1 |
1
호흡음 데이터를 수신하는 단계;상기 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성하는 단계;상기 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출하는 단계;상기 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출하는 단계; 및상기 제1 특징 및 상기 제2 특징에 기초하여 호흡 질환을 분류하는 단계를 포함하는 호흡 질환 분류 방법
|
2 |
2
제1항에 있어서,상기 제1 특징을 추출하는 단계는,상기 파형 이미지에 컨볼루션 연산을 수행하는 단계;상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하는 단계; 및상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제1 특징을 추출하는 단계를 포함하는 호흡 질환 분류 방법
|
3 |
3
제1항에 있어서,상기 제2 특징을 추출하는 단계는,상기 MFCC 이미지에 컨볼루션 연산을 수행하는 단계;상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하는 단계; 및상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제2 특징을 추출하는 단계를 포함하는 호흡 질환 분류 방법
|
4 |
4
제1항에 있어서,상기 분류하는 단계는,상기 제1 특징 및 상기 제2 특징을 연결함으로써 연결 벡터를 생성하는 단계;상기 연결 벡터를 제1 완전 연결 레이어에 입력함으로써 제1 완전 연결 출력을 획득하는 단계; 및상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류하는 단계를 포함하는 호흡 질환 분류 방법
|
5 |
5
제4항에 있어서,상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류하는 단계는,상기 제1 완전 연결 출력을 상기 제2 완전 연결 레이어에 입력함으로써 제2 완전 연결 출력을 획득하는 단계;상기 제2 완전 연결 출력 중에서 분류 데이터를 결정하는 단계; 및상기 분류 데이터에 기초하여 상기 호흡 질환을 분류하는 단계를 포함하는 호흡 질환 분류 방법
|
6 |
6
제5항에 있어서,상기 분류 데이터를 결정하는 단계는,상기 제2 완전 연결 출력 중에서 가장 큰 데이터를 상기 분류 데이터로 결정하는 단계를 포함하는 호흡 질환 분류 방법
|
7 |
7
제1항에 있어서,상기 분류하는 단계는,상기 제1 특징 및 상기 제2 특징에 기초하여 상기 호흡 질환을 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염, 천식, 하부 호흡기 감염 및 정상 중에서 하나로 분류하는 단계를 포함하는 호흡 질환 분류 방법
|
8 |
8
제1항에 있어서,상기 파형 이미지에 기초하여 상기 제1 뉴럴 네트워크를 학습시키는 단계; 및상기 MFCC 이미지에 기초하여 상기 제2 뉴럴 네트워크를 학습시키는 단계를 더 포함하는 호흡 질환 분류 방법
|
9 |
9
제1항에 있어서,상기 제1 특징 및 상기 제2 특징에 기초하여 획득한 분류 데이터에 기초하여 손실을 계산하는 단계;상기 손실에 기초하여 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크가 결합된 앙상블 네트워크를 학습시키는 단계를 더 포함하는 호흡 질환 분류 방법
|
10 |
10
제1항에 있어서,상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크는전역 풀링(global pooling) 레이어를 포함하는호흡 질환 분류 방법
|
11 |
11
호흡음 데이터를 수신하는 수신기; 및상기 호흡음 데이터에 기초하여 파형 이미지 및 MFCC(Mel Frequency Cepstral Coefficients) 이미지를 생성하고,상기 파형 이미지를 제1 뉴럴 네트워크에 입력함으로써 제1 특징을 추출하고,상기 MFCC 이미지를 제2 뉴럴 네트워크에 입력함으로써 제2 특징을 추출하고,상기 제1 특징 및 상기 제2 특징에 기초하여 호흡 질환을 분류하는 프로세서를 포함하는 호흡 질환 분류 장치
|
12 |
12
제11항에 있어서,상기 프로세서는,상기 파형 이미지에 컨볼루션 연산을 수행하고,상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하고,상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제1 특징을 추출하는호흡 질환 분류 장치
|
13 |
13
제11항에 있어서,상기 프로세서는,상기 MFCC 이미지에 컨볼루션 연산을 수행하고,상기 컨볼루션 연산의 결과에 ReLU(Rectified Linear Unit) 연산을 수행하고,상기 ReLU 연산의 결과에 맥스 풀(max pool) 연산을 수행함으로써 상기 제2 특징을 추출하는호흡 질환 분류 장치
|
14 |
14
제11항에 있어서,상기 프로세서는,상기 제1 특징 및 상기 제2 특징을 연결함으로써 연결 벡터를 생성하고,상기 연결 벡터를 제1 완전 연결 레이어에 입력함으로써 제1 완전 연결 출력을 획득하고,상기 제1 완전 연결 출력을 제2 완전 연결 레이어에 입력함으로써 상기 호흡 질환을 분류하는호흡 질환 분류 장치
|
15 |
15
제14항에 있어서,상기 프로세서는,상기 제1 완전 연결 출력을 상기 제2 완전 연결 레이어에 입력함으로써 제2 완전 연결 출력을 획득하고,상기 제2 완전 연결 출력 중에서 분류 데이터를 결정하고,상기 분류 데이터에 기초하여 상기 호흡 질환을 분류하는호흡 질환 분류 장치
|
16 |
16
제15항에 있어서,상기 프로세서는,상기 제2 완전 연결 출력 중에서 가장 큰 데이터를 상기 분류 데이터로 결정하는호흡 질환 분류 장치
|
17 |
17
제11항에 있어서,상기 프로세서는,상기 제1 특징 및 상기 제2 특징에 기초하여 상기 호흡 질환을 상부 호흡기 감염, 만성 폐쇄성 폐질환, 기관지 확장증, 폐렴, 모세 기관지염, 천식, 하부 호흡기 감염 및 정상 중에서 하나로 분류하는호흡 질환 분류 장치
|
18 |
18
제11항에 있어서,상기 프로세서는,상기 파형 이미지에 기초하여 상기 제1 뉴럴 네트워크를 학습시키고,상기 MFCC 이미지에 기초하여 상기 제2 뉴럴 네트워크를 학습시키는호흡 질환 분류 장치
|
19 |
19
제11항에 있어서,상기 프로세서는,상기 제1 특징 및 상기 제2 특징에 기초하여 획득한 분류 데이터에 기초하여 손실을 계산하고,상기 손실에 기초하여 상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크가 결합된 앙상블 네트워크를 학습시키는호흡 질환 분류 장치
|
20 |
20
제11항에 있어서,상기 제1 뉴럴 네트워크 및 상기 제2 뉴럴 네트워크는전역 풀링(global pooling) 레이어를 포함하는호흡 질환 분류 장치
|