KR20240009883A - 심전도 기반 신경망 모델의 학습 방법, 프로그램 및장치 - Google Patents

심전도 기반 신경망 모델의 학습 방법, 프로그램 및장치 Download PDF

Info

Publication number
KR20240009883A
KR20240009883A KR1020230088974A KR20230088974A KR20240009883A KR 20240009883 A KR20240009883 A KR 20240009883A KR 1020230088974 A KR1020230088974 A KR 1020230088974A KR 20230088974 A KR20230088974 A KR 20230088974A KR 20240009883 A KR20240009883 A KR 20240009883A
Authority
KR
South Korea
Prior art keywords
ecg
learning
data
electrocardiogram
neural network
Prior art date
Application number
KR1020230088974A
Other languages
English (en)
Inventor
권준명
이병탁
임선유
강선미
Original Assignee
주식회사 메디컬에이아이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 메디컬에이아이 filed Critical 주식회사 메디컬에이아이
Priority to PCT/KR2023/009814 priority Critical patent/WO2024014821A1/ko
Publication of KR20240009883A publication Critical patent/KR20240009883A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/319—Circuits for simulating ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도 기반 신경망 모델의 학습 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 단계; 및 상기 제 1 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행하는 단계를 포함할 수 있다.

Description

심전도 기반 신경망 모델의 학습 방법, 프로그램 및 장치{METHOD, PROGRAM, AND APPARATUS FOR TRAINING OF NEURAL NETWORK MODEL BASED ON ELECTROCARDIOGRAM}
본 개시의 내용은 의료 분야의 딥러닝 기술에 관한 것으로, 구체적으로 심전도 데이터가 적은 상황에서도 모델을 학습시켜 사용 목적에 맞게 높은 성능을 갖는 모델로 최적화 시키는 방법에 관한 것이다.
딥러닝은 데이터(입력과 그에 대한 라벨)의 양과 모델 성능 사이에 양의 상관 관계가 있다. 따라서, 큰 규모의 데이터를 확보하는 것이 높은 성능의 모델을 만드는 것에 있어 아주 중요하다.
심전도와 같은 의료 데이터는 특성상 큰 규모의 데이터를 모으기 어렵다. 데이터 수집을 위해서는 병원 내 저장된 데이터에 대한 접근이 필요하며, 접근하여 데이터를 확보하더라도 라벨링을 위해서는 고도로 훈련된 전문의들이 많이 필요하다. 따라서, 심전도 데이터는 이를 모으는데 많은 비용이 들며, 특히나 라벨링 된(정제된) 데이터를 얻기 위해서는 더욱 많은 비용과 시간이 들 수 밖에 없다. 또한, 특이 질병과 관련된 데이터의 경우, 해당 케이스를 충분히 확보하는 것이 현실적으로 어려울 수 밖에 없다.
대한민국 등록특허공보 제10-22239714호(2021.04.13.)
본 개시는 모의 심전도를 생성하여 모델을 1차 학습 시키고, 사용 목적에 맞게 1차 학습된 모델을 2차 학습시켜 적은 데이터로도 높은 성능의 모델을 생성하는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심전도 기반 신경망 모델의 학습 방법이 개시된다. 상기 방법은, 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 단계; 및 상기 제 1 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 단계는, 상기 심전도 시뮬레이터에서 심전도 신호의 특성을 나타내는 파라미터를 조정함으로써, 임의의 모의 심전도 신호를 포함하는 제 1 심전도 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 심전도 시뮬레이터는, 상미분방정식을 기반으로 모델링 된 시뮬레이터일 수 있다.
대안적으로, 상기 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 단계는, 상기 사전 학습된 심전도 생성 모델에 실제 측정된 심전도 신호를 포함하는 심전도 데이터를 입력하여, 상기 실제 측정된 심전도 신호로부터 변형된 임의의 모의 심전도 신호를 포함하는 제 1 심전도 데이터를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 자기 지도 학습 기반의 제 1 학습은, 상기 제 1 심전도 데이터와 상기 제 1 심전도 데이터의 변형 데이터를 비교하여 신호 특징 간 유사도를 학습시키는 대조 학습(contrastive learning)을 포함할 수 있다.
대안적으로, 상기 방법은, 실제 측정된 심전도 신호를 포함하는 제 2 심전도 데이터를 기초로, 상기 제 1 학습이 완료된 신경망 모델에 대해, 미세 조정(fine-tuning)에 대응되는 제 2 학습을 수행하는 단계를 더 포함할 수 있다.
대안적으로, 실제 측정된 심전도 신호를 포함하는 제 2 심전도 데이터를 기초로, 상기 제 1 학습이 완료된 신경망 모델에 대해, 미세 조정(fine-tuning)에 대응되는 제 2 학습을 수행하는 단계는, 상기 제 2 심전도 데이터를 상기 제 1 학습이 완료된 신경망 모델에 입력하여, 상기 제 1 학습이 완료된 신경망 모델이 분류 태스트(task) 혹은 분할 태스크를 수행하도록, 지도 학습 기반의 제 2 학습을 수행하는 단계를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 심전도 기반 신경망 모델의 학습을 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 동작; 및 상기 제 1 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심전도 기반 신경망 모델의 학습을 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 심전도 데이터를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하고, 상기 제 1 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행할 수 있다.
본 개시의 방법에 따르면, 모의 심전도를 생성하여 모델을 학습 시키고, 사용 목적에 맞게 학습된 모델을 추가적으로 학습시켜 적은 데이터로도 높은 성능의 모델을 생성할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따라 신경망 모델을 학습시키는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 심전도 기반 신경망 모델의 학습 방법 을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다" 는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 심전도 시뮬레이터를 이용하여 임의의 심전도 데이터를 생성할 수 있다. 프로세서(110)는 기 확보된 심전도 신호를 심전도 시뮬레이터에 입력할 수 있다. 프로세서(110)는 사용자 요청에 맞추어 심전도 시뮬레이터의 파라미터를 조정하여, 심전도 신호의 특성(예를 들어, P파, QRS 복합체, T파 등)에 맞추어 다양한 형태를 갖는 심전도 신호를 포함하는 데이터를 생성할 수 있다. 즉, 프로세서(110)가 사용자 요청에 맞추어 심전도 시뮬레이터의 파라미터를 조정하게 되면, 입력된 심전도 신호의 특성을 나타내는 파라미터가 조정되므로, 입력된 심전도 신호로부터 심전도 신호의 특성을 반영하여 다양하게 변형된 심전도 신호가 생성될 수 있다.
프로세서(110)는 사전 학습된 심전도 생성 모델을 이용하여 임의의 심전도 데이터를 생성할 수도 있다. 프로세서(110)는 기 확보된 심전도 신호를 심전도 생성 모델에 입력하여, 입력 신호로부터 형태가 변형된 신호를 생성할 수 있다. 이때, 심전도 생성 모델은 심전도 신호의 특성을 추가 입력받아 입력된 특성에 맞추어 형태를 변형하는 단일 모델일 수도 있고, 심전도 신호의 특성 별로 매칭되는 복수의 서브 모델들을 포함하는 모델일 수도 있다. 즉, 프로세서(110)는 심전도 생성 모델을 이용하여, 입력된 심전도 신호로부터 심전도 신호의 특성을 반영하여 다양하게 변형된 심전도 신호를 생성할 수 있다.
이와 같이 프로세서(110)는 심전도 시뮬레이터 혹은 심전도 생성 모델을 통해 심전도 신호를 생성함으로써, 실제 측정된 심전도 신호를 포함하는 심전도 데이터가 부족한 상황에서도 학습에 필요한 데이터를 충분히 마련할 수 있다. 이는 단순히 심전도 형태를 임의로 변형시키는 것이 아닌, 심전도 신호의 특성을 반영하여 형태를 변형시키는 것이므로, 심전도 데이터를 이용한 진단, 예측, 판단 등에 적합한 데이터를 마련한다는 점에서 현저한 효과가 있다. 또한, 환자 개인 정보 등 민감 정보가 포함된 데이터가 아닌 시뮬레이터 혹은 생성 모델로 만들어진 데이터가 학습에 사용되므로, 실제 측정 데이터 대비 데이터 사용의 자유도 및 활용도가 높다는 현저한 효과가 있다.
프로세서(110)는 상술한 심전도 시뮬레이터 혹은 심전도 생성 모델을 사용하여 생성된 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행할 수 있다. 자기 지도 학습의 경우, 라벨이 반드시 요구되지 않으므로, 별도의 라벨링 작업이 수행되지 않더라도 프로세서(110)는 시뮬레이터 혹은 생성 모델을 통해 생성된 심전도 데이터를 입력으로 사용하여 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델을 학습시킬 수 있다. 여기서 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델은, 사람의 건강 상태를 진단 혹은 예측을 직접 수행하는 모델 뿐만 아니라 사람의 건강 상태를 진단 혹은 예측하기 위해 필요한 특정한 태스크(탐지, 분류, 분할 등)를 수행하는 모델을 모두 포함하는 것으로 이해될 수 있다.
프로세서(110)는 실제 측정된 심전도 신호를 포함하는 제 2 심전도 데이터를 기초로, 제 1 학습이 완료된 신경망 모델에 대해, 미세 조정(fine-tuning)에 대응되는 제 2 학습을 수행할 수 있다. 여기서 미세 조정은 학습된 모델을 기반으로 사용 목적에 맞추어 모델을 변형하는 작업으로 이해될 수 있다. 이때, 모델의 변형은 모델의 신경망을 구성하는 파라미터를 미세하게 조정하는 행위로 이해될 수 있다. 예를 들어, 사람의 건강 상태 중에서 심장 질환에 대한 예측을 직접 수행하는 모델을 사용한다고 가정하면, 프로세서(110)는 심장 질환의 예측에 필요한 심전도 신호가 포함된 입력 데이터와 라벨 데이터를 기초로, 제 1 학습이 완료된 신경망 모델에 대해, 지도 학습 기반의 제 2 학습을 수행할 수 있다.
이와 같이 프로세서(110)는 자기 지도 학습 기반의 제 1 학습 및 미세 조정에 대응되는 제 2 학습을 수행함으로써, 학습에 필요한 실측 데이터가 충분히 확보되지 않은 상태에서도 사용 목적에 맞추어 높은 성능을 갖춘 모델을 생성할 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 심전도 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 심전도 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 심전도 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 스마트 워치와 같은 클라이언트 혹은 의료용 컴퓨팅 장치 등과의 통신을 통해 심전도 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 클라이언트 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따라 신경망 모델을 학습시키는 과정을 나타낸 블록도이다.
도 2를 참조하면, 신경망 모델(300)을 학습시키는 과정은 자기 지도 학습 기반의 제 1 학습을 수행하는 A 과정과 제 1 학습이 완료된 신경망 모델(300)을 미세 조정하는 제 2 학습을 수행하는 B 과정으로 구분될 수 있다.
A과정에서, 심전도 시뮬레이터(200)는 기 확보된 심전도 신호를 포함한 데이터를 입력받아 제 1 심전도 데이터(10)를 생성할 수 있다. 심전도 시뮬레이터(200)는 기 확보된 심전도 신호를 포함한 입력 데이터를 변형하여 제 1 심전도 데이터(10)를 생성할 수 있다. 이때, 심전도 시뮬레이터(200)는 상미분방정식을 기반으로 모델링 된 시뮬레이터로서, 심전도 신호의 특성을 나타내는 파라미터를 다양하게 조정하여 입력 신호를 변형할 수 있다. 예를 들어, 심전도 시뮬레이터(200)는 심전도 신호의 PQRST 특징점의 크기를 파라미터로 모사한 시뮬레이터일 수 있다. 해당 시뮬레이터는 파라미터 조정을 통해 입력 데이터의 PQRST 특징점의 크기를 변형함으로써, PQRST 특징점의 크기가 변형된 모의 심전도 신호를 생성할 수 있다. 상술한 시뮬레이터의 종류는 하나의 예시일 뿐이므로, 심전도 신호의 다양한 특성을 나타내는 파라미터를 모사하는 시뮬레이터는 본 개시의 심전도 시뮬레이터(200)에 모두 적용될 수 있다.
도 2에 도시되지 않았으나, 제 1 심전도 데이터(10)를 생성하기 위해, 심전도 시뮬레이터(200)가 아닌 심전도 생성 모델이 사용될 수도 있다. 이때, 심전도 생성 모델로는 GAN(generative adversarial network)을 비롯한 다양한 생성형 모델이 사용될 수 있다. 예를 들어, GAN 기반의 심전도 생성 모델은 심전도 신호를 입력받아 입력 신호의 형태에 근사한 모의 심전도 신호를 생성할 수 있다. 이때, 심전도 생성 모델의 출력은 입력 신호의 형태에 단순히 근사한 모의 신호가 아닌 심전도 신호의 특성인 PQRST 특징점을 기준으로 일부 형태가 변형되었지만 입력 신호에 근사한 모의 신호일 수 있다. 상술한 심전도 생성 모델의 종류는 하나의 예시일 뿐이므로, 심전도 신호의 다양한 특성을 반영하여 모의 신호를 생성하는 모델은 본 개시의 심전도 생성 모델에 모두 적용될 수 있다.
신경망 모델(300)은 제 1 심전도 데이터(10)를 입력받아 자기 지도 학습 기반의 제 1 학습을 수행할 수 있다. 이때, 자기 지도 학습 기반의 제 1 학습은, 제 1 심전도 데이터(10)와 제 1 심전도 데이터의 변형 데이터를 비교하여 신호 특징 간 유사도를 학습시키는 대조 학습(contrastive learning)을 포함할 수 있다. 예를 들어, 제 1 심전도 데이터(10)에 대한 데이터 증강을 통해 변형 데이터가 생성되면, 신경망 모델(300)은 제 1 심전도 데이터(10)와 변형 데이터는 유사한 것으로 보고 군집화 하고, 다른 추가 입력 데이터와 변형 데이터는 유사하지 않은 것으로 보고 분리하도록 학습을 수행할 수 있다. 이러한 과정을 통해 신경망 모델(300)은 제 1 심전도 데이터(10)에 대한 라벨이 없이도 심전도 신호의 특징을 학습할 수 있다. 그리고, 신경망 모델(300)은 심전도 신호의 특징을 자체적으로 학습하므로, 일반적인 지도 학습을 통해 학습할 수 있는 일반적인 심전도 신호의 특징 이외에 추가적인 특징들을 학습할 수 있다. 이는 B 과정에서 미세 조정이 수행될 때 신경망 모델(300)의 학습 효과를 더욱 향상시킬 수 있도록 도와줄 수 있다.
B 과정에서, 제 1 학습이 완료된 신경망 모델(300)은 실제 측정된 심전도 신호를 포함하는 제 2 심전도 데이터(20)를 입력받아 미세 조정에 대응되는 제 2 학습을 수행할 수 있다. 이때, B 과정은 신경망 모델(300)을 사용자의 사용 목적에 맞추어 최적화 시키기 위해서 수행되는 것이므로, 제 2 심전도 데이터(20)는 사용자의 사용 목적에 따라 수집된 실측 신호를 포함하는 데이터일 수 있다. 예를 들어, 신경망 모델(300)은 제 2 심전도 데이터(20)를 입력받아 사람의 건강 상태를 판단하기 위해 필요한 분류 태스크 혹은 분할 태스크를 수행할 수 있다. 신경망 모델(300)은 분류 태스크 혹은 분할 태스크를 수행하여 생성한 출력과 라벨 데이터(30)를 비교하는 과정을 통해 신경망 파라미터를 조정하여 심전도 신호의 특징을 학습할 수 있다. 이러한 과정을 통해 신경망 모델(300)은 사람의 건강 상태를 판단하기 위해 필요한 분류 태스크 혹은 분할 태스크에 최적화된 모델로 구축될 수 있다.
도 3은 본 개시의 일 실시예에 따른 심전도 기반 신경망 모델의 학습 방법 을 나타낸 순서도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성할 수 있다(S110). 컴퓨팅 장치(100)는 심전도 시뮬레이터에서 심전도 신호의 특성을 나타내는 파라미터를 조정함으로써, 심전도 신호의 특성이 변형된 심전도 신호를 포함하는 제 1 심전도 데이터를 생성할 수 있다. 컴퓨팅 장치(100)는 사전 학습된 심전도 생성 모델에 실제 측정된 심전도 신호를 포함하는 심전도 데이터를 입력하여, 실제 측정된 심전도 신호로부터 심전도 신호의 특성을 반영하여 변형된 심전도 신호를 포함하는 제 1 심전도 데이터를 생성할 수도 있다.
컴퓨팅 장치(100)는 제 1 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행할 수 있다(S120). 이때, 자기 지도 학습 기반의 제 1 학습은 제 1 심전도 데이터와 제 1 심전도 데이터의 변형 데이터를 비교하여 신호 특징 간 유사도를 학습시키는 대조 학습을 포함할 수 있다.
컴퓨팅 장치(100)는 실제 측정된 심전도 신호를 포함하는 제 2 심전도 데이터를 기초로, 제 1 학습이 완료된 신경망 모델에 대해, 미세 조정 에 대응되는 제 2 학습을 수행할 수 있다(S130). 컴퓨팅 장치(100)는 제 2 심전도 데이터를 제 1 학습이 완료된 신경망 모델에 입력하여, 제 1 학습이 완료된 신경망 모델이 분류 태스트 혹은 분할 태스크를 수행하도록, 지도 학습 기반의 제 2 학습을 수행할 수 있다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (9)

  1. 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심전도 기반 신경망 모델의 학습 방법으로서,
    심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 단계; 및
    상기 제 1 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 단계는,
    상기 심전도 시뮬레이터에서 심전도 신호의 특성을 나타내는 파라미터를 조정함으로써, 심전도 신호의 특성이 변형된 심전도 신호를 포함하는 제 1 심전도 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  3. 상기 제 2 항에 있어서,
    상기 심전도 시뮬레이터는,
    상미분방정식을 기반으로 모델링 된 시뮬레이터인,
    방법.
  4. 제 1 항에 있어서,
    상기 심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 단계는,
    상기 사전 학습된 심전도 생성 모델에 실제 측정된 심전도 신호를 포함하는 심전도 데이터를 입력하여, 상기 실제 측정된 심전도 신호로부터 심전도 신호의 특성을 반영하여 변형된 심전도 신호를 포함하는 제 1 심전도 데이터를 생성하는 단계;
    를 포함하는,
    방법.
  5. 제 1 항에 있어서,
    상기 자기 지도 학습 기반의 제 1 학습은,
    상기 제 1 심전도 데이터와 상기 제 1 심전도 데이터의 변형 데이터를 비교하여 신호 특징 간 유사도를 학습시키는 대조 학습(contrastive learning)을 포함하는,
    방법.
  6. 제 1 항에 있어서,
    실제 측정된 심전도 신호를 포함하는 제 2 심전도 데이터를 기초로, 상기 제 1 학습이 완료된 신경망 모델에 대해, 미세 조정(fine-tuning)에 대응되는 제 2 학습을 수행하는 단계;
    를 더 포함하는,
    방법.
  7. 제 6 항에 있어서,
    실제 측정된 심전도 신호를 포함하는 제 2 심전도 데이터를 기초로, 상기 제 1 학습이 완료된 신경망 모델에 대해, 미세 조정(fine-tuning)에 대응되는 제 2 학습을 수행하는 단계는,
    상기 제 2 심전도 데이터를 상기 제 1 학습이 완료된 신경망 모델에 입력하여, 상기 제 1 학습이 완료된 신경망 모델이 분류 태스트(task) 혹은 분할 태스크를 수행하도록, 지도 학습 기반의 제 2 학습을 수행하는 단계;
    를 포함하는,
    방법.
  8. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심전도 기반 신경망 모델의 학습을 위한 동작들을 수행하도록 하며,
    상기 동작들은,
    심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하는 동작; 및
    상기 제 1 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행하는 동작;
    을 포함하는,
    컴퓨터 프로그램.
  9. 심전도 기반 신경망 모델의 학습을 위한 컴퓨팅 장치로서,
    적어도 하나의 코어(core)를 포함하는 프로세서(processor);
    상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
    심전도 데이터를 획득하기 위한 네트워크부(network unit);
    를 포함하고,
    상기 프로세서는,
    심전도 시뮬레이터 혹은 사전 학습된 심전도 생성 모델을 이용하여 제 1 심전도 데이터를 생성하고,
    상기 제 1 심전도 데이터를 기초로, 사람의 건강 상태를 판단하기 위해 사용되는 신경망 모델에 대해, 자기 지도 학습 기반의 제 1 학습을 수행하는,
    장치.
KR1020230088974A 2022-07-14 2023-07-10 심전도 기반 신경망 모델의 학습 방법, 프로그램 및장치 KR20240009883A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/KR2023/009814 WO2024014821A1 (ko) 2022-07-14 2023-07-11 심전도 기반 신경망 모델의 학습 방법, 프로그램 및 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20220086811 2022-07-14
KR1020220086811 2022-07-14

Publications (1)

Publication Number Publication Date
KR20240009883A true KR20240009883A (ko) 2024-01-23

Family

ID=89713912

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230088974A KR20240009883A (ko) 2022-07-14 2023-07-10 심전도 기반 신경망 모델의 학습 방법, 프로그램 및장치

Country Status (1)

Country Link
KR (1) KR20240009883A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102239714A (zh) 2008-12-12 2011-11-09 阿尔卡特朗讯 基于应用层的移动金融业务的安全通信方法及其装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102239714A (zh) 2008-12-12 2011-11-09 阿尔卡特朗讯 基于应用层的移动金融业务的安全通信方法及其装置

Similar Documents

Publication Publication Date Title
US20180300621A1 (en) Learning dependencies of performance metrics using recurrent neural networks
CN114787832A (zh) 联邦机器学习的方法和服务器
CN109326353B (zh) 预测疾病终点事件的方法、装置及电子设备
CN111091278A (zh) 机械设备异常检测的边缘检测模型构建方法及装置
US20190095793A1 (en) Sensor quality upgrade framework
US20210375441A1 (en) Using clinical notes for icu management
US20200349441A1 (en) Interpretable neural network
US11508480B2 (en) Online partially rewarded learning
CN111523593A (zh) 用于分析医学影像的方法和装置
CN116569194A (zh) 联合学习
CN116739154A (zh) 一种故障预测方法及其相关设备
KR20240009883A (ko) 심전도 기반 신경망 모델의 학습 방법, 프로그램 및장치
US11308615B1 (en) Systems and processes for improving medical diagnoses
WO2024014821A1 (ko) 심전도 기반 신경망 모델의 학습 방법, 프로그램 및 장치
Christal et al. Heart diseases diagnosis using chaotic Harris Hawk optimization with E-CNN for IoMT framework
KR20230044123A (ko) 의료 데이터를 기반으로 하는 딥러닝 모델의 학습 및 추론 방법, 프로그램 및 장치
KR102442591B1 (ko) 라벨 생성 방법, 프로그램 및 장치
Ramesh et al. A remote health monitoring framework for heart disease and diabetes prediction using advanced artificial intelligence model
KR102595537B1 (ko) 행동 모니터링을 위한 딥러닝 모델의 학습 방법, 프로그램 및 장치
JP2020030702A (ja) 学習装置、学習方法及び学習プログラム
Gördén Predicting resource usage on a Kubernetes platform using Machine Learning Methods
US20240119308A1 (en) Systems and methods for model-based meta-learning
KR20240013674A (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램및 장치
KR20240026107A (ko) 생체신호 데이터의 증강 방법, 컴퓨터 프로그램 및 장치
Summer et al. A Methodology for Intelligent Offloading Decision in Mobile Cloud Computing Environments