KR20210073260A - 맥파 데이터를 이용한 맥파 특성 추론 방법 및 장치 - Google Patents

Abstract

프로세서에 의해 맥파 특성 추론 모델을 학습하는 방법은 복수의 학습용 맥파 데이터들에 대해 맥파 지표(index)를 분석하는 단계, 상기 맥파 지표에 기초하여 상기 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하는 단계, 상기 학습용 맥파 데이터가 상기 맥파 데이터 군집에 소속된 정도(grade)를 지시하는 소속도 값에 기초하여 상기 맥파 데이터 군집의 멤버쉽 함수를 결정하는 단계, 및 상기 멤버쉽 함수에 기초하여 맥파 특성을 추론하는 모델을 생성하는 단계를 포함할 수 있다.

Description

맥파 데이터를 이용한 맥파 특성 추론 방법 및 장치{MEHTOD AND APPARTUS FOR INFERENCING PULSE PROPERTIES BASED ON PULSE WAVE DATA}

이하, 맥파 데이터를 이용하여 맥파 특성을 추론하는 방법에 관한 기술이 제공된다.

한의학에서는 맥파의 특성을 범주화하여 맥상(pulse pattern)으로 분류한 후 맥진을 하는데, 맥상의 진단기준이나 참값을 정하기 어려워 한의사의 주관에 의존한 진단이 이루어졌다.

또한, 맥파 특성이나 맥상은 한 가지가 아닌 여러 가지의 특성이 동시에 나타남에도 불구하고, 기존 컴퓨터 프로세서에 의해서는 여러가지 맥파 특성을 동시에 분석할 수 없었고, 그 특성의 정도를 정량적인 수치로 제시하기 어려웠다. 이처럼 맥파 데이터를 기반으로 계산된 맥파 지표나 맥상은 명확한 정량화나 기준 설정이 어렵고, 크다/작다와 같은 언어적 표현의 불확실함에서 야기되는 문제점으로 인해 프로세서에 의해 정확히 분류하기 힘든 점이 있었다.

대한민국 특허등록공보 제10-2012-0032157호(공개일: 2012년 04월 05일)

일실시예에 따르면, 프로세서에 의해 맥파 특성 추론 모델을 학습하는 방법은 복수의 학습용 맥파 데이터들에 대해 맥파 지표(index)를 분석하는 단계, 상기 맥파 지표에 기초하여 상기 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하는 단계, 상기 군집화에 따른 맥파 데이터가 상기 맥파 데이터 군집에 소속된 정도(membership grade)를 지시하는 소속도 값에 기초하여 상기 맥파 데이터 군집의 멤버쉽 함수를 결정하는 단계, 및 상기 멤버쉽 함수에 기초하여 맥파 특성을 추론하는 모델을 생성하는 단계를 포함할 수 있다.

상기 맥파 특성은 맥파의 세기, 깊이, 속도, 너비, 길이, 리듬, 긴장도 및 첨예도를 포함하는 특성일 수 있다.

일실시예에 따르면, 상기 군집화하는 단계는 상기 학습용 맥파 데이터들 간의 유사도에 기초하여 상기 학습용 맥파 데이터들을 복수의 상기 맥파 데이터 군집으로 군집화하는 단계를 포함할 수 있다.

또한, 상기 맥파 데이터 군집들의 군집 중심점을 대표값으로 추출하는 단계, 상기 맥파 데이터 군집들의 군집 중심점과 상기 학습용 맥파 데이터에 대해 유사도를 계산하고 유사도가 가장 높은 맥파 데이터 군집에 상기 학습용 맥파 데이터를 포함시키는 단계, 및 상기 맥파 데이터 군집들의 군집 중심점과 상기 학습용 맥파 데이터 각각의 소속도 값을 반복적으로 업데이트 하는 단계를 포함할 수 있다.

일실시예에 따르면, 군집 중심점과 소속도 값들을 업데이트 하는 단계는 상기 맥파 데이터 군집들에 대해 상기 유사도와 연관된 목적 함수(objective function)를 최소화시키는 상기 군집 중심점을 계산하는 단계, 및 상기 학습용 맥파 데이터가 상기 맥파 데이터 군집들 각각에 속하는 소속도 값의 합이 미리 지정된 상수로 고정시키는 단계를 포함할 수 있다.

아울러, 상기 맥파 특성을 추론하는 모델을 생성하는 단계는 명확한 정량화가 어렵거나 언어적 표현의 불확실함에서 야기되는 문제를 효과적으로 다룰 수 있는 퍼지 추론 시스템, 전문가 시스템, 카오스 이론, 유전자 알고리즘 및 비선형 시스템 중 적어도 하나의 소프트 컴퓨팅 기법을 적용하는 단계를 포함할 수 있다.

일측에 따르면, 프로세서에 의해 대상 맥파 데이터의 맥파 특성을 판단하는 방법에 있어서, 상기 대상 맥파 데이터에 대해 맥파 지표를 분석하는 단계, 맥파 데이터의 군집 정보가 학습된 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 소속된 정도(grade)를 지시하는 소속도 값들을 추출하는 단계, 및 복수의 맥파 데이터 군집들에 대한 상기 대상 맥파 데이터의 소속도 값들에 기초하여 상기 대상 맥파 데이터가 맥파 특성 레벨에 속하는 정도를 출력하는 단계를 포함할 수 있다.

또 다른 일실시예에 따르면, 프로세서에 의해 대상 맥파 데이터의 복합 맥파 특성을 판단하는 방법에 있어서, 상기 대상 맥파 데이터에 대해 맥파 지표를 분석하는 단계, 맥파 데이터의 서로 구별되는 맥파 지표에 의해 학습된 복수의 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 복수의 맥파 특성 추론 모델에서 상기 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출하는 단계, 및 상기 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단하는 단계를 포함할 수 있다.

상기 복합 맥파 특성을 판단하는 단계는 상기 가장 높은 소속도 값이 지시하는 맥파 특성이 미리 지정된 특정 기준 또는 군집화 결과에 의해 평맥의 특성으로 판단된 경우, 상기 복합 맥파 특성의 판단에서 배제하는 단계를 포함 할 수 있다.

상기 복합 맥파 특성을 판단하는 단계는 상기 복수의 맥파 특성 추론 모델에 대한 상기 소속도 값이 미리 지정된 임계치 미만인 경우, 상기 복합 맥파 특성의 판단에서 배제하는 단계를 포함할 수 있다.

도 1은 일실시예에 따른 맥파 특성 추론 모델을 학습하는 방법을 도시한 흐름도이다.
도 2는 일실시예에 따른 맥파 특성 추론 모델의 프로세스를 도시한 도면이다.
도 3는 일실시예에 따라 맥파 데이터 군집을 군집화한 도면이다.
도 4는 일실시예에 따라 결정된 멤버쉽 함수들을 도시한 그래프이다.
도 5은 일실시예에 따라 맥파 데이터 군집에 대응하는 맥파 특성을 나타낸 테이블이다.
도 6은 일실시예에 따라 대상 맥파 데이터에 대응하는 맥파 특성을 판단하기 위한 그래프를 도시한 도면이다.
도 7 은 일실시예에 따른 복수의 맥파 지표에 따른 비선형 맥파 특성 추론 모델을 도시한 도면이다.
도 8 은 일실시예에 따라 맥파 특성 추론 모델에 따라 맥파 특성을 판단하는 방법을 도시한 흐름도이다.
도 9는 일실시예에 따라 복수의 맥파 특성 추론 모델에 따라 복합 맥파 특성을 판단하는 방법을 도시한 흐름도이다.
도 10은 일실시예에 따라 복합 맥파 특성이 판단된 결과를 도시한 도면이다.
도 11은 다른 일실시예에 따라 복합 맥파 특성이 판단된 결과를 도시한 도면이다.
도 12는 일실시예에 따른 맥파 특성 추론 모델 학습 장치 또는 맥파 특성 판단 장치의 개략적인 구성을 도시한 도면이다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

도 1은 일실시예에 따른 맥파 특성 추론 모델을 학습하는 방법을 도시한 흐름도이다.

단계(110)에서, 맥파 특성 추론 모델을 학습하는 프로세서는 복수의 학습용 맥파 데이터들에 대해 맥파 지표를 분석할 수 있다. 맥파 특성은 맥상일 수 있으며, 예시적으로 맥파의 세기, 깊이, 속도, 너비, 길이, 리듬, 긴장도 및 첨예도를 포함할 수 있다. 맥파의 리듬은 맥파의 주기적인 패턴을 의미할 수 있고, 맥파의 긴장도는 가압에 따른 맥파의 저항 구간을 의미할 수 있다. 그러나, 맥파 특성은 이에 한정되는 것이 아니고, 맥박에 의해 생성된 파동 데이터로부터 도출된 모든 정보를 포함할 수 있다.

복수의 학습용 맥파 데이터는 과거 맥진시 추출하여 데이터베이스에 저장된 참고용 맥파 데이터일 수 있다. 학습용 맥파 데이터는 맥파 데이터마다 맥진 결과와 관련된 참값 데이터가 매핑되어 데이터베이스에 저장될 수 있으나, 참값 데이터가 매핑되지 않고 맥파 데이터만 저장될 수 있다. 맥파 데이터에 대응하는 맥파 특성은 한 가지가 아닌 복수의 복합 맥파 특성으로 나타날 수 있으며, 맥파 특성은 참과 거짓뿐 아니라 그 중간 영역에 대한 정보도 포함할 수 있다. 프로세서는 참값 데이터가 매핑되지 않은 맥파 데이터를 비지도 학습(unsupervised learning)하여 군집화 할 수 있으며 불확실함을 극복하고 근사치를 허용하는 소프트 컴퓨팅 기반의 맥파 특성 추론 모델을 생성할 수 있다.

단계(120)에서, 프로세서는 맥파 지표에 기초하여 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화할 수 있다. 프로세서가 복수의 맥파 데이터 군집들로 맥파 데이터들을 군집화하는 것은 도 3을 통해 상세히 서술한다.

단계(130)에서, 프로세서는 군집화에 따른 맥파 데이터가 맥파 데이터 군집에 소속된 정도(membership grade)를 지시하는 소속도 값에 기초하여 맥파 데이터 군집의 멤버쉽 함수를 결정할 수 있다. 소속도 값은 맥파 데이터가 특정 군집에 소속할 확률을 나타낼 수 있다. 예시적으로, 맥파 데이터 군집은 이웃한 군집들과 중첩되어 생성될 수 있으며, 맥파 데이터가 제1 군집과 제2 군집이 중첩된 부분에 포함된 경우, 프로세서는 제1 군집에 대한 제1 소속도 값 및 제2 군집에 대한 제2 소속도 값을 출력할 수 있다. 이처럼 프로세서는 맥파 데이터의 맥파 지표 정도에 따라 어느 군집에 속하는지 여부를 정량적 수치로 제공할 수 있다. 맥파 데이터 군집의 멤버쉽 함수를 결정하는 방법은 도 를 통해 상세히 서술한다.

단계(140)에서, 프로세서는 멤버쉽 함수에 기초하여 비선형 맥파 특성 추론 모델을 생성할 수 있다. 일실시예에 따르면, 프로세서는 맥파 지표 중 일부 맥파 지표들에 대한 비선형 맥파 특성 추론 모델을 생성할 수 있고, 일부 맥파 지표들의 종류에 따라 복수의 비선형 맥파 특성 추론 모델들을 생성할 수 있다. 예를 들어, 프로세서는 맥파 지표 중 제1 특성들에 대한 제1 맥파 특성 추론 모델을 생성할 수 있고, 제1 특성들과 구분되는 제2 특성들에 대한 제2 맥파 특성 추론 모델을 생성할 수 있다.

도 2는 일실시예에 따른 맥파 특성 추론 모델 생성의 프로세스를 도시한 도면이다.

일실시예에 따르면, 맥파 특성 추론 모델을 학습하는 프로세서는 맥파 지표 중 미리 지정된 일부 맥파 지표들에 대해 특성 정도에 따라 맥파 데이터를 군집화할 수 있다. 아울러, 맥파 지표들의 종류에 따라 군집화할 군집 수는 미리 설정될 수 있다. 예시적으로, 맥파 지표들 중 일부는 PDI(Pulse Depth Index), OAP(Optimal Applied Pressure), PPI(Pulse Pressure Index) 정보일 수 있고, 프로세서는 PDI 맥파 지표(210)를 4개의 군집, OAP 맥파 지표(211)를 4개의 군집, PPI 맥파 지표(212)를 2개의 군집으로 군집화할 수 있다. 예시적으로, 프로세서는 PDI, OAP등의 값을 기준으로 맥의 깊이가 얕은지, 보통인지, 깊은지, 아주 깊은지 여부에 관한 군집 등으로 맥파 데이터들을 군집화할 수 있다. 맥파 특성을 지시하는 각 군집들은 맥파 특성 분류에 대한 표준이 있다면 이를 이용할 수 있으나, 사용자 입력에 따라 프로세서는 맥파 특성을 분류하는 기준을 달리하여 설정할 수 있다.

프로세서는 각각의 맥파 데이터가 특정 군집에 어느 정도로 속해 있는지를 연속적인 소속도 값으로 나타낼 수 있는 소프트 클러스터링 방법인 FCM(Fuzzy C-means) 알고리즘을 이용하여 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화할 수 있다. FCM 알고리즘은 K-means 알고리즘과 달리 퍼지 이론에 기반하여 복수의 군집에 동시에 속할 수 있으며, 각 군집별로 속할 가능성의 정도를 제공한다. 이때, 프로세서는 맥파 지표에 있어서 학습용 맥파 데이터들 간의 유사도에 기초하여 학습용 맥파 데이터들을 복수의 맥파 데이터 군집으로 군집화할 수 있다. 그러나, 각각의 맥파 데이터가 특정 군집에 어느정도 속해있는지 판단하는 방법으로 프로세서는 FCM 알고리즘 외에도 클러스터링 할 수 있는 비지도 학습 방법을 이용할 수 있다.

프로세서는 멤버쉽 함수의 파라미터들을 맥파 데이터 군집 중심점과 소속도 값에 기초하여 결정할 수 있다. 예시적으로, 프로세서는 PDI 지표에서 4개의 군집을 표현할 수 있는 각각의 멤버쉽 함수를 임의로 결정하는 것이 아니라 군집 중심점과 소속도 값을 이용해 정량적으로 결정할 수 있다. 멤버쉽 함수가 결정되면, 프로세서는 이에 기초하여 맥파 특성 추론 모델을 생성할 수 있다.

일실시예에 따르면, 맥파 특성 추론 모델에 참과 거짓뿐만 아니라 그 중간 영역의 정보에 대해서도 정량적인 표현이 가능한 퍼지(fuzzy) 이론을 적용할 수 있으며, 그외에도 전문가 시스템, 카오스 이론, 유전자 알고리즘, 비선형 방법 등의 다양한 소프트 컴퓨팅 방법이 적용될 수 있다.

도 3는 일실시예에 따라 맥파 데이터 군집을 군집화한 도면이다.

프로세서는 맥파 지표에 있어서 학습용 맥파 데이터들 간의 유사도에 기초하여 학습용 맥파 데이터들을 복수의 맥파 데이터 군집으로 군집화할 수 있다.

프로세서는 복수의 군집들에 대해 맥파 데이터의 맥파 지표 값이 특정 군집에 속할 가중치 값을 무작위로 할당한다. 이후, 프로세서는 각 군집들의 군집 중심점을 대표값으로 계산하고, 맥파 데이터가 특정 군집의 대표값과의 유사도에 기초하여 각 군집에 속할 가중치 값을 계산한다. 여기서 각 군집들의 군집 중심점은 군집에 연관된 데이터의 평균값 또는 중간값에 매핑된 포인트일 수 있고, 가중치 값은 맥파 데이터가 특정 군집에 속할 확률을 의미할 수 있으며, 소속도 값을 의미할 수 있다. 프로세서는 맥파 데이터 군집들의 대표값과 각 군집 내의 복수의 학습용 맥파 데이터들의 맥파 지표 값 간의 유사성을 최대화하고, 군집의 대표값과 군집 외의 맥파 지표 값들의 비유사성이 최대화하는 맥파 데이터 군집을 결정할 수 있다. 이 때, 프로세서는 메모리에 각 맥파 데이터 군집의 대표값을 저장시킬 수 있다.

일실시예에 따르면, 프로세서는 맥파 데이터 군집들의 중심점과 학습용 맥파 데이터들 사이의 유사도를 나타내는 목적 함수(objective function)를 최소화하는 방향으로 군집 중심점을 반복 계산할 수 있다. 프로세서는 학습용 맥파 데이터가 맥파 데이터 군집들 각각에 속하는 소속도 값의 합이 미리 지정된 상수로 고정시킬 수 있다.

도 3의 산점도에 따르면, 맥파 데이터들이 복수의 군집들로 군집화 됨으로써, 프로세서는 수치화 시키기 힘들었던 맥파 특성을 맥파 데이터의 맥파 지표를 이용하여 정량화시킬 수 있다.

일실시예에 따르면, 프로세서는 맥파 데이터에 대한 군집화가 적절히 이루어졌는지 검증할 수 있다. 각 군집 간의 응집도(cohesion)가 작고, 분리도(separation)가 클수록 군집화 결과가 좋음을 나타내는데, 이를 동시에 고려한 실루엣 계수(silhouette coefficient) 등을 이용할 수 있다.

도 4는 일실시예에 따라 결정된 멤버쉽 함수들을 도시한 그래프이다.

프로세서는 멤버쉽 함수를 각 맥파 데이터 군집에 따라 다르게 설정할 수 있다. 즉, 프로세서는 군집 중심점과 맥파 데이터의 소속도 값, 맥파 데이터 분포 정도를 이용해 멤버쉽 함수의 형태 또는 멤버쉽 함수의 파라미터를 결정할 수 있다. 일실시예에 따르면, 프로세서는 FCM 알고리즘에 의한 군집화 및 소속도 결과를 기반으로 퍼지 추론 시스템의 멤버쉽 함수를 결정할 수 있다. 멤버쉽 함수의 입력 개수는 FCM 알고리즘에 의한 군집 개수로 결정하고, 멤버쉽 함수의 종류는 군집 내의 데이터 분포를 고려해 결정하거나 소속도를 이용해 사용자 정의 함수를 구성할 수 있다. 멤버쉽 함수의 중심점은 각 군집의 중심점으로 결정하고, 인접한 멤버쉽 함수가 겹쳐지는 부분은 소속도를 0.5로 구성할 수 있다.

도 5는 일실시예에 따라 맥파 데이터 군집에 대응하는 맥파 특성을 나타낸 테이블이다.

프로세서는 맥파 데이터들에 대해 맥파 데이터 군집으로 군집화한 후, 각 맥파 데이터 군집이 지시하는 맥파 특성 레벨(level)을 결정할 수 있다. 맥파 타입은 맥파 특성 레벨에 따라 결정될 수 있다. 예시적으로 맥파 특성 레벨은 맥의 깊이에 따라 4단계로 구분될 수 있으며, 프로세서는 맥파 데이터들에 대해 4개의 맥파 데이터 군집으로 군집화할 수 있다. 4개의 맥파 데이터 군집은 맥파 특성 중 하나인 맥의 깊이가 '얕은', '보통의', '깊은', 및 '매우 깊은' 레벨을 지시하는 맥파 데이터 군집일 수 있다. 맥의 깊이에 따라 4개의 맥파 타입으로 구분될 수 있는데, 맥의 깊이가 얕은 경우 맥파 타입은 '부맥(floating pulse)'일 수 있고, 맥의 깊이가 보통인 경우 맥파 타입은 '평맥(normal pulse)', 맥의 깊이가 깊은 경우 맥파 타입은 '침맥(sunken pulse)', 맥의 깊이가 아주 깊은 경우 맥파 타입은 '복맥(hidden pulse)'일 수 있다.

일실시예에 따르면, 프로세서는 퍼지 추론 시스템의 규칙평가 단계를 수행하기 위해 맥파 데이터 군집에 대응하는 맥파 특성과 맥파 타입을 나타낸 테이블을 이용할 수 있다. 프로세서는 판단 대상이 되는 맥파 데이터인 대상 맥파 데이터를 퍼지 추론 시스템에 입력하면, 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값을 출력할 수 있고, 소속도 값을 이용하여 맥파 특성 레벨에 속하는 정도 및 맥파 타입 대응 정도를 확률 값으로 출력할 수 있다.

도 6은 일실시예에 따라 대상 맥파 데이터에 대응하는 맥파 특성을 판단하기 위한 그래프를 도시한 도면이다.

일실시예에 따르면, 프로세서는 퍼지 추론 시스템의 비퍼지화 단계를 수행하기 위해 각 맥파 데이터 군집이 지시하는 맥파 특성 레벨 및 맥파 타입을 저장하고 있을 수 있으며, 맥파 데이터 군집에 소속된 정도를 계산하기 위한 멤버쉽 함수를 저장하고 있을 수 있다. 프로세서는 각 맥파 데이터 군집의 멤버쉽 함수에 따라 대상 맥파 데이터가 각 맥파 데이터 군집에 속하는 정도를 계산할 수 있고, 이에 기초하여 맥파 특성 레벨 및 맥파 타입에 속하는 정도를 출력할 수 있다.

예시적으로, 맥파 특성 추론 모델은 4개의 맥파 데이터 군집에 관한 정보를 저장할 수 있고, 맥파 데이터 군집은 각각 '부맥(floating pulse)', '평맥(normal pulse)', '침맥(sunken pulse)', 및 '복맥(hidden pulse)'의 맥파 타입이 지시되어 있을 수 있다. 프로세서는 입력된 대상 맥파 데이터에 대해 각 맥파 데이터 군집에 소속된 정도를 의미하는 소속도 값을 계산할 수 있다. 도 8의 맥파 특성에 관련된 멤버쉽 함수(610, 620, 630, 640)에 의하면, 대상 맥파 데이터가 부맥 및 복맥을 지시하는 맥파 데이터 군집에 소속될 확률은 0일 수 있다. 반면, 대상 맥파 데이터의 맥파 특성 값은 평맥 및 침맥을 지시하는 맥파 데이터 군집에 모두 소속되어 중첩될 수 있다. 도 8의 평맥에 관련된 멤버쉽 함수(620) 및 침맥에 관련된 멤버쉽 함수(630)에 따르면, 대상 맥파 데이터가 침맥을 지시하는 맥파 데이터 군집에 소속될 확률이 평맥을 지시하는 맥파 데이터 군집에 소속될 확률보다 클 수 있다.

도 7은 일실시예에 따른 복수의 맥파 지표에 따른 비선형 맥파 특성 추론 모델을 도시한 도면이다.

도 710은 맥파 지표 중 PPI 맥파 지표 값이 고정된 경우, PDI 맥파 지표 값과 OAP 맥파 지표 값에 따른 맥파 특성 레벨을 도시한 것이다. 도 720은 맥파 지표 중 OAP 맥파 지표 값이 고정된 경우, PDI 맥파 지표 값과 PPI 맥파 지표 값에 따른 맥파 특성 레벨을 도시한 것이다. 도 730은 맥파 지표 중 PDI 맥파 지표 값이 고정된 경우, PPI 맥파 지표 값과 OAP 맥파 지표 값에 따른 맥파 특성 레벨을 도시한 것이다. 예시적으로, 맥파 특성은 맥의 깊이를 지시하는 정보를 의미할 수 있으며, 도 7은 PDI, OAP, PPI 중 2가지 맥파 지표에 따른 맥의 깊이를 도시한 그래프들일 수 있다.

도 7의 그래프들의 z축은 맥파 특성에 관한 것일 수 있으며, PDI와 OAP, PDI와 PPI, OAP와 PPI 간의 관계를 통해 맥파 특성이 비선형적이라는 것을 알 수 있다. 비선형적인 관계에도 불구하고, 비선형 맥파 특성 추론 모델을 이용하면 프로세서는 맥파 데이터의 복수의 맥파 지표를 기반으로 맥파 특성을 출력할 수 있다.

도 8 은 일실시예에 따라 맥파 특성 추론 모델에 따라 맥파 특성을 판단하는 방법을 도시한 흐름도이다.

일실시예에 따른 프로세서는 도 1내지 도 7에서 설명한 맥파 특성 추론 모델을 이용하여 대상 맥파 데이터가 맥파 특성 레벨(level)에 속하는 정도를 출력할 수 있다. 맥파 특성 레벨은 경계가 애매한 레벨일 수 있으며, 예시적으로 맥의 깊이가 깊다/얕다로 경계가 구분되는 맥의 깊이의 정도 또는 맥이 빠르다/느리다로 경계가 구분되는 맥의 빠르기 정도를 포함할 수 있다. 프로세서는 맥파 데이터 군집에 속하는 소속도 값을 이용하여 맥파 특성 레벨에 속하는 정도를 수치화하여 맥파 데이터가 경계가 애매한 특성을 지시하는 정도를 출력할 수 있다.

단계(810)에서, 프로세서는 대상 맥파 데이터에 대해 맥파 지표를 분석할 수 있다. 대상 맥파 데이터는 맥파 특성 추론 모델에 의해 판단하고자 하는 맥파 데이터일 수 있고, 프로세서가 피검자의 맥박이 센싱된 데이터를 분석하여 출력한 데이터일 수 있으며, 외부 장치로부터 가공된 데이터를 수신한 맥파 데이터일 수 있다.

단계(820)에서, 프로세서는 맥파 데이터 군집 정보가 학습된 맥파 특성 추론 모델에 맥파 지표를 입력하여, 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 포함된 정도를 지시하는 소속도 값들을 추출할 수 있다. 프로세서는 대상 맥파 데이터로부터 맥파 특성 추론 모델에 사용된 맥파 지표들을 추출할 수 있고, 추출된 맥파 지료를 이용하여 맥파 특성 추론 모델에 속하는 정도를 판단할 수 있다. 복수의 맥파 데이터 군집들은 맥파 특성 추론 모델을 학습하여 생성하는 프로세서에 의해 추출된 군집일 수 있으며, 일실시예에 따르면 맥파 데이터 군집들의 대표값들이 맥파 특성 추론 모델에 저장되어 있을 수 있다.

단계(830)에서, 프로세서는 복수의 맥파 데이터 군집들에 대한 대상 맥파 데이터의 소속도 값들에 기초하여 대상 맥파 데이터가 맥파 특성 레벨에 속하는 정도를 출력할 수 있다. 예시적으로, 대상 맥파 데이터가 제1 군집에 대한 제1 소속도 값에 기초하여 프로세서는 제1 군집이 지시하는 제1 맥파 특성 레벨에 대상 맥파 데이터가 속하는 정도를 출력할 수 있다. 이와 마찬가지 방법으로 대상 맥파 데이터가 제2 군집에 대한 제2 소속도 값에 기초하여 프로세서는 제2 군집이 지시하는 제2 맥파 특성 레벨에 대상 맥파 데이터가 속하는 정도를 출력할 수 있다.

도 9는 일실시예에 따라 복수의 맥파 특성 추론 모델에 따라 복합 맥파 특성을 판단하는 방법을 도시한 흐름도이다.

도 1 내지 도 7을 통해 상술한 맥파 특성 추론 모델은 맥파 데이터로부터 추출된 맥파 지표의 종류에 따라 맥파 특성 추론 모델을 학습시키는 프로세서는 복수의 구별되는 맥파 특성 추론 모델을 생성할 수 있다. 따라서, 복수의 맥파 특성 추론 모델은 맥파 데이터가 서로 다른 종류의 맥파 특성에 관한 결과를 출력할 수 있다. 예시적으로, 제1 맥파 특성 추론 모델은 맥의 깊이에 관한 결과를 출력할 수 있고, 제2 맥파 특성 추론 모델은 맥의 빠르기에 관한 결과를 출력할 수 있다.

단계(910)에서, 프로세서는 대상 맥파 데이터에 대해 맥파 지표를 분석할 수 있다. 맥파 데이터의 맥파 지표를 분석하는 것은 도 1 및 도 8에서 선술하였으므로, 자세한 설명은 생략한다.

단계(920)에서, 프로세서는 맥파 데이터의 서로 구별되는 맥파 지표에 의해 학습된 복수의 맥파 특성 추론 모델에 맥파 지표를 입력하여, 복수의 맥파 특성 추론 모델에서 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출할 수 있다. 예시적으로, 제1 맥파 특성 추론 모델은 제1 맥파 지표에 대해 학습된 모델일 수 있고, 프로세서는 대상 맥파 데이터의 제1 맥파 지표를 제1 맥파 특성 추론 모델에 입력할 수 있다. 제1 맥파 특성 추론 모델의 결과값은 제 1 맥파 특성 추론 모델의 맥파 데이터 군집 각각에 대한 소속도 값들일 수 있다. 프로세서는 제2 맥파 특성 추론 모델에 대해 대상 맥파 데이터의 제2 맥파 지표를 입력하여 제2 맥파 특성 추론 모델의 맥파 데이터 군집 각각에 대한 소속도 값을 획득할 수 있다. 이와 같은 방식으로, 복수의 특성 추론 모델에 대한 소속도 값을 획득할 수 있다. 이 때, 각 맥파 특성 추론 모델은 한 개의 맥파 지표가 아닌 여러 개의 맥파 지표로 구성된 모델일 수 있으므로, 여러 개의 맥파 지표가 한 개의 맥파 특성 추론 모델에 입력될 수 있다.

단계(930)에서, 프로세서는 대상 맥파 데이터에 대한 복합 맥파 특성을 판단할 수 있다. 프로세서는 단계(920)에서 획득한 복수의 특성 추론 모델의 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단할 수 있다. 복합 맥파 특성을 판단하는 것은 도 10 및 도 11에서 상세히 서술한다.

도 10은 일실시예에 따라 복합 맥파 특성이 판단된 결과를 도시한 도면이다.

일실시예에 따르면, 프로세서는 복수의 맥파 특성 추론 모델에서 대상 맥파 데이터가 맥파 데이터 군집 각각에 소속된 정도를 지시하는 소속도 값들을 추출할 수 있다. 예시적으로, 프로세서는 대상 맥파 데이터를 서로 다른 맥파 지표를 이용하는 6개의 맥파 특성 추론 모델에 입력하여 각 맥파 데이터 군집에 대한 소속도 값을 출력할 수 있다.

도 10에 의하면, 복수의 맥파 특성 추론 모델들 중 일부 맥파 특성 추론 모델(1010, 1020, 1030, 1050, 1060)에서는 평맥을 지시하는 맥파 데이터 군집의 소속도 값이 가장 높을 수 있다.

일실시예에 따르면, 프로세서가 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율을 계산할 때, 소속도 값들 중 평맥을 지시하는 군집의 소속도 값은 배제하고 소속도 값들의 비율을 계산할 수 있다. 일실시예에 따르면, 프로세서는 맥파 특성이 미리 지정된 특정 기준 또는 군집화 결과에 의해 평맥의 특성을 판단할 수 있다. 예시적으로, 특정 기준은 분포의 상위 30% 내지 하위 30%에 해당하는 경우일 수 있고, 프로세서는 해당 분포의 군집을 평맥 특성을 의미하는 군집으로 결정할 수 있다. 아울러, 평맥을 제외한 나머지 맥파 타입 중 임계값 미만의 소속도 값을 갖는 군집이 지시하는 맥파 타입은 소속도 값들의 비율을 계산할 때 배제할 수 있다. 예를 들어, 미리 지정된 임계값은 0.2일 수 있으며, 소속도 값이 0.2 미만인 군집들은 소속도 값의 비율 계산시 배제할 수 있다. 도 10에 따르면, 맥파 특성 추론 모델(1020)에서 침맥(Sunken pulse)을 지시하는 군집의 소속도 값(1021) 및 맥파 특성 추론 모델(1040)에서 홍맥(Surging pulse)을 지시하는 군집의 소속도 값(1041)이 0.2 이상이므로, 소속도 값의 비율 계산시 침맥을 지시하는 군집의 소속도 값(1021) 및 홍맥(Surging pulse)을 지시하는 군집의 소속도 값(1041)을 이용할 수 있다. 프로세서는 침맥을 지시하는 군집의 소속도 값(1021) 및 홍맥(Surging pulse)을 지시하는 군집의 소속도 값(1041)의 비율에 따라 복합 맥파 특성(1070)을 판단할 수 있다.

도 11은 다른 일실시예에 따라 복합 맥파 특성이 판단된 결과를 도시한 도면이다.

도 11에 의하면, 맥파 특성 추론 모델(1110)에서 지맥(slow pulse)을 지시하는 군집의 소속도 값(1111), 맥파 특성 추론 모델(1130)에서 실맥(Replete pulse)을 지시하는 군집의 소속도 값(1131), 맥파 특성 추론 모델(1140)에서 홍맥(Surging pulse)을 지시하는 군집의 소속도 값(1141), 맥파 특성 추론 모델(1150)에서 활맥(Slippery pulse)을 지시하는 군집의 소속도 값(1151), 및 맥파 특성 추론 모델(1160)에서 현맥(String-like pulse)을 지시하는 군집의 소속도 값(1161)을 소속도 값의 비율 계산시 이용할 수 있다. 프로세서는 계산된 소속도 값의 비율에 기초하여 대상 맥파 데이터의 복합 맥파 특성(1170)을 판단할 수 있다.

도 12는 일실시예에 따른 맥파 특성 추론 모델 학습 장치(1200) 및 맥파 특성 판단 장치(1210)의 개략적인 구성을 도시한 도면이다.

맥파 특성 추론 모델 학습 장치(1200) 및 맥파 특성 판단 장치(1210)는 각각 프로세서 및 메모리를 포함할 수 있다.

맥파 특성 추론 모델 학습 장치의 프로세서(1201)는 복수의 학습용 맥파 데이터들에 대해 맥파 지표를 분석하고, 맥파 지표에 기초하여 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하며, 군집화에 따른 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값에 기초하여 맥파 데이터 군집의 멤버쉽 함수를 결정하고, 멤버쉽 함수에 기초하여 비선형 맥파 특성 추론 모델을 생성할 수 있다. 맥파 특성 추론 모델 학습 장치의 메모리(1202)는 맥파 특성에 연관된 정보를 포함한 맥파 특성 추론 모델을 적어도 일시적으로 저장할 수 있다.

맥파 특성 판단 장치의 프로세서(1211)는 대상 맥파 데이터에 대해 맥파 지표를 분석하고, 맥파 특성 추론 모델에 맥파 지표를 입력하여, 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 소속된 정도를 지시하는 소속도 값들을 추출하며, 복수의 맥파 데이터 군집들에 대한 대상 맥파 데이터의 소속도 값들에 기초하여 대상 맥파 데이터의 맥파 특성 레벨에 속하는 정도를 출력할 수 있다.

일실시예에 따르면, 맥파 특성 판단 장치의 프로세서(1211)는 대상 맥파 데이터에 대해 맥파 지표를 분석하고, 복수의 맥파 특성 추론 모델에 맥파 지표를 입력하여, 복수의 맥파 특성 추론 모델에서 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출하며, 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단할 수 있다.

맥파 특성 판단 장치의 메모리(1212)는 서로 다른 맥파 지표에 연관된 복수의 맥파 특성 추론 모델들을 적어도 일시적으로 저장할 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (19)

1. 프로세서에 의해 맥파 특성 추론 모델을 학습하는 방법은,
   복수의 학습용 맥파 데이터들에 대해 맥파 지표(index)를 분석하는 단계;
   상기 맥파 지표에 기초하여 상기 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하는 단계;
   상기 학습용 맥파 데이터가 상기 맥파 데이터 군집에 소속된 정도(membership grade)를 의미하는 소속도 값에 기초하여 상기 맥파 데이터 군집들의 멤버쉽 함수를 결정하는 단계; 및
   상기 멤버쉽 함수에 기초하여 맥파 특성을 추론하는 모델을 생성하는 단계
   를 포함하는 맥파 특성 추론 모델 학습 방법.
2. 제1항에 있어서,
   상기 맥파 특성은,
   맥파의 세기, 깊이, 속도, 너비, 길이, 리듬, 긴장도 및 첨예도를 적어도 일부 포함하는,
   맥파 특성 추론 모델 학습 방법.
3. 제1항에 있어서,
   상기 군집화 하는 단계는,
   상기 학습용 맥파 데이터들 간의 유사도에 기초하여 상기 학습용 맥파 데이터들을 복수의 상기 맥파 데이터 군집으로 군집화하는 단계; 및
   상기 학습용 맥파 데이터들이 각각의 상기 맥파 데이터 군집들에 속하는 정도를 상기 소속도 값으로 계산하는 단계
   를 포함하는 맥파 특성 추론 모델 학습 방법.
4. 제1항에 있어서,
   상기 군집화 하는 단계는,
   상기 맥파 데이터 군집들의 군집 중심점을 대표값으로 추출하는 단계;
   상기 맥파 데이터 군집들의 군집 중심점과 상기 학습용 맥파 데이터에 대해 유사도를 계산하고 유사도가 가장 높은 맥파 데이터 군집에 상기 학습용 맥파 데이터를 포함시키는 단계; 및
   상기 맥파 데이터 군집들의 군집 중심점과 상기 학습용 맥파 데이터 각각의 소속도 값을 반복적으로 업데이트 하는 단계
   를 포함하는 맥파 특성 추론 모델 학습 방법.
5. 제4항에 있어서,
   상기 군집 중심점과 소속도 값들을 업데이트 하는 단계는,
   상기 맥파 데이터 군집들에 대해 상기 유사도와 연관된 목적 함수(objective function)를 최소화시키는 상기 군집 중심점을 계산하는 단계; 및
   상기 학습용 맥파 데이터가 상기 맥파 데이터 군집들 각각에 속하는 소속도 값의 합이 미리 지정된 상수로 고정시키는 단계
   를 포함하는 맥파 특성 추론 모델 학습 방법.
6. 제1항에 있어서,
   상기 맥파 특성을 추론하는 모델을 생성하는 단계는,
   명확한 정량화가 어렵거나 언어적 표현의 불확실함에서 야기되는 문제를 효과적으로 다룰 수 있는 퍼지 추론 시스템, 전문가 시스템, 카오스 이론, 유전자 알고리즘 및 비선형 시스템 중 적어도 하나의 소프트 컴퓨팅 기법을 적용하는 단계
   를 포함하는 맥파 특성 추론 모델 학습 방법.
7. 프로세서에 의해 대상 맥파 데이터의 맥파 특성을 판단하는 방법에 있어서,
   상기 대상 맥파 데이터에 대해 맥파 지표를 분석하는 단계;
   맥파 데이터의 군집 정보가 학습된 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 소속된 정도(grade)를 지시하는 소속도 값들을 추출하는 단계; 및
   복수의 맥파 데이터 군집들에 대한 상기 대상 맥파 데이터의 소속도 값들에 기초하여 상기 대상 맥파 데이터가 맥파 특성 레벨에 속하는 정도를 출력하는 단계
   를 포함하는 맥파 특성 판단 방법.
8. 제7항에 있어서,
   상기 맥파 데이터의 군집 정보는,
   상기 복수의 맥파 데이터 군집과 각각의 맥파 데이터 군집에 속하는 대표값
   을 포함하는 맥파 특성 판단 방법.
9. 제8항에 있어서,
   상기 소속도 값들을 추출하는 단계는,
   상기 맥파 데이터 군집들의 대표값과 상기 대상 맥파 데이터를 비교하고, 비교 결과에 기초하여 상기 소속도 값들을 추출하는 단계
   를 포함하는 맥파 특성 판단 방법.
10. 프로세서에 의해 대상 맥파 데이터의 복합 맥파 특성을 판단하는 방법에 있어서,
    상기 대상 맥파 데이터에 대해 맥파 지표를 분석하는 단계;
    맥파 데이터의 서로 구별되는 맥파 지표에 의해 학습된 복수의 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 복수의 맥파 특성 추론 모델에서 상기 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출하는 단계; 및
    상기 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단하는 단계
    를 포함하는 복합 맥파 특성 판단 방법.
11. 제10항에 있어서,
    상기 맥파 데이터의 군집 정보는,
    상기 복수의 맥파 데이터 군집과 맥파 데이터 군집에 대응하는 대표값을 포함하는 맥파 특성 판단 방법.
12. 제11항에 있어서,
    상기 소속도 값들을 추출하는 단계는,
    상기 맥파 데이터 군집들의 대표값과 상기 대상 맥파 데이터를 비교하고, 비교 결과에 기하여 상기 소속도 값들을 추출하는 단계
    를 포함하는 맥파 특성 판단 방법.
13. 제10항에 있어서,
    상기 복합 맥파 특성을 판단하는 단계는,
    각각의 상기 맥파 특성 추론 모델에서 가장 높은 소속도 값이 지시하는 맥파 특성에 기초하여 상기 복합 맥파 특성을 판단하는 단계
    를 포함하는 맥파 특성 판단 방법.
14. 제13항에 있어서,
    상기 복합 맥파 특성을 판단하는 단계는,
    상기 가장 높은 소속도 값이 지시하는 맥파 특성이 미리 지정된 특정 기준 또는 군집화 결과에 의해 평맥의 특성으로 판단된 경우, 상기 복합 맥파 특성의 판단에서 배제하는 단계
    를 포함하는 맥파 특성 판단 방법.
15. 제10항에 있어서,
    상기 복합 맥파 특성을 판단하는 단계는,
    상기 복수의 맥파 특성 추론 모델에 대한 상기 소속도 값이 미리 지정된 임계치 미만인 경우, 상기 복합 맥파 특성의 판단에서 배제하는 단계
    를 포함하는 맥파 특성 판단 방법.
16. 제1항 내지 제15항 중 어느 한 항의 방법을 수행하기 위한 명령어들을 포함하는 하나 이상의 컴퓨터 프로그램을 저장한 컴퓨터 판독 가능 기록 매체.
17. 복수의 학습용 맥파 데이터들에 대해 맥파 지표를 분석하고, 상기 맥파 지표에 기초하여 상기 학습용 맥파 데이터들을 복수의 맥파 데이터 군집들로 군집화하며, 상기 군집화에 따른 맥파 데이터가 상기 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값에 기초하여 상기 맥파 데이터 군집의 멤버쉽 함수를 결정하고, 상기 멤버쉽 함수에 기초하여 맥파 특성 추론 모델을 생성하는 프로세서; 및
    상기 맥파 특성에 연관된 정보를 포함한 맥파 특성 추론 모델을 적어도 일시적으로 저장하는 메모리
    를 포함하는 맥파 특성 추론 모델 학습 장치.
18. 맥파 특성에 연관된 정보를 포함한 맥파 특성 추론 모델을 적어도 일시적으로 저장하는 메모리; 및
    대상 맥파 데이터에 대해 맥파 지표를 분석하고, 상기 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 대상 맥파 데이터가 복수의 맥파 데이터 군집들에 소속된 정도를 지시하는 소속도 값들을 추출하며, 복수의 맥파 데이터 군집들에 대한 상기 대상 맥파 데이터의 소속도 값들에 기초하여 상기 대상 맥파 데이터의 맥파 특성 레벨에 속하는 정도를 출력하는 프로세서
    를 포함하는 맥파 특성 판단 장치.
19. 서로 다른 맥파 지표에 연관된 복수의 맥파 특성 추론 모델들을 적어도 일시적으로 저장하는 메모리; 및
    대상 맥파 데이터에 대해 맥파 지표를 분석하고, 상기 복수의 맥파 특성 추론 모델에 상기 맥파 지표를 입력하여, 상기 복수의 맥파 특성 추론 모델에서 상기 대상 맥파 데이터가 맥파 데이터 군집에 소속된 정도를 지시하는 소속도 값들을 추출하며, 상기 복수의 맥파 특성 추론 모델에 대한 소속도 값들의 비율에 기초하여 복합 맥파 특성을 판단하는 프로세서
    를 포함하는 복합 맥파 특성 판단 장치.
    

Images