Nothing Special   »   [go: up one dir, main page]

WO2024219776A1 - Apparatus and method for diagnosing disease on basis of artificial intelligence by using blood flow signals measured by means of optical method - Google Patents

Apparatus and method for diagnosing disease on basis of artificial intelligence by using blood flow signals measured by means of optical method Download PDF

Info

Publication number
WO2024219776A1
WO2024219776A1 PCT/KR2024/005038 KR2024005038W WO2024219776A1 WO 2024219776 A1 WO2024219776 A1 WO 2024219776A1 KR 2024005038 W KR2024005038 W KR 2024005038W WO 2024219776 A1 WO2024219776 A1 WO 2024219776A1
Authority
WO
WIPO (PCT)
Prior art keywords
blood flow
data
disease diagnosis
artificial intelligence
activity
Prior art date
Application number
PCT/KR2024/005038
Other languages
French (fr)
Korean (ko)
Inventor
송철
정한빈
장연희
여채범
Original Assignee
재단법인대구경북과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020230052043A external-priority patent/KR20240155570A/en
Application filed by 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Publication of WO2024219776A1 publication Critical patent/WO2024219776A1/en

Links

Images

Definitions

  • the present invention relates to an artificial intelligence-based disease diagnosis device and method using a blood flow signal measured by an optical method, and more particularly, to an artificial intelligence-based disease diagnosis device and method capable of diagnosing a disease using a blood flow signal measured by an optical method.
  • vascular diseases Due to the aging population and lifestyle habits, vascular diseases are increasing, and the social and economic burdens caused by them are rapidly increasing.
  • blood pressure, blood flow velocity, and stenosis measurements are widely used, and recently, research is actively being conducted to analyze changes in life phenomena using frequency analysis of blood flow signals.
  • the technical task of the present invention is to provide a disease diagnosis device and method capable of diagnosing a disease with a short blood flow signal measurement time of about 1 minute.
  • the technical task to be achieved by the present invention is to provide a disease diagnosis device and method capable of diagnosing a disease by applying various physiological data related to life phenomena to an artificial intelligence algorithm.
  • the present invention provides a disease diagnosis device and method capable of confirming a vital phenomenon by comparing blood flow reactivity without additional stimulation.
  • an AI-based disease diagnosis device using a blood flow signal measured by an optical method includes: a data preprocessing unit which generates input data necessary for AI-based disease diagnosis by frequency analyzing received blood flow signal data; and an AI-based disease diagnosis unit which diagnoses a disease using the input data and an AI model; wherein the input data may include relative magnitude data of a plurality of frequency bands associated with a life phenomenon with respect to blood flow vibration data generated as a result of the frequency analysis of the blood flow signal data.
  • the data preprocessing unit may include a blood flow signal data analysis unit that generates the blood flow vibration data by performing frequency analysis of the received blood flow signal data using continuous wavelet transform, fast Fourier transform, etc.; and a blood flow vibration data analysis unit that generates the input data using the blood flow vibration data.
  • the artificial intelligence-based disease diagnosis unit may include a disease diagnosis artificial intelligence model that diagnoses a disease using the input data based on a disease diagnosis machine learning or deep learning algorithm including gradient tree boost, random forest, adaboost, etc.
  • the artificial intelligence-based disease diagnosis unit further includes a disease diagnosis result output unit that outputs the disease diagnosis result and provides it to a user terminal; and the blood flow signal data can be received in blood flow signal sections of a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release).
  • Baseline normal state
  • Occlusion compression state
  • Release relaxation state
  • the frequency bands associated with the above life phenomena can be divided into metabolic activity (0.01 - 0.076 Hz), neural activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz) for small animals.
  • the frequency bands can be divided into metabolic activity (0.005 - 0.021 Hz), neural activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz).
  • An AI-based disease diagnosis method using a blood flow signal measured by an optical method comprises the steps of: a) receiving blood flow signal data measured and generated using an optical method; b) generating blood flow vibration data and relative magnitude data through frequency analysis of the blood flow signal data; c) learning a disease diagnosis AI model using the relative magnitude data; and d) performing a disease diagnosis analysis using input data and the disease diagnosis AI model, wherein the input data includes the relative magnitude data of a plurality of frequency bands associated with a life phenomenon with respect to blood flow vibration data generated as a result of the frequency analysis of the blood flow signal data.
  • the step c) includes a step of classifying the relative scale data into training data and evaluation data.
  • the step c) may further include a step of performing K-fold cross validation using the training data; and a step of performing hyperparameter tuning based on the result of the K-fold cross validation.
  • the step d) may include a step of diagnosing a disease using the evaluation data based on a disease diagnosis machine learning or deep learning algorithm including gradient tree boost, random forest, adaboost, etc.
  • the step b) may generate the blood flow vibration data by frequency analyzing the received blood flow signal data using continuous wavelet transform, fast Fourier transform, etc., and may generate the relative scale data using the blood flow vibration data.
  • the frequency bands associated with the above life phenomena can be divided into metabolic activity (0.01 - 0.076 Hz), neural activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz) for small animals.
  • the frequency bands can be divided into metabolic activity (0.005 - 0.021 Hz), neural activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz).
  • the blood flow signal data can be received in blood flow signal sections of a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release).
  • an AI-based disease diagnosis device can diagnose a disease with a short measurement without additional stimulation such as pressure or temperature. This allows patients and hospitals to save time and costs since the additional stimulation process is omitted.
  • an AI-based disease diagnosis device can diagnose a disease by analyzing related life phenomena by frequency band of a blood flow signal. Through this, diseases of metabolism, nerves, muscles, respiratory organs, and heart can be identified by measuring only blood flow signals, which can drastically reduce time and cost.
  • FIG. 1 is a schematic diagram illustrating an artificial intelligence-based disease diagnosis device using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating an artificial intelligence-based disease diagnosis device using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIG. 3 is a flowchart illustrating an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIG. 4 is a flowchart illustrating steps S130 and S140 of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIGS. 5 and 6 are reference diagrams illustrating blood flow signal data and blood flow vibration data of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIG. 7 is a reference diagram illustrating the configuration of relative scale data of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIG. 8 is a reference diagram illustrating a diabetes diagnosis result of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIG. 9 is a reference diagram illustrating the results of a gradient tree boost algorithm of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIGS. 10 and 11 are reference diagrams illustrating the results of Pearson correlation coefficients in an artificial intelligence-based disease diagnosis process using blood flow signals measured by an optical method according to an embodiment of the present invention.
  • FIG. 1 is a schematic diagram illustrating an artificial intelligence-based disease diagnosis device using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • a disease diagnosis device (100) may include a data preprocessing unit (110) and an artificial intelligence-based disease diagnosis unit (120).
  • An optical-based blood flow signal measuring device (20) can measure blood flow signals of a living body using an optical method to generate blood flow signal data.
  • the optical-based blood flow signal measuring device (20) can provide blood flow signal data to a disease diagnosis device (100).
  • the blood flow signal data can include blood flow signals by time zone.
  • the data preprocessing unit (110) can generate blood flow vibration data by performing frequency analysis on blood flow signal data received from an optical-based blood flow signal measuring device (20). At this time, the data preprocessing unit (110) can analyze the blood flow signal data using continuous wavelet transform, fast Fourier transform, etc. For example, the data preprocessing unit (110) can generate blood flow vibration data as a frequency analysis result by using continuous wavelet transform, fast Fourier transform, etc.
  • the data preprocessing unit (110) can generate relative magnitude data used as input data for a disease diagnosis artificial intelligence model using the blood flow vibration data.
  • the relative magnitude data can distinguish related life phenomena by multiple frequency bands of the blood flow vibration data and include a ratio value of each relative magnitude.
  • the AI-based disease diagnosis unit (120) can perform disease diagnosis analysis using relative scale data based on a disease diagnosis AI model. At this time, the process of learning the disease diagnosis AI model will be described later in FIGS. 4 and 5.
  • the artificial intelligence-based disease diagnosis unit (120) can reliably output disease diagnosis results without long-term stimulation and measurement time by using a learned artificial intelligence model.
  • the artificial intelligence-based disease diagnosis unit (120) can provide disease diagnosis results to the user terminal (30).
  • the user terminal (30) can provide the user with the disease diagnosis results received from the artificial intelligence-based disease diagnosis unit (120).
  • the user terminal (30) can include at least one of a smartphone, a desktop computer, a game console, a smart watch, a radio, a speaker, a TV, a laptop, a tablet PC, and a VR/AR device, but is not limited thereto.
  • the disease diagnosis device (100) of the present invention can diagnose a disease with a short measurement without additional stimulation such as pressure or temperature. Through this, the additional stimulation process is omitted, so patients and hospitals can save time and cost.
  • FIG. 2 is a block diagram illustrating the configuration of an artificial intelligence-based disease diagnosis device using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • the disease diagnosis device (100) may include a data preprocessing unit (110) and an artificial intelligence-based disease diagnosis unit (120).
  • the data preprocessing unit (110) may include a blood flow signal data analysis unit (111) and a blood flow vibration data analysis unit (112), and the artificial intelligence-based disease diagnosis unit (120) may include a disease diagnosis artificial intelligence model (121) and a disease diagnosis result output unit (122).
  • the blood flow signal data analysis unit (111) can analyze and segment the blood flow signal data received from the optical-based blood flow signal measurement device.
  • the blood flow signal data can be segmented into a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release) based on the blood flow signal by time zone.
  • the normal state is a state in which no pressure is applied
  • the compression state is a state in which blood flow is blocked by compression
  • the relaxation state is a state in which blood flow occurs again by releasing the compression, and each can be segmented into a different blood flow signal section.
  • the blood flow signal data analysis unit (111) can generate blood flow vibration data by frequency analyzing blood flow signal data received from an optical-based blood flow signal measurement device. At this time, the blood flow signal data analysis unit (111) can generate blood flow vibration data using continuous wavelet transform, fast Fourier transform, etc. Here, the blood flow signal data analysis unit (111) can generate blood flow vibration data for each blood flow signal section.
  • the blood flow vibration data analysis unit (112) can generate relative magnitude data using blood flow vibration data.
  • the relative magnitude data is data that extracts vibration magnitude by frequency band of blood flow vibration data and expresses it as a ratio value by band.
  • the frequency bands that distinguish the relative scale data can be distinguished by each life phenomenon.
  • the frequency bands of small animals that distinguish relative size data can be distinguished as metabolic activity (0.01 - 0.076 Hz), neurogenic activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz).
  • the frequency bands of humans can be distinguished as metabolic activity (0.005 - 0.021 Hz), neurogenic activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz).
  • relative scale data can be generated with a relative scale ratio of 47% for metabolic activity, 1% for nervous activity, 4% for muscular activity, 10% for respiratory activity, and 38% for cardiac activity.
  • the disease diagnosis artificial intelligence model (121) can diagnose a disease by using relative scale data as input data based on a disease diagnosis machine learning and deep learning algorithm.
  • the disease diagnosis machine learning and deep learning algorithm can be implemented by including gradient tree boost, random forest, Adaboost, etc.
  • the disease diagnosis result output unit (122) can output the disease diagnosis result generated from the disease diagnosis artificial intelligence model.
  • the disease diagnosis result can include feature importance, evaluation accuracy, verification accuracy, and AUC score by algorithm, life phenomenon, or algorithm, and blood flow signal section. Detailed disease diagnosis result will be described later with related references.
  • the disease diagnosis result output unit (122) can provide the disease diagnosis result to a user terminal.
  • the user terminal (30) can include at least one of a smartphone, a desktop computer, a game console, a smart watch, a radio, a speaker, a TV, a laptop, a tablet PC, and a VR/AR device, but is not limited thereto.
  • FIG. 3 is a flowchart illustrating an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • the disease diagnosis device (100) can receive blood flow signal data measured and generated using an optical method.
  • the blood flow signal data can include blood flow signals by time zone.
  • the disease diagnosis device (100) can generate blood flow vibration data and relative size data through blood flow signal frequency analysis.
  • the disease diagnosis device (100) can analyze and segment blood flow signal data.
  • the blood flow signal data can be divided into a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release) according to the external pressure application section.
  • the normal state, the compression state, and the relaxation state are called blood flow signal sections.
  • the disease diagnosis device (100) can generate blood flow vibration data by analyzing the received blood flow signal data. At this time, the disease diagnosis device (100) can generate blood flow vibration data using continuous wavelet transform, fast Fourier transform, etc., and the blood flow vibration data can be generated for each blood flow signal section.
  • the disease diagnosis device (100) can generate relative scale data using the generated blood flow vibration data.
  • the relative scale data divides the blood flow vibration data into multiple frequency bands, extracts the vibration scale for each frequency band, and displays it as a relative scale ratio for other frequency bands.
  • each frequency band can be associated with a life phenomenon.
  • multiple frequency bands of relative scale data can be distinguished as metabolic activity (0.01 - 0.076 Hz), neural activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz).
  • multiple frequency bands of relative scale data can be distinguished as metabolic activity (0.005 - 0.021 Hz), neural activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz).
  • Relative magnitude data can be expressed as 47% metabolic activity, 1% nervous activity, 4% muscular activity, 10% respiratory activity, and 38% cardiac activity.
  • the disease diagnosis device (100) can learn a disease diagnosis artificial intelligence model using relative scale data. At this time, the disease diagnosis device (100) can learn the disease diagnosis artificial intelligence model using K-fold cross validation and hyperparameter tuning.
  • the disease diagnosis device (100) can perform a disease diagnosis analysis using a disease diagnosis artificial intelligence model.
  • the disease diagnosis artificial intelligence model can diagnose a disease based on a disease diagnosis machine learning or deep learning algorithm, and the disease diagnosis machine learning or deep learning algorithm can include a gradient tree boost, a random forest, an Adaboost, etc.
  • the disease diagnosis results generated as a result of disease diagnosis analysis using the disease diagnosis artificial intelligence model may include at least one of feature importance, evaluation accuracy, verification accuracy, and AUC score for each algorithm-specific life phenomenon or each algorithm-specific blood flow signal section, and the detailed disease diagnosis results will be described later along with related references.
  • FIG. 4 is a flowchart illustrating steps S130 and S140 of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • the disease diagnosis device (100) can classify the relative size data input as input data into training data and evaluation data.
  • the classification criteria for training data and evaluation data are set according to K-fold cross validation in step (S132). For example, when the user uses 5-fold cross validation in step (S132), K becomes 5, so 20%, which is the value obtained by dividing 100 by 5, can be classified as evaluation data, and the remaining 80% as training data.
  • the disease diagnosis device (100) can perform K-fold cross validation using training data.
  • K-fold cross validation is a cross validation method that evaluates performance by dividing training data into K folds, using one fold as a validation set, and the remaining (K-1) folds as training sets, repeating K times, and using all folds as validation sets.
  • the K value of K-fold cross validation can be set by the user.
  • the training data is divided into 5 folds, one fold is used as a validation set, and the remaining 4 folds are used as training sets, so a total of 5 cross-validations can be performed.
  • the disease diagnosis device (100) can perform hyperparameter tuning on the disease diagnosis artificial intelligence model.
  • the hyperparameter tuning can be performed using optimal parameters generated based on the K-fold cross validation method.
  • the disease diagnosis device (100) can perform disease diagnosis analysis by applying a disease diagnosis machine learning or deep learning algorithm to the evaluation data.
  • the disease diagnosis machine learning or deep learning algorithm may include gradient tree boost (A1), random forest (A2), and adaboost (A3).
  • the disease diagnosis results generated as a result of the disease diagnosis analysis may include feature importance, evaluation accuracy, verification accuracy, and AUC score for each algorithm-specific life phenomenon or each algorithm-specific blood flow signal section. Detailed disease diagnosis results will be described later along with related references.
  • step (S142) the disease diagnosis device (100) can output a disease diagnosis result.
  • the disease diagnosis result may be provided to a user terminal.
  • FIGS. 5 and 6 are reference diagrams illustrating blood flow signal data (F) and blood flow vibration data (V) of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • the blood flow signal data (F) includes blood flow signals by time zone, and can be classified into blood flow signal sections of a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release) based on external pressure applied by time zone.
  • Blood flow signal data (F) can be displayed as a relative value based on a reference value (e.g., compression state).
  • Blood flow vibration data (V) can be generated based on the vibration magnitude according to frequency. At this time, the blood flow vibration data can also be generated for each blood flow signal section.
  • FIG. 7 is a reference diagram illustrating the configuration of relative scale data (P) of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • the relative magnitude data (P) divides the frequency bands of blood flow vibration data based on the associated life phenomenon, and provides the relative ratio of the vibration magnitude for each divided frequency band.
  • the relative magnitude data (P) can also be generated for each blood flow signal section.
  • Life phenomena associated with distinct frequency bands can be distinguished as metabolic activity (0.01 - 0.076 Hz), nervous activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz) in small animals.
  • metabolic activity (0.005 - 0.021 Hz), nervous activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz) in humans.
  • embodiments of the present invention enable higher accuracy disease diagnosis by preprocessing blood flow signal vibration data into frequency band relative scale data related to a life phenomenon, training an artificial intelligence model, and utilizing the data as input.
  • FIG. 8 is a reference diagram evaluating the results of a diabetes diagnosis of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • the evaluation metrics used here are Accuracy, Precision, Recall, and F1 score, which are mainly used to evaluate the performance of artificial intelligence algorithms.
  • F1 score (2*precision*recall)/(precision+recall)
  • TP true positive
  • TN true negative
  • FP false positive
  • FN false negative
  • the disease diagnosis results may include verification accuracy, evaluation accuracy, and AUC scores for each blood flow signal section, and since the evaluation scores of the normal state (Baseline) are all over 0.8, and compared to the verification accuracy, evaluation accuracy, and AUC scores of other blood flow signal sections, they are all the highest, so it can be judged that the best result has been obtained.
  • FIG. 9 is a reference diagram illustrating the results of a gradient tree boost algorithm of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
  • FIGS. 10 and 11 are reference diagrams illustrating the results of Pearson correlation coefficients in an artificial intelligence-based disease diagnosis process using blood flow signals measured by an optical method according to an embodiment of the present invention.
  • An AI-based disease diagnosis device and method provide a disease diagnosis device and method capable of diagnosing a disease by applying various physiological data related to a life phenomenon to an AI algorithm, and can confirm a life phenomenon by comparing blood flow reactivity without additional stimulation. In other words, since an additional stimulation process is omitted, patients and hospitals can save time and cost.

Landscapes

  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

The present invention relates to an apparatus and a method for diagnosing a disease on the basis of artificial intelligence, wherein a disease can be diagnosed by using blood flow signals measured by means of an optical method, the apparatus comprising: a data preprocessing unit that generates input data required for artificial intelligence-based disease diagnosis by performing frequency analysis on received blood flow signal data; and an artificial intelligence-based disease diagnosis unit that diagnoses a disease by using the input data and an artificial intelligence model, wherein the input data includes relative magnitude data in a plurality of frequency bands associated with life phenomena for blood flow vibration data generated as a result of the frequency analysis on the blood flow signal data.

Description

광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 장치 및 그 방법AI-based disease diagnosis device and method using blood flow signals measured by optical methods
본 발명은 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 장치 및 그 방법에 관한 것으로, 광학 방법으로 측정된 혈류 신호를 이용하여 질병을 진단할 수 있는 인공지능 기반 질병 진단 장치 및 그 방법에 관한 것이다.The present invention relates to an artificial intelligence-based disease diagnosis device and method using a blood flow signal measured by an optical method, and more particularly, to an artificial intelligence-based disease diagnosis device and method capable of diagnosing a disease using a blood flow signal measured by an optical method.
인구의 고령화 및 생활 습관으로 인해 혈관 질환이 증가하고 있고, 이로 인한 사회적 및 경제적 부담이 급증하고 있는 실정이다. 혈관 질환을 진단하고 모니터링하는 여러 수치 중 혈압, 혈류 속도 및 협착도 측정이 널리 활용되고 있으며, 최근에는 혈류 신호는 주파수 분석을 이용하여 생명 현상의 변화를 분석하는 연구가 활발하게 이루어지고 있다. Due to the aging population and lifestyle habits, vascular diseases are increasing, and the social and economic burdens caused by them are rapidly increasing. Among the various values for diagnosing and monitoring vascular diseases, blood pressure, blood flow velocity, and stenosis measurements are widely used, and recently, research is actively being conducted to analyze changes in life phenomena using frequency analysis of blood flow signals.
한편, 종래에는 혈류 신호의 분석을 이용하여 사람 또는 설치류의 특정 주파수와 사람의 생명 현상과의 관계를 분석하는 기술이 존재하였다. Meanwhile, in the past, there existed a technology to analyze the relationship between specific frequencies of humans or rodents and human life phenomena by using analysis of blood flow signals.
그러나, 종래의 기술은 분석을 위한 데이터를 획득하기 위해 다양한 조건의 15분 이상의 혈류 신호 측정 과정을 지속해야 하며, 혈류 반응성을 비교하여 생명 현상의 변화를 확인하기 위해서는 압력이나 온도 등의 특정 자극이 장시간 필요하다는 한계가 존재하였다.However, conventional techniques have limitations in that they require continuous measurement of blood flow signals for more than 15 minutes under various conditions to obtain data for analysis, and require specific stimuli such as pressure or temperature for a long period of time to confirm changes in life phenomena by comparing blood flow reactivity.
따라서, 앞서 설명한 종래 기술의 한계를 해결하기 위해, 간단한 조건과 짧은 시간의 혈류 신호 측정으로도 질병 진단을 수행할 수 있는 질병 진단 장치 및 그 방법의 필요성이 존재하였다.Therefore, in order to solve the limitations of the prior art described above, there was a need for a disease diagnosis device and method capable of performing disease diagnosis even with simple conditions and short-term blood flow signal measurements.
전술한 문제점을 해결하기 위해 본 발명이 이루고자 하는 기술적 과제는 1분 내외의 짧은 혈류 신호 측정 시간으로 질병 진단이 가능한 질병 진단 장치 및 그 방법을 제공하는 것이다. In order to solve the above-mentioned problems, the technical task of the present invention is to provide a disease diagnosis device and method capable of diagnosing a disease with a short blood flow signal measurement time of about 1 minute.
또한, 본 발명이 이루고자 하는 기술적 과제는 생명현상과 연관된 다양한 생리적 데이터를 인공지능 알고리즘에 적용하여 질병 진단을 가능한 질병 진단 장치 및 그 방법을 제공하는 것이다.In addition, the technical task to be achieved by the present invention is to provide a disease diagnosis device and method capable of diagnosing a disease by applying various physiological data related to life phenomena to an artificial intelligence algorithm.
또한, 본 발명은 추가 자극없이 혈류 반응성을 비교하여 생명 현상을 확인할 수 있는 질병 진단 장치 및 그 방법을 제공하는 것이다.In addition, the present invention provides a disease diagnosis device and method capable of confirming a vital phenomenon by comparing blood flow reactivity without additional stimulation.
상기 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 장치는, 수신한 혈류 신호 데이터를 주파수 분석함으로써, 인공지능 기반 질병 진단에 필요한 입력 데이터를 생성하는 데이터 전처리부; 및 상기 입력 데이터 및 인공지능 모델을 이용하여 질병을 진단하는 인공지능 기반 질병 진단부; 를 포함하고, 상기 입력 데이터는 상기 혈류 신호 데이터의 주파수 분석 결과로 생성된 혈류 진동 데이터에 대해 생명 현상과 연관된 복수의 주파수 대역의 상대 규모(Magnitude) 데이터를 포함할 수 있다. In order to solve the above technical problem, an AI-based disease diagnosis device using a blood flow signal measured by an optical method according to one embodiment of the present invention includes: a data preprocessing unit which generates input data necessary for AI-based disease diagnosis by frequency analyzing received blood flow signal data; and an AI-based disease diagnosis unit which diagnoses a disease using the input data and an AI model; wherein the input data may include relative magnitude data of a plurality of frequency bands associated with a life phenomenon with respect to blood flow vibration data generated as a result of the frequency analysis of the blood flow signal data.
또한, 상기 데이터 전처리부는, 상기 수신한 혈류 신호 데이터를 연속 웨이블릿 변환, 고속 푸리에 변환 등을 이용하여 주파수 분석함으로써 상기 혈류 진동 데이터를 생성하는 혈류 신호 데이터 분석부; 및 상기 혈류 진동 데이터를 이용하여 상기 입력 데이터를 생성하는 혈류 진동 데이터 분석부; 를 포함할 수 있다. In addition, the data preprocessing unit may include a blood flow signal data analysis unit that generates the blood flow vibration data by performing frequency analysis of the received blood flow signal data using continuous wavelet transform, fast Fourier transform, etc.; and a blood flow vibration data analysis unit that generates the input data using the blood flow vibration data.
또한, 상기 인공지능 기반 질병 진단부는, 그레디언트 트리 부스트, 랜덤 포레스트, 에이다부스트 등을 포함하는 질병 진단 머신러닝, 딥러닝 알고리즘을 기반으로 상기 입력 데이터를 이용하여 질병을 진단하는 질병 진단 인공지능 모델;을 포함할 수 있다. In addition, the artificial intelligence-based disease diagnosis unit may include a disease diagnosis artificial intelligence model that diagnoses a disease using the input data based on a disease diagnosis machine learning or deep learning algorithm including gradient tree boost, random forest, adaboost, etc.
여기서, 상기 인공지능 기반 질병 진단부는, 상기 질병 진단 결과를 출력 및 사용자 단말로 제공하는 질병 진단 결과 출력부; 를 더 포함하며, 상기 혈류 신호 데이터는 정상 상태(Baseline), 압박 상태(Occlusion) 및 이완 상태(Release)의 혈류 신호 구간에서 수신될 수 있다. Here, the artificial intelligence-based disease diagnosis unit further includes a disease diagnosis result output unit that outputs the disease diagnosis result and provides it to a user terminal; and the blood flow signal data can be received in blood flow signal sections of a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release).
또한, 상기 생명 현상과 연관된 주파수 대역은 소동물의 경우 신진대사 활동(0.01 - 0.076 Hz), 신경성 활동(0.076 - 0.2 Hz), 근육 활동 (0.2 - 0.74 Hz), 호흡기 활동 (0.74 - 2 Hz) 및 심장 활동 (2 - 5 Hz)로 구분될 수 있다. 사람의 경우 신진대사 활동(0.005 - 0.021 Hz), 신경성 활동(0.021 - 0.052 Hz), 근육 활동 (0.052 - 0.145 Hz), 호흡기 활동 (0.145 - 0.6 Hz) 및 심장 활동 (0.6 - 2 Hz)로 구분될 수 있다. In addition, the frequency bands associated with the above life phenomena can be divided into metabolic activity (0.01 - 0.076 Hz), neural activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz) for small animals. In humans, the frequency bands can be divided into metabolic activity (0.005 - 0.021 Hz), neural activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz).
본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 방법은, a) 광학 방법을 이용하여 측정 및 생성된 혈류 신호 데이터를 수신하는 단계; b) 상기 혈류 신호 데이터에 대한 주파수 분석을 통해 혈류 진동 데이터 및 상대 규모 데이터를 생성하는 단계; c) 상기 상대 규모 데이터를 이용하여 질병 진단 인공지능 모델을 학습하는 단계; 및 d) 입력 데이터와 상기 질병 진단 인공지능 모델을 이용하여 질병 진단 분석을 수행하는 단계;를 포함하고, 상기 입력 데이터는 상기 혈류 신호 데이터의 주파수 분석 결과로 생성된 혈류 진동 데이터에 대해 생명 현상과 연관된 복수의 주파수 대역의 상기 상대 규모 데이터를 포함한다. An AI-based disease diagnosis method using a blood flow signal measured by an optical method according to an embodiment of the present invention comprises the steps of: a) receiving blood flow signal data measured and generated using an optical method; b) generating blood flow vibration data and relative magnitude data through frequency analysis of the blood flow signal data; c) learning a disease diagnosis AI model using the relative magnitude data; and d) performing a disease diagnosis analysis using input data and the disease diagnosis AI model, wherein the input data includes the relative magnitude data of a plurality of frequency bands associated with a life phenomenon with respect to blood flow vibration data generated as a result of the frequency analysis of the blood flow signal data.
여기서, 상기 단계 c)는, 상기 상대 규모 데이터를 훈련 데이터와 평가 데이터로 분류하는 단계; 를 포함한다. Here, the step c) includes a step of classifying the relative scale data into training data and evaluation data.
또한, 상기 단계 c)는, 상기 훈련 데이터를 이용하여 K-폴드 교차 검증을 수행하는 단계; 및 상기 K-폴드 교차 검증의 결과에 기초하여 하이퍼파라미터 튜닝을 수행하는 단계;를 더 포함할 수 있다. In addition, the step c) may further include a step of performing K-fold cross validation using the training data; and a step of performing hyperparameter tuning based on the result of the K-fold cross validation.
또한, 상기 단계 d)는, 그레디언트 트리 부스트, 랜덤 포레스트, 에이다부스트 등을 포함하는 질병 진단 머신러닝, 딥러닝 알고리즘을 기반으로 상기 평가 데이터를 이용하여 질병을 진단하는 단계;를 포함할 수 있다. In addition, the step d) may include a step of diagnosing a disease using the evaluation data based on a disease diagnosis machine learning or deep learning algorithm including gradient tree boost, random forest, adaboost, etc.
여기서, 상기 단계 b)는, 상기 수신한 혈류 신호 데이터를 연속 웨이블릿 변환, 고속 푸리에 변환 등을 이용하여 주파수 분석함으로써 상기 혈류 진동 데이터를 생성하고, 상기 혈류 진동 데이터를 이용하여 상기 상대 규모 데이터를 생성할 수 있다. Here, the step b) may generate the blood flow vibration data by frequency analyzing the received blood flow signal data using continuous wavelet transform, fast Fourier transform, etc., and may generate the relative scale data using the blood flow vibration data.
또한, 상기 생명 현상과 연관된 주파수 대역은 소동물의 경우 신진대사 활동(0.01 - 0.076 Hz), 신경성 활동(0.076 - 0.2 Hz), 근육 활동 (0.2 - 0.74 Hz), 호흡기 활동 (0.74 - 2 Hz) 및 심장 활동 (2 - 5 Hz)로 구분될 수 있다. 사람의 경우 신진대사 활동(0.005 - 0.021 Hz), 신경성 활동(0.021 - 0.052 Hz), 근육 활동 (0.052 - 0.145 Hz), 호흡기 활동 (0.145 - 0.6 Hz) 및 심장 활동 (0.6 - 2 Hz)로 구분될 수 있다.In addition, the frequency bands associated with the above life phenomena can be divided into metabolic activity (0.01 - 0.076 Hz), neural activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz) for small animals. In humans, the frequency bands can be divided into metabolic activity (0.005 - 0.021 Hz), neural activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz).
또한, 상기 혈류 신호 데이터는 정상 상태(Baseline), 압박 상태(Occlusion) 및 이완 상태(Release)의 혈류 신호 구간에서 수신될 수 있다. Additionally, the blood flow signal data can be received in blood flow signal sections of a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release).
본 발명의 실시예에 따르면. 인공지능 기반 질병 진단 장치가 압력이나 온도 등의 추가 자극 없이 짧은 측정으로 질병을 진단할 수 있다. 이를 통해, 추가 자극 과정이 생략되므로 환자와 병원은 시간 및 비용을 절감할 수 있다.According to an embodiment of the present invention, an AI-based disease diagnosis device can diagnose a disease with a short measurement without additional stimulation such as pressure or temperature. This allows patients and hospitals to save time and costs since the additional stimulation process is omitted.
또한, 본 발명의 실시예에 따르면, 인공지능 기반 질병 진단 장치가 혈류 신호의 주파수 대역별로 연관된 생명 현상을 분석하여 질병을 진단할 수 있다. 이를 통해, 혈류 신호의 측정만으로 신진대사, 신경성, 근육, 호흡기, 심장의 질병을 파악할 수 있어 시간과 비용을 획기적으로 절감할 수 있다.In addition, according to an embodiment of the present invention, an AI-based disease diagnosis device can diagnose a disease by analyzing related life phenomena by frequency band of a blood flow signal. Through this, diseases of metabolism, nerves, muscles, respiratory organs, and heart can be identified by measuring only blood flow signals, which can drastically reduce time and cost.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.The effects of the present invention are not limited to the effects described above, and should be understood to include all effects that can be inferred from the detailed description of the present invention or the composition of the invention described in the claims.
도 1은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 장치를 개략적으로 도시한 개요도이다.FIG. 1 is a schematic diagram illustrating an artificial intelligence-based disease diagnosis device using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 2는 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 장치를 도시한 블록도이다. FIG. 2 is a block diagram illustrating an artificial intelligence-based disease diagnosis device using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 3은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정을 도시한 흐름도이다. FIG. 3 is a flowchart illustrating an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 4는 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 단계 S130 및 S140을 도시한 흐름도이다. FIG. 4 is a flowchart illustrating steps S130 and S140 of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 5 및 6은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 혈류 신호 데이터와 혈류 진동 데이터를 도시한 참조도이다. FIGS. 5 and 6 are reference diagrams illustrating blood flow signal data and blood flow vibration data of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 7은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 상대 규모 데이터의 구성을 도시한 참조도이다. FIG. 7 is a reference diagram illustrating the configuration of relative scale data of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 8은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 당뇨병 진단 결과를 도시한 참조도이다. FIG. 8 is a reference diagram illustrating a diabetes diagnosis result of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 9는 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 그레디언트 트리 부스트 알고리즘의 결과를 도시한 참조도이다.FIG. 9 is a reference diagram illustrating the results of a gradient tree boost algorithm of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 10 및 11은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 피어슨 상관 계수 결과를 도시한 참조도이다.FIGS. 10 and 11 are reference diagrams illustrating the results of Pearson correlation coefficients in an artificial intelligence-based disease diagnosis process using blood flow signals measured by an optical method according to an embodiment of the present invention.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, the present invention will be described with reference to the attached drawings. However, the present invention can be implemented in various different forms, and therefore is not limited to the embodiments described herein. In addition, in order to clearly describe the present invention in the drawings, parts that are not related to the description are omitted, and similar parts are assigned similar drawing reference numerals throughout the specification.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.Throughout the specification, when a part is said to be "connected (connected, contacted, joined)" to another part, this includes not only the case where it is "directly connected" but also the case where it is "indirectly connected" with another member in between. Also, when a part is said to "include" a certain component, this does not mean that other components are excluded, unless otherwise specifically stated, but that other components can be included.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 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 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the present invention. The singular expression includes the plural expression unless the context clearly indicates otherwise. As used herein, the terms "comprises" or "has" and the like are intended to specify the presence of a feature, number, step, operation, component, part or combination thereof described in the specification, but should be understood to not exclude in advance the possibility of the presence or addition of one or more other features, numbers, steps, operations, components, parts or combinations thereof.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.Hereinafter, an embodiment of the present invention will be described in detail with reference to the attached drawings.
도 1은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 장치를 개략적으로 도시한 개요도이다. FIG. 1 is a schematic diagram illustrating an artificial intelligence-based disease diagnosis device using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 1에 도시된 바와 같이, 본 발명의 실시예에 따른 질병 진단 장치(100)는 데이터 전처리부(110), 인공지능 기반 질병 진단부(120)를 포함할 수 있다.As illustrated in FIG. 1, a disease diagnosis device (100) according to an embodiment of the present invention may include a data preprocessing unit (110) and an artificial intelligence-based disease diagnosis unit (120).
광학 기반 혈류 신호 측정 장치(20)는 광학 방법을 이용하여 생체의 혈류 신호를 측정하여 혈류 신호 데이터를 생성할 수 있다. An optical-based blood flow signal measuring device (20) can measure blood flow signals of a living body using an optical method to generate blood flow signal data.
또한, 광학 기반 혈류 신호 측정 장치(20)는 혈류 신호 데이터를 질병 진단 장치(100)로 제공할 수 있다. 이때, 혈류 신호 데이터는 시간대별 혈류 신호를 포함할 수 있다.In addition, the optical-based blood flow signal measuring device (20) can provide blood flow signal data to a disease diagnosis device (100). At this time, the blood flow signal data can include blood flow signals by time zone.
데이터 전처리부(110)는 광학 기반 혈류 신호 측정 장치(20)로부터 수신한 혈류 신호 데이터를 주파수 분석하여 혈류 진동 데이터를 생성할 수 있다. 이때, 데이터 전처리부(110)는 연속 웨이블릿 변환(continuous Wavelet transform), 고속 푸리에 변환(fast Fourier transform) 등을 이용하여 혈류 신호 데이터를 분석할 수 있다. 예를 들어, 데이터 전처리부(110)는 연속 웨이블릿 변환(continuous Wavelet transform), 고속 푸리에 변환(fast Fourier transform) 등을 이용하여 혈류 진동 데이터를 주파수 분석 결과로 생성할 수 있다. The data preprocessing unit (110) can generate blood flow vibration data by performing frequency analysis on blood flow signal data received from an optical-based blood flow signal measuring device (20). At this time, the data preprocessing unit (110) can analyze the blood flow signal data using continuous wavelet transform, fast Fourier transform, etc. For example, the data preprocessing unit (110) can generate blood flow vibration data as a frequency analysis result by using continuous wavelet transform, fast Fourier transform, etc.
또한, 데이터 전처리부(110)는 상기 혈류 진동 데이터를 이용하여 질병 진단 인공지능 모델의 입력 데이터로 이용되는 상대 규모 데이터를 생성할 수 있다. 이때, 상대 규모 데이터는 혈류 진동 데이터의 복수의 주파수 대역별로 연관된 생명 현상을 구분하고, 각 상대 규모(Magnitude)의 비율값을 포함할 수 있다.In addition, the data preprocessing unit (110) can generate relative magnitude data used as input data for a disease diagnosis artificial intelligence model using the blood flow vibration data. At this time, the relative magnitude data can distinguish related life phenomena by multiple frequency bands of the blood flow vibration data and include a ratio value of each relative magnitude.
상대 규모 데이터와 관련된 자세한 내용은 후술하기로 한다.More details regarding relative size data will be provided later.
인공지능 기반 질병 진단부(120)는 질병 진단 인공지능 모델을 기반으로 상대 규모 데이터를 이용하여 질병 진단 분석을 수행할 수 있다. 이때, 질병 진단 인공지능 모델이 학습되는 과정은 도 4와 도 5에서 후술하기로 한다.The AI-based disease diagnosis unit (120) can perform disease diagnosis analysis using relative scale data based on a disease diagnosis AI model. At this time, the process of learning the disease diagnosis AI model will be described later in FIGS. 4 and 5.
또한, 인공지능 기반 질병 진단부(120)는 학습된 인공 지능 모델을 이용하여 장시간의 자극과 측정 시간 없이도 질병 진단 결과를 신뢰성 있게 출력할 수 있다.In addition, the artificial intelligence-based disease diagnosis unit (120) can reliably output disease diagnosis results without long-term stimulation and measurement time by using a learned artificial intelligence model.
또한, 인공지능 기반 질병 진단부(120)는 질병 진단 결과를 사용자 단말(30)로 제공할 수 있다.Additionally, the artificial intelligence-based disease diagnosis unit (120) can provide disease diagnosis results to the user terminal (30).
사용자 단말(30)은 인공지능 기반 질병 진단부(120)로부터 수신한 질병 진단 결과를 사용자에게 제공할 수 있다. 이때, 사용자 단말(30)은 스마트폰, 데스크톱 컴퓨터, 게임 콘솔, 스마트 워치, 라디오, 스피커, TV, 노트북, 테블릿 PC, VR/AR 기기 중 적어도 하나를 포함할 수 있으며, 이에 한정되는 것은 아니다.The user terminal (30) can provide the user with the disease diagnosis results received from the artificial intelligence-based disease diagnosis unit (120). At this time, the user terminal (30) can include at least one of a smartphone, a desktop computer, a game console, a smart watch, a radio, a speaker, a TV, a laptop, a tablet PC, and a VR/AR device, but is not limited thereto.
따라서, 본 발명의 질병 진단 장치(100)는 압력이나 온도 등의 추가 자극 없이 짧은 측정으로 질병을 진단할 수 있다. 이를 통해, 추가 자극 과정이 생략되므로 환자와 병원은 시간 및 비용을 절감할 수 있다Therefore, the disease diagnosis device (100) of the present invention can diagnose a disease with a short measurement without additional stimulation such as pressure or temperature. Through this, the additional stimulation process is omitted, so patients and hospitals can save time and cost.
도 2는 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 장치의 구성을 도시한 블록도이다. FIG. 2 is a block diagram illustrating the configuration of an artificial intelligence-based disease diagnosis device using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 2에 도시된 바와 같이, 질병 진단 장치(100)는 데이터 전처리부(110)와 인공지능 기반 질병 진단부(120)를 포함할 수 있다.As illustrated in FIG. 2, the disease diagnosis device (100) may include a data preprocessing unit (110) and an artificial intelligence-based disease diagnosis unit (120).
자세하게는, 데이터 전처리부(110)는 혈류 신호 데이터 분석부(111) 및 혈류 진동 데이터 분석부(112)를 포함하고, 인공지능 기반 질병 진단부(120)는 질병 진단 인공지능 모델(121) 및 질병 진단 결과 출력부(122)를 포함할 수 있다.In detail, the data preprocessing unit (110) may include a blood flow signal data analysis unit (111) and a blood flow vibration data analysis unit (112), and the artificial intelligence-based disease diagnosis unit (120) may include a disease diagnosis artificial intelligence model (121) and a disease diagnosis result output unit (122).
먼저, 혈류 신호 데이터 분석부(111)는 광학 기반 혈류 신호 측정 장치로부터 수신한 혈류 신호 데이터를 분석하여 구간화할 수 있다. 이때, 혈류 신호 데이터는 시간대별 혈류 신호에 기초하여 정상 상태(Baseline), 압박 상태(Occlusion) 및 이완 상태(Release)로 구분될 수 있다. 여기서, 정상 상태는 아무런 압력을 가하지 않은 상태이며, 압박 상태는 압박을 통해 혈류 흐름을 막은 상태, 이완 상태는 압박을 해제하여 다시 혈류 흐름이 발생한 상태로서, 각각 다른 혈류 신호 구간으로 구분될 수 있다.First, the blood flow signal data analysis unit (111) can analyze and segment the blood flow signal data received from the optical-based blood flow signal measurement device. At this time, the blood flow signal data can be segmented into a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release) based on the blood flow signal by time zone. Here, the normal state is a state in which no pressure is applied, the compression state is a state in which blood flow is blocked by compression, and the relaxation state is a state in which blood flow occurs again by releasing the compression, and each can be segmented into a different blood flow signal section.
또한, 혈류 신호 데이터 분석부(111)는 광학 기반 혈류 신호 측정 장치로부터 수신한 혈류 신호 데이터를 주파수 분석하여 혈류 진동 데이터를 생성할 수 있다. 이때, 혈류 신호 데이터 분석부(111)는 연속 웨이블릿 변환(continuous Wavelet transform), 고속 푸리에 변환(fast Fourier transform) 등을 이용하여 혈류 진동 데이터를 생성할 수 있다. 여기서, 혈류 신호 데이터 분석부(111)는 각 혈류 신호 구간별로 혈류 진동 데이터를 생성할 수 있다.In addition, the blood flow signal data analysis unit (111) can generate blood flow vibration data by frequency analyzing blood flow signal data received from an optical-based blood flow signal measurement device. At this time, the blood flow signal data analysis unit (111) can generate blood flow vibration data using continuous wavelet transform, fast Fourier transform, etc. Here, the blood flow signal data analysis unit (111) can generate blood flow vibration data for each blood flow signal section.
혈류 진동 데이터 분석부(112)는 혈류 진동 데이터를 이용하여 상대 규모 데이터를 생성할 수 있다. 이때, 상대 규모 데이터는 혈류 진동 데이터의 주파수 대역별로 진동 규모(Magnitude)를 추출하여 대역 별로 비율값으로 표현한 데이터이다. The blood flow vibration data analysis unit (112) can generate relative magnitude data using blood flow vibration data. At this time, the relative magnitude data is data that extracts vibration magnitude by frequency band of blood flow vibration data and expresses it as a ratio value by band.
여기서, 상대 규모 데이터를 구분하는 주파수 대역은 각각 생명 현상에 의해 구분 될 수 있다. Here, the frequency bands that distinguish the relative scale data can be distinguished by each life phenomenon.
예를 들어, 상대 규모 데이터를 구분하는 소동물의 주파수 대역은 신진대사 활동(0.01 - 0.076 Hz), 신경성 활동(0.076 - 0.2 Hz), 근육 활동 (0.2 - 0.74 Hz), 호흡기 활동 (0.74 - 2 Hz) 및 심장 활동 (2 - 5 Hz)로 구분될 수 있다. 사람의 주파수 대역은 신진대사 활동(0.005 - 0.021 Hz), 신경성 활동(0.021 - 0.052 Hz), 근육 활동 (0.052 - 0.145 Hz), 호흡기 활동 (0.145 - 0.6 Hz) 및 심장 활동 (0.6 - 2 Hz)로 구분될 수 있다.For example, the frequency bands of small animals that distinguish relative size data can be distinguished as metabolic activity (0.01 - 0.076 Hz), neurogenic activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz). The frequency bands of humans can be distinguished as metabolic activity (0.005 - 0.021 Hz), neurogenic activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz).
추출된 진동 규모에 따라, 신진대사 활동은 47%, 신경성 활동은 1%, 근육 활동은 4%, 호흡기 활동은 10%, 심장 활동은 38%의 상대 규모 비율로서 상대 규모 데이터가 생성될 수 있다. Depending on the extracted vibration scale, relative scale data can be generated with a relative scale ratio of 47% for metabolic activity, 1% for nervous activity, 4% for muscular activity, 10% for respiratory activity, and 38% for cardiac activity.
질병 진단 인공지능 모델(121)은 질병 진단 머신러닝, 딥러닝 알고리즘을 기반으로 상대 규모 데이터를 입력 데이터로 이용하여 질병을 진단할 수 있다. 이때, 질병 진단 머신러닝, 딥러닝 알고리즘은 그레디언트 트리 부스트(Gradient tree boost), 랜덤 포레스트(Random Forest), 에이다부스트(Adaboost) 등을 포함하여 구현될 수 있다.The disease diagnosis artificial intelligence model (121) can diagnose a disease by using relative scale data as input data based on a disease diagnosis machine learning and deep learning algorithm. At this time, the disease diagnosis machine learning and deep learning algorithm can be implemented by including gradient tree boost, random forest, Adaboost, etc.
질병 진단 결과 출력부(122)는 질병 진단 인공지능 모델에서 생성된 질병 진단 결과를 출력할 수 있다. 이때, 질병 진단 결과는 알고리즘별, 생명 현상별 또는 알고리즘별, 혈류 신호 구간별 특징 중요도, 평가 정확도, 검증 정확도, AUC 점수를 포함할 수 있다. 자세한 질병 진단 결과는 관련 참조도와 함께 후술하기로 한다.The disease diagnosis result output unit (122) can output the disease diagnosis result generated from the disease diagnosis artificial intelligence model. At this time, the disease diagnosis result can include feature importance, evaluation accuracy, verification accuracy, and AUC score by algorithm, life phenomenon, or algorithm, and blood flow signal section. Detailed disease diagnosis result will be described later with related references.
또한, 질병 진단 결과 출력부(122)는 사용자 단말로 질병 진단 결과를 제공할 수 있다. 이때, 사용자 단말(30)은 스마트폰, 데스크톱 컴퓨터, 게임 콘솔, 스마트 워치, 라디오, 스피커, TV, 노트북, 테블릿 PC, VR/AR 기기 중 적어도 하나를 포함할 수 있으며, 이에 한정되는 것은 아니다. In addition, the disease diagnosis result output unit (122) can provide the disease diagnosis result to a user terminal. At this time, the user terminal (30) can include at least one of a smartphone, a desktop computer, a game console, a smart watch, a radio, a speaker, a TV, a laptop, a tablet PC, and a VR/AR device, but is not limited thereto.
도 3은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정을 도시한 흐름도이다. FIG. 3 is a flowchart illustrating an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
단계(S110)에서 질병 진단 장치(100)는 광학 방법을 이용하여 측정 및 생성된 혈류 신호 데이터를 수신할 수 있다. 이때, 혈류 신호 데이터는 시간대별 혈류 신호를 포함할 수 있다.In step (S110), the disease diagnosis device (100) can receive blood flow signal data measured and generated using an optical method. At this time, the blood flow signal data can include blood flow signals by time zone.
단계(S120)에서 질병 진단 장치(100)는 혈류 신호 주파수 분석을 통해 혈류 진동 데이터 및 상대 규모 데이터를 생성할 수 있다.In step (S120), the disease diagnosis device (100) can generate blood flow vibration data and relative size data through blood flow signal frequency analysis.
먼저, 질병 진단 장치(100)는 혈류 신호 데이터를 분석하여 구간화할 수 있다. 이때, 혈류 신호 데이터는 외부 압력 인가 구간에 따라 정상 상태(Baseline), 압박 상태(Occlusion) 및 이완 상태(Release)로 구분될 수 있다. 여기서, 정상 상태, 압박 상태 및 이완 상태는 혈류 신호 구간이라고 칭한다.First, the disease diagnosis device (100) can analyze and segment blood flow signal data. At this time, the blood flow signal data can be divided into a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release) according to the external pressure application section. Here, the normal state, the compression state, and the relaxation state are called blood flow signal sections.
또한, 질병 진단 장치(100)는 수신한 혈류 신호 데이터를 분석하여 혈류 진동 데이터를 생성할 수 있다. 이때, 질병 진단 장치(100)는 연속 웨이블릿 변환(continuous Wavelet transform), 고속 푸리에 변환(fast Fourier transform) 등을 이용하여 혈류 진동 데이터를 생성할 수 있으며, 혈류 진동 데이터는 각 혈류 신호 구간별로 생성될 수 있다.In addition, the disease diagnosis device (100) can generate blood flow vibration data by analyzing the received blood flow signal data. At this time, the disease diagnosis device (100) can generate blood flow vibration data using continuous wavelet transform, fast Fourier transform, etc., and the blood flow vibration data can be generated for each blood flow signal section.
또한, 질병 진단 장치(100)는 생성된 혈류 진동 데이터를 이용하여 상대 규모 데이터를 생성할 수 있다. 이때, 상대 규모 데이터는 혈류 진동 데이터를 복수의 주파수 대역별로 분할하고, 각각의 주파수 대역별로 진동 규모를 추출하고 다른 주파수 대역에 대한 상대 규모 비율로 표시한다. In addition, the disease diagnosis device (100) can generate relative scale data using the generated blood flow vibration data. At this time, the relative scale data divides the blood flow vibration data into multiple frequency bands, extracts the vibration scale for each frequency band, and displays it as a relative scale ratio for other frequency bands.
여기서 각각의 주파수 대역은 생명 현상과 연관될 수 있다. Here, each frequency band can be associated with a life phenomenon.
예를 들어, 소동물의 경우 상대 규모 데이터의 복수의 주파수 대역은 신진대사 활동(0.01 - 0.076 Hz), 신경성 활동(0.076 - 0.2 Hz), 근육 활동 (0.2 - 0.74 Hz), 호흡기 활동 (0.74 - 2 Hz) 및 심장 활동 (2 - 5 Hz)로 구분될 수 있다. 사람의 경우 상대 규모 데이터의 복수의 주파수 대역은 신진대사 활동(0.005 - 0.021 Hz), 신경성 활동(0.021 - 0.052 Hz), 근육 활동 (0.052 - 0.145 Hz), 호흡기 활동 (0.145 - 0.6 Hz) 및 심장 활동 (0.6 - 2 Hz)로 구분될 수 있다. 상대 규모 데이터는 신진대사 활동은 47%, 신경성 활동은 1%, 근육 활동은 4%, 호흡기 활동은 10%, 심장 활동은 38%로 표현될 수 있다. For example, for small animals, multiple frequency bands of relative scale data can be distinguished as metabolic activity (0.01 - 0.076 Hz), neural activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz). For humans, multiple frequency bands of relative scale data can be distinguished as metabolic activity (0.005 - 0.021 Hz), neural activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz). Relative magnitude data can be expressed as 47% metabolic activity, 1% nervous activity, 4% muscular activity, 10% respiratory activity, and 38% cardiac activity.
단계(S130)에서 질병 진단 장치(100)는 상대 규모 데이터를 이용하여 질병 진단 인공지능 모델을 학습할 수 있다. 이때, 질병 진단 장치(100)는 K-폴드 교차 검증과 하이퍼파라미터 튜닝을 이용하여 질병 진단 인공지능 모델을 학습할 수 있다.In step (S130), the disease diagnosis device (100) can learn a disease diagnosis artificial intelligence model using relative scale data. At this time, the disease diagnosis device (100) can learn the disease diagnosis artificial intelligence model using K-fold cross validation and hyperparameter tuning.
질병 진단 장치(100)가 상대 규모 데이터를 이용하여 질병 진단 인공지능 모델을 학습하는 과정의 자세한 설명은 도 4에서 후술하기로 한다.A detailed description of the process in which the disease diagnosis device (100) learns a disease diagnosis artificial intelligence model using relative scale data will be described later in FIG. 4.
단계(S140)에서 질병 진단 장치(100)는 질병 진단 인공지능 모델을 이용하여 질병 진단 분석을 수행할 수 있다. 이때, 질병 진단 인공지능 모델은 질병 진단 머신러닝, 딥러닝 알고리즘을 기반으로 질병을 진단할 수 있으며, 질병 진단 머신러닝, 딥러닝 알고리즘은 그레디언트 트리 부스트(Gradient tree boost), 랜덤 포레스트(Random Forest), 에이다부스트(Adaboost) 등을 포함할 수 있다.In step (S140), the disease diagnosis device (100) can perform a disease diagnosis analysis using a disease diagnosis artificial intelligence model. At this time, the disease diagnosis artificial intelligence model can diagnose a disease based on a disease diagnosis machine learning or deep learning algorithm, and the disease diagnosis machine learning or deep learning algorithm can include a gradient tree boost, a random forest, an Adaboost, etc.
질병 진단 인공지능 모델을 이용하여 질병 진단 분석의 결과로 생성된 질병 진단 결과는 알고리즘별 생명 현상별 또는 알고리즘별 혈류 신호 구간별 특징 중요도, 평가 정확도, 검증 정확도, AUC 점수 중 적어도 하나를 포함할 수 있으며, 자세한 질병 진단 결과는 관련 참조도와 함께 후술하기로 한다.The disease diagnosis results generated as a result of disease diagnosis analysis using the disease diagnosis artificial intelligence model may include at least one of feature importance, evaluation accuracy, verification accuracy, and AUC score for each algorithm-specific life phenomenon or each algorithm-specific blood flow signal section, and the detailed disease diagnosis results will be described later along with related references.
도 4는 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 단계 S130 및 S140을 도시한 흐름도이다. FIG. 4 is a flowchart illustrating steps S130 and S140 of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
단계(S131)에서 질병 진단 장치(100)는 입력 데이터로 입력된 상대 규모 데이터를 훈련 데이터와 평가 데이터로 분류할 수 있다.In step (S131), the disease diagnosis device (100) can classify the relative size data input as input data into training data and evaluation data.
본 발명의 실시예에서는 단계(S132)인 K-폴드 교차 검증에 따라서 훈련 데이터와 평가 데이터의 분류 기준을 설정하였다. 예를 들어, 사용자가 단계 (S132)에서 5-폴드 교차 검증을 이용한다고 할 때 K는 5가 되어 100을 5로 나눈 값인 20%를 평가 데이터로, 나머지 80%를 훈련 데이터로 분류할 수 있다.In the embodiment of the present invention, the classification criteria for training data and evaluation data are set according to K-fold cross validation in step (S132). For example, when the user uses 5-fold cross validation in step (S132), K becomes 5, so 20%, which is the value obtained by dividing 100 by 5, can be classified as evaluation data, and the remaining 80% as training data.
단계(S132)에서 질병 진단 장치(100)는 훈련 데이터를 이용하여 K-폴드 교차 검증을 수행할 수 있다. 이때, K-폴드 교차 검증은 훈련 데이터를 K개의 폴드로 구분하고, 1개의 폴드를 검증 세트로, 나머지 (K-1)개의 폴드를 훈련 세트로 사용하여 K번 반복하여 모든 폴드를 검증 세트로 이용함으로써 성능을 평가하는 교차 검증 방법이며, K-폴드 교차 검증의 K 값은 사용자에 의해 설정될 수 있다.In step (S132), the disease diagnosis device (100) can perform K-fold cross validation using training data. At this time, K-fold cross validation is a cross validation method that evaluates performance by dividing training data into K folds, using one fold as a validation set, and the remaining (K-1) folds as training sets, repeating K times, and using all folds as validation sets. The K value of K-fold cross validation can be set by the user.
예를 들어, 사용자가 5-폴드 교차 검증을 이용할 때, 훈련 데이터는 5개의 폴드로 구분되며 1개의 폴드는 검증 세트로, 나머지 4개의 폴드는 훈련 세트로 사용하여 총 5번의 교차 검증을 수행할 수 있다. For example, when a user uses 5-fold cross-validation, the training data is divided into 5 folds, one fold is used as a validation set, and the remaining 4 folds are used as training sets, so a total of 5 cross-validations can be performed.
단계(S133)에서 질병 진단 장치(100)는 질병 진단 인공지능 모델에 하이퍼파라미터 튜닝을 수행할 수 있다. 이때, 하이퍼파라미터 튜닝은 K-폴드 교차 검증 방법을 기반으로 생성된 최적의 파라미터를 이용하여 수행될 수 있다.In step (S133), the disease diagnosis device (100) can perform hyperparameter tuning on the disease diagnosis artificial intelligence model. At this time, the hyperparameter tuning can be performed using optimal parameters generated based on the K-fold cross validation method.
단계(S141)에서 질병 진단 장치(100)는 평가 데이터에 질병 진단 머신러닝, 딥러닝 알고리즘을 적용하여 질병 진단 분석을 수행할 수 있다. 이때, 질병 진단 머신러닝, 딥러닝 알고리즘은 그레디언트 트리 부스트(A1), 랜덤 포레스트(A2) 및 에이다부스트(A3) 등을 포함할 수 있다.In step (S141), the disease diagnosis device (100) can perform disease diagnosis analysis by applying a disease diagnosis machine learning or deep learning algorithm to the evaluation data. At this time, the disease diagnosis machine learning or deep learning algorithm may include gradient tree boost (A1), random forest (A2), and adaboost (A3).
질병 진단 분석의 결과로 생성된 질병 진단 결과는 알고리즘별 생명 현상별 또는 알고리즘별 혈류 신호 구간별 특징 중요도, 평가 정확도, 검증 정확도, AUC 점수를 포함할 수 있다. 자세한 질병 진단 결과는 관련 참조도와 함께 후술하기로 한다.The disease diagnosis results generated as a result of the disease diagnosis analysis may include feature importance, evaluation accuracy, verification accuracy, and AUC score for each algorithm-specific life phenomenon or each algorithm-specific blood flow signal section. Detailed disease diagnosis results will be described later along with related references.
단계(S142)에서 질병 진단 장치(100)는 질병 진단 결과를 출력할 수 있다. 이때, 질병 진단 결과는 사용자 단말로 제공될 수도 있다.In step (S142), the disease diagnosis device (100) can output a disease diagnosis result. At this time, the disease diagnosis result may be provided to a user terminal.
도 5 및 6은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 혈류 신호 데이터(F)와 혈류 진동 데이터(V)를 도시한 참조도이다. FIGS. 5 and 6 are reference diagrams illustrating blood flow signal data (F) and blood flow vibration data (V) of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
먼저, 혈류 신호 데이터(F)는 시간대별 혈류 신호를 포함하며, 시간대별 외부 압력 인가에 기초하여 정상 상태(Baseline), 압박 상태(Occlusion) 및 이완 상태(Release)로 혈류 신호 구간으로 분류될 수 있다. First, the blood flow signal data (F) includes blood flow signals by time zone, and can be classified into blood flow signal sections of a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release) based on external pressure applied by time zone.
혈류 신호 데이터(F)는 기준값을(예를 들어, 압박 상태)를 기준으로 상대적인 값으로 표시될 수 있다. Blood flow signal data (F) can be displayed as a relative value based on a reference value (e.g., compression state).
혈류 진동 데이터(V)는 주파수(Frequency)에 따른 진동 규모(Magnitude)에 기초하여 생성될 수 있다. 이때, 혈류 진동 데이터는 혈류 신호 구간별로 생성될 수도 있다. Blood flow vibration data (V) can be generated based on the vibration magnitude according to frequency. At this time, the blood flow vibration data can also be generated for each blood flow signal section.
도 7은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 상대 규모 데이터(P)의 구성을 도시한 참조도이다. FIG. 7 is a reference diagram illustrating the configuration of relative scale data (P) of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
먼저, 상대 규모 데이터(P)는 혈류 진동 데이터의 주파수 대역을 연관된 생명 현상에 기초하여 구분하고, 구분된 각각의 주파수 대역에 대하여 진동 규모의 상대적 비율을 제공한다. 이때, 혈류 진동 데이터(V)가 혈류 신호 구간별로 생성되기 때문에 상대 규모 데이터(P)도 혈류 신호 구간별로 생성될 수 있다.First, the relative magnitude data (P) divides the frequency bands of blood flow vibration data based on the associated life phenomenon, and provides the relative ratio of the vibration magnitude for each divided frequency band. At this time, since the blood flow vibration data (V) is generated for each blood flow signal section, the relative magnitude data (P) can also be generated for each blood flow signal section.
구분된 주파수 대역과 관련된 생명 현상은, 소동물의 경우 신진대사 활동(0.01 - 0.076 Hz), 신경성 활동(0.076 - 0.2 Hz), 근육 활동 (0.2 - 0.74 Hz), 호흡기 활동(0.74 - 2 Hz) 및 심장 활동(2 - 5 Hz)로 구분될 수 있다. 사람의 경우 신진대사 활동(0.005 - 0.021 Hz), 신경성 활동(0.021 - 0.052 Hz), 근육 활동 (0.052 - 0.145 Hz), 호흡기 활동 (0.145 - 0.6 Hz) 및 심장 활동 (0.6 - 2 Hz)로 구분될 수 있다.Life phenomena associated with distinct frequency bands can be distinguished as metabolic activity (0.01 - 0.076 Hz), nervous activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz) in small animals. In humans, metabolic activity (0.005 - 0.021 Hz), nervous activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz) in humans.
도 7에서는 신진대사 활동(0.01 - 0.076 Hz)은 47%, 신경성 활동(0.076 - 0.2 Hz)은 1%, 근육 활동(0.2 - 0.74 Hz)은 4%, 호흡기 활동(0.74 - 2 Hz) 은 10%, 심장 활동(2 - 5 Hz)은 38%의 상대 규모 비율을 점유하고 있는 것을 확인할 수 있다. In Figure 7, it can be confirmed that metabolic activity (0.01 - 0.076 Hz) occupies 47% of the relative scale, neural activity (0.076 - 0.2 Hz) occupies 1%, muscular activity (0.2 - 0.74 Hz) occupies 4%, respiratory activity (0.74 - 2 Hz) occupies 10%, and cardiac activity (2 - 5 Hz) occupies 38%.
본 발명의 실시예는 전술한 바와 같이, 혈류 신호 진동 데이터를 생명 현상과 연관된 주파수 대역 상대 규모 데이터로 전처리하여 인공 지능 모델을 학습하고 입력으로서 활용함으로써 더 높은 정확도의 질병 진단이 가능하다. As described above, embodiments of the present invention enable higher accuracy disease diagnosis by preprocessing blood flow signal vibration data into frequency band relative scale data related to a life phenomenon, training an artificial intelligence model, and utilizing the data as input.
이하, 본 발명의 실시예에 따라 학습된 인공지능 모델의 성능에 대해 설명하도록 한다. Below, the performance of an artificial intelligence model learned according to an embodiment of the present invention will be described.
도 8은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 당뇨병 진단 결과를 평가한 참조도이다. FIG. 8 is a reference diagram evaluating the results of a diabetes diagnosis of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
여기서 사용된 평가 지표는 인공 지능 알고리즘의 성능 평가에 주로 사용되는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1 점수를 사용하여 인공 지능 알고리즘의 성능을 평가할 수 있다. The evaluation metrics used here are Accuracy, Precision, Recall, and F1 score, which are mainly used to evaluate the performance of artificial intelligence algorithms.
정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1 점수의 정의는 다음과 같다. The definitions of Accuracy, Precision, Recall, and F1 score are as follows.
정확도 = (TP+TN)/(TP+TN+FP+FN)Accuracy = (TP+TN)/(TP+TN+FP+FN)
정밀도 = (TP)/(TP+FP)Accuracy = (TP)/(TP+FP)
재현율 = (TP)/(TP+FN)Recall = (TP)/(TP+FN)
F1 점수 = (2*정밀도*재현율)/(정밀도+재현율)F1 score = (2*precision*recall)/(precision+recall)
여기서 TP (true positive)는 positive인 데이터를 positive라고 예측한 결과이고, TN (true negative) negative인 데이터를 negative라고 예측한 결과. 또한 FP (false positive)는 negative인 데이터를 positive라고 예측한 결과이고, 그리고 FN (false negative)는 positive인 데이터를 negative라고 예측한 결과이다. Here, TP (true positive) is the result of predicting positive data as positive, TN (true negative) is the result of predicting negative data as negative, FP (false positive) is the result of predicting negative data as positive, and FN (false negative) is the result of predicting positive data as negative.
예를 들어, 정확도(Accuracy)와 당뇨병 유무에 대한 F1 점수는 전부 0.8을 넘는 경우에는 진단이 가능한 것으로 판단할 수 있다. For example, if the accuracy and F1 scores for diabetes are both over 0.8, it can be determined that a diagnosis is possible.
도 8를 참조하면, 질병 진단 결과는 혈류 신호 구간별로 검증 정확도, 평가 정확도, AUC 점수를 포함할 수 있으며, 정상 상태(Baseline)의 평가 점수가 모두 0.8을 넘으며, 다른 혈류 신호 구간의 검증 정확도, 평가 정확도, AUC 점수와 비교하였을 때 모두 가장 높은 것으로 보아 가장 좋은 결과를 획득한 것으로 판단할 수 있다.Referring to Fig. 8, the disease diagnosis results may include verification accuracy, evaluation accuracy, and AUC scores for each blood flow signal section, and since the evaluation scores of the normal state (Baseline) are all over 0.8, and compared to the verification accuracy, evaluation accuracy, and AUC scores of other blood flow signal sections, they are all the highest, so it can be judged that the best result has been obtained.
따라서, 본 발명의 실시예에 따르면, 압박과 이완과 같은 외부 자극 인가와 복잡한 절차 없이, 1분 내외의 짧은 시간의 정상 상태에서의 혈류 신호의 측정 만으로도 질병 진단을 높은 정확도 가능한 것을 확인할 수 있다. Therefore, according to an embodiment of the present invention, it can be confirmed that disease diagnosis is possible with high accuracy only by measuring blood flow signals in a steady state for a short time of about 1 minute, without external stimulation such as compression and relaxation and without complex procedures.
도 9는 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 그레디언트 트리 부스트 알고리즘의 결과를 도시한 참조도이다.FIG. 9 is a reference diagram illustrating the results of a gradient tree boost algorithm of an artificial intelligence-based disease diagnosis process using a blood flow signal measured by an optical method according to an embodiment of the present invention.
도 9를 참조하면, 그레디언트 트리 부스트 알고리즘의 결과로 생성된 선형 회귀 그래프를 확인할 수 있다. 이때, 심장 활동의 특징 중요도와 AUC 점수는 양의 인과관계가 있음을 확인할 수 있고, 결정계수는 0.861, 피어슨 상관계수는 0.928임을 확인할 수 있다.Referring to Figure 9, we can see a linear regression graph generated as a result of the gradient tree boost algorithm. At this time, we can see that the feature importance of cardiac activity and the AUC score have a positive causal relationship, and the coefficient of determination is 0.861 and the Pearson correlation coefficient is 0.928.
도 10 및 11은 본 발명의 실시예에 따른 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 과정의 피어슨 상관 계수 결과를 도시한 참조도이다.FIGS. 10 and 11 are reference diagrams illustrating the results of Pearson correlation coefficients in an artificial intelligence-based disease diagnosis process using blood flow signals measured by an optical method according to an embodiment of the present invention.
도 10을 참조하면, 질병 진단 머신러닝 알고리즘과 혈류 신호 구간과 연관된 생명 현상별로 평가 정확도와 AUC 점수를 포함하는 피어슨 상관 계수 결과를 확인할 수 있다. 이때, 도 10의 표를 종합하면 3가지 머신러닝 알고리즘 모두 심장 활동에 대해서는 높은 정확도를 제공하고 있으며, 그레디언트 트리 부스트 알고리즘의 성능이 가장 뛰어나다고 판단할 수 있다. Referring to Figure 10, you can see the Pearson correlation coefficient results including the evaluation accuracy and AUC score for each disease diagnosis machine learning algorithm and the life phenomenon associated with the blood flow signal section. At this time, if you summarize the table in Figure 10, you can see that all three machine learning algorithms provide high accuracy for cardiac activity, and the gradient tree boost algorithm has the best performance.
도 11을 참조하면, 질병 진단 머신러닝 알고리즘과 혈류 신호 구간별로 평가 정확도, 평가 정확도 및 AUC 점수를 포함하는 피어슨 상관 계수 결과를 확인할 수 있다. 이때, 도 11의 표를 종합하면, 정상 상태(Baseline)의 데이터만을 사용했을 때 성능이 가장 뛰어나다고 판단할 수 있다. Referring to Figure 11, you can see the Pearson correlation coefficient results including the disease diagnosis machine learning algorithm and the evaluation accuracy, evaluation accuracy, and AUC score for each blood flow signal section. At this time, if you summarize the table in Figure 11, you can judge that the performance is the best when only the data in the normal state (Baseline) is used.
따라서, 전술한 바와 같이 다양한 머신러닝 알고리즘에 대해서도 압박과 이완과 같은 외부 자극 인가와 복잡한 절차 없이, 1분 내외의 짧은 시간의 정상 상태에서의 혈류 신호의 측정 만으로도 질병 진단을 높은 정확도 가능한 것을 확인할 수 있다. Therefore, as described above, it can be confirmed that disease diagnosis is possible with high accuracy only by measuring blood flow signals in a steady state for a short period of time, such as about 1 minute, without external stimulation such as compression and relaxation and complex procedures, even for various machine learning algorithms.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustrative purposes, and those skilled in the art will understand that the present invention can be easily modified into other specific forms without changing the technical idea or essential characteristics of the present invention. Therefore, it should be understood that the embodiments described above are exemplary in all respects and not restrictive. For example, each component described as a single component may be implemented in a distributed manner, and likewise, components described as distributed may be implemented in a combined form.
본 발명의 범위는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the claims set forth below, and all changes or modifications derived from the meaning and scope of the claims and their equivalent concepts should be interpreted as being included in the scope of the present invention.
발명의 실시를 위한 형태는 발명의 실시를 위한 최선의 형태에서 함께 기술되었다. The mode for carrying out the invention has been described together with the best mode for carrying out the invention.
본 발명의 실시예에 따른 인공지능 기반 질병 진단 장치 및 그 방법은, 생명현상과 연관된 다양한 생리적 데이터를 인공지능 알고리즘에 적용하여 질병 진단이 가능한 질병 진단 장치 및 그 방법을 제공하고, 추가 자극없이 혈류 반응성을 비교하여 생명 현상을 확인할 수 있다. 즉, 추가 자극 과정이 생략되므로 환자와 병원은 시간 및 비용을 절감할 수 있다.An AI-based disease diagnosis device and method according to an embodiment of the present invention provide a disease diagnosis device and method capable of diagnosing a disease by applying various physiological data related to a life phenomenon to an AI algorithm, and can confirm a life phenomenon by comparing blood flow reactivity without additional stimulation. In other words, since an additional stimulation process is omitted, patients and hospitals can save time and cost.

Claims (12)

  1. 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 장치에 있어서,In an artificial intelligence-based disease diagnosis device using blood flow signals measured by optical methods,
    수신한 혈류 신호 데이터를 주파수 분석함으로써, 인공지능 기반 질병 진단에 필요한 입력 데이터를 생성하는 데이터 전처리부; 및A data preprocessing unit that generates input data required for artificial intelligence-based disease diagnosis by frequency analyzing the received blood flow signal data; and
    상기 입력 데이터 및 인공지능 모델을 이용하여 질병을 진단하는 인공지능 기반 질병 진단부; 를 포함하고,An artificial intelligence-based disease diagnosis unit that diagnoses a disease using the above input data and an artificial intelligence model;
    상기 입력 데이터는 상기 혈류 신호 데이터의 주파수 분석 결과로 생성된 혈류 진동 데이터에 대해 생명 현상과 연관된 복수의 주파수 대역의 상대 규모(Magnitude) 데이터를 포함하는 것인 인공지능 기반 질병 진단 장치.An artificial intelligence-based disease diagnosis device, wherein the input data includes relative magnitude data of multiple frequency bands associated with a life phenomenon for blood flow vibration data generated as a result of frequency analysis of the blood flow signal data.
  2. 제1항에 있어서, In the first paragraph,
    상기 데이터 전처리부는,The above data preprocessing unit,
    상기 수신한 혈류 신호 데이터를 연속 웨이블릿 변환 또는 고속 푸리에 변환 을 이용하여 주파수 분석함으로써 상기 혈류 진동 데이터를 생성하는 혈류 신호 데이터 분석부; 및A blood flow signal data analysis unit that generates the blood flow vibration data by frequency analyzing the received blood flow signal data using continuous wavelet transform or fast Fourier transform; and
    상기 혈류 진동 데이터를 이용하여 상기 입력 데이터를 생성하는 혈류 진동 데이터 분석부;A blood flow vibration data analysis unit that generates the input data using the blood flow vibration data;
    를 포함하는 것인 인공지능 기반 질병 진단 장치.An artificial intelligence-based disease diagnosis device comprising:
  3. 제2항에 있어서,In the second paragraph,
    상기 인공지능 기반 질병 진단부는,The above artificial intelligence-based disease diagnosis department is,
    그레디언트 트리 부스트, 랜덤 포레스트, 에이다부스트 중 적어도 하나를 포함하는 질병 진단 머신러닝, 딥러닝 알고리즘을 기반으로 상기 입력 데이터를 이용하여 질병을 진단하는 질병 진단 인공지능 모델;A disease diagnosis artificial intelligence model that diagnoses a disease using the input data based on a disease diagnosis machine learning or deep learning algorithm including at least one of gradient tree boost, random forest, and adaboost;
    을 포함하는 것인 인공지능 기반 질병 진단 장치. An artificial intelligence-based disease diagnosis device comprising:
  4. 제2항에 있어서,In the second paragraph,
    상기 인공지능 기반 질병 진단부는,The above artificial intelligence-based disease diagnosis department is,
    상기 질병 진단 결과를 출력 및 사용자 단말로 제공하는 질병 진단 결과 출력부; 를 더 포함하며,It further includes a disease diagnosis result output unit that outputs the above disease diagnosis result and provides it to a user terminal;
    상기 혈류 신호 데이터는 정상 상태(Baseline), 압박 상태(Occlusion) 및 이완 상태(Release)의 혈류 신호 구간에서 수신된 것인 인공지능 기반 질병 진단 장치.An artificial intelligence-based disease diagnosis device wherein the above blood flow signal data is received in blood flow signal sections of a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release).
  5. 제2항에 있어서,In the second paragraph,
    상기 생명 현상과 연관된 주파수 대역은 소동물의 경우 신진대사 활동(0.01 - 0.076 Hz), 신경성 활동(0.076 - 0.2 Hz), 근육 활동 (0.2 - 0.74 Hz), 호흡기 활동 (0.74 - 2 Hz) 및 심장 활동 (2 - 5 Hz)로 구분되며, 사람의 경우 신진대사 활동(0.005 - 0.021 Hz), 신경성 활동(0.021 - 0.052 Hz), 근육 활동 (0.052 - 0.145 Hz), 호흡기 활동 (0.145 - 0.6 Hz) 및 심장 활동 (0.6 - 2 Hz)로 구분되는 것인 인공지능 기반 질병 진단 장치.An artificial intelligence-based disease diagnosis device, wherein the frequency bands associated with the above life phenomena are divided into metabolic activity (0.01 - 0.076 Hz), neural activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz) for small animals, and into metabolic activity (0.005 - 0.021 Hz), neural activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz) for humans.
  6. 광학 방법으로 측정된 혈류 신호를 이용한 인공지능 기반 질병 진단 방법에 있어서,In an artificial intelligence-based disease diagnosis method using blood flow signals measured by optical methods,
    a) 광학 방법을 이용하여 측정 및 생성된 혈류 신호 데이터를 수신하는 단계;a) a step of receiving blood flow signal data measured and generated using an optical method;
    b) 상기 혈류 신호 데이터에 대한 주파수 분석을 통해 혈류 진동 데이터 및 상대 규모 데이터를 생성하는 단계;b) a step of generating blood flow vibration data and relative magnitude data through frequency analysis of the above blood flow signal data;
    c) 상기 상대 규모 데이터를 이용하여 질병 진단 인공지능 모델을 학습하는 단계; 및c) a step of learning a disease diagnosis artificial intelligence model using the above relative scale data; and
    d) 입력 데이터와 상기 질병 진단 인공지능 모델을 이용하여 질병 진단 분석을 수행하는 단계;d) a step of performing disease diagnosis analysis using input data and the disease diagnosis artificial intelligence model;
    를 포함하고,Including,
    상기 입력 데이터는 상기 혈류 신호 데이터의 주파수 분석 결과로 생성된 혈류 진동 데이터에 대해 생명 현상과 연관된 복수의 주파수 대역의 상기 상대 규모 데이터를 포함하는 것인The above input data includes the relative scale data of multiple frequency bands associated with a life phenomenon for blood flow vibration data generated as a result of frequency analysis of the blood flow signal data.
    인공지능 기반 질병 진단 방법.Artificial intelligence-based disease diagnosis method.
  7. 제 6항에 있어서, In paragraph 6,
    상기 단계 c)는,The above step c) is,
    상기 상대 규모 데이터를 훈련 데이터와 평가 데이터로 분류하는 단계;A step of classifying the above relative scale data into training data and evaluation data;
    를 포함하는 것인 인공지능 기반 질병 진단 방법.An artificial intelligence-based disease diagnosis method comprising:
  8. 제7항에 있어서,In Article 7,
    상기 단계 c)는,The above step c) is,
    상기 훈련 데이터를 이용하여 K-폴드 교차 검증을 수행하는 단계; 및A step of performing K-fold cross validation using the above training data; and
    상기 K-폴드 교차 검증의 결과에 기초하여 하이퍼파라미터 튜닝을 수행하는 단계; A step of performing hyperparameter tuning based on the results of the above K-fold cross validation;
    를 더 포함하는 것인 인공지능 기반 질병 진단 방법.An artificial intelligence-based disease diagnosis method further comprising:
  9. 제8항에 있어서,In Article 8,
    상기 단계 d)는,Step d) above,
    그레디언트 트리 부스트, 랜덤 포레스트, 에이다부스트 중 적어도 하나를 포함하는 질병 진단 머신러닝, 딥러닝 알고리즘을 기반으로 상기 평가 데이터를 이용하여 질병을 진단하는 단계;A step of diagnosing a disease using the evaluation data based on a disease diagnosis machine learning or deep learning algorithm including at least one of gradient tree boost, random forest, and adaboost;
    를 포함하는 것인 인공지능 기반 질병 진단 방법.An artificial intelligence-based disease diagnosis method comprising:
  10. 제6항에 있어서,In Article 6,
    상기 단계 b)는, 상기 수신한 혈류 신호 데이터를 연속 웨이블릿 변환 또는 고속 푸리에 변환을 이용하여 주파수 분석함으로써 상기 혈류 진동 데이터를 생성하고, 상기 혈류 진동 데이터를 이용하여 상기 상대 규모 데이터를 생성하는 인공지능 기반 질병 진단 방법.The step b) is an artificial intelligence-based disease diagnosis method that generates the blood flow vibration data by frequency analyzing the received blood flow signal data using continuous wavelet transform or fast Fourier transform, and generates the relative scale data using the blood flow vibration data.
  11. 제10항에 있어서,In Article 10,
    상기 생명 현상과 연관된 주파수 대역은 소동물의 경우 신진대사 활동(0.01 - 0.076 Hz), 신경성 활동(0.076 - 0.2 Hz), 근육 활동 (0.2 - 0.74 Hz), 호흡기 활동 (0.74 - 2 Hz) 및 심장 활동 (2 - 5 Hz)로 구분되며, 사람의 경우 신진대사 활동(0.005 - 0.021 Hz), 신경성 활동(0.021 - 0.052 Hz), 근육 활동 (0.052 - 0.145 Hz), 호흡기 활동 (0.145 - 0.6 Hz) 및 심장 활동 (0.6 - 2 Hz)로 구분되는 것인 인공지능 기반 질병 진단 방법.An artificial intelligence-based disease diagnosis method, wherein the frequency bands associated with the above life phenomena are divided into metabolic activity (0.01 - 0.076 Hz), neural activity (0.076 - 0.2 Hz), muscular activity (0.2 - 0.74 Hz), respiratory activity (0.74 - 2 Hz), and cardiac activity (2 - 5 Hz) in the case of small animals, and into metabolic activity (0.005 - 0.021 Hz), neural activity (0.021 - 0.052 Hz), muscular activity (0.052 - 0.145 Hz), respiratory activity (0.145 - 0.6 Hz), and cardiac activity (0.6 - 2 Hz) in the case of humans.
  12. 제10항에 있어서,In Article 10,
    상기 혈류 신호 데이터는 정상 상태(Baseline), 압박 상태(Occlusion) 및 이완 상태(Release)의 혈류 신호 구간에서 수신된 것인 인공지능 기반 질병 진단 방법.An artificial intelligence-based disease diagnosis method wherein the above blood flow signal data is received in blood flow signal sections of a normal state (Baseline), a compression state (Occlusion), and a relaxation state (Release).
PCT/KR2024/005038 2023-04-20 2024-04-16 Apparatus and method for diagnosing disease on basis of artificial intelligence by using blood flow signals measured by means of optical method WO2024219776A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020230052043A KR20240155570A (en) 2023-04-20 Artificial intelligence-based disease diagnostic apparatus using a blood flow signal measured by optical sensors and method thereof
KR10-2023-0052043 2023-04-20

Publications (1)

Publication Number Publication Date
WO2024219776A1 true WO2024219776A1 (en) 2024-10-24

Family

ID=93152732

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/005038 WO2024219776A1 (en) 2023-04-20 2024-04-16 Apparatus and method for diagnosing disease on basis of artificial intelligence by using blood flow signals measured by means of optical method

Country Status (1)

Country Link
WO (1) WO2024219776A1 (en)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100493714B1 (en) * 2004-11-26 2005-06-02 주식회사 메디코아 Autonomic function analyzer
JP2017530435A (en) * 2014-06-30 2017-10-12 アマゾン・テクノロジーズ・インコーポレーテッド Interactive interface for machine learning model evaluation
KR101935830B1 (en) * 2018-02-13 2019-01-07 주식회사 오스테오시스 External counterpulsation system and control method thereof
KR20190108559A (en) * 2016-10-21 2019-09-24 데이터로봇, 인크. System and related methods and apparatus for predictive data analysis
JP2022120192A (en) * 2016-12-21 2022-08-17 イダヘルス インコーポレイテッド Equipment for monitoring blood flow and respiratory flow
JP2022537558A (en) * 2019-06-18 2022-08-26 アナリティクス フォー ライフ インコーポレイテッド Methods and systems for assessing disease using kinetic analysis of cardiac and photoplethysmographic signals
KR20220134216A (en) * 2021-03-26 2022-10-05 한국과학기술연구원 Method and System for Judging Aortic Valve Stenosis Risk and Other Cardiovascular Diseases Risk from Photoplethysmography through Artificial Intelligence Learning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100493714B1 (en) * 2004-11-26 2005-06-02 주식회사 메디코아 Autonomic function analyzer
JP2017530435A (en) * 2014-06-30 2017-10-12 アマゾン・テクノロジーズ・インコーポレーテッド Interactive interface for machine learning model evaluation
KR20190108559A (en) * 2016-10-21 2019-09-24 데이터로봇, 인크. System and related methods and apparatus for predictive data analysis
JP2022120192A (en) * 2016-12-21 2022-08-17 イダヘルス インコーポレイテッド Equipment for monitoring blood flow and respiratory flow
KR101935830B1 (en) * 2018-02-13 2019-01-07 주식회사 오스테오시스 External counterpulsation system and control method thereof
JP2022537558A (en) * 2019-06-18 2022-08-26 アナリティクス フォー ライフ インコーポレイテッド Methods and systems for assessing disease using kinetic analysis of cardiac and photoplethysmographic signals
KR20220134216A (en) * 2021-03-26 2022-10-05 한국과학기술연구원 Method and System for Judging Aortic Valve Stenosis Risk and Other Cardiovascular Diseases Risk from Photoplethysmography through Artificial Intelligence Learning

Similar Documents

Publication Publication Date Title
Katona et al. Examining the learning efficiency by a brain-computer interface system
Bai et al. Managing disorders of consciousness: the role of electroencephalography
Hermann et al. Habituation of auditory startle reflex is a new sign of minimally conscious state
Sharma et al. Fast and accurate diagnosis of autism (FADA): a novel hierarchical fuzzy system based autism detection tool
WO2019225910A1 (en) Method and system for predicting and analyzing stroke severity using nihss
CN114334123A (en) Cognition assessment system suitable for mild cognitive impairment rapid detection
Wang et al. An ensemble deep learning approach for sleep stage classification via single-channel EEG and EOG
Mahato et al. Detection of schizophrenia using eeg signals
WO2024219776A1 (en) Apparatus and method for diagnosing disease on basis of artificial intelligence by using blood flow signals measured by means of optical method
Rutkowski et al. Older adult mild cognitive impairment prediction from multiscale entropy EEG patterns in reminiscent interior image working memory paradigm
WO2023224333A1 (en) Dementia diagnosis system
Liu et al. Side-aware meta-learning for cross-dataset listener diagnosis with subjective tinnitus
WO2019103188A1 (en) System and method for evaluating traumatic brain damage through brain wave analysis
WO2023243873A9 (en) Method for predicting delirium occurrence, and device for predicting delirium occurrence using same
Hata et al. Predicting postoperative delirium after cardiovascular surgeries from preoperative portable electroencephalography oscillations
WO2023058946A1 (en) System and method for predicting respiratory disease prognosis through time-series measurements of cough sounds, respiratory sounds, recitation sounds and vocal sounds
WO2023022485A1 (en) Health condition prediction system using asynchronous electrocardiogram
Smith et al. Affective computing for brain health disorders
Azhari et al. Classification of concentration levels in adult-early phase using brainwave signals by applying K-nearest neighbor
Nirde et al. EEG mental arithmetic task levels classification using machine learning and deep learning algorithms
He et al. Emotion-related awareness detection for patients with disorders of consciousness via graph isomorphic network
Dhake et al. LSTM Algorithm for the Detection of Mental Stress in EEG
Turnip et al. Detection of Drug Effects on Brain-Based EEG Signals using K-Nearest Neighbours
WO2024162605A1 (en) Method, computer program, and system for analyzing heart valve abnormality on basis of heart murmur
KR20240155570A (en) Artificial intelligence-based disease diagnostic apparatus using a blood flow signal measured by optical sensors and method thereof