ホーム > 特許ランキング > ＶＵＮＯ， ＩＮＣ．
知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-04-16
(54)【発明の名称】生体信号分析方法
(51)【国際特許分類】
A61B 5/346 20210101AFI20240409BHJP
G06N 3/0455 20230101ALI20240409BHJP
【ＦＩ】
A61B5/346
G06N3/0455
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2023565345
(86)(22)【出願日】2021-11-09
(85)【翻訳文提出日】2023-10-24
(86)【国際出願番号】 KR2021016200
(87)【国際公開番号】W WO2022255564
(87)【国際公開日】2022-12-08
(31)【優先権主張番号】10-2021-0071364
(32)【優先日】2021-06-02
(33)【優先権主張国・地域又は機関】KR
(81)【指定国・地域】
(71)【出願人】
【識別番号】520047532
【氏名又は名称】ビュノ インコーポレイテッド
【氏名又は名称原語表記】ＶＵＮＯ， ＩＮＣ．
【住所又は居所原語表記】９Ｆ， ４７９， Ｇａｎｇｎａｍ－ｄａｅｒｏ， Ｓｅｏｃｈｏ－ｇｕ， Ｓｅｏｕｌ ０６５４１ ＲＥＰＵＢＬＩＣ ＯＦ ＫＯＲＥＡ
(74)【代理人】
【識別番号】110002789
【氏名又は名称】弁理士法人ＩＰＸ
(72)【発明者】
【氏名】ペ・ウン
(72)【発明者】
【氏名】テ・ユンウォン
【テーマコード（参考）】
4C127
【Ｆターム（参考）】
4C127AA02
4C127BB03
4C127GG16
4C127JJ03
(57)【要約】
本開示の一実施形態によって、コンピューティングデバイスによって実行される生体信号分析方法が開示される。前記方法は、複数のリード（ｌｅａｄ）から少なくとも一つのリード別生体信号を獲得する段階；および前記獲得された少なくとも一つのリード別生体信号をニューラルネットワークモデルに入力して分析値を導出する段階；を含むことができる。
【特許請求の範囲】
【請求項1】
少なくとも一つのプロセッサを含むコンピューティングデバイスによって実行される生体信号分析方法であって、複数のリード（ｌｅａｄ）から少なくとも一つのリード別生体信号を獲得する段階；および
前記獲得された少なくとも一つのリード別生体信号をニューラルネットワークモデルに入力して分析値を導出する段階；
を含み、
前記分析値は、前記複数のリードから獲得可能なリード別生体信号の組合に関係なく、前記入力された少なくとも一つのリード別生体信号に基づいて、前記複数のリードの間の相関関係（ｃｏｒｒｅｌａｔｉｏｎ）が反映されて導出される、
方法。
【請求項2】
請求項１において、前記分析値を導出する段階は、
前記ニューラルネットワークモデルを用いて、前記獲得された少なくとも一つのリード別生体信号に対する特徴値を抽出する段階；
前記ニューラルネットワークモデルを用いて、前記抽出された特徴値に前記生体信号が獲得されたリードの位置情報をエンコード（ｅｎｃｏｄｉｎｇ）する段階；および
前記ニューラルネットワークモデルを用いて、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係が反映された分析値を導出する段階；
を含む、
方法。
【請求項3】
請求項２において、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係が反映された分析値を導出する段階は、
前記ニューラルネットワークモデルを用いて、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係を反映するための自己注意（ｓｅｌｆ－ａｔｔｅｎｔｉｏｎ）に基づく演算を実行する段階；および
前記ニューラルネットワークモデルを用いて、前記自己注意に基づく演算結果に基づいて前記分析値を導出する段階；
を含む、
方法。
【請求項4】
請求項３において、前記複数のリードの間の相関関係を反映するための自己注意に基づく演算を実行する段階は、
前記ニューラルネットワークモデルを用いて、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係を示すためのマトリックスを生成する段階；および
前記ニューラルネットワークモデルを用いて、前記マトリックスに基づいて前記自己注意に基づく演算結果を導出する段階；
を含む、
方法。
【請求項5】
請求項４において、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係を示すためのマトリックスを生成する段階は、
前記ニューラルネットワークモデルを用いて、前記リードの位置情報がエンコードされた特徴値に基づいて、クエリー（ｑｕｅｒｙ）ベクトル、キー（ｋｅｙ）ベクトル、およびバリュー（ｖａｌｕｅ）ベクトルを生成する段階；および
前記ニューラルネットワークモデルを用いて、前記クエリーベクトルおよび前記キーベクトルに基づいて、マルチ－ヘッド（ｍｕｌｔｉ－ｈｅａｄ）マトリックスを生成する段階；
を含む、
方法。
【請求項6】
請求項５において、前記マトリックスに基づいて、前記自己注意に基づく演算結果を導出する段階は、
前記ニューラルネットワークモデルを用いて、前記マルチ－ヘッドマトリックスに基づいて、前記バリューベクトルの加重和（ｗｅｉｇｈｔｅｄ ｓｕｍ）を導出する段階；
を含む、
方法。
【請求項7】
請求項５において、前記クエリーベクトルおよび前記キーベクトルに基づいて、前記マルチ－ヘッドマトリックスを生成する段階は、
前記マルチ－ヘッドマトリックスの前記生体信号を獲得できなかったリードに対応する行列値をマスキング（ｍａｓｋｉｎｇ）する段階；
を含む、
方法。
【請求項8】
請求項７において、前記マスキングは、
前記マルチ－ヘッドマトリックスの行列値を０に処理する、
方法。
【請求項9】
請求項１において、前記ニューラルネットワークモデルは、
複数のリード全体で獲得されたリード別生体信号に基づいて生成された、そして前記複数のリードの間の相関関係を示すためのマトリックスを任意にマスキングすることにより事前学習される、
方法。
【請求項10】
コンピュータ判読可能な記録媒体に記録されたコンピュータプログラムであって、前記コンピュータプログラムは、一つ以上のプロセッサで実行される場合、生体信号を分析するための以下の動作を実行するようにし、前記動作は：複数のリード（ｌｅａｄ）から少なくとも一つのリード別生体信号を獲得する動作；および
前記獲得された少なくとも一つのリード別生体信号をニューラルネットワークモデルに入力して、分析値を導出する動作；
を含み、
前記分析値は、前記複数のリードから獲得可能なリード別生体信号の組合に関係なく、前記入力された少なくとも一つのリード別生体信号に基づいて、前記複数のリードの間の相関関係（ｃｏｒｒｅｌａｔｉｏｎ）が反映されて導出される、
コンピュータ判読可能な記録媒体に記録されたコンピュータプログラム。
【請求項11】
生体信号を分析するコンピューティングデバイスであって、少なくとも一つのコアを含むプロセッサ；
前記プロセッサで実行可能なプログラムコードを含むメモリ；および
複数のリード（ｌｅａｄ）から少なくとも一つのリード別生体信号を獲得するネットワーク部；
を含み、
前記プロセッサは、
前記獲得された少なくとも一つのリード別生体信号をニューラルネットワークモデルに入力して分析値を導出し、
前記分析値は、前記複数のリードから獲得可能なリード別生体信号の組合に関係なく、前記入力された少なくとも一つのリード別生体信号に基づいて、前記複数のリードの間の相関関係（ｃｏｒｒｅｌａｔｉｏｎ）が反映されて導出される、
装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、生体信号の分析方法に関し、より具体的には、ディープラーニングに基づいて、多様な組合の非同期化（ａｓｙｎｃｈｒｏｎｏｕｓ）生体信号を分析する方法に関する。
【背景技術】
【0002】
スマートヘルスケアは、個人の健康と医療に関する情報、機器、システム、およびプラットフォームなどを扱う産業分野である。スマートヘルスケアは、人の体で生成される多様な生体信号をセンサによって収集して分析することにより、個人に適切な健康管理方法或は個人向け医療案内を提供することを目的とする。したがって、スマートヘルスケア環境では生体信号をどのように確保して、どのように分析するかが重要なイシューの一つである。
【0003】
スマートヘルスケア環境で活用される代表的な生体信号の一つは、心電図信号である。スマートヘルスケア環境で心電図信号は、多様なリード（ｌｅａｄ）の組合によって非同期化（ａｓｙｎｃｈｒｏｎｏｕｓ）された状態で獲得される。従来には、それぞれの組合ごとに独立的なディープラーニングモデルを構築して心電図信号を分析して来た。例えば、１２個のリードの組合によって心電図信号が獲得されると仮定すれば、４０９５個の心電図信号の組合が存在し得る。よって、１２個のリードの組合によって心電図信号を獲得する場合、従来の方式によれば、それぞれの組合ごとに独立的な４０９５個のディープラーニングモデルが必要になるしかない。すなわち、従来の方式は各リードの組合に対応するディープラーニングモデルが個別的に必要となるため、リードの組合の数が増加するにつれて、心電図信号の分析のための演算費用（ｃｏｓｔ）が増加するしかないという問題を抱えている。
【0004】
米国登録特許第１６－８２７８１２号（２０２０．１１．１２）は、単一リードＥＣＧを用いて心房細動を分類する方法について開示する。
【発明の概要】
【発明が解決しようとする課題】
【0005】
本開示は、前述の背景技術に対応して案出されたものであり、多様な組合の非同期化（ａｓｙｎｃｈｒｏｎｏｕｓ）生体信号を単一モデルを通じて分析することによって、多様な組合の非同期化生体信号の中で一部だけ存在しても所望の分析値を導出することができる方法を提供することを目的とする。
【課題を解決するための手段】
【0006】
前述したような課題を解決するための本開示の一実施形態によって、コンピューティングデバイスによって実行される生体信号分析方法が開示される。前記方法は、複数のリード（ｌｅａｄ）から少なくとも一つのリード別生体信号を獲得する段階；および前記獲得された少なくとも一つのリード別生体信号をニューラルネットワークモデルに入力して、分析値を導出する段階；を含んでもよい。この際、前記分析値は、前記複数のリードから獲得可能なリード別生体信号の組合に関係なく、前記入力された少なくとも一つのリード別生体信号に基づいて、前記複数のリードの間の相関関係（ｃｏｒｒｅｌａｔｉｏｎ）が反映されて導出されることができる。
【0007】
代替実施形態において、前記ニューラルネットワークモデルが目標とする分析値を導出する段階は、前記ニューラルネットワークモデルを用いて、前記獲得された少なくとも一つのリード別生体信号に対する特徴値を抽出する段階；前記ニューラルネットワークモデルを用いて、前記抽出された特徴値に前記生体信号が獲得されたリードの位置情報をエンコード（ｅｎｃｏｄｉｎｇ）する段階；および前記ニューラルネットワークモデルを用いて、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係が反映された分析値を導出する段階を含んでもよい。
【0008】
代替実施形態において、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係が反映された分析値を導出する段階は、前記ニューラルネットワークモデルを用いて、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係を反映するための自己注意（ｓｅｌｆ－ａｔｔｅｎｔｉｏｎ）に基づく演算を実行する段階；および前記ニューラルネットワークモデルを用いて、前記自己注意に基づく演算結果に基づいて前記分析値を導出する段階；を含んでもよい。
【0009】
代替実施形態において、前記複数のリードの間の相関関係を反映するための自己注意に基づく演算を実行する段階は、前記ニューラルネットワークモデルを用いて、前記リードの位置情報がエンコードされた特徴値に基づいて前記複数のリードの間の相関関係を示すためのマトリックス（ｍａｔｒｉｘ）を生成する段階；および前記ニューラルネットワークモデルを用いて、前記マトリックスに基づいて前記自己注意に基づく演算結果を導出する段階；を含んでもよい。
【0010】
代替実施形態において、前記リードの位置情報がエンコードされた特徴値に基づいて、前記複数のリードの間の相関関係を示すためのマトリックスを生成する段階は、前記ニューラルネットワークモデルを用いて、前記リードの位置情報がエンコードされた特徴値に基づいて、クエリー（ｑｕｅｒｙ）ベクトル、キー（ｋｅｙ）ベクトル、およびバリュー（ｖａｌｕｅ）ベクトルを生成する段階；および前記ニューラルネットワークモデルを用いて、前記クエリーベクトルおよび前記キーベクトルに基づいて、マルチ－ヘッド（ｍｕｌｔｉ－ｈｅａｄ）マトリックスを生成する段階；を含んでもよい。
【0011】
代替実施形態において、前記マトリックスに基づいて前記自己注意に基づく演算結果を導出する段階は、前記ニューラルネットワークモデルを用いて、前記マルチ－ヘッドマトリックスに基づいて、前記バリューベクトルの加重和（ｗｅｉｇｈｔｅｄ ｓｕｍ）を導出する段階；を含んでもよい。
【0012】
代替実施形態において、前記クエリーベクトルおよび前記キーベクトルに基づいてマルチ－ヘッドマトリックスを生成する段階は、前記マルチ－ヘッドマトリックスの前記生体信号を獲得できなかったリードに対応する行列値をマスキング（ｍａｓｋｉｎｇ）する段階を含んでもよい。
【0013】
代替実施形態において、前記マスキングは、前記マルチ－ヘッドマトリックスの行列値を０に処理してもよい。
【0014】
代替実施形態において、前記ニューラルネットワークモデルは、複数のリード全体で獲得されたリード別生体信号に基づいて生成された、前記複数のリードの間の相関関係を示すためのマトリックスを任意にマスキングすることにより事前学習されてもよい。
【0015】
前述のような課題を実現するための本開示の一実施形態によって、コンピュータ判読可能な記録媒体に記録されたコンピュータプログラムが開示される。前記コンピュータプログラムは、一つ以上のプロセッサで実行される場合、生体信号を分析するための以下の動作を実行するようにし、前記動作は：複数のリードから少なくとも一つのリード別生体信号を獲得する動作；および前記獲得された少なくとも一つのリード別生体信号をニューラルネットワークモデルに入力して、分析値を導出する動作；を含んでもよい。この際、分析値は、前記複数のリードから獲得可能なリード別生体信号の組合に関係なく、前記入力された少なくとも一つのリード別生体信号に基づいて、前記複数のリードの間の相関関係（ｃｏｒｒｅｌａｔｉｏｎ）が反映されて導出されてもよい。
【0016】
前述のような課題を実現するための本開示の一実施形態によって、生体信号を分析するコンピューティングデバイスが開示される。前記装置は、少なくとも一つのコアを含むプロセッサ；前記プロセッサで実行可能なプログラムコードを含むメモリ；および複数のリードから少なくとも一つのリード別生体信号を獲得するネットワーク部；を含み、前記プロセッサは、前記獲得された少なくとも一つのリード別生体信号をニューラルネットワークモデルに入力して、分析値を導出することができる。この際、前記分析値は、前記複数のリードから獲得可能なリード別生体信号の組合に関係なく、前記入力された少なくとも一つのリード別生体信号に基づいて、前記複数のリードの間の相関関係（ｃｏｒｒｅｌａｔｉｏｎ）が反映されて導出されてもよい。
【発明の効果】
【0017】
本開示は、多様な組合の非同期化（ａｓｙｎｃｈｒｏｎｏｕｓ）生体信号を単一モデルを通じて分析することによって、多様な組合の非同期化生体信号のうち一部のみ存在しても所望の分析値を導出することができる方法を提供することができる。
【図面の簡単な説明】
【0018】
【図1】本開示の一実施形態による生体信号を分析するためのコンピューティングデバイスのブロック構成図である。
【図2】本開示の一実施形態によるニューラルネットワークを示した概路図である。
【図3】本開示の一実施形態によるコンピューティングデバイスの生体信号分析過程を示したブロック構成図である。
【図4】本開示の一実施形態によるニューラルネットワークモデルの構造を示した概念図である。
【図5】本開示の一実施形態による生体信号の分析方法を示したフロチャートである。
【図6】本開示の一実施形態による心電図信号の分析方法を示したフロチャートである。
【図7】本開示の一実施形態によるコンピューティング環境の概路図である。
【発明を実施するための最良の形態】
【0019】
多様な実施例について以下に図面を参照用いて説明する。本明細書において多様な説明が本開示に対する理解を容易にするために示される。しかし、かかる実施例がかかる具体的な説明がなくても実施されることが可能であることは自明である。
本明細書において、「コンポーネント」、「モジュール」、「システム」等の用語は、コンピューター関連エンティティ、ハードウェア、ファームウェア、ソフトウェア、ソフトウェアとハードウェアとの組み合わせ、又はソフトウェアの実行を指す。例えば、コンポーネントは、プロセッサー上で実行される処理手順（ｐｒｏｃｅｄｕｒｅ）、プロセッサー、オブジェクト、実行スレッド、プログラム、及び／又はコンピューターになり得るが、これらに限定されるものではない。例えば、コンピューティング装置で実行されるアプリケーションとコンピューティング装置は、両方ともコンポーネントになり得る。１つ以上のコンポーネントは、プロセッサー及び／又は実行スレッドの中に常駐することが可能である。１つのコンポーネントは、１つのコンピューターの中でローカル化されることが可能である。１つのコンポーネントは、２つ以上のコンピューターに配分されることが可能である。また、このようなコンポーネントは、その内部に保存されている多様なデータ構造を有する多様なコンピューター可読媒体において実行することが可能である。コンポーネントは、例えば１つ以上のデータパケットを含む信号（例えば、ローカルシステムや分散システムにおいて他のコンポーネントと相互作用する１つのコンポーネントからのデータ及び／又は信号を用いて、他のシステムと、インターネットのようなネットワークを介して伝送されるデータ）を用いてローカル及び／又は遠隔処理等を通じて通信することが可能である。
本明細書において、「コンポーネント」、「モジュール」、「システム」等の用語は、コンピューター関連エンティティ、ハードウェア、ファームウェア、ソフトウェア、ソフトウェアとハードウェアとの組み合わせ、又はソフトウェアの実行を指す。例えば、コンポーネントは、プロセッサー上で実行される処理手順（ｐｒｏｃｅｄｕｒｅ）、プロセッサー、オブジェクト、実行スレッド、プログラム、及び／又はコンピューターになり得るが、これらに限定されるものではない。例えば、コンピューティング装置で実行されるアプリケーションとコンピューティング装置は、両方ともコンポーネントになり得る。１つ以上のコンポーネントは、プロセッサー及び／又は実行スレッドの中に常駐することが可能である。１つのコンポーネントは、１つのコンピューターの中でローカル化されることが可能である。１つのコンポーネントは、２つ以上のコンピューターに配分されることが可能である。また、このようなコンポーネントは、その内部に保存されている多様なデータ構造を有する多様なコンピューター可読媒体において実行することが可能である。コンポーネントは、例えば１つ以上のデータパケットを含む信号（例えば、ローカルシステムや分散システムにおいて他のコンポーネントと相互作用する１つのコンポーネントからのデータ及び／又は信号を用いて、他のシステムと、インターネットのようなネットワークを介して伝送されるデータ）を用いてローカル及び／又は遠隔処理等を通じて通信することが可能である。
【0020】
なお、用語「又は」は、排他的な「又は」ではなく、内包的な「又は」を意味する意図で使われる。つまり、特に特定されておらず、文脈上明確ではない場合、「Ｘは、Ａ又はＢを利用する」は、自然な内包的置換のうち１つを意味するものとする。つまり、ＸがＡを利用したり；ＸがＢを利用したり；又はＸがＡ及びＢの両方を利用する場合、「ＸはＡ又はＢを利用する」は、これらのいずれにも当てはまるとすることが可能である。また、本明細書における「及び／又は」という用語は、取り挙げられた複数の関連アイテムのうち、１つ以上のアイテムの可能なすべての組み合わせを指し、含むものと理解されるべきである。
【0021】
また、述語としての「含む（含める）」及び／又は修飾語としての「含む（含める）」という用語は、当該特徴及び／又は構成要素が存在することを意味するものと理解されるべきである。ただし、述語としての「含む（含める）」及び／又は修飾語として「含む（含める）」という用語は、１つ以上の他のさらなる特徴、構成要素及び／又はこれらのグループの存在又は追加を排除しないものと理解されるべきである。また、特に数が特定されていない場合や、単数の形を示すことが文脈上明確でない場合、本明細書と請求範囲において単数は、一般的に「１つ又はそれ以上」を意味するものと解釈されるべきである。
【0022】
そして、「Ａ又はＢのうち少なくとも１つ」という用語については、「Ａだけを含む場合」、「Ｂだけを含む場合」、「ＡとＢの組み合わせの場合」を意味するものと解釈されるべきである。
【0023】
当業者は、さらに、ここに開示されている実施例に係るものとして説明された多様な例示的論理的ブロック、構成、モジュール、回路、手段、ロジック及びアルゴリズム段階が、電子ハードウェア、コンピューターソフトウェア、又はその両方の組み合わせによって実現されることが可能であることを認識すべきである。ハードウェアとソフトウェアとの相互交換性を明確に例示するために、多様な例示的コンポーネント、ブロック、構成、手段、ロジック、モジュール、回路及び段階が、それらの機能性の側面で一般的に上述された。そのような機能性がハードウェアとして実装されるか或いはソフトウェアとして実装されるかは、全般的なシステムに係る特定のアプリケーション（ａｐｐｌｉｃａｔｉｏｎ）及び設計制限によって決まる。熟練した技術者は、個々の特定アプリケーションのために多様な方法で説明された機能性を実現することが可能である。ただし、そのような実現に係る決定が本開示内容の領域を逸脱するものと解釈されてはならない。
【0024】
ここに示す実施例に係る説明は、本開示の技術分野において通常の知識を持つ者が本発明を利用したり、又は実施できるように提供される。このような実施例に対する多様な変形は、本開示の技術分野において通常の知識を持つ者には明確に理解できるものである。ここに定義された一般的な原理は、本開示の範囲を逸脱することなく他の実施例に適用されることが可能である。従って、本発明はここに示す実施例だけに限定されるものではない。本発明はここに示す原理及び新規な特徴と一貫する最広義の範囲で解釈されるべきである。
【0025】
本開示において、ネットワーク関数、人工神経回路網及びニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）は、相互置換可能に用いることが可能である。
【0026】
図１は、本開示の一実施形態による生体信号を分析するためのコンピューティングデバイスのブロック構成図である。
【0027】
図１に図示されたコンピューティング装置（１００）の構成は、簡略化して示した例示に過ぎない。本開示の一実施例において、コンピューター装置（１００）には、コンピューター装置（１００）のコンピューティング環境を実装するための他の構成が含まれることが可能であり、開示されている構成のうち一部だけでコンピューター装置（１００）を構成することも可能である。
【0028】
コンピューター装置（１００）は、プロセッサー（１１０）、メモリー（１３０）、ネットワーク部（１５０）を含むことができる。
【0029】
本開示の一実施例において、プロセッサー（１００）は、１つ以上のコアで構成されることが可能であり、コンピューティング中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、汎用グラフィック処理装置（ＧＰＧＰＵ：ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、テンサー処理装置（ＴＰＵ：ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）等のデータ分析、ディープラーニングのためのプロセッサーを含むことができる。プロセッサー（１１０）は、メモリー（１３０）に保存されたコンピュータープログラムを読み取り、本開示の一実施例における機械学習のためのデータ処理を実行することができる。本開示の一実施例に基づき、プロセッサー（１１０）は、ニューラルネットワークの学習のための演算を行うことができる。プロセッサー（１１０）は、ディープラーニング（ＤＬ：ｄｅｅｐ ｌｅａｒｎｉｎｇ）において、学習のための入力データの処理、入力データからのフィーチャーの抽出、誤差計算、逆伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を利用したニューラルネットワークの重みの更新等のニューラルネットワークの学習のための計算を実行することができる。
【0030】
プロセッサー（１１０）のＣＰＵとＧＰＧＰＵとＴＰＵとのうち、少なくとも１つが、ネットワーク関数の学習を処理できる。例えば、ＣＰＵとＧＰＧＰＵとがともにネットワーク関数の学習やネットワーク関数を利用したデータの分類を行うことができる。なお、本開示の一実施例において、複数のコンピューティング装置のプロセッサーを一緒に使ってネットワーク関数の学習やネットワーク関数を利用したデータ分類を行うことができる。また、本開示の一実施例における、コンピューティング装置において実行されるコンピュータープログラムは、ＣＰＵ、ＧＰＧＰＵ又はＴＰＵで実行可能なプログラムになり得る。
【0031】
本開示の一実施形態によれば、プロセッサ１１０は、複数のリード（ｌｅａｄ）から獲得された生体信号に基づいて、生体信号を分析するためのニューラルネットワークモデルを学習させることができる。プロセッサ１１０は、複数のリードそれぞれに対応するリード別生体信号に基づいて、複数のリードの間の相関関係（ｃｏｒｒｅｌａｔｉｏｎ）が反映された分析値を導出するように、ニューラルネットワークモデルを学習させることができる。例えば、プロセッサ１１０は １２個のリードから獲得された生体信号を一つのニューラルネットワークモデルに入力させることができる。プロセッサ１１０は、１２個のリードから獲得された生体信号を受けたニューラルネットワークモデルが１２個のリードの間の相関関係を反映した心筋梗塞（ｍｙｏｃａｒｄｉａｌ ｉｎｆａｒｃｔｉｏｎ、ＭＩ）などのような心血管疾患の予測値を導出するように、ニューラルネットワークモデルを学習させることができる。このように、一つのニューラルネットワークモデルが１２個のリードの間の相関関係を反映して心血管疾患の予測値を導出するように学習される場合、１２個のリードからすべての生体信号が獲得されず、その中の一部だけの生体信号が獲得されてもニューラルネットワークモデルは心血管疾患の予測値を正確に導出することができる。すなわち、１２個のリードから獲得可能なすべての組合の場合の数を考慮してモデルを個別的に構築しなくても、プロセッサ１１０は、前述のように、リードの間の相関関係を反映する学習を通じて構築された単一モデルで正確な分析を実行することができる。
【0032】
プロセッサ１１０は、前述のように事前学習されたニューラルネットワークモデルを用いて、多様な組合の非同期化（ａｓｙｎｃｈｒｏｎｏｕｓ）生体信号の間の相関関係が反映された分析値を導出することができる。プロセッサ１１０は、事前学習されたニューラルネットワークモデルによって、複数のリードから獲得された少なくとも一つのリード別生体信号に基づいて被検者（ｓｕｂｊｅｃｔ）に対する分析結果を導出することができる。すなわち、プロセッサ１１０は、前述のように、事前学習されたニューラルネットワークモデルによって、ニューラルネットワークモデルの学習に用いられた複数のリードそれぞれからどんな組合のリード別生体信号が獲得されてもニューラルネットワークモデルが目標とする分析値を正確に導出することができる。言い替えれば、プロセッサ１１０は、どんな組合の生体信号が入力されても事前学習された一つのニューラルネットワークモデルによって生体信号が獲得されたリードの間の相関関係を反映して、使用者が所望の分析値を正確に導出することができる。例えば、プロセッサ１１０は １２個のリードから獲得された生体信号のうち一部の組合を事前学習されたニューラルネットワークモデルに入力させることができる。プロセッサ１１０は、事前学習されたニューラルネットワークモデルによって１２個のリードから獲得されたリード別生体信号のうち一部の組合に基づいて心筋梗塞などのような心血管疾患の予測値を導出することができる。すなわち、プロセッサ１１０は、１２個のリードから獲得されたリード別生体信号全体ではない一部組合のみ確保した状態でも一つのニューラルネットワークモデルによって１２個のリードの間の相関関係を反映して、心血管疾患の予測値を正確に導出することができる。また、プロセッサ１１０は、リードの間の相関関係を反映する学習を通じて構築された単一モデルを用いることによって、コンピューティングソースを軽量化して、コンピューティングソースの動作または演算に必要な費用を大幅に減少させることができる。
【0033】
本開示の一実施形態によれば、メモリ１３０は、プロセッサ１１０が生成したり決めたいずれの形態の情報およびネットワーク部１５０が受信したいずれの形態の情報を保存することができる。
【0034】
本開示の一実施例において、メモリー（１３０）は、フラッシュメモリータイプ（ｆｌａｓｈ ｍｅｍｏｒｙ ｔｙｐｅ）、ハードディスクタイプ（ｈａｒｄ ｄｉｓｋ ｔｙｐｅ）、マルチメディアカードマイクロタイプ（ｍｕｌｔｉｍｅｄｉａ ｃａｒｄ ｍｉｃｒｏ ｔｙｐｅ）、カードタイプのメモリー（例えばＳＤ又はＸＤメモリー等）、ラム（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）、ＳＲＡＭ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ロム（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、磁気メモリー、磁気ディスク、光ディスクのうち少なくとも１つのタイプの保存媒体を含むことができる。コンピューティン装置（１００）は、インターネット（ｉｎｔｅｒｎｅｔ）上で前記メモリー（１３０）の保存機能を実行するウェブストレージ（ｗｅｂ ｓｔｏｒａｇｅ）と連携して動作することも可能である。前述のメモリーに係る記述は、例示に過ぎず、本開示はこれらに限定されない。
【0035】
本開示において、ネットワーク部（１５０）は、任意の形態の有・無線通信システムを利用することが可能である。
【0036】
ネットワーク部１５０は、心電図信号を信号測定システムから受信することができる。この際、信号測定システムは、心電図信号の測定、格納、加工などが可能なすべての装置を含むシステムに理解されてもよい。例えば、信号測定システムは、被検者（ｓｕｂｊｅｃｔ）の体に接触可能なリードを含む携帯型心電図測定装置、携帯用心電図測定装置と連動可能なデータベースサーバなどを含んでもよい。ネットワーク部１５０は、携帯型心電図測定装置との通信によって２つ以上の多様な組合を有する複数のリードを通じて測定された少なくとも一つのリード別生体信号を獲得することができる。ネットワーク部１５０は、携帯型心電図測定装置によって予め測定されて、データベースサーバに格納された生体信号をデータベースサーバとの通信によって受信することもできる。前述した記載は一つの例示に過ぎないため、当業者が理解可能な範疇内で多様な経路または方式によって、ネットワーク部１５０は生体信号を獲得することができる。
【0037】
また、ネットワーク部１５０は、プロセッサ１１０によって処理された情報、使用者インターフェースなどを他の端末との通信を通じて送受信することができる。例えば、ネットワーク部１５０は、プロセッサ１１０によって生成された使用者インターフェースをクライアント（ｅ．ｇ．使用者端末）に提供することができる。また、ネットワーク部１５０は、クライアントに印加された使用者の外部入力を受信してプロセッサ１１０に伝達することができる。この際、プロセッサ１１０は、ネットワーク部１５０から伝達された使用者の外部入力に基づいて使用者インターフェースを通じて提供される情報の出力、修正、変更、追加などの動作を処理することができる。
【0038】
一方、本開示の一実施形態によるコンピューティングデバイス１００は、クライアントと通信を通じて情報を送受信するコンピューティングシステムとして、サーバを含んでもよい。この際、クライアントは、サーバにアクセス可能ないずれの形態の端末であってもよい。例えば、サーバであるコンピューティングデバイス１００は、信号測定システムから心電図信号を受信して心血管疾患を予測し、予測された結果を含む使用者インターフェースを使用者端末に提供することができる。この際、使用者端末は、サーバであるコンピューティングデバイス１００から受信した使用者インターフェースを出力し、使用者との相互作用によって情報を受けたり処理することができる。
【0039】
使用者端末は、サーバであるコンピューティングデバイス１００から伝達される心電図信号の分析情報（ｅ．ｇ．心血管疾患の予測情報など）を提供するために提供された使用者インターフェースを表示することができる。別途に図示しなかったが、使用者端末は、コンピューティングデバイス１００から使用者インターフェースを受信するネットワーク部、少なくとも一つのコアを含むプロセッサ、メモリ、使用者インターフェースを提供する出力部、および使用者から印加された外部入力を受信する入力部を含んでもよい。
【0040】
追加的な実施形態において、コンピューティングデバイス１００は、いずれのサーバで生成されたデータリソースを受けて追加的な情報処理を実行するいずれの形態の端末を含んでもよい。
【0041】
図２は、本開示の一実施形態によるニューラルネットワークを示した概路図である。
【0042】
本開示の一実施形態によるニューラルネットワークモデルは、生体信号の特徴値の抽出、リードの間の相関関係を示すマトリックス（ｍａｔｒｉｘ）生成などのためのニューラルネットワークを含んでもよい。
【0043】
本明細書の全体を通して、演算モデル、神経回路網、ネットワーク関数、ニューラルネットワーク（ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）は、同一の意味で用いることができる。神経回路網は、一般的にノードと呼ばれる相互連結された計算単位の集合で構成されることが多い。このようなノードは、ニューロン（ｎｅｕｒｏｎ）と称することもできる。神経回路網は、少なくとも１つ以上のノードを含めて構成される。神経回路網を構成するノード（またはニューロン）は１つ以上のリンクによって相互連結されることが可能である。
神経回路網において、リンクを介して繋がっている１つ以上のノードは、相対的に入力ノード及び出力ノードの関係を形成することができる。入力ノード及び出力ノードの概念は相対的なものであり、あるノードに対して出力ノードとなる任意のノードは、他のノードとの関係においては入力ノードになり得るが、その逆も成立する。前述のように、入力ノードと出力ノードとの関係はリンクを中心にして成立することができる。１つの入力ノードに１つ以上の出力ノードがリンクを介して繋がることができ、その逆も成立する。
神経回路網において、リンクを介して繋がっている１つ以上のノードは、相対的に入力ノード及び出力ノードの関係を形成することができる。入力ノード及び出力ノードの概念は相対的なものであり、あるノードに対して出力ノードとなる任意のノードは、他のノードとの関係においては入力ノードになり得るが、その逆も成立する。前述のように、入力ノードと出力ノードとの関係はリンクを中心にして成立することができる。１つの入力ノードに１つ以上の出力ノードがリンクを介して繋がることができ、その逆も成立する。
【0044】
１つのリンクを介して繋がっている入力ノード及び出力ノードの関係において、出力ノードのデータは入力ノードに入力されたデータに基づきその値が決められることが可能である。ここで入力ノードと出力ノードとを相互連結するノードは加重値（ｗｅｉｇｈｔ）を持つことができる。加重値は可変的なものになり得るが、神経回路網が所望の機能を行うために、利用者またはアルゴリズムによって変わることが可能である。例えば、１つの出力ノードに１つ以上の入力ノードが各リンクによって相互連結されている場合、出力ノードは前記出力ノードに繋がっている入力ノードに入力された値及び各入力ノードに対応するリンクに設定された加重値に基づき出力ノードの値を決定することができる。
前述のように、神経回路網は、１つ以上のノードが１つ以上のリンクを介して相互連結され神経回路網の中で入力ノードと出力ノードの関係を形成する。神経回路網において、ノードとリンクの数及びノードとリンクとの間の相関関係、各リンクに付与された加重値の値によって、神経回路網の特性が決まることが可能である。例えば、同数のノード及びリンクが存在し、リンクの加重値の値がそれぞれ異なる２つの神経回路網が存在する場合、その２つの神経回路網を、相異なるものと認識することができる。
前述のように、神経回路網は、１つ以上のノードが１つ以上のリンクを介して相互連結され神経回路網の中で入力ノードと出力ノードの関係を形成する。神経回路網において、ノードとリンクの数及びノードとリンクとの間の相関関係、各リンクに付与された加重値の値によって、神経回路網の特性が決まることが可能である。例えば、同数のノード及びリンクが存在し、リンクの加重値の値がそれぞれ異なる２つの神経回路網が存在する場合、その２つの神経回路網を、相異なるものと認識することができる。
【0045】
神経回路網は、１つ以上のノードの集合で構成することができる。神経回路網を構成するノードの部分集合は、レイヤー（ｌａｙｅｒ）を構成できる。神経回路網を構成する複数のノードのうち一部は、第１入力ノードからの距離に基づき、１つのレイヤー（ｌａｙｅｒ）を構成することができる。例えば、第１入力ノードからの距離がｎであるノードの集合は、ｎレイヤーを構成することができる。第１入力ノードからの距離は、第１入力ノードから当該ノードに到達するために経由しなければならないリンクの最小限の数を基に定義することができる。しかし、このようなレイヤーの定義は、説明のために任意に取り挙げたものであり、神経回路網の中におけるレイヤーの構成は、前述の説明と異なる方法で定義されることができる。例えば、ノードのレイヤーは、最終出力ノードからの距離を基に定義することもできる。
【0046】
第１入力ノードは、神経回路網の中のノードのうち、他のノードとの関係においてリンクを経由せずにデータが直接入力される１つ以上のノードを意味することができる。または、神経回路網のネットワークの中で、リンクを基準にしたノード間の関係において、リンクを介して繋がっている他の入力ノードを持たないノードを意味することができる。これと同様に、最終出力ノードは、神経回路網の中のノードのうち、他のノードとの関係において、出力ノードを持たない１つ以上のノードを意味することができる。また、ヒドンノードは、第１入力ノード及び最終出力ノードではないノードで、神経回路網を構成するノードを意味することができる。
【0047】
本開示の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードと同数で、入力レイヤーからヒドンレイヤーへと進むにつれ、ノードの数が一度減ってから、再び増加する形の神経回路網になり得る。本開示の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードの数より少なく、入力レイヤーからヒドンレイヤーへと進むにつれ、ノードの数が減少していく形の神経回路網になり得る。また、本開示の他の一実施例による神経回路網は、入力レイヤーのノードの数が、出力レイヤーのノードの数より多く、入力レイヤーからヒドンレイヤーへと進むにつれ、ノードの数が増加していく形の神経回路網になり得る。本開示の他の一実施例における神経回路網は、上述の神経回路網を組み合わせた形の神経回路網になり得る。
【0048】
ディープニューラルネットワーク（ＤＮＮ：ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、深層神経回路網）は、入力レイヤーと出力レイヤー以外に複数のヒドンレイヤーを含む神経回路網を意味することができる。ディープニューラルネットワークを利用するとデータの潜在的な構造（ｌａｔｅｎｔ ｓｔｒｕｃｔｕｒｅｓ）を把握することができる。つまり、写真、文章、ビデオ、音声、音楽の潜在的な構造（例えば、ある物が写真に映っているか、文章の内容と感情はどのようなものなのか、音声の内容と感情はどのようなものなのか等）を把握することができる。ディープニューラルネットワークは、畳み込みニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、リカレントニューラルネットワーク（ＲＮＮ；：ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、オートエンコーダー（ａｕｔｏ ｅｎｃｏｄｅｒ）、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、制限ボルツマンマシン（ＲＢＭ：ｒｅｓｔｒｉｃｔｅｄ ｂｏｌｔｚｍａｎｎ ｍａｃｈｉｎｅ）、深層信頼ネットワーク（ＤＢＮ：ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）、Ｑネットワーク、Ｕネットワーク、シャムネットワーク、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）等を含むことができる。前述のディープニューラルネットワークは、例示に過ぎず本開示はこれらに限定されない。
【0049】
本開示の一実施例において、ネットワーク関数は、オートエンコーダー（ａｕｔｏｅｎｃｏｄｅｒ）を含むこともできる。オートエンコーダーは、入力データに類似した出力データを出力するための人工神経回路網の一種になり得る。オートエンコーダーは、少なくとも１つのヒドンレイヤーを含むことができ、奇数個のヒドンレイヤーが入出力レイヤーの間に配置されることができる。各レイヤーのノード数は、入力レイヤーのノード数から、ボトルネックレイヤー（エンコード）という中間レイヤーに向かって減っていき、ボトルネックレイヤーから出力レイヤー（入力レイヤーと対称を成す）に向かって、縮小と対称する形で、拡張することもできる。オートエンコーダーは、非線形次元減少を行うことができる。入力レイヤー及び出力レイヤーの数は、入力データの前処理後に次元に対応することができる。オートエンコーダー構造において、エンコーダーに含まれたヒドンレイヤーのノードの数は、入力データから遠くなるほど減っていく構造を持つことができる。ボトルネックレイヤー（エンコーダーとデコーダーの間に位置する、ノードの数が最も少ないレイヤー）のノードの数が少なすぎる場合、十分な量の情報が伝わらない可能性があるため、特定の数以上（例えば、入力レイヤーの半分以上等）に維持されることもあり得る。
【0050】
ニューラルネットワークは、教師あり学習（ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、半教師あり学習（ｓｅｍｉ ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）、または、強化学習（ｒｅｉｎｆｏｒｃｅｍｅｎｔ ｌｅａｒｎｉｎｇ）のうち、少なくともいずれか１つの方式で学習されることができる。ニューラルネットワークの学習は、ニューラルネットワークが特定の動作を行うための知識をニューラルネットワークに提供する過程になり得る。
【0051】
ニューラルネットワークは、出力のエラーを最小化する方向で学習されることが可能である。ニューラルネットワークの学習において、繰り返し学習データをニューラルネットワークに入力させ、学習データに関するニューラルネットワークの出力とターゲットのエラーを計算し、エラーを減らすための方向としてニューラルネットワークのエラーをニューラルネットワークの出力レイヤーから入力レイヤーの方向へ逆伝播（ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ）してニューラルネットワークの各ノードの加重値を更新するプロセスが行われる。教師あり学習の場合、個々の学習データに正解がラベリングされている学習データを使い（つまり、ラベリングされた学習データ）、教師なし学習の場合は、個々の学習データに正解がラベリングされていない場合がある。つまり、例えばデータ分類に関する教師あり学習における学習データは、学習データの各々にカテゴリがラベリングされたデータになり得る。ラベリングされた学習データがニューラルネットワークに入力され、ニューラルネットワークの出力（カテゴリ）と学習データのラベルを比較することでエラー（ｅｒｒｏｒ）を計算することが可能である。他の例として、データ分類に関する教師なし学習の場合、入力である学習データをニューラルネットワークの出力と比較することでエラーを計算することが可能である。計算されたエラーは、ニューラルネットワークにおいて逆方向（つまり、出力レイヤーから入力レイヤー方向）へ逆伝播され、逆伝播を通じてニューラルネットワークの各レイヤーの各ノードの連結加重値を更新することが可能である。更新される各ノードの連結加重値は、学習率（ｌｅａｒｉｎｇ ｒａｔｅ）によって変化量が決まることが可能である。入力データに対するニューラルネットワークの計算とエラーの逆伝播は、学習のサイクル（ｅｐｏｃｈ）を構成することができる。学習率は、ニューラルネットワークの学習のサイクルの反復回数によって適用方式が変わることが可能である。例えば、ニューラルネットワークの学習初期においては、学習率を高くしてニューラルネットワークが早く一定のレベルの性能を確保するようにすることで効率を高め、学習の後半においては学習率を低くして精度を上げることが可能である。
【0052】
ニューラルネットワークの学習において、一般的に学習データは実際のデータ（つまり、学習されたニューラルネットワークを利用して処理しようとするデータ）の部分集合であることが可能であり、そのため学習データに係るエラーは減少するが、実際のデータに係るエラーは増加する学習サイクルが存在し得る。過剰適合（ｏｖｅｒ ｆｉｔｔｉｎｇ）は、このように学習データについて過度に学習したため、実際のデータにおいてエラーが増加する現象である。例えば、黄色い猫を見て猫を学習したニューラルネットワークが、黄色以外の色の猫を見ると猫であることを認識できない現象が過剰適合の一種になり得る。過剰適合は、マシンラーニングアルゴリズムのエラーを増加させる原因になり得る。このような過剰適合を防ぐために、多様な最適化方法を適用できる。過剰適合を防ぐためには、学習データを増加させる方法、正則化（ｒｅｇｕｌａｉｚａｔｉｏｎ）、学習の過程でネットワークのノードの一部を非活性化するドロップアウト（ｄｒｏｐ ｏｕｔ）、バッチ正規化レイヤー（ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎ ｌａｙｅｒ）の活用等の方法を適用できる。
【0053】
図３は、本開示の一実施形態によるコンピューティングデバイスの生体信号分析過程を示したブロック構成図である。
【0054】
図３を参照すると、本開示の一実施形態によるコンピューティングデバイス１００のプロセッサ１１０は、事前学習されたニューラルネットワークモデル２００を用いて、複数のリードから多様な組合で獲得可能な少なくとも一つの生体信号に対する分析値を導出することができる。プロセッサ１１０は、ニューラルネットワークモデル２００に複数のリードから獲得された少なくとも一つのリード別生体信号を入力して、複数のリードの間の相関関係が反映された分析値を導出することができる。すなわち、プロセッサ１１０は、複数のリードの間の相関関係を反映する一つのニューラルネットワークモデル２００によって複数のリードから獲得可能な生体信号のすべての組合に対してニューラルネットワークモデル２００が目標とする分析値を正確に導出することができる。
【0055】
例えば、プロセッサ１１０は、Ｎ個（Ｎは自然数）のリード別生体信号１１、１２、１３をニューラルネットワークモデル２００に入力することができる。この際、Ｎは、生体信号を獲得する複数のリードの組合によって異なってもよい。すなわち、プロセッサ１１０は、複数のリード全体或は一部に対応するＮ個のリード別生体信号１１、１２、１３をニューラルネットワークモデル２００に入力することができる。ニューラルネットワークモデル２００は、第１生体信号１１、第２生体信号１２、および第Ｎ生体信号１３を受けて、生体信号を測定した被検者の心血管疾患を予測するための分析値１４を導出することができる。この際、分析値１４は、生体信号を獲得するために用いられたすべてのリードの位置、種類などに対する相関関係が反映された値であってもよい。よって、生体信号を測定するための全体リードの一部のみ用いられて生体信号が獲得された場合にも、ニューラルネットワークモデル２００は、全体リードの間の相関関係を反映して全体リードのうち一部に対応するリード別生体信号を分析することによって、被検者の心血管疾患を予測するための分析値を導出することができる。
【0056】
具体的には、プロセッサ１１０は、ニューラルネットワークモデル２００によって複数のリードから獲得された少なくとも一つのリード別生体信号に対する特徴値を抽出することができる。この際、ニューラルネットワークモデル２００は、特徴値を抽出するために、複数のリードから獲得されたすべてのリード別生体信号に基づいて事前学習されることができる。例えば、Ｎ個のリードそれぞれに対応するＮ個のすべての生体信号が獲得された場合、プロセッサ１１０は、ニューラルネットワークモデル２００によってＮ個の生体信号それぞれの特徴値を抽出することができる。また、Ｍ個（Ｍは、Ｎよりも大きい自然数）のリードのうち一部の組合に対応するＮ個の生体信号１１、１２、１３が獲得された場合にも、プロセッサ１１０は、ニューラルネットワークモデル２００によってＮ個の生体信号それぞれの特徴値を抽出することができる。
【0057】
プロセッサ１１０は、ニューラルネットワークモデル２００を用いて生体信号の特徴値に生体信号が獲得されたリードの位置情報をエンコード（ｅｎｃｏｄｉｎｇ）することができる。前述のように、ニューラルネットワークモデル２００によって抽出されたリード別生体信号の特徴値は、リードに関係なく生体信号が有する固有特徴を示すため、生体信号の起源を示すリードに関する情報は反映できない。そこで、プロセッサ１１０は、リード別生体信号の特徴値に生体信号が獲得されたリードの位置情報をエンコードすることによって、リード別生体信号の固有特徴にリードに関する情報を反映することができる。このようなエンコードは、ニューラルネットワークモデル２００の最終分析値に複数のリードの間の相関関係の反映されることができるようにする事前作業に理解されてもよい。すなわち、ニューラルネットワークモデル２００が複数のリードの間の相関関係を把握して、どんなリード別信号が入力されても分析を正確に実行することができるようにするために、プロセッサ１１０は、リード別生体信号の特徴値に当該生体信号が獲得されたリードの位置情報をエンコードすることができる。
【0058】
プロセッサ１１０は、ニューラルネットワークモデル２００を用いてリードの位置情報がエンコードされた特徴値に基づいて、複数のリードの間の相関関係が反映された分析値を導出することができる。生体信号に対する分析値を導出するために、プロセッサ１１０は、ニューラルネットワークモデル２００を用いて、リードの位置情報がエンコードされた生体信号の特徴値に基づいて、複数のリードの間の相関関係を生成するための演算を実行することができる。プロセッサ１１０は、ニューラルネットワークモデル２００を用いて、演算の結果に基づいて複数のリードの間の相関関係が反映された生体信号の分析値を導出することができる。例えば、ニューラルネットワークモデル２００は、リードの位置情報がエンコードされた特徴値を受けて複数のリードの間の相関関係を反映するための自己注意（ｓｅｌｆ－ａｔｔｅｎｔｉｏｎ）に基づく演算を実行することができる。この際、ニューラルネットワークモデル２００は、自己注意に基づく演算を実行するためのトランスフォーマー（ｔｒａｎｓｆｏｒｍｅｒ）のような構造のニューラルネットワークを含んでもよい。自己注意に基づく演算を通じて、ニューラルネットワークモデル２００は、リード別生体信号の特徴値にリードの位置に基づいた相関関係を定義することができる。ニューラルネットワークモデル２００は、自己注意に基づく演算結果に基づいて、心血管疾患の予測のための分析値を導出することができる。このような自己注意に基づく演算を通じて複数のリードの間の相関関係が最終分析値を導出するのに反映されることによって、複数のリードからどんな組合の生体信号が入力されても（複数のリード全体ではない一部に対応する生体信号のみが入力されても）、ニューラルネットワークモデル２００は正確な分析を実行することができる。前述した自己注意に基づく演算は、一つの例示に過ぎないため、複数のリードの間の相関関係を反映するための各種演算が当業者が理解可能な範疇内で適用されてもよい。
【0059】
一方、プロセッサ１１０は、特徴値を導出するための演算過程で生体信号を獲得できなかったリードに対する情報はマスキング（ｍａｓｋｉｎｇ）することができる。プロセッサ１１０は、複数のリードそれぞれに対応するすべての生体信号をニューラルネットワークモデル２００に入力して分析値を導出してもよいが、前述したような演算を通じて複数のリードのうち一部組合に対応する生体信号をニューラルネットワークモデル２００に入力して分析値を導出してもよい。複数のリードのうち一部組合に対応する生体信号を分析に用いる場合に、生体信号を獲得できなかったリードに対する情報を処理するために、プロセッサ１１０は、ニューラルネットワークモデル２００の演算過程で生体信号を獲得できなかったリードに対する情報をマスキングすることができる。言い替えれば、プロセッサ１１０は、生体信号を獲得できなかったリードに対する情報をマスキングによって表示および生成することによって、複数のリードの間の相関関係を反映するための演算を効果的に実行して分析値を生成することができる。
【0060】
例えば、１２個のリードのうち、３個のリードから生体信号がそれぞれ獲得された場合、プロセッサ１１０は、ニューラルネットワークモデル２００によって３個のリードから獲得されたリード別生体信号に対する特徴値を抽出することができる。プロセッサ１１０は、ニューラルネットワークモデル２００によって３個のリードそれぞれの位置情報を対応する特徴値にエンコードすることができる。プロセッサ１１０は、ニューラルネットワークモデル２００を用いて、３個のリードそれぞれの位置情報がエンコードされた生体信号の特徴値に基づいて、複数のリードの間の相関関係を生成するための演算を実行することができる。この際、プロセッサ１１０は、演算過程で生体信号が獲得できなかった残り９個のリードに対する情報をマスキングすることによって、最終分析値を導出するための演算結果値を生成することができる。プロセッサ１１０は、ニューラルネットワークモデル２００によってマスキングされた情報を含む演算結果値に基づいて、被検者の心血管疾患を予測するための分析値を導出することができる。
【0061】
前記したマスキングは、ニューラルネットワークモデル２００を学習させる過程で、複数のリードから獲得されたすべての生体信号に対してランダムに実行されてもよい。ニューラルネットワークモデル２００を学習させる過程では、複数のリード全体で獲得されたすべてのリード別生体信号がニューラルネットワークモデル２００の入力に用いられる。したがって、ニューラルネットワークモデル２００の学習過程で、プロセッサ１１０は、複数のリード全体で獲得されたリード別生体信号を任意にマスキングする一種のランダムサンプリング（ｒａｎｄｏｍ ｓａｍｐｌｉｎｇ）を実行することができる。
【0062】
例えば、１２個のリードから１２個のリード別生体信号が獲得されて、ニューラルネットワークモデル２００の学習に用いられる場合、プロセッサ１１０は、ニューラルネットワークモデル２００の演算過程で、１２個のリード別生体信号のうち一部を任意にマスキングすることができる。マスキングの対象となるリードの数字或は種類などのランダムサンプリングの条件は、学習サイクル（ｅｐｏｃｈ）ごとに異なってもよい。マスキングの対象となるリードの数字或は種類などのランダムサンプリングの条件は、分析ドメインなどを考慮して、使用者によって予め決められたことによって異なってもよい。
【0063】
前述したことを考慮すれば、本開示の一実施形態によるニューラルネットワークモデル２００は、複数のリードの間の相関関係を生体信号の分析過程に反映することによって、複数のリードから獲得可能なリード別生体信号の組合に関係なく目標とする分析値を導出することができる。言い替えれば、複数のリードを全体或は一部からどんな個数および組合のリード別生体信号が入力されても、ニューラルネットワークモデル２００は、複数のリードの間の相関関係を反映するための演算を通じて使用者が所望の分析値（ｉ．ｅ．ニューラルネットワークモデル２００が目標とする分析値）を導出することができる。
【0064】
図４は、本開示の一実施形態によるニューラルネットワークモデルの構造を示した概念図である。
【0065】
図４を参照すると、本開示の一実施形態によるニューラルネットワークモデルは、生体信号の特徴値を生成するための第１ニューラルネットワークＡ、複数のリードの間の関係性を定義するための自己注意演算を実行する第２ニューラルネットワークＢ、および第２ニューラルネットワークＢの演算結果に基づいて最終分析値を導出する第３ニューラルネットワーク２４０を含んでもよい。また、本開示の一実施形態によるニューラルネットワークモデルは、第１ニューラルネットワークＡによって抽出された特徴値を連結（ｃｏｎｃａｔｅｎａｔｉｏｎ）するための第４ニューラルネットワーク２２０を選択的にさらに含んでもよい。
【0066】
第１ニューラルネットワークＡは、複数のリードで獲得された少なくとも一つのリード別生体信号に対する特徴値を抽出するための第１エンコーダ（ｅｎｃｏｄｅｒ）、および第１エンコーダによって抽出された特徴値それぞれにリードの位置情報を含ませる第２エンコーダを含んでもよい。例えば、第１ニューラルネットワークＡは、Ｎ個のリードそれぞれに対応するＮ個の第１エンコーダ２１１、２１２、２１３、２１４、およびＮ個の第２エンコーダを含んでもよい。Ｎ個の生体信号２１、２２、２３、２４が各リード別に獲得されると、Ｎ個の各リード別第１エンコーダ２１１、２１２、２１３、２１４は、Ｎ個の生体信号２１、２２、２３、２４それぞれから特徴値Ｘを抽出することができる。この際、第１エンコーダ２１１、２１２、２１３、２１４は、加重値を相互共有する１次元ＲｅｓＮｅｔに基づくニューラルネットワークであってもよい。しかしながら、これは一つの例示に過ぎず、第１エンコーダの種類はこれに制限されず、当業者が理解可能な範疇内で多様に構成されてもよい。第１エンコーダ２１１、２１２、２１３、２１４によってリード別生体信号の特徴値Ｘが抽出されると、Ｎ個の第２エンコーダは、Ｎ個のリード別生体信号の特徴値Ｘそれぞれに対して、生体信号それぞれにマッチングされるリード別位置情報２５をエンコードすることができる。この際、第２エンコーダそれぞれは、完全連結（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ）ニューラルネットワークを含んでもよく、リード別位置情報を特定数字コードで特徴値Ｘに含ませるエンコーダを含んでもよい。
【0067】
第２ニューラルネットワークＢは、第１ニューラルネットワークＡによってエンコードされたリード別生体信号の特徴値に基づいて、全体リードの相関関係を示すための自己注意に基づく演算を実行することができる。この際、第２ニューラルネットワークＢは、自己注意に基づく演算を実行するための少なくても一つのニューラルネットワークを含んでもよい。第２ニューラルネットワークＢに含まれるニューラルネットワークの数が増加するほど、第２ニューラルネットワークＢの深み（ｄｅｐｔｈ）がさらに深くなり得る。例えば、Ｌ個（Ｌは自然数）のマルチニューラルネットワークを含む第２ニューラルネットワークＢは、リードの位置情報がエンコードされたリード別生体信号の特徴値
に基づいて、Ｎ個のリードの間の相関関係を示すためのマトリックスを生成することができる。この際、特徴値
は、第４ニューラルネットワーク２２０によって互いに連結された値であってもよい。第２ニューラルネットワークＢは、リードの位置情報がエンコードされた生体信号の特徴値
に基づいて、クエリー（ｑｕｅｒｙ）ベクトル２３１、キー（ｋｅｙ）ベクトル２３２、およびバリュー（ｖａｌｕｅ）ベクトル２３３を生成することができる。第２ニューラルネットワークＢは、特徴値
を完全連結ニューラルネットワークに基づくクエリー（Ｑ）、キー（Ｋ）、およびバリュー（Ｖ）の形態でベクトル空間上に射影（ｐｒｏｊｅｃｔｉｏｎ）することによって、Ｎ個のリードの間の相関関係を示すマトリックスを作るためのベクトル２３１、２３２、２３３を生成することができる。第２ニューラルネットワークＢは、クエリーベクトル２３１およびキーベクトル２３２に基づいて、マルチ－ヘッド（ｍｕｌｔｉ－ｈｅａｄ）マトリックス２６を生成することができる。マルチ－ヘッドマトリックス２６は、Ｎ個のリードの間の位置に基づいた相関関係を表現する自己注意に基づくマトリックスに理解されてもよい。ここで、マルチ－ヘッドは、単一ヘッド或は複数のヘッドを全部包括する用語に理解されてもよい。具体的には、第２ニューラルネットワークＢは、Ｈ個（Ｈは自然数）のマルチ－ヘッドによってクエリーベクトル２３１、キーベクトル２３２、およびバリューベクトル２３３を生成することができる。第２ニューラルネットワークＢは、Ｈ個のマルチ－ヘッドによって生成されたクエリーベクトル２３１およびキーベクトル２３２に基づいてＨ個のマルチ－ヘッドマトリックス２６を生成することができる。マルチ－ヘッドマトリックスを生成するために、２個のヘッド（ｉ．ｅ．Ｈは２）が用いられると仮定すると、一つのヘッドはシングル（ｓｉｎｇｌｅ）リード基準でリードの間の相関関係を把握するのに用いられることができる。残りヘッドは、２個のリードの組合を基準として他のリードとの相関関係を把握するのに用いられることができる。すなわち、第２ニューラルネットワークＢは、Ｎ個のリード別生体信号から抽出された特徴値Ｘに基づいて、一つの自己注意に基づくマトリックスを生成することができ、Ｈ個のマルチ－ヘッドによって自己注意に基づくマトリックスをＨ個に拡張させることができる。Ｈ個のマルチ－ヘッドマトリックス２６のうち、ｈ番目（ｈは、Ｈよりも小さい自然数）のマルチ－ヘッドマトリックスは、次の［数１］のように表現されることができる。
【数1】
【0068】
ここで、Ａｈは、ｈ番目の自己注意に基づくマトリックス、Ｑｈは、ｈ番目ヘッドに対応するクエリーベクトル、Ｋｈは、ｈ番目ヘッドに対応するキーベクトル、Ｎは、リードの数、Ｄは、特徴値の次元（ｄｉｍｅｎｓｉｏｎ ｏｆ ｆｅａｔｕｒｅｓ）、およびＨは、ヘッドの数に理解されてもよい。ただ、［数１］を参照すると、自己注意に基づくマルチ－ヘッドマトリックスは、クエリーベクトルとキーベクトルに基づくソフトマックス（ｓｏｆｔｍａｘ）関数の演算によって生成されることに理解されてもよい。ただ、［数１］は、自己注意に基づくマトリックスを生成するための一つの例示に過ぎないため、当業者が理解可能な範疇内で自己注意に基づくマトリックスを生成するための多様な演算方式が適用されてもよい。
【0069】
一方、第２ニューラルネットワークＢは、マルチ－ヘッドマトリックス２６を生成する過程で、マトリックスの行列値のうち生体信号を獲得できなかったリードに対応する行列値をマスキングすることができる。この際、マスキングは、マトリックスの行列値を０に処理することに理解されてもよい。例えば、Ｎ個のリードのうち一部リードで生体信号を獲得できなかった場合、第２ニューラルネットワークＢは、マトリックスで生体信号を獲得できなかったリードの行列値を０に処理するマスキングによってマトリックスのすべての行列値を定義することができる。すなわち、Ｎ個のリードのうち生体信号を獲得できなかったリードが存在しても、第２ニューラルネットワークＢは、マトリックスの行列値のうち生体信号を獲得できなかったリードに対応する行列値を０に処理することによって、自己注意に基づくマルチ－ヘッドマトリックス２６を生成することができる。言い替えれば、一部リードに対する生体信号を獲得できなくても生体信号に対する分析値が安定的で、正確に導出されることができるようにするのために、第２ニューラルネットワークＢは、マスキング処理によってマルチ－ヘッドマトリックス２６を生成することができる。
【0070】
第２ニューラルネットワークＢは、前述したＨ個のマルチ－ヘッドマトリックス２６に基づいて、自己注意に基づく演算結果を導出することができる。第２ニューラルネットワークＢは、Ｈ個のマルチ－ヘッドマトリックス２６に基づいて、バリューベクトル２３３の加重和（ｗｅｉｇｈｔｅｄ ｓｕｍ）を導出することができる。すなわち、第２ニューラルネットワークＢは、マルチ－ヘッドマトリックス２６をバリューベクトル２３３の和を計算するための加重値として用いて、自己注意に基づく演算結果としてバリューベクトル２３３の加重和を生成することができる。例えば、ｈ番目のマルチ－ヘッドマトリックスを利用したバリューベクトルの加重和は、次の［数２］のように表現されることができる。
【数2】
【0071】
ここで、
は、ｈ番目のマルチ－ヘッドマトリックスを利用したバリューベクトルの加重和、Ａｈは、ｈ番目の自己注意に基づくマトリックス、Ｖｈは、ｈ番目ヘッドに対応するバリューベクトル、Ｎは、リードの数、およびＤは、特徴値の次元に理解されてもよい。［数２］を参照すると、自己注意に基づく演算結果は、自己注意に基づくマトリックスを加重値とするバリューベクトルの和を演算した結果であることに理解されてもよい。ただ、［数２］は、マトリックスを利用した自己注意に基づく演算結果を示す一つの例示に過ぎないため、当業者が理解可能な範疇内で自己注意に基づく演算結果を導出するための多様な演算方式が適用されてもよい。
【0072】
第３ニューラルネットワーク２４０は、第２ニューラルネットワークＢによって導出された自己注意に基づく演算結果に基づいて、目標する分析値
を導出することができる。第３ニューラルネットワーク２４０は、第２ニューラルネットワークＢの出力である自己注意に基づく演算結果を受けて生体信号に対する分析結果値
を導出することができる。例えば、第３ニューラルネットワーク２４０は、マトリックス２６に基づいて計算されたバリューベクトル２３３の加重和に基づいて、被検者の心血管疾患に関する分析情報を生成することができる。この際、第３ニューラルネットワーク２４０は、被検者が心血管疾患を病んでいるか否かを判断したり、或いは心血管疾患が発生する確率などを予測するための分析値を出力する完全連結ニューラルネットワークであってもよい。ただ、前述した心血管疾患は、人の健康状態或は疾患に関する一つの例示に過ぎない。したがって、生体信号に対する分析に基づいて判断或は予測可能な人の健康状態或は疾患の種類は制限されることなく本開示に適用されてもよい。
【0073】
図５は、本開示の一実施形態による生体信号の分析方法を示したフロチャートである。
【0074】
図５を参照すると、Ｓ１１０段階で、本開示の一実施形態によるコンピューティングデバイス１００は、複数のリードから少なくとも一つのリード別生体信号を獲得することができる。例えば、コンピューティングデバイス１００は、スマートウォッチ（ｓｍａｒｔ ｗａｔｃｈ）のような携帯用測定装備に備えられた複数のリードによって測定されたリード別生体信号を携帯用測定装備との通信を通じて受信することができる。コンピューティングデバイス１００は、携帯用測定装備に備えられたすべてのリードによって測定されたリード別生体信号全体を受信することができる。コンピューティングデバイス１００は、測定環境、条件或はリードの測定方式などによって異なり得る多様な組合の非同期化生体信号を受信することができる。
【0075】
Ｓ１２０段階で、コンピューティングデバイス１００は、ニューラルネットワークモデルを用いて、少なくとも一つのリード別生体信号に対する特徴値を抽出することができる。例えば、コンピューティングデバイス１００は、Ｓ１１０段階によって獲得したリード別生体信号をニューラルネットワークモデルに入力して特徴値を抽出することができる。この際、ニューラルネットワークモデルは、携帯用測定装備に備えられた複数のリードの数に合わせて獲得された生体信号全体に基づいて事前学習されることができる。
【0076】
Ｓ１３０段階で、コンピューティングデバイス１００は、ニューラルネットワークモデルによって少なくとも一つのリード別生体信号に対する特徴値に生体信号それぞれに対応するリードの位置情報をエンコードすることができる。コンピューティングデバイス１００は、ニューラルネットワークモデルを用いて、生体信号の獲得起源に対応するリードの位置情報を相互マッチングされる特徴値にエンコードさせることができる。例えば、コンピューティングデバイス１００は、Ｓ１２０段階を通じて生成されたリード別生体信号の特徴値にリード別に位置情報を含ませることができる。この際、リード別位置情報は、ニューラルネットワークモデルに含まれたニューラルネットワークによって特徴値に反映されてもよく、特定数字コードに変換する所定のエンコード方式によって特徴値に反映されてもよい。
【0077】
Ｓ１４０段階で、コンピューティングデバイス１００は、ニューラルネットワークモデルによってリードの位置情報がエンコードされた特徴値に基づいて、複数のリードの間の相関関係が反映された分析値を導出することができる。例えば、Ｓ１１０段階によって複数のリードに対応するリード別生体信号全体ではない複数のリードの一部組合に対応するリード別生体信号の一部が受信される場合にも、コンピューティングデバイス１００は、ニューラルネットワークモデルによって複数のリードの間の相関関係を反映して、所望の分析値を導出することができる。この際、ニューラルネットワークモデルは、複数のリードの間の相関関係を反映するための演算で自己注意に基づく演算を実行することができる。また、自己注意に基づく演算過程で、ニューラルネットワークモデルは、複数のリードの間の位置に基づいた関係性を作るために、リードの位置情報がエンコードされた特徴値に基づいてマトリックスを生成することができる。
【0078】
図６は、本開示の一実施形態による心電図信号の分析方法を示したフロチャートである。以下では、本開示の一実施形態によってＮ個のリード全体ではない一部から生体信号の一つで心電図信号を獲得する状況を仮定する。
【0079】
本開示の一実施形態によるコンピューティングデバイス１００は、ニューラルネットワークモデルを用いて、リード別に獲得される心電図信号に対する特徴を抽出する動作（Ｓ２１０、Ｓ２２０、Ｓ２３０）、およびリード別位置情報をエンコードする動作を実行することができる。ただ、図６のように、第１リードから第１心電図信号３１、第２リードから第２心電図信号３２を獲得し、第Ｎリードから心電図信号を獲得できなかった場合、コンピューティングデバイス１００は、第Ｎリードに対応するデータが存在しないので、Ｓ２３０に対応する特徴抽出動作、およびリード別位置情報をエンコードする動作を事実上実行しないことに見られる。よって、第１特徴値３４および第２特徴値３５とは違って、第Ｎ特徴値３６は、データ値が存在しない空白データに理解されてもよい。
【0080】
ニューラルネットワークモデルが一部心電図信号３１、３２だけでもＮ個のリードの間の相関関係を反映して分析値を導出することができるように、コンピューティングデバイス１００は、空白データである第Ｎ特徴値３６に対するマスキング動作（Ｓ２４０）を実行することができる。マスキング動作（Ｓ２４０）によって、コンピューティングデバイス１００は、ニューラルネットワークモデルを用いて、Ｓ２５０段階を通じて生成されるマトリックスの行列値のうち第Ｎリードに対応する行列値を生成することができる（Ｓ２４０）。コンピューティングデバイス１００は、ニューラルネットワークモデルによってリード別に獲得された心電図信号に対する特徴値とマスキングされた特徴値に基づいて、マトリックスを生成することができる（Ｓ２５０）。すなわち、コンピューティングデバイス１００は、リード別に獲得された心電図信号に対する特徴値とリードから獲得できず、マスキングされた特徴値に基づいて、ニューラルネットワークモデルのマルチ－ヘッドによってアテンションマトリックスを生成することができる。コンピューティングデバイス１００は、第１リードの位置情報が反映された第１特徴値３４、第２リードの位置情報が反映された特徴値３５、およびマスキングされた第Ｎ特徴値に基づいてＨ個のヘッドの数に合わせて、第１アテンションマトリックス３７、第２アテンションマトリックス３８、および第Ｈアテンションマトリックス３９を生成することができる。この際、Ｈは、１以上の自然数であってもよい。一方、図６ではマスキング動作（Ｓ２４０）がマトリックス生成過程（Ｓ２５０）に先行されることに表現されているが、マスキング動作は、マトリックス生成過程（Ｓ２５０）に含まれてもよい。
【0081】
コンピューティングデバイス１００は、ニューラルネットワークモデルを用いて、第１アテンションマトリックス３７、第２アテンションマトリックス３８、第Ｈアテンションマトリックス３９に基づいて、被検者の健康状態或いは疾患を判断および／または予測するための分析値４０を導出することができる（Ｓ２６０）。例えば、分析値４０は、心電図信号を測定した被検者の心血管疾患（ｅ．ｇ．心筋梗塞など）を判断および／または予測するための確率値を含んでもよい。
【0082】
本開示の一実施例に基づき、データ構造を保存したコンピューター可読保存媒体が開示される。
データ構造は、データに効率的なアクセスおよび修正を可能にするデータの組織、管理、保存を意味することができる。データ構造は、特定の問題（例えば、最短時間でデータ検索、データ保存、データ修正）を解決するためのデータ組織を意味することができる。データ構造は、特定のデータ処理機能をサポートするように設計されたデータ要素間の物理的または論理的な関係と定義することもできる。データ要素間の論理的な関係は、ユーザーが考えるデータ要素間の連結関係を含むことができる。データ要素間の物理的な関係は、 コンピューター可読保存媒体（例えば、ハードディスク）に物理的に保存されているデータ要素間の実際の関係を含むことができる。データ構造は具体的にデータの集合、データ間の関係、データに適用できる関数またはコマンドを含むことができる。効果的に設計されたデータ構造により、コンピューティング装置はコンピューティング装置のリソースを最小限に使用しながら計算を行うことができる。具体的にコンピューティング装置は効果的に設計されたデータ構造を通じて演算、読み取り、挿入、削除、比較、交換、検索の効率性を高めることができる。
データ構造は、データに効率的なアクセスおよび修正を可能にするデータの組織、管理、保存を意味することができる。データ構造は、特定の問題（例えば、最短時間でデータ検索、データ保存、データ修正）を解決するためのデータ組織を意味することができる。データ構造は、特定のデータ処理機能をサポートするように設計されたデータ要素間の物理的または論理的な関係と定義することもできる。データ要素間の論理的な関係は、ユーザーが考えるデータ要素間の連結関係を含むことができる。データ要素間の物理的な関係は、 コンピューター可読保存媒体（例えば、ハードディスク）に物理的に保存されているデータ要素間の実際の関係を含むことができる。データ構造は具体的にデータの集合、データ間の関係、データに適用できる関数またはコマンドを含むことができる。効果的に設計されたデータ構造により、コンピューティング装置はコンピューティング装置のリソースを最小限に使用しながら計算を行うことができる。具体的にコンピューティング装置は効果的に設計されたデータ構造を通じて演算、読み取り、挿入、削除、比較、交換、検索の効率性を高めることができる。
【0083】
データ構造はデータ構造の形態によって線形データ構造と非線形データ構造に区分されることができる。線形データ構造は、一つのデータの後に一つのデータだけが連結される構造である可能性がある。線形データ構造はリスト（Ｌｉｓｔ）、スタック（Ｓｔａｃｋ）、キュー（Ｑｕｅｕｅ）、デッキ（Ｄｅｑｕｅ）を含むことができる。リストは、内部的に順序が存在する一連のデータセットを意味することが可能である。リストは連結リスト（Ｌｉｎｋｅｄ Ｌｉｓｔ）を含むことができる。連結リストはそれぞれのデータがポインタを持って一列に連結されている方式でデータが連結されたデータ構造でありうる。連結リストでポインタは、次や以前のデータとの連結情報を含むことができる。連結リストは形態によって単一連結リスト、二重連結リスト、円形連結リストで表現できる。スタックは制限的にデータにアクセスできるデータリスト構造である可能性がある。スタックは、データ構造の片端でのみデータを処理（例えば、挿入または削除）できる線形データ構造である可能性がある。スタックに保存されたデータは、遅く入るほど早く出てくるデータ構造（ＬＩＦＯ－Ｌａｓｔ ｉｎ Ｆｉｒｓｔ Ｏｕｔ）である可能性がある。キューは制限的にデータにアクセスできるデータ羅列構造であり、スタックとは異なり遅く保存されたデータほど遅く出てくるデータ構造（ＦＩＦＯ－ＦｉｒｓｔｉｎＦｉｒｓｔＯｕｔ）であることができる。デッキはデータ構造の両端でデータを処理できるデータ構造になり得る。
【0084】
非線形データ構造は、一つのデータの後に複数のデータが連結される構造である可能性がある。非線形データ構造はグラフ（Ｇｒａｐｈ）データ構造を含むことができる。グラフデータ構造は頂点（Ｖｅｒｔｅｘ）と幹線（Ｅｄｇｅ）で定義でき、幹線は互いに異なる二つの頂点を連結する線を含むことができる。グラフデータ構造ツリー（Ｔｒｅｅ）データ構造を含むことができる。ツリーデータ構造はツリーに含まれる複数の頂点のうち、互いに異なる２つの頂点を連結させる経路が一つのデータ構造になり得る。すなわち、グラフデータ構造でループ（ｌｏｏｐ）を形成しないデータ構造になり得る。
【0085】
本明細書にかけて、演算モデル、 神経回路網、ネットワーク関数、ニューラルネットワークは同じ意味で使用できる。（以下ではニューラルネットワークで統一して記述する。） データ構造はニューラルネットワークを含むことができる。そして、ニューラルネットワークを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ニューラルネットワークを含むデータ構造はまた、ニューラルネットワークに入力されるデータ、ニューラルネットワークの加重値、ニューラルネットワークのハイパーパラメータ、ニューラルネットワークから獲得したデータ、ニューラルネットワークの各ノードまたはレイヤーに関連する活性関数、ニューラルネットワークの学習のための損失関数を含むことができる。ニューラルネットワークを含むデータ構造は、前記開示された構成のうち任意の構成要素を含むことができる。すなわち、ニューラルネットワークを含むデータ構造は、ニューラルネットワークに入力されるデータ、ニューラルネットワークの加重値、ニューラルネットワークのハイパーパラメータ、ニューラルネットワークから獲得したデータ、ニューラルネットワークの各ノードまたはレイヤーに関連する活性関数、ニューラルネットワークのトレーニングのための損失関数など、全部またはこれらの任意の組み合わせを含んで構成されることができる。前述した構成以外にも、ニューラルネットワークを含むデータ構造は、ニューラルネットワークの特性を決定する任意の他の情報を含むことができる。また、データ構造は、ニューラルネットワークの演算過程で使用されたり発生するすべての形態のデータを含むことができ、前述の事項に制限されるわけではない。コンピューター可読保存媒体は、コンピューター可読記録媒体および／またはコンピューター可読伝送媒体を含むことができる。ニューラルネットワークは、一般的にノードと呼ばれる相互接続された計算単位の集合で構成されることができる。このようなノードはニューロン（ｎｅｕｒｏｎ）と呼ばれることができる。ニューラルネットワークは、少なくとも１つ以上のノードを含んで構成される。
【0086】
データ構造は、ニューラルネットワークに入力されるデータを含むことができる。ニューラルネットワークに入力されるデータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ニューラルネットワークに入力されるデータは、ニューラルネットワークの学習過程で入力される学習データおよび／または学習が完了したニューラルネットワークに入力される入力データを含むことができる。ニューラルネットワークに入力されるデータは、前処理（ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ）を経たデータおよび／または前処理対象となるデータを含むことができる。前処理はデータをニューラルネットワークに入力させるためのデータ処理過程を含むことができる。したがって、データ構造は前処理対象となるデータおよび前処理で発生するデータを含むことができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。
【0087】
データ構造は、ニューラルネットワークの加重値を含むことができる。（本明細書で加重値、パラメータは同じ意味で使用できる。） そして、神経回路網の加重値を含むデータ構造はコンピューター可読保存媒体に保存されることができる。ニューラルネットワークは、複数の加重値を含むことができる。加重値は可変的であり、ニューラルネットワークが望む機能を遂行するために、ユーザーまたはアルゴリズムによって可変することができる。例えば、一つの出力ノードに一つ以上の入力ノードがそれぞれのリンクによって相互接続された場合、出力ノードは前記出力ノードと連結された入力ノードに入力された値及びそれぞれの入力ノードに対応するリンクに設定されたパラメータに基づいて出力ノード値を決定することができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。
【0088】
制限ではなく例として、加重値は神経回路網学習過程で可変する加重値および／または神経回路網学習が完了した加重値を含むことができる。ニューラルネットワーク学習過程で可変される加重値は、学習サイクルが始まる時点の加重値および／または学習サイクルの間に可変される加重値を含むことができる。ニューラルネットワーク学習が完了した加重値は、学習サイクルが完了した加重値を含むことができる。したがって、ニューラルネットワークの加重値を含むデータ構造は、ニューラルネットワーク学習過程で可変される加重値および／またはニューラルネットワーク学習が完了した加重値を含むデータ構造を含むことができる。したがって、上述した加重値および／または各加重値の組み合わせは、神経回路網の加重値を含むデータ構造に含まれるものとする。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。
【0089】
ニューラルネットワークの加重値を含むデータ構造は、直列化（ｓｅｒｉａｌｉｚａｔｉｏｎ）過程を経た後、コンピューター可読保存媒体（例えば、メモリ、ハードディスク）に保存されることができる。直列化は、データ構造を同一または他のコンピューティングデバイスに保存し、後で再構成して使用できる形態に変換する過程である可能性がある。コンピューティングデバイスは、データ構造を直列化し、ネットワークを介してデータを送受信することができる。直列化されたニューラルネットワークの加重値を含むデータ構造は、逆直列化（ｄｅｓｅｒｉａｌｉｚａｔｉｏｎ）を通じて同じコンピューティング装置または他のコンピューティング装置で再構成されることができる。ニューラルネットワークの加重値を含むデータ構造は、シリアル化に限定されるものではない。さらに、神経回路網の加重値を含むデータ構造は、コンピューティング装置の資源を最小限に使用しながら演算の効率を高めるためのデータ構造（例えば、非線形データ構造で Ｂ－Ｔｒｅｅ、Ｔｒｉｅ、ｍ－ｗａｙ ｓｅａｒｃｈ ｔｒｅｅ、ＡＶＬｔｒｅｅ、Ｒｅｄ－Ｂｌａｃｋ Ｔｒｅｅ）を含むことができる。前述の事項は例示に過ぎず、本開示はこれに限定されない。
【0090】
データ構造は、ニューラルネットワークのハイパーパラメータ（Ｈｙｐｅｒ－ｐａｒａｍｅｔｅｒ）を含むことができる。そして、ニューラルネットワークのハイパーパラメータを含むデータ構造は、コンピューター可読保存媒体に保存されることができる。ハイパーパラメータは、ユーザーによって可変される変数である可能性がある。ハイパーパラメータは、例えば、学習率（ｌｅａｒｎｉｎｇ ｒａｔｅ）、コスト関数（ｃｏｓｔ ｆｕｎｃｔｉｏｎ）、学習サイクル反復回数、加重値初期化（例えば、加重値初期化対象となる加重値の範囲設定）、Ｈｉｄｄｅｎ Ｕｎｉｔ個数（例えば、ヒドゥンレイヤーの個数、ヒドゥンレイヤーのノード数）を含むことができる。前述のデータ構造は例示に過ぎず、本開示はこれに限定されない。
【0091】
図７は、本開示の実施例が具現化されることのできる例示的なコンピューティング環境に係る簡略で一般的な概略図である。
【0092】
本開示が一般的にコンピューティング装置により具現化されることができると前述されているが、当業者であれば本開示が一つ以上のコンピューター上で実行されることのできるコンピューター実行可能命令及び／またはその他のプログラムモジュールと結合して及び／またはハードウェアとソフトウェアの組み合わせとして具現化されることができるということをよく理解できるだろう。
【0093】
一般的に、本明細書におけるモジュールは、特定のタスクを実行したり特定の抽象的なデータ類型を実装するルーティン、プログラム、コンポーネント、データ構造、その他等々を含む。また、当業者なら本開示の方法がシングルプロセッサーまたはマルチプロセッサーコンピューターシステム、ミニコンピューター、メインフレームコンピューターはもちろん、パーソナルコンピューター、ハンドヘルド（ｈａｎｄｈｅｌｄ）コンピューティング装置、マイクロプロセッサー基盤、またはプログラム可能な家電製品、その他等々（これらは、それぞれ１つ以上の関連する装置と繋がって動作することができる）をはじめとする、他のコンピューターシステムの構成によって実施されることができることをよく理解できるだろう。
【0094】
本開示において説明された実施例は、さらに、あるタスクが通信ネットワークを通じて繋がっている遠隔処理装置によって実行される分散コンピューティング環境で実施されることができる。分散コンピューティング環境において、プログラムモジュールは、ローカルや遠隔メモリー保存装置の両方に位置することができる。
【0095】
コンピューターは、多様なコンピューター可読媒体を含む。コンピューターによってアクセス可能な媒体はいずれもコンピューター可読媒体になり得るが、このようなコンピューター可読媒体は揮発性及び非揮発性媒体、一時的（ｔｒａｎｓｉｔｏｒｙ）及び非一時的（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）媒体、移動式及び非－移動式媒体を含む。制限ではなく例として、コンピューター可読媒体は、コンピューター可読保存媒体及びコンピューター可読伝送媒体を含むことができる。コンピューター可読保存媒体は、コンピューター可読命令、データ構造、プログラムモジュール又はその他のデータのような情報を保存する任意の方法又は技術により実装される揮発性及び非揮発性媒体、一時的及び非－一時的媒体、移動式及び非移動式媒体を含む。コンピューター可読保存媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリーまたはその他のメモリー技術、ＣＤ－ＲＯＭ、ＤＶＤ（ｄｉｇｉｔａｌ ｖｉｄｅｏ ｄｉｓｋ）またはその他の光ディスク保存装置、磁気カセット、磁気テープ、磁気ディスク保存装置またはその他の磁気保存装置、またはコンピューターによってアクセスされることができ、情報を保存するのに使われることのできる任意のその他の媒体を含むが、これに限定されない。
【0096】
コンピューター可読伝送媒体は、通常、搬送波（ｃａｒｒｉｅｒ ｗａｖｅ）またはその他の伝送メカニズム（ｔｒａｎｓｐｏｒｔ ｍｅｃｈａｎｉｓｍ）のような被変調データ信号（ｍｏｄｕｌａｔｅｄ ｄａｔａ ｓｉｇｎａｌ）にコンピューター可読命令、データ構造、プログラムモジュールまたはその他のデータ等を実装し、すべての情報伝達媒体を含む。被変調データ信号という用語は、信号の中で情報をエンコードするように、その信号の特性のうち１つ以上を設定または変更した信号を意味する。制限ではなく例として、コンピューター可読伝送媒体は、有線ネットワークまたは直接配線接続（ｄｉｒｅｃｔ－ｗｉｒｅｄ ｃｏｎｎｅｃｔｉｏｎ）のような有線媒体、そして音響、ＲＦ、赤外線、その他の無線媒体のような無線媒体を含む。前述の媒体のいずれかによる任意の組み合わせもまたコンピューター可読伝送媒体の範囲に含まれるものとする。
【0097】
コンピューター（１１０２）を含む本開示の多様な側面を実現する例示的な環境（１１００）が示されており、コンピューター（１１０２）は、処理装置（１１０４）、システムメモリー（１１０６）、システムバス（１１０８）を含む。システムバス（１１０８）は、システムメモリー（１１０６）（これに限定されない）をはじめとするシステムコンポーネントを処理装置（１１０４）につなげる。処理装置（１１０４）は、多様な商用プロセッサーのうち任意のプロセッサーになり得る。デュエルプロセッサーとその他のマルチプロセッサーアーキテクチャもまた処理装置（１１０４）として利用されることができる。
システムバス（１１０８）は、メモリーバス、周辺装置バス、そして多様な商用バスアーキテクチャの中から、任意のものを使用するローカルバスにさらに相互連結されることのできる複数の類型のバス構造のうちいずれかになり得る。システムメモリー（１１０６）は、読み取り専用メモリー（ＲＯＭ）（１１１０）やランダムアクセスメモリー（ＲＡＭ）（１１１２）を含む。基本的な入出力システム（ＢＩＯＳ）は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の非揮発性メモリー（１１１０）に保存され、このＢＩＯＳは、起動中の時等にコンピューター（１１０２）の中の複数の構成要素間の情報のやりとりをサポートする基本的なルーティンを含む。ＲＡＭ（１１１２）は、またデータをキャッシュするための静的ＲＡＭ等の高速ＲＡＭを含むことができる。
システムバス（１１０８）は、メモリーバス、周辺装置バス、そして多様な商用バスアーキテクチャの中から、任意のものを使用するローカルバスにさらに相互連結されることのできる複数の類型のバス構造のうちいずれかになり得る。システムメモリー（１１０６）は、読み取り専用メモリー（ＲＯＭ）（１１１０）やランダムアクセスメモリー（ＲＡＭ）（１１１２）を含む。基本的な入出力システム（ＢＩＯＳ）は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の非揮発性メモリー（１１１０）に保存され、このＢＩＯＳは、起動中の時等にコンピューター（１１０２）の中の複数の構成要素間の情報のやりとりをサポートする基本的なルーティンを含む。ＲＡＭ（１１１２）は、またデータをキャッシュするための静的ＲＡＭ等の高速ＲＡＭを含むことができる。
【0098】
コンピューター（１１０２）においては、また、内蔵型ハードディスクドライブ（ＨＤＤ）（１１１４）（例えば、ＥＩＤＥ、ＳＡＴＡ）―この内蔵型ハードディスクドライブ（１１１４）はまた適切なシャシー（図示は省略）の中で外付け型の用途で構成されることができる―、磁気フロッピーディスクドライブ（ＦＤＤ）（１１１６）（例えば、移動式ディスケット（１１１８）から読み取ったりそれに書き込むためのものである）及び光ディスクドライブ（１１２０）（例えば、ＣＤ－ＲＯＭディスク（１１２２）を読み取ったり、ＤＶＤ等のその他の高容量光媒体から読み取ったり、それに書き込むためのものである）を含む。ハードディスクドライブ（１１１４）、磁気ディスクドライブ（１１１６）及び光ディスクドライブ（１１２０）は、それぞれハードディスクドライブインターフェース（１１２４）、磁気ディスクドライブインターフェース（１１２６）及び光ドライブインターフェース（１１２８）によってシステムバス（１１０８）に繋がることができる。外付け型ドライブの実装のためのインターフェース（１１２４）は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）やＩＥＥＥ１３９４インターフェース技術のうち、少なくとも１つまたはその両方を含む。
【0099】
これらのドライブ及びこれらに係るコンピューター可読媒体は、データ、データ構造、コンピューターで実行可能な命令、その他等々の非揮発性保存を提供する。コンピューター（１１０２）の場合、ドライブ及び媒体は、任意のデータを適切なデジタル形式に保存することに対応する。前述におけるコンピューター可読保存媒体に係る説明が、ＨＤＤ、移動式磁気ディスク及びＣＤまたはＤＶＤ等の移動式光媒体について触れているが、当業者ならジップドライブ（ｚｉｐ ｄｒｉｖｅ）、磁気カセット、フラッシュメモリーカード、カートリッジ、その他等々のコンピューターにより読み取り可能な他の類型の保存媒体もまた例示的な運営環境で使われることができ、さらに、このような媒体のうち任意のある媒体が、本開示の方法を実行するためのコンピューターで実行可能な命令を含むことができることをよく理解できるだろう。
【0100】
運営システム（１１３０）、１つ以上のアプリケーションプログラム（１１３２）、その他のプログラムモジュール（１１３４）及びプログラムデータ（１１３６）をはじめとする多数のプログラムモジュールが、ドライブ及びＲＡＭ（１１１２）に保存されることができる。運営システム、アプリケーション、モジュール及び／またはデータの全部またはその一部分がまたＲＡＭ（１１１２）にキャッシュされることができる。本開示が商業的に利用可能な様々な運営システムまたは複数の運営システムの組み合わせにより実装されることができることをよく理解できるだろう。
【0101】
ユーザーは、１つ以上の有線・無線の入力装置、例えば、キーボード（１１３８）及びマウス（１１４０）等のポインティング装置を通じてコンピューター（１１０２）に命令及び情報を入力することができる。その他の入力装置（図示は省略）としてはマイク、ＩＲリモコン、ジョイスティック、ゲームパッド、スタイラスペン、タッチスクリーン、その他等々があり得る。これら及びその他の入力装置が、よくシステムバス（１１０８）に繋がっている入力装置インターフェース（１１４２）を通じて処理装置（１１０４）に繋がることがあるが、並列ポート、ＩＥＥＥ１３９４直列ポート、ゲームポート、ＵＳＢポート、ＩＲインターフェース、その他等々のその他のインターフェースによって繋がることができる。
【0102】
モニター（１１４４）または他の類型のディスプレイ装置も、ビデオアダプター（１１４６）等のインターフェースを通じてシステムバス（１１０８）に繋がる。モニター（１１４４）に加えて、コンピューターは一般的にスピーカー、プリンター、その他等々のその他の周辺出力装置（図示は省略）を含む。
コンピューター（１１０２）は、有線及び／または無線通信による（複数の）遠隔コンピューター（１１４８）等の１つ以上の遠隔コンピューターへの論理的接続を利用し、ネットワーク化された環境で動作することができる。（複数の）遠隔コンピューター（１１４８）は、ワークステーション、サーバーコンピューター、ルーター、パーソナルコンピューター、携帯用コンピューター、マイクロプロセッサー基盤の娯楽機器、ピア装置またはその他の通常のネットワークノードになることができ、一般的にコンピューター（１１０２）について述べられた構成要素のうち、多数またはその全部を含むが、簡略化するために、メモリー保存装置（１１５０）のみ図示されている。図示されている論理的接続は、近距離通信網（ＬＡＮ）（１１５２）及び／または、より大きいネットワーク、例えば、遠距離通信網（ＷＡＮ）（１１５４）における有線・無線の接続を含む。このようなＬＡＮ及びＷＡＮのネットワーキング環境は、オフィスや会社では一般的なもので、イントラネット等の全社的コンピューターネットワーク（ｅｎｔｅｒｐｒｉｓｅ－ｗｉｄｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ）を容易にし、これらはすべて全世界のコンピューターネットワーク、例えば、インターネットに繋がることができる。
コンピューター（１１０２）は、有線及び／または無線通信による（複数の）遠隔コンピューター（１１４８）等の１つ以上の遠隔コンピューターへの論理的接続を利用し、ネットワーク化された環境で動作することができる。（複数の）遠隔コンピューター（１１４８）は、ワークステーション、サーバーコンピューター、ルーター、パーソナルコンピューター、携帯用コンピューター、マイクロプロセッサー基盤の娯楽機器、ピア装置またはその他の通常のネットワークノードになることができ、一般的にコンピューター（１１０２）について述べられた構成要素のうち、多数またはその全部を含むが、簡略化するために、メモリー保存装置（１１５０）のみ図示されている。図示されている論理的接続は、近距離通信網（ＬＡＮ）（１１５２）及び／または、より大きいネットワーク、例えば、遠距離通信網（ＷＡＮ）（１１５４）における有線・無線の接続を含む。このようなＬＡＮ及びＷＡＮのネットワーキング環境は、オフィスや会社では一般的なもので、イントラネット等の全社的コンピューターネットワーク（ｅｎｔｅｒｐｒｉｓｅ－ｗｉｄｅ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋ）を容易にし、これらはすべて全世界のコンピューターネットワーク、例えば、インターネットに繋がることができる。
【0103】
ＬＡＮネットワーキング環境で使われるとき、コンピューター（１１０２）は、有線及び／または無線通信ネットワークインターフェース、または、アダプター（１１５６）を通じてローカルネットワーク（１１５２）に繋がる。アダプター（１１５６）は、ＬＡＮ（１１５２）への有線または無線通信を容易にすることができ、このＬＡＮ（１１５２）は、また無線アダプター（１１５６）と通信するためにそれに設置されている無線アクセスポイントを含む。ＷＡＮネットワーキング環境で使われるとき、コンピューター（１１０２）は、モデム（１１５８）を含むことができたり、ＷＡＮ（１１５４）上の通信サーバーに繋がったり、またはインターネットを通じる等、ＷＡＮ（１１５４）を通じて通信を設定するその他の手段を持つ。内蔵型又は外付け型、そして、有線または無線装置になり得るモデム（１１５８）は、直列ポートインターフェース（１１４２）を通じてシステムバス（１１０８）に繋がる。ネットワーク化された環境において、コンピューター（１１０２）について説明されたプログラムモジュールまたはその一部分が、遠隔メモリー／保存装置（１１５０）に保存されることができる。図示されたネットワーク接続が例示的なものであり、複数のコンピューター間で通信リンクを設定する他の手段が使われることができるということは容易に理解できることである。
【0104】
コンピューター（１１０２）は、無線通信で配置されて動作する任意の無線装置またはユニット、例えば、プリンター、スキャナー、デスクトップ及び／または携帯用コンピューター、ＰＤＡ（ｐｏｒｔａｂｌｅ ｄａｔａ ａｓｓｉｓｔａｎｔ）、通信衛星、無線で検出可能なタグに係る任意の装備または場所及、及び電話と通信する動作をする。これは、少なくともＷｉ－Ｆｉ及びブルートゥース（登録商標）無線技術を含む。従って、通信は、従来のネットワークのように予め定義された構造であったり、単純に少なくとも２つの装置の間でのアドホック通信（ａｄ ｈｏｃ ｃｏｍｍｕｎｉｃａｔｉｏｎ）になり得る。
【0105】
Ｗｉ－Ｆｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）は、有線で繋がっていなくても、インターネット等への接続を可能にする。Ｗｉ－Ｆｉは、このような装置、例えば、コンピューターが室内及び室外で、つまり基地局の通話圏内のどこからでもデータを送受信できるようにするセル電話のような無線技術である。Ｗｉ－Ｆｉネットワークは、安全で信頼性があり、高速である無線接続を提供するためにＩＥＥＥ８０２．１１（ａ、ｂ、ｇ、その他）という無線技術を使う。コンピューターを互いに、インターネット及び有線ネットワーク（ＩＥＥＥ８０２．３またはイーサネットを使う）に接続するためにＷｉ－Ｆｉが使われることができる。Ｗｉ－Ｆｉネットワークは、非認可２．４や５ＧＨｚの無線帯域において、例えば、１１Ｍｂｐｓ（８０２．１１ａ）または５４Ｍｂｐｓ（８０２．１１ｂ）のデータレートで動作したり、両帯域（デュエル帯域）を含む製品において動作することができる。
【0106】
本開示の技術分野における通常の知識を持つ者は情報及び信号が任意の多様な異なる技術及び手法を利用して示されることができることを理会できる。例えば、前記の説明において参照できるデータ、指示、命令、情報、信号、ビット、シンボル及びチップは、電圧、電流、電磁気派、磁場等または粒子、光学場等または粒子、またはこれらの任意の組み合わせによって示されることができる。
【0107】
本開示の技術分野において通常の知識を持つ者は、ここに開示された実施例に係る説明で取り挙げられた多様な例示的な論理ブロック、モジュール、プロセッサー、手段、回路、アルゴリズム段階が電子ハードウェア、（利便性のために、ここでは「ソフトウェア」と称される）多様な形のプログラムまたは設計コード、またはこれらすべての結合により実装されることができることを理解できるだろう。ハードウェア及びソフトウェアのこのような相互互換性を明確に説明するために、多様な例示的なコンポーネント、ブロック、モジュール、回路、及び段階がこれらの機能に着目して前記で一般的に説明された。このような機能がハードウェアやソフトウェアで実装されるかどうかは、特定のアプリケーションおよび全体システムに対して付与される設計上の制限によって決まる。本開示の技術分野において通常の知識を持つ者は、個々の特定のアプリケーションについて多様な手法で説明された機能を実現することができるが、このような実現の決定は、本開示の範囲を逸脱するものと解釈されてはならない。
【0108】
ここに示された多様な実施例は、方法、装置、または標準プログラミング及び／またはエンジニアリング技術を使った製造物品（ａｒｔｉｃｌｅ）によって実現できる。用語「製造物品」は、任意のコンピューターで可読な装置からアクセス可能なコンピュータープログラム、キャリアー、または媒体（ｍｅｄｉａ）を含む。例えば、コンピューターで可読保存媒体は、磁気保存装置（例えば、ハードディスク、フロッピーディスク、磁気ストリップ等）、光学ディスク（例えば、ＣＤ、ＤＶＤ等）、スマートカード及びフラッシュメモリー装置（例えば、ＥＥＰＲＯＭ、カード、スティック、キードライブ等）を含むが、これらに限定されるものではない。また、ここに示されている多様は保存媒体は、情報を保存するための１つ以上の装置及び／または他の機械可読媒体を含む。
示されたプロセスにおける複数の段階の特定の順番または階層構造は、例示的なアプローチの一例であることを理解すべきである。設計上の優先順位に基づき、本開示の範囲内で、プロセスにおける段階の特定の順番または階層構造が再配列されることができることを理解すべきである。添付の方法請求項は、サンプルとしての順番で、多様な段階のエレメントを提供するが、示された特定の順番または階層構造に限定されることを意味するわけではない。
示されたプロセスにおける複数の段階の特定の順番または階層構造は、例示的なアプローチの一例であることを理解すべきである。設計上の優先順位に基づき、本開示の範囲内で、プロセスにおける段階の特定の順番または階層構造が再配列されることができることを理解すべきである。添付の方法請求項は、サンプルとしての順番で、多様な段階のエレメントを提供するが、示された特定の順番または階層構造に限定されることを意味するわけではない。
【0109】
示された実施例に関する説明は、任意の本開示の技術分野において通常の知識を持つ者が、本開示を利用したりまたは実施できるように提供される。このような実施例に対する多様な変形は、本開示の技術分野において通常の知識を持つ者には明確に理解できるものであり、ここに定義された一般的な原理は、本開示の範囲を逸脱することなく他の実施例に適用されることができる。従って、本開示はここに示す実施例によって限定されるものではなく、ここに示す原理及び新規な特徴と一貫する最広義の範囲で解釈されるべきである。
【発明を実施するための形態】
【0110】
前記のように、発明を実施するための最良の形態で関連内容を記述した。
【産業上の利用可能性】
【0111】
本発明は、生体信号を分析するコンピューティングデバイスなどに用いられることができる。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【国際調査報告】