KR-102961984-B1 - METHOD FOR IMPLANTABLE MEDICAL DEVICE TO DETECT ANOMALY IN REAL TIME

Abstract

본 발명에 따른 체내에 부착되어 체내에서 실시간으로 자신의 이상(Anomaly)을 감지하기 위한 신체 이식형 의료 디바이스는 상기 신체 이식형 의료 디바이스의 전압, 온도, 전력 및 압력 중 적어도 어느 하나에 대한 시계열 데이터를 측정하는 센서부; 및 상기 측정된 적어도 어느 하나에 대한 시계열 데이터를 사전에 정상 데이터로만 학습된 재구성 예측 기반 딥러닝 모델에 적용하여 상기 측정된 시계열 데이터로부터 정상 시계열 데이터를 추론하고, 상기 측정된 시계열 데이터와 상기 추론된 정상 시계열 데이터 간의 오차 값에 기초하여 상기 디바이스의 이상 점수를 결정하고, 상기 결정된 이상 점수와 사전에 설정된 임계값을 비교하여 상기 디바이스가 신체 내에서 이상 패턴으로 동작하는지 정상 패턴으로 동작하는지 판단하는 프로세서를 포함할 수 있다.

Inventors

• 박철수
• 강영신
• 권동욱

Assignees

• 광운대학교 산학협력단

Dates

Publication Date

20260506

Application Date

20221130

Claims (15)

1. 체내에 부착되어 체내에서 실시간으로 자신의 이상(Anomaly)을 감지하기 위한 신체 이식형 의료 디바이스에 있어서, 상기 신체 이식형 의료 디바이스의 전압, 온도, 전력 및 압력 중 적어도 어느 하나에 대한 실시간 시계열 데이터를 측정하는 센서부; 및 상기 실시간 시계열 데이터를 사전에 정상 데이터로만 학습된 재구성 예측 기반 딥러닝 모델에 적용하여 상기 측정된 실시간 시계열 데이터로부터 정상 시계열 데이터를 추론하고, 상기 측정된 실시간 시계열 데이터와 상기 추론된 정상 시계열 데이터 간의 오차값인 이상 점수를 결정하고, 상기 결정된 이상 점수가 사전에 설정된 임계값 보다 높을 경우 상기 신체 이식형 의료 디바이스가 신체 내에서 이상 패턴으로 동작한다고 판단하고, 상기 결정된 이상 점수가 상기 임계값 이하인 경우 상기 신체 이식형 의료 디바이스가 상기 신체 내에서 정상 패턴으로 동작한다고 판단하는 프로세서를 포함하고, 상기 학습된 재구성 예측 기반 딥러닝 모델은, 정상 데이터만을 이용하여 순방향 및 역방향으로 학습하고 이전 데이터와의 연관 관계를 고려하여 추론하는 양방향 LSTM(Bidirectional Long Short Term Memory) 모델이며, 그래디언트(gradient)가 흐를 수 있는 지름길(shortcut)을 형성하는 스킵 연결(skip connection) 기법을 적용하여, 입력되는 시계열 데이터의 경향성이 출력에 반영되도록 구성된 모델인 것을 특징으로 하는, 신체 이식형 의료 디바이스.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 제 1항에 있어서, 상기 프로세서는 상기 신체 이식형 의료 디바이스가 이상 패턴으로 동작하는 경우 상기 신체 이식형 의료 디바이스의 동작을 멈추도록 제어하는, 신체 이식형 의료 디바이스.
7. 삭제
8. 제 1항에 있어서, 상기 센서부는 상기 신체 이식형 의료 디바이스의 전압, 온도, 전력 및 압력 중 적어도 두 개 이상을 측정하도록 구비된 다중 센서인, 신체 이식형 의료 디바이스.
9. 삭제
10. 신체 이식형 의료 디바이스가 실시간으로 이상(Anomaly)을 감지하기 위한 방법에 있어서, 상기 신체 이식형 의료 디바이스의 전압, 온도, 전력 및 압력 중 적어도 어느 하나에 대한 실시간 시계열 데이터를 측정하는 단계; 상기 실시간 시계열 데이터를 사전에 정상 데이터로만 학습된 재구성 예측 기반 딥러닝 모델에 적용하여 상기 측정된 실시간 시계열 데이터로부터 정상 시계열 데이터를 추론하는 단계; 상기 실시간 시계열 데이터와 상기 추론된 정상 시계열 데이터 간의 오차값인 이상 점수를 결정하는 단계; 및 상기 결정된 이상 점수가 사전에 설정된 임계값 보다 높을 경우 상기 신체 이식형 의료 디바이스가 신체 내에서 이상 패턴으로 동작한다고 판단하고, 상기 결정된 이상 점수가 상기 임계값 이하인 경우 상기 신체 이식형 의료 디바이스가 상기 신체 내에서 정상 패턴으로 동작한다고 판단하는 단계를 포함하되, 상기 학습된 재구성 예측 기반 딥러닝 모델은, 정상 데이터만을 이용하여 순방향 및 역방향으로 학습하고 이전 데이터와의 연관 관계를 고려하여 추론하는 양방향 LSTM(Bidirectional Long Short Term Memory) 모델이며, 상기 추론하는 단계는 그래디언트(gradient)가 흐를 수 있는 지름길(shortcut)을 형성하는 스킵 연결(skip connection) 기법을 이용하여 입력되는 시계열 데이터의 경향성을 출력에 반영하여 추론하는 것을 특징으로 하는, 신체 이식형 의료 디바이스의 실시간 이상 감지 방법.
11. 삭제
12. 삭제
13. 삭제
14. 삭제
15. 제 10항에 기재된 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

Description

신체 이식형 의료 디바이스가 실시간으로 이상을 감지하기 위한 방법{METHOD FOR IMPLANTABLE MEDICAL DEVICE TO DETECT ANOMALY IN REAL TIME} 본 발명은 신체 이식형 의료 디바이스에 관한 것으로, 보다 자세하게는 신체 이식형 의료 디바이스가 실시간으로 이상을 감지하기 위한 방법에 관한 것이다. 이상 감지(Anomaly Detection) 방법에는 보안 시스템 침입 탐지, 온라인 사기 탐지, 산업 시스템 이상 탐지 등이 있다. 보안 시스템 침입 탐지는 컴퓨터 시스템의 시계열 데이터, 악성 코드 데이터, 시스템이 기록한 로그(log) 데이터에 대해 이상 패턴을 검출하여 악성 코드(Malware) 또는 컴퓨터 시스템 상의 침입을 탐지한다. 온라인 사기 탐지는 금융 거래 내역에 대한 내용을 표로 정리한 데이터를 이용하여 특이 패턴을 검출하여 보험, 신용 금융과 관련된 불법 행위를 탐지한다. 산업 시스템 이상 탐지는 산업 시스템 내의 센서 및 시스템을 동작 또는 제어하는 엑추에이터 (actuator) 로부터 생성된 데이터에 대한 특이 패턴을 검출하여 시스템 이상을 탐지한다. 의료 진단 탐지는 생체 데이터에 대한 이상 특이 패턴을 검출하여 심전도 및 뇌파 혈압 등의 데이터가 이용된다. 특히, 심전도 데이터를 이용하여 부정맥과 같은 신체의 이상을 탐지하는 연구가 활발히 진행되고 있다 그러나, 최근까지도 이상감지 방법에 대해 딥러닝 모델 기반으로 해법을 제시한 연구들이 존재하지 않았다. 이에 본 발명에서는 딥러닝 모델 기반 이상감지 방법을 제안하고자 한다. 특히, 신체 내에 삽입하는 이식형 의료 디바이스에 이상 감지 기술을 적용하여 의료 디바이스의 오작동 및 이상을 탐지하여 의료 디바이스의 손상 및 사고를 예방할 뿐만 아니라 의료 디바이스가 삽입되어 있는 사용자 등의 신체의 안전을 보호하기 위한 방법을 제안하고자 한다. 본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다. 도 1은 인공신경망의 계층 구조(layer structure)를 예시한 도면이다. 도 2는 심층 신경망의 일 예를 도시한 도면이다. 도 3은 본 발명에 따른 신체 이식형 의료 디바이스(300)의 기능을 설명하기 위한 블록도를 예시한 도면이다. 도 4는 본 발명에 따른 신체 이식형 의료 디바이스(300)가 사람의 체내에 부착되어 이상 여부를 감지하는 것을 설명하기 위한 도면이다. 도 5는 본 발명에서 신체 이식형 의료 디바이스(300)가 사용할 Bi-directional Long Short Term Memory (LSTM) 알고리즘 모델의 구조를 도시한 도면이다. 도 6은 본 발명에서 제안하는 신체 이식형 의료 디바이스(300)(즉, 삽입형 의료기기)에 구비된 딥러닝 모델에서의 출력한 시계열데이터로부터 이상 감지를 하는 방법을 예시한 도면이다. 도 7 및 도 8은 각각 본 발명에 따른 신체 이식형 의료 디바이스(300)에서의 이상 감지 방법에 따른 시뮬레이션 결과를 도시한 도면이다. 이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다. 몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다. 본 발명을 설명하기에 앞서 인공 지능(AI), 머신 러닝, 딥 러닝에 대해 설명한다. 이러한 세 가지 개념의 관계를 가장 쉽게 파악하는 방법은 세 개의 동심원을 가상하면 된다. 인공 지능이 가장 큰 원이고, 그 다음이 머신 러닝이며, 현재의 인공지능 붐을 주도하는 딥 러닝이 가장 작은 원이라 할 수 있다. 인공 지능이라는 개념은 1956년 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의에서 처음 등장했으며, 최근 몇 년 사이 폭발적으로 성장하고 있는 중이다. 특히 2015년 이후 신속하고 강력한 병렬 처리 성능을 제공하는 GPU의 도입으로 더욱 가속화되고 있죠. 갈수록 폭발적으로 늘어나고 있는 저장 용량과 이미지, 텍스트, 매핑 데이터 등 모든 영역의 데이터가 범람하게 된 빅데이터 시대의 도래도 이러한 성장세에 큰 영향을 미쳤다. 인공 지능 - 인간의 지능을 기계로 구현 1956년 당시 인공 지능의 선구자들이 꿈꾼 것은 최종적으로 인간의 지능과 유사한 특성을 가진 복잡한 컴퓨터를 제작하는 것이었다. 이렇듯 인간의 감각, 사고력을 지닌 채 인간처럼 생각하는 인공 지능을 '일반 AI(General AI)'라고 하지만, 현재의 기술 발전 수준에서 만들 수 있는 인공지능은 '좁은 AI(Narrow AI)'의 개념에 포함된다. 좁은 AI는 소셜 미디어의 이미지 분류 서비스나 얼굴 인식 기능 등과 같이 특정 작업을 인간 이상의 능력으로 해낼 수 있는 것이 특징이다. 머신 러닝 - 인공 지능을 구현하는 구체적 접근 방식 머신 러닝은 메일함의 스팸을 자동으로 걸러주는 역할을 합니다. 한편, 머신 러닝은 기본적으로 알고리즘을 이용해 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측을 수행한다. 따라서 궁극적으로는 의사 결정 기준에 대한 구체적인 지침을 소프트웨어에 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 '학습'시켜 작업 수행 방법을 익히는 것을 목표로 한다. 머신 러닝은 초기 인공 지능 연구자들이 직접 제창한 개념에서 나온 것이며, 알고리즘 방식에는 의사 결정 트리 학습, 귀납 논리 프로그래밍, 클러스터링, 강화 학습, 베이즈(Bayesian) 네트워크 등이 포함된다. 그러나 이 중 어느 것도 최종 목표라 할 수 있는 일반 AI를 달성하진 못했으며, 초기의 머신 러닝 접근 방식으로는 좁은 AI조차 완성하기 어려운 경우도 많았던 것이 사실이다. 현재 머신 러닝은 컴퓨터 비전 등의 분야에서 큰 성과를 이뤄내고 있으나, 구체적인 지침이 아니더라도 인공 지능을 구현하는 과정 전반에 일정량의 코딩 작업이 수반된다는 한계점에 봉착하였다. 가령 머신 러닝 시스템을 기반으로 정지 표지판의 이미지를 인식할 경우, 개발자는 물체의 시작과 끝 부분을 프로그램으로 식별하는 경계 감지 필터, 물체의 면을 확인하는 형상 감지, 'S-T-O-P'와 같은 문자를 인식하는 분류기 등을 직접 코딩으로 제작해야 한다. 이처럼 머신 러닝은 '코딩'된 분류기로부터 이미지를 인식하고, 알고리즘을 통해 정지 표지판을 '학습'하는 방식으로 작동된다. 머신 러닝의 이미지 인식률은 상용화하기에 충분한 성능을 구현하지만, 안개가 끼거나 나무에 가려서 표지판이 잘 보이지 않는 특정 상황에서는 이미지 인식률이 떨어지기도 한다. 최근까지 컴퓨터 비전과 이미지 인식이 인간의 수준으로 올라오지 못한 이유는 이 같은 인식률 문제와 잦은 오류 때문이다. 딥 러닝 - 완전한 머신 러닝을 실현하는 기술 초기 머신 러닝 연구자들이 만들어 낸 또 다른 알고리즘인 인공 신경망(artificial neural network)에 영감을 준 것은 인간의 뇌가 지닌 생물학적 특성, 특히 뉴런의 연결 구조였습니다. 그러나 물리적으로 근접한 어떤 뉴런이든 상호 연결이 가능한 뇌와는 달리, 인공 신경망은 레이어 연결 및 데이터 전파 방향이 일정합니다. 예를 들어, 이미지를 수많은 타일(tile)로 잘라 신경망의 첫 번째 레이어에 입력하면, 그 뉴런들은 데이터를 다음 레이어로 전달하는 과정을 마지막 레이어에서 최종 출력이 생성될 때까지 반복합니다. 그리고 각 뉴런에는 수행하는 작업을 기준으로 입력의 정확도를 나타내는 가중치가 할당되며, 그 후 가중치를 모두 합산해 최종 출력이 결정됩니다. 정지 표지판의 경우, 팔각형 모양, 붉은 색상, 표시 문자, 크기, 움직임 여부 등 그 이미지의 특성이 잘게 잘려 뉴런에서 '검사'되며, 신경망의 임무는 이것이 정지 표지판인지 여부를 식별하는 것입니다. 여기서는 충분한 데이터를 바탕으로 가중치에 따라 결과를 예측하는 '확률 벡터(probability vector)'가 활용된다. 딥러닝은 인공신경망에서 발전한 형태의 인공 지능으로, 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습합니다. 그러나 기본적인 신경망조차 굉장한 양의 연산을 필요로 하는 탓에 딥러닝의 상용화는 초기부터 난관에 부딪혔다. 그럼에도 불구하고 연구자들의 연구는 지속됐고, 슈퍼컴퓨터를 기반으로 딥러닝 개념을 증명하는 알고리즘을 병렬화하는데 성공했다. 그리고 병렬 연산에 최적화된 GPU의 등장은 신경망의 연산 속도를 획기적으로 가속하며 진정한 딥러닝 기반 인공 지능의 등장을 불러왔다. 신경망 네트워크는 '학습' 과정에서 수많은 오답을 낼 가능성이 크다. 정지 표지판의 예로 돌아가서, 기상 상태, 밤낮의 변화에 관계없이 항상 정답을 낼 수 있을 정도로 정밀하게 뉴런 입력의 가중치를 조정하려면 수백, 수천, 어쩌면 수백만 개의 이미지를 학습해야 할지도 모른다. 이 정도 수준의 정확도에 이르러서야 신경망이 정지 표지판을 제대로 학습했다고 볼 수 있다. 2012년, 구글과 스탠퍼드대 앤드류 응(Andrew NG) 교수는 1만6,000개의 컴퓨터로 약 10억 개 이상의 신경망으로 이뤄진 '심층신경망(Deep Neural Network)'을 구현했다. 이를 통해 유튜브에서 이미지 1,000만 개를 뽑아 분석한 뒤, 컴퓨터가 사람과 고양이 사진을 분류하도록 하는데 성공했습니다. 컴퓨터가 영상에 나온 고양이의 형태와 생김새를 인식하고 판단하는 과정을 스스로 학습하게 한 것이다. 딥러닝으로 훈련된 시스템의 이미지 인식 능력은 이미 인간을 앞서고 있습니다. 이 밖에도 딥러닝의 영역에는 혈액의 암세포,