1 |
1
압력센서, 가속도센서, 자이로센서 중 둘 이상을 포함하는 인솔로부터 사용자의 보행에 관한 정보를 수신하는 정보 수집부;상기 정보 수집부에서 수신된 보행에 관한 정보 중 센서의 종류별로 딥러닝 연산을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 분류부를 포함하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
2 |
2
제1항에 있어서, 상기 분류부는,상기 정보 수집부에서 수신된 센서의 종류별로 딥러닝 연산을 실시하는 특징 추출부;상기 특징 추출부에서 연산된 정보를 연결하여 파킨슨 환자 및 족관절염 환자를 식별할 수 있는 완전연결 네트워크에 입력하는 것으로 파킨슨 환자 및 족관절염 환자를 식별하는 병증식별부를 포함하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
3 |
3
제2항에 있어서,상기 추출부의 딥러닝은 센서의 종류에 대응하여 복수개로 구성되고, 각 딥러닝은 한 종류의 센서 정보로 기 학습되어, 보행에 관한 정보가 수신되었을 때 상기 딥러닝별로 특징맵(feature map)을 출력하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
4 |
4
제3항에 있어서,상기 딥러닝은 DCNN(Deep Convolutional Neural Network)인 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
5 |
5
제4항에 있어서,상기 딥러닝의 학습은 역전파(Back-propagation) 학습 알고리즘을 이용한 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
6 |
6
제5항에 있어서,상기 딥러닝은 그레디언트 손실(vanishing gradient) 현상을 방지하기 위해 활성화 함수로서 ReLU(Rectifier Linear Unit)를 이용하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
7 |
7
제6항에 있어서,상기 딥러닝은 내부 공분산 이동(Internal Covariance Shift) 현상을 방지하고 학습 안정성을 높이기 위해 배치 활성화 함수 적용 이후 배치 정규화를 수행하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
8 |
8
제3항에 있어서,상기 딥러닝은 복수의 컨볼루션 레이어를 포함하고, 각 레이어는 대응되는 특징 수준(feature level)의 필터를 포함하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
9 |
9
제3항에 있어서,상기 딥러닝에서 출력되는 특징맵은 텐저(Tensor) 형태인 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
10 |
10
제3항에 있어서,상기 병증식별부는 상기 특징 추출부의 각 딥러닝에서 출력된 특징맵을 연결하여 하나의 특징 벡터를 구성하고, 상기 특징 벡터를 완전연결 레이어(fully connected layer)에 입력하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
11 |
11
제10항에 있어서,상기 완전연결 레이어는 복수의 연산 레이어 및 하나의 출력 레이어를 포함하고,상기 연산 레이어는 출력 레이어로 값을 전달하기 전에, 과적합(over-fitting) 문제를 방지하고 일반화(regularization) 성능을 향상시키기 위해 학습 시 레이어 안에 있는 노드(node)를 드롭아웃(dropout) 비율만큼 무작위로 골라서 삭제한 후 남겨진 노드만을 가지고 학습을 하는 드롭아웃 방법을 이용하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
12 |
12
제11항에 있어서,상기 출력 레이어는 분류하고자 하는 클래스의 수 만큼의 노드로 구성되고, 각 노드는 연산 레이어의 노드들의 가중치 합을 소프트맥스(softmax) 함수에 적용하여 파킨슨 환자 및 족관절염 환자에 관한 최종 출력값을 연산하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
13 |
13
제2항에 있어서,상기 정보 수집부가 수신한 보행에 관한 정보에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 전처리부를 더 포함하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
14 |
14
제13항에 있어서,상기 전처리부는 센서의 종류별 단위 걸음에 대한 검출 값을 배열로 나타내고, 사전 순서 연산자(lexicographic ordering operator)를 이용하여 각 배열을 일렬의 정보로 변환하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치
|
15 |
15
정보수집부가 압력센서, 가속도센서, 자이로센서 중 둘 이상을 포함하는 인솔로부터 사용자의 보행에 관한 정보를 수신하는 단계;전처리부가 상기 보행에 관한 정보에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 단계;분류부가 정규화된 보행에 관한 정보 중 센서의 종류별로 딥러닝 연산을 실시하여 상기 파킨슨 환자 및 족관절염 환자를 식별하는 단계를 포함하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
16 |
16
제15항에 있어서, 상기 분류부가 정규화된 보행에 관한 정보 중 센서의 종류별로 딥러닝 연산을 실시하여 상기 파킨슨 환자 및 족관절염 환자를 식별하는 단계는,상기 정규화된 보행에 관한 정보에 포함된 센서의 종류별로 딥러닝 연산을 실시하여 특징맵(feature map)을 출력하는 단계;상기 특징맵을 하나로 연결한 후 파킨슨 환자 및 족관절염 환자를 식별할 수 있는 완전연결 네트워크에 입력하고, 상기 완전연결 네트워크에서 출력된 값을 이용하여 파킨슨 환자 및 족관절염 환자를 판단하는 단계를 포함하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
17 |
17
제16항에 있어서,상기 딥러닝은 DCNN(Deep Convolutional Neural Network)인 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
18 |
18
제17항에 있어서,상기 딥러닝의 학습은 역전파(Back-propagation) 학습 알고리즘을 이용한 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
19 |
19
제17항에 있어서,상기 딥러닝은 그레디언트 손실(vanishing gradient) 현상을 방지하기 위해 활성화 함수로서 ReLU(Rectifier Linear Unit)를 이용하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
20 |
20
제19항에 있어서,상기 딥러닝은 내부 공분산 이동(Internal Covariance Shift) 현상을 방지하고 학습 안정성을 높이기 위해 배치 활성화 함수 적용 이후 배치 정규화를 수행하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
21 |
21
제16항에 있어서,상기 딥러닝은 복수의 컨볼루션 레이어를 포함하고, 각 레이어는 대응되는 특징 수준(feature level)의 필터를 포함하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
22 |
22
제16항에 있어서,상기 딥러닝에서 출력되는 특징맵은 텐저(Tensor) 형태인 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
23 |
23
제16항에 있어서,상기 완전연결 네트워크는 복수의 연산 레이어 및 하나의 출력 레이어를 포함하고,상기 연산 레이어는 출력 레이어로 값을 전달하기 전에, 과적합(over-fitting) 문제를 방지하고 일반화(regularization) 성능을 향상시키기 위해 학습 시 레이어 안에 있는 노드(node)를 드롭아웃(dropout) 비율만큼 무작위로 골라서 삭제한 후 남겨진 노드만을 가지고 학습을 하는 드롭아웃 방법을 이용하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|
24 |
24
제23항에 있어서,상기 출력 레이어는 분류하고자 하는 클래스의 수 만큼의 노드로 구성되고, 각 노드는 연산 레이어의 노드들의 가중치 합을 소프트맥스(softmax) 함수에 적용하여 파킨슨 환자 및 족관절염 환자 여부에 관한 최종 출력값을 연산하는 것을 특징으로 하는 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 방법
|