딥러닝을 이용한 수면 다원 검사 분석

20147347 이명수 20155141 오석준 20145156 이현민 20135173 정승용

Team. 의료 데이터 분석

HALLYM UNIVERSITY

결론 웹 구현 모델 구성

#2

데이터 전처리

#3 #4 #5 #1

문제 정의

#1

문제 정의

- 문제 배경 -

수면장애 진료환자의 꾸준한 증가

출처 : 국민건강보험

출처 : 경북매일

#1

문제 정의

수면다원검사(Polysomnography) 모든 생체신호를 종합적으로 측정하는 방법을 사용하고 있습니다. 수면뿐만이 아닌 전체적 몸 상태의 이상 여부를 판단해 주는 정확한 검사라는 장점이 있는 반면, 많은 센서의 사용으로 인하여 생체신호를 획득하는 과정이 복잡하여 판독사의 역량과 많은 시간 및 비용을 요구합니다.

- 기존 방법 -

#1

문제 정의

공공데이터로 제공되는 다채널의 EEG, EOG, EMG 데이터에 근거하며 CNN, RNN, LSTM 등 다양한 딥러닝 기술을 적용하여 개발하며 오픈소스(Google Colab)과 Python 및 관련 라이브러리를 활용하여 기존 검사의 정확도를 높임과 동시에 자동화하는 것을 목적으로 하고 있습니다.

- 방법 제안 -

#1

문제 정의

- 참고 논문 -

#1

문제 정의

한림대학교 성심병원 수면다원검사실 방문 및 협의

- 현장 견학 -

STEP1 데이터 수집

STEP3 데이터셋 구성

STEP2 데이터 전처리

#2

- 데이터 STEP -

데이터 전처리

#2

데이터 수집

STEP1. 데이터 수집

공공 데이터를 다운받아 이용

#2

데이터 전처리

- 데이터 수집 -

STEP2. 데이터 전처리

공공데이터 파일을 활용할 수 있게 함수 정의와 데이터 전처리

해주는 과정 #2

- 데이터 처리 -

데이터 전처리

STEP3. 데이터셋 구성

훈련데이터와 테스트데이터를 랜덤으로 지정해서 데이터셋을 구성

#2

- 데이터셋 구성 -

데이터 전처리

#3

모델 구성

#3

모델 구성

2 layer + 2maxpooling (No dropout) Adam

Train : 77.26 Test : 71.38

#3

모델 구성

2 layer + 2maxpooling + dropout Adam

#3

모델 구성

Dropout + LeakyReLU

#3

모델 구성

Layer/ optimizer

Adam RMS

2layer + 2maxpooling (drop out x)

(train, test) : 77/71

Best test : 71

70/69 69

2layer + 2maxpooling (+ drop out)

68/68 68

70/67 69

2layer + 1maxpooling (drop out x)

71/70 70

69/69 70

2layer + 1maxpooling (+ drop out)

77/73 73

69/67 68

layer + 0maxpooling (drop out x)

74/70 71

73/70 71

2layer + 0maxpooling (+ drop out)

69/68 69

70/69 70

Layer/ optimizer

Adam RMS

3layer + 3maxpooling (drop out x)

81/74 75

81/74 75

3layer + 3maxpooling (+ drop out)

78/73 75

79/74 75

3layer + 2maxpooling (drop out x)

81/75 75

81/74 74

3layer + 2maxpooling (+ drop out)

78/74 75

80/75 75

3layer + 1maxpooling (drop out x)

83/75 75

82/73 73

3layer + 1maxpooling (+ drop out)

80/75 75

79/73 74

#3

모델 구성

Layer/ optimizer Adam RMS

3 layers + 전결합층 dropout

Train test : 82/79 Best accuracy : 80

83/80 80

3 layers No dropout

83/79 80

82/72 72

2layers + 전결합층 dropout

91/74 76

97/71 74

2 layers No dropout

94/74 77

98/70 71

#3

모델 구성

Train 정확도 : 84.7 Test 정확도 : 80.3

#3

모델 구성

Train Dataset 정확도

Test Dataset 정확도

84.7

80.3

46.6

46.5

#4

웹 구현

- Jetson Nano-

JETSON NANO에 적용

#4

웹 구현

- R Shiny -

R Shiny로 웹 구현

#4

모델 적용

#4

웹 구현

- 모델 적용 -

구성한 모델을 JETSON NANO 에 적용

JETSON NANO 에서 나온 데이터로 SHINY 웹 구현

향후 발전 가능성 - JETSON NANO, 블루투스, 웨어러블 기기 등으로 간편화 및 자

동화를 시켜 개인 보급화 가능

#5

결론 한계점 - 전문적인 지식과 가격 문제로 제대로 된 의료 진료는 미흡

THANK YOU Team. 의료 데이터 분석