KR20230050051A - 체성분 분석 방법 - Google Patents
체성분 분석 방법 Download PDFInfo
- Publication number
- KR20230050051A KR20230050051A KR1020210133284A KR20210133284A KR20230050051A KR 20230050051 A KR20230050051 A KR 20230050051A KR 1020210133284 A KR1020210133284 A KR 1020210133284A KR 20210133284 A KR20210133284 A KR 20210133284A KR 20230050051 A KR20230050051 A KR 20230050051A
- Authority
- KR
- South Korea
- Prior art keywords
- value
- neural network
- measured
- concentration value
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000005259 measurement Methods 0.000 claims abstract description 72
- 238000003062 neural network model Methods 0.000 claims abstract description 61
- 108010054147 Hemoglobins Proteins 0.000 claims description 35
- 102000001554 Hemoglobins Human genes 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 33
- 150000002632 lipids Chemical class 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 17
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 108010064719 Oxyhemoglobins Proteins 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 17
- 238000013528 artificial neural network Methods 0.000 description 67
- 238000004891 communication Methods 0.000 description 20
- 230000003287 optical effect Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000000862 absorption spectrum Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 6
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 2
- 108010061951 Methemoglobin Proteins 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 108010002255 deoxyhemoglobin Proteins 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 238000002129 infrared reflectance spectroscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Fuzzy Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
본 개시의 몇몇 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 체성분 분석 방법이 개시된다. 상기 방법은: 제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 획득하는 단계; 상기 제 1 기기와 상이한 제 2 기기를 이용하여 상기 측정 대상 조직에서 측정된 크로모포어 농도 값을 획득하는 단계; 상기 제 1 측정 값 및 상기 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계; 및 상기 신경망 모델의 학습이 완료된 경우, 상기 제 1 기기를 이용하여 특정 조직에서 측정된 제 2 측정 값을 상기 신경망 모델에 입력하여, 크로모포어 농도의 예측 값을 획득하는 단계;를 포함할 수 있다.
Description
본 개시는 체성분 분석 방법에 관한 것으로서, 보다 구체적으로 신경망 모델을 이용하여, 체성분 분석을 위한 신체 조직의 크로모포어 농도 값을 획득하는 방법에 관한 것이다.
본 개시에 대한 연구는 정부(과학기술정보통신부, 산업통상자원부, 보건복지부, 식품의약품안전처)의 재원으로 범부처전주기의료기기연구개발사업단의 지원을 받아 수행된 연구이다(과제고유번호 : 1711138036, KMDF_PR_20200901_0053-01).
최근 혼탁 매체(turbid medium)의 광학적 특성을 이용하여 신체의 체성분을 분석하는 다양한 기술들이 개발되고 있다. 이러한 기술들은 신체에 비침습하면서도 신뢰도있는 체성분을 제공할 수 있다는 점에서 각광받고 있으며, 소비자들의 니즈에 따라 보급형 장치로의 연구 개발에 많은 관심이 집중되고 있다.
특히, 많은 기술들은 근적외선 영역에서의 혼탁 매체의 흡수 계수와 산란 계수를 측정하여 혼탁 매체가 포함하고 있는 크로모포어(chromophore)의 농도를 계산함으로써 신체의 체성분을 분석한다. 일반적으로, 혼탁 매체의 흡수 및 산란계수를 측정하기 위한 방법으로 세 가지 방식이 알려져 있다. 구체적으로, 혼탁 매체로 일정한 세기의 광을 입사한 후 다거리 측정 방식에 따라 크로모포어의 농도를 산출하는 연속파(continuous wave, CW) 방식, 변조된 광 소스에 대하여 변화된 진폭 및 위상 등을 측정하는 주파수 도메인(frequency-domain, FD) 방식, 마지막으로 펄스(pulse) 형태의 광 소스에 대하여 시간에 따른 변화를 측정하는 시간 도메인(time domain, TD) 방식 등이 있다.
이러한 체성분 분석 장치는 광 소스로서 LD, VCSEL 또는 LED 등을 사용하여 서로 다른 파장의 출력광을 복수개를 생성하고, 이를 대상체에 조사하며, 대상체에서 방출된 광에 대한 측정값을 이용하여 크로모포어 농도를 산출한다.
여기서, 연속파 방식은 다른 방식들에 비해 구현이 간단하고 비용이 저렴한 반면 획득 가능한 정보에 한계가 존재한다. 한편, 주파수 도메인이나 시간 도메인 방식은 다른 방식들에 비해 구현하기 위한 비용이 높은 반면 정확한 정보를 획득할 수 있다.
예를 들어, 광대역 연속파(broadband CW) 방식과 주파수 도메인 방식을 결합하는 방법을 사용하면, 크로모포어 농도를 정확한 수준으로 산출할 수 있으나, 이 방식 또한 구현 비용이 높아 상용화에 어려움을 겪고 있다.
따라서, 크로모포어 농도를 측정하여 신체의 체성분을 분석하는 방식의 상용화를 위해 기존 방식보다 구현 방법이 간단하고 저렴한 비용으로 구현 가능한 크로모포어 농도 측정 방법에 대한 수요가 당업계에 존재한다.
한국공개특허 "KR2011-0038020"는 생물 조직의 카로티노이드에 대한 비침습적인 측정법을 개시하고 있다.
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 체성분 분석을 위한 신체 조직의 크로모포어 농도 값을 획득하는 방법을 제공하고자 한다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 몇몇 실시예에 따라 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 체성분 분석 방법이 개시된다. 상기 방법은: 제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 획득하는 단계; 상기 제 1 기기와 상이한 제 2 기기를 이용하여 상기 측정 대상 조직에서 측정된 크로모포어 농도 값을 획득하는 단계; 상기 제 1 측정 값 및 상기 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계; 및 상기 신경망 모델의 학습이 완료된 경우, 상기 제 1 기기를 이용하여 특정 조직에서 측정된 제 2 측정 값을 상기 신경망 모델에 입력하여, 크로모포어 농도의 예측 값을 획득하는 단계;를 포함할 수 있다.
또한, 상기 방법은, 상기 제 1 측정 값에 로그 함수를 적용하여, 학습용 입력 데이터를 생성하는 단계; 및 상기 학습용 입력 데이터에 상기 크로모포어 농도 값을 라벨링하여, 상기 학습 데이터를 생성하는 단계;를 더 포함할 수 있다.
또한, 상기 크로모포어 농도 값은, 산소 헤모글로빈(HbO2) 농도 값, 헤모글로빈(HHb) 농도 값, 수분(water) 농도 값 및 지질(lipid) 농도 값 중 적어도 하나를 포함할 수 있다.
또한, 상기 학습 데이터는, 복수의 파장 대역별로 구분된 상기 제 1 측정 값 각각에 상기 산소 헤모글로빈 농도 값, 상기 헤모글로빈 농도 값, 상기 수분 농도 값 및 상기 지질 농도 값 각각이 라벨링될 수 있다.
또한, 상기 신경망 모델은, 복수의 파장 대역별로 구분된 상기 제 2 측정 값이 입력되었을 때, 상기 산소 헤모글로빈 농도 값, 상기 헤모글로빈 농도 값, 상기 수분 농도 값 및 상기 지질 농도 값 각각에 대한 예측 값을 출력하도록 학습될 수 있다.
또한, 상기 크로모포어 농도의 예측 값을 획득하는 단계는, 상기 제 2 측정 값에 로그 함수를 적용한 후, 상기 로그가 적용된 상기 제 2 측정 값을 상기 신경망 모델에 입력하는 단계; 및 상기 신경망 모델로부터 상기 제 2 측정 값에 대응하는 상기 크로모포어 농도 값의 예측 값을 획득하는 단계;를 포함할 수 있다.
또한, 상기 제 1 기기는, 상기 측정 대상 조직에 서로 다른 파장을 갖는 복수 개의 광을 조사하는 광 조사부 및 상기 측정 대상 조직으로부터 복수 개의 파장별로 반사되는 광을 수집하는 반사광 수집부를 포함하고, 상기 제 1 측정 값은, 상기 반사광 수집부에서 수집되는 반사광에 대응하는 값일 수 있다.
또한, 상기 제 2 기기는, FD(frequency-domain)방식과 broadband CW(continuous-wave)기술이 융합된 근적외선 반사 분광 이미징(reflectance spectroscopy imaging) 기기, 주파수 도메인 기기, 시간 도메인 기기, 공간 분해 연속파(spatially-resolved CW) 기반의 기기 및 몬테카를로(monte-carlo) 시뮬레이션이나 팬텀 실험 결과에 기반한 실험적 모델(empirical model)을 사용한 기기 중 적어도 하나를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 몇몇 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 획득하는 단계; 상기 제 1 기기와 상이한 제 2 기기를 이용하여 상기 측정 대상 조직에서 측정된 크로모포어 농도 값을 획득하는 단계; 상기 제 1 측정 값 및 상기 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계; 및 상기 신경망 모델의 학습이 완료된 경우, 상기 제 1 기기를 이용하여 특정 조직에서 측정된 제 2 측정 값을 상기 신경망 모델에 입력하여, 크로모포어 농도의 예측 값을 획득하는 단계;를 포함할 수 있다.
본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시는 기존 방식보다 구현 방법이 간단하고 저렴한 비용으로 구현 가능한 크로모포어 농도 측정 방법을 제공할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 다양한 양태가 구현될 수 있는 컴퓨팅 장치의 블록 구성도이다.
도 2는 신체 내에 존재하는 크로모포어들의 흡수 스펙트럼을 나타내는 그래프이다.
도 3은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 크로모포어 농도의 예측 값을 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따른 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따른 크로모포어 농도 값과 제 1 측정 값 및 학습용 입력 데이터 각각의 관계를 설명하기 위한 그래프이다.
도 7은 본 개시의 몇몇 실시예에 따른 제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따른 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 도면이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
도 2는 신체 내에 존재하는 크로모포어들의 흡수 스펙트럼을 나타내는 그래프이다.
도 3은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 크로모포어 농도의 예측 값을 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따른 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따른 크로모포어 농도 값과 제 1 측정 값 및 학습용 입력 데이터 각각의 관계를 설명하기 위한 그래프이다.
도 7은 본 개시의 몇몇 실시예에 따른 제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따른 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 도면이다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나 이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 감지될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다. 구체적으로, 본 명세서에서 사용되는 "실시예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.
또한, 다양한 양상들 및 특징들이 하나 이상의 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있는 시스템에 의하여 제시될 것이다. 다양한 시스템들이, 추가적인 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들 및/또는 모듈들 등을 포함할 수 있다는 점 그리고/또는 도면들과 관련하여 논의된 장치들, 단말들, 서버들, 디바이스들, 컴포넌트들, 모듈들 등의 전부를 포함하지 않을 수도 있다는 점 또한 이해되고 인식되어야 한다.
본 명세서에서 사용되는 용어 "컴퓨터 프로그램", "컴포넌트", "모듈", "시스템" 등은 서로 호환가능하게 사용될 수 있으며, 그리고 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다.
또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
이하, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략한다. 또한, 본 명세서에 개시된 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않는다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
비록 제1, 제2 등이 다양한 소자나 구성요소들을 서술하기 위해서 사용되나, 이들 소자나 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자나 구성요소를 다른 소자나 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자나 구성요소는 본 개시의 기술적 사상 내에서 제2 소자나 구성요소 일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
더불어, 본 명세서에서 사용되는 용어 "정보" 및 "데이터"는 종종 서로 상호교환 가능하도록 사용될 수 있다.
이하의 설명에서 사용되는 구성 요소에 대한 접미사 “모듈” 및 “부”는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시를 설명하는데 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다.
그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 개시내용의 청구범위에서의 단계들에 대한 권리범위는, 각 단계들에 기재된 기능 및 특징들에 의해 발생되는 것이지, 각각의 단계에서 그 순서의 선후관계를 명시하지 않는 이상, 청구범위에서의 각 단계들의 기재 순서에 영향을 받지 않는다. 예를 들어, A단계 및 B단계를 포함하는 단계로 기재된 청구범위에서, A단계가 B단계 보다 먼저 기재되었다고 하더라도, A단계가 B단계 이전에 선행되어야 한다는 것으로 권리범위가 제한되지는 않는다.
도 1은 본 개시의 다양한 양태가 구현될 수 있는 컴퓨팅 장치의 블록 구성도이다.
도 1을 참조하면, 컴퓨팅 장치(100)는 프로세서(110), 통신부(120) 및 메모리(130)를 포함할 수 있다. 다만, 상술한 구성 요소들은 컴퓨팅 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 컴퓨팅 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
본 개시의 컴퓨팅 장치(100)는 체성분 측정을 위한 기기(이하, 측정 기기)로부터 측정 데이터를 획득하고, 획득된 측정 데이터를 기반으로 체성분 분석을 수행하기 위한 의료 관련 서버일 수 있다. 다만, 이에 한정되는 것은 아니고, 컴퓨팅 장치(100)는 측정 기기 내부에 포함되거나, 또는 측정 기기 자체를 의미할 수도 있다.
컴퓨팅 장치(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
컴퓨팅 장치(100)의 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 제어한다. 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(110)는 메모리(130)에 저장된 응용 프로그램을 구동하기 위하여, 컴퓨팅 장치(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 상기 응용 프로그램의 구동을 위하여, 컴퓨팅 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델을 학습시켜, 크로모포어 농도의 예측 값을 획득할 수 있다.
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 획득할 수 있다. 또한, 프로세서(110)는 제 1 기기와 상이한 제 2 기기를 이용하여 측정 대상 조직에서 측정된 크로모포어 농도 값을 획득할 수 있다. 또한, 프로세서(110)는 제 1 측정 값 및 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여 신경망 모델을 학습시킬 수 있다. 그리고, 프로세서(110)는 신경망 모델의 학습이 완료된 경우, 제 1 기기를 이용하여 특정 조직에서 측정된 제 2 측정 값을 학습이 완료된 신경망 모델에 입력하여, 크로모포어 농도의 예측 값을 획득할 수 있다. 여기서, 제 2 측정 값은 체성분 분석이 요구되는 특정 조직에 대한 측정 값을 의미할 수 있다.
이하, 컴퓨팅 장치(100)의 프로세서(110)가 신경망 모델을 학습시키는 방법 및 학습이 완료된 신경망을 이용하여 크로모포어 농도의 예측 값을 획득하는 방법에 대한 설명은 도 4 내지 도 8을 참조하여 후술한다.
본 개시내용에서 크로모포어는 불포화 결합을 갖는 유기 화합물로서, 광을 흡수하는 원자 또는 원자단을 의미한다. 일반적으로, 신체 내에 존재하는 크로모포어의 종류는 한정적이며, 예를 들어, 팔, 다리 등의 조직(tissue)에는 수분(또는 물)(H2O), 지질(lipid), 산소 헤모글로빈(oxy-hemoglobin, O2Hb), (디옥시)헤모글로빈(deoxy-hemoglobin, HHb)이 존재한다. 또한, 뇌에는 지질을 제외한 물, 산소 헤모글로빈 및 헤모글로빈이 존재한다.
즉, 본 개시의 크로모포어 농도 값은 산소 헤모글로빈(HbO2) 농도 값, 헤모글로빈(HHb) 농도 값, 수분(water) 농도 값 및 지질(lipid) 농도 값 중 적어도 하나를 포함할 수 있다. 이러한 크로모포어 농도 값은 신체의 체성분을 분석하는데 이용될 수 있다.
이하, 크로모포어에 관한 설명은 도 2를 참조하여 후술한다.
본 개시내용에서 제 1 기기는 측정 대상 조직(신체 외부)로 일정한 세기의 광을 입사한 후 다거리 측정 방식에 따라 크로모포어의 농도를 산출하는 연속파(continuous wave, CW) 방식으로 구동될 수 있다. 이러한 제 1 기기는 후술될 제 2 기기에 비해 상대적으로 저렴한 구현 비용이 요구될 수 있다.
또한, 제 1 기기는 측정 대상 조직에 서로 다른 파장을 갖는 복수 개의 광을 조사하는 광 조사부 및 측정 대상 조직으로부터 복수 개의 파장별로 반사되는 광을 수집하는 반사광 수집부를 포함할 수 있다. 즉, 제 1 기기는 단일 소스(광 조사부) 및 단일 광 검출기(광 수집부)로 구성되어 저렴한 비용으로 구성될 수 있다. 그리고, 제 1 측정 값은 제 1 기기의 반사광 수집부에서 수집되는 반사광에 대응하는 값(예를 들어, 반사율(reflectance))을 포함할 수 있다.
제 1 기기의 광 조사부는 LD(laser diode), LED(light emitting diode) 또는 VCSEL(vertical cavity surface emitting laser)로 구성된 복수 개의 발광소자를 포함할 수 있다. 여기서, 복수개의 발광소자 각각은 서로 다른 파장의 출력광을 출력할 수 있다.
제 1 기기의 반사광 수집부는 측정 대상 조직으로부터 방출되는 반사 광을 수집(또는 검출)하고, 수집된 반사광을 전기신호로 변환할 수 있다. 여기서, 반사광은 광 조사부에서 조사된 광이 측정 대상 조직을 통과하여 방출되는 광을 포함할 수 있다. 반사광 수집부는 적어도 하나의 아발란치 포토 다이오드(avalanche photodiode, APD)를 포함하여, 변환된 전기신호의 AC 성분을 증폭시킬 수 있다. 다만, 이에 한정되는 것은 아니고, 반사광 수집부는 포토다이오드(photodiode, PD), 포토 트랜지스터(photo transistor), 광전 증폭관(photo multiplier tube, PMT), 포토셀(photo cell) 등과 같이 다양한 형태로 구현될 수 있다.
또한, 반사광 수집부는 대상체에서 방출되는 출력광을 수신하기 위해 광 조사부에 포함된 복수의 발광소자와 일정 거리 간격으로 이격되어 배치될 수 있다.
본 개시내용에서 제 2 기기는, FD(frequency-domain)방식과 broadband CW(continuous-wave)기술이 융합된 근적외선 반사 분광 이미징(reflectance spectroscopy imaging) 방식으로 구동될 수 있다. 이러한 제 2 기기는 제 1 기기에 비해 상대적으로 높은 구현 비용이 요구되는 반면 정확도가 높은 크로모포어 농도 값을 획득할 수 있다. 또한, 제 2 기기는, 변조된 광 소스에 대하여 변화된 진폭 및 위상 등을 측정하는 주파수 도메인 방식(frequency-domain, FD), 펄스(pulse) 형태의 광 소스에 대하여 시간에 따른 변화를 측정하는 시간 도메인(time domain, TD) 방식, 공간 분해 연속파(spatially-resolved CW) 기반의 방식, 몬테카를로(monte-carlo) 시뮬레이션이나 팬텀 실험 결과에 기반한 실험적 모델(empirical model)을 사용한 방식을 모두 사용하여 구동될 수 있다.
제 2 기기는 예를 들어, 확산 광학 분광 영상화(diffuse optical spectroscopic imaging, DOSI) 기기일 수 있다. 구체적으로, 제 2 기기는 광대역 신호 발생기, 신호 발생기에 결합된 입력을 갖는 드라이버, 하나 이상의 파장 및 하나 이상의 변조 주파수에서 변조된 광에 샘플을 노출시키기 위해 드라이버에 결합된 광원, 측정 대상 조직으로부터 광을 수신하기 위해 내부 또는 외부 광학 서브시스템으로부터 RF 신호 사이를 선택적으로 스위칭 하기 위한 RF 스위치를 포함하는 광학 검출기, 광학 검출기에 의해 측정된 진폭 및/또는 위상 검출을 위해 광학 검출기에 결합된 하나 이상의 회로, 하나 이상의 회로로부터 진폭 및 위상 검출을 위한 데이터를 수집하고 외부 호스트 또는 네트워크 컴퓨터와 통신하는 프로세서 및 광 검출기와 진폭 및/또는 위상 검출 회로 사이에서 통신 되는 신호를 분리하고 신호의 신호 대 잡음비를 증가시키기 위해 광 검출기와 진폭 및/또는 위상 검출 회로를 서로 상호 연결하는 복수의 필터 및 증폭기를 포함할 수 있다.
본 개시의 컴퓨팅 장치(100)는 제 2 기기에 비해 상대적으로 측정 비용이 저렴한 제 1 기기로부터 획득된 측정 값을 이용하여, 제 2 기기에서 측정될 것으로 예측되는 값(크로모포어 농도의 예측 값)을 획득할 수 있다.
따라서, 본 개시의 컴퓨팅 장치(100)는 구현 방법이 간단하고 저렴한 비용으로 구현 가능한 크로모포어 농도 측정 방법을 제공하여, 크로모포어 농도를 측정하여 신체의 체성분을 분석하는 방식의 상용화를 야기할 수 있다.
컴퓨팅 장치(100)의 통신부(120)는 컴퓨팅 장치(100)와 제 1 기기 또는 제 2 기기 사이 및 컴퓨팅 장치(100)와 사용자 단말 사이의 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 상기 통신부(120)는, 컴퓨팅 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
본 개시의 몇몇 실시예에 따른 통신부(120)는 예측된 크로모포어 농도 값을 사용자 단말로 전송할 수 있다. 여기서, 사용자 단말의 사용자는 크로모포어 농도 값을 분석하기 위한 사용자(예를 들어, 의사 또는 연구원)과 관련될 수 있다. 다만, 이에 한정되는 것은 아니다.
컴퓨팅 장치(100)와 제 1 기기 및/또는 제 2 기기 사이 및 컴퓨팅 장치(100)와 사용자 단말 사이의 통신을 연결하는 네트워크는 공중전화 교환망(PSTN:Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.
또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.
본 개시의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(LAN: Local Area Network), 원거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 상기 네트워크는 공지의 월드와이드웹(WWW:World Wide Web)일 수 있으며, 적외선(IrDA:Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
컴퓨팅 장치(100)의 메모리(130)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 임시 또는 영구 저장할 수도 있다. 메모리(130)는 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 적 어도 하나의 타입의 저장매체를 포함할 수 있다.
본 개시의 몇몇 실시예에 따른 메모리(130)는 본 개시의 크로모포어 농도의 예측 값을 출력하는 신경망 모델을 구성하는 신경망 또는, 신경망 구조를 저장하고 있을 수 있다.
이하, 본 개시의 신경망 모델을 구성하는 신경망 또는 신경망 구조 대한 설명은 도 3을 참조하여 후술한다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 컴퓨팅 장치(100)의 메모리(130)에 저장되고, 컴퓨팅 장치(100)의 프로세서(110)에 의해 실행될 수 있다.
도 2는 신체 내에 존재하는 크로모포어들의 흡수 스펙트럼을 나타내는 그래프이다.
일반적으로, 신체 내에 존재하는 크로모포어들은 근적외선 영역에서 서로 다른 흡수 스펙트럼 특성을 가질 수 있다.
도 2에 도시된 그래프(10)를 참조하면, 물(11)은 약 980 nm 파장 영역에서 피크 특성을 가지며, 지질(12)은 약 930 nm 파장 영역에서 피크 특성을 갖는다. 또한, 산소 헤모글로빈(13)과 헤모글로빈(14)은 약 800nm 파장 영역에서의 등흡수점(isosbestic point)(15)를 기준으로 교차한다.
본 개시의 몇몇 실시예에 따르면, 제 1 기기의 광 조사부는 적어도 네 개의 파장을 출력하는 발광소자를 포함하고, 물, 지질, 산소 헤모글로빈 및 헤모글로빈의 광 흡수도를 기초로 결정되는 네 개의 이산형 파장의 광을 방출할 수 있다. 구체적으로, 각 발광소자가 방출하는 이산형 파장은, 물(11)의 피크 영역에 인접하는 제 1 이산형 파장, 지질(12)의 피크 영역에 인접하는 제 2 이산형 파장을 포함하며, 산소 헤모글로빈(13) 및 헤모글로빈(14)의 기 알려진 흡수 스펙트럼의 등흡수점(15) 이전의 제 3 이산형 파장과 등흡수점(15)에 인접하는 영역의 제 4 이산형 파장을 포함할 수 있다. 여기서, 제 3 이산형 파장은 헤모글로빈(14)의 흡수도를 고려하여, 산소 헤모글로빈(13)과 헤모글로빈(14)의 흡수 차이가 큰 영역에서 선택될 수 있다. 예를 들어, 제 1 이산형 파장은 약 975 nm 이고, 제 2 이산형 파장은 약 915 nm 일 수 있다. 또한, 제 3 이산형 파장과 제 4 이산형 파장은 각각 약 688 nm 및 약 808 nm 일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 다른 몇몇 실시예에 따르면, 제 1 기기의 광 조사부는 상술한 제 1 내지 제 4 이산형 파장 이외에 추가적인 이산형 파장을 더 방출하는 다섯 개, 여섯 개, 일곱 개 또는 여덟 개의 발광소자를 더 포함할 수 있다. 이에 따라 추가되는 제 5 내지 제 8 이산형 파장은, 상술한 크로모포어(즉, 물, 지질, 산소 헤모글로빈 및 헤모글로빈) 이외의 다른 크로모포어의 피크 특성에 따라 결정될 수 있으나, 이에 한정되는 것은 아니다.
예를 들어, 제 1 기기는 각 크로모포어의 흡수 스펙트럼의 경사도가 상대적으로 완만한 영역의 파장들을 추가로 선택할 수 있으며, 각 크로모포어의 흡수 스텍트럼의 주요 영역에서 일정 간격의 파장들을 추가로 선택할 수도 있다.
예를 들어, 추가되는 제 5 내지 제 8 이산형 파장은, 상술한 크로모포어들 이외의 콜라겐(collagen), 멜라닌(melanin), 메트헤모글로빈(methemoglobin, MetHb), 일산화탄소결합 헤모글로빈(CO hemoglobin, COHb) 등의 흡수 스펙트럼의 피크 특성에 따라 결정될 수 있다.
다른 예를 들어, 추가되는 제 5 내지 제 8 이산형 파장은, 상술한 크로모포어들의 흡수 스펙트럼의 무게 중심을 기초로 결정될 수 있으며, 700 nm 대 영역 및/또는 800 nm 대 영역의 파장일 수 있다.
본 개시의 제 1 기기의 광 조사부는 상술한 바와 같이 4 개 내지 8 개의 발광소자를 포함할 수 있다. 다만, 이에 한정되는 것은 아니고, 광 조사부는 측정이 요구되는 크로모포어의 항목 또는 다른 요구사항에 의해 더 적거나 더 많은 개수의 발광소자를 포함할 수도 있다.
또한, 제 1 기기는 연속파(Continuous Wave)를 조사하여 반사된 광의 강도를 이용하여 생체 신호를 분석하는 방식 또는, 변조된 광 소스에 대하여 변화된 진폭 및 위상 등을 측정하는 주파수 도메인(frequency-domain, FD) 방식을 모두 사용할 수 있다.
도 3은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 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. 상술한 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 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 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.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 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, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 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 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 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 컨볼루션 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, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 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. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 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.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 4는 본 개시의 몇몇 실시예에 따른 크로모포어 농도의 예측 값을 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 4를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 획득할 수 있다(S110). 여기서, 제 1 측정 값은 측정 대상 조직에 특정 광을 조사한 후, 반사되는 반사광의 반사율에 대한 값을 포함할 수 있다.
또한, 프로세서(110)는 제 2 기기를 이용하여 측정 대상 조직에서 측정된 크로모포어 농도 값을 획득할 수 있다(S120). 여기서, 크로모포어 농도 값은 산소 헤모글로빈(HbO2) 농도 값, 헤모글로빈(HHb) 농도 값, 수분(water) 농도 값 및 지질(lipid) 농도 값 중 적어도 하나를 포함할 수 있다. 이러한 크로모포어 농도 값은 신체의 체성분을 분석하는데 이용될 수 있다.
본 개시내용에서 제 1 기기는 제 2 기기에 비해 낮은 비용이 요구되지만 정확도가 낮은 측정 값을 획득할 수 있는 기기를 의미한다. 그리고, 제 2 기기는 제 1 기기에 비해 높은 비용이 요구되지만 정확도가 높은 측정 값을 획득할 수 있는 기기를 의미한다. 이하, 제 1 기기 및 제 2 기기에 관한 설명은 도 1을 참조하여 상술한바 중복되는 내용은 생략한다.
컴퓨팅 장치(100)의 프로세서(110)는 제 1 측정 값 및 크로모포어 농도 값을 획득한 후, 제 1 측정 값 및 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여 신경망 모델을 학습시킬 수 있다(S130).
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 측정 값 및 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여, 신경망 모델을 교사 학습(supervised learning) 시킬 수 있다. 좀더 구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 측정 값에 대응하는 입력 값이 신경망 모델에 입력되는 경우, 크로모포어 농도 값에 대응하는 출력 값이 신경망 모델에서 출력되도록 신경망 모델을 교사 학습시킬 수 있다. 다만, 신경망 모델을 학습시키는 방법은 이에 한정되는 것은 아니고, 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습시킬 수도 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델의 정확도를 높이기 위해, 로그 함수를 이용할 수 있다.
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 측정 값에 로그 함수를 적용하여, 학습용 입력 데이터를 생성할 수 있다. 그리고, 프로세서(110)는 학습용 입력 데이터에 크로모포어 농도 값을 라벨링하여, 학습 데이터를 생성할 수 있다.
본 개시의 몇몇 실시예에 따르면, 로그 함수가 적용된 제 1 측정 값은 크로모포어 농도 값과 스케일(scale)이 유사해질 수 있다. 구체적으로, 로그 함수를 적용하기 전 제 1 측정 값과 크로모포어 농도 값의 관계는 비선형 그래프로 표현될 수 있다. 그리고, 로그 함수를 적용한 제 1 측정 값과 크로포어 농도 값의 관계는 선형 그래프로 표현될 수 있다.
학습용 입력 데이터와 학습용 정답 데이터의 스케일이 유해지도록 제 1 측정 값에 로그 함수를 적용한 학습용 입력 데이터에 크로모포어 농도 값을 라벨링하여 생성된 학습 데이터로 신경망 모델을 학습시키는 경우, 신경망 모델의 성능이 향상될 수 있다. 예를 들어, 신경망 모델의 정확도가 향상되거나 및/또는 신경망 모델의 처리 속도가 향상될 수 있다.
이하, 학습 데이터에 대한 설명 및 프로세서(110)가 신경망 모델을 학습시키는 방법에 대한 설명은 도 5 내지 8을 참조하여 후술한다.
컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델의 학습이 완료된 경우, 제 1 기기를 이용하여 특정 조직에서 측정된 제 2 측정 값을 신경망 모델에 입력하여, 크로모포어 농도의 예측 값을 획득할 수 있다(S140). 여기서, 제 2 측정 값은 체성분 분석이 요구되는 특정 조직에 대한 측정 값을 의미할 수 있다.
상술한 방법에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 기기에 비해 상대적으로 측정 비용이 저렴한 제 1 기기로부터 획득된 제 2 측정 값을 학습된 신경망 모델에 입력하여, 제 2 기기에서 측정될 것으로 예측되는 값(크로모포어 농도의 예측 값)을 획득할 수 있다.
따라서, 컴퓨팅 장치(100)의 프로세서(110)는 구현 방법이 간단하고 저렴한 비용으로 구현 가능한 크로모포어 농도 측정 방법을 제공하여, 크로모포어 농도를 측정하여 신체의 체성분을 분석하는 방식의 상용화를 야기할 수 있다.
도 5는 본 개시의 몇몇 실시예에 따른 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 흐름도이다. 도 6은 본 개시의 몇몇 실시예에 따른 크로모포어 농도 값과 제 1 측정 값 및 학습용 입력 데이터 각각의 관계를 설명하기 위한 그래프이다. 도 7은 본 개시의 몇몇 실시예에 따른 제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 설명하기 위한 도면이다. 도 8은 본 개시의 몇몇 실시예에 따른 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 도면이다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 기기로부터 획득된 제 1 측정 값 및 제 2 기기로부터 획득된 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여 신경망 모델을 학습시킬 수 있다.
여기서, 크로모포어 농도 값은 산소헤모글로빈(HbO2) 농도 값, 헤모글로빈(HHb) 농도 값, 수분(water) 농도 값 및 지질(lipid) 농도 값 중 적어도 하나를 포함할 수 있으며, 제 1 측정 값은 복수의 파장 대역별로 구분될 수 있다.
또한, 학습 데이터는 복수의 파장 대역별로 구분된 제 1 측정 값 각각에 산소헤모글로빈 농도 값, 헤모글로빈 농도 값, 수분 농도 값 및 지질 농도 값 각각이 라벨링될 수 있다.
이 경우, 신경망 모델은 복수의 파장 대역별로 구분된 제 2 측정 값이 입력되었을 때, 산소헤모글로빈 농도 값, 헤모글로빈 농도 값, 수분 농도 값 및 지질 농도 값 각각에 대한 예측 값을 출력하도록 학습될 수 있다. 예를 들어, 신경망 모델은 하나의 값만 출력하는 복수의 서브 신경망 모델들을 포함할 수 있다. 복수의 서브 신경망 모델들은 산소헤모글로빈 농도 예측 모델, 헤모글로빈 농도 예측 모델, 수분 농도 예측 모델 및 지질 농도 예측 모델을 포함할 수 있다. 따라서, 신경망 모델은 복수의 서브 신경망 모델들 각각에 제 2 측정 값을 입력하고, 복수의 서브 신경망 모델들 각각에서 서로 다른 종류의 농도 값이 출력되도록 학습될 수 있다.
다른 예를 들어, 신경망 모델은 다중 출력을 지원하는 모델일 수 있다. 따라서, 신경망 모델은 제 2 측정 값이 입력되는 경우, 산소헤모글로빈 농도 값, 헤모글로빈 농도 값, 수분 농도 값 및 지질 농도 값 각각에 대한 예측 값을 출력하도록 학습될 수 있다. 즉, 본 개시의 신경망 모델은 다중 입력 및 다중 출력을 지원하는 신경망 모델이 이용될 수 있다.
도 5를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델의 성능을 향상시키기 위해 제 1 측정 값에 로그 함수를 적용하여, 학습용 입력 데이터를 생성할 수 있다(S210). 그리고, 프로세서(110)는 학습용 입력 데이터에 크로모포어 농도 값을 라벨링하여, 학습 데이터를 생성할 수 있다(S220).
여기서, 로그 함수가 적용된 제 1 측정 값 및 크로모포어 농도 값 각각은 스케일(scale)이 유사해질 수 있다.
예를 들어, 도 6의 (a)를 참조하면, 도시된 바와 같이, 로그 함수를 적용하기 전 제 1 측정 값과 크로모포어 농도 값의 관계는 비선형 그래프로 표현될 수 있다. 그리고, 도 6의 (b)를 참조하면, 도시된 바와 같이, 로그 함수를 적용한 제 1 측정 값과 크로포어 농도 값의 관계는 선형 그래프로 표현될 수 있다.
학습용 입력 데이터와 학습용 정답 데이터의 스케일이 유사해지도록 제 1 측정 값에 로그 함수를 적용한 학습용 입력 데이터에 크로모포어 농도 값을 라벨링하여 생성된 학습 데이터로 신경망 모델을 학습시키는 경우, 신경망 모델의 성능이 향상될 수 있다. 예를 들어, 신경망 모델의 정확도가 향상되거나 및/또는 신경망 모델의 처리 속도가 향상될 수 있다.
이하, 도 7 및 도 8을 참조하여, 컴퓨팅 장치(100)의 프로세서(110)가 학습 데이터를 생성하는 방법에 대한 예시를 설명한다.
먼저, 도 7을 참조하면, 제 1 기기로부터 획득된 제 1 측정 값의 예시를 데이터 테이블 형태로 도시하였다. 도시된 바와 같이, 데이터 테이블 형태로 표현된 제 1 측정 값(50)은 복수의 파장 구분 값(51) 별 데이터를 포함할 수 있다.
다음으로, 도 8을 참조하면, 제 1 기기로부터 획득된 제 1 측정 값에 로그 함수를 적용한 예시(즉, 학습용 입력 데이터의 예시)를 데이터 테이블 형태로 도시하였다. 도시된 바와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 파장의 제 1 데이터인 1.76E-06(도 7 참조)에 로그 함수를 적용한 'log(1.76E-06) = -5.7548'을 학습용 입력 데이터로 생성할 수 있다.
그리고, 컴퓨팅 장치(100)의 프로세서(110)는 학습용 입력 데이터(61)에 크로모포어 농도 값(62)을 라벨링하여 학습 데이터를 생성할 수 있다.
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 파장 대역별로 구분된 학습용 입력 데이터 세트에 복수 개의 크로모포어 농도 값을 포함하는 학습용 정답 데이터 세트를 라벨링하여 학습 데이터를 생성할 수 있다.
따라서, 본 개시의 신경망 모델은 상술한 바와 같이, 복수의 파장 대역별로 구분된 제 2 측정 값이 입력되었을 때, 산소헤모글로빈 농도 값, 헤모글로빈 농도 값, 수분 농도 값 및 지질 농도 값 각각에 대한 예측 값을 출력할 수 있다. 여기서, 제 2 측정 값은 체성분 분석이 요구되는 특정 조직에 대한 측정 값을 의미할 수 있다. 그리고, 제 2 측정 값은 복수의 파장 대역별로 구분된 값들을 포함할 수 있다.
도 9는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (9)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 체성분 분석 방법에 있어서,
제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 획득하는 단계;
상기 제 1 기기와 상이한 제 2 기기를 이용하여 상기 측정 대상 조직에서 측정된 크로모포어 농도 값을 획득하는 단계;
상기 제 1 측정 값 및 상기 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계; 및
상기 신경망 모델의 학습이 완료된 경우, 상기 제 1 기기를 이용하여 특정 조직에서 측정된 제 2 측정 값을 상기 신경망 모델에 입력하여, 크로모포어 농도의 예측 값을 획득하는 단계;
를 포함하는,
체성분 분석 방법.
- 제 1 항에 있어서,
상기 제 1 측정 값에 로그 함수를 적용하여, 학습용 입력 데이터를 생성하는 단계; 및
상기 학습용 입력 데이터에 상기 크로모포어 농도 값을 라벨링하여, 상기 학습 데이터를 생성하는 단계;
를 더 포함하는,
체성분 측정 방법.
- 제 2 항에 있어서,
상기 크로모포어 농도 값은,
산소헤모글로빈(HbO2) 농도 값, 헤모글로빈(HHb) 농도 값, 수분(water) 농도 값 및 지질(lipid) 농도 값 중 적어도 하나를 포함하는,
체성분 측정 방법.
- 제 3 항에 있어서,
상기 학습 데이터는,
복수의 파장 대역별로 구분된 상기 제 1 측정 값 각각에 상기 산소헤모글로빈 농도 값, 상기 헤모글로빈 농도 값, 상기 수분 농도 값 및 상기 지질 농도 값 각각이 라벨링되는,
체성분 측정 방법.
- 제 4 항에 있어서,
상기 신경망 모델은,
복수의 파장 대역별로 구분된 상기 제 2 측정 값이 입력되었을 때, 상기 산소헤모글로빈 농도 값, 상기 헤모글로빈 농도 값, 상기 수분 농도 값 및 상기 지질 농도 값 각각에 대한 예측 값을 출력하도록 학습되는,
체성분 측정 방법.
- 제 2 항에 있어서,
상기 크로모포어 농도의 예측 값을 획득하는 단계는,
상기 제 2 측정 값에 로그 함수를 적용한 후, 상기 로그가 적용된 상기 제 2 측정 값을 상기 신경망 모델에 입력하는 단계; 및
상기 신경망 모델로부터 상기 제 2 측정 값에 대응하는 상기 크로모포어 농도 값의 예측 값을 획득하는 단계;
를 포함하는,
체성분 측정 방법.
- 제 1 항에 있어서,
상기 제 1 기기는,
상기 측정 대상 조직에 서로 다른 파장을 갖는 복수 개의 광을 조사하는 광 조사부 및 상기 측정 대상 조직으로부터 복수 개의 파장별로 반사되는 광을 수집하는 반사광 수집부를 포함하고,
상기 제 1 측정 값은,
상기 반사광 수집부에서 수집되는 반사광에 대응하는 값인,
체성분 측정 방법.
- 제 1 항에 있어서,
상기 제 2 기기는,
FD(frequency-domain)방식과 broadband CW(continuous-wave)기술이 융합된 근적외선 반사 분광 이미징(reflectance spectroscopy imaging) 기기, 주파수 도메인 기기, 시간 도메인 기기, 공간 분해 연속파(spatially-resolved CW) 기반의 기기 및 몬테카를로(monte-carlo) 시뮬레이션이나 팬텀 실험 결과에 기반한 실험적 모델(empirical model)을 사용한 기기 중 적어도 하나를 포함하는,
체성분 측정 방법.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
제 1 기기를 이용하여 측정 대상 조직에서 측정된 제 1 측정 값을 획득하는 단계;
상기 제 1 기기와 상이한 제 2 기기를 이용하여 상기 측정 대상 조직에서 측정된 크로모포어 농도 값을 획득하는 단계;
상기 제 1 측정 값 및 상기 크로모포어 농도 값을 기초로 생성된 학습 데이터를 이용하여 신경망 모델을 학습시키는 단계; 및
상기 신경망 모델의 학습이 완료된 경우, 상기 제 1 기기를 이용하여 특정 조직에서 측정된 제 2 측정 값을 상기 신경망 모델에 입력하여, 크로모포어 농도의 예측 값을 획득하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210133284A KR102703874B1 (ko) | 2021-10-07 | 2021-10-07 | 체성분 분석 방법 |
| US17/547,824 US20230112030A1 (en) | 2021-10-07 | 2021-12-10 | Methods For Analyzing Body Composition |
| JP2021205612A JP7373224B2 (ja) | 2021-10-07 | 2021-12-17 | 体組成分析方法 |
| EP21215839.8A EP4162864A1 (en) | 2021-10-07 | 2021-12-20 | Methods for analyzing body composition |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210133284A KR102703874B1 (ko) | 2021-10-07 | 2021-10-07 | 체성분 분석 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230050051A true KR20230050051A (ko) | 2023-04-14 |
| KR102703874B1 KR102703874B1 (ko) | 2024-09-09 |
Family
ID=79731066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210133284A KR102703874B1 (ko) | 2021-10-07 | 2021-10-07 | 체성분 분석 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230112030A1 (ko) |
| EP (1) | EP4162864A1 (ko) |
| JP (1) | JP7373224B2 (ko) |
| KR (1) | KR102703874B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273070B (zh) * | 2023-11-16 | 2024-02-02 | 云南烟叶复烤有限责任公司 | 一种基于孪生卷积自编码器构建的光谱模型转移方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200020341A (ko) * | 2018-08-17 | 2020-02-26 | 주식회사 올리브헬스케어 | 기계 학습을 이용한 생체신호 분석 장치 및 그 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8260402B2 (en) | 2008-06-06 | 2012-09-04 | Longevity Link, Inc. | Noninvasive measurement of carotenoids in biological tissue |
-
2021
- 2021-10-07 KR KR1020210133284A patent/KR102703874B1/ko active IP Right Grant
- 2021-12-10 US US17/547,824 patent/US20230112030A1/en active Pending
- 2021-12-17 JP JP2021205612A patent/JP7373224B2/ja active Active
- 2021-12-20 EP EP21215839.8A patent/EP4162864A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200020341A (ko) * | 2018-08-17 | 2020-02-26 | 주식회사 올리브헬스케어 | 기계 학습을 이용한 생체신호 분석 장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023056454A (ja) | 2023-04-19 |
| US20230112030A1 (en) | 2023-04-13 |
| JP7373224B2 (ja) | 2023-11-02 |
| KR102703874B1 (ko) | 2024-09-09 |
| EP4162864A1 (en) | 2023-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saeed et al. | Fish quality evaluation by sensor and machine learning: A mechanistic review | |
| WO2018060967A1 (en) | Big data self-learning methodology for the accurate quantification and classification of spectral information under complex varlability and multi-scale interference | |
| Leong et al. | Where nanosensors meet machine learning: Prospects and challenges in detecting Disease X | |
| KR102703874B1 (ko) | 체성분 분석 방법 | |
| US20240180471A1 (en) | Biological signal analysis method | |
| CN113160970A (zh) | 指标数据的分析方法、装置、设备及存储介质 | |
| Jafarpisheh et al. | Cancers classification based on deep neural networks and emotional learning approach | |
| Yadav et al. | Performance based evaluation of algorithmson chronic kidney disease using hybrid ensemble model in machine learning | |
| Fedorchenko et al. | Construction of a genetic method to forecast the population health indicators based on neural network models | |
| Amirvaresi et al. | Miniaturized NIR spectroscopy and chemometrics: A smart combination to solve food authentication challenges | |
| Ansari et al. | Machine learning approach to surface plasmon resonance bio-chemical sensor based on nanocarbon allotropes for formalin detection in water | |
| Venkatesh et al. | Precision centric framework for activity recognition using Dempster Shaffer theory and information fusion algorithm in smart environment | |
| Hafiz et al. | Co-evolution of neural architectures and features for stock market forecasting: A multi-objective decision perspective | |
| KR20230086956A (ko) | 항공기 소음도를 평가하기 위한 방법 및 컴퓨터 프로그램 | |
| Naresh et al. | Non-invasive glucose prediction and classification using NIR technology with machine learning | |
| Zhu et al. | Cooperative co-evolution of GA-based classifiers based on input decomposition | |
| KR102653259B1 (ko) | 심박변이도 특징 값을 추출하기 위한 방법 | |
| Kazi et al. | Comparative study of machine learning methods on spectroscopy images for blood glucose estimation | |
| Shakur et al. | Gpsrl: Learning semi-parametric bayesian survival rule lists from heterogeneous patient data | |
| Pattnaik et al. | Heart disease prediction using machine learning technique | |
| Naoum et al. | Classical and Brain-inspired Neural Networks for Substance Identification and Breast Cancer Detection: The Chaos Challenge | |
| Dinh et al. | Non-invasive glucose monitoring system utilizing near-infrared technology | |
| Papathomas et al. | A machine learning approach for prediction of sedentary behavior based on daily step counts | |
| Wei et al. | A novel BBO algorithm based on local search and nonuniform variation for iris classification | |
| Chen et al. | An interpretable model for sepsis prediction using multi-objective rule extraction |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |