KR102267105B1 - Apparatus and method for inspecting sleep disorder based on deep-learning - Google Patents
Apparatus and method for inspecting sleep disorder based on deep-learning Download PDFInfo
- Publication number
- KR102267105B1 KR102267105B1 KR1020180169059A KR20180169059A KR102267105B1 KR 102267105 B1 KR102267105 B1 KR 102267105B1 KR 1020180169059 A KR1020180169059 A KR 1020180169059A KR 20180169059 A KR20180169059 A KR 20180169059A KR 102267105 B1 KR102267105 B1 KR 102267105B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- polysomnography
- sleep state
- sleep
- neural network
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
- A61B5/283—Invasive
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Ophthalmology & Optometry (AREA)
- Psychology (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Cardiology (AREA)
Abstract
본 발명은 딥러닝 기반의 수면다원 검사기술에 관한 것으로, 일실시예에 따른 수면다원 검사장치는 수집된 수면다원 검사(Polysomnography) 데이터를 수신하고 수신한 데이터의 포맷(Format)을 인공 신경망(Artificial neural network)의 입력으로 적용 가능한 포맷으로 변환하는 데이터 변환부와, 변환된 데이터를 입력으로 인공 신경망 기반의 기계학습을 수행하여, 수면상태 판단 모델을 생성하는 판단 모델 생성부 및 생성된 판단 모델에 기초하여 수면다원 검사 결과를 판정하는 결과 판정부를 포함할 수 있다.The present invention relates to a deep learning-based polysomnography examination technology, and a polysomnography examination apparatus according to an embodiment receives the collected polysomnography data and converts the format of the received data to an artificial neural network (Artificial Neural Network). A data conversion unit that converts into an applicable format as an input of a neural network), a decision model generator that generates a sleep state determination model by performing artificial neural network-based machine learning with the converted data as an input, and the generated determination model It may include a result determination unit that determines the polysomnography test results based on the results.
Description
본 발명은 수면다원 검사장치 및 그 방법에 관한 것으로서, 보다 상세하게는 수면다원 검사의 결과 분석을 자동화하기 위한 기술적 사상에 관한 것이다.The present invention relates to a polysomnography test apparatus and method, and more particularly, to a technical idea for automating the analysis of polysomnia test results.
수면다원 검사(Polysomnography)는 수면장애를 진단하기 위한 검사로서, 수면 중 뇌파, 안구운동, 근육의 움직임, 호흡, 심전도 등을 종합적으로 측정하고 동시에 수면 상태를 비디오로 녹화한 후, 측정 및 녹화된 기록을 분석하여 수면과 관련된 질환을 진단하고 치료방침을 정하는데 사용되고 있다. Polysomnography is a test for diagnosing sleep disorders. It comprehensively measures EEG, eye movement, muscle movement, respiration, and electrocardiogram during sleep. It is used to diagnose sleep-related diseases by analyzing the records and to set treatment policies.
전술한 수면다원 검사는 수면 무호흡증, 수면 장애, 수면 보행증 등의 증상을 진단할 수 있으며, 이러한 질환들을 판단하기 위한 지수로서, 수면 단계(Sleep stage), 무호흡 지수(Apnea-hypopnea index, AHI), 상기도 저항 증후군(Respiratory effort-related arousals; RERA) 지수 등이 사용되고 있다. The above-described polysomnography test can diagnose symptoms such as sleep apnea, sleep disorder, and sleep gait. As an index for determining these diseases, sleep stage, apnea-hypopnea index (AHI) , upper respiratory tract resistance syndrome (Respiratory effort-related arousals; RERA) index and the like are used.
한편, 수면다원 검사는 전문 인력들이 다양한 센서를 통해 측정된 환자의 생체 데이터들을 조합하여 전술한 지수들을 판단하는 매뉴얼 수면 스코어링(Manual sleep scoring) 방법을 이용하고 있다. On the other hand, polysomnography test uses a manual sleep scoring method in which experts judge the above-mentioned indices by combining the patient's biometric data measured through various sensors.
다시 말해, 현재 수면다원 검사는 수면 스코어링(Sleep scoring)을 각 전문 인력들의 주관적인 판단 기준에 의해 진행하고 있어, 스코어링 결과의 정확도와 신뢰도가 떨어진다는 문제가 있다. In other words, in the current polysomnography test, sleep scoring is performed according to the subjective judgment standard of each professional manpower, so there is a problem in that the accuracy and reliability of the scoring result are lowered.
구체적으로, 수면다원 검사는 수면 스코어링을 위한 판정 기준이 매우 명확한 것처럼 보이나, 환자마다 생체 신호의 형태나 크기가 다르며 생체 신호에 나타나는 비정형성으로 인해 전문 인력들 사이에서도 많은 오차를 보이고 있다. 실제로, 전문 인력들이 동일한 환자의 동일한 생체 데이터를 가지고 수면 스코어링을 수행하면, 10% 정도의 스코어링 편차를 보이는 것으로 알려져 있다. Specifically, the polysomnography test seems to have very clear criteria for scoring sleep, but the shape and size of biosignals are different for each patient, and due to atypicalities appearing in biosignals, there are many errors even among specialists. In fact, it is known that when experts perform sleep scoring with the same biometric data of the same patient, there is a scoring deviation of about 10%.
또한, 수면 스코어링은 전문 인력에 의해 수작업으로 진행 됨에 따라, 소요 시간이 너무 길어진다는 문제가 있다. 실제, 숙련된 전문 인력이 한명의 환자에 대한 수면 스코어링을 진행하는데 소요되는 시간은 약 3~4시간인 것으로 알려져 있다.In addition, as sleep scoring is performed manually by a professional manpower, there is a problem that the required time is too long. In fact, it is known that it takes about 3 to 4 hours for a skilled professional to perform sleep scoring for one patient.
본 발명은 수면상태 판단 모델을 통해 수면다원 검사 결과 분석을 자동화함으로써, 수면다원 검사에 소요되는 시간을 최소화할 수 있는 수면다원 검사장치 및 그 방법을 제공하고자 한다.An object of the present invention is to provide a polysomnia test apparatus and method capable of minimizing the time required for polysomnia test by automating analysis of polysomnia test results through a sleep state determination model.
또한, 본 발명은 인공 신경망 기반의 기계학습을 통해 수면상태 판단 모델을 생성함으로써, 수면다원 검사의 정확성 및 신뢰성을 향상시킬 수 있는 수면다원 검사장치 및 그 방법을 제공하고자 한다.Another object of the present invention is to provide a polysomnography examination apparatus and method capable of improving the accuracy and reliability of polysomnia examination by generating a sleep state determination model through artificial neural network-based machine learning.
일실시예에 따른 수면다원 검사장치는 수면다원 검사(Polysomnography) 데이터를 수신하고, 수신된 수면다원 검사 데이터의 포맷(Format)을 인공 신경망(Artificial neural network)의 입력으로 적용 가능한 포맷으로 변환하는 데이터 변환부와, 변환된 수면다원 검사 데이터를 수면상태 판단 모델에 적용하여 수면다원 검사 결과를 판정하는 결과 판정부를 포함할 수 있다. The polysomnography test apparatus according to an embodiment receives polysomnography data, and converts a format of the received polysomnography data into a format applicable as an input of an artificial neural network. It may include a conversion unit and a result determination unit that determines the polysomnography test result by applying the converted polysomnia test data to the sleep state determination model.
일측에 따르면, 수신된 수면다원 검사 데이터는 EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 체스트 벨트(Chest belt), 앱더먼 벨트(Abdomen belt), 서미스터(Thermister), 유동(Flow) 센서 및 마이크(Microphone) 중 적어도 하나의 감지 수단을 통해 측정된 사용자의 생체 데이터를 포함할 수 있다. According to one side, the received polysomnography data is an EEG (Electroencephalogram) sensor, EOG (Electrooculography) sensor, EMG (Electromyogram) sensor, EKG (Electrokardiogramme) sensor, PPG (Photoplethysmography) sensor, Chest belt, Abderman. The user's biometric data measured through at least one sensing means of an Abdomen belt, a thermister, a flow sensor, and a microphone may be included.
일측에 따르면, 수신된 수면다원 검사 데이터는 사전에 수행된 수면다원 검사에 의해 수면다원 검사 데이터베이스에 기록된 데이터를 포함할 수 있다.According to one side, the received polysomnography data may include data recorded in the polysomnography database by the polysomnography performed in advance.
일측에 따르면, 수집된 수면다원 검사 데이터는 사용자의 생체 데이터에 대하여 수면 스코어링(Sleep scoring)된 데이터를 더 포함할 수 있다. According to one side, the collected polysomnography data may further include sleep scoring data with respect to the user's biometric data.
일측에 따르면, 데이터 변환부는 수신된 수면다원 검사 데이터에 대응되는 각각의 센서별 샘플링(Sampling) 주파수를 일치시키고, 샘플링 주파수가 일치된 데이터 중에서 수면상태 판단 모델에 대응되는 필요 데이터를 추출할 수 있다.According to one side, the data converter may match the sampling frequency for each sensor corresponding to the received polysomnography data, and extract necessary data corresponding to the sleep state determination model from the data with the sampling frequency matched. .
일측에 따르면, 데이터 변환부는 추출된 필요 데이터를 수면상태 판단 모델에 대응되는 시간 단위로 분할하고, 분할된 필요 데이터를 기설정된 라벨(Label)들로 라벨링할 수 있다. According to one side, the data conversion unit may divide the extracted necessary data into time units corresponding to the sleep state determination model, and label the divided necessary data with preset labels.
일측에 따르면, 수면상태 판단 모델은 수면다원 검사에 따른 수면 스코어링(Sleep scoring)을 수행하기 위한 모델일 수 있다. According to one side, the sleep state determination model may be a model for performing sleep scoring according to a polysomnography test.
일측에 따르면, 수면상태 판단 모델은 수면다원 검사에 따라 수면 단계(Sleep stage), 무호흡 지수(Apnea-hypopnea index, AHI), 호흡장애지수(Respiratory disturbance index; RDI), 상기도 저항 증후군(Respiratory effort-related arousals; RERA) 지수, 총 수면시간(Total sleep time; TST), 부정맥 및 주기적 사지운동증(Periodic limb movements of sleep) 지수 중 적어도 하나를 판정하기 위한 모델일 수 있다. According to one side, the sleep state judgment model is a sleep stage, apnea-hypopnea index (AHI), respiratory disturbance index (RDI), upper airway resistance syndrome (Respiratory effort) according to the polysomnography test. It may be a model for determining at least one of a -related arousals; RERA) index, a total sleep time (TST), an arrhythmia, and a Periodic limb movements of sleep index.
일측에 따르면, 수면다원 검사장치는 변환된 수면다원 검사 데이터를 입력으로 인공 신경망 기반의 기계학습을 수행하여 수면상태 판단 모델을 생성하는 판단 모델 생성부를 더 포함할 수 있다.According to one side, the polysomnography examination apparatus may further include a determination model generator configured to generate a sleep state determination model by performing artificial neural network-based machine learning by inputting the converted polysomnia examination data.
일측에 따르면, 판단 모델 생성부는 판정된 수면다원 검사 결과를 수신하여 인공 신경망 기반의 기계학습을 재수행할 수 있다. According to one side, the judgment model generator may receive the determined polysomnography test result and re-perform artificial neural network-based machine learning.
일측에 따르면, 수면다원 검사장치는 판정된 수면다원 검사 결과를 그래프 및 텍스트 중 적어도 하나의 형식으로 변환하여 외부로 출력하는 결과 정보 처리부를 더 포함할 수 있다. According to one side, the polysomnia examination apparatus may further include a result information processing unit that converts the determined polysomnia examination result into at least one format of a graph and text and outputs the converted polysomnia examination result to the outside.
일실시예에 따른 수면다원 검사방법은 데이터 변환부에서 수면다원 검사(Polysomnography) 데이터를 수신하고, 수신된 수면다원 검사 데이터의 포맷(Format)을 인공 신경망(Artificial neural network)의 입력으로 적용 가능한 포맷으로 변환하는 단계와, 결과 판정부에서 변환된 수면다원 검사 데이터를 수면상태 판단 모델에 적용하여 수면다원 검사 결과를 판정하는 단계를 포함할 수 있다. A polysomnography test method according to an embodiment receives polysomnography data from a data converter, and converts a format of the received polysomnia test data as an input to an artificial neural network. and applying the polysomnia test data converted by the result determining unit to the sleep state determination model to determine the polysomnography test result.
일측에 따르면, 변환하는 단계는 수집된 수면다원 검사 데이터에 대응되는 각각의 센서별 샘플링(Sampling) 주파수를 일치시키는 단계와, 샘플링 주파수가 일치된 데이터에서 수면상태 판단 모델에 대응되는 필요 데이터를 추출하는 단계와, 추출된 필요 데이터를 수면상태 판단 모델에 대응되는 시간 단위로 분할하는 단계 및 분할된 필요 데이터를 기설정된 라벨(Label)들로 라벨링하는 단계를 더 포함할 수 있다. According to one side, the converting step includes matching the sampling frequency for each sensor corresponding to the collected polysomnography data, and extracting necessary data corresponding to the sleep state determination model from the data in which the sampling frequency is matched. and dividing the extracted necessary data into time units corresponding to the sleep state determination model, and labeling the divided necessary data with preset labels.
일측에 따르면, 수면다원 검사방법은 판단 모델 생성부에서 변환된 수면다원 검사 데이터를 입력으로 인공 신경망 기반의 기계학습을 수행하여 수면상태 판단 모델을 생성하는 단계를 더 포함할 수 있다. According to one side, the polysomnography examination method may further include generating a sleep state determination model by performing artificial neural network-based machine learning by inputting polysomnia examination data converted by the determination model generating unit.
일측에 따르면, 수면다원 검사방법은 결과 정보 처리부에서 판정된 수면다원 검사 결과를 그래프 및 텍스트 중 적어도 하나의 형식으로 변환하여 외부로 출력하는 단계를 더 포함할 수 있다.According to one side, the polysomnia test method may further include converting the polysomnia test result determined by the result information processing unit into at least one format of a graph and text and outputting it to the outside.
일실시예에 따르면, 수면상태 판단 모델을 통해 수면다원 검사 결과 분석을 자동화함으로써, 수면다원 검사에 소요되는 시간을 최소화할 수 있다.According to an embodiment, by automating the analysis of polysomnography test results through the sleep state determination model, the time required for polysomnography can be minimized.
일실시예에 따르면, 인공 신경망 기반의 기계학습을 통해 수면상태 판단 모델을 생성함으로써, 수면다원 검사의 정확성 및 신뢰성을 향상시킬 수 있다.According to an embodiment, by generating a sleep state determination model through artificial neural network-based machine learning, the accuracy and reliability of polysomnography can be improved.
도 1은 일실시예에 따른 수면다원 검사장치를 설명하기 위한 도면이다.
도 2는 일실시예에 따른 수면다원 검사장치에서 수신하는 수면다원 검사 데이터의 예시를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 수면다원 검사장치에 구비된 데이터 변환부에 관한 예시를 설명하기 위한 도면이다.
도 4는 일실시예에 따른 수면다원 검사장치에 구비된 판단 모델 생성부에 관한 예시를 설명하기 위한 도면이다.
도 5a 내지 도 5b는 일실시예에 따른 수면다원 검사장치에 구비된 결과 정보 처리부에서 수면다원 검사 결과를 출력하는 예시를 설명하기 위한 도면이다.
도 6은 일실시예에 따른 수면다원 검사방법을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 수면다원 검사방법에서 수면다원 검사 데이터의 포맷을 변경하는 방법에 관한 예시를 설명하기 위한 도면이다.1 is a view for explaining a polysomnia examination apparatus according to an embodiment.
FIG. 2 is a diagram for explaining an example of polysomnia test data received by the polysomnography test apparatus according to an exemplary embodiment.
3 is a view for explaining an example of a data conversion unit provided in the polysomnia examination apparatus according to an embodiment.
4 is a view for explaining an example of a judgment model generator provided in the polysomnography examination apparatus according to an embodiment.
5A to 5B are diagrams for explaining an example of outputting a polysomnia test result from a result information processing unit provided in the polysomnography test apparatus according to an exemplary embodiment.
6 is a diagram for explaining a polysomnia examination method according to an embodiment.
7 is a diagram for explaining an example of a method of changing a format of polysomnia examination data in a polysomnography examination method according to an embodiment.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.Specific structural or functional descriptions of the embodiments according to the concept of the present invention disclosed herein are only exemplified for the purpose of explaining the embodiments according to the concept of the present invention, and the embodiment according to the concept of the present invention These may be embodied in various forms and are not limited to the embodiments described herein.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Since the embodiments according to the concept of the present invention may have various changes and may have various forms, the embodiments will be illustrated in the drawings and described in detail herein. However, this is not intended to limit the embodiments according to the concept of the present invention to specific disclosed forms, and includes changes, equivalents, or substitutes included in the spirit and scope of the present invention.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Terms such as first or second may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one element from another element, for example, without departing from the scope of rights according to the concept of the present invention, a first element may be named as a second element, Similarly, the second component may also be referred to as the first component.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is referred to as being “connected” or “connected” to another component, it is understood that the other component may be directly connected or connected to the other component, but other components may exist in between. it should be On the other hand, when it is mentioned that a certain element is "directly connected" or "directly connected" to another element, it should be understood that the other element does not exist in the middle. Expressions describing the relationship between elements, for example, “between” and “between” or “directly adjacent to”, etc. should be interpreted similarly.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is used only to describe specific embodiments, and is not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In this specification, terms such as "comprise" or "have" are intended to designate that the described feature, number, step, operation, component, part, or combination thereof exists, and includes one or more other features or numbers, It should be understood that the possibility of the presence or addition of steps, operations, components, parts or combinations thereof is not precluded in advance.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present specification. does not
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. However, the scope of the patent application is not limited or limited by these examples. Like reference numerals in each figure indicate like elements.
도 1은 일실시예에 따른 수면다원 검사장치를 설명하기 위한 도면이다. 1 is a view for explaining a polysomnia examination apparatus according to an embodiment.
도 1을 참조하면, 일실시예에 따른 수면다원 검사장치(110)는 수면상태 판단 모델을 통해 수면다원 검사 결과 분석을 자동화함으로써, 수면다원 검사에 소요되는 시간을 최소화할 수 있다.Referring to FIG. 1 , the
또한, 일실시예에 따른 수면다원 검사장치(110)는 인공 신경망 기반의 기계학습을 통해 수면상태 판단 모델을 생성함으로써, 수면다원 검사의 정확성 및 신뢰성을 향상시킬 수 있다. In addition, the
이를 위해, 수면다원 검사장치(110)는 데이터 변환부(111), 판단 모델 생성부(112), 결과 판정부(113) 및 결과 정보 처리부(114)를 포함할 수 있다.To this end, the
구체적으로, 일실시예에 따른 데이터 변환부(111)는 수면다원 검사(Polysomnography) 데이터를 수신할 수 있다.Specifically, the
예를 들면, 수집된 수면다원 검사 데이터는 EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 체스트 벨트(Chest belt), 앱더먼 벨트(Abdomen belt), 서미스터(Thermister), 유동(Flow) 센서 및 마이크(Microphone) 중 적어도 하나의 감지 수단을 통해 측정된 사용자의 생체 데이터를 포함할 수 있다. For example, the collected polysomnography data may include an Electroencephalogram (EEG) sensor, an Electrooculography (EOG) sensor, an Electromyogram (EMG) sensor, an Electrokardiogramme (EKG) sensor, a Photoplethysmography (PPG) sensor, a chest belt, and Abderman. The user's biometric data measured through at least one sensing means of an Abdomen belt, a thermister, a flow sensor, and a microphone may be included.
다시 말해, 데이터 변환부(111)는 뇌파를 측정하기 위한 EEG 센서, 안구의 움직임을 측정하기 위한 EOG 센서, 근육의 움직임을 측정하기 위한 EMG 센서, 심장의 박동을 측정하기 위한 EKG 센서, 산소포화도 및 심박수를 측정하기 위한 PPG 센서, 호흡을 측정하기 위한 서미스터와 유동 센서, 복부와 가슴의 움직임을 측정하기 위한 체스트 벨트와 앱더먼 벨트 및 코콜이(Snoring)를 측정하기 위한 마이크를 통해 측정되는 적어도 하나의 사용자의 생체 데이터를 수신할 수 있다. In other words, the
일측에 따르면, 수신된 수면다원 검사 데이터는 사전에 수행된 수면다원 검사에 의해 수면다원 검사 데이터베이스(120)에 기록된 데이터를 포함할 수 있다.According to one side, the received polysomnography data may include data recorded in the
또한, 수집된 수면다원 검사 데이터는 사용자의 생체 데이터에 대하여 수면 스코어링(Sleep scoring)된 데이터를 더 포함할 수 있다. In addition, the collected polysomnography data may further include sleep scoring data with respect to the user's biometric data.
보다 구체적으로, 데이터 변환부(111)는 수면다원 검사 데이터베이스(120)로부터 수면상태 판단 모델을 생성하기 위한 수면다원 검사 데이터를 수신할 수 있으며, 수면다원 검사 데이터베이스(120)와는 별도의 경로로 수면상태 판단 모델을 통해 수면다원 검사 결과를 판정하기 위한 수면다원 검사 데이터를 수신할 수도 있다. More specifically, the
즉, 도 1에 도시된 '수면다원 검사 결과'는 수면상태 판단 모델을 통해 수면다원 검사 결과를 판정하기 위한 수면다원 검사 데이터를 나타낸다.That is, the 'polysomnography test result' shown in FIG. 1 represents polysomnia test data for determining the polysomnia test result through the sleep state determination model.
또한, 수면다원 검사 데이터베이스(120)로부터 수신된 수면다원 검사 데이터는 사전에 수행된 수면다원 검사를 통해 도출되는 사용자의 생체 데이터 및 사용자의 생체 데이터에 대하여 수면 스코어링된 데이터를 포함할 수 있다.In addition, the polysomnia test data received from the
한편, 일실시예에 따른 데이터 변환부(111)는 수신된 수면다원 검사 데이터의 포맷(Format)을 인공 신경망(Artificial neural network)의 입력으로 적용 가능한 포맷으로 변환할 수 있다.Meanwhile, the
보다 구체적으로, 데이터 변환부(111)는 수신된 수면다원 검사 데이터 중에서 수면상태 판단 모델에 대응되는 필요 데이터를 추출하고, 추출한 필요 데이터를 수면상태 판단 모델에 적합한 형식과 시간 간격을 갖는 포맷으로 변환할 수 있다. More specifically, the
일측에 따르면, 데이터 변환부(111)는 수집된 수면다원 검사 데이터에 대응되는 각각의 센서별 샘플링(Sampling) 주파수를 일치시키고, 샘플링 주파수가 일치된 데이터 중에서 수면상태 판단 모델에 대응되는 필요 데이터를 추출할 수 있다. According to one side, the
다음으로, 데이터 변환부(111)는 추출된 필요 데이터를 수면상태 판단 모델에 대응되는 시간 단위로 분할하고, 분할된 필요 데이터를 기설정된 라벨(Label)들로 라벨링함으로써, 수신된 수면다원 검사 데이터의 포맷을 인공 신경망의 입력으로 적용 가능한 포맷으로 변환할 수 있다. Next, the
예를 들면, 기설정된 라벨은 수면 스코어링된 데이터를 통해 추출된 라벨일 수 있다. For example, the preset label may be a label extracted through sleep scored data.
보다 구체적인 예를 들면, 데이터 변환부(111)는 수면상태 판단 모델이 수면단계 판단을 위한 모델인 경우에, 분할된 필요 데이터를 수면 스코어링 전문가들이 사전에 매뉴얼로 표시한 W(Wake 단계), N1(수면 1단계), N2(수면 2단계), N3(수면 3단계) 및 R(REM 수면단계) 중 적어도 하나의 라벨로 라벨링할 수 있다.For a more specific example, when the sleep state determination model is a model for determining the sleep stage, the
일실시예에 따른 데이터 변환부(111)의 상세한 구성은 이후 실시예 도 3을 통해 보다 구체적으로 설명하기로 한다. A detailed configuration of the
다음으로, 일실시예에 따른 판단 모델 생성부(112)는 데이터 변환부(111)를 통해 포맷이 변환된 수면다원 검사 데이터를 입력으로 인공 신경망 기반의 기계학습을 수행하여, 수면상태 판단 모델을 생성할 수 있다. Next, the decision
일측에 따르면, 수면상태 판단 모델은 수면다원 검사에 따른 수면 스코어링을 수행하기 위한 모델일 수 있다. According to one side, the sleep state determination model may be a model for performing sleep scoring according to a polysomnography test.
다시 말해, 수면상태 판단 모델은 수면상태 판단 모델을 통해 수면다원 검사 결과를 판정하기 위한 수면다원 검사 데이터를 입력으로 수신하여, 입력된 수면다원 검사 데이터에 대한 수면 스코어링을 자동으로 수행하는 모델일 수 있다. In other words, the sleep state determination model may be a model that automatically performs sleep scoring on the input polysomnia examination data by receiving as an input polysomnia examination data for determining the polysomnia examination result through the sleep state determination model. have.
또한, 수면상태 판단 모델은 수면다원 검사에 따라 수면 단계(Sleep stage), 무호흡 지수(Apnea-hypopnea index, AHI), 호흡장애지수(Respiratory disturbance index; RDI), 상기도 저항 증후군(Respiratory effort-related arousals; RERA) 지수, 총 수면시간(Total sleep time; TST), 부정맥 및 주기적 사지운동증(Periodic limb movements of sleep) 지수 중 적어도 하나를 판정하기 위한 모델일 수도 있으나, 일실시예에 따른 수면상태 판단 모델은 전술한 예시에 한정되지 않고 수면다원 검사를 통해 도출될 수 있는 다양한 증상을 판정하는 모델일 수 있다. In addition, the sleep state judgment model is a sleep stage, apnea-hypopnea index (AHI), respiratory disturbance index (RDI), upper airway resistance syndrome (Respiratory effort-related) according to the polysomnography test. It may be a model for determining at least one of arousals; RERA) index, total sleep time (TST), arrhythmia, and periodic limb movements of sleep index, but the sleep state according to an embodiment The judgment model is not limited to the above-described example, and may be a model for judging various symptoms that can be derived through polysomnia examination.
일측에 따르면, 판단 모델 생성부(112)는 단순히 데이터 변환부(111)를 통해 변환된 데이터뿐만 아니라, 상호 상관(Cross Correlation)과 같은 유사도 산출 알고리즘을 활용하여 변환된 데이터에서 특징을 추출하고, 추출된 특징을 인공 신경망의 입력으로 사용할 수도 있다. According to one side, the decision
또한, 판단 모델 생성부(112)는 RNN(Recurrent neural network), DNN(Deep neural network) 및 CNN(Convolution neural network) 중 적어도 하나의 인공 신경망을 이용하여 수면상태 판단 모델을 생성할 수 있으나, 일실시예에 따른 판단 모델 생성부(112)는 전술한 예시에 한정되지 않고, 다양한 종류의 인공 신경망을 활용할 수 있다. In addition, the
한편, 판단 모델 생성부(112)는 인공 신경망에 구비된 출력 레이어의 라벨링된 데이터(Labeled data)를 이용하여 신경망의 가중치(Weight)를 업데이트하는 알고리즘인 백 프로파게이션(Back propagation) 알고리즘을 이용하여, 수면상태 판단 모델을 생성할 수도 있다. On the other hand, the
다음으로, 일실시예에 따른 결과 판정부(113)는 데이터 변환부(111)를 통해 변환된 수면다원 검사 데이터를 수면상태 판단 모델에 적용하여 수면다원 검사 결과를 판정할 수 있다. Next, the
보다 구체적으로, 데이터 변환부(111)는 수면상태 판단 모델을 통해 수면다원 검사 결과를 판정하기 위한 수면다원 검사 데이터가 입력되면, 입력된 수면다원 검사 데이터의 포맷을 변환하고 포맷이 변환된 데이터를 결과 판정부(113)에 전달할 수 있다. More specifically, when polysomnography data for determining a polysomnia test result is input through the sleep state determination model, the
다음으로, 결과 판정부(113)는 데이터 변환부(111)로부터 수신한 포맷이 변환된 데이터를 판단 모델 생성부(112)로부터 수신한 판단 모델의 입력으로 적용하여 수면다원 검사 결과를 판정할 수 있다. Next, the
일측에 따르면, 판단 모델 생성부(112)는 결과 판정부(113)로부터 판정된 수면다원 검사 결과를 수신하여 인공 신경망 기반의 기계학습을 재수행할 수도 있다. According to one side, the
다시 말해, 판단 모델 생성부(112)는 판정된 수면다원 검사 결과를 피드백(Feed-back) 받아 인공 신경망 기반의 기계학습을 재수행하여 학습된 수면상태 판단 모델을 생성함으로써, 수면다원 검사 결과 판정의 정확도를 더 높일 수 있다.In other words, the
일측에 따르면, 결과 정보 처리부(114)는 판정된 수면다원 검사 결과를 그래프 및 텍스트 중 적어도 하나의 형식으로 변환하여 외부로 출력할 수 있다. According to one side, the result
다시 말해, 결과 정보 처리부(114)는 결과 판정부(113)를 통해 판정된 수면다원 검사 결과를 그래프의 형식 또는 결과만을 모아서 정리하는 텍스트 형식으로 변환하여 임상의 또는 사용자에게 제공할 수 있으나, 판정된 수면다원 검사 결과는 전술한 예시에 한정되지 않고 임상의 또는 사용자가 원하는 다양한 형식으로 변환될 수도 있다. In other words, the result
도 2는 일실시예에 따른 수면다원 검사장치에서 수신하는 수면다원 검사 데이터의 예시를 설명하기 위한 도면이다. FIG. 2 is a diagram for explaining an example of polysomnia test data received by the polysomnography test apparatus according to an embodiment.
도 2를 참조하면, 참조부호 200은 도 1에서 설명한 수면다원 검사 데이터베이스(120)에 기록된 수면다원 검사 데이터의 예시를 나타낸다. Referring to FIG. 2 ,
구체적으로, 참조부호 200에 따르면 일실시예에 따른 수면다원 검사 데이터베이스에 기록된 수면다원 검사 데이터는 EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 체스트 밸트(Chest belt), 앱더먼 벨트(Abdomen belt), 서미스터(Thermister), 유동(Flow) 센서 및 마이크(Microphone) 중 적어도 하나의 감지 수단을 통해 측정된 적어도 하나의 사용자의 생체 데이터를 포함할 수 있다. Specifically, according to
예를 들면, 사용자의 생체 데이터는 기설정된 시간범위 내에서 연속적으로 측정된 데이터일 수 있다. For example, the user's biometric data may be data continuously measured within a preset time range.
일측에 따르면, 수면다원 검사 데이터는 사용자의 생체 데이터에 대하여 수면 스코어링(Sleep scoring)된 데이터를 더 포함할 수 있다. According to one side, polysomnography test data may further include sleep scoring data for the user's biometric data.
다시 말해, 수면다원 검사 데이터베이스에 기록된 수면다원 검사 데이터는 사전에 수행된 수면다원 검사를 통해 도출되는 사용자의 생체 데이터 및 사용자의 생체 데이터에 대하여 수면 스코어링된 데이터를 포함할 수 있다. In other words, the polysomnography data recorded in the polysomnia test database may include the user's biometric data derived through the previously performed polysomnia test and sleep scoring data for the user's biometric data.
도 3은 일실시예에 따른 수면다원 검사장치에 구비된 데이터 변환부에 관한 예시를 설명하기 위한 도면이다. 3 is a view for explaining an example of a data conversion unit provided in the polysomnia examination apparatus according to an embodiment.
다시 말해, 도 3은 도 1을 통해 설명한 일실시예에 따른 수면다원 검사장치에 구비된 데이터 변환부의 예시를 설명하는 도면으로, 이후 도 3을 통해 설명하는 내용 중 일실시예에 따른 수면다원 검사장치를 통해 설명한 내용과 중복되는 설명은 생략하기로 한다. In other words, FIG. 3 is a view for explaining an example of a data conversion unit provided in the polysomnia examination apparatus according to the embodiment described with reference to FIG. 1 , and a polysomnia examination according to an embodiment of the contents described later with reference to FIG. 3 . Descriptions overlapping with those described through the device will be omitted.
도 3을 참조하면, 일실시예에 따른 데이터 변환부(300)는 수면다원 검사 데이터를 수신하고, 수신된 데이터의 포맷을 인공 신경망의 입력으로 적용 가능한 포맷으로 변환할 수 있다. Referring to FIG. 3 , the
예를 들면, 데이터 변환부(300)는 수면다원 검사 데이터베이스로부터 수면상태 판단 모델을 생성하기 위한 수면다원 검사 데이터를 수신할 수 있으며, 수면다원 검사 데이터베이스(120)와는 별도의 경로로 수면상태 판단 모델을 통해 수면다원 검사 결과를 판정하기 위한 수면다원 검사 데이터를 수신할 수도 있다.For example, the
이를 위해, 데이터 변환부(300)는 데이터 수신부(310), 데이터 추출부(320), 데이터 분할부(330) 및 데이터 라벨링부(340)를 포함할 수 있다. To this end, the
구체적으로, 데이터 수신부(310)는 수면다원 검사 데이터를 수신할 수 있다. Specifically, the
예를 들면, 데이터 수신부(310)는 수집된 수면다원 검사 데이터를 인공 신경망의 입력으로 사용하기 위해, 수면다원 검사 데이터베이스로부터 EDF(European data format) 형식으로 저장되는 수집된 수면다원 검사 데이터를 수신할 수 있으며, 이때, EDF 형식으로 저장되는 데이터는 적어도 하나의 감지 수단을 통해 측정된 사용자의 생체 데이터일 수 있다. For example, the
다음으로, 데이터 추출부(320)는 수집된 수면다원 검사 데이터에 대응되는 각각의 센서별 샘플링(Sampling) 주파수를 일치시키고, 샘플링 주파수가 일치된 데이터 중에서 수면상태 판단 모델에 대응되는 필요 데이터를 추출할 수 있다. Next, the
보다 구체적으로, 수면다원 검사 데이터는 하기의 표 1에 기재된 것과 같이 각 센서별로 상이한 샘플링 주파수로 저장될 수 있다.More specifically, polysomnography data may be stored at different sampling frequencies for each sensor as shown in Table 1 below.
표 1에 따르면, 수면다원 검사 데이터 중 EEG 데이터는 500 Hz, EOG 데이터는 200 Hz, EMG 데이터는 200 Hz로 저장되어 있기 때문에 데이터의 개수를 맞춰주는 동작이 필요하다.According to Table 1, since EEG data is stored at 500 Hz, EOG data at 200 Hz, and EMG data at 200 Hz among the polysomnography data, an operation to match the number of data is required.
이를 위해, 데이터 추출부(320)는 하기의 표 2에 기재된 것과 같이 EOG 데이터와 EMG 데이터를 보간하는 작업을 수행할 수 있다. To this end, the
표 2에 따르면, 데이터 추출부(320)는 보간 작업을 통해 서로 상이한 샘플링 주파수를 갖는 EEG 데이터, EOG 데이터 및 EMG 데이터의 샘플링 주파수를 일치시킬 수 있다. According to Table 2, the
다음으로, 데이터 추출부(320)는 샘플링 주파수가 일치된 데이터 중에서 수면상태 판단 모델에 대응되는 필요 데이터를 추출할 수 있다. Next, the
한편, 수면상태 판단 모델을 생성하기 위한 필요 데이터의 종류는 수면 스코어링을 수행하기 위한 판정 기준 및 사용자 입력 중 적어도 하나의 수단을 통해 결정될 수 있다. Meanwhile, the type of data required for generating the sleep state determination model may be determined through at least one of a determination criterion for performing sleep scoring and a user input.
일측에 따르면, 수면상태 판단 모델은 수면 단계(Sleep stage), 무호흡 지수(Apnea-hypopnea index, AHI), 호흡장애지수(Respiratory disturbance index; RDI), 상기도 저항 증후군(Respiratory effort-related arousals; RERA) 지수, 총 수면시간(Total sleep time; TST), 부정맥 및 주기적 사지운동증(Periodic limb movements of sleep) 지수 중 적어도 하나를 판정하기 위한 모델일 수 있으나, 일실시예에 따른 수면상태 판단 모델은 전술한 예시에 한정되지 않고 수면다원 검사를 통해 도출될 수 있는 다양한 증상을 판정하는 모델일 수 있다.According to one side, the sleep state judgment model is a sleep stage, apnea-hypopnea index (AHI), respiratory disturbance index (RDI), upper respiratory tract resistance syndrome (Respiratory effort-related arousals; RERA) ) index, total sleep time (TST), arrhythmia, and periodic limb movements of sleep index may be a model for determining at least one of the index, but the sleep state determination model according to an embodiment is It may be a model for determining various symptoms that can be derived through polysomnography without being limited to the above example.
예를 들면, 데이터 추출부(320)는 수면상태 판단 모델이 수면 단계를 판정하기 위한 모델인 경우, 샘플링 주파수가 일치된 데이터 중에서 수면 단계를 판정을 위해 필요한 데이터인 EEG 데이터, EOG 데이터 및 EMG 데이터를 필요 데이터로서 별도로 추출할 수 있다. For example, when the sleep state determination model is a model for determining a sleep phase, the
일측에 따르면, 데이터 추출부(320)는 수면다원 검사 데이터에서 필요 데이터를 추출하는 과정을 먼저 수행하고, 이후에 추출된 필요 데이터에 대응되는 각각의 센서별 샘플링 주파수를 일치시키는 과정을 수행할 수도 있다.According to one side, the
다음으로, 데이터 분할부(330)는 추출된 필요 데이터를 수면상태 판단 모델에 대응되는 시간 단위로 분할할 수 있다. Next, the
예를 들면, 데이터 분할부(330)는 수면상태 판단 모델이 수면 단계를 판정하기 위한 모델인 경우에 수면 단계는 30초 단위로 판정되므로, 추출된 필요 데이터를 30초 시간 단위로 분할할 수 있다. For example, when the sleep state determination model is a model for determining the sleep phase, the
하기의 표 3은 추출된 필요 데이터를 수면상태 판단 모델에 대응되는 시간 단위로 분할하는 예시를 나타낸다.Table 3 below shows an example of dividing the extracted necessary data into time units corresponding to the sleep state determination model.
일측에 따르면, 수면상태 판단 모델에 대응되는 시간 단위는 수면 스코어링을 수행하기 위한 판정 기준 및 사용자 입력 중 적어도 하나의 수단을 통해 사전에 결정될 수 있다.According to one side, the time unit corresponding to the sleep state determination model may be determined in advance through at least one of a determination criterion and a user input for performing sleep scoring.
다음으로, 라벨링부(340)는 데이터 분할부(330)를 통해 분할된 필요 데이터를 기설정된 라벨(Label)들로 라벨링할 수 있다. Next, the
예를 들면, 기설정된 라벨은 수면 스코어링된 데이터를 통해 추출된 라벨일 수 있다. For example, the preset label may be a label extracted through sleep scored data.
보다 구체적인 예를 들면, 라벨링부(340)는 수면상태 판단 모델이 수면단계 판정을 위한 모델인 경우에, 분할된 필요 데이터 각각을 수면 스코어링 전문가들이 사전에 매뉴얼로 표시한 W(Wake 단계), N1(수면 1단계), N2(수면 2단계), N3(수면 3단계) 및 R(REM 수면단계) 중 적어도 하나의 라벨로 라벨링할 수 있다.For a more specific example, the
다시 말해, 라벨링부(340)는 수면상태 판단 모델에 대응되는 시간 단위로 분할된 필요 데이터에 라벨을 부가하여, 분할된 필요 데이터의 포맷을 인공 신경망 기반의 입력으로 적용 가능한 포맷으로 변환할 수 있다. In other words, the
도 4는 일실시예에 따른 일실시예에 따른 수면다원 검사장치에 구비된 판단 모델 생성부에 관한 예시를 설명하기 위한 도면이다.4 is a view for explaining an example of a judgment model generator provided in the polysomnography examination apparatus according to an embodiment.
도 4는 참조하면, 참조부호 400은 일실시예에 따른 수면다원 검사장치의 판단 모델 생성부에서 수면상태 판단 모델을 생성하는 인공 신경망의 예시를 나타낸다. Referring to FIG. 4 ,
일실시예에 따른 인공 신경망(400)은 하나의 입력 레이어(410), 복수의 히든 레이어(420) 및 하나의 출력 레이어(430)로 구성될 수 있다.The artificial
여기서, 각각의 레이어는 복수 개의 노드들로 이루어져 있으며, 입력 레이어(410), 히든 레이어들(420) 및 출력 레이어(430) 순으로, 각 레이어의 노드들이 순차적인 유방향성 엣지로 연결될 수 있다.Here, each layer consists of a plurality of nodes, and in the order of the
구체적으로, 일실시예에 따른 인공 신경망(400)은 입력 레이어(410)로 데이터를 수신하고, 히든 레이어(420)를 통해 수신한 데이터를 연산하며, 최종적으로 출력 레이어(430)를 통해 연산된 데이터를 출력할 수 있다. Specifically, the artificial
예를 들면, 입력 레이어(410)를 구성하는 각 노드들은 일실시예에 따른 수면다원 검사장치의 데이터 변환부로부터 수신한 포맷이 변환된 각각의 데이터들일 수 있다.For example, each node constituting the
보다 구체적으로, 인공 신경망(400)을 통해 생성되는 수면상태 판단 모델은 입력 레이어(410)에 특정 지수를 구하기 위한 센서들의 포맷이 변환된 데이터가 입력되면 히든 레이어(420)의 연산을 거쳐, 출력 레이어(430)를 통해 특정 지수와 연관된 유사도 점수나 확률을 출력하고 이를 바탕으로 최종적으로 지수를 계산할 수 있다.More specifically, the sleep state determination model generated through the artificial
예를 들면, 수면상태 판단 모델은 수면 단계를 판단하기 위한 모델인 경우에 EEG 데이터, EMG 데이터 및 EOG 데이터가 30초 단위로 입력되어 심층 신경망을 통해 최종적으로 입력 데이터에 따른 사용자의 수면 단계에 어느 단계에 해당하는지 분류될 수 있다. For example, when the sleep state determination model is a model for determining the sleep stage, EEG data, EMG data, and EOG data are input in 30-second increments, and finally through a deep neural network, which sleep stage is determined by the user according to the input data. It can be classified by stage.
도 5a 내지 도 5b는 일실시예에 따른 수면다원 검사장치에 구비된 결과 정보 처리부에서 수면다원 검사 결과를 출력하는 예시를 설명하기 위한 도면이다. 5A to 5B are diagrams for explaining an example of outputting a polysomnia test result from a result information processing unit provided in the polysomnography test apparatus according to an exemplary embodiment.
도 5a 내지 도 5b를 참조하면, 참조부호 510 내지 520은 수면상태 판단 모델을 통해 판정된 수면다원 검사 결과를 그래프의 형식으로 출력하는 예시를 나타낸다. Referring to FIGS. 5A to 5B ,
구체적으로, 참조부호 510 내지 520에 따르면, 일실시예에 따른 결과 정보 처리부는 결과 판정부를 통해 판정된 수면다원 검사 결과를 그래프의 형식으로 변환하여 출력할 수 있다. Specifically, according to
일측에 따르면, 결과 정보 처리부는 판정된 수면다원 검사 결과 정보를 모아서 텍스트 형식으로 변환하여 출력할 수도 있으나, 결과 정보 처리부는 수면다원 검사 결과를 전술한 그래프 형식 및 텍스트 형식 이외에도 임상의 또는 사용자가 원하는 다양한 형식으로 변환하여 출력할 수 있다. According to one side, the result information processing unit may collect the determined polysomnography test result information and convert it to a text format and output it, but the result information processing unit can display the polysomnia test result in the graph format and text format as desired by the clinician or user. It can be converted and output in various formats.
도 6은 일실시예에 따른 수면다원 검사방법을 설명하기 위한 도면이다. 6 is a view for explaining a polysomnia examination method according to an embodiment.
다시 말해, 도 6은 도 1 내지 도 5b를 통해 설명한 일실시예에 따른 수면다원 검사장치에서 수행되는 검사방법에 관한 도면으로, 이후 도 6을 통해 설명하는 내용 중 일실시예에 따른 수면다원 검사장치를 통해 설명한 내용과 중복되는 설명은 생략하기로 한다. In other words, FIG. 6 is a view of a test method performed by the polysomnography test apparatus according to an embodiment described with reference to FIGS. 1 to 5B , and a polysomnia test according to an embodiment of the contents described later with reference to FIG. 6 . Descriptions overlapping with those described through the device will be omitted.
도 6을 참조하면, 610 단계에서 일실시예에 따른 수면다원 검사방법은 데이터 변환부에서 수면다원 검사 데이터를 수신하고, 수신된 데이터의 포맷(Format)을 인공 신경망(Artificial neural network)의 입력으로 적용 가능한 포맷으로 변환할 수 있다.Referring to FIG. 6 , in
다음으로, 620 단계에서 일실시예에 따른 수면다원 검사방법은 결과 판정부에서 변환된 수면다원 검사 데이터를 수면상태 판단 모델에 적용하여 수면다원 검사 결과를 판정할 수 있다.Next, in
일측에 따르면, 630 단계에서 일실시예에 따른 수면다원 검사방법은 결과 정보 처리부에서 판정된 수면다원 검사 결과를 그래프 및 텍스트 중 적어도 하나의 형식으로 변환하여 외부로 출력할 수 있다.According to one side, in
일측에 따르면, 일실시예에 따른 수면다원 검사방법은 판단 모델 생성부에서 변환된 수면다원 검사 데이터를 입력으로 인공 신경망 기반의 기계학습을 수행하여 수면상태 판단 모델을 생성하는 단계를 더 포함할 수 있다.According to one side, the polysomnia examination method according to an embodiment may further include generating a sleep state determination model by performing artificial neural network-based machine learning by inputting the polysomnia examination data converted by the determination model generation unit. have.
또한, 일실시예에 따른 수면다원 검사방법은 판단 모델 생성부에서 판정된 수면다원 검사 결과를 수신하여 인공 신경망 기반의 기계학습을 재수행하는 단계를 더 포함할 수 있다.In addition, the polysomnography test method according to an embodiment may further include receiving the polysomnia test result determined by the judgment model generator and re-performing artificial neural network-based machine learning.
도 7은 일실시예에 따른 수면다원 검사방법에서 수집된 수면다원 검사 데이터의 포맷을 변경하는 방법에 관한 예시를 설명하기 위한 도면이다. 7 is a diagram for explaining an example of a method of changing the format of polysomnia test data collected in the polysomnia test method according to an embodiment.
다시 말해, 이하에서 도 7을 통해 설명하는 수면다원 검사방법은 도 6를 통해 설명한 610 단계에서 데이터 변환부를 통해 수행될 수 있다. In other words, the polysomnia examination method described with reference to FIG. 7 below may be performed through the data converter in
도 7을 참조하면, 710 단계에서 일실시예에 따른 수면다원 검사방법은 수면다원 검사 데이터에 대응되는 각각의 센서별 샘플링(Sampling) 주파수를 일치시킬 수 있다.Referring to FIG. 7 , in
다음으로, 720 단계에서 일실시예에 따른 수면다원 검사방법은 샘플링 주파수가 일치된 데이터에서 수면상태 판단 모델에 대응되는 필요 데이터를 추출할 수 있다.Next, in
다음으로, 730 단계에서 일실시예에 따른 수면다원 검사방법은 추출된 필요 데이터를 수면상태 판단 모델에 대응되는 시간 단위로 분할할 수 있다. Next, in
한편, 740 단계에서 일실시예에 따른 수면다원 검사방법은 분할된 필요 데이터를 기설정된 라벨(Label)들로 라벨링할 수 있다. Meanwhile, in
결국, 본 발명을 이용하면, 수면상태 판단 모델을 통해 수면다원 검사 결과 분석을 자동화함으로써, 수면다원 검사에 소요되는 시간을 최소화할 수 있다.After all, by using the present invention, it is possible to minimize the time required for the polysomnography test by automating the analysis of the polysomnography test result through the sleep state determination model.
또한, 인공 신경망 기반의 기계학습을 통해 수면상태 판단 모델을 생성함으로써, 수면다원 검사의 정확성 및 신뢰성을 향상시킬 수 있다.In addition, by generating a sleep state judgment model through artificial neural network-based machine learning, the accuracy and reliability of polysomnography can be improved.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited drawings, various modifications and variations are possible from the above description by those of ordinary skill in the art. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.
110: 수면다원 검사장치 111: 데이터 변환부
112: 판단 모델 생성부 113: 결과 판정부
114: 결과 정보 처리부 120: 수면다원 검사 데이터베이스110: polysomnography inspection device 111: data conversion unit
112: judgment model generation unit 113: result determination unit
114: result information processing unit 120: polysomnia examination database
Claims (15)
상기 변환된 수면다원 검사 데이터를 입력으로 상기 인공 신경망 기반의 기계학습을 수행하여 수면상태 판단 모델을 생성하는 판단 모델 생성부; 및
상기 변환된 수면다원 검사 데이터를 상기 수면상태 판단 모델에 적용하여 수면다원 검사 결과를 판정하는 결과 판정부
를 포함하고,
상기 판단 모델 생성부는,
인공 신경망에 구비된 출력 레이어의 라벨링된 데이터(Labeled data)를 이용하여 상기 인공 신경망의 가중치(Weight)를 업데이트하는 알고리즘인 백 프로파게이션(Back propagation) 알고리즘을 이용하여, 상기 수면상태 판단 모델을 생성하고,
상기 데이터 변환부는
상기 수면다원 검사 데이터를 수신하는 데이터 수신부;
각 센서별로 상이한 샘플링 주파수로 저장되는 상기 수신된 수면다원 검사 데이터에 대해, 데이터의 개수를 맞춰주는 보간작업을 수행하여 각각의 센서별 샘플링(Sampling) 주파수를 일치시키고, 상기 샘플링 주파수가 일치된 데이터 중에서 상기 수면상태 판단 모델에 대응되는 필요 데이터를 추출하는 데이터 추출부
상기 추출된 필요 데이터를 수면상태 판단 모델에 대응되는 시간 단위로 분할하는 데이터 분할부
를 포함하는 수면다원 검사장치.a data conversion unit that receives polysomnography data and converts a format of the received polysomnography data into a format applicable as an input of an artificial neural network;
a judgment model generator for generating a sleep state judgment model by performing machine learning based on the artificial neural network by inputting the converted polysomnography test data; and
A result determination unit that determines a polysomnography test result by applying the converted polysomnography data to the sleep state determination model
including,
The judgment model generation unit,
Using the back propagation algorithm, which is an algorithm for updating the weight of the artificial neural network using the labeled data of the output layer provided in the artificial neural network, the sleep state judgment model create,
The data conversion unit
a data receiving unit for receiving the polysomnography data;
For the received polysomnography test data stored at different sampling frequencies for each sensor, an interpolation operation to match the number of data is performed to match the sampling frequency for each sensor, and the sampling frequency is matched data A data extraction unit for extracting necessary data corresponding to the sleep state determination model from among
A data division unit that divides the extracted necessary data into time units corresponding to the sleep state determination model
A polysomnography test device comprising a.
상기 수신된 수면다원 검사 데이터는
EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 체스트 벨트(Chest belt), 앱더먼 벨트(Abdomen belt), 서미스터(Thermister), 유동(Flow) 센서 및 마이크(Microphone) 중 적어도 하나의 감지 수단을 통해 측정된 사용자의 생체 데이터를 포함하는
수면다원 검사장치.According to claim 1,
The received polysomnography data is
EEG(Electroencephalogram) sensor, EOG(Electrooculography) sensor, EMG(Electromyogram) sensor, EKG(Electrokardiogramme) sensor, PPG(Photoplethysmography) sensor, Chest belt, Abdomen belt, Thermister, Including the user's biometric data measured through at least one sensing means of a flow sensor and a microphone (Microphone)
polysomnography test device.
상기 수면다원 검사 데이터는
사전에 수행된 수면다원 검사에 의해 수면다원 검사 데이터베이스에 기록된 데이터를 포함하는
수면다원 검사장치.3. The method of claim 2,
The polysomnography data are
It contains data recorded in the polysomnography database by the polysomnography performed in advance.
polysomnography test device.
상기 수신된 수면다원 검사 데이터는
상기 사용자의 생체 데이터에 대하여 수면 스코어링(Sleep scoring)된 매뉴얼 데이터를 더 포함하는
수면다원 검사장치. 4. The method of claim 3,
The received polysomnography data is
The user's biometric data further includes manual data that is scored sleep (Sleep scoring).
polysomnography test device.
상기 데이터 변환부는
상기 추출된 필요 데이터를 상기 수면상태 판단 모델에 대응되는 시간 단위로 분할하고, 상기 분할된 필요 데이터를 기설정된 라벨(Label)들로 라벨링하는
수면다원 검사장치.According to claim 1,
The data conversion unit
Splitting the extracted necessary data into time units corresponding to the sleep state determination model, and labeling the divided necessary data with preset labels
polysomnography test device.
상기 수면상태 판단 모델은
상기 수면다원 검사에 따른 수면 스코어링(Sleep scoring)을 수행하기 위한 모델인
수면다원 검사장치.According to claim 1,
The sleep state judgment model is
A model for performing sleep scoring according to the polysomnography test
polysomnography test device.
상기 수면상태 판단 모델은
상기 수면다원 검사에 따라 수면 단계(Sleep stage), 무호흡 지수(Apnea-hypopnea index, AHI), 호흡장애지수(Respiratory disturbance index; RDI), 상기도 저항 증후군(Respiratory effort-related arousals; RERA) 지수, 총 수면시간(Total sleep time; TST), 부정맥 및 주기적 사지운동증(Periodic limb movements of sleep) 지수 중 적어도 하나를 판정하기 위한 모델인
수면다원 검사장치.According to claim 1,
The sleep state judgment model is
Sleep stage, Apnea-hypopnea index (AHI), Respiratory disturbance index (RDI), Respiratory effort-related arousals (RERA) index according to the polysomnography test, A model for determining at least one of total sleep time (TST), arrhythmia, and periodic limb movements of sleep indices.
polysomnography test device.
상기 판단 모델 생성부는
상기 판정된 수면다원 검사 결과를 수신하여 상기 인공 신경망 기반의 기계학습을 재수행하는
수면다원 검사장치.According to claim 1,
The judgment model generation unit
Receiving the determined polysomnography test result and re-performing the artificial neural network-based machine learning
polysomnography test device.
상기 판정된 수면다원 검사 결과를 그래프 및 텍스트 중 적어도 하나의 형식으로 변환하여 외부로 출력하는 결과 정보 처리부를 더 포함하는
수면다원 검사장치.According to claim 1,
Further comprising a result information processing unit for converting the determined polysomnography test result into at least one format of a graph and text and outputting it to the outside
polysomnography test device.
판단 모델 생성부에서 상기 변환된 수면다원 검사 데이터를 입력으로 상기 인공 신경망 기반의 기계학습을 수행하여 수면상태 판단 모델을 생성하는 단계; 및
결과 판정부에서 상기 변환된 수면다원 검사 데이터를 수면상태 판단 모델에 적용하여 수면다원 검사 결과를 판정하는 단계
를 포함하고,
상기 수면상태 판단 모델을 생성하는 단계는,
인공 신경망에 구비된 출력 레이어의 라벨링된 데이터(Labeled data)를 이용하여 상기 인공 신경망의 가중치(Weight)를 업데이트하는 알고리즘인 백 프로파게이션(Back propagation) 알고리즘을 이용하여, 상기 수면상태 판단 모델을 생성하는 단계
를 포함하고,
상기 변환하는 단계는
상기 수면다원 검사 데이터를 수신하는 단계;
각 센서별로 상이한 샘플링 주파수로 저장되는 상기 수신된 수면다원 검사 데이터에 대해, 데이터의 개수를 맞춰주는 보간작업을 수행하여 각각의 센서별 샘플링(Sampling) 주파수를 일치시키는 단계;
상기 샘플링 주파수가 일치된 데이터 중에서 상기 수면상태 판단 모델에 대응되는 필요 데이터를 추출하는 단계;
상기 추출된 필요 데이터를 수면상태 판단 모델에 대응되는 시간 단위로 분할하는 단계
를 포함하는 수면다원 검사방법.receiving polysomnography data from a data conversion unit, and converting the received polysomnography data into a format applicable as an input of an artificial neural network;
generating a sleep state judgment model by performing machine learning based on the artificial neural network by inputting the converted polysomnography data in the judgment model generator; and
determining the polysomnography test result by applying the converted polysomnia test data to a sleep state judgment model in the result determining unit
including,
The step of generating the sleep state determination model comprises:
Using the back propagation algorithm, which is an algorithm for updating the weight of the artificial neural network using the labeled data of the output layer provided in the artificial neural network, the sleep state judgment model steps to create
including,
The converting step is
receiving the polysomnography data;
matching the sampling frequency for each sensor by performing an interpolation operation for matching the number of data on the received polysomnography data stored at different sampling frequencies for each sensor;
extracting necessary data corresponding to the sleep state determination model from among the data in which the sampling frequency is matched;
dividing the extracted necessary data into time units corresponding to the sleep state determination model
A polysomnography test method comprising a.
상기 변환하는 단계는
상기 추출된 필요 데이터를 상기 수면상태 판단 모델에 대응되는 시간 단위로 분할하는 단계 및
상기 분할된 필요 데이터를 기설정된 라벨(Label)들로 라벨링하는 단계
를 더 포함하는 수면다원 검사방법.13. The method of claim 12,
The converting step is
dividing the extracted necessary data into time units corresponding to the sleep state determination model; and
Labeling the divided necessary data with preset labels (Labels)
A polysomnography test method further comprising a.
결과 정보 처리부에서 상기 판정된 수면다원 검사 결과를 그래프 및 텍스트 중 적어도 하나의 형식으로 변환하여 외부로 출력하는 단계
를 더 포함하는 수면다원 검사방법.13. The method of claim 12,
converting the determined polysomnography test result into at least one format of a graph and text by the result information processing unit and outputting it to the outside
A polysomnography test method further comprising a.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180169059A KR102267105B1 (en) | 2018-12-26 | 2018-12-26 | Apparatus and method for inspecting sleep disorder based on deep-learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180169059A KR102267105B1 (en) | 2018-12-26 | 2018-12-26 | Apparatus and method for inspecting sleep disorder based on deep-learning |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200079676A KR20200079676A (en) | 2020-07-06 |
KR102267105B1 true KR102267105B1 (en) | 2021-06-22 |
Family
ID=71571607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180169059A KR102267105B1 (en) | 2018-12-26 | 2018-12-26 | Apparatus and method for inspecting sleep disorder based on deep-learning |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102267105B1 (en) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102403076B1 (en) * | 2020-08-14 | 2022-05-31 | 서울대학교산학협력단 | Sleep disorder inspecting apparatus and method thereof |
US20240252107A1 (en) * | 2020-08-04 | 2024-08-01 | Asleep | Computing device for predicting sleep state on basis of data measured in sleep environment of user |
KR102253946B1 (en) * | 2020-08-04 | 2021-05-20 | 주식회사 에이슬립 | Computer device for prediction sleep state based on data measured in user's sleep environment |
TWI756793B (en) * | 2020-08-24 | 2022-03-01 | 長庚醫療財團法人林口長庚紀念醫院 | A channel information processing system |
KR102371443B1 (en) * | 2020-08-24 | 2022-03-08 | (주)허니냅스 | Automatic system of analyzing sleep steps by using artificial intelligence and operating method thereof |
WO2022046939A1 (en) * | 2020-08-25 | 2022-03-03 | University Of Southern California | Deep learning based sleep apnea syndrome portable diagnostic system and method |
KR102440217B1 (en) * | 2020-10-29 | 2022-09-07 | 경상국립대학교산학협력단 | System and device for determining sleep stages based on deep-learning |
KR102514479B1 (en) * | 2020-12-10 | 2023-03-27 | 주식회사 브레인유 | Method for providing information of epilepsy and device using the same |
KR102387734B1 (en) * | 2021-04-22 | 2022-04-18 | 주식회사 에이슬립 | Sleep state determination method, apparatus and computer program through non-contact data collection |
KR102665153B1 (en) * | 2021-11-30 | 2024-05-13 | (주)허니냅스 | Apnea diagnosis device and method of operation thereof |
KR20240012168A (en) * | 2022-07-20 | 2024-01-29 | 한양대학교 산학협력단 | Method and system for training sleep stage classification model based on self-supervised learning with limited labeled data |
KR102548379B1 (en) * | 2022-12-28 | 2023-06-28 | 주식회사 베러마인드 | Method of snoring classfication based on image transforming using artificial intelligence |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6805668B1 (en) * | 2001-06-26 | 2004-10-19 | Cadwell Industries, Inc. | System and method for processing patient polysomnograph data utilizing multiple neural network processing |
WO2006121455A1 (en) | 2005-05-10 | 2006-11-16 | The Salk Institute For Biological Studies | Dynamic signal processing |
KR101235441B1 (en) * | 2010-08-01 | 2013-02-20 | 연세대학교 산학협력단 | Bio-signals based automatic sleep-stage identification system |
KR20180075832A (en) * | 2016-12-27 | 2018-07-05 | 바이텔스 주식회사 | Method and Apparatus for Monitoring Sleep State |
-
2018
- 2018-12-26 KR KR1020180169059A patent/KR102267105B1/en active IP Right Grant
Also Published As
Publication number | Publication date |
---|---|
KR20200079676A (en) | 2020-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102267105B1 (en) | Apparatus and method for inspecting sleep disorder based on deep-learning | |
US20190150788A1 (en) | Detection of sleep apnea using respiratory signals | |
Wang et al. | Detection of Sleep Apnea from Single‐Lead ECG Signal Using a Time Window Artificial Neural Network | |
Fu et al. | A Bayesian approach for sleep and wake classification based on dynamic time warping method | |
Cheng et al. | Prediction of arterial blood pressure waveforms from photoplethysmogram signals via fully convolutional neural networks | |
Mei et al. | Classification of heart sounds based on quality assessment and wavelet scattering transform | |
WO2015161688A1 (en) | Blood pressure measurement method and embedded device for implementing same | |
De Chazal et al. | Sleep apnoea classification using heart rate variability, ECG derived respiration and cardiopulmonary coupling parameters | |
Karandikar et al. | Detection of sleep apnea events via tracking nonlinear dynamic cardio-respiratory coupling from electrocardiogram signals | |
Morales et al. | Sleep apnea hypopnea syndrome classification in spo 2 signals using wavelet decomposition and phase space reconstruction | |
Thommandram et al. | Detection of apnoea from respiratory time series data using clinically recognizable features and kNN classification | |
US10149647B2 (en) | Weaning readiness indicator, sleeping status recording device, and air providing system applying nonlinear time-frequency analysis | |
Yu et al. | ECG R-wave peaks marking with simultaneously recorded continuous blood pressure | |
US20210085242A1 (en) | System and method for determining sleep stages based on non-cardiac body signals | |
Amit et al. | Respiratory modulation of heart sound morphology | |
Behbahani | A hybrid algorithm for heart sounds segmentation based on phonocardiogram | |
Mubarak et al. | Quality assessment and classification of heart sounds using PCG signals | |
Parvaneh et al. | Automatic detection of arousals during sleep using multiple physiological signals | |
Moukadem et al. | High Order Statistics and Time‐Frequency Domain to Classify Heart Sounds for Subjects under Cardiac Stress Test | |
Hossen | A new simple efficient classification technique for severity of sleep apnea with mathematical model and interpretation | |
Oweis et al. | Heart sounds segmentation utilizing teager energy operator | |
Khandoker et al. | Modeling respiratory movement signals during central and obstructive sleep apnea events using electrocardiogram | |
Pasha et al. | Two-stage artificial intelligence clinical decision support system for cardiovascular assessment using convolutional neural networks and decision trees | |
Wang et al. | Photoplethysmography-based heart action monitoring using a growing multilayer network | |
Stojanovski et al. | Real-time sleep apnea detection with one-channel ecg based on edge computing paradigm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |