KR20230052231A - 측정스펙트럼 분석장치 및 분석방법 - Google Patents
측정스펙트럼 분석장치 및 분석방법 Download PDFInfo
- Publication number
- KR20230052231A KR20230052231A KR1020220129482A KR20220129482A KR20230052231A KR 20230052231 A KR20230052231 A KR 20230052231A KR 1020220129482 A KR1020220129482 A KR 1020220129482A KR 20220129482 A KR20220129482 A KR 20220129482A KR 20230052231 A KR20230052231 A KR 20230052231A
- Authority
- KR
- South Korea
- Prior art keywords
- image
- spectrum
- analysis model
- spectral image
- measurement
- Prior art date
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 230000003595 spectral effect Effects 0.000 claims description 45
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 11
- 238000010183 spectrum analysis Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 239000012491 analyte Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 239000008280 blood Substances 0.000 description 12
- 210000004369 blood Anatomy 0.000 description 12
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 11
- 239000008103 glucose Substances 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000002484 cyclic voltammetry Methods 0.000 description 7
- 238000002848 electrochemical method Methods 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 208000009453 Thyroid Nodule Diseases 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000970 chrono-amperometry Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001453 impedance spectrum Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000001574 biopsy Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004365 square wave voltammetry Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/026—Dielectric impedance spectroscopy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/28—Electrolytic cell components
- G01N27/30—Electrodes, e.g. test electrodes; Half-cells
- G01N27/327—Biochemical electrodes, e.g. electrical or mechanical details for in vitro measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/28—Electrolytic cell components
- G01N27/30—Electrodes, e.g. test electrodes; Half-cells
- G01N27/327—Biochemical electrodes, e.g. electrical or mechanical details for in vitro measurements
- G01N27/3275—Sensing specific biomolecules, e.g. nucleic acid strands, based on an electrode surface reaction
- G01N27/3277—Sensing specific biomolecules, e.g. nucleic acid strands, based on an electrode surface reaction being a redox reaction, e.g. detection by cyclic voltammetry
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명의 일실시 형태는, 측정된 스펙트럼 이미지를 얻는 단계와, 상기 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성하는 단계, 및 테스트 샘플의 스펙트럼 이미지를 상기 분석모델에 입력하여 테스트 샘플의 특성을 예측하는 단계를 포함하는 측정 스펙트럼 분석 방법을 제공할 수 있다.
Description
본 발명은, 측정스펙트럼의 분석장치 및 분석방법에 관한 것으로서, 보다 상세하게는 피분석물에 대해 측정된 측정 스펙트럼의 이미지를 인공지능으로 학습시키고, 테스트 샘플의 측정 스펙트럼 이미지로부터 피분석물의 특성을 예측하는 측정 스펙트럼 분석장치 및 분석방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 적절한 데이터로 학습하고 사용할수록 인식률이 향상되고 사용자 취향을 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 기계학습 기반 인공지능 시스템으로 대체되고 있다.
선행문헌 : 한국등록특허 10-2391934
선행문헌은, 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 학습된 인공지능 알고리즘을 기반으로 갑상선 초음파영상 이미지의 갑상선 결절의 암 위험도를 분석하여 진단결과 정보를 생성하고, 이를 담당 의료진에게 제공하여 불필요한 조직검사를 감소할 수 있는 인공지능 기반 갑상선 결절의 암 위험도 진단 시스템 및 방법에 관한 것이다. 선행문헌에서는 데이터 전처리 장치에서 갑상선 초음파영상 이미지를 전송받아 전처리를 수행하여, 학습데이터셋, 검증데이터셋 및 테스트데이터셋을 생성하는 내용이 개시되어 있다.
선행문헌에서는 실제 촬영된 초음파 이미지를 인공지능으로 학습하는 내용이 개시되어 있으나, 전기화학적 측정 스펙트럼을 학습하는 기술에 대해서는 개시되어 있지 않다.
본 발명에서는, 측정된 측정 스펙트럼의 이미지를 인공지능으로 학습시키고, 테스트 샘플의 측정 스펙트럼 이미지로부터 피분석물의 특성을 예측할 수 있는 측정 스펙트럼 분석장치 및 분석방법에 관한 것이다.
본 발명의 일실시 형태는, 측정된 스펙트럼 이미지를 얻는 단계와, 상기 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성하는 단계, 및 테스트 샘플의 스펙트럼 이미지를 상기 분석모델에 입력하여 테스트 샘플의 특성을 예측하는 단계를 포함하는 측정 스펙트럼 분석 방법을 제공할 수 있다.
상기 측정 스펙트럼 분석방법은, 상기 분석모델을 형성하는 단계 이전에 상기 스펙트럼 이미지를 전처리하는 단계를 더 포함할 수 있다.
상기 스펙트럼 이미지를 전처리하는 단계는, 스펙트럼 이미지에 축을 그리는 것일 수 있다.
상기 스펙트럼 이미지를 전처리하는 단계는, 스펙트럼 이미지에서 스펙트럼 선에 의해 나누어지는 공간의 일부 영역을 채우거나(filling) 반전(inversion) 시키는 것일 수 있다.
상기 분석모델을 형성하는 단계는, 입력된 스펙트럼 이미지를 CNN(Convolutional Neural Network)으로 피처맵핑(feature mapping)하는 단계; 및 상기 맵핑된 데이터를 완전연결층(fully connected layer)으로 연결하는 단계를 포함할 수 있다.
본 발명의 다른 실시형태는, 측정된 스펙트럼 이미지를 저장하는 저장부와, 상기 저장부에 저장된 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성하는 인공지능 학습부, 및 테스트 샘플의 스펙트럼 이미지를 상기 분석모델에 입력하여 테스트 샘플의 특성을 예측하는 분석부를 포함하는 측정 스펙트럼 분석장치를 제공할 수 있다.
상기 측정 스펙트럼 분석장치는, 상기 학습하기 전에 스펙트럼 이미지를 전처리하는 이미지 처리부를 더 포함할 수 있다.
상기 이미지 처리부는, 스펙트럼 이미지에 축을 그리는 것일 수 있다.
상기 이미지 처리부는, 스펙트럼 이미지에서 스펙트럼 선에 의해 나누어지는 공간의 일부 영역을 채우거나(filling) 반전(inversion) 시키는 것일 수 있다.
상기 분석모델을 형성하는 학습부는, 입력된 스펙트럼 이미지를 CNN으로 피처맵핑(feature mapping)하는 맵핑부, 및 상기 맵핑된 데이터를 완전연결층(fully connected layer)으로 연결하는 분류부를 포함할 수 있다.
본 발명에 따르면, 측정된 측정 스펙트럼의 이미지를 인공지능으로 학습시키고, 테스트 샘플의 측정 스펙트럼 이미지로부터 피분석물의 특성을 예측할 수 있는 측정 스펙트럼 분석장치 및 분석방법을 얻을 수 있다.
도 1은, 기존의 혈당측정에 있어서 전기화학적 측정 데이터 처리방법인 크로노암페로메트리(Chronoamperometry) 기법을 도시한 도면이다.
도 2는, 기존의 혈당측정에 있어서 전기화학적 측정 데이터 처리방법인 순환 전압전류법(Cyclic Voltammetry)을 도시한 도면이다.
도 3은, 본 발명의 일실시 형태에 따른 측정 스펙트럼 분석방법의 순서도이다.
도 4는, 다양한 과일의 당을 측정하기 위해 순환 전압전류법을 사용하여 측정된 싸이클릭 볼타그램(Cyclic Voltagram)이다.
도 5는, 본 실시형태에서 사용하는 인공지능 학습 모델의 일예를 도시한 도면이다.
도 6은, 실제 도 4에서 측정된 과일의 당분에 대한 스펙트럼을 테스트 샘플로 하여 분석모델에서 예측된 당분을 나타낸다.
도 7은, 본 실시형태에 따라 스펙트럼 이미지를 전처리한 형태를 나타낸다.
도 8은, 실제 복수의 과일에 대해 분석모델을 구축한 후 분석모델에 테스트 샘플을 입력하여, 분석모델에서 예측된 당분을 나타낸다.
도 9 내지 도 18은 다양한 측정 스펙트럼에 대해 스펙트럼 이미지를 전처리하는 실시예를 나타내는 도면이다.
도 19는 본 발명의 다른 실시형태에 따른 측정 스펙트럼 분석장치의 구성도이다.
도 2는, 기존의 혈당측정에 있어서 전기화학적 측정 데이터 처리방법인 순환 전압전류법(Cyclic Voltammetry)을 도시한 도면이다.
도 3은, 본 발명의 일실시 형태에 따른 측정 스펙트럼 분석방법의 순서도이다.
도 4는, 다양한 과일의 당을 측정하기 위해 순환 전압전류법을 사용하여 측정된 싸이클릭 볼타그램(Cyclic Voltagram)이다.
도 5는, 본 실시형태에서 사용하는 인공지능 학습 모델의 일예를 도시한 도면이다.
도 6은, 실제 도 4에서 측정된 과일의 당분에 대한 스펙트럼을 테스트 샘플로 하여 분석모델에서 예측된 당분을 나타낸다.
도 7은, 본 실시형태에 따라 스펙트럼 이미지를 전처리한 형태를 나타낸다.
도 8은, 실제 복수의 과일에 대해 분석모델을 구축한 후 분석모델에 테스트 샘플을 입력하여, 분석모델에서 예측된 당분을 나타낸다.
도 9 내지 도 18은 다양한 측정 스펙트럼에 대해 스펙트럼 이미지를 전처리하는 실시예를 나타내는 도면이다.
도 19는 본 발명의 다른 실시형태에 따른 측정 스펙트럼 분석장치의 구성도이다.
이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명하겠다.
도 1은, 기존의 혈당측정에 있어서 전기화학적 측정 데이터 처리방법인 크로노암페로메트리(Chronoamperometry) 기법을 도시한 도면이다.
도 1의 (a) 내지 (c)를 참조하면, 전압을 인가한 후, 측정 전류의 디케이(decay)커브가 평형에 도달한 후 뒷 부분을 평균하여 평균 전류량을 구하는 방법을 사용한다. 이를 토대로 캘리브레이션(calibration) 식을 구하고 미지의 포도당 농도에 대한 평균전류를 측정하여 농도를 계산하는 방식이 사용된다. 이는 매우 복잡한 평균전류를 구해 캘리브레이션 식을 구하는 과정이 필요하며, 전극 이중측에 존재하는 Non-Faradaic 전류를 무시하고 측정하게 되며, 피분석물(Analyte)에 존재하는 고형성분이나 세포 등의 방해물질에 대한 정보를 유실할 수 있으며, 반응전류 커부의 극히 일부만을 사용하는 등 비합리적인 측면이 있다.
도 2는, 기존의 혈당측정에 있어서 전기화학적 측정 데이터 처리방법인 순환 전압전류법(Cyclic Voltammetry)을 도시한 도면이다.
도 2의 (a) 및 (b)를 참조하면, 전압을 시간에 따라 변화시켜가면서 인가한 후 측정 전류의 커브를 구한후, 저전압에서의 전류 커브의 선을 연장하고, 피크 전압에서 선을 내려 그 선과 만나는 지점까지의 전류값을 구하는 방식으로 피크 커런트(peak current)를 정의하고 있다. 또는 싸이클릭 볼타그램(Cyclic Voltagram)의 특징들을 추출하여(feature extraction) 분석에 사용하고 있다. 이렇게 특징을 추출하는 경우는 싸이클릭 볼타그램에 내표하는 많은 정보가 유실될 수 있다. 예를 들어, 레독스(redox) 반응이 충분히 발생하지 않아 ionic species 가 존재하지 않는 상황에 Non-Faradaic 전류 등에 대한 정보가 무시될 수 있다.
도 3은, 본 발명의 일실시 형태에 따른 측정 스펙트럼 분석방법의 순서도이다.
도 3을 참조하면, 본 실시형태에 따른 측정 스펙트럼 분석방법은, 측정 스펙트럼 이미지를 얻는 단계(310), 상기 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성하는 단계(330), 및 테스트 샘플의 스펙트럼 이미지를 상기 분석모델에 입력하여 테스트 샘플의 특성을 예측하는 단계(340)를 포함할 수 있다.
상기 측정 스펙트럼 이미지를 얻는 단계(310)는, 피분석물에 대한 스펙트럼을 얻는 단계이다. 본 실시형태에서 피분석물에 대한 측정은 전기화학적, 물리적 측정을 포함하여 다양한 측정을 포함할 수 있다. 예를 들어, 혈액에서 혈당을 측정하는 경우에는 순환 전압전류법(Cyclic Voltammetry)을 이용하여 싸이클릭 볼타그램(Cyclic Voltagram)을 얻을 수 있다. 도 4는, 다양한 과일의 당을 측정하기 위해 순환 전압전류법을 사용하여 측정된 싸이클릭 볼타그램(Cyclic Voltagram)이다. 도 4에서, 측정 스펙트럼 이미지는 폐루프를 형성하는 선형 그래프로 나타나지만, 상기 측정 스펙트럼 이미지는 측정방식이나 측정되는 파라미터에 따라 다양한 형태로 나타날 수 있다. 본 단계에서 피분석물에 대한 스펙트럼을 얻는 방법은 이에 한정되지 않고 다양한 방법으로 얻을 수 있다.
상기 분석모델을 형성하는 단계(330)는, 상기 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성할 수 있다. 스펙트럼 이미지를 인공지능 학습시키는 방식은 PCA 분석 SVM, Gradient boosting 등 다양한 머신러닝 기법이 사용될 수 있다. 본 실시형태에서는 CNN(Convolution Neural Network) 분석이 사용될 수 있다.
상기 분석모델을 형성하는 단계는, 입력된 스펙트럼 이미지를 CNN으로 피처맵핑(feature mapping)하는 단계; 및 상기 맵핑된 데이터를 완전연결층(fully connected layer)으로 연결하는 단계를 포함할 수 있다.
도 5는, 본 실시형태에서 사용하는 인공지능 학습 모델의 일예를 도시한 도면이다. 본 실시형태에서는 VGG, GoogLeNet, ResNet, LeNet, AlexNet, SENet, VGG-F, VGG-M, VGG-S 등 다양한 CNN 구조를 사용하여 스펙트럼 이미지를 학습시킬 수 있다.
상기 테스트샘플의 특성을 예측하는 단계(340)는, 상기 분석모델을 이용하여 테스트 샘플의 스펙트럼 이미지에 대한 특성을 예측할 수 있다. 본 단계에서는, 특성을 측정하고자 하는 피분석물의 테스트 샘플에 대한 측정 스펙트럼을 상기 분석모델에 적용하여 피분석물의 특성을 예측할 수 있다. 본 단계에서 예측할 수 있는 피분석물의 특성은, 전기적, 화학적, 물리적 특성을 포함하여 다양한 특성을 예측할 수 있다.
도 6은, 실제 도 4에서 측정된 과일의 당분에 대한 스펙트럼을 테스트 샘플로 하여 분석모델에서 예측된 당분을 나타낸다. 도 6을 참조하면, 실제 혈당기로 측정된 당성분(ground truth)과 분석모델에서 예측된 당성분(predicted)이 거의 유사하게 나타나는 것을 볼 수 있다.
본 실시형태에서는, 상기 분석모델을 형성하는 단계 이전에 상기 스펙트럼 이미지를 전처리하는 단계(320)를 더 포함할 수 있다.
일반적으로 측정 스펙트럼 이미지는 선형의 그래프로 표현될 수 있다. 상기 스펙트럼 이미지를 인공지능 학습시켜 특성 매핑을 수행하는 경우, 상기 스펙트럼 이미지의 선형 영역을 제외한 다른 영역은 모두 흰색으로 인식되므로 이미지에서 특성을 추출하는데에는 한계가 있다. 이처럼, 측정 스펙트럼 이미지의 인공지능 학습 진행시 나타날 수 있는 한계를 보완하기 위해서 스펙트럼 이미지에 대한 전처리를 수행할 수 있다.
상기 스펙트럼 이미지를 전처리하는 단계는, 스펙트럼 이미지에 축을 그리는 것일 수 있다. 상기 스펙트럼 이미지를 전처리하는 단계는, 스펙트럼 이미지에서 스펙트럼 선에 의해 나누어지는 공간의 일부 영역을 채우거나(filling) 반전(inversion) 시키는 것일 수 있다. 이처럼, 스펙트럼 이미지를 그대로 학습시키지 않고, 스펙트럼 이미지를 전처리하여 인공지능으로 학습시키는 경우에 스펙트럼 이미지에 대한 학습 효율이 좋아져 이미지내의 특성을 추출하는데 훨씬 효율적이다.
도 7은, 본 실시형태에 따라 스펙트럼 이미지를 전처리한 형태를 나타낸다. 본 실시형태에서는, 혈당센서를 이용하여 당을 포함하는 음료수의 당성분을 측정한 스펙트럼 이미지를 이용하였다.
도 7의 (a)는 기본적인 측정 스펙트럼 이미지를 나타내며, 도 7의 (b)는 기본 스펙트럼 이미지에 x축 및 y축을 마킹한 형태이다. 도 7의 (c)는 기본 스펙트럼 이미지에서 내부 영역을 필링(filling)한 형태이고, 도 7의 (d)는 기본 스펙트럼 이미지에서 내부 필링(filling) 및 축마킹한 형태이다. 도 7의 (e)는 기본 스펙트럼 이미지에서 내부 필링을 반전시켜 외부를 필링한 형태이다. 도 7의 (f)는 기본 스펙트럼 이미지에서 외부 필링 및 축을 마킹한 형태이다.
도 8은, 실제 복수의 과일의 당분을 혈당센서로 측정하고, 측정 스펙트럼 이미지를 도 7의 (c)와 같이 전처리한 후 전처리된 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 구축한 후 분석모델에 테스트 샘플을 입력하여, 분석모델에서 예측된 당분을 나타낸다. 도 8을 참조하면, 실제 혈당기로 측정된 당성분(ground truth)과 분석모델에서 예측된 당성분(predicted)이 거의 유사하게 나타나는 것을 볼 수 있으며, 도 6과 비교하여 예측의 정확도가 더 높아진 것을 볼 수 있다.
도 9 내지 도 18은 다양한 측정 스펙트럼에 대해 스펙트럼 이미지를 전처리하는 실시예를 나타내는 도면이다.
도 9는 복잡한 형태를 갖는 측정 스펙트럼 이미지에 대해서 내부 필링(filling)을 하여 이미지 전처리한 도면이다.
도 10은, 측정 스펙트럼 이미지 내부를 빗금형태로 필링하여 이미지 전처리한 도면이다.
도 11은, Chronoamperommetry 스펙트럼 이미지에 대해서 전처리한 형태를 나타낸다. 이러한 스펙트럼 이미지는 내부영역과 외부영역이 명확히 구분되지 않으나, 스펙트럼 이미지의 일부영역을 한정하여 그래프에 의해 구분되는 영역의 일부만을 필링할 수 있다.
도 12는, Square wave voltammetry 스펙트럼 이미지에 대해 전처리한 형태를 나타낸다.
도 13은, 임피던스(Impedance) 스펙트럼 이미지에 대해 전처리한 형태를 나타낸다.
도 14는, 임피던스(Impedance) 스펙트럼 이미지에 대해 전처리한 형태이다. 본 실시예에서는 등가모델의 써킷(circuit)별로 해당면적을 필링할 수 있다.
도 15는, 다른 spectroscopic data의 이미지를 전처리한 형태이다. 도 15의 (a)는 Raman 분석 그래프, 도 15의 (b)는 IR 분석 그래프에 대해 각각 이미지 전처리를 수행한 도면이다.
도 16은, 또 다른 spectroscopic data의 이미지를 전처리한 형태이다. 도 16의 (a)는 UV 측정 그래프, 도 16의 (b)는 NMR 측정 그래프에 대해 각각 이미지 전처리를 수행한 도면이다.
도 17은, X-ray 의 sprecroscopic data 이미지를 전처리한 형태이다.
도 18은, 다른 생체 신호 스펙트럼에 대한 이미지를 전처리한 형태이다. 본 실시예에서 생체 신호 스펙트럼은 ECG, EMG, EEG, EKG 등을 포함할 수 있다.
도 19는, 본 발명의 다른 실시형태에 따른 측정 스펙트럼 분석장치의 구성도이다.
도 19를 참조하면, 본 실시형태에 따른 측정 스펙트럼 분석장치는, 측정 스펙트럼 이미지를 저장하는 저장부(1910), 상기 저장부에 저장된 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성하는 인공지능 학습부(1930), 및 상기 분석모델을 이용하여 테스트 샘플의 스펙트럼 이미지에 대한 특성을 예측하는 분석부(1940)을 포함할 수 있다.
상기 측정 스펙트럼 이미지를 저장하는 저장부(1910)는, 피분석물에 대한 스펙트럼 이미지를 저장할 수 있다. 본 실시형태에서 피분석물에 대한 측정은 전기화학적, 물리적 측정을 포함하여 다양한 측정을 포함할 수 있다. 예를 들어, 혈액에서 혈당을 측정하는 경우에는 순환 전압전류법(Cyclic Voltammetry)을 이용하여 싸이클릭 볼타그램(Cyclic Voltagram)을 얻을 수 있다. 본 단계에서 피분석물에 대한 스펙트럼을 얻는 방법은 이에 한정되지 않고 다양한 방법으로 얻을 수 있다.
상기 인공지능 학습부(1930)는, 상기 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성할 수 있다. 스펙트럼 이미지를 인공지능 학습시키는 방식은 PCA 분석 SVM, Gradient boosting 등 다양한 머신러닝 기법이 사용될 수 있다. 본 실시형태에서는 CNN(Convolution Neural Network) 분석이 사용될 수 있다. 상기 인공지능 학습부(1930)에서는, 입력된 스펙트럼 이미지를 CNN으로 피처맵핑(feature mapping)하고, 상기 맵핑된 데이터를 완전연결층(fully connected layer)으로 연결할 수 있다.
상기 분석부(1940)는, 상기 인공지능 학습부의 분석모델을 이용하여 테스트 샘플의 스펙트럼 이미지에 대한 특성을 예측할 수 있다. 본 단계에서는, 특성을 측정하고자 하는 피분석물의 테스트 샘플에 대한 측정 스펙트럼을 상기 분석모델에 적용하여 피분석물의 특성을 예측할 수 있다. 본 단계에서 예측할 수 있는 피분석물의 특성은, 전기적, 화학적, 물리적 특성을 포함하여 다양한 특성을 예측할 수 있다.
본 실시형태에 따른 측정 스펙트럼 분석장치는 상기 학습하기 전에 스펙트럼 이미지를 전처리하는 이미지 처리부(1920)를 더 포함할 수 있다.
일반적으로 측정 스펙트럼 이미지는 선형의 그래프로 표현될 수 있다. 상기 스펙트럼 이미지를 인공지능 학습시켜 특성 매핑을 수행하는 경우, 상기 스펙트럼 이미지의 선형 영역을 제외한 다른 영역은 모두 흰색으로 인식되므로 이미지에서 특성을 추출하는데에는 한계가 있다. 이처럼, 측정 스펙트럼 이미지의 인공지능 학습 진행시 나타날 수 있는 한계를 보완하기 위해서 스펙트럼 이미지에 대한 전처리를 수행할 수 있다.
상기 스펙트럼 이미지를 전처리하는 이미지 처리부(1920)는, 스펙트럼 이미지에 축을 그리거나, 스펙트럼 이미지에서 스펙트럼 선에 의해 나누어지는 공간의 일부 영역을 채우거나(filling) 반전(inversion) 시키는 전처리를 할 수 있다. 이처럼, 스펙트럼 이미지를 그대로 학습시키지 않고, 스펙트럼 이미지를 전처리하여 인공지능으로 학습시키는 경우에 스펙트럼 이미지에 대한 학습 효율이 좋아져 이미지내의 특성을 추출하는데 훨씬 효율적이다.
본 실시형태에 따른 측정 스펙트럼 분석장치는 스펙트럼의 이미지를 컨벌루선 처리하는 영상처리 기법, 여러 가지 보다 고도화된 트랜스포머(Transformer) 영상처리 기법, 다양한 데이터들로부터 학습된 각각의 모델, 이미지를 생성하는 기본 테뷸라 데이터 (Tabular Data)를 학습하는 Decision tree, SVM, Boosting 등의 머신러닝 기법들과의 혼합(Hybrid) 모델의 구성도 또한 가능하다.
상기에서는 본 발명의 바람직한 실시형태 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 측정되는 분석물 및 측정대상, 인공지능 학습모델 등은 다양하게 변경될 수 있다.
1910 : 이미지 저장부
1920 : 이미지 처리부
1930 : 인공지능 학습부 1940 : 분석부
1930 : 인공지능 학습부 1940 : 분석부
Claims (10)
- 측정된 스펙트럼 이미지를 얻는 단계;
상기 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성하는 단계; 및
테스트 샘플의 스펙트럼 이미지를 상기 분석모델에 입력하여 테스트 샘플의 특성을 예측하는 단계
를 포함하는 측정 스펙트럼 분석 방법.
- 제1항에 있어서,
상기 분석모델을 형성하는 단계 이전에
상기 스펙트럼 이미지를 전처리하는 단계
를 더 포함하는 것을 특징으로 하는 측정 스펙트럼 분석 방법.
- 제2항에 있어서,
상기 스펙트럼 이미지를 전처리하는 단계는,
스펙트럼 이미지에 축을 그리는 것을 특징으로 하는 측정 스펙트럼 분석 방법.
- 제2항에 있어서,
상기 스펙트럼 이미지를 전처리하는 단계는,
스펙트럼 이미지에서 스펙트럼 선에 의해 나누어지는 공간의 일부 영역을 채우거나(filling) 반전(inversion) 시키는 것을 특징으로 하는 측정 스펙트럼 분석 방법.
- 제1항에 있어서,
상기 분석모델을 형성하는 단계는,
입력된 스펙트럼 이미지를 CNN으로 피처맵핑(feature mapping)하는 단계; 및
상기 맵핑된 데이터를 완전연결층(fully connected layer)으로 연결하는 단계
를 포함하는 것을 특징으로 하는 측정 스펙트럼 분석 방법.
- 측정된 스펙트럼 이미지를 저장하는 저장부;
상기 저장부에 저장된 스펙트럼 이미지를 인공지능 학습시켜 분석모델을 형성하는 인공지능 학습부; 및
테스트 샘플의 스펙트럼 이미지를 상기 분석모델에 입력하여 테스트 샘플의 특성을 예측하는 분석부
를 포함하는 측정 스펙트럼 분석장치.
- 제6항에 있어서,
상기 학습하기 전에 스펙트럼 이미지를 전처리하는 이미지 처리부
를 더 포함하는 것을 특징으로 하는 측정 스펙트럼 분석장치.
- 제7항에 있어서,
상기 이미지 처리부는,
스펙트럼 이미지에 축을 그리는 것을 특징으로 하는 측정 스펙트럼 분석장치.
- 제7항에 있어서,
상기 이미지 처리부는,
스펙트럼 이미지에서 스펙트럼 선에 의해 나누어지는 공간의 일부 영역을 채우거나(filling) 반전(inversion) 시키는 것을 특징으로 하는 측정 스펙트럼 분석장치.
- 제6항에 있어서,
상기 분석모델을 형성하는 학습부는,
입력된 스펙트럼 이미지를 CNN으로 피처맵핑(feature mapping)하는 맵핑부; 및
상기 맵핑된 데이터를 완전연결층(fully connected layer)으로 연결하는 분류부
를 포함하는 것을 특징으로 하는 측정 스펙트럼 분석장치.
Applications Claiming Priority (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20210134729 | 2021-10-12 | ||
| KR1020210134729 | 2021-10-12 | ||
| KR1020210148009 | 2021-11-01 | ||
| KR20210148009 | 2021-11-01 | ||
| KR1020210154528 | 2021-11-11 | ||
| KR20210154528 | 2021-11-11 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230052231A true KR20230052231A (ko) | 2023-04-19 |
Family
ID=85987525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220129482A KR20230052231A (ko) | 2021-10-12 | 2022-10-11 | 측정스펙트럼 분석장치 및 분석방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230052231A (ko) |
| WO (1) | WO2023063725A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102574088B1 (ko) * | 2018-08-10 | 2023-09-04 | 삼성전자주식회사 | 분석 물질의 농도 추정 장치 및 방법과, 농도 추정 모델 생성 장치 및 방법 |
| US11039806B2 (en) * | 2018-12-20 | 2021-06-22 | Canon Medical Systems Corporation | Apparatus and method that uses deep learning to correct computed tomography (CT) with sinogram completion of projection data |
| KR20200110878A (ko) * | 2019-03-18 | 2020-09-28 | 민경준 | 충치 조기진단을 위한 딥러닝 기반 진단 방법 및 시스템 |
| KR20200120988A (ko) * | 2019-04-09 | 2020-10-23 | 주식회사 이노와이어리스 | 인공지능 알고리즘 기반의 불요파 자동 판정 및 예측 시스템 |
| EP4070095A1 (en) * | 2019-12-06 | 2022-10-12 | Microphotonx GmbH | Methods for identifying viral infections and for analyzing exosomes in liquid samples by raman spectroscopy |
-
2022
- 2022-10-11 KR KR1020220129482A patent/KR20230052231A/ko not_active Application Discontinuation
- 2022-10-12 WO PCT/KR2022/015427 patent/WO2023063725A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023063725A1 (ko) | 2023-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stacke et al. | Measuring domain shift for deep learning in histopathology | |
| JP6837597B2 (ja) | 能動学習のシステム及び方法 | |
| CN109146872B (zh) | 基于深度学习和光流法的心脏冠状动脉影像分割识别方法 | |
| US11928814B2 (en) | Method and system for determining concentration of an analyte in a sample of a bodily fluid, and method and system for generating a software-implemented module | |
| Ertuğrul et al. | Automatic diagnosis of cardiovascular disorders by sub images of the ECG signal using multi-feature extraction methods and randomized neural network | |
| CN111772619A (zh) | 一种心电图心搏识别方法、终端设备及存储介质 | |
| Yang et al. | Synergetic application of E-tongue and E-eye based on deep learning to discrimination of Pu-erh tea storage time | |
| US20220309268A1 (en) | Attention mechanism-based 12-lead electrocardiogram classification method and apparatus | |
| CN114269231A (zh) | 使用一组机器学习诊断模型来确定基于患者肤色的诊断 | |
| US11666253B2 (en) | Methods and apparatus for analyte concentration monitoring using harmonic relationships | |
| Vemishetty et al. | Phase space reconstruction based CVD classifier using localized features | |
| CN110403611B (zh) | 血液中糖化血红蛋白成分值预测方法、装置、计算机设备和存储介质 | |
| CN117408946A (zh) | 图像处理模型的训练方法、图像处理方法 | |
| CN114708493A (zh) | 一种中医裂纹舌诊便携设备及使用方法 | |
| KR20230052231A (ko) | 측정스펙트럼 분석장치 및 분석방법 | |
| Głowacz et al. | Comparison of various data analysis techniques applied for the classification of oligopeptides and amino acids by voltammetric electronic tongue | |
| Wójcik et al. | Deep learning assisted distinguishing of honey seasonal changes using quadruple voltammetric electrodes | |
| KR20230089554A (ko) | 전기화학적 센서 및 측정방법 | |
| CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
| Zholmagambetova et al. | Methods of extracting electrocardiograms from electronic signals and images in the Python environment | |
| Upadhyay et al. | Hypuc: Hyperfine uncertainty calibration with gradient-boosted corrections for reliable regression on imbalanced electrocardiograms | |
| Shobeiri et al. | Shapley Value is an Equitable Metric for Data Valuation | |
| CN115201144B (zh) | 一种油菜籽的氨基酸及蛋白质定量检测方法、系统及介质 | |
| Lal et al. | ECG Signals Analysis based on Compressed Sensing and Learning Techniques for Heart Disease Recognition | |
| Kurian | Deep Convolution Neural Network-Based Classification and Diagnosis of Heart Disease using ElectroCardioGram (ECG) Images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |