사용자 각각으로부터 수집된 복수의 뇌파 데이터를 분석하여 도출되는 것일 수 있으나, 이에 한정되지 않는다.

추가적으로, S232 단계에서, 분류 서버(100)는 S232 단계를 거쳐 생성된 복수의 다차원 모델 각각에 대한 정확도를 산출할 수 있다. 예를 들어, 분류 서버(100)는 복수의 다차원 모델을 이용하여 복수의 사용자를 기 설정된 조건에 따라 분류하고, 분류한 결과와 실제 결과를 비교하여 분류의 정확도를 산출할 수 있다.

이때, 분류 서버(100)는 정상 그룹의 사용자를 분류하는 제3-1 분류 모델과 기억장애형 경도인지장애 그룹의 사용자를 분류하는 제3-2 분류 모델을 개별적으로 생성하기 위하여, 서로 다른 조건에 따른 분류 정확도를 개별적으로 산출할 수 있다.

일 실시예에서, 분류 서버(100)는 제3-1 분류 모델을 생성하기 위하여, 복수의 다차원 모델을 이용하여 정상 그룹에 포함된 사용자를 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 분류한 결과와 실제 결과를 비교하여, 정상 그룹에 대한 분류 정확도를 산출할 수 있다. 본 발명의 일 실시예에서, 정상 그룹의 사용자들을 분류하는 제3-1 분류 모델은 정상 범위의 사람을 정상 범위 그룹으로 높은 확률로 분류하는 특이도 중점 분류 모델일 수 있다.

또한, 분류 서버(100)는 제3-2 분류 모델을 생성하기 위하여, 복수의 다차원 모델을 이용하여 기억장애형 경도인지장애 그룹에 포함된 사용자를 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하고, 분류한 결과를 다시 실제 결과와 비교하여 기억장애형 경도인지장애 그룹에 대한 분류 정확도를 산출할 수 있다. 본 발명의 일 실시예에서, 기억장애형 경도인지장애 그룹에 포함된 사용자를 분류하는 제3-2 분류 모델은 치매전 경도인지장애가 있는 사람을 치매전 경도인지장애 그룹으로 높은 확률로 분류하는 민감도 중점 분류 모델일 수 있다.

도 10 은 일 실시예에 따라 제3 분류 모델의 테스트 결과를 나타낸 그래프이다.

도 10 의 (a)는 제3-1 분류 모델의 아밀로이드 스코어링, 그리고 (b)는 제3-2 분류 모델의 아밀로이드 스코어링 결과를 그래프로 나타낸 것이다. 또한, 도 10 의 그래프에서, 빗금 막대는 음성 결과(negative)를 나타낸 것이고, 도트 막대는 양성 결과(positive)를 나타낸 것이다. 도 10 의 (a)를 참조하면, 제3-1 분류 모델의 경우 음성 결과의 막대기가 양성 결과의 막대기보다 길어 특이도가 중요한 모델임을 알 수 있다. 또한, 도 10 의 (b)를 참조하면, 제3-2 분류 모델의 경우 양성 결과의 막대기가 음성 결과의 막대기보다 길어 민감도가 중요한 모델임을 알 수 있다.

도 11 은 일 실시예에 따른 실제 검사 결과를 예시한 것이다.

상술한 바와 같이, 분류 서버(100)는 S232 단계를 거쳐 생성된 복수의 다차원 모델 각각에 대한 정확도를 산출할 수 있다. 예를 들어, 분류 서버(100)는 복수의 다차원 모델을 이용하여 복수의 사용자를 기 설정된 조건에 따라 분류하고, 분류한 결과와 실제 결과를 비교하여 분류의 정확도를 산출할 수 있다. 도 11 은 실제 결과를 획득하기 위해 수행한 테스트의 결과를 예시하고 있다.

분류한 결과와 비교하기 위한 실제 결과는, 도 11 에서 볼 수 있는 바와 같이 복수의 사용자를 대상으로 수행되는 각종 테스트(예: 언어 유창성 검사, 보스톤 이름대기 검사, 간이 정신상태 검사, 단어 목록 기억 검사, 구성 행동 검사, 단어 목록 회상 검사, 단어 목록 재인 검사, 구성 회상 검사, 길만들기 검사 A/B 등)에 따라 복수의 사용자를 직접 분류한 결과를 의미할 수 있다.

또한, 여기서, 정확도는 복수의 다차원 모델을 이용하여 분류한 결과와 실제 결과 간의 유사한 정도를 수치화하여 나타낸 것일 수 있으나, 이에 한정되지 않는다.

다시 도 9 로 돌아가, S233 단계에서, 분류 서버(100)는 S232 단계를 거쳐 산출된 정확도가 높은 순서에 따라 상위 N개의 다차원 모델을 선택하고, 선택된 N개의 다차원 모델 각각에 포함된 특징값 각각에 대한 개수를 카운팅하며, 가장 높은 카운팅 값을 가지는 특징값부터 순차적으로 M개의 특징값을 선택할 수 있다.

예를 들어, 도 9 에 도시된 바와 같이, 분류 서버(100)는 복수의 다차원 모델을 S320 단계를 통해 산출된 정확도가 높은 순서대로 정렬 하고, 정렬된 복수의 다차원 모델 중 상위 5개의 다차원 모델(예: 도 9의 실시예에서 modil 4, model 7, model 62, model 47, model 10)을 선택할 수 있다. 이후, 분류 서버(100)는 상위 5개의 다차원 모델에 포함된 특징값들 중 상위 M개의 특징값을 선택할 수 있다.

이때, 분류 서버(100)는 상기의 복수의 다차원 모델보다 더 정확도 높은 분류 모델을 생성하기 위하여, 복수의 다차원 모델에 포함된 특징값의 수보다 더 많은 특징값이 포함되도록 할 수 있다. 예를 들어, 복수의 다차원 모델이 3개의 특징값을 포함하는 3차원 모델일 경우, 최적화된 분류 모델이 4개 이상의 특징값을 포함하도록 상위 M 개의 특징값(예: 도 9 의 실시예에서 FT2, FT1, FT8, FT9로 4개의 특징값 선택)을 선택할 수 있다.

한편, 일 실시예에 따르면 제3-1 분류 모델 및 제3-2 분류 모델을 포함하는 제3 분류 모델은 인지기능 차이의 영향을 받지 않는 아밀로이드 독립 모델일 수 있다. 상술한 바와 같이, 분류 모델을 최적화하기 위해 특징값은 선택될 수 있다. 또한, 제3 분류 모델의 특징값은 상술한 바와 같이 아밀로이드 특징값일 수 있다. 그러나, 뇌내 아밀로이드(또는 타우(tau) 단백질)을 가진 사람은 인지기능 장애가 있을 가능성이 높지만, 인지기능 장애가 없을 수도 있다. 따라서, 아밀로이드 특징값을 이용하여 사용자들을 정확하게 분류하기 위해선, 인지기능 분류 모델에서 사용되는 특징값을 제거할 필요가 존재한다.

이에, 일 실시예에서는 아밀로이드(또는 타우) 단백질을 기준으로 아밀로이드 분류 모델을 생성한 후, 인지기능 분류 모델을 생성하고, 아밀로이드 분류 모델에서 사용되는 특징값들 중 인지기능 분류 모델에서 사용되는 특징값은 제외하고, 나머지 특징값들을 이용하여 최종 제3 분류 모델을 생성할 수 있다. 이로써, 제3 분류 모델을 아밀로이드 독립 모델로 구성함으로써 분류 정확도가 더욱 상승할 수 있다.

예를 들어, 분류 서버(100)는 아밀로이드 분류 모델에서 분류 성능이 우수한 10개의 특징값을 선정할 수 있다(예를 들어, Feature 1, 3, 7, 10, 14, 16, 19, 24, 29). 또한, 분류 서버(100)는 인지기능 분류 모델에서 분류 성능이 우수한 10개의 특징값을 선정할 수 있다(예를 들어, Feature 2, 3, 5, 7, 12, 14, 18, 23, 24). 또한, 분류 모델은 아밀로이드 분류 모델의 특징값 들 중 인지기능 분류 모델에 포함된 특징값을 제외하여 최종 특징값을 확정한다(위의 예시에서, Feature 1, 10, 16, 19, 29). 이로써 확정된 최종 특징값이 아밀로이드 독립 모델인 제3 분류 모델에 사용될 수 있다.

다시 도 9 로 돌아가서, S235 단계에서, 분류 서버(100)는 S330 단계에서 선택된 M개의 특징 값을 포함하는 최적화된 분류 모델인 제3 분류 모델을 생성할 수 있다.

분류 모델이 생성되면, 다시 도 4 및 7 을 참조하여, 분류 서버(100)는 생성된 제3-1 분류 모델을 이용하여 정상 그룹에 포함된 사용자 중 주관적 인지 감소(Subjective Cognitive Decline, SCD)가 없는 사용자를 정상범위 내 그룹으로 분류하고, 주관적 인지 감소가 있는 사용자를 인지장애 잠복기 그룹으로 분류할 수 있다.

또한, 분류 서버(100)는 생성된 제3-2 분류 모델을 이용하여 기억장애형 경도인지 장애 그룹에 포함된 사용자 중 인출 장애(Retrieval Failure)를 가진 사용자를 알츠하이머가 아닌 경도인지장애 그룹으로 분류하고, 저장 장애(Encoding Failure)를 가진 사용자를 치매전 경도인지장애 그룹으로 분류할 수 있다.

또한, S300 단계에서, 분류 서버(100)는 S100 단계 내지 S200 단계를 거쳐 복수의 사용자를 분류한 결과를 이용하여, 정상범위 내 그룹, 인지장애 잠복기 그룹, 알츠하이머가 아닌 경도인지장애 그룹, 치매전 경도인지장애 그룹 및 중증인지장애 그룹 각각에 포함된 사용자에 대한 중증인지장애 정도를 스코어링할 수 있다.

여기서, 중증인지장애 정도는 각 그룹을 분류하는 기준이 되는 요소(Factor)에 대한 정도를 의미할 수 있다. 예를 들어, 정상 그룹에 포함된 사용자들에 대한 중증인지장애 정도는 주관적 인지 감소의 정도를 의미할 수 있고, 기억장애형 경도 인지장애 그룹 중 알츠하이머가 아닌 경도장애 그룹에 포함된 사용자에 대한 중증인지장애 정도는 인출 장애의 정도를 의미할 수 있으며, 치매전 경도인지 장애 그룹에 포함된 사용자에 대한 중증인지장애 정도는 저장 장애의 정도를 의미할 수 있다. 또한, 중증인지장애 그룹에 포함된 사용자에 대한 중증인지장애 정도는 실제 중증인지장애가 진행된 정도를 의미할 수 있다. 그러나, 이에 한정되지 않는다.

다양한 실시예에서, 분류 서버(100)는 스코어링 모델을 이용하여 정상범위 내 그룹, 인지장애 잠복기 그룹, 알츠하이머가 아닌 경도인지장애 그룹, 치매전 경도인지장애 그룹 및 중증인지장애 그룹 각각에 속한 사용자들에 대한 점수를 스코어링할 수 있다.

여기서, 스코어링 모델은 각각의 그룹에 속한 사용자들에 대한 정보(예: 속한 그룹에 대한 정보 및 중증인지장애 정도)를 입력으로 하여 해당 사용자의 치매 확률을 점수로 산출하는 모델일 수 있다. 예를 들어, 스코어링 모델은 인지장애 잠복기 그룹, 알츠하이머가 아닌 경도인지장애 그룹, 치매전 경도인지장애 그룹 및 중증인지장애 그룹 각각에 속한 사용자들에 대한 점수를 스코어링하기 위한 스코어링 함수를 생성할 수 있고, 생성된 스코어링 함수에 상기의 입력값을 입력하여, 사용자에 대한 점수를 산출할 수 있다.

여기서, 스코어링 함수는 각 그룹마다 서로 상이한 기울기를 가지는 1차 함수 형태로 구현될 수 있으나, 이에 한정되지 않는다.

다양한 실시예에서, 분류 서버(100)는 스코어링 함수에 기초하여, 중증인지장애 정도에 따라 정상범위 내 그룹에 포함된 사용자에 대하여 0 내지 50 범위 내의 점수를 부여하고, 인지장애 잠복기 그룹에 포함된 사용자에 대하여 50 내지 60 범위 내의 점수를 부여할 수 있다.

또한, 분류 서버(100)는 도 10에 도시된 스코어링 함수에 기초하여, 중증인지장애 정도에 따라 알츠하이머가 아닌 경도인지장애 그룹에 포함된 사용자에 대하여 60 내지 70 범위 내의 점수를 부여하고, 치매전 경도인지장애 그룹에 포함된 사용자에 대하여 따라 70 내지 85 범위 내의 점수를 부여하며, 중증인지장애 그룹에 포함된 사용자에 대하여 85 내지 100 범위 내의 점수를 부여할 수 있다.

다양한 실시예에서, 분류 서버(100)는 사용자로부터 뇌파 데이터를 포함하는 치매 진단 요청을 입력받는 경우, 치매 진단 요청에 대한 응답으로 제1 사용자의 뇌파 데이터를 이용하여, 사용자에 대한 정량화된 뇌파 데이터를 생성하는 동작, 정량화된 뇌파 데이터를 분석하여 사용자를 어느 하나의 그룹으로 분류하는 동작 및 분류된 그룹 및 중증인지장애 정도에 따라 스코어링하는 동작을 수행할 수 있고, 각 동작을 수행함에 따라 도출되는 결과를 조합하여 결과 리포트를 제공할 수 있다.

이때, 일 실시예에 따르면 사용자를 어느 하나의 그룹으로 분류할 때, 각 분류 단계 별로 특이도 중점 분류 모델 혹은 민감도와 특이도 혼합 분류 모델을 사용함으로써 분류 정확성을 높일 수 있다.

이를 통해, 사용자의 뇌파 데이터를 수집하여 입력하는 간단한 동작만으로 사용자가 중증인지장애 환자인지를 판단할 수 있을 뿐만 아니라, 중증인지장애 환자가 아니더라도 중증인지장애로 발전될 가능성이 어느정도 되는지를 수치화하여 제공함으로써, 사용자가 중증인지장애와 관련하여 본인의 상태를 좀더 명확하게 파악하고 이에 따른 조치를 취할 수 있도록 한다는 이점이 있다.

본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

일 실시예에 따르면, 본 개시의 다양한 실시예들에 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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

Claims (12)

1. 뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 분류하는 방법으로서,
   상기 복수의 사용자들에 대한 뇌파 데이터를 수집하여 정량화하는 단계;
   상기 정량화된 뇌파 데이터에 기초하여, 상기 복수의 사용자들을 제1 분류 모델을 이용하여 중증인지장애 그룹으로 분류하고, 나머지 사용자들을 비중증인지장애 그룹으로 분류하는 제1 분류 단계;
   상기 비중증인지장애 그룹으로 분류된 사용자들을, 민감도 중점 분류 모델 및 특이도 중점 분류 모델을 조합한 제2 분류 모델을 이용하여 정상 그룹 또는 기억장애형 경도인지장애 그룹으로 분류하는 제2 분류 단계; 및
   상기 정상 그룹으로 분류된 사용자들을 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹으로 분류된 사용자들을 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는 제3 분류 단계;
   를 포함하는 인지장애 환자를 분류하는 방법.
2. 제 1 항에 있어서,
   상기 특이도 중점 제1 분류 모델은, 실제 중증인지장애가 있는 사람이 상기 중증인지장애 그룹으로 분류될 확률이 기설정된 기준보다 높은, 인지장애 환자를 분류하는 방법.
3. 제 1 항에 있어서,
   상기 민감도 중점 분류 모델은, 환자가 실제 질병이 있는 경우 검사 결과가 양성이 될 확률이 기설정된 기준보다 높은 모델이고,
   상기 특이도 중점 분류 모델은, 환자가 실제 질병이 없는 경우 검사 결과가 음성이 될 확률이 기설정된 기준보다 높은 모델로서,
   상기 제2 분류 모델은, 상기 비중증인지장애 그룹으로 분류된 사람들을, 상기 민감도 중점 분류모델을 이용하여 기억장애형 경도인지장애 그룹 또는 정상 그룹으로 분류하고,
   또한, 상기 정상 그룹으로 분류된 사람들을, 상기 특이도 중점 분류모델을 이용하여 상기 기억장애형 경도인지장애 그룹 또는 상기 정상 그룹으로 분류하는, 인지장애 환자를 분류하는 방법.
4. 제 1 항에 있어서,
   상기 제2 분류 모델에서, 상기 민감도 중점 분류 모델에 대응하는 임계 확률이 상기 특이도 중점 분류 모델에 대응하는 임계 확률보다 크도록 설정되는, 인지장애 환자를 분류하는 방법.
5. 제 1 항에 있어서,
   상기 민감도 중점 분류 모델은 상기 기억장애형 경도인지장애와 관련된 질환을 가진 사용자들의 뇌파 데이터를 제1 학습 데이터로 하여 학습된 모델이고, 상기 특이도 중점 분류 모델은 상기 기억장애형 경도인지장애과 관련된 질환을 가지지 않은 사용자들의 뇌파 데이터를 제2 학습 데이터로 하여 학습된 모델인, 인지장애 환자를 분류하는 방법.
6. 제 5 항에 있어서,
   상기 제1 학습 데이터와 상기 제2 학습 데이터의 수가 기 설정된 값 이상의 차이를 가지는 경우, 상기 제1 학습 데이터의 수와 상기 제2 학습 데이터의 수 비율이 기설정된 비율 이하가 되도록 보정하는, 인지장애 환자를 분류하는 방법.
7. 제 1 항에 있어서,
   상기 제3 분류 단계는,
   제3-1 분류 모델을 이용하여 상기 정상 그룹으로 분류된 사용자들을 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고,
   제3-2 분류 모델을 이용하여 상기 기억장애형 경도인지장애 그룹으로 분류된 사용자들을 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는, 인지장애 환자를 분류하는 방법.
8. 제 7 항에 있어서,
   상기 제3-1 분류 모델은 사용자가 실제 질병이 있는 경우 검사 결과가 양성이 될 확률이 기설정된 기준보다 높은 민감도 중점 분류 모델이고, 상기 제3-2 분류 모델은 사용자가 실제 질병이 없는 경우 검사 결과가 음성이 될 확률이 기설정된 기준보다 높은 특이도 중점 분류 모델인, 인지장애 환자를 분류하는 방법.
9. 제 1 항에 있어서,
   상기 제1 분류 단계에 따른 분류 결과, 상기 제2 분류 단계에 따른 분류 결과 및 상기 제3 분류 단계에 따른 분류 결과를 이용하여, 상기 정상범위내 그룹, 상기 인지장애 잠복기 그룹, 상기 알츠하이머가 아닌 경도인지장애 그룹, 상기 치매전 경도인지장애 그룹 및 상기 중증인지장애 그룹 각각에 포함된 사용자에 대한 중증인지장애 정도를 스코어링하는 단계를 더 포함하는, 인지장애 환자를 분류하는 방법.
10. 제 9 항에 있어서,
    상기 스코어링하는 단계는,
    상기 중증인지장애 정도에 따라 상기 정상 범위 내 그룹에 포함된 사용자에 대하여 0 내지 50 범위 내의 점수를 부여하는 단계;
    상기 중증인지장애 정도에 따라 상기 인지장애 잠복기 그룹에 포함된 사용자에 대하여 50 내지 60 범위 내의 점수를 부여하는 단계;
    상기 중증인지장애 정도에 따라 상기 알츠하이머가 아닌 경도인지장애 그룹에 포함된 사용자에 대하여 60 내지 70 범위 내의 점수를 부여하는 단계;
    상기 중증인지장애 정도에 따라 상기 치매전 경도인지장애 그룹에 포함된 사용자에 대하여 따라 70 내지 85 범위 내의 점수를 부여하는 단계; 및
    상기 중증인지장애 정도에 따라 상기 중증인지장애 그룹에 포함된 사용자에 대하여 85 내지 100 범위 내의 점수를 부여하는 단계를 포함하는,
    뇌파 데이터 분석을 통한 중증인지장애 환자 분류 방법.
11. 프로세서;
    통신부;
    메모리; 를 포함하고,
    복수의 사용자에 대한 뇌파 데이터를 수집하여 정량화하고,
    상기 정량화된 뇌파 데이터에 기초하여, 상기 복수의 사용자들 중 일부를 특이도 중점 제1 분류 모델을 이용하여 중증인지장애 그룹으로 분류하고, 나머지 사용자들을 비중증인지장애 그룹으로 분류하고,
    상기 비중증인지장애 그룹으로 분류된 사용자들을, 민감도 중점 분류 모델 및 특이도 중점 분류 모델을 조합한 제2 분류 모델을 이용하여 정상 그룹 또는 기억장애형 경도인지장애 그룹으로 분류하고,
    상기 정상 그룹으로 분류된 사용자들을 정상범위 내 그룹 또는 인지장애 잠복기 그룹으로 분류하고, 상기 기억장애형 경도인지장애 그룹으로 분류된 사용자들을 알츠하이머가 아닌 경도인지장애 그룹 또는 치매전 경도인지장애 그룹으로 분류하는, 뇌파 데이터에 기초하여 복수의 사용자들 중 인지장애 환자를 분류하는 서버.
12. 제 1 항의 방법을 컴퓨터에서 실행하기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

Images