딥러닝을 이용한 수면 다원 검사 분 의료석 데이터 분석 · 2020. 12. 6. ·...
Transcript of 딥러닝을 이용한 수면 다원 검사 분 의료석 데이터 분석 · 2020. 12. 6. ·...
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