| 1 |
1
(a) 이미지 생성 모듈이 정상인의 제1 광용적맥파(Photoplethysmography, PPG), 대동맥판막협착증 환자의 제2 광용적맥파 및 대동맥판막협착증과 심혈관 질환을 모두 갖는 환자의 제3 광용적맥파를 이미지화하여 학습 이미지들을 생성하는 단계;(b) 신경망(Neural Network)에 상기 (a) 단계에서 생성된 학습 이미지들이 학습되는 학습 단계로서, 상기 신경망의 입력층에 상기 학습 이미지들이 입력되고, 상기 신경망의 출력층을 통해 입력된 학습 이미지에 대한 대동막판막협착증 위험도 및 심혈관 질환 위험도가 출력되도록 학습되는, 학습 단계; 및(c) 학습이 완료된 상기 신경망에 임의의 개체로부터 획득한 광용적맥파의 이미지가 입력층을 통해 질의되고, 상기 신경망의 출력층을 통해 질의된 이미지에 대한 대동맥판막협착증 위험도 및 심혈관 질환 위험도가 출력되는 단계;를 포함하는,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 방법
|
| 2 |
2
제1항에 있어서,상기 학습 이미지는 2차원 이미지로서, 상기 2차원을 구성하는 어느 하나의 차원은 시간이고, 다른 하나의 차원은 주파수이며, 상기 2차원 상에서 광용적맥파 신호의 주파수 변화도에 따라 서로 다른 색으로 표현된 이미지인,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 방법
|
| 3 |
3
제2항에 있어서,상기 신경망은 CNN(Convolution Neural Network)인,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 방법
|
| 4 |
4
제3항에 있어서,상기 (a) 단계 이전,전처리 모듈이 제1 내지 제3 광용적맥파를 기설정된 시간마다 분할하여 복수개의 분할 광용적맥파를 생성하는 단계를 더 포함하고,상기 (a) 단계는, 상기 이미지 생성 모듈이 복수개의 분할 제1 내지 제3 광용적맥파 각각을 이미지화하여 복수개의 분할 학습 이미지를 생성하는 단계를 더 포함하며,상기 (b) 단계는, 상기 신경망에 상기 분할 학습 이미지가 학습되는 단계를 더 포함하는,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 방법
|
| 5 |
5
제4항에 있어서,상기 (b) 단계는,상기 제1 광용적맥파와 상기 제2 광용적맥파가 상기 신경망에 분류 학습되거나, 상기 제1 광용적맥파와 상기 제3 광용적맥파가 상기 신경망에 분류 학습되거나, 상기 제2 광용적맥파와 상기 제3 광용적맥파가 상기 신경망에 분류 학습되는 단계를 더 포함하는,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 방법
|
| 6 |
6
제1항에 있어서,(d) 상기 (c) 단계에서 출력되는 대동맥판막협착증 위험도 및 심혈관 질환 위험도에 따라, 질의된 이미지가 획득된 상기 임의의 개체가 정상인 그룹, 대동맥판막협착증 그룹 및 대동맥판막협착증 및 심혈관 질환을 모두 갖는 그룹 중 어느 하나의 그룹으로 분류되는 단계;를 더 포함하는,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 방법
|
| 7 |
7
(a) 임의의 개체로부터 획득한 광용적맥파의 이미지가 입력되는 단계; 및(b) 입력된 이미지에 대한 대동맥판막협착증 위험도 및 심혈관 질환 위험도가 연산되고, 연산된 위험도가 출력되는 단계;를 포함하는, 광용적맥파를 이용한 대동막판막협착증 위험도 판단 방법으로서,상기 입력된 광용적맥파 이미지에 대한 대동맥판막협착증 위험도 및 심혈관 질환 위험도를 연산하는 모델은,정상인의 제1 광용적맥파(Photoplethysmography, PPG), 대동맥판막협착증 환자의 제2 광용적맥파 및 대동맥판막협착증과 심혈관 질환을 모두 갖는 환자의 제3 광용적맥파를 이미지화하여 생성된 학습 이미지들을 학습한 신경망(Neural Network)으로서, 상기 신경망의 입력층에 상기 학습 이미지들이 입력되고, 상기 신경망의 출력층을 통해 입력된 학습 이미지들에 대한 대동맥판막협착증 위험도 및 심혈관 질환 위험도가 출력되도록 학습한 것을 특징으로 하는,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 방법
|
| 8 |
8
제1항 내지 제7항 중 어느 한 항에 따른 방법이 적용된 시스템으로서,개체에 부착되어, 부착된 개체로부터 광용적맥파를 획득하도록 구성된 PPG센서(110)와, 상기 PPG 센서(110)에서 획득된 광용적맥파 신호를 외부 장치(200)에 전송하도록 구성된 통신 모듈(140)이 설치된, 패치(110); 및상기 통신 모듈(140)과 상호 통신 가능하도록 구성되고, 상기 통신 모듈(140)로부터 전송된 광용적맥파 신호를 이미지화하고, 광용적맥파 신호 이미지를 상기 신경망의 입력층에 질의하여 출력층을 통해 질의된 이미지에 대한 대동맥판막협착증 위험도 및 심혈관 질환 위험도가 출력되는 예측 모듈(230)을 포함하는, 외부 장치(200);를 포함하는,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 시스템
|
| 9 |
9
제8항에 있어서,상기 패치(100)는,상기 개체의 온도를 측정하도록 구성된 온도 센서(120); 및상기 개체의 움직임에 따른 모션 데이터를 출력하도록 구성된 모션 센서(130);를 더 포함하고,상기 외부 장치(200)는,상기 PPG 센서(110)에서 획득된 광용적맥파 신호, 상기 온도 센서(120)에서 측정된 온도 및 상기 모션 센서(130)에서 출력된 모션 데이터 중 적어도 하나를 이용하여 상기 개체의 생체 신호를 연산하도록 구성된, 생체 신호 연산 모듈(260)을 더 포함하는,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 시스템
|
| 10 |
10
제9항에 있어서,상기 외부 장치(200)는,상기 광용적맥파 신호에 대해 제로크로싱법을 적용하여 설정된 제로크로싱 지점을 기준으로 복수의 일주기 파형 구간을 결정하고, 일주기 파형 구간에서의 최고점과 최저점을 광용적맥파 특징점으로 추출하도록 구성된 특징점 추출 모듈(250)을 더 포함하고,상기 생체 신호 연산 모듈(260)은 상기 특징점 추출 모듈(250)에 의해 추출된 광용적맥파 특징점을 이용하여 상기 개체의 생체 신호를 연산하도록 구성된,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 시스템
|
| 11 |
11
제9항에 있어서,상기 생체 신호 연산 모듈(260)은,상기 광용적맥파 신호, 상기 온도 및 상기 모션 데이터를 이용하여 상기 개체의 심박수, 산소포화도, 혈관 나이, 혈압 및 심박변이도 중 적어도 하나를 연산하도록 구성된,광용적맥파를 이용한 대동맥판막협착증 위험도 판단 시스템
|
| 12 |
12
제1항 내지 제7항 중 어느 한 항에 따른 방법을 실행하도록 컴퓨터 판독 가능한 기록 매체에 저장된,컴퓨터 프로그램
|
