의약품은 인간의 건강 및 생명과 밀접한 관련이 있기 때문에 증상에 맞는 의약품을 처방받아 복용하는 것은 매우 중요한 문제이다. 더욱이 세계적으로 위조 의약품이 증가하는 상황에서 정품 의약품들을 정확하게 분류하는 기술은 점점 중요해진다. 그러나 의약품을 제대로 분류할 수 있는 전문적인 지식을 갖춘 인력이 제한적이라는 측면에서 의약품을 자동적으로 분류하는 기술이 필요하다. 본 논문에서는 휴대용 분광기를 이용하여 의약품의 근적외선 및 가시광선 스펙트럼을 추출하고, Support Vector Machine(SVM) 기법을 이용하여 추출한 스펙트럼 데이터를 학습시켜 분류하는 방법을 제안하였다. 모의실험을 통해 근적외선과 가시광선 스펙트럼 데이터를 사용하여 6종의 의약품을 학습시키고 분류하였을 때 평균적으로 99.9 %의 정확도를 얻었다. 또한 본 논문에서는 위조 의약품 검출을 위한 2단계 SVM 분류 기법을 제안하였으며, 이를 통해 정품과 위조 의약품을 구분하는 정확도가 향상되고, 처리속도가 개선되는 것을 확인하였다.
의약품은 인간의 건강 및 생명과 밀접한 관련이 있기 때문에 증상에 맞는 의약품을 처방받아 복용하는 것은 매우 중요한 문제이다. 더욱이 세계적으로 위조 의약품이 증가하는 상황에서 정품 의약품들을 정확하게 분류하는 기술은 점점 중요해진다. 그러나 의약품을 제대로 분류할 수 있는 전문적인 지식을 갖춘 인력이 제한적이라는 측면에서 의약품을 자동적으로 분류하는 기술이 필요하다. 본 논문에서는 휴대용 분광기를 이용하여 의약품의 근적외선 및 가시광선 스펙트럼을 추출하고, Support Vector Machine(SVM) 기법을 이용하여 추출한 스펙트럼 데이터를 학습시켜 분류하는 방법을 제안하였다. 모의실험을 통해 근적외선과 가시광선 스펙트럼 데이터를 사용하여 6종의 의약품을 학습시키고 분류하였을 때 평균적으로 99.9 %의 정확도를 얻었다. 또한 본 논문에서는 위조 의약품 검출을 위한 2단계 SVM 분류 기법을 제안하였으며, 이를 통해 정품과 위조 의약품을 구분하는 정확도가 향상되고, 처리속도가 개선되는 것을 확인하였다.
It is important to prescribe and take medicines that are appropriate for symptoms, since medicines are closely related to human health and life. Moreover, it becomes more important to accurately classify genuine medicines with counterfeit, since the number of counterfeit increases worldwide. However...
It is important to prescribe and take medicines that are appropriate for symptoms, since medicines are closely related to human health and life. Moreover, it becomes more important to accurately classify genuine medicines with counterfeit, since the number of counterfeit increases worldwide. However, the number of high-quality experts who have enough experience to properly classify them is limited and there exists a need for the automatic technique to classify medicine tablets. In this paper, we propose a method to classify the tablets by using a handheld spectrometer which provides both Near Infra-Red (NIR) and visible light spectrums. We adopted Support Vector Machine(SVM) as a machine learning algorithm for tablet classification. As a result of the simulation, we could obtain the classification accuracy of 99.9 % on average by using both NIR and visible light spectrums. Also, we proposed a two-step SVM approach to discriminate the counterfeit tablets from the genuine ones. This method could improve both the accuracy and the processing time.
It is important to prescribe and take medicines that are appropriate for symptoms, since medicines are closely related to human health and life. Moreover, it becomes more important to accurately classify genuine medicines with counterfeit, since the number of counterfeit increases worldwide. However, the number of high-quality experts who have enough experience to properly classify them is limited and there exists a need for the automatic technique to classify medicine tablets. In this paper, we propose a method to classify the tablets by using a handheld spectrometer which provides both Near Infra-Red (NIR) and visible light spectrums. We adopted Support Vector Machine(SVM) as a machine learning algorithm for tablet classification. As a result of the simulation, we could obtain the classification accuracy of 99.9 % on average by using both NIR and visible light spectrums. Also, we proposed a two-step SVM approach to discriminate the counterfeit tablets from the genuine ones. This method could improve both the accuracy and the processing time.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
앞서 보인 그림 2와 그림 3에서 확인할 수 있듯이, VGR1(05)과 VGR2(06) 샘플은 각각 정품과 위조 의약품이기 때문에 나머지 4종의 의약품과는 달리 가시광선과 근적외선 스펙트럼 모두 비슷한 경향을 보인다. 본 논문에서는정품과 위조 의약품 분류의 정확성을 높이기 위하여 2단계 SVM 분류 방법을 제안하였다.
통신에 활용한 예로는 LED의 빠른 스위칭을 이용한 가시광통신, 레이저의 직진성을 이용한 레이저 통신 등이 있으며, 센싱에 활용한 예로는 펄스 레이저의 정밀한 거리 센싱 능력을 활용한 Light Detection and Ranging(LIDAR) 등이 있다. 본 연구에서는근적외선 및 가시광선 대역을 미래전파 응용 분야 중 하나인 전파센싱 분야에 적용하고자 한다. 특히, 최근 이슈가 되고 있는 의약품 분류에 적용하고자 한다[1].
위조 의약품의 종류와 개수는 해마다 증가하고, 유사한 색상과 형태의 의약품이 다수 존재하는 상황에서, 정확한 의약품을 올바르게 복용하기 위해서는 자동적으로의약품의 종류를 분류하고, 진위 여부를 판별하는 기술이 필요하다. 이에 본 논문에서는 근적외선/가시광선을 활용한 휴대형 분광기를 이용하여 의약품을 분류하는 방법을 제안하였다. 근적외선/가시광선 분광기를 이용하여 가시광선과 근적외선의 스펙트럼 데이터를 추출하고, 추출한데이터를 SVM 기법을 이용하여 학습한 뒤 최종적으로 의약품을 분류하였다.
본 연구에서는근적외선 및 가시광선 대역을 미래전파 응용 분야 중 하나인 전파센싱 분야에 적용하고자 한다. 특히, 최근 이슈가 되고 있는 의약품 분류에 적용하고자 한다[1].
제안 방법
LinkSquare 분광기를 사용하여 각 샘플마다 가시광선 및 근적외선의 스펙트럼을 측정하였다. 그림 2에서는 각샘플에 대한 스펙트럼 데이터의 예시를 나타내었다.
이에 본 논문에서는 근적외선/가시광선을 활용한 휴대형 분광기를 이용하여 의약품을 분류하는 방법을 제안하였다. 근적외선/가시광선 분광기를 이용하여 가시광선과 근적외선의 스펙트럼 데이터를 추출하고, 추출한데이터를 SVM 기법을 이용하여 학습한 뒤 최종적으로 의약품을 분류하였다. 6종 의약품에 대한 모의실험 결과를 통해, 근적외선만을 이용하면 98.
근적외선과 가시광선 사용에 따른 성능 분석을 위하여 근적외선만 이용하여 얻은 데이터와 근적외선과 가시광선을 함께 사용하여 얻은 데이터로 각각 실험해 보았다. 분류를 위한 학습 및 검증 방법에는 6종의 의약품을 한번에 분류하는 방법을 이용하였다.
하지만 기존 연구에서 사용된 분광기는 고가의 장비이며, 파장 분석을 위해서는 분광기를 고정시키고 사용하여야 했기 때문에, 실험실과같이 제한적인 장소에서만 측정이 가능하여 일반인이 사용하기에는 무리가 있었다. 따라서 본 논문에서는 보다 편리하고 간편한 의약품 분류를 위해 휴대가 가능한 근적외선/가시광선 분광기를 사용한다. 최근 일부 근적외선을 사용하는 휴대용 장비를 이용한 의약품 분류 연구가 최근 발표된 바 있지만, 근적외선과 가시광선을 동시에 사용한 연구는 아직까지 없었다[15].
9 %의 정확도를 얻었다. 또한 근적외선만을 이용하는 경우를 대상으로 2단계 분류 방법을 제안하여 정품과 위조 의약품에 대한 분류 정확도와 처리속도를 개선하였다.
또한, 본 연구에서는 추출된 의약품의 근적외선 및 가시광선 스펙트럼은 전처리 과정을 거친 후, 기계학습의 일종인 Support Vector Machine(SVM)을 이용하여 학습시키고 분류하는 방법을 제안한다.
본 논문에서는 Mathwork Matlab 2016을 통해 제안한 방법을 구현하였으며, Intel Core i5 3.40 GHz CPU, 8 GBRAM의 PC 환경에서 실험하였다.
그리고 주요 제원은 표 1과 같다[17]. 본 논문에서는 이를 이용하여 측정한 스펙트럼 데이터의 분류학습을 통하여 의약품 분류에 활용한다.
본 연구에서는 근적외선뿐만 아니라 가시광선을 포함하는 광대역 스펙트럼(0.4~1.0 μm)을 갖는 휴대용분광기를 사용한다.
근적외선과 가시광선 사용에 따른 성능 분석을 위하여 근적외선만 이용하여 얻은 데이터와 근적외선과 가시광선을 함께 사용하여 얻은 데이터로 각각 실험해 보았다. 분류를 위한 학습 및 검증 방법에는 6종의 의약품을 한번에 분류하는 방법을 이용하였다.
의약품 분류를 위하여 샘플들을 훈련시키고, 알고리즘을 검증하기 위해서 앞에서 설명한 총 6종의 의약품을 대상으로 학습 및 성능 집합을 구성하였다. 표 3에서 보인 바와 같이 각 종류 별로 2,400개의 스펙트럼 데이터를 측정하여 이 가운데 2,000개를 훈련 과정에 사용하였고, 나머지 400개를 성능 검증의 목적으로 사용하였다.
대상 데이터
본 논문에서 제안한 2단계 분류 방법의 성능을 살펴보기 위해 가시광선을 제외하고 근적외선 스펙트럼 데이터만을 사용하여 실험을 수행하였다. 표 7에서 실험 결과로서 얻은 단계별 성능을 나타내었다.
본 논문에서는 6종의 의약품을 대상으로 위에서 소개한 LinkSquare를 이용하여 스펙트럼 데이터를 추출하였다. 실험에서 사용한 의약품을 표 2에서 정리하였다.
. 본 논문에서는 Stratio사에서 제작한 휴대형 분광기인 Link Square를 사용하였는데, 이의 물리적인 구조를 그림 1에서 나타내었다.\
의약품 분류를 위하여 샘플들을 훈련시키고, 알고리즘을 검증하기 위해서 앞에서 설명한 총 6종의 의약품을 대상으로 학습 및 성능 집합을 구성하였다. 표 3에서 보인 바와 같이 각 종류 별로 2,400개의 스펙트럼 데이터를 측정하여 이 가운데 2,000개를 훈련 과정에 사용하였고, 나머지 400개를 성능 검증의 목적으로 사용하였다.
이론/모형
본 논문에서는 SVM 학습 과정을 위해 선형 커널을 사용하였으며, 분류 방법으로써 ‘One vs Rest’ 방법을 이용하였다.
측정된 스펙트럼 데이터들은 측정 환경에 따라 조금씩 오차가 발생하거나, 잡음이 더해지게 된다. 이에 대한 영향을 줄이기 위해 본 논문에서는 전처리 과정으로서 스무딩(smoothing) 필터의 한 종류인 Savitzky-Golay 필터를 이용하였다[20]. 이 필터는 데이터를 부드럽게 하거나, 다른 데이터와 차별화를 주기 위해 사용하며, 신호 형태의 왜곡을 피하면서도 신호 대 잡음비를 상승시킬 수 있다는 장점이 있다.
성능/효과
근적외선/가시광선 분광기를 이용하여 가시광선과 근적외선의 스펙트럼 데이터를 추출하고, 추출한데이터를 SVM 기법을 이용하여 학습한 뒤 최종적으로 의약품을 분류하였다. 6종 의약품에 대한 모의실험 결과를 통해, 근적외선만을 이용하면 98.5 %, 가시광선까지 함께 이용하면 99.9 %의 정확도를 얻었다. 또한 근적외선만을 이용하는 경우를 대상으로 2단계 분류 방법을 제안하여 정품과 위조 의약품에 대한 분류 정확도와 처리속도를 개선하였다.
두 번째로, 표 6은 가시광선과 근적외선 스펙트럼을 모두 이용하여 얻은 데이터로 의약품을 분류하는 실험 결과이다. 색상에서 차이를 보이는 E1(01)부터 J1(04)까지의의약품에 대한 분류 성능은 근적외선만을 이용하는 경우와 마찬가지로 100 %의 정확도를 나타냈으며, VGR1 (05)과 VGR2(06)에 대한 분류 성능도 99.
0 %의 정확도를 나타내었다. 따라서 제안하는 2단계 분류 방법이 1단계 분류 방법보다 정품 및 위조 의약품을 더 정확하게 분류할 수 있음을 확인할 수 있다. 제안하는 2단계 분류 방법은 계산 효율 측면에서도 다소 유리하다.
두 번째로, 표 6은 가시광선과 근적외선 스펙트럼을 모두 이용하여 얻은 데이터로 의약품을 분류하는 실험 결과이다. 색상에서 차이를 보이는 E1(01)부터 J1(04)까지의의약품에 대한 분류 성능은 근적외선만을 이용하는 경우와 마찬가지로 100 %의 정확도를 나타냈으며, VGR1 (05)과 VGR2(06)에 대한 분류 성능도 99.6 %로 약 4 % 가량향상되었다.
표 7에서 실험 결과로서 얻은 단계별 성능을 나타내었다. 실험에서는 가시광선 데이터를 사용하지 않으면서도 VGR1과 VGR2에 대해 99.0 %의 정확도를 나타내었다. 따라서 제안하는 2단계 분류 방법이 1단계 분류 방법보다 정품 및 위조 의약품을 더 정확하게 분류할 수 있음을 확인할 수 있다.
표 4에서는 전처리 필터를 통과하고 나면 파장에 따라 평균을 취한 표준 편차가 어떻게 변화하는 지를 나타내었다. 이로부터 의약품의 종류에 상관없이 표준편차가 줄어드는 것을 확인할 수 있다.
따라서 제안하는 2단계 분류 방법이 1단계 분류 방법보다 정품 및 위조 의약품을 더 정확하게 분류할 수 있음을 확인할 수 있다. 제안하는 2단계 분류 방법은 계산 효율 측면에서도 다소 유리하다. 직접적으로는 가시광선 데이터를 사용하지 않으므로 인해 얻는 효과가 있다.
표 5는 근적외선 스펙트럼만을 이용하여 얻은 데이터로 의약품을 분류하는 경우의 혼동행렬(confusion matrix) 결과로써 6종의 의약품에 대하여 평균적으로 98.5 %의 높은 정확도를 보여주는 것을 확인하였다. 하지만 정품과 위조 의약품인 VGR1(05)과 VGR2(06) 샘플에서 약간의 오검출이 발생한 것을 확인할 수 있다.
후속연구
또한 제안하는 2단계 분류 방법은 정품 및 위조 의약품의 분류 목적 이외에도 활용 가능하다. 예를 들어 분류 대상 의약품의 종류가 늘어나고, 이에 따라 유사한 색상의 의약품도 늘어나는 경우에, 1단계로서 가시광선 데이터를 이용하여 색상을 기준으로 분류하고, 2단계로 근적외선 데이터를 이용하여 성분을 기준으로 분류하는 접근 방법을 고려할 수 있다.
향후 연구과제로 실험에 사용한 6종의 의약품 외에 더 많은 종류의 의약품을 분류할 수 있는 방법을 개발하고, 다양한 기계학습 기법으로 실험을 하여 정확도와 처리속도를 개선할 수 있도록 연구할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
LinkSquare 분광기는 어떻게 구성되는가?
LinkSquare 분광기는 입사하는 빛을 발생하는 광원과 빛을 분광시키고, 경로를 조정하는 광학계, 그리고 영상 센서로 구성된다. 광원으로는 가시광선과 근적외선용으로두 개를 사용하며, 광학계는 파장별에 따라 굴절률이 달라지는 빛의 특성을 이용하여, 렌즈, 거울, 프리즘 등을 결합하여 구성된다.
자동적으로 의약품의 종류를 구분하고, 위조 의약품을 판별하는 방법이 필요한 이유는?
따라서 이를 정확하게 식별하기 위해서는 전문적인 판별 능력이 필요하다. 하지만 의사, 약사 또는 간호사처럼 숙련된 전문 인력은 제한적이라는 문제가 있다. 따라서 전문 인력을 대신하여자동적으로 의약품의 종류를 구분하고, 위조 의약품을 판별하는 방법이 필요하다.
위조 의약품과 일반적 의약품의 구별이 어려운이유는?
위조 의약품은 일반적으로 진짜 의약품과 형태나 색상이 매우 유사하므로 구별이 쉽지 않다. 따라서 이를 정확하게 식별하기 위해서는 전문적인 판별 능력이 필요하다.
F. M. Fernandez, M. D. Green, and P. N. Newton, "Prevalence and detection of counterfeit pharmaceuticals: a mini review", Ind. Eng. Chem. Res., vol. 47, no. 3, pp. 585-590, 2008.
K. Degardin, Y. Roggo, and P. Margot, "Understanding and fighting the medicine counterfeit market", J. Pharm. Biomed. Anal., vol. 87, pp. 167-175, 2014.
S. Han, H. J. Bae, J. Kim, S. Shin, S.-E. Choi, S. H. Lee, S. Kwon, and W. Park, "Lithographically encoded polymer microtaggant using high-capacity and error correctable QR code for anti-counterfeiting of drugs", Adv. Mater., vol. 24, pp. 5924-5929, 2012.
P. Y. Sacre, E. Deconinck, T. De Beer, P. Courselle, R. Vancauwenberghe, P. Chiap, J. Crommen, and J. O. De Beer, "Comparison and combination of spectroscopictechniques for the detection of counterfeit medicines", J. Pharm. Biomed. Anal., vol. 53, no. 3, pp. 445-453, 2010.
F. E. Dowell, E. B. Maghirang, F. M. Fernandez, P. N. Newton, and M. D. Green, "Detecting counterfeit antimalarial tablets by near-infrared spectroscopy", J. Pharma. Biomed. Anal., vol. 48, no. 3, pp. 1011-1014, 2008.
K. Degardin, A. Guillemain, N. Viegas Guerreiro, and Y. Roggo, "Near infrared spectroscopy for counterfeit detection using a large database of pharmaceutical tablets", J. Pharm. Biomed. Anal., vol. 128, pp. 89-97, 2016.
A. Guillemain, K. Degardin, and Y. Roggo, "Performance of NIR handheld spectrometers for the detection of counterfeit tablets", Talanta, vol. 165, pp. 632-640, 2017.
A. Savitsky, M. Golay, "Smoothing and differentiation of data by simplified least-squares procedures", Anal. Chem., vol. 36, no. 8, pp. 1627-1639, 1964.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.