KR20230025177A

KR20230025177A - 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법

Info

Publication number: KR20230025177A
Application number: KR1020210107379A
Authority: KR
Inventors: 김성훈; 박용석; 김준태; 황유진
Original assignee: 재단법인 아산사회복지재단; 국립암센터; 한국과학기술원; 울산대학교 산학협력단
Priority date: 2021-08-13
Filing date: 2021-08-13
Publication date: 2023-02-21
Also published as: WO2023018299A1; CN117813040A

Abstract

본 발명에 따르면, 피검자의 동맥압 데이터를 입력 받아, 상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법이 개시된다.

Description

동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법 {APPARATUS AND METHOD FOR PREDICTING HYPOTENSION BASED ON ARTERIAL PRESSURE WAVELET TRANSFORMATION, METHOD FOR TRAINING HYPOTENSION PREDICTION MODEL THEREOF}

본 발명은 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법에 관한 것이다.

수술 중 저혈압은 출혈 등으로 인한 유효 혈액량 부족, 심혈관계 질환 또는 마취제 등으로 인한 심근수축력 감소, 패혈증이나 기타 약제 등으로 인한 혈관저항성 감소 등과 같은 여러 원인들이 단독 또는 복합적으로 작용하여 발생한다. 이 중 전신마취 환자에서 출혈이나 탈수 등으로 인한 유효 혈액량 부족은 수술 중 저혈압의 원인 중 가장 큰 비율을 차지한다고 볼 수 있다.

하지만, 기존 모델은 특정한 특징값(feature)을 정의하거나 raw 동맥압(ABP) 값을 그대로 모니터링하여 저혈압을 예측함으로써, 사실상 저혈압의 원인과 직결된 가장 중요한 정보인 혈압이 전체적으로 변화하는 트렌드를 항목화하여 예측할 수 없다.

본 발명의 일 실시예에 따른 해결하고자 하는 과제는, 혈압이 전체적으로 변화하는 트렌드의 정보를 담는 압축된 동맥압(ABP) 데이터의 측정 구간 별 변화 행태에 기초하여 저혈압 여부를 판단하는 것을 포함한다.

본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 수 있다.

상기 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 피검자의 저혈압을 예측하기 위한 장치는, 미리 학습된 저혈압 예측 모델이 저장된 메모리 및 입력된 상기 피검자의 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 상기 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 프로세서를 포함한다.

여기서, 상기 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 상기 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것일 수 있다.

여기서, 상기 저혈압 예측 모델은, 상기 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습된 제1 레이어 및 상기 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성하는 쉐이프릿 데이터 생성 모듈을 포함할 수 있다.

여기서, 상기 저혈압 예측 모델은, 상기 제1 레이어에서 학습된 학습 파라미터를 이용하여 상기 학습용 동맥압 데이터를 로우 패스 필터링하도록 학습된 것일 수 있다.

여기서, 상기 저혈압 예측 모델은, 상기 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습된 제2 레이어 및 학습된 상기 가중치에 기초하여, 상기 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습된 제3 레이어를 포함할 수 있다.

여기서, 상기 프로세서는, 상기 피검자의 동맥압 데이터를 상기 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 상기 학습된 쉐이프릿 데이터와의 유사도를 계산할 수 있다.

여기서, 상기 프로세서는, 상기 측정 구간 별 트렌드 데이터의 상기 계산된 유사도에 대해 로지스틱 회귀 레이어를 이용하여 저혈압 발생 확률을 산출할 수 있다.

본 발명의 또 다른 실시예에 따른 저혈압 예측 모델 학습 방법은, 학습용 동맥압 데이터를 입력 받는 단계, 상기 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습시키는 단계 및 상기 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성하는 단계를 포함한다.

여기서, 상기 트렌드 데이터를 추출하도록 학습시키는 단계는, 상기 학습용 동맥압 데이터를 로우 패스 필터링하도록 제1 레이어에서 학습된 학습 파라미터를 갱신하는 단계를 포함할 수 있다.

또한, 상기 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습시키는 단계 및 학습된 상기 가중치에 기초하여, 상기 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습시키는 단계를 포함할 수 있다.

본 발명의 또 다른 실시예에 따른 피검자의 저혈압을 예측하기 위한 방법은, 상기 피검자의 동맥압 데이터를 입력 받는 단계 및 상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계를 포함한다.

여기서, 상기 저혈압 여부를 판단하는 단계는, 상기 피검자의 동맥압 데이터를 상기 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 상기 학습된 쉐이프릿(Shapelet) 데이터와의 유사도를 계산하는 단계를 포함할 수 있다.

여기서, 상기 저혈압 여부를 판단하는 단계는, 상기 측정 구간 별 트렌드 데이터의 상기 계산된 유사도에 대해 로지스틱 회귀 레이어을 이용하여 저혈압 발생 확률을 산출하는 단계를 포함할 수 있다.

또한, 피검자의 동맥압 데이터를 입력 받는 단계 및 상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 프로그램이 저장된 기록매체를 제공할 수 있다.

또한, 피검자의 동맥압 데이터를 입력 받는 단계 및 상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.

이상에서 설명한 바와 같이 본 발명의 실시예들에 의하면, 혈압이 전체적으로 변화하는 트렌드의 정보를 담는 압축된 동맥압(ABP) 데이터의 측정 구간 별 변화 행태에 기초하여 저혈압 여부를 판단함에 따라, 수술 중 저혈압 발생과 관련된 개형과 비교하여 그에 맞는 치료를 할 수 있다.

여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급된다.

도 1은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치를 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법을 나타낸 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 저혈압 예측 모델 학습 방법을 나타낸 흐름도이다.
도 4 내지 도 7은 본 발명의 일 실시예에 따른 저혈압 예측 모델의 예시적인 구조를 설명하기 위한 도면이다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하는 과정을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 쉐이프릿(Shapelet) 데이터를 생성하는 과정을 설명하기 위한 도면이다.
도 11은 본 발명의 일 실시예에 따른 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습하는 과정을 설명하기 위한 도면이다.
도 12는 본 발명의 일 실시예에 따른 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습하는 과정을 설명하기 위한 도면이다.
도 13은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 학습한 쉐이프릿 중 통계적으로 유의미한 쉐이프릿을 로짓 회귀의 계수 분석으로 최종적으로 선별한 도면이다.
도 14는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 선별한 쉐이프릿 중 각 쉐이프릿을 최대 유사도로 갖는 샘플을 찾고, 샘플의 저혈압 유무 별 개수를 집계한 도면이다.
도 15는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 압축된 전체 구간에서 가중치가 형성된 지점 별 집계를 나타낸 그래프이다.
도 16은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법을 이용하여 선별한 쉐이프릿을 시각화 한 내용을 나타낸 그래프이다.

이하, 본 발명에 관련된 동맥압 웨이블릿 변환 기반 저혈압을 예측하기 위한 장치, 방법 및 이의 저혈압 예측 모델 학습 방법에 대하여 도면을 참조하여 보다 상세하게 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.

이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.

도 1은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치를 나타낸 도면이다.

도 1을 참조하면, 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 프로세서(11) 및 메모리(12)를 포함한다.

본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 피검자의 동맥압(Arterial Blood Pressure, ABP)을 저혈압 모니터링 지표로 활용하여 피검자의 저혈압 발생 여부를 예측하기 위한 장치이다.

도 1에 예시적으로 도시된 바와 같이, 저혈압을 예측하기 위한 장치(10)는 수술 중 피검자(20)의 동맥압 데이터를 입력 받아, 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 피검자의 저혈압 여부를 판단할 수 있다.

본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 미리 학습된 저혈압 예측 모델을 이용하며, 저혈압 발생에 대한 사전 경보 역할을 하고 효율적인 의사 결정 프로세스를 제공함으로써 환자 예후 향상에 기여할 수 있다.

메모리(12)는 프로세서(11)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있고, 미리 학습된 저혈압 예측 모델이 저장되며, 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 컴퓨터 판독 가능한 저장매체를 포함할 수 있다.

메모리(12)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있으며, 후술할 미리 학습된 저혈압 예측 모델이 소프트웨어 모듈로 구성될 수 있다.

프로세서(11)는 메모리(12)에 저장된 하나 이상의 인스트럭션을 실행하며, 구체적으로, 피검자의 동맥압 데이터를 입력 받아, 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 피검자의 저혈압 여부를 판단한다.

본 발명의 일 실시예에서, 동맥압 데이터의 측정 구간 별 변화 행태는 혈압이 전체적으로 변화하는 트렌드를 항목화시킨 것을 의미한다.

혈압이 전체적으로 변화하는 행태는 사실상 저혈압의 원인과 직결된 가장 중요한 정보가 된다.

따라서, 이 트렌드의 정보를 담는 압축된 동맥압 데이터의 low frequency 성분을 추출하고 로컬(local)한 단위로 쪼갰을 때 각 구간 별 트렌드를 예측에 활용함으로써 로컬한 개형의 전반적인 변화를 통해 저혈압을 예측할 수 있다.

여기서, 프로세서(11)는 기능에 따라 복수 개의 모듈들로 구분될 수도 있고, 하나의 프로세서에서 기능들을 수행할 수도 있다. 프로세서는 중앙처리장치(central processing unit(CPU)), 어플리케이션 프로세서(application processor(AP)), 마이크로 컨트롤러 유닛(micro controller unit(MCU)) 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다.

본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)의 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것이다.

본 발명의 일 실시예에 따른 저혈압 예측 모델은, 하기 도 4 내지 도 7을 이용하여 상세히 설명한다.

프로세서(11)는 피검자의 동맥압 데이터를 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 학습된 쉐이프릿 데이터와의 유사도를 계산한다.

이후, 측정 구간 별 트렌드 데이터의 계산된 유사도에 대해 로지스틱 회귀 레이어을 이용하여 저혈압 발생 확률을 산출하고, 저혈압 발생 확률에 기초하여 저혈압을 예측할 수 있다.

도 2는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법을 나타낸 흐름도이다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법은 피검자의 저혈압을 예측하기 위한 장치에 의해 수행되며, 단계 S110에서 피검자의 동맥압 데이터를 입력 받고, 단계 S120 내지 S130에서 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 피검자의 저혈압 여부를 판단한다.

여기서, 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것이다.

구체적으로, 단계 S120에서 피검자의 동맥압 데이터를 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 학습된 쉐이프릿(Shapelet) 데이터와의 유사도를 계산한다.

여기서, 동맥압 데이터가 저혈압 예측 모델에 입력되면, 저혈압 예측 모델 내부에서 최적으로 압축되면서 트렌드 데이터가 추출된다.

이후, 단계 S130에서 측정 구간 별 트렌드 데이터의 계산된 유사도에 대해 로지스틱 회귀 레이어를 이용하여 저혈압 발생 확률을 산출한다.

구체적으로, 동맥압 데이터를 압축하면서 트렌드 데이터를 추출하고, Sliding 방식으로 중첩하면서 구간을 나눈다. 이후 각 구간별 추출된 트렌드 데이터와 쉐이프릿 데이터와의 유사도를 계산하고, 각 쉐이프릿 별 최대 유사도만을 선택한다.

예를 들어, 30개의 쉐이프릿이라면 30개의 유사도만 남게 된다. 이후 로짓 회귀 레이어를 통해 확률을 계산한다.

도 3은 본 발명의 일 실시예에 따른 저혈압 예측 모델 학습 방법을 나타낸 흐름도이다.

도 3을 참조하면, 본 발명의 일 실시예에 따른 저혈압 예측 모델 학습 방법은 프로세서에 의해 수행되며, 단계 S210에서 학습용 동맥압 데이터를 입력 받는다.

이후, 단계 S220에서 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습시킨다.

트렌드 데이터를 추출하도록 학습시키는 과정에서, 학습용 동맥압 데이터를 로우 패스 필터링하도록 제1 레이어에서 학습된 학습 파라미터를 갱신한다.

이후, 단계 S230에서 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성한다.

단계 S240에서 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습시킨다.

구체적으로, 압축된 동맥압 자료의 특정 구간이 가중치를 부여 받아 예측이 더 잘되도록 학습된다.

단계 S250에서 학습된 가중치에 기초하여, 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습시킨다.

여기서, 쉐이프릿 데이터와 압축되면서 추출된 각각의 트렌드 데이터 간의 유사도 특징값을 학습시킨다.

도 4 내지 도 7은 본 발명의 일 실시예에 따른 저혈압 예측 모델의 예시적인 구조를 설명하기 위한 도면이다.

도 4는 본 발명의 일 실시예에 따른 저혈압 예측 모델의 전체 구조를 도시한 것이다.

본 발명의 일 실시예에 따른 저혈압 예측 모델은 동맥압 데이터의 로컬한 단위에서의 트렌드 특성을 모델 내에서 시각화가 가능하도록 설계된다.

이러한 트렌드 변화를 수술 중에 확인할 수 있도록 전체 시계열을 압축한 행태로 변환하여 설명력을 부여하는 예측 모델로 생성된다.

도 4를 참조하면, 본 발명의 일 실시예에 따른 저혈압 예측 모델은 제1 레이어(100), 쉐이프릿 데이터 생성 모듈(200), 제2 레이어(300) 및 제3 레이어(400)를 포함한다.

본 발명의 일 실시예에서, 레이어는 적어도 하나의 레이어를 포함하는 학습 모듈을 포함하는 것을 의미하며, 여기서, 레이어는 재사용할 수 있고 훈련 가능한 변수를 가진, 알려진 수학적 구조의 함수를 통칭할 수 있다.

제1 레이어(100)는 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습된다.

여기서, 제1 레이어(100)에서 학습된 학습 파라미터를 이용하여 학습용 동맥압 데이터를 로우 패스 필터링하도록 학습된다.

쉐이프릿 데이터 생성 모듈(200)은 트렌드 데이터 각각을 행태에 따라 쉐이프릿 데이터로 생성한다.

제2 레이어(300)는 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습된다.

제3 레이어(400)는 학습된 가중치에 기초하여, 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습된다.

도 5는 본 발명의 일 실시예에 따른 저혈압 예측 모델에서 제1 레이어의 세부 구조를 도시한 것이다.

본 발명의 일 실시예에 따른 저혈압 예측 모델은 학습 파라미터(φ)를 이용하여 학습용 동맥압 데이터를 로우 패스 필터링하도록 학습된다.

도 5를 참조하면, 제1 레이어의 제1 영역(θ(x))는 softplus를 활성화 함수로 하는 복수의 convolution과 max pooling layer로 구성될 수 있다.

또한, 제2 영역(δ(x))은 relu와 sigmoid의 활성화 함수를 갖는 복수의 dense 레이어를 포함하여 구성될 수 있다.

도 6은 본 발명의 일 실시예에 따른 저혈압 예측 모델에서 제2 레이어의 세부 구조를 도시한 것이다.

본 발명의 일 실시예에 따른 저혈압 예측 모델은 학습 파라미터(μ)를 이용하여 로컬 중요도에 가중치를 반영하도록 학습된다. 또한, 학습 파라미터(ρ)를 이용하여 학습을 진행할 수 있다.

도 6의 (a)를 참조하면, 제2 레이어의 제1 영역(μ(x))는 softplus를 활성화 함수로 하는 적어도 하나의 convolution, 적어도 하나의 max pooling layer 및 relu와 sigmoid의 활성화 함수를 갖는 복수의 dense 레이어를 포함하여 구성될 수 있다.

또한, 도 6의 (b)를 참조하면, 제2 레이어의 제2 영역(ρ (x))는 텐서를 처리하여 구간별 가중치를 계산하며, 주어진 중요도와 표준편차를 기반으로 분포를 생성한다.

도 7은 본 발명의 일 실시예에 따른 저혈압 예측 모델에서 제3 레이어의 세부 구조를 도시한 것이다.

본 발명의 일 실시예에 따른 저혈압 예측 모델은 학습 파라미터(τ, β)를 이용하여 로지스틱 회귀 레이어 바탕의 확률추론이 되도록 학습된다.

도 7을 참조하면, 제3 레이어의 제1 영역(τ(x))는 쉐이프릿 데이터 유사성 텐서 전반에 걸쳐 중요도 텐서를 처리하고 최대 유사성을 갖는 구간을 선택한다.

또한, 제2 영역(β(x))은 sigmoid의 활성화 함수를 갖는 적어도 하나의 dense 레이어를 포함하여 구성될 수 있다.

도 8 및 도 9는 본 발명의 일 실시예에 따른 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 저혈압 예측 모델 학습 방법은 Wavelet Transform을 이용하여 low-pass filtering을 통해 시계열 데이터를 압축함으로써 전반적인 신호의 경향성을 남긴다.

먼저, 도 8에 나타난 바와 같이 초기 ABP input 값으로부터 시계열 압축을 진행한다. 여기서, 시계열 압축을 위해 활용한 low-pass 필터의 수식에서 frequency cutoff 계수를 모델 내에서 학습되는 parameter로 학습한다.

본 발명의 일 실시예에 따르면, Low-pass 필터의 합성곱으로 시계열 압축을 진행하며, 도 9에 나타난 바와 같이, 압축된 ABP 자료를 frame size가 50인 국소 구간으로 나누어 차원 확장시킬 수 있다. 여기서, frame size는 이에 한정되는 것은 아니다.

도 10은 본 발명의 일 실시예에 따른 쉐이프릿(Shapelet) 데이터를 생성하는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 트렌드 데이터 각각을 형태에 따라 쉐이프릿 데이터로 생성한다

여기서, 쉐이프릿 데이터는 시계열 내 특정 구간의 모양(국소 모양)을 하나의 특성으로 간주한 것을 의미한다.

본 발명의 일 실시예에 따르면, 복수의 트렌드 데이터를 30개의 쉐이프릿 데이터로 학습하고 압축된 시계열의 모든 국소 구간과의 유사도를 계산한다.

도 11은 본 발명의 일 실시예에 따른 저혈압 예측에 필요한 트레이닝 구간에가중치를 부여하도록 학습하는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간을 선정하여 가중치를 부여하도록 학습된다.

구체적으로, 압축된 시계열의 모든 국소 구간 중 저혈압 예측에 중요하게 작용한 5개의 구간에 가중치를 두도록 학습하여 가우지안 분포의 평균값으로 설정하고, 5개의 국소 구간으로부터 형성된 5개의 가우지안 분포를 모두 더한 확률 분포를 압축된 시계열 내 가중치로 활용할 수 있다.

본 발명의 일 실시예에서는 5개의 구간을 예로 들어 설명하였으나 이에 한정되는 것은 아니다.

도 12는 본 발명의 일 실시예에 따른 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습하는 과정을 설명하기 위한 도면이다.

본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 장치(10)는 학습된 가중치에 기초하여, 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습된다.

여기서, 모든 local 구간과 쉐이프릿 데이터의 유사도를 계산한 후, 각 쉐이프릿을 데이터를 기준으로 가장 높은 유사도를 특징값으로 산출할 수 있다.

구체적으로, 구간 별 가중치를 국소 구간과 모형 간의 유사도에 대해 곱하고 국소 구간 중 가장 높은 유사도를 보이는 값만 선별한다.

이후, 가중치를 고려한 유사도 값을 'X', 저혈압 확률을 'y'로 갖는 회귀 분석(logistic regression)을 진행할 수 있다.

도 13은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 학습한 쉐이프릿 중 통계적으로 유의미한 쉐이프릿을 로짓 회귀의 계수 분석으로 최종적으로 선별한 도면이다.

도 13은 30개의 국소모형과의 유사도 값 중 상관관계가 0.8이하인 국소모형을 선별한 결과를 나타낸 것이며, 이를 통해 선별한 국소모형의 유사도 값들로 진행한 logistic regression의 coefficient은 두 가지 method로 계산하여 결과의 일반화를 보이는 것을 확인할 수 있다.

도 14는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 선별한 쉐이프릿 중 각 쉐이프릿을 최대 유사도로 갖는 샘플을 찾고, 샘플의 저혈압 유무 별 개수를 집계한 도면이다.

도 14를 참조하면, Sample 별로 3개의 쉐이프릿 데이터 중 최대 유사도(similarity)를 갖는 쉐이프릿 데이터를 찾고, 각 쉐이프릿 데이터와 높은 유사도를 보이는 샘플들의 target 값을 확인할 수 있다.

여기서, 저혈압 유무 y = 0/1로 나타내며, 해당 개수를 count할 수 있다.

도 15는 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법에서 압축된 전체 구간에서 가중치가 형성된 지점 별 집계를 나타낸 그래프이다.

도 16은 본 발명의 일 실시예에 따른 저혈압을 예측하기 위한 방법을 이용하여 선별한 쉐이프릿을 시각화 한 내용을 나타낸 그래프이다.

도 16의 (a)는 저혈압 샘플과 유사한 쉐이프릿 데이터를 나타낸 것이다.

도 16의 (b)와 (c)는 저혈압이 아닌 샘플과 유사한 쉐이프릿 데이터를 나타낸 것이다.

이를 통해 쉐이프릿 데이터 모양의 시각화로 ABP waveform 저주파 성분의 변동성이나 전체적인 혈압의 트렌드 변화를 직관적으로 해석 가능하며, 저혈압인 샘플과 아닌 샘플에서 확연한 쉐이프릿 데이터 모양 및 coefficient의 차이가 존재함을 확인할 수 있다.

또한, 피검자의 동맥압 데이터를 입력 받는 단계 및 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 프로그램이 저장된 기록매체를 제공할 수 있다.

또한, 피검자의 동맥압 데이터를 입력 받는 단계 및 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 판독 가능한 저장매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.

이러한 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상의 설명은 본 발명의 일 실시예에 불과할 뿐, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현할 수 있을 것이다. 따라서 본 발명의 범위는 전술한 실시예에 한정되지 않고 특허 청구 범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.

Claims

피검자의 저혈압을 예측하기 위한 장치에 있어서,
미리 학습된 저혈압 예측 모델이 저장된 메모리; 및
입력된 상기 피검자의 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 상기 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 프로세서;를 포함하는 저혈압을 예측하기 위한 장치.
제1항에 있어서,
상기 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 상기 학습용 동맥압 데이터의 복수의 구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것인 저혈압을 예측하기 위한 장치.
제2항에 있어서,
상기 저혈압 예측 모델은,
상기 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습된 제1 레이어; 및
상기 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성하는 쉐이프릿 데이터 생성 모듈;을 포함하는 저혈압을 예측하기 위한 장치.
제3항에 있어서,
상기 저혈압 예측 모델은,
상기 제1 레이어에서 학습된 학습 파라미터를 이용하여 상기 학습용 동맥압 데이터를 로우 패스 필터링하도록 학습된 것인 저혈압을 예측하기 위한 장치.
제3항에 있어서,
상기 저혈압 예측 모델은,
상기 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습된 제2 레이어; 및
학습된 상기 가중치에 기초하여, 상기 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습된 제3 레이어를 포함하는 저혈압을 예측하기 위한 장치.
제3항에 있어서,
상기 프로세서는,
상기 피검자의 동맥압 데이터를 상기 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 상기 학습된 쉐이프릿 데이터와의 유사도를 계산하는 저혈압을 예측하기 위한 장치.
제6항에 있어서,
상기 프로세서는,
상기 측정 구간 별 트렌드 데이터의 상기 계산된 유사도에 대해 로지스틱 회귀 레이어를 이용하여 저혈압 발생 확률을 산출하는 저혈압을 예측하기 위한 장치.
프로세서에 의해 수행되는 저혈압 예측 모델 학습 방법에 있어서,
학습용 동맥압 데이터를 입력 받는 단계;
상기 학습용 동맥압 데이터를 웨이블릿 변환(wavelet transform)하여 상기 학습용 동맥압 데이터를 압축하면서 구간 별 트렌드 데이터를 추출하도록 학습시키는 단계; 및
상기 트렌드 데이터 각각을 행태에 따라 쉐이프릿(Shapelet) 데이터로 생성하는 단계;를 포함하는 저혈압 예측 모델 학습 방법.
제8항에 있어서,
상기 트렌드 데이터를 추출하도록 학습시키는 단계는,
상기 학습용 동맥압 데이터를 로우 패스 필터링하도록 제1 레이어에서 학습된 학습 파라미터를 갱신하는 단계를 포함하는 저혈압 예측 모델 학습 방법.
제8항에 있어서,
상기 복수의 구간들 중 저혈압 예측에 필요한 트레이닝 구간에 가중치를 부여하도록 학습시키는 단계; 및
학습된 상기 가중치에 기초하여, 상기 트레이닝 구간의 쉐이프릿 데이터와 상기 트렌드 데이터 간의 유사도 특징값을 산출하도록 학습시키는 단계를 포함하는 저혈압 예측 모델 학습 방법.
피검자의 저혈압을 예측하기 위한 장치에 의해 수행되는 저혈압을 예측하기 위한 방법에 있어서,
상기 피검자의 동맥압 데이터를 입력 받는 단계; 및
상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계;를 포함하는 저혈압을 예측하기 위한 방법.
제11항에 있어서,
상기 저혈압 예측 모델은, 학습용 동맥압 데이터를 학습 데이터로 하고, 상기 학습용 동맥압 데이터의 복수의구간 별 저혈압 발생 여부를 레이블로 하여 학습된 것인 저혈압을 예측하기 위한 방법.
제11항에 있어서,
상기 저혈압 여부를 판단하는 단계는,
상기 피검자의 동맥압 데이터를 상기 저혈압 예측 모델에 입력하여, 상기 동맥압 데이터의 측정 구간 별 트렌드 데이터와 학습된 쉐이프릿(Shapelet) 데이터와의 유사도를 계산하는 단계를 포함하는 저혈압을 예측하기 위한 방법.
제13항에 있어서,
상기 저혈압 여부를 판단하는 단계는,
상기 측정 구간 별 트렌드 데이터의 상기 계산된 유사도에 대해 로지스틱 회귀 레이어를 이용하여 저혈압 발생 확률을 산출하는 단계를 포함하는 저혈압을 예측하기 위한 방법.
피검자의 동맥압 데이터를 입력 받는 단계; 및
상기 동맥압 데이터의 측정 구간 별 변화 행태에 기초하여, 저혈압 예측 모델을 이용하여, 상기 피검자의 저혈압 여부를 판단하는 단계를 포함하는 저혈압을 예측하기 위한 방법을 수행하도록 하는 명령어를 포함하는 컴퓨터 프로그램이 저장된 기록매체.