KR20230084070A

KR20230084070A - Method for generating trainig image used to train image based-artificial intelligence model that anlays image obtained from one-dimensional singlas on multiple channel amd device performing the same

Info

Publication number: KR20230084070A
Application number: KR1020220166146A
Authority: KR
Inventors: 김중희
Original assignee: 서울대학교병원
Priority date: 2021-12-03
Filing date: 2022-12-01
Publication date: 2023-06-12

Abstract

Embodiments relate to a method for generating a training image and a device performing the same, wherein: a training signal is generated on the basis of source signal information; at least one output format is selected from among a plurality of preset output formats to determine the output format of the training image; an output section for each channel of the training signal is determined on the basis of the length of a time section of a waveform of the determined output format; a grid scale of the training image is determined by selecting a per-axis scale; a grid pattern is drawn on a two-dimensional plane according to the determined grid scale; a reference position of the waveform content of the training signal is set on the basis of at least one of the determined output section for each channel or the determined grid scale; and the waveform content of the training signal and a signal marker are drawn on the two-dimensional plane with the grid pattern drawn thereon. Therefore, training images may be mass-produced.

Description

A training image generation method used to train an image-based artificial intelligence model that analyzes images obtained from multi-channel one-dimensional signals and a device for performing the same ONE-DIMENSIONAL SINGLAS ON MULTIPLE CHANNEL AMD DEVICE PERFORMING THE SAME}

실시예들은 훈련 이미지 생성 기술, 예컨대 이미지 형식, 신호 패턴을 다변화한 대규모의 훈련 이미지를 생성할 수 있는, 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 기술 및 이를 수행하는 장치에 관한 것이다. Embodiments are training image generation techniques, such as training images used to train an image-based artificial intelligence model that analyzes images obtained from multi-channel one-dimensional signals, capable of generating large-scale training images with diversified image formats and signal patterns. It relates to production techniques and devices for performing them.

심전도, 뇌파 등의 바이오 시그널 등의 시그널은 일반적으로 1차원 시그널 형태로 측정된다. 이 때, 측정되는 시그널은 해당 채널에서 측정되는 시간 도메인 상의 수치로 구현되는데, 일반적으로 C × T 형태의 수치형 어레이 구조로 표현된다. 측정된 수치들은 전술한 수치형 어레이 구조에 저장되어 활용된다. Signals such as bio signals such as electrocardiograms and brain waves are generally measured in the form of one-dimensional signals. At this time, the signal to be measured is implemented as a number on the time domain measured in the corresponding channel, and is generally expressed as a numerical array structure in the form of C × T. The measured values are stored and utilized in the above-described numerical array structure.

상기 시그널 데이터 수치는 인간 판독자가 그대로 이해하기 어렵기 때문에 종이나 장치 화면 상에 사람이 이해하기 쉬운 방식의 파형을 채널별로 그린 2차원 이미지 출력으로 나타난다. Since the signal data values are difficult for human readers to understand as they are, they are displayed as two-dimensional image outputs in which waveforms are drawn for each channel in a way that is easy for humans to understand on paper or a device screen.

그런데 2차원 이미지 출력의 형식은 다양하다. 특히, 동일한 목적으로 활용되는 2차원 이미지 출력이더라도 그 형식은 제품에 따라 매우 다를 수도 있다. However, the format of the 2D image output is diverse. In particular, even if a 2D image output is used for the same purpose, the format may be very different depending on the product.

2차원 이미지 출력 결과로 나타나는 시그널 정보를 분석하는 인공지능 모델을 개발하는 것을 가정해 보자. 만일 이 인공지능 모델을 한 가지 출력 형식의 훈련 이미지를 사용해서 학습한다면 상기 인공지능 모델은 다른 출력 형식의 대상 이미지를 분석할 수 없어, 낮은 분석 성능을 가질 것이다. Let's assume that we are developing an artificial intelligence model that analyzes signal information that appears as a result of outputting a 2D image. If this artificial intelligence model is trained using a training image of one output format, the artificial intelligence model cannot analyze a target image of another output format and will have low analysis performance.

따라서, 인공지능 모델이 높은 분석 성능을 갖도록 학습하기 위해서는 최대한 다양한 출력 형식의 훈련 이미지를 준비해야 한다. 그러나, 실존하는 제품이 사용 중인 실존 이미지만으로 충분한 학습을 위한 다수의 훈련 이미지를 준비하는 것은 현실적으로 매우 어렵다. 특히, 신규 제품 출시 또는 기존 제품 업데이트로 새로운 출력 형식의 이미지가 활용되는, 미래의 변화를 전혀 대비할 수 없는 한계가 있다. Therefore, in order to train an artificial intelligence model to have high analysis performance, training images in various output formats must be prepared as much as possible. However, it is realistically very difficult to prepare a plurality of training images for sufficient learning using only real images used by existing products. In particular, there is a limit to not being able to prepare for future changes in which new output format images are used due to new product launches or existing product updates.

일 측면에서, 본 출원의 예시적인 구현예들에서는, 형식의 다양성을 고려하지 않고 한가지 형식만으로 2차원 이미지를 훈련할 경우 발생하는 문제들을 해결하기 위해, 이미지 형식, 신호 패턴을 다변화한 대규모의 훈련 이미지를 생성할 수 있는, 훈련 이미지 생성 방법 및 장치, 예컨대 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 기술 및 이를 수행하는 방법 및 장치를 제공하고자 한다. In one aspect, in the exemplary implementations of the present application, large-scale training in which image formats and signal patterns are diversified to solve problems that occur when training a 2D image with only one format without considering the diversity of formats. To provide a training image generation method and apparatus capable of generating images, such as a training image generation technique used for training an image-based artificial intelligence model that analyzes images obtained from multi-channel one-dimensional signals, and a method and apparatus for performing the same do.

본 출원의 실시예들에서는, 프로세서 및 메모리를 포함한 컴퓨팅 장치에 의해 수행되는, 예컨대 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 방법에 있어서, 다채널 1차원 시그널을 포함하는 소스 신호 정보에 기초하여 훈련 신호를 생성하는 단계; 미리 설정된 복수의 출력물 형식 중 적어도 하나의 출력물 형식을 선택하여 상기 훈련 이미지의 출력물 형식을 결정하는 단계; 결정된 출력물 형식의 파형의 시간 구간의 길이에 기초하여 훈련 신호의 채널별 출력 구간을 결정하는 단계; 축별 스케일을 선택하여 훈련 이미지의 격자 스케일을 결정하는 단계; 결정된 격자 스케일에 따라서 격자 패턴을 2차원 평면 상에 표기하는 단계; 결정된 채널별 출력 구간 및 결정된 격자 스케일 중 적어도 하나에 기초하여 상기 훈련 신호의 파형 내용의 기준 위치를 설정하는 단계; 및 상기 훈련 신호의 파형 내용 및 신호 표지자를 격자 패턴이 표기된 2차원 평면 상에 표기하는 단계를 포함하는, 훈련 이미지 생성 방법 및 이를 수행하기 위한 프로그램을 기록한 컴퓨터 판독가능 기록매체 또는 컴퓨터 판독가능 기록매체에 저장되는 컴퓨터 프로그램을 제공한다. In the embodiments of the present application, in the training image generation method used to train an image-based artificial intelligence model that analyzes images obtained from, for example, multi-channel one-dimensional signals, performed by a computing device including a processor and memory, generating a training signal based on source signal information including a channel 1D signal; determining an output format of the training image by selecting at least one output format among a plurality of preset output formats; determining an output interval for each channel of the training signal based on the length of the time interval of the determined output format waveform; determining a lattice scale of the training image by selecting an axis-by-axis scale; Marking a grid pattern on a two-dimensional plane according to the determined grid scale; setting a reference position of the waveform content of the training signal based on at least one of the determined output interval for each channel and the determined grid scale; and marking the waveform content of the training signal and the signal indicator on a two-dimensional plane marked with a grid pattern, and a computer-readable recording medium or computer-readable recording medium recording a program for performing the training image generation method Provides a computer program stored in.

또한, 본 출원의 실시예들에서는, 훈련 이미지 생성 장치로서, 소스 신호를 획득하는 획득부; 및 프로세서 및 메모리를 포함하는 이미지 생성부;를 포함하고, 상기 이미지 생성부는 상기 획득부에 의해 수신된 소스 신호 정보를 수신하고, 전술한 훈련 이미지 생성 방법을 수행하는, 훈련 이미지 생성 장치를 제공한다.In addition, in the embodiments of the present application, as a training image generating device, an acquisition unit for obtaining a source signal; and an image generating unit including a processor and a memory, wherein the image generating unit receives the source signal information received by the acquisition unit and performs the training image generating method described above. .

일 측면에서, 본 출원의 실시예들에 따르면 예컨대 다채널 1차원 시그널과 같은 소스 신호로부터 다양한 형식의 2차원 신호 이미지를 생성하여 우수한 성능으로 2차원 신호 이미지를 분석하는 인공지능을 개발하는데 사용되는 훈련 데이터 세트(training data set)를 공급할 수 있다. In one aspect, according to the embodiments of the present application, for example, generating 2D signal images in various formats from a source signal such as a multi-channel 1D signal to develop artificial intelligence that analyzes 2D signal images with excellent performance A training data set can be supplied.

상기 다양한 형식의 2차원 신호 이미지를 활용하면, 이러한 형식의 다양성을 고려하지 않고 한가지 형식만으로 훈련할 경우 발생하는 문제들, 예컨대 out-of-distribution 문제, 형식이 조금만 바뀌어도 해석이 잘못되는 문제를 해결할 수 있다. By using the two-dimensional signal images of various formats, problems that arise when training with only one format without considering the diversity of these formats, such as the out-of-distribution problem and the problem of misinterpretation even if the format is slightly changed, can be solved. can

본 출원의 실시예들의 발명은 의료 바이오 분야의 시그널뿐만 아니라 1차원 시그널에 기반하여 2차원 이미지를 분석하는 다른 산업 분야의 시그널 분석에도 확장하여 적용될 수 있다.The inventions of the embodiments of the present application can be extended and applied to signal analysis in other industries that analyzes 2D images based on 1D signals as well as signals in the medical bio field.

본 출원의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The effects of the present application are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description of the claims.

본 출원의 예시적인 실시예들을 보다 명확하게 설명하기 위해, 실시예에 대한 설명에서 필요한 도면이 아래에서 간단히 소개된다. 아래의 도면들은 본 명세서의 실시예를 설명하기 목적일 뿐 한정의 목적이 아니라는 것으로 이해되어야 한다. 또한, 설명의 명료성을 위해 아래의 도면들에서 과장, 생략 등 다양한 변형이 적용된 일부 요소들이 도시될 수 있다.
도 1은, 본 출원의 일 측면에 따른, 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 방법의 흐름도이다.
도 2는, 본 출원의 일 실시예에 따른, 소스 신호 정보의 개략도이다.
도 3은, 본 출원의 일 실시예에 따른, 훈련 신호의 개략도이다.
도 4는, 본 출원의 일 실시예에 따른, 출력물 형식의 개략도이다.
도 5는, 본 출원의 일 실시예에 따른, 격자 스케일의 개략도이다.
도 6은, 본 출원의 일 실시예에 따른, 격자 패턴이 표기되는 것을 도시한다.
도 7은, 본 출원의 일 실시예에 따른, 훈련 신호의 파형 내용 및 신호 표지자를 격자 패턴이 표기된 2차원 평면 상에 표기하는 결과의 개략도이다.
도 8은, 본 출원의 일 실시예에 따른, 부가 정보를 표기한 것의 개략도이다.
도 9는, 본 출원의 다른 일 측면에 따른, 상기 훈련 이미지 생성 방법을 수행하는 장치의 블록도이다. To describe the exemplary embodiments of the present application more clearly, drawings necessary in the description of the embodiments are briefly introduced below. It should be understood that the drawings below are for the purpose of explaining the embodiments of the present specification and not for limiting purposes. In addition, for clarity of explanation, some elements applied with various modifications, such as exaggeration and omission, may be shown in the drawings below.
1 is a flowchart of a training image generation method used to train an image-based artificial intelligence model that analyzes images obtained from multi-channel one-dimensional signals according to an aspect of the present application.
2 is a schematic diagram of source signal information according to an embodiment of the present application;
3 is a schematic diagram of a training signal, according to an embodiment of the present application.
4 is a schematic diagram of an output format according to an embodiment of the present application.
5 is a schematic diagram of a grating scale, according to an embodiment of the present application.
6 shows that a grid pattern is marked, according to an embodiment of the present application.
7 is a schematic diagram of a result of marking the waveform contents of a training signal and signal markers on a two-dimensional plane marked with a grid pattern, according to an embodiment of the present application.
8 is a schematic diagram of marking additional information according to an embodiment of the present application.
9 is a block diagram of a device for performing the training image generating method according to another aspect of the present application.

이하, 본 출원의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성 요소들에 참조 부호를 부가함에 있어서, 동일한 구성 요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 실시예들을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명 이 본 기술 사상의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다. Hereinafter, some embodiments of the present application will be described in detail with reference to exemplary drawings. In adding reference numerals to components of each drawing, the same components may have the same numerals as much as possible even if they are displayed on different drawings. In addition, in describing the present embodiments, if it is determined that a detailed description of a related known configuration or function may obscure the gist of the present technical idea, the detailed description may be omitted.

본 명세서 상에서 언급된 "포함한다", "갖는다", "이루어진다" 등이 사용되는 경우 "~만"이 사용되지 않는 이상 다른 부분이 추가될 수 있다. 구성 요소를 단수로 표현한 경우에 특별한 명시적인 기재 사항이 없는 한 복수를 포함하는 경우를 포함할 수 있다. When "comprises", "has", "consists of", etc. mentioned in this specification is used, other parts may be added unless "only" is used. In the case where a component is expressed in the singular, it may include the case of including the plural unless otherwise explicitly stated.

또한, 본 출원의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B,(a),(b) 등의 용어를 사용할 수 있다. 달리 명시하지 않는 한, 이 러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. In addition, in describing the components of the present application, terms such as first, second, A, B, (a), (b) may be used. Unless otherwise specified, these terms are only used to distinguish the component from other components, and the nature, sequence, order, or number of the component is not limited by the term.

본 명세서에서 '학습' 혹은 '러닝'은 절차에 따른 컴퓨팅(computing)을 통하여 기계 학습(machine learning)을 수행함을 지칭하는 용어이다. In this specification, 'learning' or 'learning' is a term that refers to performing machine learning through procedural computing.

본 명세서에서 네크워트는 기계 학습 알고리즘 또는 모델의 신경망을 지칭한다. A network herein refers to a neural network of a machine learning algorithm or model.

본 명세서에서 "부(unit)", “모듈(module)”“장치”, 또는 "시스템" 등의 용어는 하드웨어뿐만 아니라 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭할 수 있는 것으로 의도된다. 예를 들어, 하드웨어는 CPU(Central Processing Unit), GPU(Graphic Processing Unit) 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.In this specification, terms such as "unit", "module", "device", or "system" are intended to refer to a combination of hardware as well as software driven by the hardware. For example, the hardware may be a data processing device including a Central Processing Unit (CPU), a Graphic Processing Unit (GPU), or another processor. Also, software may refer to a running process, an object, an executable file, a thread of execution, a program, and the like.

본 명세서에서 다채널이란 하나 또는 둘 이상의 채널이라는 의미이며, 하나의 채널인 경우를 배제하는 의미가 아닌 것으로 정의된다.In this specification, multi-channel means one or two or more channels, and is defined as not excluding the case of one channel.

특정 실시예들에서, 다채널 1차원 시그널로부터 얻어진 2차원 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 방법은 적어도 하나의 프로세서 및 메모리를 포함한 컴퓨팅 장치에 의해 수행될 수도 있다. In certain embodiments, a training image generation method used to train an image-based artificial intelligence model that analyzes a two-dimensional image obtained from a multi-channel one-dimensional signal may be performed by a computing device including at least one processor and memory. .

상기 컴퓨팅 장치는 외부기기(예컨대, 신호 측정기기)로부터 신호 데이터를 수신하고 이를 처리하도록 구성된다. The computing device is configured to receive signal data from an external device (eg, a signal measuring device) and process it.

도 1은, 본 출원의 일 측면에 따른, 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 방법의 흐름도이다. 1 is a flowchart of a training image generation method used to train an image-based artificial intelligence model that analyzes images obtained from multi-channel one-dimensional signals according to an aspect of the present application.

도 1을 참조하면, 상기 훈련 이미지 생성 방법(이하, 훈련 이미지 생성 방법)은, 소스 신호 정보에 기초하여 훈련 신호를 생성/변조하는 단계(S100)를 포함한다. Referring to FIG. 1 , the training image generation method (hereinafter, the training image generation method) includes generating/modulating a training signal based on source signal information (S100).

도 2는, 본 출원의 일 실시예에 따른, 소스 신호 정보의 개략도이고, 도 3은, 본 출원의 일 실시예에 따른, 훈련 신호의 개략도이다. Fig. 2 is a schematic diagram of source signal information according to an embodiment of the present application, and Fig. 3 is a schematic diagram of a training signal according to an embodiment of the present application.

도 2을 참조하면, 상기 소스 신호 정보는 대상자의 신체에 장착된 하나 이상의 채널을 통해 측정된 각 채널 별 1차원 신호를 포함할 수도 있다. 예를 들어, 입력되는 소스 신호는 채널 × 시간 (C × T) 형태의 배열일 수도 있다. 상기 소스 신호는 수치형 배열(array)를 가질 수도 있다. 도 2에 도시된 것처럼, 상기 소스 신호 정보는 12리드 채널을 통해 측정된, 1차원 심전도 신호가 12개 이루어진 것일 수도 있다. Referring to FIG. 2 , the source signal information may include a one-dimensional signal for each channel measured through one or more channels mounted on the subject's body. For example, an input source signal may be arranged in a channel × time (C × T) form. The source signal may have a numerical array. As shown in FIG. 2 , the source signal information may be composed of 12 one-dimensional ECG signals measured through 12-lead channels.

상기 소스 신호 정보는 아날로그 소스 신호, 소스 신호의 측정 값(예컨대, 디지털 값)을 포함할 수도 있다. The source signal information may include an analog source signal and a measured value (eg, a digital value) of the source signal.

또한, 상기 소스 신호 정보는 소스 신호의 대상자 정보(식별정보, 나이, 성별, 판독 정보 등), 소스 스케일 표지자, 소스 채널 표지자, 소스 격자 스케일 등 신호 이외의 소스 부가 정보를 더 포함할 수도 있다. In addition, the source signal information may further include source additional information other than the signal, such as target information (identification information, age, gender, reading information, etc.) of the source signal, a source scale indicator, a source channel indicator, and a source grid scale.

이러한 소스 신호는 훈련 신호를 생성하기 위한 소스로 활용된다. 단일 소스 신호로부터 복수의 훈련 신호가 생성될 수도 있다. This source signal is used as a source for generating a training signal. A plurality of training signals may be generated from a single source signal.

일 실시예에서, 상기 단계(S100)는 미리 설정된, 복수의 변형 함수 중 적어도 하나의 변형 함수를 선택하는 단계; 및 선택된 변형 함수를 사용하여 상기 소스 신호를 훈련 신호로 변형하는 단계를 포함할 수도 있다. In one embodiment, the step (S100) includes selecting at least one transform function from among a plurality of preset transform functions; and transforming the source signal into a training signal using a selected transformation function.

변형 함수는 입력 신호를 다른 신호로 변형하는 함수이다. 이러한 신호 변형은 훈련 이미지 생성 과정의 전처리 과정으로 취급될 수도 있다. 상기 변형 함수는, 예를 들어 다양한 형태의 노이즈 제거나 입력 신호의 무작위 변경 그 자체를 목적으로 하는 신호 전처리 함수일 수도 있다.A transform function is a function that transforms an input signal into another signal. Such signal transformation may be treated as a pre-processing process of generating a training image. The transformation function may be, for example, a signal preprocessing function aimed at removing various types of noise or randomly changing an input signal itself.

복수의 변형 함수 각각은 변형 기능을 수행하는 하나 이상의 변형 원소로 이루어진다. 일부 실시예들에서, 상기 변형 원소는 입력 신호의 신호 속성을 변형하는 것을 나타낼 수도 있다. n개(n은 1이상의 자연수)의 변형 함수(f_n ¹) 각각을 이루는 하나 이상의 변형 원소가 미리 정의되어 저장된다. 참고로 여기서 아래 첨자 n은 n개의 함수가 존재함을 표시하는 문자이고, 위첨자는 후술하는 다른 함수들과 구별하기 위한 숫자이다.Each of the plurality of transformation functions is composed of one or more transformation elements that perform a transformation function. In some embodiments, the transform element may represent transforming a signal property of an input signal. One or more transformation elements constituting each of n (n is a natural number of 1 or more) transformation functions (f _n ¹ ) are predefined and stored. For reference, the subscript n is a letter indicating that n functions exist, and the superscript is a number to distinguish from other functions to be described later.

특정 실시예들에서, 상기 변형 함수(f_n ¹)의 변형 원소 벡터(P_n ¹)는 m개의 인자를 포함할 수도 있으며, 각 인자는 변형 원소 p_nm ¹으로 지시된다 (여기서, n은 변형 함수 식별자, m은 원소 식별자). 상기 변형 원소들은(p_nm ¹) 각각 고유의 입력 정보 처리 속성에 대응할 수도 있다. 신호가 변형 함수(f_n ¹)에 입력되면, 각각의 변형 원소들(p_nm ¹)이 신호 처리 속성의 설정 값이 되어 신호가 변형된다. 예를 들어, 변형 함수(f_n ¹)가 노이즈 제거함수일 경우, 변형 원소(p_nm ¹)는 노이즈 제거 작업의 어떤 특성을 규정(설정)해주는 신호 처리 속성에 해당한다.In certain embodiments, the transformation element vector (P _n ¹ ) of the transformation function (f _n ¹ ) may include m factors, each factor being denoted by a transformation element p _nm ¹ , where n is a transformation element. function identifier, m is element identifier). Each of the transformation elements (p _nm ¹ ) may correspond to a unique input information processing property. When a signal is input to the transformation function (f _n ¹ ), each transformation element (p _nm ¹ ) becomes a set value of a signal processing property, and the signal is transformed. For example, when the transformation function (f _n ¹ ) is a noise removal function, the transformation element (p _nm ¹ ) corresponds to a signal processing property that defines (sets) certain characteristics of a noise removal operation.

상기 신호 처리 속성은, 예를 들어 신호의 크기, 파형, 주파수 범위, 주파수 분포, 신호 시작 시점, 시간 범위 및/또는 기타 신호 속성 등을 처리 혹은 변경, 제거 (신호 크기를 0과 같은 고정된 수치로 치환)하는 방식들을 포함할 수도 있다. 그리고 이것은 채널 별로 별도로 이루어 지거나, 채널 그룹, 혹은 전체 채널에 공통적으로 적용될 수 있다.The signal processing properties include, for example, processing, changing, or removing signal amplitude, waveform, frequency range, frequency distribution, signal start time, time range, and/or other signal properties (signal amplitude is a fixed numerical value such as 0). ) may be included. And, this may be done separately for each channel, or may be commonly applied to a channel group or all channels.

특정 실시예들에서, 상기 변형 함수의 변형 원소는 하이퍼 파라미터로 구현될 수도 있다. 하나의 변형 함수가 다수의 변형 원소를 포함할 경우, 상기 다수의 변형 원소는 하이퍼 파라미터 벡터로 표현될 수도 있다. 여기서, 벡터 값은 상기 변형 원소 값이다. 그러면, 각각의 변형 함수는 자신의 하이퍼 파라미터 벡터에 연관될 수도 있다. In certain embodiments, a transform element of the transform function may be implemented as a hyperparameter. When one transformation function includes a plurality of transformation elements, the plurality of transformation elements may be expressed as a hyperparameter vector. Here, the vector value is the value of the transform element. Then, each transformation function may be associated with its own hyperparameter vector.

이러한 변형 함수를 사용하여 훈련 신호를 생성할 수도 있다(S100). 복수의 변형 함수(f_n ¹) 각각은 소스 신호(예컨대, 심전도 신호, X)를 수신하여 변형한 신호 X'=f_n ¹(X, P_nm ¹)를 생성할 수도 있다(S100). 또한, 변형 원소의 값이 변경되면 대응한 방식으로 신호 속성이 변경된 값으로 구현되어, 최종적으로 신호 속성이 변경된 신호가 생성된다(S100). A training signal may be generated using such a transformation function (S100). Each of the plurality of transformation functions (f _n ¹ ) may receive a source signal (eg, an electrocardiogram signal, X) and generate a modified signal X'=f _n ¹ (X, P _nm ¹ ) (S100). In addition, when the value of the transform element is changed, the signal property is implemented with the changed value in a corresponding manner, and finally a signal with a changed signal property is generated (S100).

일 실시예에서, 상기 적어도 하나의 변형 함수를 선택하는 단계는, 상기 복수의 변형 함수의 세트에 대해 미리 설정된 제1-1 확률 분포에 따라서 복수의 변형 함수 중 어느 하나의 변형 함수를 선택하거나 복수의 변형 함수 중 둘 이상의 변형 함수를 선택할 수도 있다. In one embodiment, the selecting of the at least one transformation function may include selecting one of a plurality of transformation functions according to a preset 1-1 probability distribution for a set of the plurality of transformation functions, or a plurality of transformation functions. Among the transformation functions of , two or more transformation functions may be selected.

상기 제1-1 확률 분포는 복수의 변형 함수 전체 중 훈련 이미지를 생성하기 위해 특정 변형 함수(들)를 선택할 확률을 정의한다. The 1-1 probability distribution defines a probability of selecting a specific transformation function(s) to generate a training image from among a plurality of transformation functions.

일 실시예에서, 상기 제1-1 확률 분포는 n 개 중 1개의 변형 함수를 선택하는 방식으로 정의될 수도 있다. 예를 들어, 상기 제1-1 확률 분포는 다항 분포(multinomial distribution)를 가질 수도 있다. 이 경우, 소스 신호는 단일 변형 처리된다. In one embodiment, the 1-1 probability distribution may be defined by selecting one transformation function out of n. For example, the 1-1 probability distribution may have a multinomial distribution. In this case, the source signal is subjected to single transform processing.

다른 일 실시예에서, 상기 제1-1 확률 분포는 n개 중 2개 이상의 변형 함수를 선택하는 방식으로 정의될 수도 있다. 예를 들어, 상기 제1-1 확률 분포는 이항 분포(Binomial distribution)를 가질 수도 있다. 이 경우, 서로 다른 변환이 중복 선택되어 훈련 신호를 생성하는데 사용될 수도 있다. 그러면, 소스 신호는 선택된 다수의 변형 함수를 사용하여 다중 변형 처리된다.In another embodiment, the 1-1 probability distribution may be defined by selecting two or more transformation functions out of n. For example, the 1-1 probability distribution may have a binomial distribution. In this case, different transforms may be repeatedly selected and used to generate a training signal. Then, the source signal is subjected to multiple transform processing using a plurality of selected transform functions.

대안적인 실시예들에서, 상기 제1-1 확률 분포는 임의 지정된 초기 확률 분포를 훈련을 통해 최적화한 것일 수도 있다. 이에 대해서는 아래에서 보다 상세히 서술한다.In alternative embodiments, the 1-1 probability distribution may be an arbitrary designated initial probability distribution optimized through training. This is described in more detail below.

선택된 변형 함수는 곧바로 사용되거나, 또는 선택된 변형 함수의 변형 원소의 값을 변경하여 훈련 신호를 생성할 수도 있다(S100). 선택된 변형 함수는 적어도 하나의 변형 원소에 대한 새로운 값을 입력 인수로 입력 받아 변형 함수의 기능을 조절할 수도 있다. The selected transformation function may be used immediately, or a training signal may be generated by changing a value of a transformation element of the selected transformation function (S100). The selected transformation function may receive a new value for at least one transformation element as an input argument and adjust the function of the transformation function.

일 실시예에서, 선택된 변형 함수를 사용하여 상기 소스 신호를 훈련 신호로 변형하는 단계는, 선택된 변형 함수를 이루는 변형 원소 중 적어도 하나의 변형 원소 값을 새로운 값으로 변경하는 단계; 및 변경된 변형 원소 값에 따라 변경된 신호 속성을 반영한 신호를 훈련 신호로 생성하는 단계를 포함할 수도 있다. 변형 원소의 값이 변경되는 것은 확률 분포에 기초하여 수행될 수도 있다. In one embodiment, transforming the source signal into a training signal using a selected transform function may include changing a value of at least one transform element among transform elements constituting the selected transform function to a new value; and generating a signal reflecting the changed signal property according to the changed value of the transform element as a training signal. Changing the value of the transform element may be performed based on a probability distribution.

일 실시예에서, 개별 변형 원소별로 제1-2 확률 분포가 설정될 수도 있다. 변형 원소가 m개일 경우, m개의 제1-2 확률 분포가 정의되어 할당된다. 상기 제1-1 확률 분포에 따라 선택된 변형 함수의 변형 원소 각각에 대해서, 기존 변형 원소 값은 자신에게 미리 설정된 제1-2 확률 분포에 따라 선택된 새로운 값으로 변경될 수도 있다. 변경된 새로운 값이 소스 신호에 반영되어 새로운 훈련 신호가 생성된다.In one embodiment, the 1st-2nd probability distributions may be set for each transformation element. When the number of transformation elements is m, m first-second probability distributions are defined and allocated. For each transform element of the transform function selected according to the 1-1 probability distribution, the existing transform element value may be changed to a new value selected according to the 1-2 probability distribution preset therefor. A new training signal is generated by reflecting the changed new value to the source signal.

상기 제1-2 확률 분포는 변형 함수의 각 변형 원소가 가질 수 있는 값의 전체 범위에서 개별 값이 지정될 확률 분포를 정의한다. 특정 실시예들에서, 상기 제1-2 확률 분포는 연속확률분포로써 가우시안 (정규) 분포, 감마 분포, 지수 분포, 균등 분포, 카이제곱 분포, 이산확률분포로써 이항 분포, 음이항 분포, 초기하분포, 포아송분포, 그리고 다항 분포 및/또는 다수의 변형 원소들에 대한 다변량 분포들을 포함할 수도 있다. 각 변형 원소별로 동일 또는 상이한 제1-2 확률 분포가 설정될 수도 있다. 또한 상기 언급한 특정 형태의 확률분포를 정의한 상태에서 변형 원소를 추출하는 모수적 접근 방법외에도, 특정 분포를 가정하지 않고 변형 원소를 무작위 추출할 수도 있다.The 1-2 probability distribution defines a probability distribution in which an individual value is designated in the entire range of values that each transformation element of the transformation function may have. In certain embodiments, the 1-2 probability distribution is a Gaussian (normal) distribution as a continuous probability distribution, a gamma distribution, an exponential distribution, a uniform distribution, a chi-square distribution, a binomial distribution as a discrete probability distribution, a negative binomial distribution, a hypergeometric distribution distributions, Poisson distributions, and multinomial distributions and/or multivariate distributions for multiple elements of variation. The same or different 1-2 probability distributions may be set for each transformation element. Also, in addition to the above-mentioned parametric approach of extracting a transformation element in a state in which a specific type of probability distribution is defined, a transformation element may be randomly extracted without assuming a specific distribution.

일 실시예에서, 변형 원소가 수치형 데이터로 구현된 경우 상기 제1-2 확률 분포는 연속확률분포인 가우시안 (정규) 분포, 감마 분포, 지수 분포, 균등 분포, 카이제곱 분포일 수도 있다. 그러면, 해당 변형 원소의 새로운 값은 상기 연속 확률분포에서 선택된 값이다.In one embodiment, when the transformation element is implemented as numerical data, the 1st-2nd probability distribution may be a continuous probability distribution, such as a Gaussian (normal) distribution, a gamma distribution, an exponential distribution, a uniform distribution, or a chi-square distribution. Then, the new value of the corresponding transformation element is a value selected from the continuous probability distribution.

일 실시예에서, 변형 원소가 이진 변수 데이터로 구현된 경우 상기 제1-2 확률 분포는 이산확률분포인 이항 분포, 음이항 분포, 초기하분포, 포아송분포일 수도 있다. 상기 이진 변수 데이터는 “예(yes)”를 가리키는 제1 이진 값 또는 “아니오(No)”를 가리키는 제2 이진 값으로 표현될 수도 있다. 해당 변형 원소의 새로운 값은 상기 이산확률분포에 따라 선택된 값이다. In one embodiment, when the transform element is implemented as binary variable data, the 1-2 probability distribution may be a discrete probability distribution such as a binomial distribution, a negative binomial distribution, a hypergeometric distribution, or a Poisson distribution. The binary variable data may be expressed as a first binary value indicating “yes” or a second binary value indicating “no”. The new value of the corresponding transformation element is a value selected according to the discrete probability distribution.

일 실시예에서, 변형 원소가 범주형(categorical) 변수로 구현된 경우 상기 제1-2 확률 분포는 다항 확률 분포(multinomial probability distribution)일 수도 있다. 그러면 해당 변형 원소의 새로운 값은 다항 확률 분포에 따라 선택된 값이다. In one embodiment, when the transformation element is implemented as a categorical variable, the 1st-2nd probability distribution may be a multinomial probability distribution. Then, the new value of the corresponding transform element is a value selected according to a multinomial probability distribution.

일부 실시예들에서, 변형 함수를 이루는 변형 원소의 세트는 서로 상관관계를 갖는 적어도 일부 변형 원소들을 포함할 수도 있다. 새로운 값으로 변경된 변형 원소가 다른 변형 원소와 상관관계를 갖는 경우, 상기 상관관계를 갖는 다른 변형 원소에 대해 설정된 제1-2 확률 분포는 다변량 확률 분포일 수도 있다. 그러면, 상기 상관관계를 갖는 다른 변형 원소의 값은 미리 정의된 다변량 확률 분포에 따라 선택된 새로운 값으로 변경된다. In some embodiments, the set of transformation elements constituting the transformation function may include at least some transformation elements that are correlated with each other. When the transformation element changed to a new value has a correlation with another transformation element, the first-second probability distribution set for the other transformation element having the correlation may be a multivariate probability distribution. Then, the value of the other transform element having the correlation is changed to a new value selected according to a predefined multivariate probability distribution.

그리고 이미 언급한 바와 같이 상기 언급한 특정 형태의 확률분포를 정의한 상태에서 변형 원소를 추출하는 모수적 접근 방법외에도, 특정 분포를 가정하지 않고 변형 원소를 무작위 추출할 수도 있다.And, as already mentioned, in addition to the above-mentioned parametric approach of extracting a transformation element in a state in which a specific type of probability distribution is defined, a transformation element may be randomly extracted without assuming a specific distribution.

대안적인 실시예들에서, 상기 제1-2 확률 분포는 확률 분포는 임의 지정된 초기 확률 분포를 훈련을 통해 최적화한 것일 수도 있다. 이에 대해서는 아래에서 보다 상세히 서술한다.In alternative embodiments, the 1st-2nd probability distributions may be optimized through training of an arbitrarily designated initial probability distribution. This is described in more detail below.

도 3에 도시된 것과 같이, 생성된 훈련 신호에서 일부가 훈련 이미지의 2차원 평면 프레임 상에 표시된다. As shown in FIG. 3, a part of the generated training signal is displayed on a 2D plane frame of the training image.

다시 도 1을 참조하면, 상기 훈련 이미지 생성 방법은, 미리 설정된 복수의 출력물 형식 중 적어도 하나의 출력물 형식을 선택하여 상기 훈련 이미지의 출력물 형식을 결정하는 단계(S200)를 포함한다.Referring back to FIG. 1 , the training image generation method includes determining an output format of the training image by selecting at least one output format among a plurality of preset output formats (S200).

도 4는, 본 출원의 일 실시예에 따른, 출력물 형식의 개략도이다. 4 is a schematic diagram of an output format according to an embodiment of the present application.

도 4를 참조하면, 상기 출력물 형식은 2차원 평면 프레임 상에 훈련 이미지의 출력물 구성요소를 배치하는 구조를 정의한다. 상기 복수의 출력물 형식은 서로 다른 측면의 출력물 구성요소들과 관련될 수도 있다. 특정 실시예들에서, 복수의 출력물 형식은, 파형의 종류를 정의하는 출력물 형식, 파형의 배열 위치를 정의하는 출력물 형식, 파형 표시 영역의 위치를 정의하는 출력물 형식 및/또는 부가 정보 표시 영역의 위치를 정의하는 출력물 형식을 포함할 수도 있다. Referring to FIG. 4, the output format defines a structure for arranging output components of a training image on a two-dimensional plane frame. The plurality of output formats may be associated with output components of different aspects. In certain embodiments, the plurality of output formats may include an output format defining a type of waveform, an output format defining an arrangement position of the waveform, an output format defining a position of a waveform display area, and/or a position of an additional information display area. It may also include an output format that defines the

파형의 종류는 채널 번호를 포함할 수도 있다. The type of waveform may include a channel number.

파형의 배열 위치는 채널별 파형이 어떤 순서로 어느 위치에 배치될 지를 나타내는 것으로서 배열 순서 등을 포함할 수도 있다. The arrangement position of the waveform indicates in which order and at which position the waveforms for each channel are to be arranged, and may include an arrangement order and the like.

파형 표시 영역의 위치는 파형이 표시될 영역(예컨대, 격자 영역)의 좌표 범위를 포함할 수도 있다. The location of the waveform display area may include a coordinate range of an area (eg, grid area) where the waveform is to be displayed.

부가 정보 표시 영역의 위치는 파형 이외의 부가 정보가 표시될 영역의 좌표 범위를 포함한다. 상기 부가 정보는 파형의 대상자 정보(예컨대, 나이, 성별), 파형 해석, 파형의 스케일 정보 등을 포함할 수도 있다. The location of the additional information display area includes a coordinate range of an area where additional information other than the waveform is to be displayed. The additional information may include waveform target information (eg, age, gender), waveform analysis, and waveform scale information.

상기 파형 표시 영역 및 부가 정보 표시 영역은 서로 구별되거나, 적어도 일부가 서로 중첩될 수도 있다. The waveform display area and the additional information display area may be distinguished from each other or at least partially overlap each other.

복수의 출력물 형식 각각은 해당 출력물 형식의 배치 구조를 구성하는 하나 이상의 형식 원소로 이루어진다. 따라서, 변형 원소에 기초한 변형 함수와 마찬가지로, 출력물 형식 또한 형식 원소로 이루어진 함수로 표현할 수 있다. n개(n은 1이상의 자연수)의 출력물 형식 함수(f_n ²) 각각을 이루는 하나 이상의 형식 원소가 미리 정의되어 저장된다. 참고로 여기서 아래 첨자 n은 n개의 함수가 존재함을 표시하는 문자이고, 위첨자는 전술 및 후술하는 다른 함수들과 구별하기 위한 숫자이다.Each of the plurality of output formats is composed of one or more format elements constituting the arrangement structure of the corresponding output format. Therefore, like a transform function based on transform elements, the output format can also be expressed as a function composed of format elements. One or more format elements constituting each of n (n is a natural number of 1 or more) output format functions (f _n ² ) are predefined and stored. For reference, the subscript n is a letter indicating that there are n functions, and the superscript is a number for distinguishing from other functions described above and later.

특정 실시예들에서, 상기 출력물 형식 함수(f_n ²)의 형식 벡터(P_n ²)는 m개의 인자를 포함할 수도 있으며, 각 인자는 형식 원소 p_nm ²으로 지시된다 (여기서, n은 출력물 형식 함수 식별자, m은 원소 식별자). 상기 형식 원소(p_nm ²)는 해당 출력물 형식에서 정의한 배치 대상, 즉 출력물 구성요소에 대응한다. In certain embodiments, the form vector (P _n ² ) of the output form function (f _n ² ) may include m arguments, each denoted by a form element p _nm ² , where n is the output form formal function identifier, m is element identifier). The format element (p _nm ² ) corresponds to an arrangement target defined in a corresponding output format, that is, an output component.

일 실시예에서, 형식 원소는 채널 번호, 채널 순서, 파형 표시 영역의 위치, 부가 표시 영역의 위치, 각 파형 사이의 상하 간격, 개별 파형의 좌우 간격, 및/또는 파형의 시간 구간의 길이 등을 포함할 수도 있다. 예를 들어, 파형 표시 영역의 위치를 정의하는 출력물 형식의 형식 요소는, 2차원 평면 상에서 파형 표시 영역의 위치 등을 포함할 수도 있다. In one embodiment, the format element may include channel number, channel order, position of the waveform display area, position of the additional display area, top and bottom spacing between each waveform, left and right spacing of individual waveforms, and/or the length of a time section of the waveform, and the like. may also include For example, the format element of the output format that defines the location of the waveform display area may include the location of the waveform display area on a two-dimensional plane.

형식 원소가 특정 값을 가질 경우, 상기 형식 원소에 대응한 출력물 요소가 상기 특정 값으로 해당 출력물 형식 상에 구현되어 훈련 이미지 상에 표현된다. When the format element has a specific value, an output element corresponding to the format element is implemented on the corresponding output format with the specific value and expressed on the training image.

상기 변형 함수와 유사하게, 상기 출력물 형식 함수의 형식 원소는 하이퍼 파라미터로 구현될 수도 있다. 하나의 출력물 형식 함수가 다수의 변형 원소를 포함할 경우, 상기 다수의 형식 원소는 하이퍼 파라미터 벡터로 표현될 수도 있다. 여기서, 벡터 값은 상기 형식 원소 값이다. 그러면, 각각의 출력물 형식 함수는 자신의 하이퍼 파라미터 벡터에 연관될 수도 있다. Similar to the transform function, the format element of the output format function may be implemented as a hyperparameter. When one output format function includes multiple transform elements, the multiple format elements may be expressed as hyperparameter vectors. Here, the vector value is the value of the formal element. Then, each output form function may be associated with its own hyperparameter vector.

일 실시예에서, 적어도 하나의 출력물 형식 함수를 선택하는 단계(S200)는, 상기 미리 설정된 복수의 출력물 형식의 세트에 대해 미리 설정된 제2-1 확률 분포에 따라서 어느 하나의 출력물 형식 함수를 선택하거나 복수의 출력물 형식 함수 중 둘 이상의 출력물 형식 함수를 선택할 수도 있다. In one embodiment, the step of selecting at least one output format function (S200) may include selecting any one output format function according to a 2-1st probability distribution preset for the set of the plurality of output formats, or You can also select more than one output formatting function from among multiple output formatting functions.

상기 제2-1 확률 분포는 복수의 출력물 형식 함수 전체 중 훈련 이미지를 생성하기 위해 특정 출력물 형식 함수(들)를 선택할 확률을 정의한다. 상기 제2-1 확률 분포에 따라서 출력물 형식 함수를 선택하는 것은 상기 제1-1 확률 분포에 따라서 변환을 선택하는 것과 유사하다. The 2-1st probability distribution defines a probability of selecting a specific output format function(s) to generate a training image from among a plurality of output format functions. Selecting an output form function according to the 2-1 probability distribution is similar to selecting a transform according to the 1-1 probability distribution.

일 실시예에서, 상기 제2-1 확률 분포는 n 개 중 1개의 출력물 형식 함수를 선택하는 방식으로 정의될 수도 있다. 예를 들어, 상기 제2-1 확률 분포는 다항 분포(multinomial distribution)를 가질 수도 있다. In one embodiment, the 2-1st probability distribution may be defined by selecting one output format function out of n. For example, the 2-1 probability distribution may have a multinomial distribution.

다른 일 실시예에서, 상기 제2-1 확률 분포는 n개 중 2개 이상의 출력물 형식 함수를 선택하는 방식으로 정의될 수도 있다. 예를 들어, 상기 제2-1 확률 분포는 이항 분포(Binomial distribution)를 가질 수도 있다. 이 경우, 서로 다른 출력물 형식 함수가 중복 선택되어 훈련 이미지를 생성하는데 사용될 수도 있다. In another embodiment, the 2-1st probability distribution may be defined by selecting two or more output format functions out of n. For example, the 2-1 probability distribution may have a binomial distribution. In this case, different output format functions may be repeatedly selected and used to generate training images.

대안적인 실시예들에서, 상기 제2-1 확률 분포는 확률 분포는 임의 지정된 초기 확률 분포를 훈련을 통해 최적화한 것일 수도 있다. 이에 대해서는 아래에서 보다 상세히 서술한다. In alternative embodiments, the 2-1st probability distribution may be an arbitrary initial probability distribution optimized through training. This is described in more detail below.

선택된 출력물 형식은 곧바로 사용되거나, 또는 선택된 출력물 형식의 형식 원소의 값을 변경하여 훈련 이미지를 위한 출력물 형식으로 결정할 수도 있다(S200). 선택된 출력물 형식 함수는 적어도 하나의 형식 원소에 대한 새로운 값을 입력 인수로 입력 받아 출력물 형식 함수의 기능을 조절할 수도 있다. The selected output format may be used immediately, or may be determined as an output format for a training image by changing a value of a format element of the selected output format (S200). The selected output format function may receive a new value for at least one format element as an input argument and adjust the function of the output format function.

일 실시예에서, 미리 설정된 복수의 출력물 형식 중 적어도 하나의 출력물 형식을 선택하여 상기 훈련 이미지의 출력물 형식을 결정하는 단계(S200)는, 선택된 출력물 형식을 이루는 형식 원소 중 적어도 하나의 형식 원소 값을 새로운 값으로 변경하는 단계; 및 변경된 형식 원소 값을 갖는 출력물 형식을 상기 훈련 이미지의 출력물 형식으로 결정하는 단계를 포함할 수도 있다. 형식 원소의 값이 변경되는 것은 확률에 기초하여 수행될 수도 있다.In one embodiment, in the step of determining the output format of the training image by selecting at least one output format among a plurality of preset output formats (S200), a value of at least one format element among format elements constituting the selected output format is determined. changing to a new value; and determining an output format having a changed format element value as an output format of the training image. Changing the value of a formal element may be performed based on probability.

일 실시예에서, 개별 형식 원소별로 제2-2 확률 분포가 설정될 수도 있다. 형식 원소가 m개일 경우, m개의 제2-2 확률 분포가 정의되어 할당된다. 상기 제2-1 확률 분포에 따라 선택된 출력물 형식 함수의 형식 원소 각각에 대해서, 기존 형식 원소 값은 자신에게 미리 설정된 제2-2 확률 분포에 따라 선택된 새로운 값으로 변경될 수도 있다. 변경된 새로운 값이 반영된 출력물 형식이 훈련 이미지 생성을 위해 사용된다. In one embodiment, a 2-2 probability distribution may be set for each format element. When the number of formal elements is m, m 2-2 probability distributions are defined and allocated. For each format element of the output format function selected according to the 2-1st probability distribution, the value of the existing format element may be changed to a new value selected according to the 2-2nd probability distribution preset for it. The output format reflecting the new changed value is used to generate the training image.

상기 제2-2 확률 분포는 출력물 형식 함수의 각 형식 원소가 가질 수 있는 값의 전체 범위에서 개별 값이 지정될 확률 분포를 정의한다. 특정 실시예들에서, 상기 제2-2 확률 분포는 연속확률분포로써 가우시안 (정규) 분포, 감마 분포, 지수 분포, 균등 분포, 카이제곱 분포, 이산확률분포로써 이항 분포, 음이항 분포, 초기하분포, 포아송 분포, 그리고 다항 분포 및/또는 다수의 변형 원소들에 대한 다변량 분포들을 포함할 수도 있다. 각 형식 원소별로 동일 또는 상이한 제2-2 확률 분포가 설정될 수도 있다. 또한 상기 언급한 특정 형태의 확률분포를 정의한 상태에서 형식 원소를 추출하는 모수적 접근 방법외에도, 특정 분포를 가정하지 않고 형식 원소를 무작위 추출할 수도 있다. The 2-2 probability distribution defines a probability distribution in which an individual value is designated in the entire range of values that each format element of the output format function can have. In certain embodiments, the 2-2 probability distribution is a Gaussian (normal) distribution as a continuous probability distribution, a gamma distribution, an exponential distribution, a uniform distribution, a chi-square distribution, a binomial distribution as a discrete probability distribution, a negative binomial distribution, a hypergeometric distribution distributions, Poisson distributions, and multinomial distributions and/or multivariate distributions for multiple elements of variation. The same or different 2-2 probability distributions may be set for each format element. In addition to the above-mentioned parametric method of extracting formal elements in a state in which a probability distribution of a specific form is defined, formal elements may be randomly extracted without assuming a specific distribution.

일 실시예에서, 형식 원소가 수치형 데이터로 구현된 경우 상기 제2-2 확률 분포는 분포는 연속확률분포인 가우시안 (정규) 분포, 감마 분포, 지수 분포, 균등 분포 카이제곱 분포일 수도 있다. 그러면, 해당 형식 원소의 새로운 값은 연속확률분포에서 선택된 값이다.In one embodiment, when the format element is implemented as numerical data, the distribution of the 2-2 probability distribution may be a continuous probability distribution, a Gaussian (normal) distribution, a gamma distribution, an exponential distribution, or a uniform distribution chi-square distribution. Then, the new value of the corresponding format element is the value selected from the continuous probability distribution.

일 실시예에서, 형식 원소가 이진 변수 데이터로 구현된 경우 상기 제2-2 확률 분포는 이산확률분포인 이항 분포, 음이항 분포, 초기하 분포, 포아송 분포일 수도 있다. 상기 이진 변수 데이터는 “예(yes)”를 가리키는 제2 이진 값 또는 “아니오(No)”를 가리키는 제2 이진 값으로 표현될 수도 있다. 해당 형식 원소의 새로운 값은 상기 이산확률분포에 따라 선택된 값이다. In one embodiment, when the formal element is implemented as binary variable data, the 2-2 probability distribution may be a discrete probability distribution such as a binomial distribution, a negative binomial distribution, a hypergeometric distribution, or a Poisson distribution. The binary variable data may be expressed as a second binary value indicating “yes” or a second binary value indicating “No”. The new value of the corresponding format element is a value selected according to the discrete probability distribution.

일 실시예에서, 형식 원소가 범주형(categorical) 변수로 구현된 경우 상기 제2-2 확률 분포는 다항 확률 분포(multinomial probability distribution)일 수도 있다. 그러면 해당 형식 원소의 새로운 값은 다항 확률 분포에 따라 선택된 값이다. In one embodiment, when a formal element is implemented as a categorical variable, the 2-2 probability distribution may be a multinomial probability distribution. Then, the new value of the corresponding formal element is a value selected according to a multinomial probability distribution.

일부 실시예들에서, 출력물 형식 함수를 이루는 형식 원소의 세트는 서로 상관관계를 갖는 적어도 일부의 형식 원소들을 포함할 수도 있다. 새로운 값으로 변경된 형식 원소가 다른 형식 원소와 상관관계를 갖는 경우, 상기 상관관계를 갖는 다른 형식 원소에 대해 설정된 제2-2 확률 분포는 다변량 확률 분포일 수도 있다. 그러면, 상기 상관관계를 갖는 다른 형식 원소의 값은 미리 정의된 다변량 확률 분포에 따라 선택된 새로운 값으로 변경된다. In some embodiments, the set of format elements constituting the output format function may include at least some format elements that are correlated with each other. When a formal element changed to a new value has a correlation with another formal element, the 2-2 probability distribution set for the other formal element having the correlation may be a multivariate probability distribution. Then, the value of the other formal element having the correlation is changed to a new value selected according to a predefined multivariate probability distribution.

그리고 이미 언급한 바와 같이 상기 언급한 특정 형태의 확률분포를 정의한 상태에서 형식 원소를 추출하는 모수적 접근 방법외에도, 특정 분포를 가정하지 않고 형식 원소를 무작위 추출할 수도 있다.And, as already mentioned, in addition to the above-mentioned parametric approach of extracting formal elements in a state where a specific type of probability distribution is defined, formal elements may be randomly extracted without assuming a specific distribution.

대안적인 실시예들에서, 상기 제2-2 확률 분포는 확률 분포는 임의 지정된 초기 확률 분포를 훈련을 통해 최적화한 것일 수도 있다. 이에 대해서는 아래에서 보다 상세히 서술한다.In alternative embodiments, the 2-2 probability distribution may be one obtained by optimizing an arbitrarily designated initial probability distribution through training. This is described in more detail below.

이렇게 상기 제2-2 확률 분포에 따라 변경된 형식 원소 값을 갖는 출력물 형식으로 상기 훈련 이미지를 생성하기 위한 출력물 형식으로 공급된다(S200). In this way, it is supplied as an output format for generating the training image in an output format having a format element value changed according to the 2-2 probability distribution (S200).

다시 도 1을 참조하면, 상기 훈련 이미지 생성 방법은, 결정된 출력물 형식의 파형의 시간 구간의 길이에 기초하여 훈련 신호의 채널별 출력 구간을 결정하는 단계(S300) 및 축별 스케일을 선택하여 훈련 이미지의 격자 스케일을 결정하는 단계(S400)를 포함한다. Referring back to FIG. 1 , the training image generation method includes determining an output interval for each channel of a training signal based on the length of a time interval of a waveform of the determined output format (S300), and selecting a scale for each axis to generate a training image. A step of determining a grid scale (S400) is included.

상기 훈련 신호의 채널별 출력 구간을 결정하는 단계(S300)는, 수신된 소스 신호의 전체 길이 중 상기 훈련 이미지에 출력할 채널별 출력 구간의 시작 지점 및 종료 지점 중 적어도 하나의 지점을 선택하는 단계; 및 선택된 출력물 형식의 형식 원소 중 파형의 시간 구간의 길이 및 선택된 지점에 기초하여 상기 채널별 구간을 산출하는 단계를 포함할 수도 있다. The step of determining the output interval for each channel of the training signal (S300) is the step of selecting at least one of the starting point and the end point of the output interval for each channel to be output to the training image from the entire length of the received source signal. ; and calculating the section for each channel based on the length of the time section of the waveform and the selected point among format elements of the selected output format.

측정되는 전체 신호 중 일부 신호만이 이미지에 출력되는 것이 일반적이다. 출력 구간의 전체 길이는 단계(S200)에서 결정된 출력물 형식의 형식 속성 중 파형의 시간 구간으로 결정된다(S300). It is common that only a part of the total signal to be measured is output to the image. The total length of the output section is determined as the time section of the waveform among the format attributes of the output format determined in step S200 (S300).

상기 시작 지점 또는 종료 지점은 생성된 훈련 신호의 전체 구간 중 결정된 파형의 시간 구간 전부가 속하는 범위에서 선택된다. The start point or end point is selected from a range to which all of the time sections of the determined waveform among all sections of the generated training signal belong.

상기 시작 지점의 선택 범위는 훈련 신호의 처음 지점과, 훈련 신호의 마지막 지점으로부터 단계(S200)에서 결정된 파형의 시간 구간만큼 음의 시간 방향으로 연장된, 지점까지 범위일 수도 있다. 일 예에서, 훈련 신호의 전체 구간이 [0, Ω]이고 파형의 시간 구간이 w일 경우, 상기 시작 지점의 분포는 [0, Ω-w]일 수도 있다. 이 경우, 종료 지점은 선택된 시작 지점으로부터 양의 시간 방향으로 상기 결정된 파형의 시간 구간이 연장된 지점이다. The selection range of the starting point may be a range from the first point of the training signal and the last point of the training signal to a point extending in the negative time direction by the time interval of the waveform determined in step S200. In one example, when the entire interval of the training signal is [0, Ω] and the time interval of the waveform is w, the distribution of the starting point may be [0, Ω-w]. In this case, the end point is a point where the time section of the determined waveform is extended in the positive time direction from the selected start point.

상기 종료 지점의 선택 범위는 상기 시작 지점의 선택 범위와 반대로서, 상기 종료 지점의 선택 범위는 훈련 신호의 마지막 지점과, 훈련 신호의 처음 지점으로부터 결정된 파형의 시간 구간만큼 양의 시간 방향으로 연장된, 지점까지의 범위일 수도 있다. 상기 일 예에서, 상기 종료 지점의 분포는 [w, Ω]일 수도 있다. 이 경우, 시작 지점은 선택된 종료 지점으로부터 음의 시간 방향으로 상기 결정된 파형의 시간 구간이 연장된 지점이다. The selection range of the end point is opposite to the selection range of the start point, and the selection range of the end point extends in the positive time direction by the time interval of the waveform determined from the end point of the training signal and the first point of the training signal. , may be a range up to the point. In the above example, the distribution of the end point may be [w, Ω]. In this case, the starting point is a point where the time interval of the determined waveform is extended in the negative time direction from the selected ending point.

일 실시예에서, 상기 시작 지점 또는 종료 지점은 각 지점별 선택 범위에서 미리 설정된 제3 확률 분포에 따라 선택된 지점일 수도 있다. 상기 제3 확률 분포는 지점별 선택 범위에서 개별 값이 지정될 확률 분포를 정의한다.In one embodiment, the starting point or the ending point may be a point selected according to a preset third probability distribution in the selection range for each point. The third probability distribution defines a probability distribution in which individual values are designated in the selection range for each point.

상기 제3 확률 분포는 연속확률분포로써 가우시안 (정규) 분포, 균등 분포, 카이제곱 분포일 수도 있다. 균등 확률 분포 등에 따라 시작 지점이 선택되면, 종료 지점이 자동으로 선택되어 훈련 신호에서 출력 구간이 결정될 수도 있다. The third probability distribution may be a Gaussian (normal) distribution, a uniform distribution, or a chi-square distribution as a continuous probability distribution. When a starting point is selected according to a uniform probability distribution, an end point may be automatically selected and an output section may be determined in the training signal.

일부 실시예들에서, 복수의 채널은, 적어도 일부 채널의 출력 구간이 서로 일치하는, 동기화 채널을 포함할 수도 있다. 다른 일부 실시예들에서, 복수의 채널은, 서로 출력 구간이 상이한, 비-동기화 채널일 수도 있다. In some embodiments, the plurality of channels may include a synchronization channel in which output intervals of at least some channels coincide with each other. In some other embodiments, the plurality of channels may be non-synchronized channels having different output intervals.

이러한 단계(S300)의 동작으로 인해, 훈련 신호 전체 구간에서 훈련 이미지에 표시될, 파형 내용이 결정된다. Due to the operation of step S300, the contents of the waveform to be displayed on the training image are determined in the entire training signal section.

상기 훈련 이미지의 격자 스케일을 결정하는 단계(S400)는 상기 훈련 신호를 표시할 좌표계의 가로 축 단위 스케일 및/또는 세로 축 단위 스케일을 선택하여 결정될 수도 있다. The step of determining the lattice scale of the training image (S400) may be determined by selecting a horizontal axis unit scale and/or a vertical axis unit scale of a coordinate system to display the training signal.

도 5는, 본 출원의 일 실시예에 따른, 격자 스케일의 개략도이다. 5 is a schematic diagram of a grating scale, according to an embodiment of the present application.

도 5를 참조하면, 격자 스케일에서 가로 축(또는 x축)은 시간을 나타내고, 세로 축(또는 y축)은 신호 측정 값을 나타낸다. Referring to FIG. 5, the horizontal axis (or x-axis) of the grid scale represents time, and the vertical axis (or y-axis) represents signal measurement values.

일부 실시예들에서, 가로 축 단위 스케일 및/또는 세로 축 단위 스케일을 선택하는 단계는 미리 설정된 복수의 가로 축 단위 스케일 전체에 대해 미리 설정된 제4-1 확률 분포에 따라서 복수의 가로 축 단위 스케일 중 어느 하나의 가로 축 단위 스케일을 선택하는 단계; 및/또는 미리 설정된 복수의 세로 축 단위 스케일 전체에 대해 미리 설정된 제4-2 확률 분포에 따라서 복수의 세로 축 단위 스케일 중 어느 하나의 세로 축 단위 스케일을 선택하는 단계를 포함할 수도 있다. In some embodiments, the selecting of the horizontal axis unit scale and/or the vertical axis unit scale may include selecting a plurality of horizontal axis unit scales from among a plurality of horizontal axis unit scales according to a preset 4-1 probability distribution for all of the plurality of horizontal axis unit scales. selecting any one horizontal axis unit scale; and/or selecting one of the plurality of vertical axis unit scales according to a preset 4-2 probability distribution for all of the plurality of vertical axis unit scales.

상기 제1-1 확률 분포와 유사하게, 상기 제4-1, 4-2 확률 분포는 다항 분포(multinomial distribution)를 가질 수도 있다. 그러면, 선택된 가로 축 단위 및/또는 세로 축 단위로 상기 훈련 이미지 상에 훈련 신호가 표시된다. Similar to the 1-1 probability distribution, the 4-1 and 4-2 probability distributions may have a multinomial distribution. Then, the training signal is displayed on the training image in units of the selected horizontal axis and/or in units of the vertical axis.

다시 도 1을 참조하면, 상기 훈련 이미지 생성 방법은, 단계(S400)에서 결정된 격자 스케일에 따라서 격자 패턴을 2차원 평면 상에 표기하는 단계(S500)를 포함한다. Referring back to FIG. 1 , the training image generation method includes marking a grid pattern on a two-dimensional plane according to the grid scale determined in step S400 (S500).

도 6은, 본 출원의 일 실시예에 따른, 격자 패턴이 표기되는 것을 도시한다. 6 shows that a grid pattern is marked, according to an embodiment of the present application.

도 6을 참조하면, 격자 스케일에 따른 격자 패턴은 단계(S400)에서 결정된 축별 격자 스케일 단위로 격자가 배열되는 패턴이다(S500). Referring to FIG. 6 , the lattice pattern according to the lattice scale is a pattern in which the lattice is arranged in units of the lattice scale for each axis determined in step S400 (S500).

일 실시예에서, 상기 격자 패턴을 2차원 평면 상에 표기하는 단계(S500)는, 미리 설정된 복수의 격자 패턴 형식 중 어느 하나의 격자 패턴 형식을 선택하는 단계;를 포함할 수도 있다. In one embodiment, the step of marking the grid pattern on a two-dimensional plane (S500) may include selecting one of a plurality of preset grid pattern formats.

상기 격자 패턴 형식은 패턴의 고유한 표시선 위계(hierarchy) 및/또는 패턴의 고유한 표시선 디자인을 사용하여 격자 패턴을 정의한 것이다. 상기 위계는 예를 들어 대구간, 중구간, 소구간 등을 나타낸다. The lattice pattern form defines a lattice pattern using a unique display line hierarchy of a pattern and/or a unique display line design of a pattern. The hierarchy indicates, for example, major intervals, intermediate intervals, minor intervals, and the like.

출력물 형식 함수와 유사하게, 복수의 격자 패턴 형식 각각은 해당 격자 패턴 형식을 이루는 하나 이상의 패턴 원소로 이루어진다. 따라서, 출력물 형식 함수와 마찬가지로, 격자 패턴 형식 또한 패턴 원소로 이루어진 함수로 표현할 수 있다. n개(n은 1이상의 자연수)의 격자 패턴 형식 함수(f_n ³) 각각을 이루는 하나 이상의 패턴 원소가 미리 정의되어 저장된다. 참고로 여기서 아래 첨자 n은 n개의 함수가 존재함을 표시하는 문자이고, 위첨자는 전술 및 후술하는 다른 함수들과 구별하기 위한 숫자이다.Similar to the output format function, each of the plurality of grid pattern formats is composed of one or more pattern elements that make up the corresponding grid pattern format. Therefore, like the output format function, the lattice pattern format can also be expressed as a function composed of pattern elements. At least one pattern element constituting each of the n (n is a natural number of 1 or more) lattice pattern formal functions (f _n ³ ) is predefined and stored. For reference, the subscript n is a letter indicating that there are n functions, and the superscript is a number for distinguishing from other functions described above and later.

특정 실시예들에서, 상기 격자 패턴 형식 함수(f_n ³)의 패턴 벡터(P_n ³)는 m개의 인자를 포함할 수도 있으며, 각 인자는 패턴 원소 p_nm ³으로 지시된다 (여기서, n은 격자 패턴 형식 함수 식별자, m은 원소 식별자). 상기 패턴 원소(p_nm ²)는 해당 격자 패턴 형식 함수에서 정의한 패턴 구성요소에 대응한다. In certain embodiments, the pattern vector (P _n ³ ) of the lattice pattern formal function (f _n ³ ) may include m factors, each factor being denoted by a pattern element p _nm ³ (where n is Lattice pattern form function identifier, m is element identifier). The pattern element (p _nm ² ) corresponds to a pattern component defined in a corresponding grid pattern formal function.

일 실시예에서, 상기 패턴 원소는 격자 패턴의 표시선의 모양 (실선/점선/겹선 등 가상의 선을 표기위한 다양한 표시형식), 굵기, 색상 등을 포함할 수도 있다. 상기 색상은 RGB 수치, CMYK 채널별 수치 등으로 구현될 수도 있다.In one embodiment, the pattern element may include the shape of the display line of the lattice pattern (various display formats for displaying virtual lines such as solid lines, dotted lines, and double lines), thickness, color, and the like. The colors may be implemented as RGB values, CMYK values for each channel, and the like.

패턴 원소가 특정 값을 가질 경우, 상기 패턴 원소에 대응한 패턴 요소가 상기 특정 값으로 해당 격자 패턴 형식 상에 구현되어 훈련 이미지 상에 표현된다. When a pattern element has a specific value, a pattern element corresponding to the pattern element is implemented on a corresponding grid pattern format with the specific value and displayed on a training image.

상기 출력물 형식 함수와 유사하게, 상기 격자 패턴 형식 함수의 패턴 원소는 하이퍼 파라미터로 구현될 수도 있다. 하나의 격자 패턴 형식 함수가 다수의 패턴 원소를 포함할 경우, 상기 다수의 패턴 원소는 하이퍼 파라미터 벡터로 표현될 수도 있다. 여기서, 벡터 값은 상기 패턴 원소 값이다. 그러면, 각각의 격자 패턴 형식 함수는 자신의 하이퍼 파라미터 벡터에 연관될 수도 있다. Similar to the output format function, the pattern elements of the grid pattern format function may be implemented as hyperparameters. When one lattice pattern formal function includes a plurality of pattern elements, the plurality of pattern elements may be expressed as a hyperparameter vector. Here, the vector value is the pattern element value. Then, each lattice pattern formal function may be associated with its own hyperparameter vector.

일 실시예에서, 상기 복수의 격자 패턴 형식 중 어느 하나의 격자 패턴 형식을 선택하는 단계는, 미리 설정된 제5-1 확률 분포에 따라 어느 하나의 격자 패턴 형식을 선택할 수도 있다. In one embodiment, in the step of selecting one of the plurality of grid pattern types, one grid pattern type may be selected according to a preset 5-1 probability distribution.

상기 제5-1 확률 분포는 복수의 격자 패턴 형식 함수 전체 중 훈련 이미지를 생성하기 위해 특정 격자 패턴 형식을 선택할 확률을 정의한다. 상기 제5-1 확률 분포에 따라서 출력물 형식 함수를 선택하는 것은 상기 제1-1 확률 분포에 따라서 변환을 선택하는 것과 유사하다. The 5-1 probability distribution defines a probability of selecting a specific grid pattern format to generate a training image from among a plurality of grid pattern format functions. Selecting an output form function according to the 5-1 probability distribution is similar to selecting a transform according to the 1-1 probability distribution.

일 실시예에서, 상기 제5-1 확률 분포는 n 개 중 1개의 격자 패턴 형식 함수를 선택하는 방식으로 정의될 수도 있다. 예를 들어, 상기 제5-1 확률 분포는 다항 분포(multinomial distribution)를 가질 수도 있다. In one embodiment, the 5-1 probability distribution may be defined by selecting one lattice pattern form function out of n. For example, the 5-1 probability distribution may have a multinomial distribution.

대안적인 실시예들에서, 상기 제5-1 확률 분포는 확률 분포는 임의 지정된 초기 확률 분포를 훈련을 통해 최적화한 것일 수도 있다. 이에 대해서는 아래에서 보다 상세히 서술한다. In alternative embodiments, the 5-1 probability distribution may be an arbitrary initial probability distribution optimized through training. This is described in more detail below.

선택된 격자 패턴 형식은 곧바로 사용되거나, 또는 선택된 격자 패턴 형식의 패턴 원소의 값을 변경하여 훈련 이미지를 위한 격자 패턴 형식으로 결정할 수도 있다(S500). 선택된 격자 패턴 형식은 적어도 하나의 형식 원소에 대한 새로운 값을 입력 인수로 입력 받아 격자 패턴 형식 함수의 기능을 조절할 수도 있다.The selected grid pattern format may be used immediately, or may be determined as a grid pattern format for training images by changing the value of a pattern element of the selected grid pattern format (S500). The function of the grid pattern format function may be adjusted by receiving a new value for at least one format element as an input argument for the selected grid pattern format.

일 실시예에서, 상기 격자 패턴을 2차원 평면 상에 표기하는 단계(S500)는, 선택된 격자 패턴 형식의 패턴 원소 값을 조정하는 단계; 및 조정된 패턴 원소 값을 갖는 격자 패턴 형식을 상기 훈련 이미지의 격자 패턴 형식으로 결정하는 단계를 포함할 수도 있다. 패턴 원소의 값이 변경되는 것은 확률에 기초하여 수행될 수도 있다.In one embodiment, the step of marking the grid pattern on a two-dimensional plane (S500) may include adjusting pattern element values of the selected grid pattern format; and determining a grid pattern format having adjusted pattern element values as a grid pattern format of the training image. Changing the value of the pattern element may be performed based on probability.

일 실시예에서, 개별 패턴 원소별로 제5-2 확률 분포가 설정될 수도 있다. 패턴 원소가 m개일 경우, m개의 제5-2 확률 분포가 정의되어 할당된다. 상기 제5-1 확률 분포에 따라 선택된 격자 패턴 형식 함수의 패턴 원소 각각에 대해서, 기존 패턴 원소 값은 자신에게 미리 설정된 제5-2 확률 분포에 따라 선택된 새로운 값으로 변경될 수도 있다. 변경된 새로운 값이 반영된 격자 패턴 형식이 훈련 이미지 생성을 위해 사용된다. In one embodiment, the 5-2 probability distribution may be set for each individual pattern element. When the number of pattern elements is m, m 5-2 probability distributions are defined and allocated. For each pattern element of the lattice pattern formal function selected according to the 5-1 probability distribution, the existing pattern element value may be changed to a new value selected according to the 5-2 probability distribution preset. A lattice pattern format reflecting the new changed values is used to generate a training image.

상기 제5-2 확률 분포는 격자 패턴 형식 함수의 각 패턴 원소가 가질 수 있는 값의 전체 범위에서 개별 값이 지정될 확률 분포를 정의한다. 특정 실시예들에서, 상기 제5-2 확률 분포는 가우시안 확률 분포, 균등 확률 분포, 연속 균등 확률 분포, 정규 분포, 카이제곱 분포, 이항 확률 분포, 다항 확률 분포 및/또는 다변량 확률 분포를 포함할 수도 있다. 각 패턴 원소별로 동일 또는 상이한 제5-2 확률 분포가 설정될 수도 있다. The 5-2 probability distribution defines a probability distribution in which an individual value is specified in the entire range of values that each pattern element of the lattice pattern formal function can have. In certain embodiments, the 5-2 probability distribution may include a Gaussian probability distribution, a uniform probability distribution, a continuous uniform probability distribution, a normal distribution, a chi-square distribution, a binomial probability distribution, a multinomial probability distribution, and/or a multivariate probability distribution. may be The same or different 5-2 probability distributions may be set for each pattern element.

일 실시예에서, 패턴 원소가 수치형 데이터로 구현된 경우 상기 제5-2 확률 분포는 분포는 연속확률분포로써 가우시안 (정규) 분포, 감마 분포, 지수 분포, 균등 분포, 카이제곱 분포일 수도 있다. 그러면, 해당 패턴 원소의 새로운 값은 연속확률분포에서 선택된 값이다.In one embodiment, when the pattern element is implemented as numerical data, the 5-2 probability distribution may be a Gaussian (normal) distribution, a gamma distribution, an exponential distribution, a uniform distribution, or a chi-square distribution as a continuous probability distribution. . Then, the new value of the corresponding pattern element is a value selected from the continuous probability distribution.

일 실시예에서, 패턴 원소가 이진 변수 데이터로 구현된 경우 상기 제5-2 확률 분포는 이산확률분포인 이항 분포, 음이항 분포, 초기하분포, 포아송분포일 수도 있다. 상기 이진 변수 데이터는 “예(yes)”를 가리키는 제2 이진 값 또는 “아니오(No)”를 가리키는 제2 이진 값으로 표현될 수도 있다. 해당 패턴 원소의 새로운 값은 이산확률분포에 따라 선택된 값이다. In one embodiment, when the pattern element is implemented as binary variable data, the 5-2 probability distribution may be a discrete probability distribution such as a binomial distribution, a negative binomial distribution, a hypergeometric distribution, or a Poisson distribution. The binary variable data may be expressed as a second binary value indicating “yes” or a second binary value indicating “No”. The new value of the corresponding pattern element is a value selected according to a discrete probability distribution.

일부 실시예들에서, 격자 패턴 형식 함수를 이루는 패턴 원소의 세트는 서로 상관관계를 갖는 적어도 일부 패턴 원소들을 포함할 수도 있다. 새로운 값으로 변경된 패턴 원소가 다른 패턴 원소와 상관관계를 갖는 경우, 상기 상관관계를 갖는 다른 패턴 원소에 대해 설정된 제5-2 확률 분포는 다변량 확률 분포일 수도 있다. 그러면, 상기 상관관계를 갖는 다른 패턴 원소의 값은 미리 정의된 다변량 확률 분포에 따라 선택된 새로운 값으로 변경된다. In some embodiments, a set of pattern elements constituting a lattice pattern form function may include at least some pattern elements having correlations with each other. When a pattern element changed to a new value has a correlation with another pattern element, the 5-2 probability distribution set for the other pattern element having the correlation may be a multivariate probability distribution. Then, the value of another pattern element having the correlation is changed to a new value selected according to a predefined multivariate probability distribution.

그러면, 선택된 격자 패턴 형식을 조정한 격자 패턴 형식으로 2차원 평면 상에 격자 패턴이 표기된다. Then, the lattice pattern is marked on the two-dimensional plane in the form of a lattice pattern adjusted to the selected lattice pattern form.

대안적인 실시예들에서, 상기 제5-2 확률 분포는 임의 지정된 초기 확률 분포를 훈련을 통해 최적화한 것일 수도 있다. 이에 대해서는 아래에서 보다 상세히 서술한다.In alternative embodiments, the 5-2 probability distribution may be an arbitrarily designated initial probability distribution optimized through training. This is described in more detail below.

다시 도 1을 참조하면, 상기 훈련 이미지 생성 방법은, 단계(S200)에서 결정된 출력물 형식, 단계(S300)에서 결정된 채널별 출력 구간 및 단계(S400)에서 결정된 격자 스케일 중 적어도 하나에 기초하여 단계(S300)에서 결정된 훈련 신호의 파형 내용의 기준 위치를 설정하는 단계(S600); 및 상기 훈련 신호의 파형 내용 및 신호 표지자를 단계(S500)에서 격자 패턴이 표기된 2차원 평면 상에 표기하는 단계(S700)를 포함한다. Referring back to FIG. 1, the training image generation method is based on at least one of the output format determined in step S200, the output interval for each channel determined in step S300, and the grid scale determined in step S400. Setting a reference position of the waveform contents of the training signal determined in S300) (S600); and marking the waveform content of the training signal and the signal indicator on a two-dimensional plane marked with the grid pattern in step S500 (S700).

단계(S200)에서 훈련 이미지의 프레임을 이루는 2차원 평면 상에서 채널별 훈련 신호의 위치 및 출력물 배치 구조의 위치가 산출된다. 단계(S300)를 통해 훈련 이미지에 표시될 파형의 내용이 결정된다. In step S200, the position of the training signal for each channel and the position of the output arrangement structure are calculated on the two-dimensional plane constituting the frame of the training image. In step S300, the contents of the waveform to be displayed on the training image are determined.

상기 단계(S400)에서 결정된 격자 스케일에 맞게 훈련 신호 내 상기 파형 내용에 대한 측정 값의 좌표가 산출된다(S600). 상기 측정 값의 좌표는 2차원 평면 상의 위치로서, 어느 채널의 파형 내용이 어느 위치에 배치될 지를 정의한다. 상기 측정 값의 좌표는 격자 패턴에 기초한 좌표 값으로 산출된다. Coordinates of measurement values for the waveform content in the training signal are calculated according to the grid scale determined in step S400 (S600). The coordinates of the measured values are positions on a two-dimensional plane, which define where the waveform content of a channel is to be placed. Coordinates of the measurement values are calculated as coordinate values based on a grid pattern.

산출된 훈련 신호의 측정 값은 훈련 신호의 파형 내용의 기준 좌표로 활용될 수도 있다. The calculated measurement value of the training signal may be used as a reference coordinate of the waveform content of the training signal.

도 7은, 본 출원의 일 실시예에 따른, 훈련 신호의 파형 내용 및 신호 표지자를 격자 패턴이 표기된 2차원 평면 상에 표기하는 결과의 개략도이다. 7 is a schematic diagram of a result of marking the waveform contents of a training signal and signal markers on a two-dimensional plane marked with a grid pattern, according to an embodiment of the present application.

도 7을 참조하면, 상기 훈련 신호의 파형 내용 및 신호 표지자를 격자 패턴이 표기된 2차원 평면 상에 표기하는 단계(S700)는, 상기 기준 위치에 기초하여 상기 훈련 신호의 채널별 파형 내용 및 신호 표지자를 상기 패턴이 표기된 2차원 평면 상에 표기할 수도 있다. Referring to FIG. 7 , in the step of marking the waveform contents and signal markers of the training signal on a two-dimensional plane marked with a grid pattern (S700), the waveform contents and signal markers for each channel of the training signal are displayed based on the reference position. may be marked on a two-dimensional plane on which the pattern is marked.

일 실시예에서, 상기 기준 위치에 기초하여 상기 훈련 신호의 채널별 파형 내용을 상기 격자 패턴이 표기된 2차원 평면 상에 표기하는 단계(S700)는, 상기 기준 위치에 기초하여 채널별 훈련 신호의 파형 내용을 그래픽으로 표현하기 위한 표기 함수를 정의하는 단계; 및 정의된 표기 함수를 사용하여 훈련 신호의 파형 내용 및 신호 표지자를 표기하는 단계를 포함할 수도 있다. In one embodiment, the step of marking the waveform contents of each channel of the training signal on a two-dimensional plane on which the grid pattern is marked (S700) based on the reference position is the waveform of the training signal for each channel based on the reference position. defining a notation function to graphically express content; and marking the waveform content of the training signal and the signal indicator using a defined notation function.

상기 표기 함수(f_n ⁴) 는 훈련 신호의 기준 좌표 및 하나 이상의 표기 벡터(P_nm ⁴)에 기초한다. 표기 벡터(P_n ⁴)는 m개의 인자를 포함할 수도 있으며, 각 인자는 표기 원소 p_nm ⁴으로 지시된다 (여기서, n은 표기 함수 식별자, m은 원소 식별자). 참고로 여기서 아래 첨자 n은 n개의 함수가 존재함을 표시하는 문자이고, 위첨자는 전술한 다른 함수들과 구별하기 위한 숫자이다.The notation function f _n ⁴ is based on the reference coordinates of the training signal and one or more notation vectors P _nm ⁴ . The notation vector (P _n ⁴ ) may include m number of factors, and each factor is indicated by a notation element p _nm ⁴ (where n is a notation function identifier and m is an element identifier). For reference, here, the subscript n is a letter indicating that there are n functions, and the superscript is a number to distinguish from the other functions described above.

상기 훈련 신호의 기준 좌표는 신호의 가로 축 상의 좌표, 세로 축 상의 좌표와 같이, 격자 패턴에 맞게 산출된 훈련 신호의 파형 내용의 측정 값의 좌표를 포함할 수도 있다. The reference coordinates of the training signal may include coordinates of measured values of waveform contents of the training signal calculated according to the grid pattern, such as coordinates on the horizontal axis and coordinates on the vertical axis of the signal.

상기 표기 원소(p_nm ⁴)는 파형의 디자인 및 신호 표지자를 정의한다. 상기 표기 원소는 파형의 디자인과 관련된 제1 그룹 및 신호 표지자 디자인과 관련된 제2 그룹으로 이루어진다.The notation element (p _nm ⁴ ) defines the design of the waveform and the signal indicator. The notation elements are composed of a first group related to waveform design and a second group related to signal indicator design.

상기 제1 그룹의 표기 원소는 파형의 모양, 굵기, 색상 등을 포함할 수도 있다. 상기 색상은 RGB 수치, CMYK 채널별 수치 등으로 구현될 수도 있다. The notation elements of the first group may include the shape, thickness, and color of the waveform. The colors may be implemented as RGB values, CMYK values for each channel, and the like.

상기 신호 표지자는 채널 표지자 및 스케일 표지자를 포함한다. 상기 제2 그룹의 표기 원소는 표지자의 위치, 모양, 글꼴, 색상, 글자(또는 선) 굵기 등을 포함할 수도 있다. 상기 표지자의 위치는 표기된 훈련 신호로부터의 상대적 위치로 나타난다. The signal marker includes a channel marker and a scale marker. The display elements of the second group may include the position, shape, font, color, and thickness of characters (or lines) of markers. The position of the marker is expressed as a relative position from the marked training signal.

이러한 정의는 사용자 입력에 반응하여 수행되거나, 미리 설정될 수도 있다. This definition may be performed in response to user input or set in advance.

상기 표기 함수를 사용하여 2차원 평면 상에 훈련 신호의 파형 내용을 표기하고 훈련 신호의 파형으로부터 일정 거리 내에 채널 표지자 및 스케일 표지자를 표기할 수도 있다(S700). Using the notation function, the contents of the waveform of the training signal may be marked on a two-dimensional plane, and a channel indicator and a scale indicator may be marked within a certain distance from the waveform of the training signal (S700).

상기 표기 원소 값이 조정된 경우, 조정된 표기 원소 값을 반영하여 훈련 신호의 파형 내용, 채널 표지자, 스케일 표지자가 상기 2차원 평면 상에 표기될 수도 있다(S700). When the notation element values are adjusted, the waveform content of the training signal, the channel marker, and the scale marker may be displayed on the 2D plane by reflecting the adjusted notation element values (S700).

일 실시예에서, 상기 정의된 표기 함수를 사용하여 훈련 신호의 파형 내용 및 신호 표지자를 표기하는 단계는, 상기 표기 함수의 표기 원소의 값을 조정하는 단계; 및 조정된 표기 원소 값을 반영하여 상기 훈련 신호의 채널별 파형 내용을 상기 격자 패턴이 표기된 2차원 평면 상에 표기하는 단계를 포함할 수도 있다. 표기 원소의 값이 변경되는 것은 확률에 기초하여 수행될 수도 있다.In an embodiment, the step of marking the waveform content and the signal indicator of the training signal using the defined notation function may include adjusting values of notation elements of the notation function; and marking the waveform contents of each channel of the training signal on a two-dimensional plane marked with the grid pattern by reflecting the adjusted notation element values. Changing the value of the notation element may be performed based on probability.

일 실시예에서, 개별 표기 원소별로 제6 확률 분포가 설정될 수도 있다. 표기 원소가 m개일 경우, m개의 제5 확률 분포가 정의되어 할당된다. 상기 제6 확률 분포에 따라 선택된 표기 함수의 표기 원소 각각에 대해서, 기존 표기 원소 값은 자신에게 미리 설정된 제6 확률 분포에 따라 선택된 새로운 값으로 변경될 수도 있다. 변경된 새로운 값이 반영된 표기 방식으로 훈련 이미지가 2차원 평면 상에 표기된다. In one embodiment, a sixth probability distribution may be set for each marked element. When the number of notation elements is m, m fifth probability distributions are defined and allocated. For each notation element of the notation function selected according to the sixth probability distribution, the value of the existing notation element may be changed to a new value selected according to the sixth probability distribution set in advance. The training image is marked on a two-dimensional plane in a notation method in which the changed new value is reflected.

상기 제6 확률 분포는 표기 함수의 각 표기 원소가 가질 수 있는 값의 전체 범위에서 개별 값이 지정될 확률 분포를 정의한다. 특정 실시예들에서, 상기 제6 확률 분포는 연속확률분포로써 가우시안 (정규) 분포, 균등 분포, 카이제곱 분포, 이산확률분포로써 이항 분포, 음이항 분포, 초기하 분포, 포아송 분포, 그리고 다항 분포 및/또는 다수의 변형 원소들에 대한 다변량 확률 분포들을 포함할 수도 있다. 각 표기 원소별로 동일 또는 상이한 제6 확률 분포가 설정될 수도 있다. 또한 상기 언급한 특정 형태의 확률분포를 정의한 상태에서 표기 원소를 추출하는 모수적 접근 방법외에도, 특정 분포를 가정하지 않고 표기 원소를 무작위 추출할 수도 있다.The sixth probability distribution defines a probability distribution in which individual values are specified in the entire range of values that each notation element of the notation function may have. In certain embodiments, the sixth probability distribution is a Gaussian (normal) distribution as a continuous probability distribution, a uniform distribution, a chi-square distribution, a binomial distribution as a discrete probability distribution, a negative binomial distribution, a hypergeometric distribution, a Poisson distribution, and a multinomial distribution. and/or multivariate probability distributions for multiple variant elements. The same or different sixth probability distributions may be set for each notation element. In addition to the above-mentioned parametric approach of extracting notation elements in a state in which a specific type of probability distribution is defined, notation elements may be randomly extracted without assuming a specific distribution.

일 실시예에서, 표기 원소가 수치형 데이터로 구현된 경우 상기 제6 확률 분포는 분포는 연속확률분포로써 가우시안 (정규) 분포, 균등 분포, 연속 균등 확률 분포, 정규 분포, 또는 카이제곱 분포일 수도 있다. 그러면, 해당 표기 원소의 새로운 값은 상기 연속확률분포에서 선택된 값이다.In one embodiment, when the notation element is implemented as numerical data, the sixth probability distribution may be a Gaussian (normal) distribution, a uniform distribution, a continuous uniform probability distribution, a normal distribution, or a chi-square distribution as a continuous probability distribution. there is. Then, the new value of the corresponding marked element is a value selected from the continuous probability distribution.

일 실시예에서, 표기 원소가 이진 변수 데이터로 구현된 경우 상기 제6 확률 분포는 이산확률분포인 이항 분포, 음이항 분포, 초기하 분포, 포아송 분포 일 수도 있다. 상기 이진 변수 데이터는 “예(yes)”를 가리키는 제2 이진 값 또는 “아니오(No)”를 가리키는 제2 이진 값으로 표현될 수도 있다. 해당 표기 원소의 새로운 값은 상기 이산확률분포에 따라 선택된 값이다. In one embodiment, when the notation element is implemented as binary variable data, the sixth probability distribution may be a discrete probability distribution such as a binomial distribution, a negative binomial distribution, a hypergeometric distribution, or a Poisson distribution. The binary variable data may be expressed as a second binary value indicating “yes” or a second binary value indicating “No”. The new value of the corresponding marked element is a value selected according to the discrete probability distribution.

일 실시예에서, 표기 원소가 범주형(categorical) 변수로 구현된 경우 상기 제6 확률 분포는 다항 확률 분포(multinomial probability distribution)일 수도 있다. 그러면 해당 표기 원소의 새로운 값은 다항 확률 분포에 따라 선택된 값이다. In one embodiment, when the notation element is implemented as a categorical variable, the sixth probability distribution may be a multinomial probability distribution. Then, the new value of the notation element is a value selected according to a multinomial probability distribution.

일부 실시예들에서, 표기 함수를 이루는 표기 원소의 세트는 서로 상관관계를 갖는 적어도 일부 표기 원소들을 포함할 수도 있다. 새로운 값으로 변경된 표기 원소가 다른 표기 원소와 상관관계를 갖는 경우, 상기 상관관계를 갖는 다른 표기 원소에 대해 설정된 제6 확률 분포는 다변량 확률 분포일 수도 있다. 그러면, 상기 상관관계를 갖는 다른 표기 원소의 값은 미리 정의된 다변량 확률 분포에 따라 선택된 새로운 값으로 변경된다. In some embodiments, the set of notation elements constituting the notation function may include at least some notation elements having a correlation with each other. When a notation element changed to a new value has a correlation with another notation element, the sixth probability distribution set for the other notation element having the correlation may be a multivariate probability distribution. Then, the value of the other marked element having the correlation is changed to a new value selected according to a predefined multivariate probability distribution.

그러면, 변경된 값을 갖는 표기 방식으로 2차원 평면 상에 훈련 신호의 파형 내용 및 신호 표지자가 표기된다(S700). Then, the waveform content of the training signal and the signal indicator are displayed on a two-dimensional plane in a notation method having changed values (S700).

대안적인 실시예들에서, 상기 제6 확률 분포는 확률 분포는 임의 지정된 초기 확률 분포를 훈련을 통해 최적화한 것일 수도 있다. 이에 대해서는 아래에서 보다 상세히 서술한다. In alternative embodiments, the sixth probability distribution may be an arbitrary initial probability distribution optimized through training. This is described in more detail below.

또한, 상기 훈련 이미지 생성 방법은 훈련 신호의 부가 정보 및/또는 스케일 정보를 더 표기하는 단계(S800)를 포함한다. In addition, the training image generating method includes a step of further marking additional information and/or scale information of the training signal (S800).

도 8은, 본 출원의 일 실시예에 따른, 부가 정보를 표기한 것의 개략도이다. 8 is a schematic diagram of marking additional information according to an embodiment of the present application.

도 8을 참조하면, 상기 훈련 신호의 부가 정보는 소스 부가 정보와 마찬가지로, 상기 훈련 신호의 원본 속성(original attributes)이다. 상기 훈련 신호의 부가 정보는, 나이, 성별, 측정장소, 측정시간 또는 파형 해석을 의미하는 텍스트로 구현될 수도 있다. Referring to FIG. 8 , the additional information of the training signal is original attributes of the training signal, like the source additional information. The additional information of the training signal may be implemented as text meaning age, gender, measurement location, measurement time, or waveform analysis.

일 실시예에서, 상기 훈련 신호의 부가 정보를 표기하는 단계는, 미리 설정된 부가 정보 텍스트 중 임의로 선택된 부가 정보 텍스트를 선택하여 표기하는 단계일 수도 있다. 부가 정보 텍스트의 표기 위치는 단계(S300)에서 결정된 출력물 형식에 기초한다. In one embodiment, the step of marking the additional information of the training signal may be a step of selecting and marking a randomly selected additional information text among preset additional information texts. The display position of the additional information text is based on the output format determined in step S300.

다른 일부 실시예들에서, 상기 훈련 신호의 부가 정보는 소스 부가 정보일 수도 있다. 이 경우, 훈련 신호의 부가 정보와 소스 신호의 부가 정보는 일치한다. In some other embodiments, the side information of the training signal may be source side information. In this case, the side information of the training signal and the side information of the source signal coincide.

상기 스케일 정보는 단계(S400)에서 결정된 격자 스케일을 서술하는 정보로서, 상기 격자 스케일을 의미하는 기호, 그림, 텍스트로 구현될 수도 있다. 상기 스케일 정보의 표기 위치 또한 단계(S200)에서 결정된 출력물 형식에 기초한다. The scale information is information describing the lattice scale determined in step S400, and may be implemented as a symbol, picture, or text meaning the lattice scale. The marked position of the scale information is also based on the output format determined in step S200.

일 실시예에서, 상기 스케일 정보를 표기하는 단계는, 미리 설정된 복수의 스케일 표기 방식 중 어느 하나의 스케일 표기 방식을 선택하는 단계; 및 선택된 스케일 표기 방식으로 상기 스케일 정보를 표기하는 단계를 포함할 수도 있다. In an embodiment, the step of marking the scale information may include selecting one of a plurality of preset scale marking methods; and marking the scale information in a selected scale marking method.

일 실시예에서, 미리 설정된 복수의 스케일 표기 방식 중 어느 하나의 스케일 표기 방식을 선택하는 단계는, 제7 확률 분포에 따라 미리 설정된 복수의 스케일 표기 방식 중 어느 하나의 스케일 표기 방식을 선택하는 것일 수도 있다. In an embodiment, the step of selecting any one scale notation method from among a plurality of preset scale notation methods may include selecting any one scale notation method among a plurality of preset scale notation methods according to a seventh probability distribution. there is.

상기 제7 확률 분포는 n 개 중 1개를 선택하는 방식으로 정의될 수도 있다. 예를 들어, 상기 제7 확률 분포는 다항 분포(multinomial distribution)를 가질 수도 있다. The seventh probability distribution may be defined by selecting one out of n. For example, the seventh probability distribution may have a multinomial distribution.

또한, 상기 훈련 이미지 생성 방법은, 생성된 훈련 이미지를 추가로 변형하는 단계(S900)를 더 포함할 수도 있다. In addition, the training image generation method may further include a step of further transforming the generated training image (S900).

상기 단계(S900)는, 미리 설정된 복수의 이미지 증분(image augmentation) 함수 중 적어도 하나의 이미지 증분 함수를 선택하는 단계; 및 선택된 이미지 증분 함수를 사용하여 상기 훈련 이미지를 추가로 변형하는 단계를 포함할 수도 있다. The step (S900) may include selecting at least one image augmentation function from among a plurality of preset image augmentation functions; and further transforming the training image using the selected image increment function.

상기 이미지 증분 함수는 다수의 증분 원소로 이루어질 수도 있다. 상기 증분 원소는 변형의 종류, 빈도, 강도 및/또는 에폭 넘버(epoch number)를 포함할 수도 있다. The image increment function may consist of multiple increment elements. The incremental element may include the type, frequency, intensity and/or epoch number of strain.

상기 증분 함수를 선택하는 단계는, 변형 함수를 선택하는 것과 유사하다. 일 실시예에서, 상기 증분 함수를 선택하는 단계는, 상기 복수의 이미지 증분 함수의 세트에 대해 미리 설정된 제8 확률 분포에 따라서 복수의 변형 함수 중 어느 하나의 이미지 증분 함수를 선택하거나 복수의 이미지 증분 함수 중 둘 이상의 이미지 증분 함수를 선택할 수도 있다. Selecting the incremental function is similar to selecting the transform function. In an embodiment, the selecting of the increment function may include selecting any one image increment function from among a plurality of transform functions or incrementing a plurality of image increment functions according to an eighth probability distribution preset for the set of the plurality of image increment functions. You can also select more than one image increment function among the functions.

상기 제8 확률 분포는 복수의 이미지 증분 함수 전체 중 훈련 이미지를 생성하기 위해 특정 이미지 증분 함수(들)를 선택할 확률을 정의한다. The eighth probability distribution defines a probability of selecting a specific image increment function(s) to generate a training image from among all of the plurality of image increment functions.

일 실시예에서, 상기 제8 확률 분포는 n 개 중 1개의 이미지 증분 함수를 선택하는 방식으로 정의될 수도 있다. 예를 들어, 상기 제8 확률 분포는 다항 분포(multinomial distribution)를 가질 수도 있다. In one embodiment, the eighth probability distribution may be defined by selecting one image increment function out of n. For example, the eighth probability distribution may have a multinomial distribution.

다른 일 실시예에서, 상기 제8 확률 분포는 n개 중 2개 이상의 이미지 증분 함수를 선택하는 방식으로 정의될 수도 있다. 예를 들어, 상기 제8 확률 분포는 이항 분포(Binomial distribution)를 가질 수도 있다.In another embodiment, the eighth probability distribution may be defined by selecting two or more image increment functions out of n. For example, the eighth probability distribution may have a binomial distribution.

또한, 상기 훈련 이미지 생성 방법은, 생성된 훈련 이미지의 데이터를 W × H × C' 형태의 텐서로 변환하는 단계(S1000)를 더 포함할 수도 있다. 여기서 W는 이미지의 가로, H는 이미지의 세로, C'는 컬러 채널의 수(흑백일 경우, C'=1)를 나타낸다. C×T 실수 배열 형태의 다채널 1차원 신호가 소스 신호로 입력되면 이러한 훈련 이미지 생성 방법을 통해 훈련 이미지를 생성하여 W*h*C 형태의 3차원 실수 배열로 변환된 결과물을 출력할 수도 있다. In addition, the training image generation method may further include converting the data of the generated training image into a tensor in the form of W × H × C' (S1000). Here, W is the width of the image, H is the height of the image, and C' is the number of color channels (C'=1 in the case of black and white). When a multi-channel one-dimensional signal in the form of a C × T real number array is input as a source signal, a training image is generated through this training image generation method, and a result converted into a three-dimensional real number array in the form of W * h * C can be output. .

상기 대안적인 실시예들에서, 확률 분포는 임의 지정된 초기 확률 분포를 훈련을 통해 최적화한 것일 수도 있다. In the above alternative embodiments, the probability distribution may be an arbitrary specified initial probability distribution optimized through training.

전술한 바와 같이, 하이퍼 파라미터 벡터는 이항 데이터, 다항 데이터(multinomial data), 수치형 데이터(numerical data)를 포함할 수도 있다. As described above, the hyperparameter vector may include binomial data, multinomial data, and numerical data.

이항 데이터는 이항 분포에 따라 선택된다. 전술한 바와 같이, 이항 분포에 따른 선택은 2회 이상 수행될 수도 있다. 상기 이항 데이터에 대한 레이블 데이터는, 1개 이상의 항목에 대해 “네”로 선택되는, 멀티레이블 선택(multilabel choice)으로 구현된다. Binomial data are selected according to a binomial distribution. As mentioned above, selection according to the binomial distribution may be performed more than once. The label data for the binomial data is implemented as a multilabel choice, in which “yes” is selected for one or more items.

다항 데이터는 다항 분포에 따라 선택된다. 전술한 바와 같이, 다항 분포에 따른 선택은 단독으로 수행될 수도 있다. 그러면, 다항 데이터에 대한 레이블 데이터는, 단일 레이블 선택(singlelabel choice)으로 구현된다. Multinomial data are selected according to a multinomial distribution. As mentioned above, selection according to a multinomial distribution may be performed alone. Then, label data for polynomial data is implemented as a single label choice.

수치형 데이터는 한정되거나 한정되지 않은 범위를 갖는 확률 분포에 따라 선택된다. 이러한 확률 분포는 연속확률분포로써 가우시안 (정규) 분포, 감마 분포, 지수 분포, 균등 분포 카이제곱 분포 등을 포함할 수도 있다. 전술한 바와 같이, 균등 분포에 따른 선택은 한정되거나 한정되지 않은 범위의 실수(real number)를 선택하는 것이다. Numerical data is selected according to a probability distribution with bounded or unbounded ranges. Such a probability distribution may include a Gaussian (normal) distribution, a gamma distribution, an exponential distribution, a uniform distribution, a chi-square distribution, and the like as a continuous probability distribution. As described above, the selection according to the uniform distribution is to select a real number in a limited or unlimited range.

상기 데이터 형식으로 구현되는 원소는 기계학습 모델의 하이퍼 파라미터에 해당하며, 최적화 대상이 될 수도 있다. Elements implemented in the data format correspond to hyperparameters of the machine learning model and may be subject to optimization.

이러한 하이퍼 파라미터는 생성된 훈련 이미지를 활용하여 다채널 1차원 시그널 이미지를 분석하는 이미지 기반 인공지능 모델을 학습하는 과정에서 최적화될 수도 있다. These hyperparameters may be optimized in the process of learning an image-based artificial intelligence model that analyzes multi-channel one-dimensional signal images using generated training images.

상기 하이퍼 파라미터는 다음의 목표 하에서 최적화된다: a) 훈련된 인공지능의 텍스트 데이터세트에서 정확도(accuracy) 향상, b) 도메인 시프트 및 적대적 공격(adversarial attack)에 대한 강건함(robustness) 향상, c) 잠재 벡터(latent vector)의 임베딩 퀄리티 향상(즉, 동일 개념 간 잠재 공간(latent space) 내 거리 최소화). The hyperparameters are optimized under the following goals: a) improving accuracy in text datasets of trained artificial intelligence, b) improving robustness against domain shifts and adversarial attacks, c) Improving embedding quality of latent vectors (i.e., minimizing distances in latent space between identical concepts).

상기 하이퍼 파라미터의 최적화는 Grid search, Random search, Gaussian process, Tree-structed Parzen Estimator(TPE) 등의 최적화 알고리즘을 통해 수행될 수도 있으나, 이에 제한되진 않는다. Optimization of the hyperparameters may be performed through optimization algorithms such as grid search, random search, Gaussian process, and tree-structured parzen estimator (TPE), but is not limited thereto.

본 출원의 다른 일 측면에 따르면, 상기 훈련 이미지 생성 방법은 데이터를 수신하여 처리하도록 구성된 구성요소들에 의해 수행될 수도 있다. According to another aspect of the present application, the training image generating method may be performed by components configured to receive and process data.

도 9는, 본 출원의 다른 일 측면에 따른, 상기 훈련 이미지 생성 방법을 수행하는 장치의 블록도이다. 9 is a block diagram of a device for performing the training image generating method according to another aspect of the present application.

도 9를 참조하면, 상기 장치는 획득부(10); 및 이미지 생성부(100)를 포함한다. Referring to FIG. 9 , the device includes an acquisition unit 10; and an image generating unit 100 .

상기 획득부(10)는 다채널 1차원 시그널과 같은 소스 신호를 측정할 수 있는 장치로부터 소스 신호를 획득한다. 예를 들면, 대상체의 신체 일부에 부착되어 대상체(사용자)의 다채널 1차원 시그널인 예컨대 심전도 신호를 측정하는 심전도 측정 장치로부터 심전도 신호를 직접적 또는 간접적으로 획득할 수 있다. The acquisition unit 10 acquires a source signal from a device capable of measuring a source signal such as a multi-channel one-dimensional signal. For example, an electrocardiogram signal may be directly or indirectly acquired from an electrocardiogram measuring device attached to a body part of an object and measuring a multi-channel one-dimensional signal of the object (user), such as an electrocardiogram signal.

상기 획득부(10)는 대상체의 신체 일부에 부착된 센서를 통해 대상체의 심전도 신호를 측정하는 심전도 측정 장치로부터 정보를 수신하도록 연결될 수도 있다. 그러면, 상기 획득부(10)는 상기 심전도 측정 장치로부터 상기 심전도 신호를 직접 획득할 수도 있다. The acquisition unit 10 may be connected to receive information from an electrocardiogram measuring device that measures an electrocardiogram signal of the object through a sensor attached to a body part of the object. Then, the acquisition unit 10 may directly acquire the ECG signal from the ECG measurement device.

센서는 대상체의 신체의 일부에 부착되어 대상체(사용자)의 심전도 신호를 측정하는 것일 수 있다. 센서 및 심전도 신호 측정 장치로부터 획득된 심전도 신호는 아날로그-디지털 변환기(ADC, Analog-Digital Converter)를 통해 디지털신호로 변환될 수 있다. 또한, 심전도 측정 장치(미도시)는 터치 패널을 통해 사용자의 신체가 기 결정된 시간 이 상 접촉하고 있다고 판단한 경우, 생체 신호를 측정할 수 있다. 또 다른 실시예에 따르면, 획득부(10)는 심전도 신호(raw signal) 뿐만 아니라, 이미 얻어진 심전도 신호를 기초로 용지나 화상에 출력되어 시각화한 심전도 이미지를 획득할 수 있다.The sensor may be attached to a part of the body of the object to measure the ECG signal of the object (user). The electrocardiogram signal obtained from the sensor and the electrocardiogram signal measuring device may be converted into a digital signal through an analog-to-digital converter (ADC). In addition, when it is determined that the user's body is in contact with the user's body for a predetermined time or more through the touch panel, the electrocardiogram measuring device (not shown) may measure the biosignal. According to another embodiment, the acquiring unit 10 may obtain an electrocardiogram image visualized by outputting it on paper or an image based on an electrocardiogram signal previously obtained as well as a raw signal.

또는, 획득부(10)는 외부기기와 유/무선 전기 통신하도록 연결될 수도 있다. 그러면, 상기 획득부(10)는 외부기기에 미리 획득 또는 저장된 심전도 신호 데이터로부터 획득할 수도 있다. 외부기기는 자신이 심전도 측정 장치와 연결되어 있거나 심전도 측정 장치와 연결된 또 다른 외부기기를 통해 심전도 신호 데이터를 획득한 것다. 따라서, 상기 획득부(10)가 외부기기로부터 심전도 신호 데이터를 획득하는 것은 심전도 신호를 간접적으로 획득하는 것으로 취급될 수도 있다. Alternatively, the acquisition unit 10 may be connected for wired/wireless electrical communication with an external device. Then, the acquisition unit 10 may acquire ECG signal data previously obtained or stored in an external device. The external device acquires ECG signal data through another external device connected to the electrocardiogram measurement device or connected to the electrocardiogram measurement device. Therefore, acquisition of ECG signal data from an external device by the acquiring unit 10 may be regarded as indirect acquisition of an ECG signal.

상기 획득부(10)를 통해 하나 이상의 채널을 통해 측정된, 소스 신호 정보가 획득된다. 상기 소스 신호 정보는, 아날로그 소스 신호, 디지털 소스 신호 정보 또는 소스 신호를 표시한 소스 이미지를 포함할 수도 있다. Source signal information measured through one or more channels is obtained through the acquisition unit 10 . The source signal information may include an analog source signal, digital source signal information, or a source image displaying the source signal.

상기 이미지 생성부(100)는 프로세서 및 메모리를 포함한 컴퓨팅 장치로서, 획득부(10)에 의해 수신된 소스 신호 정보를 수신하면, 도 1의 훈련 이미지 생성 방법의 단계들(S100 내지 S800)을 수행할 수도 있다. The image generating unit 100 is a computing device including a processor and a memory, and performs steps S100 to S800 of the training image generating method of FIG. 1 upon receiving the source signal information received by the acquiring unit 10. You may.

일 실시예에서, 이미지 생성부(100)는 서버로 구현될 수도 있다. 획득부(10)는 상기 서버에 연결되어 데이터를 입력하는 장치(예컨대, 사용자 단말 또는 신호 입력 장비)일 수도 있다. In one embodiment, the image generating unit 100 may be implemented as a server. The acquisition unit 10 may be a device (eg, a user terminal or signal input equipment) that is connected to the server and inputs data.

이 경우, 서버는 네트워크 서버로 구현되는 다수의 컴퓨터 시스템 또는 컴퓨터 소프트웨어로서, 다양한 정보를 웹 사이트로 구성하여 제공할 수 있다. 여기서, 네트워크 서버란, 사설 인트라넷 또는 인터넷과 같은 컴퓨터 네트워크를 통해 다른 네트워크 서버와 통신할 수 있는 하위 장치와 연결되어 작업 수행 요청을 접수하고 그에 대한 작업을 수행하여 수행 결과를 제공하는 컴퓨터 시스템 및 컴퓨터 소프트웨어(네트워크 서버 프로그램)를 의미한다. 그러나 이러한 네트워크 서버 프로그램 이외에도, 네트워크 서버 상에서 동작하는 일련의 응용 프로그램과 경우에 따라서는 내부에 구축되어 있는 각종 데이터베이스를 포함하는 넓은 개념으로 이해되어야 할 것이다. 예를 들어, 각종 데이터 베이스를 포함하는 경우, 서버는 클라우드와 같은 외부 데이터베이스 정보를 이용하도록 구성되며, 이 경우, 서버는 동작에 따라서 외부 데이터베이스 서버(예컨대, 클라우드 서버)에 접속하여 데이터 통신할 수 있다.In this case, the server is a plurality of computer systems or computer software implemented as a network server, and may configure and provide various information as a web site. Here, the network server refers to a computer system and a computer that are connected to sub-devices capable of communicating with other network servers through a computer network such as a private intranet or the Internet to receive a task execution request, perform tasks in response, and provide performance results. Software (network server program). However, in addition to these network server programs, it should be understood as a broad concept including a series of application programs that operate on a network server and various databases built therein in some cases. For example, in the case of including various databases, the server is configured to use external database information such as a cloud. In this case, the server may perform data communication by accessing an external database server (eg, a cloud server) according to an operation. there is.

이상에서 설명한 실시예들에 따른 훈련 이미지 생성 방법 및 이를 수행하는 장치에 의한 동작은 적어도 부분적으로 컴퓨터 프로그램으로 구현되어, 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 예를 들어, 프로그램 코드를 포함하는 컴퓨터-판독가능 매체로 구성되는 프로그램 제품과 함께 구현되고, 이는 기술된 임의의 또는 모든 단계, 동작, 또는 과정을 수행하기 위한 프로세서에 의해 실행될 수 있다. The method for generating a training image according to the embodiments described above and the operation by the apparatus performing the method may be at least partially implemented as a computer program and recorded on a computer-readable recording medium. For example, implemented together with a program product consisting of a computer-readable medium containing program code, which may be executed by a processor to perform any or all steps, operations, or processes described.

상기 컴퓨터는 데스크탑 컴퓨터, 랩탑 컴퓨터, 노트북, 스마트 폰, 또는 이와 유사한 것과 같은 컴퓨팅 장치일 수도 있고 통합될 수도 있는 임의의 장치일 수 있다. 컴퓨터는 하나 이상의 대체적이고 특별한 목적의 프로세서, 메모리, 저장공간, 및 네트워킹 구성요소(무선 또는 유선 중 어느 하나)를 가지는 장치다. 상기 컴퓨터는 예를 들어, 마이크로소프트의 윈도우와 호환되는 운영 체제, 애플 OS X 또는 iOS, 리눅스 배포판(Linux distribution), 또는 구글의 안드로이드 OS와 같은 운영체제(operating system)를 실행할 수 있다.The computer may be any device that may be integrated into or may be a computing device such as a desktop computer, laptop computer, notebook, smart phone, or the like. A computer is a device that has one or more alternative and special purpose processors, memory, storage, and networking components (whether wireless or wired). The computer may run, for example, an operating system compatible with Microsoft's Windows, Apple's OS X or iOS, a Linux distribution, or an operating system such as Google's Android OS.

상기 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장 장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인 프로그램, 코드 및 코드 세그먼트(segment)들은 본 실시예가 속하는 기술 분야의 통상의 기술자에 의해 용이하게 이해될 수 있을 것이다. The computer-readable recording medium includes all types of recording devices in which data readable by a computer is stored. Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like. In addition, computer-readable recording media may be distributed in computer systems connected through a network, and computer-readable codes may be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing this embodiment can be easily understood by those skilled in the art to which this embodiment belongs.

이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.The present invention reviewed above has been described with reference to the embodiments shown in the drawings, but this is only exemplary, and those skilled in the art will understand that various modifications and variations of the embodiments are possible therefrom. However, such modifications should be considered within the technical protection scope of the present invention. Therefore, the true technical protection scope of the present invention should be determined by the technical spirit of the appended claims.

Claims

A method for generating a training image, performed by a computing device including a processor and a memory,
generating a training signal based on the source signal information;
determining an output format of the training image by selecting at least one output format among a plurality of preset output formats;
determining an output interval for each channel of the training signal based on the length of the time interval of the determined output format waveform;
determining a lattice scale of the training image by selecting an axis-by-axis scale;
Marking a grid pattern on a two-dimensional plane according to the determined grid scale;
setting a reference position of the waveform content of the training signal based on at least one of the determined output interval for each channel and the determined grid scale; and
and marking the waveform content of the training signal and the signal indicator on a two-dimensional plane marked with a grid pattern.

According to claim 1,
Generating a training signal based on the source signal information includes:
selecting at least one transform function from among a plurality of preset transform functions; and
transforming the source signal into a training signal using a selected transformation function;
The transform function is composed of one or more transform elements representing transforming the signal processing properties of the input signal, characterized in that each transform element corresponds to the signal processing properties.

According to claim 2,
Modifying the signal processing properties includes processing, changing, or removing one or more of the signal's amplitude, waveform, frequency range, frequency distribution, signal start point, and signal time range;
The method of generating a training image, characterized in that the modification of the signal processing properties is performed for each channel, for a channel group, or for all channels.

The method of claim 2, wherein selecting at least one transform function from among the plurality of transform functions comprises:
Selecting any one of the plurality of transformation functions according to the 1-1 probability distribution preset for the set of the plurality of transformation functions or selecting two or more transformation functions among the plurality of transformation functions,
When selecting one transformation function out of N, the 1-1 probability distribution is a multinomial distribution,
When selecting two or more transformation functions out of N, the 1-1 probability distribution is a binomial distribution, characterized in that, training image generation method.

3. The method of claim 2, wherein transforming the source signal into a training signal using the selected transform function comprises:
changing a value of at least one transform element among transform elements constituting the selected transform function to a new value; and
And generating a signal reflecting the changed signal processing property according to the changed value of the transform element as a training signal,
Characterized in that the new value is a value selected according to a first-second probability distribution preset for the corresponding transformation element, training image generation method.

According to claim 5,
When the transformation element is implemented as numerical data, the new value of the transformation element is a value selected according to a continuous probability distribution,
If the transformation element is implemented as binary variable data, the new value of the transformation element is a value selected according to a discrete probability distribution,
Characterized in that, when the transform element is implemented as a categorical variable, a new value of the transform element is selected according to a multinomial probability distribution.

According to claim 5 ,
The set of transformation elements constituting the transformation function includes at least some transformation elements having a correlation with each other,
Characterized in that, when the transform element changed to a new value has a correlation with another transform element, the value of the other transform element having the correlation is changed to a new value selected according to a predefined multivariate probability distribution, generating a training image method.

The method of claim 1, wherein determining the output format of the training image by selecting at least one output format among a plurality of preset output formats comprises:
Selecting any one output format or selecting two or more output formats among the plurality of output formats according to a 2-1 probability distribution set in advance for the set of the plurality of preset output formats,
When selecting one output format out of N, the 2-1 probability distribution is a multinomial distribution,
When selecting two or more transformation functions out of N, the 2-1st probability distribution is a binomial distribution, characterized in that, training image generation method.

According to claim 8,
The step of determining the output format of the training image by selecting at least one output format among a plurality of preset output formats,
changing a value of at least one format element among format elements constituting the selected output format to a new value; and
Determining an output format having a changed format element value as an output format of the training image,
Each of the plurality of output formats is composed of one or more format elements defining a layout structure of the corresponding output format,
Characterized in that the new value is a value selected according to a 2-2 probability distribution preset for a corresponding format element, training image generation method.

According to claim 9,
If the format element is implemented as numeric data, the new value of the format element is a value selected according to a continuous probability distribution,
If the formal element is implemented as binary variable data, the new value of the formal element is a value selected according to a discrete probability distribution,
A training image generation method, characterized in that when the formal element is implemented as a categorical variable, a new value of the formal element is selected according to a multinomial probability distribution.

10. The method of claim 9, wherein the set of format elements constituting the output format includes at least some format elements having a correlation with each other,
Characterized in that, when a formal element changed to a new value has a correlation with another formal element, the value of the other formal element having the correlation is changed to a new value selected according to a predefined multivariate probability distribution, generating a training image method.

The method of claim 1, wherein determining an output interval for each channel of the training signal based on a length of a time interval of the determined output format waveform comprises:
selecting at least one point among a start point and an end point of an output section for each channel to be output to the training image from among the entire length of the received source signal; and
and calculating the interval for each channel based on a length of a time interval of a waveform and a selected point among format elements of a selected output format.

The method of claim 12, wherein the starting point or the ending point is a point selected according to a third probability distribution preset in a selection range for each point,
The third probability distribution defines a probability distribution in which individual values are designated in the selection range for each start point and end point,
The selection range of the starting point is a range from the first point of the training signal to the point extending in the negative time direction by the time interval of the waveform determined from the last point of the training signal,
Characterized in that the selection range of the end point is a range from the last point of the training signal to the point extending in the positive time direction by the time interval of the waveform determined from the first point of the training signal. Training image generation method.

The method of claim 1, wherein determining a grid scale of the training image comprises:
Selecting any one horizontal axis unit scale from among a plurality of horizontal axis unit scales according to a preset 4-1 probability distribution for all of the plurality of horizontal axis unit scales; or
Selecting one of the plurality of vertical axis unit scales according to a 4-2 probability distribution preset for all of the plurality of vertical axis unit scales,
Characterized in that the 4-1 and 4-2 probability distributions have a multinomial distribution, training image generation method.

The method of claim 1, wherein marking the grid pattern on a two-dimensional plane according to the determined grid scale comprises:
Selecting one of the plurality of grid pattern formats according to a preset 5-1 probability distribution for the set of the plurality of preset grid pattern formats; Including,
Characterized in that the 5-1 probability distribution is a multinomial distribution, training image generation method.

The method of claim 15, wherein marking the grid pattern on a two-dimensional plane according to the determined grid scale comprises:
adjusting the pattern element values of the selected grid pattern format; and
Determining a lattice pattern format having adjusted pattern element values as a lattice pattern format of the training image,
Each of the plurality of lattice pattern forms is composed of one or more pattern elements that define a lattice pattern with a hierarchy of display lines of the pattern or a design of unique display lines of the pattern,
Characterized in that the adjusted value is a value selected according to a 5-2 probability distribution preset for a corresponding format element, a training image generation method.

According to claim 16,
When the pattern element is implemented as numerical data, the adjusted value of the pattern element is a value selected according to a continuous probability distribution,
Characterized in that, when the pattern element is implemented as binary variable data, the adjusted value of the pattern element is a value selected according to a discrete probability distribution, a training image generation method.

The method of claim 16, wherein the set of pattern elements constituting the grid pattern form includes at least some pattern elements having a correlation with each other,
Characterized in that, when a pattern element adjusted to a new value has a correlation with another pattern element, the value of the other pattern element having the correlation is adjusted to a new value selected according to a predefined multivariate probability distribution. How to create.

According to claim 1,
The reference position of the waveform contents of the training signal includes coordinates of measured values of the training signal, which are calculated as coordinate values based on the grid pattern.

According to claim 1,
The step of marking the waveform contents and signal markers of the training signal on a two-dimensional plane marked with a grid pattern,
Defining a notation function for graphically expressing the waveform contents of the training signal for each channel based on the reference position; and
Marking the waveform contents and signal markers of the training signal using a defined notation function,
The notation function is based on reference coordinates of the training signal and one or more notation elements, wherein the notation element defines a waveform design or signal indicator design.

21. The method of claim 20, wherein marking the waveform contents and signal indicators of the training signal using the defined notation function comprises:
adjusting the value of the notation element of the notation function; and
Marking the waveform content of each channel of the training signal on a two-dimensional plane marked with the grid pattern by reflecting the adjusted notation element value;
Characterized in that the adjusted value is a value selected according to a sixth probability distribution preset for a corresponding notation element, a training image generating method.

According to claim 21,
When the notation element is implemented as numerical data, the adjusted value of the notation element is a value selected according to a continuous probability distribution,
When the notation element is implemented as binary variable data, the adjusted value of the notation element is a value selected according to a discrete probability distribution,
Characterized in that, when the notation element is implemented as categorical variable data, the adjusted value of the notation element is a value selected according to a multinomial probability distribution, a training image generation method.

According to claim 21,
The set of notation elements constituting the notation function includes at least some notation elements having a correlation with each other,
Characterized in that, when a notation element adjusted to a new value has a correlation with another notation element, the value of the other notation element having the correlation is adjusted to a new value selected according to a predefined multivariate probability distribution. How to create.

According to claim 1,
Characterized in that the method is used to train an image-based artificial intelligence model that analyzes images obtained from multi-channel one-dimensional signals.

A computer program combined with hardware and stored in a medium to execute the training image generation method according to any one of claims 1 to 24.

As a training image generating device,
an acquiring unit acquiring a source signal; and
An image generating unit including a processor and a memory;
The image generating unit receives the source signal information received by the acquiring unit, and performs the training image generating method according to any one of claims 1 to 24.