KR20230026207A

KR20230026207A - 질병 탐지 장치 및 방법

Info

Publication number: KR20230026207A
Application number: KR1020210108329A
Authority: KR
Inventors: 박근호
Original assignee: 주식회사 케이티
Priority date: 2021-08-17
Filing date: 2021-08-17
Publication date: 2023-02-24

Abstract

질병 탐지 방법이 개시된다. 본 발명에 따른 질병 탐지 방법은, 사용자의 단말로부터 호흡음 데이터를 수신하는 단계, 상기 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하는 단계, 상기 입력 데이터를 부잡음 분류 모델에 제공하여, 상기 호흡음 데이터에 상응하는 부잡음의 종류를 결정하는 단계, 상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델에 제공하여, 질병의 종류를 결정하는 단계, 및, 상기 질병의 종류를 상기 사용자의 단말에 전송하는 단계를 포함한다.

Description

질병 탐지 장치 및 방법 {DISEASE DETECTION DEVICE AND METHOD}

본 발명은, 호흡음을 이용하여 부잡음의 종류를 결정하고, 부잡음의 종류와 다른 정보들을 활용하여 호흡기 질환을 조기 탐지할 수 있는, 질병 탐지 장치 및 방법에 관한 것이다.

인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

한편, 인공지능을 이용하여 주변의 상황을 인지 및 학습하고 사용자가 원하는 정보를 원하는 형태로 제공하거나 사용자가 원하는 동작이나 기능을 수행하는 기술이 활발하게 연구되고 있다.

한편 종래에는 호흡기 관련 질병을 진단하기 위해서는 병원에 직접 방문하여 의사에게 검진을 받아야 했으며, 이에 따라 호흡기 관련 질병을 조기에 발견할 수 없다는 문제가 있었다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 호흡음을 이용하여 부잡음의 종류를 결정하고, 부잡음의 종류와 다른 정보들을 활용하여 호흡기 질환을 조기 탐지할 수 있는, 질병 탐지 장치 및 방법을 제공하기 위함이다.

본 발명에 따른 질병 탐지 장치는, 사용자의 단말로부터 호흡음 데이터를 수신하는 단계, 상기 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하는 단계, 상기 입력 데이터를 부잡음 분류 모델에 제공하여, 상기 호흡음 데이터에 상응하는 부잡음의 종류를 결정하는 단계, 상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델에 제공하여, 질병의 종류를 결정하는 단계, 및, 상기 질병의 종류를 상기 사용자의 단말에 전송하는 단계를 포함한다.

이 경우 상기 수면 정보는, 수면 중 상기 사용자의 자세 정보, 무호흡 정보 및 구강 호흡 정보를 포함할 수 있다.

한편 상기 입력 데이터를 생성하는 단계는, 상기 호흡음 데이터를 단구간 푸리에 변환하여 복수의 이미지 데이터를 포함하는 상기 입력 데이터를 생성하는 단계를 포함할 수 있다.

이 경우 상기 부잡음 지수는, 상기 결정된 부잡음의 종류에 대하여 상기 부잡음 분류 모델이 출력한 확률 값 및 상기 결정된 부잡음의 종류의 빈도수 중 적어도 하나에 기반하여 산출될 수 있다.

한편 상기 부잡음의 종류를 결정하는 단계는, 제n 주기 내 호흡 주기들의 평균 값 및 제 n-1 주기 내 호흡 주기들의 평균 값의 차가 임계 값보다 작은 경우, 상기 입력 데이터를 상기 부잡음 분류 모델에 제공할 수 있다.

한편 상기 입력 데이터를 생성하는 단계는, 상기 사용자의 키 및 성별을 이용하여 상기 사용자의 성도의 길이 및 굵기에 대응하는 정규화 계수를 생성하고, 상기 정규화 계수로 상기 호흡음 데이터의 주파수를 보정하여 상기 복수의 이미지 데이터를 생성할 수 있다.

이 경우 상기 정규화 계수는, 남성에 비해 여성이 더 크고, 키가 작은 사람에 비해 키가 큰 사람이 더 클 수 있다.

한편 상기 질병의 종류를 결정하는 단계는, 상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보와 함께, 상기 호흡음 데이터를 수집한 패치형 센서의 부착 위치를 질병 분류 모델에 제공하여, 상기 질병의 종류를 결정하는 단계를 포함할 수 있다.

한편 본 발명에 따른 질병 탐지 장치는, 사용자의 단말로부터 호흡음 데이터를 수신하는 통신부, 및, 상기 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하고, 상기 입력 데이터를 부잡음 분류 모델에 제공하여, 상기 호흡음 데이터에 상응하는 부잡음의 종류를 결정하고, 상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델에 제공하여, 질병의 종류를 결정하고, 상기 질병의 종류를 상기 사용자의 단말에 전송하는 제어부를 포함한다.

한편 상기 제어부는, 상기 호흡음 데이터를 단구간 푸리에 변환하여 복수의 이미지 데이터를 포함하는 상기 입력 데이터를 생성할 수 있다.

한편 상기 제어부는, 제n 주기 내 호흡 주기들의 평균 값 및 제 n-1 주기 내 호흡 주기들의 평균 값의 차가 임계 값보다 작은 경우, 상기 입력 데이터를 상기 부잡음 분류 모델에 제공할 수 있다.

한편 상기 제어부는, 상기 사용자의 키 및 성별을 이용하여 상기 사용자의 성도의 길이 및 굵기에 대응하는 정규화 계수를 생성하고, 상기 정규화 계수로 상기 호흡음 데이터의 주파수를 보정하여 상기 복수의 이미지 데이터를 생성할 수 있다.

한편 상기 제어부는, 상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보와 함께, 상기 호흡음 데이터를 수집한 패치형 센서의 부착 위치를 질병 분류 모델에 제공하여, 상기 질병의 종류를 결정할 수 있다.

본 발명에 따르면, 단순히 호흡음에 기초하여 질병을 분류하는 것이 아니라, 실제로 의사들이 청진기를 이용하여 듣는 부잡음을 검출한 후, 검출된 부잡음과 다른 요소들(부잡음 지수, 수면 정보, 신상 정보 등)을 이용하여 질병을 분류한다. 이에 따라 질병 분류의 정확도를 향상시킬 수 있는 장점이 있다.

본 발명에 따르면, 보정 주파수를 이용하여 트레이닝용 호흡음 데이터를 표준화 시켜서 인공지능 모델을 트레이닝 하고, 보정 주파수를 인공지능 모델에 입력하여 부잡음의 종류 등을 분류함으로써, 사용자의 신체적 특징들이 상이함에도 불구하고 인공지능 모델의 분류 정확도를 향상시킬 수 있으며, 다양한 사용자들의 호흡음 데이터에 대하여 하나의 인공지능 모델을 이용하여 부잡음의 종류나 질병의 종류를 분류할 수 있는 장점이 있다.

도 1은 본 발명에 따른 질병 탐지 시스템을 설명하기 위한 도면이다.
도 2는 본 발명에 따른 질병 탐지 장치(100)를 설명하기 위한 블록도이다.
도 3은 본 발명에 따른 질병 탐지 방법을 설명하기 위한 순서도이다.
도 4는 본 발명에 따른, 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하고, 입력 데이터를 이용하여 부잡음의 종류를 결정하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명에 따른, 부잡음의 종류, 부잡음 지수 및 수면 정보를 이용하여 질병의 종류를 결정하는 방법을 설명하기 위한 도면이다.
도 6은 본 발명에 따른, 성도의 길이에 기반하여 트레이닝용 호흡음 데이터 및 호흡음 데이터를 정규화 하는 방법을 설명하기 위한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 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. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 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 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.

도 1은 본 발명에 따른 질병 탐지 시스템을 설명하기 위한 도면이다.

본 발명에 따른 질병 탐지 시스템은, 사용자의 단말(200, 300) 및 질병 탐지 장치(100)를 포함할 수 있다,

사용자의 단말(200, 300)은 이동 단말기(200) 및 패치형 센서(300) 중 적어도 하나를 포함할 수 있다. 그리고 패치형 센서(300)에서 수집된 호흡음 데이터는, 이동 단말기(200)를 통하여 질병 탐지 장치(100)로 전송되거나, 이동 단말기(200)를 통하는 것 없이 질병 탐지 장치(100)로 직접 전송될 수 있다.

패치형 센서(300)는 신체의 다양한 부위에 부착되어 사용자의 호흡음을 수집하고, 수집된 호흡음을 나타내는 호흡음 데이터를 질병 탐지 장치(100) 또는 이동 단말기(200)에 전송할 수 있다. 이를 위해 패치형 센서(300)는 호흡음을 수신하는 마이크, 호흡음 데이터를 생성하는 제어부 및 외부 장치와 통신하기 위한 통신부를 포함할 수 있다.

예를 들어 패치형 센서(300)는 사용자의 가슴, 등, 목 등에 부착되어, 하부 호흡기(폐, 기관지 등)에서 들리는 호흡음을 수신할 수 있다.

또한 패치형 센서(300)는 매일 다른 위치에 부착될 수 있다. 예를 들어 첫날에는 목에, 둘째 날은 왼쪽 상부 가슴에, 셋째 날은 왼쪽 하부 가슴에, 넷째 날은 등에 부착될 수 있다. 즉 의사가 진료를 할 때 청진기를 신체의 다양한 부위에 접촉하는 것과 마찬가지로, 패치형 센서(300)는 사용자가 수면에 들어갈 때 마다 다양한 위치에 부착될 수 있다. 그리고 패치형 센서(300)가 가슴에 부착됨에 따라, 폐에서 나는 호흡음이 수집될 수 있다.

또한 패치형 센서(300)는 가속도 센서를 포함할 수 있다. 이에 따라 패치형 센서(300)는 가속도 데이터를 획득하고, 획득된 가속도 데이터를 질병 탐지 장치(100) 또는 이동 단말기(200)에 전송할 수 있다.

또한 패치형 센서(300)는, 별도의 접착제 없이, 고무 흡착 방식으로 신체에 부착될 수 있다.

본 명세서에서 설명되는 이동 단말기(200)에는, 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등이 포함될 수 있다.

이동 단말기(200)는 패치형 센서(300)로부터 호흡음 데이터 및 가속도 데이터를 수신하고, 호흡음 데이터 및 가속도 데이터를 질병 탐지 장치(100)에 전송할 수 있다. 따라서 이동 단말기(200)는 외부 장치와 통신하기 위한 통신부를 포함할 수 있다. 이 경우 통신부는, 블루투스, 와이파이 등의 근거리 통신 기술을 통하여 패치형 센서(300)와 통신할 수 있다.

또한 이동 단말기(200)는 입력부를 포함하고, 입력부를 통하여 사용자의 키, 몸무게, 기저 질환 정보, 성별, 나이 중 적어도 하나를 포함하는 신상 정보를 수신할 수 있다. 그리고 이동 단말기(200)는 사용자의 신상 정보를 질병 탐지 장치(100)에 전송할 수 있다.

또한 이동 단말기(200)는 디스플레이부를 포함하고, 질병 탐지 장치(100)로부터 질병의 종류, 호흡 습관, 수면 습관 등을 포함하는 수면 통계 정보를 수신하여 디스플레이 할 수 있다.

한편 이동 단말기(200)에는 질병 및 수면 관리 앱이 설치될 수 있으며, 이동 단말기(200)는 질병 및 수면 관리 앱의 실행에 의해 상술한 동작을 수행할 수 있다.

예를 들어 사용자는 취침 전에 질병 및 수면 관리 앱을 실행할 수 있다. 그리고 사용자의 수면 중, 이동 단말기(200)는 패치형 센서(300)로부터 호흡음 데이터를 수신하여 질병 탐지 장치(100)에 전송할 수 있다.

또한 이동 단말기(200)는 패치형 센서(300)의 부착 위치의 안내를 출력할 수 있다.

질병 탐지 장치(100)는 복수의 사용자의 단말로부터 데이터를 수신하고, 데이터를 분석하여 부잡음의 종류, 질병의 종류 등을 결정하고, 복수의 사용자의 단말에 질병의 종류, 호흡 습관, 수면 습관 등을 포함하는 수면 통계 정보를 제공하는 서버로써 동작할 수 있다.

질병 탐지 장치(100)는 사용자의 단말(200, 300)로부터 호흡음 데이터를 수신하고, 호흡음 데이터를 전 처리 하여 입력 데이터를 생성할 수 있다.

또한 질병 탐지 장치(100)는 입력 데이터를 부잡음 분류 모델에 제공하여, 호흡음 데이터에 상응하는 부잡음의 종류를 결정하고, 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델에 제공하여, 질병의 종류를 결정할 수 있다.

또한 질병 탐지 장치(100)는 종류, 호흡 습관, 수면 습관 등을 포함하는 수면 통계 정보를 이동 단말기(200)에 전송할 수 있다.

도 2는 본 발명에 따른 질병 탐지 장치(100)를 설명하기 위한 블록도이다.

본 발명에 따른 질병 탐지 장치(100)는, 통신부(110), 제어부(120), 메모리(130)를 포함할 수 있다.

통신부(110)는 외부 장치와 통신하기 위한 통신 회로 또는 통신 모듈을 포함할 수 있다. 그리고 통신부(110)는 사용자의 단말(200, 300)로부터 호흡음 데이터, 가속도 데이터, 사용자의 신상 정보 등을 수신할 수 있다.

한편 제어부(120)는 질병 탐지 장치(100)의 전반적인 동작을 제어할 수 있다.

또한 제어부(120)는 메모리(130)로부터 인공지능 모델을 독출하여 실행할 수 있다. 이에 따라 아래에서 설명하는 인공지능 모델의 동작은, 제어부(120)의 동작인 것으로 볼 수도 있다.

메모리(130)는, 질병 탐지 장치(100)의 동작을 위한 명령어 또는 기타 프로그램을 저장할 수 있다.

또한 메모리(130)는, 사용자별 데이터(호흡음 데이터, 가속도 데이터, 가속도 데이터에 기초하여 생성된 자세 정보, 개인 정보, 수면 통계 정보 등)를 저장할 수 있다.

또한 메모리(130)는 인공지능 모델을 저장하는 모델 저장부(130)를 포함할 수 있다. 구체적으로 인공지능 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 인공지능 모델을 구성하는 하나 이상의 명령어는 모델 저장부(130)에 저장될 수 있다.

한편 인공지능 모델은 인공 신경망을 포함할 수 있다. 여기서 인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다. 그리고 인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

한편 인공지능 모델은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

또한 인공지능 모델은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법인 지도 학습 알고리즘에 의해 트레이닝 될 수 있다. 이 경우 인공지능 모델은 훈련 데이터 및 레이블링 데이터(훈련 데이터가 입력되는 경우 인공지능 모델이 추론해 내야 하는 정답)을 이용하여 트레이닝 되며, 트레이닝의 반복에 따라 인공지능 모델의 파라미터(가중치, 편향 등)이 최적화 될 수 있다.

한편 인공지능 모델은, 부잡음 분류 모델, 질병 분류 모델, 구강 호흡 분류 모델 및 무호흡 분류 모델 중 적어도 하나를 포함할 수 있다.

도 3은 본 발명에 따른 질병 탐지 방법을 설명하기 위한 순서도이다.

본 발명에 따른 질병 탐지 방법은, 사용자의 단말로부터 호흡음 데이터를 수신하는 단계(S310), 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하는 단계(S320), 입력 데이터를 부잡음 분류 모델에 제공하여, 호흡음 데이터에 상응하는 부잡음의 종류를 결정하는 단계(S330), 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델에 제공하여, 질병의 종류를 결정하는 단계(S340), 및, 질병의 종류를 사용자의 단말에 전송하는 단계(S350)를 포함할 수 있다.

S310와 관련하여, 제어부(120)는 통신부(110)를 통하여 호흡음 데이터를 수신할 수 있다. 이 경우 제어부(120)는 패치형 센서(300)로부터 또는 이동 단말기(200)로부터, 호흡음 데이터를 수신할 수 있다.

S320과 관련하여, 제어부(120)는 호흡음 데이터를 전 처리 하여 입력 데이터를 생성할 수 있다. 이와 관련해서는 도 4를 참고하여 설명한다.

도 4는 본 발명에 따른, 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하고, 입력 데이터를 이용하여 부잡음의 종류를 결정하는 방법을 설명하기 위한 도면이다.

도 4a를 참고하면, 제어부(120)는 호흡음 데이터(400)를 부잡음 분류 모델에 제공하기 전, 호흡음 데이터를 전 처리 하여 입력 데이터를 생성할 수 있다.

구체적을 제어부(120)는 호흡음 데이터(400)를 단구간 푸리에 변환(Short Time Fourier Transform, STFT)하여 복수의 이미지 데이터를 포함하는 상기 입력 데이터를 생성할 수 있다.

더욱 구체적으로, 제어부(120)는 호흡음 데이터(400)를 단구간 푸리에 변환(Short Time Fourier Transform, STFT)하여 스펙트럼으로 변환하고, 이를 다시 Mel Spectrogram 등의 스펙토그램으로 변환할 수 있다. 이에 따라 호흡음에 포함되는 다양한 특성이 나타나는 이미지 데이터가 생성될 수 있다.

또한 제어부(120)는, 호흡 주기에 기초하여 호흡음 데이터(400)를 분할하고, 분할된 복수의 호흡음 데이터를 이용하여 복수의 이미지 데이터를 생성할 수 있다. 이에 따라 제어부(120)는 호흡음 데이터를 이용하여 복수의 이미지 데이터(410, 420, 430)를 생성할 수 있다. 한편 호흡음 데이터(400)는 평균 호흡 주기에 기초하여 분할될 수도 있다.

여기서 복수의 이미지 데이터(410, 420, 430) 각각은, n개(정수 개)의 주기(한개 주기 또는 복수개의 주기)의 호흡음을 나타낼 수 있다. 또한 복수의 이미지 데이터(410, 420, 430)는 서로 동일한 개수의 호흡 주기의 호흡음을 나타낼 수 있다.

한편 복수의 이미지 데이터(410,420, 430)는 부잡음 분류 모델(1000)에 제공되는 입력 데이터로써 사용될 수 있다. 그리고, 먼저 부잡음 분류 모델(1000)의 트레이닝 방법에 대하여 설명한다.

제어부(120) 또는 다른 학습 장치는, 트레이닝용 이미지 데이터 및 트레이닝용 이미지 데이터에 대응하는 레이블링 데이터(정답 값)를 이용하여 부잡음 분류 모델(1000)을 트레이닝 할 수 있다.

구체적으로, 제어부(120) 또는 다른 학습 장치는, 트레이닝용 호흡음 데이터를 이용하여 트레이닝용 이미지 데이터를 생성하고, 트레이닝용 이미지 데이터를 부잡음 분류 모델(1000)에 입력할 수 있다. 이 경우 부잡음 분류 모델(1000)은 트레이닝용 이미지 데이터를 복수의 클래스 중 어느 하나로 분류할 수 있다. 여기서 복수의 클래스 각각은 부잡음의 종류를 의미할 수 있으며, 부잡음 분류 모델(1000)은 트레이닝용 이미지 데이터를 복수의 부잡음의 종류 중 어느 하나의 종류로 분류할 수 있다. 또한 복수의 클래스는 부잡음이 검출되지 않았음을 나타내는 정상 호흡음을 포함할 수도 있다.

이 경우 제어부(120) 또는 다른 학습 장치는, 부잡음 분류 모델(1000)이 출력한 부잡음의 종류 및 확률 값과 레이블링 데이터(정답 값)의 차이(손실 값)에 기반하여 부잡음 분류 모델(1000)의 파라미터(가중치, 편향 등)를 업데이트 할 수 있다.

그리고 이러한 트레이닝의 반복을 통하여, 부잡음 분류 모델(1000)의 파라미터가 최적화 될 수 있다.

한편 이미지 데이터로부터 특징 벡터를 추출하기 위하여, 부잡음 분류 모델(1000)은 컨볼루션 신경망(Convolutional Neural Networks, CNN)을 포함할 수 있다.

한편 호흡음은, 정상 호흡음 및 부잡음을 포함할 수 있다. 여기서 부잡음이란, 정상 호흡음이 비 정상적으로 변형되어 나는 소리이거나, 정상 호흡음 이외에 들리는 소리를 의미할 수 있다.

예를 들어 부잡음은, 폐렴, 무기폐, 사이질폐렴(폐섬유증) 등에 따라 소리의 전달이 항진되어 정상 호흡음이 변형되는 소리, 기도 협착에 의해 기관지가 폐쇄되어 나는 소리, 흉막 내 액체/천식/기괌지염/폐부종 등에 의해 폐에서 나는 수포음, 기도염증에 의해 폐에서 나는 천명음 등을 포함할 수 있다.

도 4b에서는 부잡음의 예로, 천명음, 협착음, 수포음, 마찰음을 도시하였다.

한편 트레이닝이 완료된 부잡음 분류 모델(1000)은 질병 탐지 장치(100)에 탑재될 수 있다.

그리고 제어부(120)는 입력 데이터를 부잡음 분류 모델(1000)에 제공하여, 호흡음 데이터에 상응하는 부잡음의 종류를 결정할 수 있다.

구체적으로 입력 데이터를 수신한 부잡음 분류 모델(1000)은, 입력 데이터를 복수의 부잡음의 종류 중 어느 하나의 종류로 분류할 수 있다. 예를 들어 부잡음 분류 모델(1000)은 입력 데이터를 천명음으로 분류할 수 있다. 이 경우 제어부(120)는 호흡음 데이터에 상응하는 부잡음의 종류가 천명음인 것으로 결정할 수 있다.

한편 제어부(120)는 복수의 이미지 데이터(410, 420, 430)를 한번에 부잡음 분류 모델(1000)에 입력하고, 부잡음 분류 모델(1000) 복수의 이미지 데이터(410, 420, 430)을 이용하여 부잡음의 종류를 출력할 수 있다.

다만 이에 한정되지 않으며, 제어부(120)는 복수의 이미지 데이터(410, 420, 430)를 개별적으로 부잡음 분류 모델(1000)에 입력할 수 있다.

예를 들어 제어부(120)는 제1 이미지 데이터(410)를 부잡음 분류 모델(1000)에 제공할 수 있다. 이 경우 부잡음 분류 모델(1000)는 제1 이미지 데이터(410)에 기반하여 제1 분류 결과(부잡음의 종류, 해당 부잡음의 종류에 대응하는 확률 값 등)를 출력할 수 있다. 그리고 나서 제어부(120)는 제2 이미지 데이터(420)를 부잡음 분류 모델(1000)에 제공할 수 있다. 이 경우 부잡음 분류 모델(1000)는 제2 이미지 데이터(420)에 기반하여 제2 분류 결과(부잡음의 종류, 해당 부잡음의 종류에 대응하는 확률 값 등)를 출력할 수 있다.

한편 제어부(120)는 부잡음 지수를 산출할 수 있다. 여기수 부잡음 지수는, 결정된 부잡음 종류에 대하여 부잡음 분류 모델(1000)이 출력한 확률 값에 기반하여 산출될 수 있다.

구체적으로, 부잡음 분류 모델(1000)은 복수의 클래스에 각각 대응하는 복수의 확률 값을 출력할 수 있으며, 가장 높은 확률 값에 대응하는 특정 클래스가 입력 데이터에 대응하는 부잡음의 종류로 결정될 수 있다. 그리고 제어부(120)는 특정 클래스의 확률 값을 이용하여 부잡음 지수를 산출할 수 있다.

예를 들어 부잡음 분류 모델(1000)이 “천명음”을 90%의 확률 값으로 출력한 경우, 제어부(120)는 90%의 확률 값을 이용하여 부잡음 지수를 산출할 수 있다. 또 다른 예를 들어 부잡음 분류 모델(1000)이 “수포음”을 75%의 확률 값으로 출력한 경우, 제어부(120)는 75%의 확률 값을 이용하여 부잡음 지수를 산출할 수 있다.

한편, 더 높은 확률 값에 대하여 더욱 높은 부잡음 지수가 생성될 수 있다. 예를 들어 부잡음 분류 모델(1000)이 “천명음”을 90%의 확률 값으로 출력한 경우의 부잡음 지수는, 부잡음 분류 모델(1000)이 “수포음”을 75%의 확률 값으로 출력한 경우의 부잡음 지수보다 더 높을 수 있다.

한편 제어부(120)는 부잡음의 확률 값들을 조합하여 부잡음 지수를 산출할 수도 있다. 예를 들어 부잡음 분류 모델(1000)는 제1 이미지 데이터(410)에 기반하여 “천명음”을 90%의 확률 값으로 출력하고, 제2 이미지 데이터(420)에 기반하여 “정상 호흡음”을 출력하고, 제3 이미지 데이터(430)에 기반하여 “천명음”을 75%의 확률 값으로 출력한 경우, 제어부(120)는 90%의 확률 값 및 75%의 확률 값을 평균한 값을 이용하여 부잡음 지수를 산출할 수도 있다.

한편 부잡음 지수는, 결정된 부잡음의 종류의 빈도 수에 기초하여 산출될 수 있다.

구체적으로 복수의 이미지 데이터가 부잡음 분류 모델(1000)에 제공되었고, 부잡음 분류 모델(1000)은 복수의 이미지 데이터를 이용하여 부잡음의 종류를 결정할 수 있다. 예를 들어 부잡음 분류 모델(1000)은 제1 이미지 데이터를 제1 종류의 부잡음(예를 들어 천명음)으로 분류하고, 제2 이미지 데이터를 정상 호흡음으로 분류하고, 제3 이미지 데이터를 제3 종류의 부잡음(수포음)으로 분류하고, 제4 이미지 데이터를 제1 종류의 부잡음(천명음)으로 분류할 수 있다.

그리고 호흡음 데이터가 제1 종류의 부잡음(천명음)인 것으로 결정된 경우, 제어부(120)는 제1 종류의 부잡음(천명음)이 검출된 빈도 수(총 4회 중 2회 검출)에 기초하여 부잡음 지수를 산출할 수 있다.

또한 더 높은 빈도 수에 대하여 더욱 높은 부잡음 지수가 생성될 수 있다. 예를 들어 “천명음”이 총 400회 중 150회 검출된 경우의 부잡음 지수는, “천명음”총 400회 중 50회 검출된 경우의 부잡음 지수보다 클 수 있다.

한편 제어부(120)는 결정된 부잡음의 종류에 대하여 부잡음 분류 모델(1000)이 출력한 확률 값 및 결정된 부잡음의 종류의 빈도수에 기초하여 부잡음 지수를 산출할 수도 있다.

한편 제어부(120)는 수면 정보를 획득할 수 있다. 여기수 수면 정보는, 수면 중 사용자의 자세 정보, 무호흡 정보 및 구강 호흡 정보를 포함할 수 있다.

수면 중 사용자의 자세 정보와 관련하여, 제어부(120)는 패치형 센서(100)에서 수집된 가속도 데이터를 이용하여 수면 중 사용자의 자세 정보를 획득할 수 있다. 이 경우 제어부(120)는 호흡음 데이터가 수집된 시간 구간 내의 자세 정보를 획득할 수 있지만 이에 한정되지 않으며, 전체 수면 시간 중 사용자의 자세 정보를 획득할 수도 있다.

또한 자세 정보가 질병 탐지 장치(100)에서 획득되는 것으로 설명하였으나 이에 한정되지 않는다. 예를 들어 이동 단말기(200)는 가속도 데이터를 이용하여 사용자의 자세 정보를 획득하고, 획득된 자세 정보를 질병 탐지 장치(100)에 전송할 수 있다.

무호흡 정보와 관련하여, 무호흡이란, 수면 중 호흡 정지가 나타나는 상태를 의미할 수 있다. 그리고 제어부(120)는 호흡음 데이터 또는 앞서 설명한 입력 데이터에 기초하여 무호흡 정보를 획득할 수 있다. 여기서 무호흡 정보는, 수면 중 무호흡이 나타난 빈도 수 및 무호흡이 나타난 시간의 길이를 포함할 수 있다.

구강 호흡 정보와 관련하여, 구강 호흡이란, 입으로 호흡하는 상태를 의미할 수 있다. 그리고 제어부(120)는 호흡음 데이터 또는 앞서 설명한 입력 데이터에 기초하여 구강 호흡 정보를 획득할 수 있다. 여기서 구강 호흡 정보는, 수면 중 구강 호흡이 나타난 빈도 수 및 구강 호흡이 나타난 시간의 길이를 포함할 수 있다.

한편 구강 호흡 정보는, 구강 호흡 분류 모델을 이용하여 획득될 수도 있다.

구체적으로, 제어부(120) 또는 다른 학습 장치는, 트레이닝용 이미지 데이터를 구강 호흡 분류 모델에 입력할 수 있다. 이 경우 구강 호흡 분류 모델은 트레이닝용 이미지 데이터를 두 개의 클래스 중 어느 하나로 분류할 수 있다. 여기서 제1 클래스는 비 호흡(nasal respiration), 제2 클래스는 구강 호흡일 수 있다. 그리고 구강 호흡 분류 모델은, 트레이닝용 이미지 데이터를 비 호흡 또는 구강 호흡으로 분류할 수 있다.

이 경우 제어부(120) 또는 다른 학습 장치는, 구강 호흡 분류 모델이 출력한 결과 및 레이블링 데이터(정답 값)의 차이(손실 값)에 기반하여 구강 호흡 분류 모델의 파라미터(가중치, 편향 등)를 업데이트 할 수 있다. 그리고 이러한 트레이닝의 반복을 통하여 구강 호흡 분류 모델의 파라미터가 최적화 되며, 트레이닝이 완료된 구강 호흡 분류 모델은 질병 탐지 장치(100)에 탑재될 수 있다.

이 경우 제어부(120)는 입력 데이터를 구강 호흡 분류 모델에 제공하고, 구강 호흡 분류 모델이 출력한 결과(비 호흡 또는 구강 호흡)를 획득할 수 있다. 또한 제어부(120)는 구강 호흡 분류 모델이 출력한 결과에 기초하여, 수면 중 구강 호흡이 나타난 빈도 수 및 구강 호흡이 나타난 시간의 길이 중 적어도 하나를 포함하는 구강 호흡 정보를 획득할 수 있다.

한편 제어부(120)는 사용자의 신상 정보(키, 성별, 나이, 몸무게 등)에 기초하여 평균 폐활량을 계산하고, 계산된 평균 폐활량 및 사용자의 시간 당 호흡 횟수에 기초하여 구강 호흡 여부를 결정할 수도 있다.

다음으로, 제어부(120)는 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델에 제공하여 질병의 종류를 결정할 수 있다(S340). 여기서 질병은, 폐렴, 천식, 기관지염, 기흉 등의 다양한 호흡기 질병(호흡기 질환)을 포함할 수 있다.

이와 관련해서는 도 5를 참고하여 설명한다.

도 5는 본 발명에 따른, 부잡음의 종류, 부잡음 지수 및 수면 정보를 이용하여 질병의 종류를 결정하는 방법을 설명하기 위한 도면이다.

먼저 질병 분류 모델(2000)의 트레이닝 방법에 대하여 설명한다.

제어부(120) 또는 다른 학습 장치는, 트레이닝용 입력 데이터 및 트레이닝용 입력 데이터에 대응하는 레이블링 데이터를 이용하여 질병 분류 모델(2000)을 트레이닝 할 수 있다. 여기서 트레이닝용 입력 데이터는, 부잡음의 종류, 부잡음 지수 및 수면 정보 중 적어도 하나를 포함할 수 있다.

구체적으로, 제어부(120) 또는 다른 학습 장치는, 트레이닝용 입력 데이터를 질병 분류 모델(2000)에 입력할 수 있다. 이 경우 질병 분류 모델(2000)은 트레이닝용 입력 데이터를 복수의 클래스 중 어느 하나로 분류할 수 있다. 여기서 복수의 클래스는 각각 질병의 종류를 의미할 수 있으며, 질병 분류 모델(2000)은 트레이닝용 입력 데이터를 복수의 질병의 종류 중 어느 하나의 종류로 분류할 수 있다.

이 경우 제어부(120) 또는 다른 학습 장치는, 질병 분류 모델(2000)이 출력한 질병의 종류 및 확률 값과 레이블링 데이터(정답 값)의 차이(손실 값)에 기반하여 질병 분류 모델(2000)의 파라미터(가중치, 편향 등)를 업데이트 할 수 있다.

그리고 이러한 트레이닝의 반복을 통하여, 질병 분류 모델(2000)의 파라미터가 최적화 될 수 있다. 그리고 트레이닝이 완료된 질병 분류 모델(2000)은 질병 탐지 장치(100)에 탑재될 수 있다.

한편 트레이닝용 입력 데이터를 특정 클래스로 분류하기 위하여, 질병 분류 모델(2000)은 심층 신경망(Deep Neural Network,DNN)을 포함할 수 있다.

한편 트레이닝용 입력 데이터는, 부잡음의 종류, 부잡음 지수 및 수면 정보 외에도, 신상 정보 및 패치형 센서의 부착 위치 중 적어도 하나를 더 포함할 수 있다.

여기서 신상 정보는, 사용자의 키, 몸무게, 기저 질환, 성별, 나이 등의 정보를 포함할 수 있다.

또한 패치형 센서의 부착 위치는, 호흡음을 수집한 패치형 센서가 부착된 위치에 대한 정보를 의미할 수 있다. 구체적으로, 수포음의 경우 오른쪽과 왼쪽 폐의 하엽에서 잘 들리는 소리이다. 그러나 패치형 센서가 목에 부착된 상태에서 호흡음을 수집하였고, 부잡음 분류 모델이 호흡음을 수포음으로 분류한 경우, 호흡음에 노이즈가 낀 이유 등으로 부잡음 분류 모델(1000)의 추론이 잘못되었다는 것을 의심해볼 수 있다. 따라서 질병 종류 판단의 정확도를 높이기 위하여, 패치형 센서의 부착 위치는 입력 데이터의 일 요소로 사용될 수 있다.

한편 제어부(120)는 부잡음 분류 모델이 추론한 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델(1000)에 제공할 수 있다. 이 경우 제어부(120)는 부잡음의 종류, 부잡음 지수, 수면 정보와 함께, 호흡음 데이터를 수집한 패치형 센서의 부착 위치를 질병 분류 모델(1000)에 제공할 수도 있다. 또한 제어부(120)는 사용자의 신상 정보를 질병 분류 모델(1000)에 추가적으로 제공할 수도 있다.

이 경우 질병 분류 모델(1000)은 입력된 데이터를 복수의 질병의 종류 중 어느 하나의 종류로 분류할 수 있다. 예를 들어 질병 분류 모델(1000)은 입력된 데이터를 폐렴으로 분류할 수 있다. 이 경우 제어부(120)는 사용자가 가진 질병 또는 사용자에게 발생할 가능성이 있는 질병이 폐렴인 것으로 결정할 수 있다.

한편 제어부(120)는 질병 분류 모델(1000)이 분류한 질병의 종류에 대응하는 확률 값이 일정 값 이상인 경우, 질병 분류 모델(1000)이 분류한 질병의 종류를 사용자가 가진 질병(또는 사용자에게 발생할 가능성이 있는 질병)인 것으로 결정할 수 있다. 반면에 질병 분류 모델(1000)이 분류한 질병의 종류에 대응하는 확률 값이 일정 값보다 작은 경우, 제어부(120)는 사용자가 정상 상태인 것으로 결정할 수 있다.

한편 제어부(120)는 결정된 질병의 종류를 사용자의 단말에 전송할 수 있다(S350).

구체적으로 제어부(120)는 결정된 질병의 종류 및 질병 분류 모델(1000)이 출력한 확률 값을 포함하는 수면 통계 정보를 생성하여 사용자의 단말에 전송할 수 있다. 여기서 확률 값은 결정된 질병의 가능성에 대한 정보로 활용될 수 있다.

또한 제어부(120)는, 호흡음에서 부잡음의 발생 여부(정상 호흡인지 또는 부잡음이 섞여 있는지), 부잡음이 발생한 경우 부잡음의 종류, 부잡음의 종류에 대응하는 확률 값, 부잡음의 빈도 수, 무호흡 정보, 구강 호흡 정보, 이전의 호흡 습관과 다른 습관 등을 포함하는 호흡 습관을 사용자의 단말에 전송할 수 있다.

또한 제어부(120)는 호흡 습관, 수면 중 자세 정보 등을 포함하는 수면 습관을 사용자의 단말에 전송할 수 있다.

또한 제어부(120)는 하루 밤의 수면에 대한 수면 통계 정보를 생성하고, 수면 통계 정보를 매일 사용자의 단말에 전송할 수 있다.

또한 사용자의 단말은 가속도 데이터를 이용하여 사용자의 자세 정보를 획득하고, 획득된 자세 정보를 이용하여 사용자의 수면 종료를 탐지할 수 있다. 이 경우 사용자의 단말은 수면 종료 신호를 질병 탐지 장치(100)에 전송할 수 있다. 이 경우 제어부(120)는 호흡음 데이터를 이용하여 질병의 종류를 결정하는 동작을 중단하고, 수면 통계 정보를 사용자의 단말에 전송할 수 있다.

또한 제어부(120)는 사용자의 수면 중에도, 부잡음 지수가 임계 값보다 커지거나, 수면 중 무호흡, 구강 호흡의 강도가 임계 값보다 세지는 경우, 사용자의 단말에 경고 메시지를 전송할 수 있다. 이 경우 사용자의 단말은 경고 메시지를 출력할 수 있다.

또한 제어부(120)는 결정된 부잡음의 종류, 부잡음 지수, 무호흡 정보, 구강 호흡 정보 중 적어도 하나에 기초하여 심각도 지수를 산출할 수 있다. 그리고 심각도 지수가 임계 값보다 커지는 경우, 제어부(120)는 사용자의 단말에 경고 메시지를 전송할 수 있다.

다음은 부잡음 분류 및 질병 분류의 정확도를 향상시키는 방법에 대하여 설명한다.

사람의 호흡은, 사람이 깊은 잠에 빠졌을 때 온전히 자율신경계에 의해 동작하므로, 사람이 깊은 잠에 빠졌을 때의 호흡음을 이용해야 정확한 부잡음의 분류 및 질병 분류가 가능하다.

따라서 제어부(120)는 호흡음 데이터를 이용하여 사용자가 깊은 잠에 빠졌는지를 판단하고, 사용자가 깊은 잠에 빠진 상황에서의 호흡음 데이터를 이용하여 부잡음을 분류하고 질병을 분류할 수 있다.

구체적으로 제어부(120)는 일정 주기에 포함되는 호흡 주기들의 평균 값을 산출할 수 있다.

더욱 구체적으로, 호흡 주기란 숨을 들이쉬기 시작해서 숨을 내쉬는 것이 종료될 때까지의 시간을 의미할 수 있다. 또한 일정 주기는 복수의 호흡 주기를 포함할 수 있다. 예를 들어 제n 주기(예를 들어 30분)은 복수의 호흡 주기를 포함하고, 제 n-1 주기(예를 들어 30분) 역시 복수의 호흡 주기를 포함할 수 있다.

이 경우 제어부(120)는 제 n 주기 내 호흡 주기의 평균 값을 산출할 수 있다. 이는 다음과 같은 수학식으로 표현될 수 있다.

즉 제어부(120)는 제 n 주기 내 호흡 주기들을 합한 값을, 제 n 주기 동안의 호흡 횟수로 나눠서, 제 n 주기 내 호흡 주기들의 평균 값을 산출할 수 있다.

또한, 같은 방식으로, 제어부(120)는 제 n-1 주기 내 호흡 주기들을 합한 값을, 제 n-1 주기 동안의 호흡 횟수로 나눠서, 제 n-1 주기 내 호흡 주기들의 평균 값을 산출할 수 있다.

그리고 제어부(120)는 제 n 주기 내 호흡 주기들의 평균 값과 제 n-1 주기 내 호흡 주기들의 평균 값의 차에 기초하여, 사용자가 깊은 잠에 빠졌는지 여부를 결정할 수 있다. 이는 다음과 같은 수학식으로 표현될 수 있다.

즉 제 n 주기 내 호흡 주기들의 평균 값과 제 n-1 주기 내 호흡 주기들의 평균 값의 차가 임계 값(0.3)보다 작은 경우, 제어부(120)는 사용자가 깊은 잠에 빠진 것으로 결정할 수 있다. 이 경우 제어부(120)는 제 n 주기에 포함되는 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하고, 생성된 입력 데이터를 부 잡음 분류 모델에 제공할 수 있다. 이에 따라 제 n 주기에 포함되는 호흡음 데이터에 기초하여, 부잡음의 종류, 부잡음 지수, 질병의 종류 등이 결정될 수 있다.

또한 제어부(120)는 사용자의 자세 정보를 이용하여 사용자가 깊은 잠에 빠졌는지를 판단하고, 사용자가 깊은 잠에 빠진 상황에서의 호흡음 데이터를 이용하여 부잡음을 분류하고 질병을 분류할 수 있다.

구체적으로 제어부(120)는 가속도 데이터를 이용하여 사용자가 뒤척거리는 행동을 검출할 수 있다, 그리고 제 n 주기 내 뒤척거리는 행동의 횟수가 임계 횟수보다 작은 경우, 제어부(120)는 사용자가 깊은 잠에 빠진 것으로 결정할 수 있다. 이 경우 제어부(120)는 제 n 주기에 포함되는 호흡음 데이터를 이용하여 부잡음의 종류, 부잡음 지수, 질병의 종류 등을 결정할 수 있다.

또한 제어부(120)는 제 n 주기 내 호흡 주기들의 평균 값과 제 n-1 주기 내 호흡 주기들의 평균 값의 차가 임계 값(0.3)보다 작고, 제 n 주기 내 뒤척거리는 행동의 횟수가 임계 횟수보다 작은 경우, 사용자가 깊은 잠에 빠진 것으로 결정할 수도 있다. 이 경우 제어부(120)는 제 n 주기에 포함되는 호흡음 데이터를 이용하여 부잡음의 종류, 부잡음 지수, 질병의 종류 등을 결정할 수도 있다.

다음은, 인공지능 모델 및 인공지능 모델에 입력되는 데이터를 정규화 하는 방법에 대하여 설명한다.

도 6은 본 발명에 따른, 성도의 길이에 기반하여 트레이닝용 호흡음 데이터 및 호흡음 데이터를 정규화 하는 방법을 설명하기 위한 도면이다.

부잡음의 종류를 결정하거나 구강 호흡 여부를 결정하는 과정에서, 인공지능 모델은 호흡음의 주파수를 특징(feature) 중 하나로써 사용할 수 있다.

한편 남성, 여성, 어린이 등의 호흡음의 주파수는 상이할 수 있다. 그리고 남성, 여성, 어린이 등의 다양한 사용자의 호흡음을 분류하는 경우, 인공지능 모델의 분류 정확도가 낮아질 수 있다. 예를 들어 남성의 경우 낮은 주파수의 호흡음을 내는 반면에, 여성의 경우 높은 주파수의 호흡음을 낸다. 다만 남성의 호흡음 데이터 및 여성의 호흡음 데이터가 동일한 인공지능 모델에 입력되는 경우, 이러한 주파수의 차이로 인하여, 인공지능 모델의 정확도가 낮아질 수 있다.

한편 성도(630)는 성대(620)로부터 입술 끝(610)까지 걸쳐 있는 사람의 발성 기관이다. 그리고 성도의 굵기 및 성도의 길이에 기초하여 음성의 특성, 예를 들어 호흡음의 주파수가 변경될 수 있다.

구체적으로 성도가 굵을수록(넓을수록) 호흡음의 주파수는 낮아지고, 성도가 가늘수록(좁을수록) 호흡음의 주파수는 높아질 수 있다. 또한 성도가 길수록 호흡음의 주파수는 낮아지고, 성도가 짧을수록 호흡음의 주파수는 높아질 수 있다.

한편 사용자의 성도의 길이와 굵기를 직접 측정하는 것은 어렵다. 따라서 제어부(120)는 사용자의 신상 정보에 포함된 키 및 셩별을 이용하여 사용자의 성도의 길이 및 굵기에 대응하는 정규화 계수를 생성할 수 있다.

구체적으로 키가 큰 사용자에 비해 키가 작은 사용자는 성도가 더 짧으며, 남성에 비해 여성은 성도가 더 가늘다. 반대로, 키가 작은 사용자에 비해 키가 큰 사용자는 성도가 더 길고, 여성에 비해 남성은 성도가 더 굵다.

따라서 제어부(120)는 사용자의 키 및 사용자의 성별을 이용하여 정규화 계수를 생성할 수 있다. 표 1에는 정규화 계수의 예시가 설명되어 있다.

키(남자)	α(정규화 계수)	키(여자)	α(정규화 계수)
190cm 이상	1.2	180cm 이상	1.2
180cm ~ 190cm	1.1	170cm ~ 180cm	1.1
170cm ~ 180cm	1	160cm ~ 170cm	1
160cm ~ 170cm	0.9	150cm ~ 160cm	0.9
160cm 이하	0.8	150cm 이하	0.8

즉 표 1을 참고하면, 정규화 계수(α)는 남성에 비해 여성이 더 클 수 있다. 예를 들어 동일한 키(175cm)의 남성과 여성의 경우, 남성의 정규화 계수는 1이고 여성의 정규화 계수는 1.1로써, 정규화 계수(α)는 남성에 비해 여성이 더 클 수 있다.

또한 표 1을 참고하면, 정규화 계수(α)는 키가 작은 사람에 비해 키가 큰 사람이 더 클 수 있다. 예를 들어 남성의 경우, 185cm의 남성의 정규화 계수는 1.1이고, 165cm의 남성의 정규화 계수는 0.9로써, 정규화 계수(α)는 키가 작은 사람에 비해 키가 큰 사람이 더 클 수 있다.

한편 제어부(120)는 정규화 계수로 호흡음 데이터의 주파수를 보정하여 복수의 이미지 데이터를 생성할 수 있다.

구체적으로 제어부(120)는 호흡음 데이터(400)를 단구간 푸리에 변환(Short Time Fourier Transform, STFT)하여 스펙트럼으로 변환할 수 있다. 이 경우 스펙트럼은 호흡음 데이터를 주파수 및 진폭으로 시각화한 정보를 포함할 수 있다. 즉 스펙트럼은, 호흡음 데이터의 주파수 영역별 진폭에 대한 정보를 포함할 수 있다.

한편 제어부(120)는 스펙트럼에 포함되는 복수의 주파수에 대하여, 정규화 계수를 곱하여 복수의 보정 주파수를 산출할 수 있다. 이 과정은 다음과 같은 수학식으로 표현될 수 있다.

(f`: 보정 주파수, α: 정규화 계수, f: 보정 전 주파수)

그리고 제어부(120)는 복수의 보정 주파수를 이용하여 Mel Spectrogram 등의 스펙토그램을 생성하고, 생성된 스펙토그램(이미지 데이터)를 인공지능 모델에 제공할 수 있다.

한편 인공지능 모델의 트레이닝 과정에서도, 보정 주파수가 사용될 수 있다.

구체적으로, 특정 사용자의 호흡음 데이터를 이용하여 트레이닝용 이미지 데이터를 생성하는 경우, 제어부(120) 또는 다른 학습 장치는 특정 사용자의 신상 정보를 이용하여 정규화 계수를 산출하고, 산출된 정규화 계수로 호흡음 데이터의 주파수를 보정하여 트레이닝용 이미지 데이터를 생성할 수 있다. 그리고 제어부(120) 또는 다른 학습 장치는 트레이닝용 이미지 데이터를 이용하여 인공지능 모델을 트레이닝 할 수 있다.

본 발명에 따르면, 의사의 진단 없이도 사용자가 가진 질병 또는 사용자에게 발생할 가능성이 있는 질병을 용이하게 탐지할 수 있는 장점이 있다.

또한 본 발명에 따르면, 단순히 호흡음에 기초하여 질병을 분류하는 것이 아니라, 실제로 의사들이 청진기를 이용하여 듣는 부잡음을 검출한 후, 검출된 부잡음과 다른 요소들(부잡음 지수, 수면 정보, 신상 정보 등)을 이용하여 질병을 분류한다. 이에 따라 질병 분류의 정확도를 향상시킬 수 있는 장점이 있다.

또한 본 발명에 따르면, 호흡음 데이터를 이용하여 검출된 부잡음의 종류와 함께, 호흡음 데이터를 수신한 패치형 센서의 부착 위치를 추가로 이용하여 질병을 분류함으로써, 질병 분류의 정확도를 향상시킬 수 있는 장점이 있다.

또한 본 발명에 따르면, 별도의 다른 장치 없이 호흡음 데이터 만으로 사용자가 깊은 수면에 빠졌는지를 결정할 수 있으며, 깊은 수면 상태의 호흡음 데이터를 이용함으로써 분류의 정확도를 향상시키고, 효율적인 전력 운용이 가능한 장점이 있다.

또한 본 발명에 따르면, 보정 주파수를 이용하여 트레이닝용 호흡음 데이터를 표준화 시켜서 인공지능 모델을 트레이닝 하고, 보정 주파수를 인공지능 모델에 입력하여 부잡음의 종류 등을 분류함으로써, 사용자의 신체적 특징들이 상이함에도 불구하고 인공지능 모델의 분류 정확도를 향상시킬 수 있으며, 다양한 사용자들의 호흡음 데이터에 대하여 하나의 인공지능 모델을 이용하여 부잡음의 종류나 질병의 종류를 분류할 수 있는 장점이 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 서버의 프로세서(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

100: 질병 탐지 장치 110: 통신부
120: 제어부 130: 메모리

Claims

사용자의 단말로부터 호흡음 데이터를 수신하는 단계;
상기 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하는 단계;
상기 입력 데이터를 부잡음 분류 모델에 제공하여, 상기 호흡음 데이터에 상응하는 부잡음의 종류를 결정하는 단계;
상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델에 제공하여, 질병의 종류를 결정하는 단계; 및
상기 질병의 종류를 상기 사용자의 단말에 전송하는 단계;를 포함하는
질병 탐지 방법.
제 1항에 있어서,
상기 수면 정보는,
수면 중 상기 사용자의 자세 정보, 무호흡 정보 및 구강 호흡 정보를 포함하는
질병 탐지 방법.
제 1항에 있어서,
상기 입력 데이터를 생성하는 단계는,
상기 호흡음 데이터를 단구간 푸리에 변환하여 복수의 이미지 데이터를 포함하는 상기 입력 데이터를 생성하는 단계;를 포함하는
질병 탐지 방법.
제 3항에 있어서,
상기 부잡음 지수는,
상기 결정된 부잡음의 종류에 대하여 상기 부잡음 분류 모델이 출력한 확률 값 및 상기 결정된 부잡음의 종류의 빈도수 중 적어도 하나에 기반하여 산출되는
질병 탐지 방법.
제 3항에 있어서,
상기 부잡음의 종류를 결정하는 단계는,
제n 주기 내 호흡 주기들의 평균 값 및 제 n-1 주기 내 호흡 주기들의 평균 값의 차가 임계 값보다 작은 경우, 상기 입력 데이터를 상기 부잡음 분류 모델에 제공하는
질병 탐지 방법.
제 3항에 있어서,
상기 입력 데이터를 생성하는 단계는,
상기 사용자의 키 및 성별을 이용하여 상기 사용자의 성도의 길이 및 굵기에 대응하는 정규화 계수를 생성하는 단계; 및
상기 정규화 계수로 상기 호흡음 데이터의 주파수를 보정하여 상기 복수의 이미지 데이터를 생성하는 단계;를 포함하는
질병 탐지 방법.
제 6항에 있어서,
상기 정규화 계수는,
남성에 비해 여성이 더 크고,
키가 작은 사람에 비해 키가 큰 사람이 더 큰
질병 탐지 방법.
제 1항에 있어서,
상기 질병의 종류를 결정하는 단계는,
상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보와 함께, 상기 호흡음 데이터를 수집한 패치형 센서의 부착 위치를 질병 분류 모델에 제공하여, 상기 질병의 종류를 결정하는 단계;를 포함하는
질병 탐지 방법.
사용자의 단말로부터 호흡음 데이터를 수신하는 통신부; 및
상기 호흡음 데이터를 전 처리 하여 입력 데이터를 생성하고, 상기 입력 데이터를 부잡음 분류 모델에 제공하여, 상기 호흡음 데이터에 상응하는 부잡음의 종류를 결정하고, 상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보를 질병 분류 모델에 제공하여, 질병의 종류를 결정하고, 상기 질병의 종류를 상기 사용자의 단말에 전송하는 제어부;를 포함하는
질병 탐지 장치.
제 9항에 있어서,
상기 수면 정보는,
수면 중 상기 사용자의 자세 정보, 무호흡 정보 및 구강 호흡 정보를 포함하는
질병 탐지 장치.
제 9항에 있어서,
상기 제어부는,
상기 호흡음 데이터를 단구간 푸리에 변환하여 복수의 이미지 데이터를 포함하는 상기 입력 데이터를 생성하는
질병 탐지 장치.
제 11항에 있어서,
상기 부잡음 지수는,
상기 결정된 부잡음의 종류에 대하여 상기 부잡음 분류 모델이 출력한 확률 값 및 상기 결정된 부잡음의 종류의 빈도수 중 적어도 하나에 기반하여 산출되는
질병 탐지 장치.
제 11항에 있어서,
상기 제어부는,
제n 주기 내 호흡 주기들의 평균 값 및 제 n-1 주기 내 호흡 주기들의 평균 값의 차가 임계 값보다 작은 경우, 상기 입력 데이터를 상기 부잡음 분류 모델에 제공하는
질병 탐지 장치.
제 11항에 있어서,
상기 제어부는,
상기 사용자의 키 및 성별을 이용하여 상기 사용자의 성도의 길이 및 굵기에 대응하는 정규화 계수를 생성하고,
상기 정규화 계수로 상기 호흡음 데이터의 주파수를 보정하여 상기 복수의 이미지 데이터를 생성하는
질병 탐지 장치.
제 14항에 있어서,
상기 정규화 계수는,
남성에 비해 여성이 더 크고,
키가 작은 사람에 비해 키가 큰 사람이 더 큰
질병 탐지 장치.
제 9항에 있어서,
상기 제어부는,
상기 결정된 부잡음의 종류, 부잡음 지수 및 수면 정보와 함께, 상기 호흡음 데이터를 수집한 패치형 센서의 부착 위치를 질병 분류 모델에 제공하여, 상기 질병의 종류를 결정하는
질병 탐지 장치.