1 |
1
심음 분류 방법에 있어서,(a)주어진 심음데이터에 대한 히든 마르코프 모델(Hidden Markov Model, 이하 HMM이라 한다) 파라미터 값을 추정하는 과정; 및(b)상기 추정된 HMM 파라미터 값을 이용하여 상기 주어진 심음데이터가 어떤 분류에 해당하는지를 결정하는 과정을 포함하는 것을 특징으로 하는 HMM을 이용한 심음 분류 방법
|
2 |
2
제1항에 있어서, 상기 (a)과정은,(a1)주어진 심음데이터에 대한 HMM 초기 파라미터 값을 설정하는 과정; 및(a2)상기 HMM 초기 파라미터 값을 기대치최대화(Expectation Maximization) 과정을 통해서 HMM 파라미터 값을 재추정하는 과정을 포함하는 것을 특징으로 하는 HMM을 이용한 심음 분류 방법
|
3 |
3
제1항에 있어서, 상기 (b)과정은,(b1)상기 추정된 HMM 파라미터 값을 이용하여 HMM을 인식하는 과정;(b2)상기 인식하는 과정의 결과로 생기는 값들을 서로 비교하는 결정이론 과정; 및(b3)상기 결정이론 과정에 따라서 상기 주어진 심음데이터를 분류 선택하는 과정을 포함하는 것을 특징으로 하는 HMM을 이용한 심음 분류 방법
|
4 |
4
제3항에 있어서, 상기 HMM을 인식하는 과정은,(b21)상기 주어진 심음데이터에 대해서 특징 추출을 하는 과정;(b22)상기 특징 추출 과정 후에 비터비(Viterbi) 디코딩을 하는 과정;(b23)분류 정보별 HMM 파라미터 값을 이용하여 상기 주어진 심음데이터에 대한 인식을 수행하는 과정;(b24)상기 인식 수행 과정의 결과로서, 각 분류정보별 HMM에 대한 비터비(Viterbi) 점수 값들을 얻는 과정; 및(b25)상기 얻어진 비터비 점수 값들을 비교하여 주어진 심음데이터가 어떤 분류에 해당하는지를 결정하는 과정을 포함하는 것을 특징으로 하는 HMM을 이용한 심음 분류 방법
|
5 |
5
제4항에 있어서, 상기 특징 추출은 멜-스케일 필터뱅크(Mel-scale filterbank), 웨이블릿(Wavelet) 변환, 및 멜-주파수 켑스트럼 계수(Mel-frequency cepstrum coefficient) 중에서 어느 하나를 사용하는 것을 특징으로 하는 HMM을 이용한 심음 분류 방법
|