1 |
1
사용자로부터 기침음, 호흡음, 낭독음 및 발성음을 주기적으로 측정하는 음성 측정부와;상기 음성 측정부에 의해 측정된 데이터에 대하여 호흡기 질환 중증도 점수를 평가한 학습용 데이터를 수집하는 데이터 수집부와;상기 수집된 학습용 데이터를 바탕으로 임의의 K 시간의 시계열 측정 데이터를 호흡기 질환 예후 예측모델의 입력값으로 하고, M 시간 후의 호흡기 질환 중증도 평가점수를 출력값으로 하는 호흡기 질환 예후 예측모델을 학습시키는 모델 학습부와; 상기 학습된 호흡기 질환 예후 예측모델에 상기 K 시간의 시계열 측정 데이터를 입력하고, M 시간 후에 상기 호흡기 질환 예후 예측모델이 출력하는 호흡기 질환 예후 예측값을 바탕으로 호흡기 질환 예후를 예측하는 호흡기 질환 예후 예측부; 및 상기 데이터 수집부, 모델 학습부, 호흡기 질환 예후 예측부의 상태를 체크하고, 상기 데이터 수집부에 의한 호흡기 질환 중증도 평가 및 특정 클래스로의 분류와, 상기 모델 학습부에 의한 호흡기 질환 예후 예측모델의 학습과, 상기 호흡기 질환 예후 예측부에 의한 호흡기 질환 예후 예측을 위한 각각의 제어 명령을 송출하는 제어부를 포함하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
2 |
2
제1항에 있어서,상기 음성 측정부에 의해 측정되는 기침음은 스마트폰의 녹음 기능을 이용하여 환자의 기침 소리를 다수회 반복적으로 녹음함으로써 획득하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
3 |
3
제1항에 있어서,상기 호흡음은 스마트폰의 녹음 기능을 이용하여 환자의 들숨 및 날숨을 다수회 반복적으로 녹음함으로써 획득하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
4 |
4
제1항에 있어서,상기 낭독음은 스마트폰의 녹음 기능을 이용하여 제시된 문장을 평소 말투로 소리 내어 읽은 음을 녹음함으로써 획득하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
5 |
5
제1항에 있어서,상기 발성음은 스마트폰의 녹음 기능을 이용하여 음의 높낮이가 있는 음을 익숙한 멜로디에 따라 부르면서 나오는 발성을 통한 목소리를 녹음함으로써 획득하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
6 |
6
제1항에 있어서,상기 기침음, 호흡음, 낭독음, 발성음은 1시간∼N시간 주기로 스마트폰을 이용하여 측정하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
7 |
7
제1항에 있어서,상기 데이터 수집부는 상기 측정된 데이터에 대하여 호흡기 질환 중증도를 평가하고, 이를 정상(0), 주의(1), 경계(2) 클래스로 분류하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
8 |
8
제1항에 있어서,상기 모델 학습부는 상기 호흡기 질환 예후 예측모델을 학습시킴에 있어서, 상기 기침음, 호흡음, 낭독음, 발성음 측정 시간과 동일한 시간대의 미세먼지(PM10, PM2
|
9 |
9
제1항에 있어서,상기 모델 학습부는 상기 호흡기 질환 예후 예측모델을 학습시킴에 있어서, 측정된 기침음, 호흡음, 낭독음, 발성음을 Mel-spectrogram을 이용하여 음성의 특징을 추출하고, 그것에 개인 생체, 환경 데이터와 공공 환경 데이터를 붙여 CNN(Convolutional Neural Network) 알고리즘을 이용하여 학습시키는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
10 |
10
제9항에 있어서,상기 개인 생체, 환경 데이터 및 공공 환경 데이터는 24시간∼48시간의 데이터를 모두 이용하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
11 |
11
제9항에 있어서,상기 기침음, 호흡음, 낭독음, 발성음 데이터와 상기 개인 생체, 환경 데이터와 공공 환경 데이터의 각각의 데이터에 대하여 x개의 채널로 구성하여 M_(x×m×n) 멀티채널 데이터를 만들고, CNN의 출력은 호흡기 질환 중증도 평가 점수의 회귀 모델로 구성하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템
|
12 |
12
음성 측정부, 데이터 수집부, 모델 학습부, 호흡기 질환 예후 예측부를 포함하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 시스템에 기반한 호흡기 질환 예후 예측 방법으로서,a) 상기 음성 측정부에 의해 사용자로부터 기침음, 호흡음, 낭독음 및 발성음을 주기적으로 측정하는 단계와;b) 상기 데이터 수집부가 상기 측정된 데이터에 대하여 호흡기 질환 중증도점수를 평가한 학습용 데이터를 수집하는 단계와;c) 상기 모델 학습부가 상기 수집된 학습용 데이터를 바탕으로 임의의 K 시간의 시계열 측정 데이터를 호흡기 질환 예후 예측모델의 입력값으로 하고, M 시간 후의 호흡기 질환 중증도 평가점수를 출력값으로 하는 호흡기 질환 예후 예측모델을 학습시키는 단계; 및d) 상기 호흡기 질환 예후 예측부가 상기 학습된 호흡기 질환 예후 예측모델에 상기 K 시간의 시계열 측정 데이터를 입력하고, M 시간 후에 상기 호흡기 질환 예후 예측모델이 출력하는 호흡기 질환 예후 예측값을 바탕으로 호흡기 질환 예후를 예측하는 단계를 포함하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
13 |
13
제12항에 있어서,상기 단계 a)에서 상기 기침음은 스마트폰의 녹음 기능을 이용하여 환자의 기침 소리를 다수회 반복적으로 녹음함으로써 획득하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
14 |
14
제12항에 있어서,상기 호흡음은 스마트폰의 녹음 기능을 이용하여 환자의 들숨 및 날숨을 다수회 반복적으로 녹음함으로써 획득하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
15 |
15
제12항에 있어서,상기 낭독음은 스마트폰의 녹음 기능을 이용하여 제시된 문장을 평소 말투로 소리 내어 읽은 음을 녹음함으로써 획득하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
16 |
16
제12항에 있어서,상기 발성음은 스마트폰의 녹음 기능을 이용하여 음의 높낮이가 있는 음을 익숙한 멜로디에 따라 부르면서 나오는 발성을 통한 목소리를 녹음함으로써 획득하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
17 |
17
제12항에 있어서,상기 기침음, 호흡음, 낭독음, 발성음은 1시간∼N시간 주기로 스마트폰을 이용하여 측정하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
18 |
18
제12항에 있어서,상기 단계 b)에서 상기 측정된 데이터에 대하여 호흡기 질환 중증도를 평가하고, 이를 정상(0), 주의(1), 경계(2) 클래스로 분류하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
19 |
19
제12항에 있어서,상기 단계 c)에서 상기 호흡기 질환 예후 예측모델을 학습시킴에 있어서, 상기 기침음, 호흡음, 낭독음, 발성음 측정 시간과 동일한 시간대의 미세먼지(PM10, PM2
|
20 |
20
제12항에 있어서,상기 단계 c)에서 상기 호흡기 질환 예후 예측모델을 학습시킴에 있어서, 측정된 기침음, 호흡음, 낭독음, 발성음을 Mel-spectrogram을 이용하여 음성의 특징을 추출하고, 그것에 개인 생체, 환경 데이터와 공공 환경 데이터를 붙여 CNN (Convolutional Neural Network) 알고리즘을 이용하여 학습시키는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
21 |
21
제20항에 있어서,상기 개인 생체, 환경 데이터 및 공공 환경 데이터는 24시간∼48시간의 데이터를 모두 이용하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|
22 |
22
제20항에 있어서,상기 기침음, 호흡음, 낭독음, 발성음 데이터와 상기 개인 생체, 환경 데이터와 공공 환경 데이터의 각각의 데이터에 대하여 x개의 채널로 구성하여 M_(x×m×n) 멀티채널 데이터를 만들고, CNN의 출력은 호흡기 질환 중증도 평가점수의 회귀 모델로 구성하는 시계열 기침음, 호흡음, 낭독음, 발성음 측정을 통한 호흡기 질환 예후 예측 방법
|