초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

시계열 데이터란 시간의 흐름 순서대로 데이터들을 나열한 것으로, 과거의 데이터를 이용하여 미래의 일을 예측하는 것이다. 시계열 데이터의 경우에는 시간에 따른 정보를 포함하고 있어 시간 흐름에 따른 파라미터의 변화량 등을 파악할 수가 있어 다양한 분야에 적용이 가능하다. 과거에서부터 인과관계가 있는 시계열 데이터를 이용하여 다양한 분야에 사용하였다. 이를 통해 단기 예측 혹은 장기 예측을 하여 연구를 지속해왔다. IoT(Internet of Things)와 ...

시계열 데이터란 시간의 흐름 순서대로 데이터들을 나열한 것으로, 과거의 데이터를 이용하여 미래의 일을 예측하는 것이다. 시계열 데이터의 경우에는 시간에 따른 정보를 포함하고 있어 시간 흐름에 따른 파라미터의 변화량 등을 파악할 수가 있어 다양한 분야에 적용이 가능하다. 과거에서부터 인과관계가 있는 시계열 데이터를 이용하여 다양한 분야에 사용하였다. 이를 통해 단기 예측 혹은 장기 예측을 하여 연구를 지속해왔다. IoT(Internet of Things)와 SNS(Social Network Service)가 등으로 인해 다양한 센서와 다양한 센서로부터 측정된 데이터를 저장하기 위한 기술의 발전으로 데이터의 규모나 복잡성이 커지고 있다. IoT와 다양한 센서로부터 산업에서 측정되는 상당수의 데이터가 시계열 특성을 지내고 있다. 실시간으로 생성되는 데이터를 분석하여 유의미한 미래 예측 분석을 하는 것이 중요하게 되었다.
본 논문에서는 헬스케어를 위한 시계열 빅데이터 기반의 예측 연구를 하고자 한다. 헬스케어 분야에서 미리 대처가 가능한 질환에 대해 머신러닝과 딥러닝을 적용하려고 한다. 그에 따라 호흡기 질환과 심정지 예측 연구를 하려고 한다. 그러나 모든 호흡기 질환 예측 혹은 예후 관리 예측은 힘들기 때문에 호흡기 질환에서 큰 영향을 미치는 미세먼지 예측을 하려고 한다. 미세먼지 예측을 통해 호흡기 질환의 악영향을 최소화하기 위해 1시간 이후 미세먼지 수치를 예측하고자 한다. 미세먼지 데이터셋의 경우에는 기상 측정 장비에 의해 주기적으로 측정되는 특징을 가지고 있고, EMR 데이터의 경우에는 의료진에 의해 환자 데이터를 수집하고 전산 시스템에 입력되는 생징후 데이터와, 혈액을 랩 데이터 측정 장비에 의해 측정되는 랩 데이터가 있는 특징을 가지고 있다. 그에 따라 시계열 데이터 연구에 적합하다.
한국의 경우 미세먼지를 등급으로 예보하기 때문에 정확한 미세먼지 수치를 파악하기는 힘들다. 기존 미세먼지 예측의 경우에는 미세먼지나, 초미세먼지만을 예측하는 경우가 있다. 특정 나라 내의 소수의 지역의 미세먼지만을 예측한다. 미세먼지 예측을 모델을 개발하기 위해 기상 정보와 대기 정보, 주소 체계, 24절기의 상관관계 분석을 수행하였다. 이를 토대로 한국 내 미세먼지와 초미세먼지를 예측하는 모델을 개발하였다.
병원에서 심정지 예측하기 위해 EWS시스템을 사용한다. 그러나 기존의 EWS는 낮은 정밀도와 높은 거짓 알람의 문제점이 존재한다. 심정지 예측을 위해 시계열 데이터를 분석한 결과 병원 데이터의 경우에는 환자별 데이터 측정 주기가 상이한 문제점이 존재한다. 측정 주기가 상이한 경우 시계열 데이터 기반 예측이 어려운 문제점을 갖고 있다. 그에 따라 환자의 데이터 측정 주기를 1시간으로 변경하였고, 결측치는 마지막으로 측정된 값으로 보정을 하였다. 심정지 예측과 관련된 파라미터를 파악하기 위하여 생징후 데이터와 랩 데이터의 상관관계 분석을 수행하였다. 또한 시계열 데이터에서는 Lookback을 통해 과거의 데이터를 고려하는데 고려한 시간에 따른 성능 평가를 하여 심정지 예측을 위한 최적의 Lookback을 확인하였다. 이를 바탕으로 심정지 예측 모델을 개발하였다. 기존 심정지 예측 모델과 성능평가를 한 결과 본 논문에서 제안한 모델이 더 우수한 성능을 보였다. 현재에는 8시간 이내의 심정지 예측만을 제공하나 향후에는 심정지 위험 정보를 수치화하여 의료진들이 고려할 수 있도록 할 예정이다.

Keyword