초록 ▼

□ 연구개요
- 생체신호 자동분석시스템–PPG와 ECG 신호를 자동 분석하는 다중 심층신경망을 개발하였으며 신호와 동일한 주파수 대역의 잡음을 구분하고 신뢰성이 높은 진단파라미터(HR, HRV, reflextion wave 판정, P,QRS, T 파의 폭 간격 등)를 추출.
- 기계학습능력 향상– 소수의 신경망을 이용하여 적은 데이터로 효율적 학습이 가능
- 해설 가능한 인공지능- 하나의 입력으로 다변수 신호를 판정할 수 있는 다중 심층 신경망을 고안하였으며, 심장의 이상 여부를 판정하는 기존 지식과 연계함.

□ 연구개요
- 생체신호 자동분석시스템–PPG와 ECG 신호를 자동 분석하는 다중 심층신경망을 개발하였으며 신호와 동일한 주파수 대역의 잡음을 구분하고 신뢰성이 높은 진단파라미터(HR, HRV, reflextion wave 판정, P,QRS, T 파의 폭 간격 등)를 추출.
- 기계학습능력 향상– 소수의 신경망을 이용하여 적은 데이터로 효율적 학습이 가능
- 해설 가능한 인공지능- 하나의 입력으로 다변수 신호를 판정할 수 있는 다중 심층 신경망을 고안하였으며, 심장의 이상 여부를 판정하는 기존 지식과 연계함.

□ 연구 목표대비 연구결과
- 환자에게서 측정한 생체 신호를 분석하기 위해 기계학습 능력을 강화한 다중 심층 신경망(m-DNN)과 해설 가능한 판정 기능을 갖춘 인공지능 자동 진단 분석 시스템을 개발하고 성능을 평가한다는 목적을 달성함.
: 생체신호를 분석하기 위해 기계학습 능력을 향상하고 해설 가능한 인공지능 자동 진단 분석 시스템을 개발하였으며 원격의료를 위한 시험 서버를 구축 운영함.
- (1차년도) LTP-DNN 기반 생체신호 분석 기술
: 뇌에서 뇌신경망이 입력을 반복 처리하는 Feedback 구조를 모사하기 위해 연속적인 신호를 15회 이상 반복 처리하는 DNN 구조를 개발함으로써 ECG, PPG 분석의 신뢰성을 향상함. (최초에는 RNN을 Feedback 연결 구조로 변경하려 했으나 기계학습의 효율성을 향상하기 위해 반복처리 및 중첩이 가능한 DNN 구조로 변경함.)
- (2차년도) LTP-DNN을 이용한 지식기반 질환 진단 해설 시스템
: 제안한 새로운 구조의 DNN이 뇌 신경의 Long-term Potential(LTP) 현상과 유사하게 출력을 지속할 수 있음을 확인함. 입력신호에 학습한 패턴이 포함되었을 때, LTP 기간에 차이가 발생하였으며, LTP 기간을 고려함으로써 판정 정확도가 향상됨. 다양한 기능의 다중 심층신경망 m-DNN을 동시에 기계학습 및 실행할 수 있었으며 각 출력 결과를 근거로 다양한 해석과 유추가 가능함을 확인함.
- (3차년도) DNN 기술 적용 원격의료시스템의 해석 및 개선
: 12개의 신경망이 각각 ECG와 PPG를 분석하는 m-DNN 알고리즘을 원격의료시스템의 시험 서버에 구축하였으며 8,000명 분의 데이터를 24시간 내 분석하고, 오류 데이터의 선별, 신뢰성 있는 30여 가지 심혈관 관련 파라미터 제공이 가능하였음.

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
- 뇌의 신호처리를 모사한 다중 심층신경망 처리 구조의 발전에 기여할 것임.
: 적은 신경망을 사용하였으며 적은 학습데이터로도 효율적인 기계학습이 가능하고 반복처리를 통해 신뢰성을 높인 효율적인 신경망 기술은 기존의 신경망의 효율성을 높이고 기계학습을 위한 시간, 비용을 절감할 수 있는 발전 가능성을 제시함.
: 본 연구에서 제시된 m-DNN 구조는 출력 들간의 다양한 연계 해석을 가능하게 함. 사람의 신경망과 같이 여러 개의 병렬 신경망의 결과와 이를 바탕으로 고도의 판정 기능을 수행하는 직-병렬 신경망 구조를 갖춘 복합다중 심층신경망(cm-DNN) 구조의 가능성을 확인함.
- 생체신호 해석과 원격의료 서비스의 발전에 기여할 것임.
: 대규모의 생체 데이터를 실시간 분석할 수 있으며 생체신호와 주파수 또는 특징이 유사한 잡음을 효과적으로 분류하고 신뢰성 높은 생체데이터를 제공함으로써 원격 의료서비스의 비용 절감, 품질 향상, 사업성 제고에 기여함.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 1) 연구개발의 목적 ... 4
• 2) 연구 필요성 ... 4
• 3) 연구 범위 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 5
• 1) 1차년도_ 생체신호 분석을 위한 새로운 신경망 구조의 개발 수행 과정 및 내용 ... 5
• 2) 2차년도_LTP-DNN을 이용한 질환 진단시스템 및 해설 시스템 개발 수행과정 및 내용 ... 6
• 3) 3차년도_DNN 기술 적용 원격의료시스템의 개선 수행 과정 및 내용 ... 8
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 10
• 1) 정성적 연구개발성과(연구개발결과) ... 10
• 2) 세부 정량적 연구개발성과 ... 12
• 3) 목표 달성 수준 ... 12
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 12
• 1) 검증된 신경망들의 융합을 통해 정확도와 기능이 향상된 m-DNN 기술 발전에 기여 ... 12
• 2) 신경망의 자가 학습 기술 발전에 기여 ... 12
• 3) 의료서비스 산업 발전에 기여 ... 13
• 5. 연구개발성과의 관리 및 활용 계획 ... 13
• 1) 후속 연구 추진 계획 ... 13
• 2) 참여 국가과제에 활용 계획 ... 13
• 3) 기술 이전 추진 계획 ... 13
• 6. 자체점검표 ... 14
• 7. 참고문헌 ... 14
• [붙임1] 세부 정량적 연구개발성과 ... 15
• [붙임2] 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 16
• 끝페이지 ... 24