| 1 |
1
데이터 수집부에서, 수면 무호흡 환자로부터 산소 포화도(oxygen saturation) 및 심전도(electrocardiogram, ECG) 측정 데이터를 수득하는 단계;예측부에서, 상기 산소 포화도 및 심전도 측정 데이터를 딥러닝 모델의 입력으로 이용하여 환자의 관상동맥질환 위험도를 예측하는 단계;및정보 제공부에서, 상기 관상동맥질환 위험도에 대한 정보를 제공하는 단계를 포함하는 관상동맥질환 위험도 예측 방법
|
| 2 |
2
제1항에 있어서, 상기 딥러닝 모델은 특징 추출부에서 상기 산소 포화도 및 심전도 측정 데이터로부터 특징부를 추출하는 단계를 더 포함하는 관상동맥질환 위험도 예측 방법
|
| 3 |
3
제2항에 있어서, 상기 특징부를 추출하기 위해 CNN(Convolutional neural network) 모델을 구성하고, 상기 추출된 복수의 특징부를 순차적으로 LSTM(Long Short-term Memory) 모델에 적용하는 단계를 더 포함하는 관상동맥질환 위험도 예측 방법
|
| 4 |
4
제3항에 있어서, 상기 CNN(Convolutional neural network) 모델은 1 ~ 10층의 합성곱층, ReLU 활성화 함수 및 풀링층으로 구성된 관상동맥질환 위험도 예측 방법
|
| 5 |
5
제4항에 있어서,합성곱층의 신경망은 [수학식 1]에 의하여 표현되는 관상동맥질환 위험도 예측 방법:[수학식 1],여기서, 은 레이어 l의 k번째 특징맵을 나타내고, 는 레이어 l의 k번째 특징맵의 편향이며, 은 레이어 l-1의 i번째 특징맵을 나타내고, 은 레이어 l-1의 모든 피처에서 레이어 l의 k번째 특징맵까지 k번째 컨벌루션 커널이고, N은 레이어 l-1의 전체 특징수를, (*)는 벡터 컨볼루션을 나타낸다
|
| 6 |
6
제4항에 있어서, 상기 ReLU 함수는 [수학식 2]에 의하여 표현되는 관상동맥질환 위험도 예측 방법:[수학식 2],여기서, x값은 특정 공간을 나타내고, w는 가중치를, 그리고 b는 바이어스를 나타낸다
|
| 7 |
7
제3항에 있어서, 상기 LSTM 모델은 1 ~ 5층으로 구성된 관상동맥질환 위험도 예측 방법
|
| 8 |
8
제7항에 있어서, 상기 LSTM 모델은 [수학식 3]의 시그모이드 함수를 포함하는 관상동맥질환 위험도 예측 방법:[수학식 3]
|
| 9 |
9
제3항에 있어서, 상기 CNN 모델 및 LSTM 모델은 드롭아웃을 포함하고, 상기 드롭아웃은 0
|
| 10 |
10
수면 무호흡 환자로부터 산소 포화도(oxygen saturation) 및 심전도(electrocardiogram, ECG) 측정 데이터를 수득하는 데이터 수집부;상기 수집된 산소 포화도 및 심전도 측정 데이터를 딥러닝 모델의 입력으로 이용하여 환자의 관상동맥질환 위험도를 예측하는 예측부;및상기 관상동맥질환 위험도에 대한 정보를 제공하는 정보 제공부를 포함하는 관상동맥질환 위험도 예측 장치
|
| 11 |
11
제10항에 있어서, 상기 예측부는 상기 산소 포화도 및 심전도 측정 데이터로부터 특징부를 추출하는 특징 추출부를 포함하는 관상동맥질환 위험도 예측 장치
|
| 12 |
12
제11항에 있어서,상기 특징 추출부는 특징부를 추출하기 위한 CNN(Convolutional neural network) 모델을 포함하는 관상동맥질환 위험도 예측 장치
|
| 13 |
13
제12항에 있어서,상기 CNN(Convolutional neural network) 모델은 1 ~ 10층의 합성곱층, ReLU 활성화 함수 및 풀링층으로 구성된 관상동맥질환 위험도 예측 장치
|
| 14 |
14
제10항에 있어서,상기 예측부는 추출된 복수의 특징부를 순차적으로 적용하기 위한 LSTM(Long Short-term Memory) 모델을 포함하는 관상동맥질환 위험도 예측 장치
|
| 15 |
15
제14항에 있어서, 상기 LSTM 모델은 1 ~ 5층으로 구성된 관상동맥질환 위험도 예측 장치
|
