| 1 |
1
컴퓨팅 장치에 의해 수행되는, 심장 박동 분류 방법으로서,심전도 신호로부터 생성된 샘플을 심장 박동 분류 모델에 입력하는 단계,상기 심장 박동 분류 모델의 복수의 제1 레이어를 통해 상기 샘플로부터 특성 맵을 생성하는 단계,상기 특성 맵 및 상기 샘플로부터 생성된 보조 특성에 기초해서 어텐션 마스크를 생성하는 단계,상기 어텐션 마스크로 상기 특성 맵을 마스크하여 마스크된 특성 맵을 생성하는 단계, 그리고상기 심장 박동 분류 모델의 제2 레이어를 통해 상기 마스크된 특성 맵으로부터 상기 샘플의 분류를 수행하는 단계를 포함하는 심장 박동 분류 방법
|
| 2 |
2
제1항에서,상기 보조 특성은 상기 샘플에 대응하는 상기 심전도 신호의 RR 간격(RR interval)을 포함하는, 심장 박동 분류 방법
|
| 3 |
3
제1항에서,상기 어텐션 마스크를 생성하는 단계는상기 특성 맵의 통계 값을 계산하는 단계,상기 보조 특성으로 상기 통계 값을 정규화하여 정규화된 통계 값을 생성하는 단계, 그리고하나 이상의 활성화 레이어를 통해서 상기 정규화된 통계 값으로부터 상기 어텐션 마스크를 생성하는 단계를 포함하는 심장 박동 분류 방법
|
| 4 |
4
제3항에서,상기 어텐션 마스크를 생성하는 단계는 상기 정규화된 통계 값에 가중치를 곱하고 소정 값만큼 시프트한 후에 상기 활성화 레이어에 입력하는 단계를 더 포함하는, 심장 박동 분류 방법
|
| 5 |
5
제1항에서,상기 복수의 제1 레이어는 복수의 컨볼루션 레이어를 포함하며,상기 제2 레이어는 하나 이상의 완전 연결 레이어를 포함하는심장 박동 분류 방법
|
| 6 |
6
컴퓨팅 장치에 의해 수행되는, 심장 박동 분류 모델의 학습 방법으로서,심전도 신호로부터 생성된 복수의 샘플을 자신의 레이블이 속한 클래스에 따라 복수의 클래스 클러스터로 분류하는 경우, 소정 기준에 기초해서 상기 복수의 클래스 클러스터 중에서 샘플의 수가 가장 많은 다수 클래스 클러스터로부터 제1 샘플을 선택하는 단계,상기 제1 샘플을 상기 복수의 클래스 클러스터 중에서 샘플의 수가 가장 적은 소스 클래스 클러스터에 속하는 제2 샘플로 변환하는 단계,상기 복수의 샘플과 상기 제2 샘플로부터 데이터 세트를 생성하는 단계, 그리고상기 데이터 세트에서 선택된 입력 샘플을 상기 심장 박동 분류 모델에 입력하여 상기 심장 박동 분류 모델을 학습하는 단계를 포함하는 학습 방법
|
| 7 |
7
제6항에서,상기 소정의 기준은 상기 소스 클래스 클러스터에 속한 샘플과의 유사성을 포함하는 학습 방법
|
| 8 |
8
제6항에서,상기 제1 샘플을 선택하는 단계는상기 제1 샘플과 상기 소스 클래스 클러스터에서 중앙에 해당하는 샘플과의 제1 거리를 계산하는 단계,상기 제1 샘플과 상기 복수의 클래스 클러스터 중 상기 소스 클래스 클러스터를 제외한 나머지 클래스 클러스터 각각에서 중앙에 해당하는 샘플과의 제2 거리를 계산하는 단계, 그리고상기 제1 거리가 상기 제2 거리보다 작은 경우, 상기 제1 샘플을 선택하는 단계를 포함하는 학습 방법
|
| 9 |
9
제6항에서,상기 제2 샘플로 변환하는 단계는 상기 제2 샘플에 상기 소수 클래스 클러스터의 레이블을 태깅하는 단계를 포함하는 학습 방법
|
| 10 |
10
제6항에서,상기 제2 샘플로 변환하는 단계는 상수 인자에 기초해서 상기 제2 샘플과 상기 나머지 클래스 클러스터의 경계 사이의 마진을 증가시키는 단계를 포함하는 학습 방법
|
| 11 |
11
제6항에서,상기 심장 박동 분류 모델을 학습하는 단계는상기 심장 박동 분류 모델의 복수의 제1 레이어를 통해 상기 입력 샘플로부터 특성 맵을 생성하는 단계,상기 특성 맵 및 상기 입력 샘플로부터 생성된 보조 특성에 기초해서 어텐션 마스크를 생성하는 단계,상기 어텐션 마스크로 상기 특성 맵을 마스크하여 마스크된 특성 맵을 생성하는 단계, 그리고상기 심장 박동 분류 모델의 제2 레이어를 통해 상기 마스크된 특성 맵으로부터 상기 입력 샘플의 분류를 수행하는 단계를 포함하는 학습 방법
|
| 12 |
12
제11항에서,상기 보조 특성은 상기 입력 샘플에 대응하는 상기 심전도 신호의 RR 간격(RR interval)을 포함하는, 학습 방법
|
| 13 |
13
제11항에서,상기 어텐션 마스크를 생성하는 단계는상기 특성 맵의 통계 값을 계산하는 단계,상기 보조 특성으로 상기 통계 값을 정규화하여 정규화된 통계 값을 생성하는 단계, 그리고하나 이상의 활성화 레이어를 통해서 상기 정규화된 통계 값으로부터 상기 어텐션 마스크를 생성하는 단계를 포함하는 학습 방법
|
| 14 |
14
제13항에서,상기 어텐션 마스크를 생성하는 단계는 상기 정규화된 통계 값에 가중치를 곱하고 소정 값만큼 시프트한 후에 상기 활성화 레이어에 입력하는 단계를 더 포함하는, 학습 방법
|
| 15 |
15
제11항에서,상기 복수의 제1 레이어는 복수의 컨볼루션 레이어를 포함하며,상기 제2 레이어는 하나 이상의 완전 연결 레이어를 포함하는학습 방법
|
| 16 |
16
하나 이상의 명령어를 저장하는 메모리, 그리고프로세서를 포함하며,상기 프로세서는 상기 명령어를 실행함으로써,심전도 신호로부터 생성된 샘플을 심장 박동 분류 모델에 입력하고,상기 심장 박동 분류 모델의 복수의 제1 레이어를 통해 상기 샘플로부터 특성 맵을 생성하고,상기 특성 맵 및 상기 샘플로부터 생성된 보조 특성에 기초해서 어텐션 마스크를 생성하고,상기 어텐션 마스크로 상기 특성 맵을 마스크하여 마스크된 특성 맵을 생성하고,상기 심장 박동 분류 모델의 제2 레이어를 통해 상기 마스크된 특성 맵으로부터 상기 샘플의 분류를 수행하는 심장 박동 분류 장치
|
| 17 |
17
제16항에서,상기 보조 특성은 상기 샘플에 대응하는 상기 심전도 신호의 RR 간격(RR interval)을 포함하는, 심장 박동 분류 장치
|
| 18 |
18
제16항에서,상기 프로세서는 상기 특성 맵의 통계 값을 계산하고,상기 보조 특성으로 상기 통계 값을 정규화하여 정규화된 통계 값을 생성하고,하나 이상의 활성화 레이어를 통해서 상기 정규화된 통계 값으로부터 상기 어텐션 마스크를 생성하는심장 박동 분류 장치
|
| 19 |
19
제18항에서,상기 프로세서는 상기 정규화된 통계 값에 가중치를 곱하고 소정 값만큼 시프트한 후에 상기 활성화 레이어에 입력하는, 심장 박동 분류 장치
|
| 20 |
20
제16항에서,상기 복수의 제1 레이어는 복수의 컨볼루션 레이어를 포함하며,상기 제2 레이어는 하나 이상의 완전 연결 레이어를 포함하는심장 박동 분류 장치
|
