WO2021075673A1 - 심층학습에 기반한 신호 압축 시스템 및 방법 - Google Patents

심층학습에 기반한 신호 압축 시스템 및 방법 Download PDF

Info

Publication number
WO2021075673A1
WO2021075673A1 PCT/KR2020/009428 KR2020009428W WO2021075673A1 WO 2021075673 A1 WO2021075673 A1 WO 2021075673A1 KR 2020009428 W KR2020009428 W KR 2020009428W WO 2021075673 A1 WO2021075673 A1 WO 2021075673A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
compressed
extracted
generate
weight
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2020/009428
Other languages
English (en)
French (fr)
Inventor
김동주
이학진
왕인내
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Korea University Research and Business Foundation
Original Assignee
Korea University Research and Business Foundation
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
Priority claimed from KR1020200049716A external-priority patent/KR102370622B1/ko
Application filed by Korea University Research and Business Foundation filed Critical Korea University Research and Business Foundation
Publication of WO2021075673A1 publication Critical patent/WO2021075673A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction

Definitions

  • the present invention relates to a signal compression system and method based on deep learning, and more particularly, to a signal compression system and method for compressing and reconstructing a signal using one or more encoding blocks and one or more decoding blocks.
  • the present invention relates to a signal compression system and method for improving the security and battery efficiency of a signal transmitted through a network by using weights learned in a process of compressing and decompressing a signal.
  • the technique of compressing signals is a very important technique for rethinking the efficiency of batteries.
  • signals are measured or communicated through various sensors.
  • the battery provided in the device has a limited capacity, the time to measure the signal, the types of signals that can be measured, and the acquired signal. It acts as a constraint on the amount of information to analyze or visualize. Therefore, the battery efficiency of a device measuring a signal is very important.
  • the size of the battery itself is increased to increase the capacity, or several batteries are connected in parallel to be used.
  • this method affects the heat generation, size, and charging time of the battery, and accordingly, there is a limit to be applied to various devices.
  • conventional devices for measuring biometric signals have a disadvantage in that they cannot transmit high-quality and large-capacity original signals to other devices through communication due to limited battery capacity.
  • the object of protection is defined as an element that can identify an individual, and in general, the element that can identify an individual through technology is limited to an iris, a fingerprint, and the like.
  • the object of protection is defined as an element that can identify an individual, and in general, the element that can identify an individual through technology is limited to an iris, a fingerprint, and the like.
  • the technical problem to be solved by the present invention is to provide a signal compression system and method for compressing and restoring a signal using one or more encoding blocks and one or more decoding blocks.
  • Another technical problem to be solved by the present invention is to provide a signal compression system and method for improving the security and battery efficiency of a signal transmitted through a network by using weights learned in the process of compressing and restoring a signal.
  • a measuring device for recording a measurement signal; And generating a normal signal by performing preprocessing on the measurement signal, generating a compressed signal from the normal signal using a weight set to compress the normal signal, and obtaining a reconstructed signal from the compressed signal using the weight. It may include an auto encoder device that generates and learns the weight so that a difference between the normal signal and the reconstructed signal satisfies a predetermined threshold range.
  • the auto encoder device includes: a collection unit for collecting a measurement signal; A preprocessor for generating a normal signal by performing preprocessing on the measurement signal; An encoder unit for generating a compressed signal from the normal signal by using one or more encoding blocks to which a preset weight is applied; A decoder unit for generating a reconstructed signal from the compressed signal by using at least one decoding block to which the weight is applied; And a learning unit that compares the normal signal and the reconstructed signal to generate difference information, and learns the weight so that the difference information satisfies a threshold range provided to indicate a criterion for a difference between the normal signal and the reconstructed signal. It may contain more.
  • the encoder unit generates a first extracted signal from which features of the normal signal are extracted by applying the weight to the normal signal, and generates a first reduced signal by reducing the first extracted signal according to the extracted features.
  • the encoder unit by applying the weight to the normal signal to generate a second extracted signal from which features of the normal signal are extracted, and converting the second extracted signal to a predetermined size to generate a first converted signal, the A first encoding signal may be generated by summing the first reduced signal and the first converted signal.
  • the encoder unit when a plurality of encoding blocks are provided, the encoder unit generates a third extraction signal from which features of the first encoding signal are extracted by applying the weight to the first encoding signal, and generates the third extraction signal. Reduced according to the extracted features to generate a second reduced signal, applying the weight to the normal signal to generate a fourth extracted signal from which the features of the normal signal are extracted, and presetting the fourth extracted signal
  • a second converted signal may be generated by converting it to a size, and a second encoded signal may be generated by summing the second reduced signal and the second converted signal.
  • the decoder unit generates a fifth extraction signal from which features of the compressed signal are extracted by applying the weight to the compressed signal, and generates a first enlarged signal by expanding the fifth extraction signal according to the extracted characteristics. And, by applying the weight to the compressed signal to generate a sixth extracted signal from which features of the compressed signal are extracted, and converting the sixth extracted signal to a preset size to generate a third converted signal, the A first decoding signal may be generated by summing the first enlarged signal and the third converted signal.
  • the decoder unit when a plurality of decoding blocks are provided, the decoder unit generates a seventh extraction signal from which features of the first decoding signal are extracted by applying the weight to the first decoding signal, and generates the seventh extraction signal. Reduction according to the extracted features to generate a second enlarged signal, applying the weight to the compressed signal to generate an eighth extraction signal from which the features of the compressed signal are extracted, and presetting the eighth extraction signal
  • a fourth converted signal may be generated by converting it to a size, and a second decoded signal may be generated by summing the second enlarged signal and the fourth converted signal.
  • the preprocessor may generate a normal signal by extracting one or more divided signals appearing at the same time interval from the measurement signal, and performing normalization so that the one or more divided signals satisfy the same size range.
  • the measurement signal is a biological signal measured and recorded to determine arrhythmia from a living body
  • a classification model is generated by learning the distribution of the compressed signal generated according to the type of arrhythmia, and based on the classification model
  • the The arrhythmia classification device may further include an arrhythmia classification device that determines arrhythmia according to the distribution of the compressed signal and generates arrhythmia information.
  • the arrhythmia classification apparatus determines each arrhythmia information for one or more compressed signals generated based on the measurement signal, and measures arrhythmia information representing the highest frequency according to the arrhythmia information for the one or more compressed signals. It can be determined based on the arrhythmia determination result of the signal.
  • a smart device that stores a weight set to compress the normal signal, receives the compressed signal, and provides at least one decoding block to which the weight is applied, and generates a reconstructed signal from the compressed signal. I can.
  • the smart device may receive the changed weight.
  • Another aspect of the present invention is an arrhythmia classification method using an arrhythmia classification system using a compressed signal based on deep learning, the method comprising: recording a measurement signal; Generating a normal signal by performing preprocessing on the measurement signal; Generating a compressed signal from the normal signal by using a weight set to compress the normal signal; Generating a reconstructed signal from the compressed signal using the weight; And learning the weight so that the difference between the normal signal and the reconstructed signal satisfies a predetermined threshold range.
  • a signal can be compressed and reconstructed using one or more encoding blocks and one or more decoding blocks.
  • FIG. 1 is a schematic diagram of a signal compression system according to an embodiment of the present invention.
  • FIG. 2 is a schematic diagram showing another embodiment of a signal compression system according to an embodiment of the present invention.
  • FIG. 3 is a control block diagram of the auto encoder device of FIG. 1.
  • FIG. 4 is a control block diagram of the arrhythmia classification apparatus of FIG. 2.
  • FIG. 5 is a block diagram illustrating a process of compressing and restoring a measurement signal by the auto encoder device of FIG. 3.
  • FIG. 6 is a block diagram showing a process of learning weights in the learning unit of FIG. 3.
  • FIG. 7 is a block diagram showing a process of classifying an arrhythmia in the controller of FIG. 4.
  • FIG. 8 is a block diagram illustrating a process of generating a restoration signal by the smart device of FIG. 2.
  • FIG. 9 is a schematic diagram showing an embodiment of compression and decompression performed in the auto encoder device of FIG. 1.
  • FIG. 10 is a schematic diagram showing an embodiment of a signal compressed by the auto encoder device of FIG. 1.
  • FIG. 11 is a schematic diagram showing an embodiment of an encoding block provided in the encoder of FIG. 3.
  • FIG. 12 is a schematic diagram showing an embodiment of a decoding block provided in the decoder of FIG. 3.
  • FIG. 13 is a flowchart of a signal compression method according to an embodiment of the present invention.
  • FIG. 1 is a schematic diagram of a signal compression system according to an embodiment of the present invention.
  • the signal compression system 1 may include a measuring device 100 and an auto encoder device 200.
  • the measurement device 100 may record a measurement signal.
  • the measurement signal may include a measurement signal measured from a living body, and the measurement signal may include vibration and electrical signals generated from the ground, metal, living body, machinery, electronic parts, and the like.
  • the measurement apparatus 100 may record the measured measurement signal to indicate a variation of the waveform over time, and at this time, the measurement signal may be measured so that a plurality of waveforms appear at the same time.
  • the measurement device 100 may transmit the recorded measurement signal to the auto encoder device 200.
  • the auto encoder device 200 may generate a normal signal by performing preprocessing on the measurement signal, and the auto encoder device 200 may generate a compressed signal from the normal signal using a weight set to compress the normal signal. I can. In addition, the auto encoder device 200 may generate a reconstructed signal from the compressed signal using the weight, and the auto encoder device 200 applies a weight so that the difference between the normal signal and the reconstructed signal satisfies a predetermined threshold range. You can learn.
  • the auto encoder device 200 may receive and collect the measurement signal measured by the measurement device 100, and the auto encoder device 200 generates a regular signal by performing preprocessing on the collected measurement signal. can do.
  • the auto encoder device 200 may extract one or more divided signals appearing at the same time interval from the measurement signal, and the auto encoder device 200 normalizes one or more divided signals to satisfy the same size range. It can generate a regular signal.
  • the auto encoder device 200 may set a time interval for extracting the divided signal so that the waveform of one period appearing in the measurement signal appears in one divided signal, and accordingly, the auto encoder device 200 One or more divided signals may be extracted from.
  • the auto encoder device 200 extracts information existing in a window area provided in advance from a signal, and when the extraction of information is completed, moves the window area to a later area of the extracted information, and moves A split signal can be extracted using a sliding window technique that extracts information existing in the window area.
  • the auto encoder device 200 may perform normalization so that the size range of values appearing from the extracted one or more divided signals become the same, and at this time, the auto encoder device 200 When there is a value out of the size range of the signal, the corresponding value may be substituted with the closest value within the size range of the divided signal.
  • the auto encoder device 200 may set a size range of a value for generating a regular signal so that the size of each value according to time of the measurement signal is not made insignificant by another value.
  • the normal signal may be understood as a plurality of values listed over time, and in this case, the listed plurality of values may be understood as a value for which normalization has been performed based on the measurement signal.
  • the auto encoder device 200 may prepare one or more encoding blocks to which a preset weight is applied, and the auto encoder device 200 may generate a compressed signal from a normal signal using one or more encoding blocks.
  • the encoding block may be provided to extract features of the normal signal by applying a weight to the normal signal, and the encoding block may be provided to reduce the normal signal based on the features extracted from the weighted normal signal.
  • the auto encoder device 200 may generate an extraction signal from which features of the regular signal are extracted by applying a weight to the regular signal, and the auto encoder device 200 reduces and reduces the extracted signal according to the extracted features. Can generate signals.
  • the auto encoder device 200 may input a signal processed by one or more encoding blocks to a connected encoding block, and the auto encoder device 200 features characteristics from the input signal. It is possible to increase the compression rate of the measurement signal by repeating the extraction and reduction process.
  • extracting the features of the normal signal can be understood as applying 1D-CNN (1-Dimension Convolution Neural Network) to the normal signal, and reducing the normal signal is understood as inputting the normal signal to the pooling layer.
  • the weight can be understood to mean a filter of 1D-CNN.
  • the encoding block may be provided to extract features of the normal signal by applying a weight to the normal signal, and the encoding block may be provided to convert to a predetermined size based on the features extracted from the weighted normal signal. have.
  • the auto encoder device 200 may apply a weight to the normal signal to generate an extraction signal from which features of the normal signal are extracted, and the auto encoder device 200 converts the extracted signal to a preset size. It can generate a conversion signal.
  • the auto encoder device 200 may input a normal signal generated by performing preprocessing into each encoding block, and the auto encoder device 200 may input It is possible to control to repeat the process of extracting features from the normal signal and transforming the size.
  • the size at which the normal signal from which the features are extracted is converted may be set to be the same as the size of the compressed signal from which the measurement signal is compressed, and the size of the compressed signal may be set to be the same as the size of the normal signal.
  • the encoding block may be provided such that a signal that is reduced by extracting a feature from a normal signal and a signal that has been reduced by extracting a feature from the normal signal and converted to a predetermined size are summed.
  • the auto encoder device 200 may generate an encoding signal by summing the reduced signal and the converted signal.
  • the auto encoder device 200 adds a signal that is reduced by extracting a feature from a normal signal and a signal that is converted to a preset size by extracting the feature from the normal signal. After that, the auto encoder device 200 may repeat the process of summing a signal that is converted to a predetermined size by extracting a feature from a reduced signal and a normal signal by extracting a feature from the summed signal. .
  • the auto encoder device 200 may generate a first extraction signal from which features of the regular signal are extracted by applying a weight to the regular signal, and the auto encoder device 200 may generate a first extraction signal from which the features of the regular signal are extracted.
  • the first reduction signal may be generated by reducing according to.
  • the auto encoder device 200 may generate a second extraction signal from which features of the normal signal are extracted by applying a weight to the normal signal, and the auto encoder device 200 may generate a predetermined size of the second extraction signal. By converting to, a first converted signal may be generated.
  • the auto encoder device 200 may generate a first encoding signal by summing the first reduction signal and the first converted signal, and then, the auto encoder device 200 applies a weight to the first encoding signal.
  • a third extraction signal from which features of the first encoding signal are extracted may be generated, and the auto encoder apparatus 200 may reduce the third extracted signal according to the extracted features to generate a second reduction signal.
  • the auto encoder device 200 may generate a fourth extraction signal from which features of the normal signal are extracted by applying a weight to the normal signal, and the auto encoder device 200 may generate a preset size of the fourth extraction signal. By converting to, a second converted signal may be generated.
  • the auto encoder device 200 may generate the first transformed signal and the second transformed signal to appear as the same signal when the weights set in each encoder block are the same, but the auto encoder device 200 may each When the weights set in the encoder blocks of are different, the first transformed signal and the second transformed signal may be generated to appear as different signals.
  • the auto encoder device 200 may generate a second encoding signal by summing the second reduction signal and the second converted signal, and the auto encoder device 200 repeats the above process to determine the compression rate of the normal signal. You can increase it.
  • the auto encoder device 200 may generate a compressed signal by extracting features from the signal processed by the encoding block, and at this time, the auto encoder device 200 may generate one or more 1D signals for the signal processed by the encoding block.
  • -CNN can be applied to generate a compressed signal.
  • the auto encoder device 200 may be provided with five encoding blocks.
  • a feature is extracted from a normal signal in a first encoding block, and a feature is extracted from a reduced signal and a normal signal in advance.
  • a signal converted to a set size can be summed, and the auto encoder device 200 extracts features from the summed signals in the second to fifth encoding blocks, and extracts features from the reduced signal and the normal signal, and sets them in advance.
  • the converted signal can be summed.
  • the auto encoder device 200 may generate a compressed signal by inputting signals processed by the five encoding blocks to one or more 1D-CNNs.
  • the auto encoder device 200 may provide one or more decoding blocks to which weights are applied, and the auto encoder device 200 may generate a reconstructed signal from a compressed signal using one or more decoding blocks.
  • the decoding block may be provided to extract a feature of the compressed signal by applying a weight used in the encoding block to the compressed signal, and the decoding block enlarges the compressed signal based on the feature extracted from the compressed signal to which the weight is applied. It can be arranged to be.
  • the auto encoder device 200 may generate an extraction signal from which features of the compressed signal are extracted by applying a weight to the compressed signal, and the auto encoder device 200 expands and expands the extracted signal according to the extracted features. Can generate signals.
  • the auto encoder device 200 may provide the same number of decoding blocks. In this case, the auto encoder device 200 may provide signals processed by one or more decoding blocks. May be input to the connected decoding block, and the auto encoder device 200 may restore a compressed signal compressed from the measurement signal by repeating a process of extracting and expanding features from the input signal.
  • extracting the features of the compressed signal can be understood as applying 1D-CNN (1-Dimension Convolution Neural Network) to the compressed signal, and expanding the compressed signal is understood as inputting the compressed signal to the pooling layer.
  • 1D-CNN (1-Dimension Convolution Neural Network
  • the decoding block may be provided to extract a feature of the compressed signal by applying a weight used in the encoding block to the compressed signal, and the decoding block has a size set in advance based on the feature extracted from the compressed signal to which the weight is applied. It can be arranged to convert.
  • the auto encoder device 200 may generate an extraction signal from which features of the compressed signal are extracted by applying a weight to the compressed signal, and the auto encoder device 200 converts the extracted signal into a preset size. It can generate a conversion signal.
  • the auto encoder device 200 may provide the same number of decoding blocks, and the auto encoder device 200 transfers the compressed signal compressed from the measurement signal to each decoding block. May be input, and the auto encoder device 200 may control to repeat a process of extracting features from the compressed signal input to the decoding block and converting the size.
  • the size at which the compressed signal from which the features are extracted is converted may be set to be the same as the size of the restored signal restored from the compressed signal, and the size of the restored signal may be set to be the same as the size of the normal signal.
  • the decoding block may be provided such that a signal that is a feature extracted from a compressed signal and an enlarged signal and a signal converted to a predetermined size by extracting a feature from the compressed signal are summed.
  • the auto encoder device 200 may generate a decoding signal by summing the enlarged signal and the converted signal.
  • the auto-encoder device 200 adds a signal that has been expanded by extracting a feature from a compressed signal and a signal that has been converted to a preset size by extracting a feature from the compressed signal. After that, the auto encoder device 200 may repeat a process of extracting a feature from the summed signal, extracting a feature from an enlarged signal and a compressed signal, and summing the converted signal to a preset size. .
  • the auto encoder device 200 may generate a fifth extraction signal from which features of the compressed signal are extracted by applying a weight to the compressed signal, and the auto encoder device 200 may generate a fifth extraction signal from which the features of the compressed signal are extracted.
  • the first magnification signal may be generated by expanding it.
  • the auto encoder device 200 may generate a sixth extraction signal from which features of the compressed signal are extracted by applying a weight to the compressed signal, and the auto encoder device 200 may generate a predetermined size of the sixth extraction signal. To generate a third converted signal.
  • the auto encoder device 200 may generate a first decoding signal by summing the first enlarged signal and the third converted signal, and then, the auto encoder device 200 applies a weight to the first decoding signal.
  • a seventh extraction signal from which features of the first decoding signal are extracted may be generated, and the auto encoder apparatus 200 may generate a second enlarged signal by expanding the seventh extraction signal according to the extracted features.
  • the auto encoder device 200 may generate an eighth extraction signal from which features of the compressed signal are extracted by applying a weight to the compressed signal, and the auto encoder device 200 may generate the eighth extraction signal with a preset size. To generate a fourth converted signal.
  • the auto encoder device 200 may generate the third transformed signal and the fourth transformed signal to appear as the same signal when the weights set in each decoder block are the same, but the auto encoder device 200 may each When the weights set in the decoder blocks of are different, the third transformed signal and the fourth transformed signal may be generated to appear as different signals.
  • the auto encoder device 200 may generate a second decoding signal by summing the second enlarged signal and the fourth converted signal.
  • the auto encoder device 200 is provided in the auto encoder device 200. It is possible to provide the same number of decoding blocks as the encoding blocks.
  • the auto encoder device 200 may generate a reconstructed signal by extracting features from the signal processed by the decoding block, and at this time, the auto encoder device 200 may generate one or more 1D signals for the signal processed by the decoding block.
  • -CNN can be applied to generate a reconstructed signal.
  • the auto encoder device 200 may provide 5 decoding blocks, and in this case, a feature is extracted from the compressed signal in the first decoding block and the enlarged signal And features are extracted from the compressed signal and converted into a preset size, and the auto encoder device 200 extracts features from the summed signals in the second to fifth decoding blocks to obtain an enlarged signal and Features are extracted from the compressed signal and converted into a preset size may be summed. Accordingly, the auto encoder apparatus 200 may generate a reconstructed signal by inputting the signals processed by the five decoding blocks to one or more 1D-CNNs.
  • the auto encoder device 200 may generate difference information by comparing the normal signal and the restored signal, and the auto encoder device 200 determines a threshold range provided to indicate a reference for the difference between the normal signal and the restored signal. We can learn the weights so that is satisfied.
  • the auto encoder device 200 may repeat the process of comparing the normal signal and the reconstructed signal several times by generating a compressed signal from a normal signal using different weights and generating a reconstructed signal from the compressed signal. Accordingly, the auto encoder apparatus 200 may set a weight according to difference information having the least difference between a normal signal and a reconstructed signal among difference information satisfying a threshold range to be used in the encoding block and the decoding block.
  • the compressed signal can be generated only by a decoding block according to the generated weight, and through this, the auto encoder device 200 transmits the compressed signal to an external device using a wired or wireless network. Even if the compressed signal is leaked out by a hacker during the process, it is difficult to generate a reconstructed signal from the compressed signal. As such, the auto encoder device 200 has the effect of improving the security of the signal transmitted through the network. May appear.
  • the auto encoder device 200 learns to have the original information and the compressed and restored information most similar, and accordingly, an auto encoder technique for compressing the original information or restoring the compressed information. You can use
  • the auto encoder is known as a type of unsupervised learning in which the size of the input layer and the output layer are the same.
  • the auto encoder device 200 may perform performance evaluation according to the process described below, and the following is an embodiment of performing the performance evaluation of the auto encoder device 200.
  • Table 1 shows the number of information for each type of arrhythmia collected to perform the performance evaluation of the auto encoder device 200, and for this purpose, the measurement device 100 of the signal compression system 1 is measured from a living body. It can be understood that the biometric signal was recorded as a measurement signal.
  • the measurement signals in Table 1 are 48 pieces of information extracted from ECG signals measured continuously for 24 hours from 47 subjects.
  • the weight is learned using 80% of the information held, the learned weight is verified using 10% of the information, and the remaining 10% of the information is used for the auto encoder device.
  • the process of evaluating the performance of 200 can be performed.
  • the performance evaluation of the auto encoder device 200 may perform cross-validation by repeating the performance evaluation 10 times so that information used in the process of verification and evaluation is not duplicated.
  • the performance evaluation of the auto encoder device 200 may be performed in a 32x compression model and a 64x compression model provided to enable compression of 32% and 64% of the measurement signal, and in this regard, Equation 1 Is a calculation formula of a performance evaluation index for signal compression and decompression for a measured signal.
  • O_i may mean a normal signal
  • R_i may mean a reconstructed signal
  • O_avg may mean an average value of one or more normal signals.
  • PRDN may represent an index for quantifying the difference between the normal signal and the restored signal, and PRDN may mean that the lower the value, the more the restored signal is restored to be the same as the normal signal. Accordingly, PRDN can be understood to mean difference information.
  • SNR may mean an index for comparing the relative strength of signal-to-noise, and a lower value of SNR may mean that no noise is mixed in the reconstructed signal.
  • the average PRDN may be 12.67%, and the SNR may be 43.43dB.
  • the average PRDN may be 22.98%, and the SNR may be 31.49dB.
  • Table 2 is a table showing the performance evaluation results for the 32x compression model and the 64x compression model.
  • FIG. 2 is a schematic diagram showing another embodiment of a signal compression system according to an embodiment of the present invention.
  • the signal compression system 1 may further include an arrhythmia classification device 300 and a smart device 400.
  • the arrhythmia classification apparatus 300 may generate a classification model by learning the distribution of the compressed signal generated according to the type of arrhythmia, and the arrhythmia classification apparatus 300 may generate arrhythmia according to the distribution of the compressed signal based on the generated classification model. Can be determined to generate arrhythmia information.
  • the measurement device 100 may record a biometric signal measured from a living body as a measurement signal.
  • the biosignal may mean a signal measured to detect an arrhythmia, and the biosignal may mean an electrocardiogram (ECG) that appears as a waveform of a minute current generated from the heart.
  • ECG electrocardiogram
  • the measurement device 100 may be a device capable of recording a waveform of a minute current measured from one or more electrodes attached to the user's body, and accordingly, the measurement signal measured from the measurement device 100 is P, Q, R, S and T waves.
  • the P wave may be generated by the contraction of the atrium existing in the heart, and the Q, R, S, and T waves may be generated by the ventricle existing in the heart.
  • the arrhythmia classification device 300 may receive a compressed signal from the auto encoder device 200.
  • the arrhythmia classification apparatus 300 may generate a classification model by learning the distribution of the compressed signal generated according to the type of arrhythmia, and the arrhythmia classification apparatus 300 may generate a distribution of the compressed signal based on the generated classification model. According to this, arrhythmia information may be generated by determining arrhythmia.
  • the arrhythmia information may include a normal pattern indicating a normal pulse, an abnormal impulse pattern indicating a state in which an abnormal pulse is detected, and a conduction failure pattern indicating a state in which some or all measurement signals are not detected.
  • the abnormal impulse pattern is an early atrial contraction pattern indicating a state of premature atrial contraction (PAC) in which the atrium of the heart contracts irregularly compared to the normal pulse, and the ventricle of the heart is irregularly compared with the normal pulse.
  • PAC premature atrial contraction
  • PVC premature ventricular contraction pattern indicating a state of contracting premature ventricular contraction
  • the conduction failure pattern may further include a left-angle blocking pattern indicating a left bundle branch block (LBBB) state of a conduction failure and a right-angle blocking pattern indicating a right bundle branch block (RBBB) state of conduction failure.
  • LBBB left bundle branch block
  • RBBB right bundle branch block
  • the arrhythmia classification apparatus 300 may generate a classification model by combining at least one convolution neural network (CNN) and at least one bidirectional long short-term memory (BLSTM).
  • CNN convolution neural network
  • BLSTM bidirectional long short-term memory
  • the bi-directional long-term memory has a forward layer and a reverse layer, and performs an operation on the same information through the forward and reverse layers, respectively, and a technique that combines information output from the forward and reverse layers to perform learning.
  • the arrhythmia classification apparatus 300 may extract a feature of the compressed signal using a synthetic product neural network, and then, the arrhythmia classification apparatus 300 learns the compressed signal from which the feature is extracted using a bidirectional long-term memory. You can create a classification model.
  • the arrhythmia classification device 300 may determine each arrhythmia information for one or more compressed signals generated based on the measurement signal, and the arrhythmia classification device 300 may determine the highest value according to the arrhythmia information for one or more compressed signals.
  • Arrhythmia information indicating the frequency may be determined as a result of arrhythmia determination for the measurement signal.
  • the arrhythmia classification apparatus 300 may learn a classification model with respect to the distribution of one or more compressed signals using a supervised learning technique that receives arrhythmia information from a user.
  • the arrhythmia classification apparatus 300 may classify the compressed signal into at least one of a normal pattern, an abnormal impulse pattern, and a conduction failure pattern based on the classification model.
  • the arrhythmia classification device 300 may classify a compressed signal representing an abnormal impulse pattern into at least one of an early atrial contraction pattern and an early ventricular contraction pattern based on the classification model, and the arrhythmia classification device 300 Based on the classification model, a compressed signal representing a conduction failure pattern may be classified into at least one of a left-angled blocking pattern and a right-angled blocking pattern.
  • the arrhythmia classification apparatus 300 may classify a plurality of compressed signals generated from one measurement signal as arrhythmia information, respectively, and arrhythmia information appearing with the highest frequency among the plurality of arrhythmia information It can be judged as information.
  • the arrhythmia classification apparatus 300 may set a threshold number of times for determining arrhythmia information for a measurement signal from arrhythmia information for a plurality of compressed signals, and in this case, the arrhythmia classification apparatus 300 Each of the plurality of generated compressed signals may be classified as arrhythmia information, and in this case, arrhythmia information exceeding a threshold number of times may be determined as arrhythmia information for a corresponding measurement signal. In this case, the arrhythmia classification apparatus 300 may set different threshold numbers for different arrhythmia information.
  • the arrhythmia classification apparatus 300 may perform performance evaluation according to the process described below, and the following is an embodiment of performing the performance evaluation of the arrhythmia classification apparatus 300.
  • An embodiment of the performance evaluation of the arrhythmia classification apparatus 300 may be understood as using information used in the performance evaluation of the auto encoder apparatus 200.
  • the classification model is trained using 80% of the information held, the learned classification model is verified using 10% of the information, and the remaining 10% of the information is used to evaluate the arrhythmia.
  • a process of evaluating the performance of the classification device 300 may be performed.
  • the performance evaluation of the arrhythmia classification apparatus 300 may perform cross-validation by repeating the performance evaluation 10 times so that information used in the verification and evaluation process is not duplicated.
  • performance evaluation of the arrhythmia classification apparatus 300 may be performed using a compressed signal compressed by a 32-fold compression model and a compressed signal compressed by a 64-fold compression model.
  • the performance evaluation results of the arrhythmia classification apparatus 300 using the compressed signal compressed by the 32-fold compression model and the arrhythmia classification apparatus 300 using the compressed signal compressed by the 64-fold compression model are shown in Table 3. You can check it in.
  • the smart device 400 may store a weight set to compress a regular signal, the smart device 400 may receive a compressed signal, and the smart device 400 may provide one or more decoding blocks to which the weight is applied. , It is possible to generate a reconstructed signal from the compressed signal.
  • the smart device 400 may receive a decoding block used in the auto encoder device 200.
  • the smart device 400 may receive the changed weight from the auto encoder device 200, at this time , The smart device 400 may convert the compressed signal into a reconstructed signal using a decoding block to which the changed weight is applied.
  • the smart device 400 can generate a reconstructed signal by receiving the compressed signal generated by the auto encoder device 200 by the decoding block to which the weight is applied, so the signal compression system 1 is transmitted through the network.
  • the effect of reducing the amount of information may occur.
  • the signal compression system 1 cannot obtain the weight set by the auto encoder device 200, and thus, a high level of security You can get the effect.
  • the signal compression system 1 further includes an encoding device for generating a compressed signal using an encoding block to which a weight set by the auto encoder device 200 is applied from a measurement signal measured by the measurement device 100. May be.
  • the smart device 400 may generate a reconstructed signal by receiving the compressed signal generated by the encoding device.
  • the signal compression system 1 may learn personalized weights for each user.
  • the signal compression system 1 is based on the learned weights, the normal signal and the reconstructed signal generated from the user's measurement signal.
  • the user may be distinguished by comparing the difference information according to the reference difference information with preset reference difference information.
  • the auto encoder device 200 may learn a personalized weight from the user's individual measurement signal measured from the measurement device 100, and at this time, the auto encoder device 200 is a user's individual normal signal and a restoration signal. Weights may be learned according to the reference difference information provided to indicate the criteria for the difference of.
  • the auto encoder device 200 generates a normal signal and a reconstructed signal from the measurement signal measured by the user, and generates difference information from the generated normal signal and the generated reconstructed signal, so that the reference difference information and the difference information are
  • the user who measured the measurement signal is the same person as the user who provided the measurement signal used to generate the weight based on the reference difference information.
  • the auto encoder device 200 may have an effect of using a compressed signal from a measurement signal measured by a user and a weight learned by the auto encoder device 200 as personal information.
  • the compressed signal can be generated only by a decoding block according to the generated weight, and through this, the auto encoder device 200 transmits the compressed signal to an external device using a wired or wireless network. In the process, even if the compressed signal is leaked by a hacker, it is difficult to generate a reconstructed signal from the compressed signal. As such, the auto encoder device 200 may have an effect of improving the security of the signal transmitted through the network. have.
  • FIG. 3 is a control block diagram of the auto encoder device of FIG. 1.
  • the auto encoder device 200 may include a collection unit 210, a preprocessor 220, an encoder unit 230, a decoder unit 240, a learning unit 250, and a communication unit 260.
  • the collection unit 210 may receive and collect the measurement signal measured by the measurement device 100.
  • the preprocessor 220 may generate a regular signal by performing preprocessing on the collected measurement signal.
  • the preprocessor 220 may extract one or more divided signals appearing at the same time interval from the measurement signal, and the preprocessor 220 performs normalization so that the at least one divided signal satisfies the same size range to obtain a normal signal. Can be created.
  • the preprocessor 220 may set a time interval for extracting the divided signal so that the waveform of one period appearing in the measurement signal appears in one divided signal, and accordingly, the preprocessor 220 Split signals can be extracted.
  • the preprocessor 220 may perform normalization so that the size range of values appearing from the extracted one or more divided signals becomes the same, and at this time, the preprocessor 220 may perform the size of the divided signal provided to perform normalization. If there is a value out of the range, the corresponding value may be substituted with a value closest within the size range of the divided signal.
  • the preprocessor 220 may set a size range of a value for generating a normal signal so that the size of each value according to the time of the measurement signal is not insignificant by another value.
  • the encoder unit 230 may prepare one or more encoding blocks to which a preset weight is applied, and the encoder unit 230 may generate a compressed signal from a normal signal using one or more encoding blocks.
  • the encoder unit 230 may input a signal processed by one or more encoding blocks to a connected encoding block, and the encoder unit 230 extracts features from the input signal. And it is possible to increase the compression rate of the measurement signal by repeating the process of reducing.
  • the encoder unit 230 may input a normal signal generated by pre-processing to each encoding block, and the encoder unit 230 may input a normal signal input to the encoding block. It is possible to control to repeat the process of extracting features from and transforming the size.
  • the encoder unit 230 may add a signal that is a reduced signal by extracting a feature from a normal signal and a signal that is converted to a preset size by extracting a feature from the normal signal. Thereafter, the encoder unit 230 may repeat a process of summing a signal that is converted to a predetermined size by extracting a feature from a reduced signal and a normal signal by extracting a feature from the summed signal.
  • the encoder unit 230 may generate a compressed signal by extracting features from the signal processed by the encoding block, and at this time, the encoder unit 230 may generate one or more 1D-CNNs in the signal processed by the encoding block. Can be applied to generate a compressed signal.
  • the decoder unit 240 may prepare one or more decoding blocks to which weights are applied, and the decoder unit 240 may generate a reconstructed signal from the compressed signal using one or more decoding blocks.
  • the decoder unit 240 may provide the same number of decoding blocks. In this case, the decoder unit 240 connects signals processed by one or more decoding blocks.
  • the decoding block may be input, and the decoder unit 240 may recover a compressed signal compressed from the measurement signal by repeating a process of extracting and expanding features from the input signal.
  • the decoder unit 240 may provide the same number of decoding blocks, and the decoder unit 240 may input a compressed signal compressed from the measurement signal to each decoding block.
  • the decoder unit 240 may control to repeat a process of extracting features from the compressed signal input to the decoding block and converting the size.
  • the decoder unit 240 may add a signal that is converted to a preset size by extracting a feature from the compressed signal and extracting a feature from the enlarged signal and the compressed signal. Thereafter, the decoder unit 240 may repeat a process of extracting a feature from the summed signal, extracting a feature from an enlarged signal and a compressed signal, and summing a signal converted to a preset size.
  • the decoder unit 240 may generate a reconstructed signal by extracting features from the signal processed by the decoding block, and at this time, the decoder unit 240 may generate one or more 1D-CNNs in the signal processed by the decoding block. Can be applied to generate a restoration signal.
  • the learning unit 250 may compare the normal signal and the reconstructed signal to generate difference information, and the learning unit 250 satisfies the difference information in a threshold range provided to indicate a criterion for the difference between the normal signal and the reconstructed signal. You can learn the weights to do it.
  • the learning unit 250 generates a compressed signal from the normal signal using different weights in the encoder unit 230, and generates a reconstructed signal from the compressed signal in the decoder unit 240 to generate a normal signal and a reconstructed signal. It is possible to control the comparison process to be repeated several times, and accordingly, the learning unit 250 determines the weight according to the difference information having the least difference between the normal signal and the reconstructed signal among the difference information satisfying the threshold range between the encoding block and the decoding block. Can be set to use in
  • the compressed signal can be generated only by a decoding block according to the generated weight, and through this, the auto encoder device 200 transmits the compressed signal to an external device using a wired or wireless network. In the process, even if the compressed signal is leaked by a hacker, it is difficult to generate a reconstructed signal from the compressed signal. As such, the auto encoder device 200 may have an effect of improving the security of the signal transmitted through the network. have.
  • the communication unit 260 may receive a measurement signal from the measurement device 100 through a wired or wireless network, and the communication unit 260 transmits the compressed signal generated by the encoder unit 230 through a wired or wireless network. 400), and the communication unit 260 may transmit the weight generated by the learning unit 250 to the smart device 400 through a wired or wireless network.
  • FIG. 4 is a control block diagram of the arrhythmia classification apparatus of FIG. 2.
  • the arrhythmia classification apparatus 300 may include a reception unit 310, a classification model generation unit 320, a control unit 330, and an output unit 340.
  • the receiving unit 310 may receive a compressed signal or a weight generated by the auto encoder device 200.
  • the classification model generator 320 may generate a classification model by learning a distribution of a compressed signal generated by the auto encoder device 200 according to the type of arrhythmia.
  • the classification model generator 320 may generate a classification model by combining at least one convolution neural network (CNN) and at least one bidirectional long short-term memory (BLSTM).
  • CNN convolution neural network
  • BLSTM bidirectional long short-term memory
  • the classification model generation unit 320 may extract features of the compressed signal using a synthetic product neural network, and then, the classification model generation unit 320 may generate the compressed signals from which the features are extracted using a bidirectional long-term memory. It can be trained to generate a classification model.
  • the classification model generation unit 320 may determine each arrhythmia information for one or more compressed signals generated based on the measurement signal, and the classification model generation unit 320 may determine the arrhythmia information for one or more compressed signals.
  • Arrhythmia information indicating the highest frequency may be determined as a result of arrhythmia determination for a measurement signal.
  • the classification model generation unit 320 may learn a classification model using a supervised learning technique that receives arrhythmia information from a user with respect to the distribution of one or more compressed signals.
  • the controller 330 may generate arrhythmia information by determining arrhythmia based on the generated classification model, according to the distribution of the generated compressed signal.
  • the controller 330 may classify the compressed signal into at least one of a normal pattern, an abnormal impulse pattern, and a conduction failure pattern based on the classification model.
  • control unit 330 may classify a compressed signal representing an abnormal impulse pattern into at least one of an early atrial contraction pattern and an early ventricular contraction pattern based on the classification model, and the control unit 330 is based on the classification model.
  • the compressed signal representing the conduction failure pattern may be classified into at least one of a left-angled blocking pattern and a right-angled blocking pattern.
  • the output unit 340 may output arrhythmia information on the display, and the output unit 340 may output arrhythmia information to an external device through a wired or wireless network.
  • FIG. 5 is a block diagram illustrating a process of compressing and restoring a measurement signal by the auto encoder device of FIG. 3.
  • the collection unit 210 may receive and collect a measurement signal measured by the measurement device 100, and the preprocessor 220 generates a regular signal by performing pre-processing on the collected measurement signal. can do.
  • the encoder unit 230 may prepare one or more encoding blocks to which a preset weight is applied, and the encoder unit 230 may generate a compressed signal from a normal signal using one or more encoding blocks.
  • the encoder unit 230 may add a signal that is a reduced signal by extracting a feature from a normal signal and a signal that is converted to a preset size by extracting a feature from the normal signal. Thereafter, the encoder unit 230 may repeat a process of summing a signal that is converted to a predetermined size by extracting a feature from a reduced signal and a normal signal by extracting a feature from the summed signal.
  • the encoder unit 230 may generate a compressed signal by extracting features from the signal processed by the encoding block, and at this time, the encoder unit 230 may generate one or more 1D-CNNs in the signal processed by the encoding block. Can be applied to generate a compressed signal.
  • the decoder unit 240 may prepare one or more decoding blocks to which weights are applied, and the decoder unit 240 may generate a reconstructed signal from the compressed signal using one or more decoding blocks.
  • the decoder unit 240 may add a signal that is converted to a preset size by extracting a feature from the compressed signal and extracting a feature from the enlarged signal and the compressed signal. Thereafter, the decoder unit 240 may repeat a process of extracting a feature from the summed signal, extracting a feature from an enlarged signal and a compressed signal, and summing a signal converted to a preset size.
  • the decoder unit 240 may generate a reconstructed signal by extracting features from the signal processed by the decoding block, and at this time, the decoder unit 240 may generate one or more 1D-CNNs in the signal processed by the decoding block. Can be applied to generate a restoration signal.
  • FIG. 6 is a block diagram showing a process of learning weights in the learning unit of FIG. 3.
  • the learning unit 250 may generate difference information by comparing the normal signal and the reconstructed signal, and the learning unit 250 is a threshold provided to indicate a reference for the difference between the normal signal and the reconstructed signal. The weights can be learned so that the difference information is satisfied with the range.
  • the learning unit 250 generates a compressed signal from the normal signal generated by the preprocessor 220 by using different weights in the encoder unit 230, and a reconstructed signal from the compressed signal in the decoder unit 240 It is possible to control the process of comparing the normal signal and the reconstructed signal to be repeated several times, and accordingly, the learning unit 250 includes difference information having the least difference between the normal signal and the reconstructed signal among difference information satisfying the threshold range.
  • the weight according to can be set to be used in the encoding block and the decoding block.
  • the compressed signal can be generated only by a decoding block according to the generated weight, and through this, the auto encoder device 200 transmits the compressed signal to an external device using a wired or wireless network. In the process, even if the compressed signal is leaked by a hacker, it is difficult to generate a reconstructed signal from the compressed signal. As such, the auto encoder device 200 may have an effect of improving the security of the signal transmitted through the network. have.
  • FIG. 7 is a block diagram showing a process of classifying an arrhythmia in the controller of FIG. 4.
  • the communication unit 260 of the auto encoder device 200 may transmit a compressed signal generated by the encoder unit 230 to the smart device 400 through a wired or wireless network.
  • the communication unit 260 May transmit the weight generated by the learning unit 250 to the smart device 400 through a wired or wireless network.
  • the receiving unit 310 may receive a compressed signal or a weight generated by the auto encoder device 200, and the controller 330 may receive arrhythmia according to the distribution of the generated compressed signal based on the generated classification model. Can be determined to generate arrhythmia information.
  • the classification model generation unit 320 may generate a classification model by learning the distribution of the compressed signal generated by the auto encoder device 200 according to the type of arrhythmia.
  • the output unit 340 may output arrhythmia information on the display, and the output unit 340 may output arrhythmia information to an external device through a wired or wireless network.
  • FIG. 8 is a block diagram illustrating a process of generating a restoration signal by the smart device of FIG. 2.
  • the collection unit 210 may receive and collect a measurement signal measured by the measurement device 100, and the preprocessor 220 generates a regular signal by performing pre-processing on the collected measurement signal. can do.
  • the encoder unit 230 may generate a compressed signal from the normal signal using one or more encoding blocks, and at this time, the learning unit 250 is provided to indicate a reference for the difference between the normal signal and the reconstructed signal. Weights can be learned so that the difference information satisfies the critical range.
  • the smart device 400 may receive and store a weight set to compress the regular signal from the communication unit 260 of the auto encoder device 200, and the smart device 400 may store the communication unit 260 of the auto encoder device 200.
  • a compressed signal can be received from.
  • the smart device 400 may generate one or more decoding blocks to which weights are applied to generate a reconstructed signal from the compressed signal.
  • FIG. 9 is a schematic diagram showing an embodiment of compression and decompression performed in the auto encoder device of FIG. 1.
  • the encoder unit 230 may generate a compressed signal from the normal signal using one or more encoding blocks, and the decoder unit 240 may generate a reconstructed signal from the compressed signal using one or more decoding blocks. I can.
  • FIG. 10 an embodiment showing a process in which an electrocardiogram signal is compressed by an auto encoder device can be seen.
  • the electrocardiogram signal is input to the 1D-CNN, features of each electrocardiogram signal are extracted, and accordingly, the type of arrhythmia can be classified based on the shape of each signal from which the feature is extracted.
  • the scale of the x-axis indicating the size of the signal decreases.
  • the size of the ECG signal is indicated as 800, and the size of the signal after passing through one encoding block It can be seen that is compressed to 400.
  • the ECG signal is compressed by 32 times the size of the signal to 25 by passing through 5 encoding blocks from the size of 800.
  • FIG. 11 is a schematic diagram showing an embodiment of an encoding block provided in the encoder of FIG. 3.
  • Reshape can be understood as converting a signal to a preset size.
  • the auto encoder apparatus 200 may add a signal that is reduced by extracting a feature from the normal signal and a signal that is reduced by extracting the feature from the normal signal and converted to a predetermined size.
  • the auto encoder device 200 may add a signal that is reduced by extracting a feature from a normal signal and a signal that is converted to a preset size by extracting a feature from the normal signal. Then, the auto-encoder apparatus 200 may repeat a process of summing a signal that is converted to a predetermined size by extracting a feature from a reduced signal and a normal signal by extracting a feature from the summed signal.
  • FIG. 12 is a schematic diagram showing an embodiment of a decoding block provided in the decoder of FIG. 3.
  • Reshape can be understood as converting a signal to a preset size.
  • the auto encoder apparatus 200 may add a signal that is a feature extracted from the compressed signal and then enlarged and a signal that is converted to a preset size by extracting the feature from the compressed signal.
  • the auto-encoder device 200 may add a signal that has been expanded by extracting a feature from the compressed signal and a signal that has been converted to a preset size by extracting the feature from the compressed signal. Then, the auto encoder apparatus 200 may repeat a process of extracting a feature from the summed signal, extracting a feature from an enlarged signal and a compressed signal, and summing a signal converted to a preset size.
  • FIG. 13 is a flowchart of a signal compression method according to an embodiment of the present invention.
  • the signal compression method according to an embodiment of the present invention proceeds on substantially the same configuration as the signal compression system 1 shown in FIG. 1, the same reference numerals for the same components as the signal compression system 1 of FIG. And the repeated description will be omitted.
  • the signal compression method includes recording a measurement signal (600), generating a normal signal (610), generating a compressed signal (620), generating a reconstructed signal (630), and learning a weight ( 640).
  • the measurement signal of the user may be measured.
  • the measurement signal may mean a signal that is measured to detect an arrhythmia, and the measurement signal may mean an electrocardiogram that appears as a waveform of a minute current generated from the heart.
  • a normal signal may be generated by performing preprocessing on the measurement signal.
  • the step 610 of generating the normal signal may extract one or more divided signals appearing at the same time interval from the measurement signal, and the step 610 of generating the normal signal includes the one or more divided signals having the same size range. It is possible to generate a normal signal by performing normalization to be satisfied.
  • a compressed signal may be generated from the normal signal by using a weight set to compress the normal signal.
  • the auto encoder device 200 may prepare one or more encoding blocks to which a preset weight is applied, and the step 620 of generating a compressed signal includes a compressed signal from a normal signal using one or more encoding blocks. Can be created.
  • step 620 of generating the compressed signal when a plurality of encoding blocks are provided, a signal that is reduced by extracting features from a normal signal and a reduced signal and a signal converted to a preset size by extracting features from the normal signal
  • step 620 of generating a compressed signal a feature is extracted from the summed signal and a reduced signal and a feature is extracted from the normal signal, and the converted signal is summed to a preset size.
  • the step 620 of generating the compressed signal may generate a compressed signal by extracting features from the signal processed by the encoding block.
  • the step 620 of generating the compressed signal is processed by the encoding block.
  • a compressed signal can be generated by applying one or more 1D-CNNs to the generated signal.
  • a reconstructed signal may be generated from the compressed signal by using a weight set to compress the compressed signal.
  • the auto encoder device 200 may prepare one or more decoding blocks to which a preset weight is applied, and the step 630 of generating a reconstructed signal includes a reconstructed signal from a compressed signal using one or more decoding blocks. Can be created.
  • a feature is extracted from the compressed signal, and a feature is extracted from the enlarged signal and the compressed signal is converted to a preset size.
  • a feature is extracted from the summed signal, and a feature is extracted from the enlarged signal and the compressed signal, and the converted signal is summed to a preset size.
  • the step of generating the reconstructed signal 630 may generate a reconstructed signal by extracting features from the signal processed by the decoding block, and in this case, the step of generating the reconstructed signal 630 is processed by the decoding block.
  • a reconstructed signal can be generated by applying one or more 1D-CNNs to the generated signal.
  • difference information may be generated by comparing the normal signal and the reconstructed signal, and the step 640 of learning the weight is a threshold provided to indicate a criterion for the difference between the normal signal and the restored signal.
  • the weights can be learned so that the difference information is satisfied with the range.
  • the process of comparing the normal signal and the reconstructed signal by generating a compressed signal from a normal signal using different weights and generating a reconstructed signal from the compressed signal may be repeated several times. Accordingly, in the step 640 of learning the weight, the weight according to the difference information having the least difference between the normal signal and the reconstructed signal among the difference information satisfying the threshold range may be set to be used in the encoding block and the decoding block.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

측정 신호를 기록하는 측정 장치; 및 전처리를 수행하여 정규 신호를 생성하고, 가중치를 이용하여 상기 정규 신호로부터 압축 신호를 생성하며, 가중치를 이용하여 압축 신호로부터 복원 신호를 생성하고, 정규 신호와 복원 신호의 차이가 사전에 마련되는 임계 범위를 만족하도록 가중치를 학습하는 오토 인코더 장치를 포함하는, 신호 압축 시스템을 제공한다.

Description

심층학습에 기반한 신호 압축 시스템 및 방법
본 발명은 심층학습에 기반한 신호 압축 시스템 및 방법에 관한 것으로, 보다 상세하게는, 하나 이상의 인코딩 블록과 하나 이상의 디코딩 블록을 이용하여 신호를 압축하고, 복원하는 신호 압축 시스템 및 방법에 관한 것이다.
또한, 본 발명은 신호의 압축 및 복원 과정에서 학습되는 가중치를 이용하여 네트워크를 통해 전달되는 신호의 보안성과 배터리 효율성을 향상시키는 신호 압축 시스템 및 방법에 관한 것이다.
신호를 측정하는 기기에서 신호를 압축하는 기술은 배터리의 효율성을 재고할 수 있는 매우 중요한 기술이다. IoT 혹은 웨어러블 기기들의 경우, 다양한 센서를 통해 신호를 측정하거나, 통신을 수행하며, 이때, 기기에 마련되는 배터리는 한정된 용량으로, 신호를 측정할 수 있는 시간과 측정 가능한 신호의 종류, 획득한 신호를 분석하거나, 또는, 시각화하기 위한 정보의 양 등에 대한 제약으로 작용한다. 따라서, 신호를 측정하는 기기의 배터리 효율은 매우 중요하다. 기존에는, 배터리 효율성을 높이기 위해 배터리 자체의 크기를 증가시켜 용량을 높이거나, 여러 개의 배터리를 병렬로 연결하여 사용하고 있다. 그러나, 이러한 방법은 배터리의 발열, 크기, 충전 시간 등에 영향을 주게 되며, 이에 따라, 다양한 기기에 적용하기에 한계가 존재한다. 또한, 기존의 생체신호를 측정하는 기기들의 경우, 한정된 배터리 용량으로 인해 고품질, 대용량의 원본 신호를 통신으로 다른 기기에 전달하지 못하는 단점이 있다.
한편, 기존의 개인정보 보호법 상에서 보호 대상이란, 개인을 식별할 수 있는 요소로 정의되며, 일반적으로 기술을 통해 개인을 식별할 수 있는 요소는 홍채, 지문 등에 한정되었다. 그러나, 기술의 발전에 따라 높은 정확도의 신호 분석을 통한 개인의 식별이 가능해지면서 개인 정보로서 보호되어야 하는 정보의 종류와 형태가 다양해지고 있다.
기존에는 개인정보보호를 위해, 난수를 사용한 단순한 암호화 기술들이 권장되어 사용되었으나, 이러한 종래의 기술은 컴퓨터의 성능이 좋아짐에 따라 단시간 내에 임의의 난수들을 생성하고, 지속적으로 암호 복구를 시도하는 등의 방식으로 해킹될 수 있는 가능성이 높아지고 있다. 이에 따라, 새로운 암호화 기술이 필요하며 이러한 맥락에서 개인정보를 보호하기 위한 기술로 블록체인이 주목받고 있으나, 블록체인의 경우 데이터가 체인 형태로 얽혀 있어 보안에 강하다는 장점에 반해, 데이터의 삭제가 어렵다는 치명적인 단점이 존재한다. 이러한 블록체인의 단점은 개인정보 보호법 제36조의 사항인 사용자의 의지대로 개인 정보의 삭제가 자유로이 가능해야 한다는 조항을 만족하기 어렵다.
이에 따라, 배터리와 통신의 효율성을 높이기 위해 정보를 효율적으로 압축하는 방안이 요구되는 실정이며, 또한, 개인을 식별할 수 있으며, 삭제가 용이한 새로운 형태의 보안 방안이 요구되는 실정이다.
본 발명이 해결하고자 하는 기술적 과제는 하나 이상의 인코딩 블록과 하나 이상의 디코딩 블록을 이용하여 신호를 압축하고, 복원하는 신호 압축 시스템 및 방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 다른 기술적 과제는 신호의 압축 및 복원 과정에서 학습되는 가중치를 이용하여 네트워크를 통해 전달되는 신호의 보안성과 배터리 효율성을 향상시키는 신호 압축 시스템 및 방법을 제공하는 것이다.
본 발명의 일측면은, 측정 신호를 기록하는 측정 장치; 및 상기 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성하고, 상기 정규 신호를 압축하도록 설정되는 가중치를 이용하여 상기 정규 신호로부터 압축 신호를 생성하며, 상기 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하고, 상기 정규 신호와 상기 복원 신호의 차이가 사전에 마련되는 임계 범위를 만족하도록 상기 가중치를 학습하는 오토 인코더 장치를 포함할 수 있다.
또한, 상기 오토 인코더 장치는, 측정 신호를 수집하는 수집부; 상기 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성하는 전처리부; 사전에 설정된 가중치가 적용되는 하나 이상의 인코딩 블록을 이용하여 상기 정규 신호로부터 압축 신호를 생성하는 인코더부; 상기 가중치가 적용되는 하나 이상의 디코딩 블록을 이용하여 상기 압축 신호로부터 복원 신호를 생성하는 디코더부; 및 상기 정규 신호와 상기 복원 신호를 비교하여 차이 정보를 생성하고, 상기 정규 신호와 상기 복원 신호의 차이에 대한 기준을 나타내도록 마련되는 임계 범위를 상기 차이 정보가 만족하도록 상기 가중치를 학습하는 학습부를 더 포함할 수 있다.
또한, 상기 인코더부는, 상기 정규 신호에 상기 가중치를 적용하여 상기 정규 신호의 특징이 추출된 제 1 추출 신호를 생성하고, 상기 제 1 추출 신호를 추출된 특징에 따라 축소시켜 제 1 축소 신호를 생성하고, 상기 정규 신호에 상기 가중치를 적용하여 상기 정규 신호의 특징이 추출된 제 2 추출 신호를 생성하고, 상기 제 2 추출 신호를 사전에 설정되는 크기로 변환시켜 제 1 변환 신호를 생성하며, 상기 제 1 축소 신호와 상기 제 1 변환 신호를 합산하여 제 1 인코딩 신호를 생성할 수 있다.
또한, 상기 인코더부는, 복수개의 인코딩 블록이 마련되는 경우, 상기 제 1 인코딩 신호에 상기 가중치를 적용하여 상기 제 1 인코딩 신호의 특징이 추출된 제 3 추출 신호를 생성하고, 상기 제 3 추출 신호를 추출된 특징에 따라 축소시켜 제 2 축소 신호를 생성하고, 상기 정규 신호에 상기 가중치를 적용하여 상기 정규 신호의 특징이 추출된 제 4 추출 신호를 생성하고, 상기 제 4 추출 신호를 사전에 설정되는 크기로 변환시켜 제 2 변환 신호를 생성하며, 상기 제 2 축소 신호와 상기 제 2 변환 신호를 합산하여 제 2 인코딩 신호를 생성할 수 있다.
또한, 상기 디코더부는, 상기 압축 신호에 상기 가중치를 적용하여 상기 압축 신호의 특징이 추출된 제 5 추출 신호를 생성하고, 상기 제 5 추출 신호를 추출된 특징에 따라 확대시켜 제 1 확대 신호를 생성하고, 상기 압축 신호에 상기 가중치를 적용하여 상기 압축 신호의 특징이 추출된 제 6 추출 신호를 생성하고, 상기 제 6 추출 신호를 사전에 설정되는 크기로 변환시켜 제 3 변환 신호를 생성하며, 상기 제 1 확대 신호와 상기 제 3 변환 신호를 합산하여 제 1 디코딩 신호를 생성할 수 있다.
또한, 상기 디코더부는, 복수개의 디코딩 블록이 마련되는 경우, 상기 제 1 디코딩 신호에 상기 가중치를 적용하여 상기 제 1 디코딩 신호의 특징이 추출된 제 7 추출 신호를 생성하고, 상기 제 7 추출 신호를 추출된 특징에 따라 축소시켜 제 2 확대 신호를 생성하고, 상기 압축 신호에 상기 가중치를 적용하여 상기 압축 신호의 특징이 추출된 제 8 추출 신호를 생성하고, 상기 제 8 추출 신호를 사전에 설정되는 크기로 변환시켜 제 4 변환 신호를 생성하며, 상기 제 2 확대 신호와 상기 제 4 변환 신호를 합산하여 제 2 디코딩 신호를 생성할 수 있다.
또한, 상기 전처리부는, 상기 측정 신호로부터 동일한 시간 간격으로 나타나는 하나 이상의 분할 신호를 추출하고, 상기 하나 이상의 분할 신호가 동일한 크기 범위를 만족하도록 정규화를 수행하여 정규 신호를 생성할 수 있다.
또한, 상기 측정 신호가 생체로부터 부정맥을 판단할 수 있도록 측정되어 기록되는 생체 신호인 경우, 부정맥 종류에 따라 생성된 압축 신호의 분포를 학습하여 분류 모델을 생성하고, 상기 분류 모델에 기초하여, 상기 압축 신호의 분포에 따라 부정맥을 판단하여 부정맥 정보를 생성하는 부정맥 분류 장치를 더 포함할 수 있다.
또한, 상기 부정맥 분류 장치는, 상기 측정 신호에 기초하여 생성된 하나 이상의 압축 신호에 대한 부정맥 정보를 각각 판단하고, 상기 하나 이상의 압축 신호에 대한 부정맥 정보에 따라 가장 높은 빈도를 나타내는 부정맥 정보를 상기 측정 신호에 대한 부정맥 판단 결과로 결정할 수 있다.
또한, 상기 정규 신호를 압축하도록 설정되는 가중치를 저장하고, 상기 압축 신호를 전달받으며, 상기 가중치가 적용되는 하나 이상의 디코딩 블록을 마련하여, 상기 압축 신호로부터 복원 신호를 생성하는 스마트 장치를 더 포함할 수 있다.
또한, 상기 스마트 장치는, 상기 오토 인코더 장치에 의해 상기 가중치가 변경되는 경우, 변경된 가중치를 전달받을 수 있다.
본 발명의 다른 일측면은, 심층학습에 기반하여 압축된 신호를 이용한 부정맥 분류 시스템에 의한 부정맥 분류 방법에 있어서, 측정 신호를 기록하는 단계; 상기 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성하는 단계; 상기 정규 신호를 압축하도록 설정되는 가중치를 이용하여 상기 정규 신호로부터 압축 신호를 생성하는 단계; 상기 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하는 단계; 및 상기 정규 신호와 상기 복원 신호의 차이가 사전에 마련되는 임계 범위를 만족하도록 상기 가중치를 학습하는 단계를 포함할 수 있다.
상술한 본 발명의 일측면에 따르면, 심층학습에 기반한 신호 압축 시스템 및 방법을 제공함으로써, 하나 이상의 인코딩 블록과 하나 이상의 디코딩 블록을 이용하여 신호를 압축하고, 복원할 수 있다.
또한, 상술한 본 발명의 일측면에 따르면, 심층학습에 기반한 신호 압축 시스템 및 방법을 제공함으로써, 신호의 압축 및 복원 과정에서 학습되는 가중치를 이용하여 네트워크를 통해 전달되는 신호의 보안성과 배터리 효율성을 향상시킬 수 있다.
도1은 본 발명의 일 실시예에 따른 신호 압축 시스템의 개략도이다.
도2는 본 발명의 일 실시예에 따른 신호 압축 시스템의 다른 실시예를 나타낸 개략도이다.
도3은 도1의 오토 인코더 장치의 제어블록도이다.
도4는 도2의 부정맥 분류 장치의 제어블록도이다.
도5는 도3의 오토 인코더 장치가 측정 신호를 압축 및 복원하는 과정을 나타낸 블록도이다.
도6은 도3의 학습부에서 가중치를 학습하는 과정을 나타낸 블록도이다.
도7은 도4의 제어부에서 부정맥을 분류하는 과정을 나타낸 블록도이다.
도8은 도2의 스마트 장치가 복원 신호를 생성하는 과정을 나타낸 블록도이다.
도9는 도1의 오토 인코더 장치에서 수행되는 압축 및 복원의 일 실시예를 나타낸 개략도이다.
도10은 도1의 오토 인코더 장치에 의해 압축되는 신호의 일 실시예를 나타낸 개략도이다.
도11은 도3의 인코더부에 마련되는 인코딩 블록의 일 실시예를 나타낸 개략도이다.
도12는 도3의 디코더부에 마련되는 디코딩 블록의 일 실시예를 나타낸 개략도이다.
도13은 본 발명의 일 실시예에 따른 신호 압축 방법의 순서도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예와 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도1은 본 발명의 일 실시예에 따른 신호 압축 시스템의 개략도이다.
신호 압축 시스템(1)은 측정 장치(100) 및 오토 인코더 장치(200)를 포함할 수 있다.
측정 장치(100)는 측정 신호를 기록할 수 있다. 이때, 측정 신호는 생체로부터 측정되는 측정 신호를 포함할 수 있으며, 측정 신호는 지면, 금속, 생체, 기계, 전자부품 등으로부터 나타나는 진동 및 전기 신호 등을 포함할 수도 있다.
이에 따라, 측정 장치(100)는 측정되는 측정 신호를 시간에 따른 파형의 변동을 나타내도록 기록할 수 있으며, 이때, 측정 신호는 동일한 시간에 복수개의 파형이 나타나도록 측정될 수도 있다.
측정 장치(100)는 기록된 측정 신호를 오토 인코더 장치(200)에 전달할 수 있다.
오토 인코더 장치(200)는 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성할 수 있고, 오토 인코더 장치(200)는 정규 신호를 압축하도록 설정되는 가중치를 이용하여 상기 정규 신호로부터 압축 신호를 생성할 수 있다. 또한, 오토 인코더 장치(200)는 가중치를 이용하여 압축 신호로부터 복원 신호를 생성할 수 있고, 오토 인코더 장치(200)는 정규 신호와 복원 신호의 차이가 사전에 마련되는 임계 범위를 만족하도록 가중치를 학습할 수 있다.
이와 관련하여, 오토 인코더 장치(200)는 측정 장치(100)에서 측정된 측정 신호를 전달받아 수집할 수 있으며, 오토 인코더 장치(200)는 수집된 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성할 수 있다.
이를 위해, 오토 인코더 장치(200)는 측정 신호로부터 동일한 시간 간격으로 나타나는 하나 이상의 분할 신호를 추출할 수 있으며, 오토 인코더 장치(200)는 하나 이상의 분할 신호가 동일한 크기 범위를 만족하도록 정규화를 수행하여 정규 신호를 생성할 수 있다.
이때, 오토 인코더 장치(200)는 측정 신호에서 나타나는 한 주기의 파형이 하나의 분할 신호에서 나타나도록 분할 신호를 추출하는 시간 간격이 설정될 수 있으며, 이에 따라, 오토 인코더 장치(200)는 측정 신호로부터 하나 이상의 분할 신호를 추출할 수 있다.
예를 들어, 오토 인코더 장치(200)는 신호로부터 사전에 마련되는 윈도우 영역에 존재하는 정보를 추출하고, 정보의 추출이 완료되는 경우에, 윈도우 영역을 추출된 정보의 이후 영역으로 이동시키고, 이동된 윈도우 영역에 존재하는 정보를 추출하는 슬라이딩 윈도우(Sliding Window) 기법을 이용하여 분할 신호를 추출할 수 있다.
*또한, 오토 인코더 장치(200)는 추출된 하나 이상의 분할 신호로부터 나타나는 값의 크기 범위가 동일해지도록 정규화를 수행할 수 있으며, 이때, 오토 인코더 장치(200)는 정규화를 수행하기 위해 마련되는 분할 신호의 크기 범위를 벗어나는 값이 존재하는 경우에, 해당 값을 분할 신호의 크기 범위 내에서 가장 가까운 값으로 치환할 수 있다.
여기에서, 오토 인코더 장치(200)는 측정 신호의 시간에 따른 각각의 값의 크기가 다른 값에 의해 무의미한 값이 되지 않도록 정규 신호를 생성하는 값의 크기 범위를 설정할 수 있다.
이에 따라, 정규 신호는 시간의 흐름에 따라 복수개의 값이 나열되는 것으로 이해할 수 있으며, 이때, 나열되는 복수개의 값은 측정 신호에 기초하여 정규화가 수행된 값으로 이해할 수 있다.
오토 인코더 장치(200)는 사전에 설정된 가중치가 적용되는 하나 이상의 인코딩 블록을 마련할 수 있으며, 오토 인코더 장치(200)는 하나 이상의 인코딩 블록을 이용하여 정규 신호로부터 압축 신호를 생성할 수 있다.
여기에서, 인코딩 블록은 정규 신호에 가중치를 적용하여 정규 신호의 특징을 추출하도록 마련될 수 있으며, 인코딩 블록은 가중치가 적용된 정규 신호로부터 추출된 특징에 기초하여 정규 신호를 축소시키도록 마련될 수 있다.
이에 따라, 오토 인코더 장치(200)는 정규 신호에 가중치를 적용하여 정규 신호의 특징이 추출된 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 추출 신호를 추출된 특징에 따라 축소시켜 축소 신호를 생성할 수 있다.
이때, 오토 인코더 장치(200)는 복수개의 인코딩 블록이 마련되는 경우에, 하나 이상의 인코딩 블록에 의해 처리된 신호를 연결된 인코딩 블록에 입력할 수 있으며, 오토 인코더 장치(200)는 입력된 신호로부터 특징을 추출하고, 축소시키는 과정을 반복하여 측정 신호의 압축률을 높일 수 있다.
이와 관련하여, 정규 신호의 특징을 추출하는 것은 정규 신호에 1D-CNN(1-Dimension Convolution Neural Network)를 적용하는 것으로 이해할 수 있으며, 정규 신호를 축소시키는 것은 정규 신호를 Pooling Layer에 입력하는 것으로 이해할 수 있다. 이에 따라, 가중치는 1D-CNN의 필터를 의미하는 것으로 이해할 수 있다.
또한, 인코딩 블록은 정규 신호에 가중치를 적용하여 정규 신호의 특징을 추출하도록 마련될 수 있으며, 인코딩 블록은 가중치가 적용된 정규 신호로부터 추출된 특징에 기초하여 사전에 설정되는 크기로 변환하도록 마련될 수 있다.
이에 따라, 오토 인코더 장치(200)는 정규 신호에 가중치를 적용하여 정규 신호의 특징이 추출된 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 추출 신호를 사전에 설정되는 크기로 변환시켜 변환 신호를 생성할 수 있다.
이때, 오토 인코더 장치(200)는 복수개의 인코딩 블록이 마련되는 경우에, 전처리가 수행되어 생성된 정규 신호를 각각의 인코딩 블록에 입력할 수 있으며, 오토 인코더 장치(200)는 인코딩 블록에 입력된 정규 신호로부터 특징을 추출하고, 크기를 변환시키는 과정을 반복하도록 제어할 수 있다.
이와 관련하여, 특징이 추출된 정규 신호가 변환되는 크기는 측정 신호가 압축된 압축 신호의 크기와 동일하도록 설정될 수 있으며, 압축 신호의 크기는 정규 신호의 크기와 동일하도록 설정될 수 있다.
이에 따라, 인코딩 블록은 정규 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호가 합산되도록 마련될 수 있다. 이때, 오토 인코더 장치(200)는 축소 신호와 변환 신호를 합산하여 인코딩 신호를 생성할 수 있다.
이와 관련하여, 오토 인코더 장치(200)는 복수개의 인코딩 블록이 마련되는 경우에, 정규 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 오토 인코더 장치(200)는 합산된 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
예를 들어, 오토 인코더 장치(200)는 정규 신호에 가중치를 적용하여 정규 신호의 특징이 추출된 제 1 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 제 1 추출 신호를 추출된 특징에 따라 축소시켜 제 1 축소 신호를 생성할 수 있다.
또한, 오토 인코더 장치(200)는 정규 신호에 가중치를 적용하여 정규 신호의 특징이 추출된 제 2 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 제 2 추출 신호를 사전에 설정되는 크기로 변환시켜 제 1 변환 신호를 생성할 수 있다.
이에 따라, 오토 인코더 장치(200)는 제 1 축소 신호와 제 1 변환 신호를 합산하여 제 1 인코딩 신호를 생성할 수 있으며, 이어서, 오토 인코더 장치(200)는 제 1 인코딩 신호에 가중치를 적용하여 제 1 인코딩 신호의 특징이 추출된 제 3 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 제 3 추출 신호를 추출된 특징에 따라 축소시켜 제 2 축소 신호를 생성할 수 있다.
또한, 오토 인코더 장치(200)는 정규 신호에 가중치를 적용하여 정규 신호의 특징이 추출된 제 4 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 제 4 추출 신호를 사전에 설정되는 크기로 변환시켜 제 2 변환 신호를 생성할 수 있다.
이때, 오토 인코더 장치(200)는 각각의 인코더 블록에 설정되는 가중치가 동일한 경우에, 제 1 변환 신호와 제 2 변환 신호를 동일한 신호로 나타나도록 생성할 수 있으나, 오토 인코더 장치(200)는 각각의 인코더 블록에 설정되는 가중치가 다른 경우에, 제 1 변환 신호와 제 2 변환 신호가 다른 신호로 나타나도록 생성할 수 있다.
이에 따라, 오토 인코더 장치(200)는 제 2 축소 신호와 제 2 변환 신호를 합산하여 제 2 인코딩 신호를 생성할 수 있으며, 오토 인코더 장치(200)는 이와 같은 과정을 반복하여 정규 신호의 압축률을 높일 수 있다.
이와 같이, 오토 인코더 장치(200)는 인코딩 블록에 의해 처리된 신호로부터 특징을 추출하여 압축 신호를 생성할 수 있으며, 이때, 오토 인코더 장치(200)는 인코딩 블록에 의해 처리된 신호에 하나 이상의 1D-CNN을 적용하여 압축 신호를 생성할 수 있다.
예를 들어, 오토 인코더 장치(200)는 5개의 인코딩 블록이 마련될 수 있으며, 이러한 경우에, 첫 번째 인코딩 블록에서 정규 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 오토 인코더 장치(200)는 두 번째 내지 다섯 번째 인코딩 블록에서 합산된 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있다. 이에 따라, 오토 인코더 장치(200)는 5개의 인코딩 블록에 의해 처리된 신호를 하나 이상의 1D-CNN에 입력하여 압축 신호를 생성할 수 있다.
오토 인코더 장치(200)는 가중치가 적용되는 하나 이상의 디코딩 블록을 마련할 수 있으며, 오토 인코더 장치(200)는 하나 이상의 디코딩 블록을 이용하여 압축 신호로부터 복원 신호를 생성할 수 있다.
여기에서, 디코딩 블록은 압축 신호에 인코딩 블록에서 이용된 가중치를 적용하여 압축 신호의 특징을 추출하도록 마련될 수 있으며, 디코딩 블록은 가중치가 적용된 압축 신호로부터 추출된 특징에 기초하여 압축 신호를 확대시키도록 마련될 수 있다.
이에 따라, 오토 인코더 장치(200)는 압축 신호에 가중치를 적용하여 압축 신호의 특징이 추출된 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 추출 신호를 추출된 특징에 따라 확대시켜 확대 신호를 생성할 수 있다.
이때, 오토 인코더 장치(200)는 복수개의 인코딩 블록이 마련되는 경우에, 동일 개수의 디코딩 블록을 마련할 수 있으며, 이러한 경우에, 오토 인코더 장치(200)는 하나 이상의 디코딩 블록에 의해 처리된 신호를 연결된 디코딩 블록에 입력할 수 있으며, 오토 인코더 장치(200)는 입력된 신호로부터 특징을 추출하고, 확대시키는 과정을 반복하여 측정 신호로부터 압축된 압축 신호를 복원할 수 있다.
이와 관련하여, 압축 신호의 특징을 추출하는 것은 압축 신호에 1D-CNN(1-Dimension Convolution Neural Network)를 적용하는 것으로 이해할 수 있으며, 압축 신호를 확대시키는 것은 압축 신호를 Pooling Layer에 입력하는 것으로 이해할 수 있다.
또한, 디코딩 블록은 압축 신호에 인코딩 블록에서 이용된 가중치를 적용하여 압축 신호의 특징을 추출하도록 마련될 수 있으며, 디코딩 블록은 가중치가 적용된 압축 신호로부터 추출된 특징에 기초하여 사전에 설정되는 크기로 변환하도록 마련될 수 있다.
이에 따라, 오토 인코더 장치(200)는 압축 신호에 가중치를 적용하여 압축 신호의 특징이 추출된 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 추출 신호를 사전에 설정되는 크기로 변환시켜 변환 신호를 생성할 수 있다.
이때, 오토 인코더 장치(200)는 복수개의 인코딩 블록이 마련되는 경우에, 동일한 개수의 디코딩 블록을 마련할 수 있으며, 오토 인코더 장치(200)는 측정 신호로부터 압축된 압축 신호를 각각의 디코딩 블록에 입력할 수 있으며, 오토 인코더 장치(200)는 디코딩 블록에 입력된 압축 신호로부터 특징을 추출하고, 크기를 변환시키는 과정을 반복하도록 제어할 수 있다.
이와 관련하여, 특징이 추출된 압축 신호가 변환되는 크기는 압축 신호로부터 복원되는 복원 신호의 크기와 동일하도록 설정될 수 있으며, 복원 신호의 크기는 정규 신호의 크기와 동일하도록 설정될 수 있다.
이에 따라, 디코딩 블록은 압축 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호가 합산되도록 마련될 수 있다. 이때, 오토 인코더 장치(200)는 확대 신호와 변환 신호를 합산하여 디코딩 신호를 생성할 수 있다.
이와 관련하여, 오토 인코더 장치(200)는 복수개의 디코딩 블록이 마련되는 경우에, 압축 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 오토 인코더 장치(200)는 합산된 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
예를 들어, 오토 인코더 장치(200)는 압축 신호에 가중치를 적용하여 압축 신호의 특징이 추출된 제 5 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 제 5 추출 신호를 추출된 특징에 따라 확대시켜 제 1 확대 신호를 생성할 수 있다.
또한, 오토 인코더 장치(200)는 압축 신호에 가중치를 적용하여 압축 신호의 특징이 추출된 제 6 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 제 6 추출 신호를 사전에 설정되는 크기로 변환시켜 제 3 변환 신호를 생성할 수 있다.
이에 따라, 오토 인코더 장치(200)는 제 1 확대 신호와 제 3 변환 신호를 합산하여 제 1 디코딩 신호를 생성할 수 있으며, 이어서, 오토 인코더 장치(200)는 제 1 디코딩 신호에 가중치를 적용하여 제 1 디코딩 신호의 특징이 추출된 제 7 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 제 7 추출 신호를 추출된 특징에 따라 확대시켜 제 2 확대 신호를 생성할 수 있다.
또한, 오토 인코더 장치(200)는 압축 신호에 가중치를 적용하여 압축 신호의 특징이 추출된 제 8 추출 신호를 생성할 수 있고, 오토 인코더 장치(200)는 제 8 추출 신호를 사전에 설정되는 크기로 변환시켜 제 4 변환 신호를 생성할 수 있다.
이때, 오토 인코더 장치(200)는 각각의 디코더 블록에 설정되는 가중치가 동일한 경우에, 제 3 변환 신호와 제 4 변환 신호를 동일한 신호로 나타나도록 생성할 수 있으나, 오토 인코더 장치(200)는 각각의 디코더 블록에 설정되는 가중치가 다른 경우에, 제 3 변환 신호와 제 4 변환 신호가 다른 신호로 나타나도록 생성할 수 있다.
이에 따라, 오토 인코더 장치(200)는 제 2 확대 신호와 제 4 변환 신호를 합산하여 제 2 디코딩 신호를 생성할 수 있으며, 이때, 오토 인코더 장치(200)는 오토 인코더 장치(200)에 마련되는 인코딩 블록과 동일한 개수의 디코딩 블록을 마련할 수 있다.
이와 같이, 오토 인코더 장치(200)는 디코딩 블록에 의해 처리된 신호로부터 특징을 추출하여 복원 신호를 생성할 수 있으며, 이때, 오토 인코더 장치(200)는 디코딩 블록에 의해 처리된 신호에 하나 이상의 1D-CNN을 적용하여 복원 신호를 생성할 수 있다.
예를 들어, 오토 인코더 장치(200)는 5개의 인코딩 블록이 마련되는 경우에, 5개의 디코딩 블록을 마련할 수 있으며, 이러한 경우에, 첫 번째 디코딩 블록에서 압축 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 오토 인코더 장치(200)는 두 번째 내지 다섯 번째 디코딩 블록에서 합산된 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있다. 이에 따라, 오토 인코더 장치(200)는 5개의 디코딩 블록에 의해 처리된 신호를 하나 이상의 1D-CNN에 입력하여 복원 신호를 생성할 수 있다.
오토 인코더 장치(200)는 정규 신호와 복원 신호를 비교하여 차이 정보를 생성할 수 있고, 오토 인코더 장치(200)는 정규 신호와 복원 신호의 차이에 대한 기준을 나타내도록 마련되는 임계 범위를 차이 정보가 만족하도록 가중치를 학습할 수 있다.
이를 위해, 오토 인코더 장치(200)는 서로 다른 가중치를 이용하여 정규 신호로부터 압축 신호를 생성하고, 압축 신호로부터 복원 신호를 생성하여 정규 신호와 복원 신호를 비교하는 과정을 수회 반복할 수 있으며, 이에 따라, 오토 인코더 장치(200)는 임계 범위를 만족하는 차이 정보 중 정규 신호와 복원 신호의 차이가 가장 적은 차이 정보에 따른 가중치를 인코딩 블록과 디코딩 블록에서 이용하도록 설정할 수 있다.
이에 따라, 압축 신호는 생성된 가중치에 따른 디코딩 블록에 의해서만 복원 신호가 생성될 수 있으며, 이를 통해, 오토 인코더 장치(200)는 압축 신호를 유선 또는 무선 네트워크를 이용하여 외부에 마련되는 장치에 전달하는 과정에서 압축 신호가 해커(Hacker)에 의해 유출되더라도, 압축 신호로부터 복원 신호를 생성하는데 어려움이 있으며, 이와 같이, 오토 인코더 장치(200)는 네트워크를 통해 전달되는 신호의 보안성이 향상되는 효과가 나타날 수 있다.
이와 관련하여, 오토 인코더 장치(200)는 원래의 정보와 압축되어 복원된 정보가 가장 유사하도록 학습되며, 이에 따라, 원래의 정보를 압축하거나, 압축된 정보를 복원하는 오토 인코더(Auto Encoder) 기법을 이용할 수 있다.
한편, 오토 인코더는 입력층과 출력층의 크기가 동일하도록 마련되는 비지도 학습(Unsupervised Learning)의 한 종류로 알려져 있다.
오토 인코더 장치(200)는 아래에서 설명하는 과정에 따라 성능 평가가 수행될 수 있으며, 아래는 오토 인코더 장치(200)의 성능 평가를 수행하는 일 실시예이다.
이와 관련하여, 표 1은 오토 인코더 장치(200)의 성능 평가를 수행하기 위해 수집된 부정맥 유형별 정보의 개수를 나타내며, 이를 위해, 신호 압축 시스템(1)의 측정 장치(100)는 생체로부터 측정되는 생체 신호를 측정 신호로서 기록한 것으로 이해할 수 있다.
[표 1]
Figure PCTKR2020009428-appb-I000001
이때, 표1의 측정 신호는 47명의 피험자로부터 24시간 연속으로 측정된 심전도 신호로부터 추출된 48개의 정보이다.
오토 인코더 장치(200)의 성능 평가는 보유한 정보 중 80%의 정보를 이용하여 가중치를 학습하고, 10%의 정보를 이용하여 학습된 가중치를 검증하며, 나머지 10%의 정보를 이용하여 오토 인코더 장치(200)의 성능을 평가하는 과정을 수행할 수 있다.
이때, 오토 인코더 장치(200)의 성능 평가는 검증 및 평가의 과정에서 이용되는 정보가 중복되지 않도록 성능 평가를 10회 반복하여 교차 검증을 수행할 수 있다.
또한, 오토 인코더 장치(200)의 성능 평가는 측정 신호에 대한 32% 및 64%의 압축이 가능하도록 마련되는 32배 압축 모델과 64배 압축 모델에서 수행될 수 있으며, 이와 관련하여, 수학식 1은 측정 신호에 대한 신호 압축 및 복원에 대한 성능 평가 지표의 계산식이다.
[수학식 1]
Figure PCTKR2020009428-appb-I000002
여기에서, O_i는 정규 신호를 의미할 수 있으며, R_i는 복원 신호를 의미할 수 있다. 또한, O_avg는 하나 이상의 정규 신호의 평균 값을 의미할 수 있다.
또한, PRDN은 정규 신호와 복원 신호 간의 차이를 정량화하는 지표를 나타낼 수 있으며, PRDN은 수치가 낮을수록 복원 신호가 정규 신호와 동일하게 복원된 것을 의미할 수 있다. 이에 따라, PRDN은 차이 정보를 의미하는 것으로 이해할 수 있다.
또한, SNR은 신호 대 잡음의 상대적 세기를 비교하는 지표를 의미할 수 있으며, SNR은 수치가 낮을수록 복원 신호에 잡음이 섞이지 않은 것을 의미할 수 있다.
한편, 32배 압축 모델의 성능 평가 결과는 평균 PRDN이 12.67%로 나타나며, SNR은 43.43dB로 나타날 수 있다. 또한, 64배 압축 모델의 성능 평가 결과는 평균 PRDN이 22.98%로 나타나며, SNR은 31.49dB로 나타날 수 있다.
표2는 32배 압축 모델과 64배 압축 모델에 대한 성능 평가 결과를 나타낸 표이다.
[표 2]
Figure PCTKR2020009428-appb-I000003
도2는 본 발명의 일 실시예에 따른 신호 압축 시스템의 다른 실시예를 나타낸 개략도이다.
신호 압축 시스템(1)은 부정맥 분류 장치(300) 및 스마트 장치(400)를 더 포함할 수 있다.
부정맥 분류 장치(300)는 부정맥 종류에 따라 생성된 압축 신호의 분포를 학습하여 분류 모델을 생성할 수 있고, 부정맥 분류 장치(300)는 생성된 분류 모델에 기초하여, 압축 신호의 분포에 따라 부정맥을 판단하여 부정맥 정보를 생성할 수 있다.
이러한 경우에, 측정 장치(100)는 생체로부터 측정되는 생체 신호를 측정 신호로서 기록할 수 있다. 여기에서, 생체 신호는 부정맥을 검출할 수 있도록 측정되는 신호를 의미할 수 있으며, 생체 신호는 심장에서 발생하는 미세한 전류의 파형으로 나타나는 심전도(ECG: Electrocardiogram)를 의미할 수 있다.
이를 위해, 측정 장치(100)는 사용자의 신체 상에 부착되는 하나 이상의 전극으로부터 측정되는 미세한 전류의 파형을 기록할 수 있는 장치일 수 있으며, 이에 따라, 측정 장치(100)로부터 측정되는 측정 신호는 P, Q, R, S 및 T 파를 포함할 수 있다.
이때, P 파는 심장에 존재하는 심방의 수축에 의해 발생할 수 있으며, Q, R, S 및 T 파는 심장에 존재하는 심실에 의해 발생할 수 있다.
부정맥 분류 장치(300)는 오토 인코더 장치(200)로부터 압축 신호를 전달받을 수 있다.
이에 따라, 부정맥 분류 장치(300)는 부정맥 종류에 따라 생성된 압축 신호의 분포를 학습하여 분류 모델을 생성할 수 있고, 부정맥 분류 장치(300)는 생성된 분류 모델에 기초하여, 압축 신호의 분포에 따라 부정맥을 판단하여 부정맥 정보를 생성할 수 있다.
여기에서, 부정맥 정보는 정상 맥박을 나타내는 정상 패턴, 비정상적인 맥박이 검출되는 상태를 나타내는 비정상 임펄스 패턴 및 일부 또는 전체 측정 신호가 검출되지 않는 상태를 나타내는 전도 장애 패턴을 포함할 수 있다.
또한, 비정상 임펄스 패턴은 심장의 심방이 정상 맥박과 비교하여, 불규칙하게 수축하는 조기 심방 수축(PAC: Premature Atrial Contraction) 상태를 나타내는 조기 심방 수축 패턴 및 심장의 심실이 정상 맥박과 비교하여, 불규칙하게 수축하는 조기 심실 수축(PVC: Premature Ventricular Contraction) 상태를 나타내는 조기 심실 수축 패턴을 더 포함할 수 있다.
또한, 전도 장애 패턴은 전도 장애의 좌각 차단(LBBB: left bundle branch block) 상태를 나타내는 좌각 차단 패턴 및 전도 장애의 우각 차단(RBBB: Right bundle branch block) 상태를 나타내는 우각 차단 패턴을 더 포함할 수 있다.
부정맥 분류 장치(300)는 하나 이상의 합성 곱 신경망(CNN: Convolution Neural Network)과 하나 이상의 양방향 장단기 메모리(BLSTM: Bidirectional Long Short-Term Memory)를 조합하여 분류 모델을 생성할 수 있다.
여기에서, 양방향 장단기 메모리는 순방향 레이어와 역방향 레이어를 구비하여, 동일한 정보를 순방향 레이어와 역방향 레이어를 통해 각각 연산을 수행하고, 순방향 레이어와 역방향 레이어로부터 각각 출력되는 정보를 결합하여 학습을 수행하는 기법으로 이해할 수 있다.
이에 따라, 부정맥 분류 장치(300)는 합성 곱 신경망을 이용하여 압축 신호의 특징을 추출할 수 있으며, 이어서, 부정맥 분류 장치(300)는 양방향 장단기 메모리를 이용하여 특징이 추출된 압축 신호를 학습하여 분류 모델을 생성할 수 있다.
이때, 부정맥 분류 장치(300)는 측정 신호에 기초하여 생성된 하나 이상의 압축 신호에 대한 부정맥 정보를 각각 판단할 수 있으며, 부정맥 분류 장치(300)는 하나 이상의 압축 신호에 대한 부정맥 정보에 따라 가장 높은 빈도를 나타내는 부정맥 정보를 측정 신호에 대한 부정맥 판단 결과로 결정할 수 있다.
이와 관련하여, 부정맥 분류 장치(300)는 하나 이상의 압축 신호에 대한 분포에 대해, 사용자로부터 부정맥 정보를 입력 받는 지도 학습(Supervised Learning) 기법을 이용하여 분류 모델을 학습할 수 있다.
이에 따라, 부정맥 분류 장치(300)는 분류 모델에 기초하여, 압축 신호를 정상 패턴, 비정상 임펄스 패턴 및 전도 장애 패턴 중 적어도 하나의 패턴으로 분류할 수 있다.
또한, 부정맥 분류 장치(300)는 분류 모델에 기초하여, 비정상 임펄스 패턴을 나타내는 압축 신호를 조기 심방 수축 패턴 및 조기 심실 수축 패턴 중 적어도 하나의 패턴으로 분류할 수 있으며, 부정맥 분류 장치(300)는 분류 모델에 기초하여, 전도 장애 패턴을 나타내는 압축 신호를 좌각 차단 패턴 및 우각 차단 패턴 중 적어도 하나의 패턴으로 분류할 수 있다.
이에 따라, 부정맥 분류 장치(300)는 하나의 측정 신호로부터 생성되는 복수개의 압축 신호를 각각 부정맥 정보로 분류할 수 있으며, 복수개의 부정맥 정보 중 가장 높은 빈도로 나타나는 부정맥 정보를 해당 측정 신호에 대한 부정맥 정보로서 판단할 수 있다.
또는, 부정맥 분류 장치(300)는 복수개의 압축 신호에 대한 부정맥 정보로부터 측정 신호에 대한 부정맥 정보를 판단하는 임계 횟수를 설정할 수 있으며, 이러한 경우에, 부정맥 분류 장치(300)는 하나의 측정 신호로부터 생성되는 복수개의 압축 신호를 각각 부정맥 정보로 분류할 수 있으며, 이때, 임계 횟수를 초과하는 부정맥 정보를 해당 측정 신호에 대한 부정맥 정보로서 판단할 수 있다. 이때, 부정맥 분류 장치(300)는 서로 다른 부정맥 정보에 대해 서로 다른 임계 횟수를 설정할 수도 있다.
부정맥 분류 장치(300)는 아래에서 설명하는 과정에 따라 성능 평가가 수행될 수 있으며, 아래는 부정맥 분류 장치(300)의 성능 평가를 수행하는 일 실시예이다.
부정맥 분류 장치(300)의 성능 평가에 대한 일 실시예는 오토 인코더 장치(200)의 성능 평가에서 이용된 정보를 이용하는 것으로 이해할 수 있다.
부정맥 분류 장치(300)의 성능 평가는 보유한 정보 중 80%의 정보를 이용하여 분류 모델을 학습하고, 10%의 정보를 이용하여 학습된 분류 모델을 검증하며, 나머지 10%의 정보를 이용하여 부정맥 분류 장치(300)의 성능을 평가하는 과정을 수행할 수 있다.
이때, 부정맥 분류 장치(300)의 성능 평가는 검증 및 평가의 과정에서 이용되는 정보가 중복되지 않도록 성능 평가를 10회 반복하여 교차 검증을 수행할 수 있다.
또한, 부정맥 분류 장치(300)의 성능 평가는 32배 압축 모델에 의해 압축된 압축 신호와 64배 압축 모델에 의해 압축된 압축 신호를 이용하여 수행될 수 있다.
이에 따라, 32배 압축 모델에 의해 압축된 압축 신호를 이용한 부정맥 분류 장치(300)의 성능 평가와 64배 압축 모델에 의해 압축된 압축 신호를 이용한 부정맥 분류 장치(300)의 성능 평가 결과는 표3에서 확인할 수 있다.
[표 3]
Figure PCTKR2020009428-appb-I000004
스마트 장치(400)는 정규 신호를 압축하도록 설정되는 가중치를 저장할 수 있고, 스마트 장치(400)는 압축 신호를 전달받을 수 있으며, 스마트 장치(400)는 가중치가 적용되는 하나 이상의 디코딩 블록을 마련하여, 압축 신호로부터 복원 신호를 생성할 수 있다.
여기에서, 스마트 장치(400)는 오토 인코더 장치(200)에서 이용되는 디코딩 블록을 전달받을 수도 있다.
이와 관련하여, 스마트 장치(400)는 오토 인코더 장치(200)에서 설정되는 가중치가 오토 인코더 장치(200)에 의해 변경되는 경우에, 오토 인코더 장치(200)로부터 변경된 가중치를 전달받을 수 있으며, 이때, 스마트 장치(400)는 변경된 가중치가 적용된 디코딩 블록을 이용하여 압축 신호를 복원 신호로 변환할 수 있다.
이에 따라, 스마트 장치(400)는 가중치가 적용된 디코딩 블록에 의해, 오토 인코더 장치(200)에서 생성되는 압축 신호를 전달받아 복원 신호를 생성할 수 있으므로, 신호 압축 시스템(1)은 네트워크를 통해 전송되는 정보의 양이 적어지는 효과가 발생할 수 있으며, 또한, 신호 압축 시스템(1)은 압축 신호의 패킷이 감청되는 경우에도, 오토 인코더 장치(200)에서 설정된 가중치를 얻을 수 없으므로, 높은 강도의 보안 효과를 얻을 수 있다.
이를 위해, 신호 압축 시스템(1)은 측정 장치(100)에서 측정되는 측정 신호로부터, 오토 인코더 장치(200)에서 설정되는 가중치가 적용된 인코딩 블록을 이용하여 압축 신호를 생성하는 인코딩 장치를 더 포함할 수도 있다.
이러한 경우에, 스마트 장치(400)는 인코딩 장치에서 생성되는 압축 신호를 전달받아 복원 신호를 생성할 수 있다.
한편, 신호 압축 시스템(1)은 사용자 별로 개인화된 가중치를 학습할 수도 있으며, 이러한 경우에, 신호 압축 시스템(1)은 학습된 가중치에 기초하여, 사용자의 측정 신호로부터 생성되는 정규 신호와 복원 신호에 따른 차이 정보를 사전에 설정되는 기준 차이 정보와 비교하여 사용자를 구별할 수 있다.
이를 위해, 오토 인코더 장치(200)는 측정 장치(100)로부터 측정된 사용자 개인의 측정 신호로부터 개인화된 가중치를 학습할 수 있으며, 이때, 오토 인코더 장치(200)는 사용자 개인의 정규 신호와 복원 신호의 차이에 대한 기준을 나타내도록 마련되는 기준 차이 정보에 따라, 가중치를 학습할 수 있다.
이에 따라, 오토 인코더 장치(200)는 사용자에 의해 측정된 측정 신호로부터 정규 신호와 복원 신호를 생성하고, 생성된 정규 신호와 생성된 복원 신호로부터 차이 정보를 생성하여, 기준 차이 정보와 차이 정보가 동일한 것으로 판단되는 경우에, 측정 신호를 측정한 사용자가 기준 차이 정보에 의해 가중치가 생성되는데 이용된 측정 신호를 제공한 사용자와 동일인인 것으로 판단할 수 있다.
이와 같이, 오토 인코더 장치(200)는 사용자에 의해 측정된 측정 신호로부터 압축 신호와 오토 인코더 장치(200)에 의해 학습되는 가중치를 개인정보로서 이용할 수 있는 효과가 발생할 수 있다.
이와 같이, 압축 신호는 생성된 가중치에 따른 디코딩 블록에 의해서만 복원 신호가 생성될 수 있으며, 이를 통해, 오토 인코더 장치(200)는 압축 신호를 유선 또는 무선 네트워크를 이용하여 외부에 마련되는 장치에 전달하는 과정에서 압축 신호가 해커에 의해 유출되더라도, 압축 신호로부터 복원 신호를 생성하는데 어려움이 있으며, 이와 같이, 오토 인코더 장치(200)는 네트워크를 통해 전달되는 신호의 보안성이 향상되는 효과가 나타날 수 있다.
도3은 도1의 오토 인코더 장치의 제어블록도이다.
오토 인코더 장치(200)는 수집부(210), 전처리부(220), 인코더부(230), 디코더부(240), 학습부(250) 및 통신부(260)를 포함할 수 있다.
수집부(210)는 측정 장치(100)에서 측정된 측정 신호를 전달받아 수집할 수 있다.
전처리부(220)는 수집된 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성할 수 있다.
이를 위해, 전처리부(220)는 측정 신호로부터 동일한 시간 간격으로 나타나는 하나 이상의 분할 신호를 추출할 수 있으며, 전처리부(220)는 하나 이상의 분할 신호가 동일한 크기 범위를 만족하도록 정규화를 수행하여 정규 신호를 생성할 수 있다.
이때, 전처리부(220)는 측정 신호에서 나타나는 한 주기의 파형이 하나의 분할 신호에서 나타나도록 분할 신호를 추출하는 시간 간격을 설정할 수 있으며, 이에 따라, 전처리부(220)는 측정 신호로부터 하나 이상의 분할 신호를 추출할 수 있다.
또한, 전처리부(220)는 추출된 하나 이상의 분할 신호로부터 나타나는 값의 크기 범위가 동일해지도록 정규화를 수행할 수 있으며, 이때, 전처리부(220)는 정규화를 수행하기 위해 마련되는 분할 신호의 크기 범위를 벗어나는 값이 존재하는 경우에, 해당 값을 분할 신호의 크기 범위 내에서 가장 가까운 값으로 치환할 수 있다.
여기에서, 전처리부(220)는 측정 신호의 시간에 따른 각각의 값의 크기가 다른 값에 의해 무의미한 값이 되지 않도록 정규 신호를 생성하는 값의 크기 범위를 설정할 수 있다.
인코더부(230)는 사전에 설정된 가중치가 적용되는 하나 이상의 인코딩 블록을 마련할 수 있으며, 인코더부(230)는 하나 이상의 인코딩 블록을 이용하여 정규 신호로부터 압축 신호를 생성할 수 있다.
이때, 인코더부(230)는 복수개의 인코딩 블록이 마련되는 경우에, 하나 이상의 인코딩 블록에 의해 처리된 신호를 연결된 인코딩 블록에 입력할 수 있으며, 인코더부(230)는 입력된 신호로부터 특징을 추출하고, 축소시키는 과정을 반복하여 측정 신호의 압축률을 높일 수 있다.
또한, 인코더부(230)는 복수개의 인코딩 블록이 마련되는 경우에, 전처리가 수행되어 생성된 정규 신호를 각각의 인코딩 블록에 입력할 수 있으며, 인코더부(230)는 인코딩 블록에 입력된 정규 신호로부터 특징을 추출하고, 크기를 변환시키는 과정을 반복하도록 제어할 수 있다.
이와 관련하여, 인코더부(230)는 복수개의 인코딩 블록이 마련되는 경우에, 정규 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 인코더부(230)는 합산된 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
이에 따라, 인코더부(230)는 인코딩 블록에 의해 처리된 신호로부터 특징을 추출하여 압축 신호를 생성할 수 있으며, 이때, 인코더부(230)는 인코딩 블록에 의해 처리된 신호에 하나 이상의 1D-CNN을 적용하여 압축 신호를 생성할 수 있다.
디코더부(240)는 가중치가 적용되는 하나 이상의 디코딩 블록을 마련할 수 있으며, 디코더부(240)는 하나 이상의 디코딩 블록을 이용하여 압축 신호로부터 복원 신호를 생성할 수 있다.
이때, 디코더부(240)는 복수개의 인코딩 블록이 마련되는 경우에, 동일 개수의 디코딩 블록을 마련할 수 있으며, 이러한 경우에, 디코더부(240)는 하나 이상의 디코딩 블록에 의해 처리된 신호를 연결된 디코딩 블록에 입력할 수 있으며, 디코더부(240)는 입력된 신호로부터 특징을 추출하고, 확대시키는 과정을 반복하여 측정 신호로부터 압축된 압축 신호를 복원할 수 있다.
또한, 디코더부(240)는 복수개의 인코딩 블록이 마련되는 경우에, 동일한 개수의 디코딩 블록을 마련할 수 있으며, 디코더부(240)는 측정 신호로부터 압축된 압축 신호를 각각의 디코딩 블록에 입력할 수 있으며, 디코더부(240)는 디코딩 블록에 입력된 압축 신호로부터 특징을 추출하고, 크기를 변환시키는 과정을 반복하도록 제어할 수 있다.
이와 관련하여, 디코더부(240)는 복수개의 디코딩 블록이 마련되는 경우에, 압축 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 디코더부(240)는 합산된 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
이에 따라, 디코더부(240)는 디코딩 블록에 의해 처리된 신호로부터 특징을 추출하여 복원 신호를 생성할 수 있으며, 이때, 디코더부(240)는 디코딩 블록에 의해 처리된 신호에 하나 이상의 1D-CNN을 적용하여 복원 신호를 생성할 수 있다.
학습부(250)는 정규 신호와 복원 신호를 비교하여 차이 정보를 생성할 수 있고, 학습부(250)는 정규 신호와 복원 신호의 차이에 대한 기준을 나타내도록 마련되는 임계 범위를 차이 정보가 만족하도록 가중치를 학습할 수 있다.
이를 위해, 학습부(250)는 인코더부(230)에서 서로 다른 가중치를 이용하여 정규 신호로부터 압축 신호를 생성하고, 디코더부(240)에서 압축 신호로부터 복원 신호를 생성하여 정규 신호와 복원 신호를 비교하는 과정을 수회 반복하도록 제어할 수 있으며, 이에 따라, 학습부(250)는 임계 범위를 만족하는 차이 정보 중 정규 신호와 복원 신호의 차이가 가장 적은 차이 정보에 따른 가중치를 인코딩 블록과 디코딩 블록에서 이용하도록 설정할 수 있다.
이에 따라, 압축 신호는 생성된 가중치에 따른 디코딩 블록에 의해서만 복원 신호가 생성될 수 있으며, 이를 통해, 오토 인코더 장치(200)는 압축 신호를 유선 또는 무선 네트워크를 이용하여 외부에 마련되는 장치에 전달하는 과정에서 압축 신호가 해커에 의해 유출되더라도, 압축 신호로부터 복원 신호를 생성하는데 어려움이 있으며, 이와 같이, 오토 인코더 장치(200)는 네트워크를 통해 전달되는 신호의 보안성이 향상되는 효과가 나타날 수 있다.
통신부(260)는 측정 장치(100)로부터 측정 신호를 유선 또는 무선 네트워크를 통해 전달받을 수 있고, 통신부(260)는 인코더부(230)에서 생성되는 압축 신호를 유선 또는 무선 네트워크를 통해 스마트 장치(400)에 전달할 수 있으며, 통신부(260)는 학습부(250)에서 생성되는 가중치를 유선 또는 무선 네트워크를 통해 스마트 장치(400)에 전달할 수 있다.
도4는 도2의 부정맥 분류 장치의 제어블록도이다.
부정맥 분류 장치(300)는 수신부(310), 분류 모델 생성부(320), 제어부(330) 및 출력부(340)를 포함할 수 있다.
수신부(310)는 오토 인코더 장치(200)에서 생성되는 압축 신호 또는 가중치를 전달받을 수 있다.
분류 모델 생성부(320)는 부정맥 종류에 따라 오토 인코더 장치(200)에서 생성된 압축 신호의 분포를 학습하여 분류 모델을 생성할 수 있다.
분류 모델 생성부(320)는 하나 이상의 합성 곱 신경망(CNN: Convolution Neural Network)과 하나 이상의 양방향 장단기 메모리(BLSTM: Bidirectional Long Short-Term Memory)를 조합하여 분류 모델을 생성할 수 있다.
여기에서, 분류 모델 생성부(320)는 합성 곱 신경망을 이용하여 압축 신호의 특징을 추출할 수 있으며, 이어서, 분류 모델 생성부(320)는 양방향 장단기 메모리를 이용하여 특징이 추출된 압축 신호를 학습하여 분류 모델을 생성할 수 있다.
이때, 분류 모델 생성부(320)는 측정 신호에 기초하여 생성된 하나 이상의 압축 신호에 대한 부정맥 정보를 각각 판단할 수 있으며, 분류 모델 생성부(320)는 하나 이상의 압축 신호에 대한 부정맥 정보에 따라 가장 높은 빈도를 나타내는 부정맥 정보를 측정 신호에 대한 부정맥 판단 결과로 결정할 수 있다.
이와 관련하여, 분류 모델 생성부(320)는 하나 이상의 압축 신호에 대한 분포에 대해, 사용자로부터 부정맥 정보를 입력 받는 지도 학습(Supervised Learning) 기법을 이용하여 분류 모델을 학습할 수 있다.
제어부(330)는 생성된 분류 모델에 기초하여, 생성된 압축 신호의 분포에 따라, 부정맥을 판단하여 부정맥 정보를 생성할 수 있다.
이때, 제어부(330)는 분류 모델에 기초하여, 압축 신호를 정상 패턴, 비정상 임펄스 패턴 및 전도 장애 패턴 중 적어도 하나의 패턴으로 분류할 수 있다.
또한, 제어부(330)는 분류 모델에 기초하여, 비정상 임펄스 패턴을 나타내는 압축 신호를 조기 심방 수축 패턴 및 조기 심실 수축 패턴 중 적어도 하나의 패턴으로 분류할 수 있으며, 제어부(330)는 분류 모델에 기초하여, 전도 장애 패턴을 나타내는 압축 신호를 좌각 차단 패턴 및 우각 차단 패턴 중 적어도 하나의 패턴으로 분류할 수 있다.
출력부(340)는 디스플레이 상에 부정맥 정보를 출력할 수 있으며, 또한, 출력부(340)는 유선 또는 무선 네트워크를 통해 외부 장치에 부정맥 정보를 출력할 수 있다.
도5는 도3의 오토 인코더 장치가 측정 신호를 압축 및 복원하는 과정을 나타낸 블록도이다.
도5를 참조하면, 수집부(210)는 측정 장치(100)에서 측정된 측정 신호를 전달받아 수집할 수 있으며, 전처리부(220)는 수집된 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성할 수 있다.
이에 따라, 인코더부(230)는 사전에 설정된 가중치가 적용되는 하나 이상의 인코딩 블록을 마련할 수 있으며, 인코더부(230)는 하나 이상의 인코딩 블록을 이용하여 정규 신호로부터 압축 신호를 생성할 수 있다.
이와 관련하여, 인코더부(230)는 복수개의 인코딩 블록이 마련되는 경우에, 정규 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 인코더부(230)는 합산된 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
이에 따라, 인코더부(230)는 인코딩 블록에 의해 처리된 신호로부터 특징을 추출하여 압축 신호를 생성할 수 있으며, 이때, 인코더부(230)는 인코딩 블록에 의해 처리된 신호에 하나 이상의 1D-CNN을 적용하여 압축 신호를 생성할 수 있다.
한편, 디코더부(240)는 가중치가 적용되는 하나 이상의 디코딩 블록을 마련할 수 있으며, 디코더부(240)는 하나 이상의 디코딩 블록을 이용하여 압축 신호로부터 복원 신호를 생성할 수 있다.
이와 관련하여, 디코더부(240)는 복수개의 디코딩 블록이 마련되는 경우에, 압축 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 디코더부(240)는 합산된 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
이에 따라, 디코더부(240)는 디코딩 블록에 의해 처리된 신호로부터 특징을 추출하여 복원 신호를 생성할 수 있으며, 이때, 디코더부(240)는 디코딩 블록에 의해 처리된 신호에 하나 이상의 1D-CNN을 적용하여 복원 신호를 생성할 수 있다.
도6은 도3의 학습부에서 가중치를 학습하는 과정을 나타낸 블록도이다.
도6을 참조하면, 학습부(250)는 정규 신호와 복원 신호를 비교하여 차이 정보를 생성할 수 있고, 학습부(250)는 정규 신호와 복원 신호의 차이에 대한 기준을 나타내도록 마련되는 임계 범위를 차이 정보가 만족하도록 가중치를 학습할 수 있다.
이를 위해, 학습부(250)는 인코더부(230)에서 서로 다른 가중치를 이용하여, 전처리부(220)에서 생성된 정규 신호로부터 압축 신호를 생성하고, 디코더부(240)에서 압축 신호로부터 복원 신호를 생성하여 정규 신호와 복원 신호를 비교하는 과정을 수회 반복하도록 제어할 수 있으며, 이에 따라, 학습부(250)는 임계 범위를 만족하는 차이 정보 중 정규 신호와 복원 신호의 차이가 가장 적은 차이 정보에 따른 가중치를 인코딩 블록과 디코딩 블록에서 이용하도록 설정할 수 있다.
이에 따라, 압축 신호는 생성된 가중치에 따른 디코딩 블록에 의해서만 복원 신호가 생성될 수 있으며, 이를 통해, 오토 인코더 장치(200)는 압축 신호를 유선 또는 무선 네트워크를 이용하여 외부에 마련되는 장치에 전달하는 과정에서 압축 신호가 해커에 의해 유출되더라도, 압축 신호로부터 복원 신호를 생성하는데 어려움이 있으며, 이와 같이, 오토 인코더 장치(200)는 네트워크를 통해 전달되는 신호의 보안성이 향상되는 효과가 나타날 수 있다.
도7은 도4의 제어부에서 부정맥을 분류하는 과정을 나타낸 블록도이다.
도7을 참조하면, 오토 인코더 장치(200)의 통신부(260)는 인코더부(230)에서 생성되는 압축 신호를 유선 또는 무선 네트워크를 통해 스마트 장치(400)에 전달할 수 있으며, 또한, 통신부(260)는 학습부(250)에서 생성되는 가중치를 유선 또는 무선 네트워크를 통해 스마트 장치(400)에 전달할 수 있다.
이에 따라, 수신부(310)는 오토 인코더 장치(200)에서 생성되는 압축 신호 또는 가중치를 전달받을 수 있으며, 제어부(330)는 생성된 분류 모델에 기초하여, 생성된 압축 신호의 분포에 따라, 부정맥을 판단하여 부정맥 정보를 생성할 수 있다.
이를 위해, 분류 모델 생성부(320)는 부정맥 종류에 따라 오토 인코더 장치(200)에서 생성된 압축 신호의 분포를 학습하여 분류 모델을 생성할 수 있다.
한편, 출력부(340)는 디스플레이 상에 부정맥 정보를 출력할 수 있으며, 또한, 출력부(340)는 유선 또는 무선 네트워크를 통해 외부 장치에 부정맥 정보를 출력할 수 있다.
도8은 도2의 스마트 장치가 복원 신호를 생성하는 과정을 나타낸 블록도이다.
도8을 참조하면, 수집부(210)는 측정 장치(100)에서 측정된 측정 신호를 전달받아 수집할 수 있으며, 전처리부(220)는 수집된 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성할 수 있다.
이에 따라, 인코더부(230)는 하나 이상의 인코딩 블록을 이용하여 정규 신호로부터 압축 신호를 생성할 수 있으며, 이때, 학습부(250)는 정규 신호와 복원 신호의 차이에 대한 기준을 나타내도록 마련되는 임계 범위를 차이 정보가 만족하도록 가중치를 학습할 수 있다.
스마트 장치(400)는 정규 신호를 압축하도록 설정되는 가중치를 오토 인코더 장치(200)의 통신부(260)로부터 전달받아 저장할 수 있으며, 스마트 장치(400)는 오토 인코더 장치(200)의 통신부(260)로부터 압축 신호를 전달받을 수 있다.
이에 따라, 스마트 장치(400)는 가중치가 적용되는 하나 이상의 디코딩 블록을 마련하여, 압축 신호로부터 복원 신호를 생성할 수 있다.
도9는 도1의 오토 인코더 장치에서 수행되는 압축 및 복원의 일 실시예를 나타낸 개략도이다.
도9를 참조하면, 정규 신호를 입력으로 하는 5개의 인코더 블록과 다섯 번째 인코더 블록에서 출력되는 신호에 연산을 수행하는 2개의 1D-CNN을 포함하는 인코더부(230)의 구조를 나타낸 일 실시예를 확인할 수 있으며, 압축 신호를 입력으로 하는 5개의 디코더 블록과 다섯 번째 디코더 블록에서 출력되는 신호에 연산을 수행하는 2개의 1D-CNN을 포함하는 디코더부(240)의 일 실시예를 확인할 수 있다.
이에 따라, 인코더부(230)는 하나 이상의 인코딩 블록을 이용하여 정규 신호로부터 압축 신호를 생성할 수 있으며, 또한, 디코더부(240)는 하나 이상의 디코딩 블록을 이용하여 압축 신호로부터 복원 신호를 생성할 수 있다.
이와 관련하여, 도10을 참조하면, 심전도 신호가 오토 인코더 장치에 의해 압축되는 과정을 나타낸 일 실시예를 확인할 수 있다.
이때, 심전도 신호가 1D-CNN에 입력되어, 각 심전도 신호의 특징이 추출되며, 이에 따라, 특징이 추출된 각 신호의 형태에 기반하여 부정맥 종류를 구분할 수 있다.
또한, 특징이 추출된 신호에 Reshape를 수행하여, 신호의 크기를 나타내는 x축의 규모가 감소하는 것을 확인할 수 있으며, 이때, 심전도 신호의 크기는 800으로 나타나고, 1개의 인코딩 블록을 거친 후에 신호의 크기가 400으로 압축된 것을 확인할 수 있다.
이와 같이, 심전도 신호는 800의 크기로부터 5개의 인코딩 블록을 통과하여 신호의 크기가 25로 32배 압축된 것을 확인할 수 있다.
도11은 도3의 인코더부에 마련되는 인코딩 블록의 일 실시예를 나타낸 개략도이다.
도11을 참조하면, 2개의 1D-CNN과 Pooling Layer에 의해 연산된 신호와 1개의 1D-CNN을 거치고, Reshape 된 신호가 합산되는 인코딩 블록을 확인할 수 있다. 여기에서, Reshape는 사전에 설정되는 크기로 신호를 변환하는 것으로 이해할 수 있다.
이와 같이, 오토 인코더 장치(200)는 정규 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있다.
또한, 오토 인코더 장치(200)는 복수개의 인코딩 블록이 마련되는 경우에, 정규 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 오토 인코더 장치(200)는 합산된 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
도12는 도3의 디코더부에 마련되는 디코딩 블록의 일 실시예를 나타낸 개략도이다.
도12를 참조하면, 2개의 1D-CNN과 Upsampling Layer에 의해 연산된 신호와 1개의 1D-CNN을 거치고, Reshape 된 신호가 합산되는 인코딩 블록을 확인할 수 있다. 여기에서, Reshape는 사전에 설정되는 크기로 신호를 변환하는 것으로 이해할 수 있다.
이와 같이, 오토 인코더 장치(200)는 압축 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있다.
또한, 오토 인코더 장치(200)는 복수개의 디코딩 블록이 마련되는 경우에, 압축 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 오토 인코더 장치(200)는 합산된 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
도13은 본 발명의 일 실시예에 따른 신호 압축 방법의 순서도이다.
본 발명의 일 실시예에 따른 신호 압축 방법은 도 1에 도시된 신호 압축 시스템(1)과 실질적으로 동일한 구성 상에서 진행되므로, 도 1의 신호 압축 시스템(1)과 동일한 구성요소에 대해 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하기로 한다.
신호 압축 방법은 측정 신호를 기록하는 단계(600), 정규 신호를 생성하는 단계(610), 압축 신호를 생성하는 단계(620), 복원 신호를 생성하는 단계(630) 및 가중치를 학습하는 단계(640)를 포함할 수 있다.
측정 신호를 기록하는 단계(600)는 사용자의 측정 신호를 측정할 수 있다. 여기에서, 측정 신호는 부정맥을 검출할 수 있도록 측정되는 신호를 의미할 수 있으며, 측정 신호는 심장에서 발생하는 미세한 전류의 파형으로 나타나는 심전도를 의미할 수 있다.
정규 신호를 생성하는 단계(610)는 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성할 수 있다.
이를 위해, 정규 신호를 생성하는 단계(610)는 측정 신호로부터 동일한 시간 간격으로 나타나는 하나 이상의 분할 신호를 추출할 수 있으며, 정규 신호를 생성하는 단계(610)는 하나 이상의 분할 신호가 동일한 크기 범위를 만족하도록 정규화를 수행하여 정규 신호를 생성할 수 있다.
압축 신호를 생성하는 단계(620)는 정규 신호를 압축하도록 설정되는 가중치를 이용하여 정규 신호로부터 압축 신호를 생성할 수 있다.
이와 관련하여, 오토 인코더 장치(200)는 사전에 설정된 가중치가 적용되는 하나 이상의 인코딩 블록을 마련할 수 있으며, 압축 신호를 생성하는 단계(620)는 하나 이상의 인코딩 블록을 이용하여 정규 신호로부터 압축 신호를 생성할 수 있다.
이때, 압축 신호를 생성하는 단계(620)는 복수개의 인코딩 블록이 마련되는 경우에, 정규 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 압축 신호를 생성하는 단계(620)는 합산된 신호로부터 특징이 추출되어 축소된 신호와 정규 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
이에 따라, 압축 신호를 생성하는 단계(620)는 인코딩 블록에 의해 처리된 신호로부터 특징을 추출하여 압축 신호를 생성할 수 있으며, 이때, 압축 신호를 생성하는 단계(620)는 인코딩 블록에 의해 처리된 신호에 하나 이상의 1D-CNN을 적용하여 압축 신호를 생성할 수 있다.
복원 신호를 생성하는 단계(630)는 압축 신호를 압축하도록 설정되는 가중치를 이용하여 압축 신호로부터 복원 신호를 생성할 수 있다.
이와 관련하여, 오토 인코더 장치(200)는 사전에 설정된 가중치가 적용되는 하나 이상의 디코딩 블록을 마련할 수 있으며, 복원 신호를 생성하는 단계(630)는 하나 이상의 디코딩 블록을 이용하여 압축 신호로부터 복원 신호를 생성할 수 있다.
이때, 복원 신호를 생성하는 단계(630)는 복수개의 디코딩 블록이 마련되는 경우에, 압축 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산할 수 있으며, 이후, 복원 신호를 생성하는 단계(630)는 합산된 신호로부터 특징이 추출되어 확대된 신호와 압축 신호로부터 특징이 추출되어 사전에 설정되는 크기로 변환된 신호를 합산하는 과정을 반복할 수 있다.
이에 따라, 복원 신호를 생성하는 단계(630)는 디코딩 블록에 의해 처리된 신호로부터 특징을 추출하여 복원 신호를 생성할 수 있으며, 이때, 복원 신호를 생성하는 단계(630)는 디코딩 블록에 의해 처리된 신호에 하나 이상의 1D-CNN을 적용하여 복원 신호를 생성할 수 있다.
가중치를 학습하는 단계(640)는 정규 신호와 복원 신호를 비교하여 차이 정보를 생성할 수 있고, 가중치를 학습하는 단계(640)는 정규 신호와 복원 신호의 차이에 대한 기준을 나타내도록 마련되는 임계 범위를 차이 정보가 만족하도록 가중치를 학습할 수 있다.
이를 위해, 가중치를 학습하는 단계(640)는 서로 다른 가중치를 이용하여 정규 신호로부터 압축 신호를 생성하고, 압축 신호로부터 복원 신호를 생성하여 정규 신호와 복원 신호를 비교하는 과정을 수회 반복할 수 있으며, 이에 따라, 가중치를 학습하는 단계(640)는 임계 범위를 만족하는 차이 정보 중 정규 신호와 복원 신호의 차이가 가장 적은 차이 정보에 따른 가중치를 인코딩 블록과 디코딩 블록에서 이용하도록 설정할 수 있다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
[부호의 설명]
1: 신호 압축 시스템
100: 측정 장치
200: 오토 인코더 장치
300: 부정맥 분류 장치
400: 스마트 장치

Claims (12)

  1. 측정 신호를 기록하는 측정 장치; 및
    상기 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성하고, 상기 정규 신호를 압축하도록 설정되는 가중치를 이용하여 상기 정규 신호로부터 압축 신호를 생성하며, 상기 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하고, 상기 정규 신호와 상기 복원 신호의 차이가 사전에 마련되는 임계 범위를 만족하도록 상기 가중치를 학습하는 오토 인코더 장치를 포함하는, 신호 압축 시스템.
  2. 제1항에 있어서, 상기 오토 인코더 장치는,
    측정 신호를 수집하는 수집부;
    상기 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성하는 전처리부;
    사전에 설정된 가중치가 적용되는 하나 이상의 인코딩 블록을 이용하여 상기 정규 신호로부터 압축 신호를 생성하는 인코더부;
    상기 가중치가 적용되는 하나 이상의 디코딩 블록을 이용하여 상기 압축 신호로부터 복원 신호를 생성하는 디코더부; 및
    상기 정규 신호와 상기 복원 신호를 비교하여 차이 정보를 생성하고, 상기 정규 신호와 상기 복원 신호의 차이에 대한 기준을 나타내도록 마련되는 임계 범위를 상기 차이 정보가 만족하도록 상기 가중치를 학습하는 학습부를 더 포함하는, 신호 압축 시스템.
  3. 제2항에 있어서, 상기 인코더부는,
    상기 정규 신호에 상기 가중치를 적용하여 상기 정규 신호의 특징이 추출된 제 1 추출 신호를 생성하고, 상기 제 1 추출 신호를 추출된 특징에 따라 축소시켜 제 1 축소 신호를 생성하고,
    상기 정규 신호에 상기 가중치를 적용하여 상기 정규 신호의 특징이 추출된 제 2 추출 신호를 생성하고, 상기 제 2 추출 신호를 사전에 설정되는 크기로 변환시켜 제 1 변환 신호를 생성하며,
    상기 제 1 축소 신호와 상기 제 1 변환 신호를 합산하여 제 1 인코딩 신호를 생성하는, 신호 압축 시스템.
  4. 제3항에 있어서, 상기 인코더부는,
    복수개의 인코딩 블록이 마련되는 경우,
    상기 제 1 인코딩 신호에 상기 가중치를 적용하여 상기 제 1 인코딩 신호의 특징이 추출된 제 3 추출 신호를 생성하고, 상기 제 3 추출 신호를 추출된 특징에 따라 축소시켜 제 2 축소 신호를 생성하고,
    상기 정규 신호에 상기 가중치를 적용하여 상기 정규 신호의 특징이 추출된 제 4 추출 신호를 생성하고, 상기 제 4 추출 신호를 사전에 설정되는 크기로 변환시켜 제 2 변환 신호를 생성하며,
    상기 제 2 축소 신호와 상기 제 2 변환 신호를 합산하여 제 2 인코딩 신호를 생성하는, 신호 압축 시스템.
  5. 제2항에 있어서, 상기 디코더부는,
    상기 압축 신호에 상기 가중치를 적용하여 상기 압축 신호의 특징이 추출된 제 5 추출 신호를 생성하고, 상기 제 5 추출 신호를 추출된 특징에 따라 확대시켜 제 1 확대 신호를 생성하고,
    상기 압축 신호에 상기 가중치를 적용하여 상기 압축 신호의 특징이 추출된 제 6 추출 신호를 생성하고, 상기 제 6 추출 신호를 사전에 설정되는 크기로 변환시켜 제 3 변환 신호를 생성하며,
    상기 제 1 확대 신호와 상기 제 3 변환 신호를 합산하여 제 1 디코딩 신호를 생성하는, 신호 압축 시스템.
  6. 제5항에 있어서, 상기 디코더부는,
    복수개의 디코딩 블록이 마련되는 경우,
    상기 제 1 디코딩 신호에 상기 가중치를 적용하여 상기 제 1 디코딩 신호의 특징이 추출된 제 7 추출 신호를 생성하고, 상기 제 7 추출 신호를 추출된 특징에 따라 축소시켜 제 2 확대 신호를 생성하고,
    상기 압축 신호에 상기 가중치를 적용하여 상기 압축 신호의 특징이 추출된 제 8 추출 신호를 생성하고, 상기 제 8 추출 신호를 사전에 설정되는 크기로 변환시켜 제 4 변환 신호를 생성하며,
    상기 제 2 확대 신호와 상기 제 4 변환 신호를 합산하여 제 2 디코딩 신호를 생성하는, 신호 압축 시스템.
  7. 제2항에 있어서, 상기 전처리부는,
    상기 측정 신호로부터 동일한 시간 간격으로 나타나는 하나 이상의 분할 신호를 추출하고,
    상기 하나 이상의 분할 신호가 동일한 크기 범위를 만족하도록 정규화를 수행하여 정규 신호를 생성하는, 신호 압축 시스템.
  8. 제1항에 있어서,
    상기 측정 신호가 생체로부터 부정맥을 판단할 수 있도록 측정되어 기록되는 생체 신호인 경우,
    부정맥 종류에 따라 생성된 압축 신호의 분포를 학습하여 분류 모델을 생성하고, 상기 분류 모델에 기초하여, 상기 압축 신호의 분포에 따라 부정맥을 판단하여 부정맥 정보를 생성하는 부정맥 분류 장치를 더 포함하는, 신호 압축 시스템.
  9. 제8항에 있어서, 상기 부정맥 분류 장치는,
    상기 측정 신호에 기초하여 생성된 하나 이상의 압축 신호에 대한 부정맥 정보를 각각 판단하고, 상기 하나 이상의 압축 신호에 대한 부정맥 정보에 따라 가장 높은 빈도를 나타내는 부정맥 정보를 상기 측정 신호에 대한 부정맥 판단 결과로 결정하는, 신호 압축 시스템.
  10. 제1항에 있어서,
    상기 정규 신호를 압축하도록 설정되는 가중치를 저장하고, 상기 압축 신호를 전달받으며, 상기 가중치가 적용되는 하나 이상의 디코딩 블록을 마련하여, 상기 압축 신호로부터 복원 신호를 생성하는 스마트 장치를 더 포함하는, 신호 압축 시스템.
  11. 제10항에 있어서, 상기 스마트 장치는,
    상기 오토 인코더 장치에 의해 상기 가중치가 변경되는 경우, 변경된 가중치를 전달받는, 신호 압축 시스템.
  12. 심층학습에 기반하여 압축된 신호를 이용한 부정맥 분류 시스템에 의한 부정맥 분류 방법에 있어서,
    측정 신호를 기록하는 단계;
    상기 측정 신호에 대한 전처리를 수행하여 정규 신호를 생성하는 단계;
    상기 정규 신호를 압축하도록 설정되는 가중치를 이용하여 상기 정규 신호로부터 압축 신호를 생성하는 단계;
    상기 가중치를 이용하여 상기 압축 신호로부터 복원 신호를 생성하는 단계; 및
    상기 정규 신호와 상기 복원 신호의 차이가 사전에 마련되는 임계 범위를 만족하도록 상기 가중치를 학습하는 단계를 포함하는, 신호 압축 방법.
PCT/KR2020/009428 2019-10-18 2020-07-17 심층학습에 기반한 신호 압축 시스템 및 방법 Ceased WO2021075673A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20190130204 2019-10-18
KR10-2019-0130204 2019-10-18
KR1020200049716A KR102370622B1 (ko) 2019-10-18 2020-04-24 심층학습에 기반한 신호 압축 시스템 및 방법
KR10-2020-0049716 2020-04-24

Publications (1)

Publication Number Publication Date
WO2021075673A1 true WO2021075673A1 (ko) 2021-04-22

Family

ID=75537866

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/009428 Ceased WO2021075673A1 (ko) 2019-10-18 2020-07-17 심층학습에 기반한 신호 압축 시스템 및 방법

Country Status (1)

Country Link
WO (1) WO2021075673A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116636858A (zh) * 2023-05-30 2023-08-25 山东管理学院 一种ecg感知信号编码方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130117207A1 (en) * 2011-11-08 2013-05-09 Youn-Ho Kim Method of classifying input pattern and pattern classification apparatus
KR20170082440A (ko) * 2016-01-06 2017-07-14 삼성전자주식회사 심전도 인증 방법 및 장치
KR20190024400A (ko) * 2017-08-31 2019-03-08 경북대학교 산학협력단 객체 인식 장치 및 그 제어 방법
KR20190105163A (ko) * 2018-02-21 2019-09-16 주식회사 삼육오엠씨네트웍스 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
US20190294907A1 (en) * 2014-11-05 2019-09-26 Samsung Electronics Co., Ltd. Device and method to generate image using image learning model

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130117207A1 (en) * 2011-11-08 2013-05-09 Youn-Ho Kim Method of classifying input pattern and pattern classification apparatus
US20190294907A1 (en) * 2014-11-05 2019-09-26 Samsung Electronics Co., Ltd. Device and method to generate image using image learning model
KR20170082440A (ko) * 2016-01-06 2017-07-14 삼성전자주식회사 심전도 인증 방법 및 장치
KR20190024400A (ko) * 2017-08-31 2019-03-08 경북대학교 산학협력단 객체 인식 장치 및 그 제어 방법
KR20190105163A (ko) * 2018-02-21 2019-09-16 주식회사 삼육오엠씨네트웍스 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116636858A (zh) * 2023-05-30 2023-08-25 山东管理学院 一种ecg感知信号编码方法及系统

Similar Documents

Publication Publication Date Title
WO2020197241A1 (en) Device and method for compressing machine learning model
WO2022154457A1 (en) Action localization method, device, electronic equipment, and computer-readable storage medium
WO2018016837A1 (en) Method and apparatus for iris recognition
WO2019050136A1 (en) METHOD AND SYSTEM FOR DETECTION OF A HAZARDOUS SITUATION
WO2019009489A1 (ko) 영상을 부호화/복호화 하는 방법 및 그 장치
WO2022071695A1 (ko) 영상을 처리하는 디바이스 및 그 동작 방법
WO2022010240A1 (ko) 두피 및 모발 관리 시스템
EP3440593A1 (en) Method and apparatus for iris recognition
WO2015160207A1 (en) System and method for detecting region of interest
WO2015149588A1 (zh) 手持设备上用户操作模式的识别方法及手持设备
WO2019045320A1 (ko) 소재의 전자 구조를 예측하는 방법 및 전자 장치
WO2019000466A1 (zh) 人脸识别方法、装置、存储介质及电子设备
WO2020061887A1 (zh) 心率测量方法、装置及计算机可读存储介质
WO2018072170A1 (zh) 基于ecg信号的身份识别方法及装置
WO2019029266A1 (zh) 肢体动作识别方法、机器人及存储介质
WO2023008983A1 (ko) 이미지 신호 프로세서의 제어 방법 및 이를 수행하는 제어 장치
WO2015199354A1 (ko) 인접 합산 이진화를 이용한 동공 추출 방법 및 이를 이용한 동공 추출 제어장치
WO2022169312A1 (ko) 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템
WO2022186607A1 (ko) 정확도 높은 배뇨 정보 획득 방법
WO2022098056A1 (ko) 컨볼루션 연산을 수행하는 전자 장치 및 그 동작 방법
WO2021206363A1 (ko) 캐스케이드 회귀 포레스트의 단순화를 기반으로 한 에너지 효율적인 눈동자 추적 방법 및 장치
WO2025110598A1 (ko) 멀티모달 데이터를 통합 및 증강하는 시스템 및 이의 데이터처리 방법
WO2023063528A1 (ko) 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법
WO2022114828A1 (ko) 보안 데이터 처리 장치, 보안 데이터 처리 방법 및 보안 데이터 처리하는 프로그램을 저장하는 컴퓨터 판독 가능한 저장매체
WO2016169219A1 (zh) 提取人脸纹理的方法及装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20877951

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20877951

Country of ref document: EP

Kind code of ref document: A1