관성 센서 신호의 딥러닝을 통한 파킨슨병 환자 판별 알고리즘 :Parkinson's Disease Patient Discrimination Algorithm through Deep Learning of IMU Sensor Signals

박동준

추천

검색

자료유형: 학위논문

저자정보: 박동준 (부산대학교, 부산대학교 대학원)

지도교수: 정의봉

발행연도: 2021

저작권: 부산대학교 논문은 저작권에 의해 보호받습니다.

이용수28

이 논문의 연구 히스토리 (5)

2021

관성 센서 신호의 딥러닝을 통한 파킨슨병 환자 판별 알고리즘

박동준 기계공학부 2021.01 학위논문

2020

DNN을 이용한 파킨슨병 환자 분류

박동준 , 이준우 , 안세진 외 1명 한국소음진동공학회 학술대회논문집 2020.11 학술대회자료

딥러닝을 이용한 파킨슨병 서동증의 중증도 평가

박동준 , 이준우 , 안세진 외 1명 한국소음진동공학회 학술대회논문집 2020.06 학술대회자료

2019

딥러닝을 이용한 파킨슨병 환자의 진단을 위한 기초적 연구

박동준 , 이준우 , 안세진 외 1명 한국소음진동공학회 학술대회논문집 2019.10 학술대회자료

2018

IMU 센서를 이용한 파킨슨병 환자의 진단을 위한 기초적 연구

박동준 , 이준우 , 안세진 외 1명 한국소음진동공학회 학술대회논문집 2018.10 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

현재 우리나라는 고령화로 인하여 파킨슨병 환자의 수가 증가하고 있고, 이로 인한 노인 의료비 증가가 큰 사회적 문제로 대두되고 있다. 이를 해소하기 위하여 파킨슨병의 효율적인 진단 및 예방에 대한 필요성이 요구되고 있다. 파킨슨병의 진단에 있어 필수적인 징후로는 운동장애가 있으며, 현재 운동장애를 진단하는 방법은 임상 의사가 환자에게 특정한 반복 동작을 요구하고 이때의 움직임을 육안으로 경험적, 주관적 판단에 따라 평가한다. 이것은 사람마다 평가 시점마다 편차가 발생하며, 정량적인 평가 및 데이터베이스화가 되지 못한다는 단점이 있다. 이러한 문제를 해소하기 위하여 본 연구에서는 IMU(Inertial Measurement Unit) 센서 장비를 이용해 평가 시 움직임을 정량화 하고자 하였다. 또한 정량화된 지표들을 입력 신호로 한 딥러닝 모델을 제안하여 평가 시 환자와 정상 노인을 판별하고자 하였다.
먼저 대표적인 파킨슨병 평가 척도인 UPDRS(Unified Parkinson’s Disease Rating Scale) 중 3가지의 검사 방법을 본 연구의 운동장애 평가 방법으로 선정하였다. 또한 선정된 검사 방법에 적합한 IMU 센서 장비를 자체 제작하였다. 이 장비를 이용하여 평가 시 움직임을 측정하고 신호처리를 통해 정량적 운동장애 평가 지표 11개를 도출하였다. 도출된 평가 지표들과 신경과 임상 의사(MJ Lee)의 UPDRS 평가 점수와의 상관도 분석을 진행하였고 그 결과 3가지 평가 모두에서 유의한 상관관계가 있음을 확인하였다.(Spearman’s rank correlation analysis, r > 0.7, p < 0.001) 이것으로 제안하는 지표들이 임상에서 운동장애의 중증도를 평가하는데 유용하게 활용될 수 있음을 확인하였다.
다음으로는 제안하는 지표들을 이용한 딥러닝으로 파킨슨병 환자와 정상인을 판별하고자 하였다. 본 연구에서 제안하는 파킨슨병 환자 판별 딥러닝 모델을 기존 임상 연구에서 활용되던 로지스틱 회귀 분석 모델과 비교하였고, 두 모델 모두 이전 연구들과 유사한 수준인 매우 정확한(AUC > 0.9) 판별 성능을 가지는 것을 확인하였다. 이것으로 딥러닝 모델이 임상에서 파킨슨병을 판별하는 모델로 충분히 활용가치가 있을 것이라고 판단되었다. 특히 3가지 시험의 평가 지표들을 모두 활용한 통합 모델을 제시하여, 신경과 및 가정의학과 임상 의사들의 영상 진단 결과들과 비교하였다. 그 결과 신경과 전문의와는 비슷한 판별 성능(AUC = 0.926, DeLong’s test p = 0.926)을, 가정의학과 전문의들에 비해서는 유의미하게 높은 판별 성능(AUC = 0.926, DeLong’s test p = 0.023)을 보이는 것을 확인하였다. 이에 따라 본 연구에서 제안하는 딥러닝 통합 모델은 신경과 임상 현장에서의 진단에 도움을 줄 수 있을 것이라고 판단되었다. 또한 타 전문의 혹은 보건복지 현장에서도 유용하게 활용되어 파킨슨병의 조기진단에도 도움을 줄 수 있을 것이 기대된다.

Currently, the number of Parkinson''s disease patients is increasing due to aging in Korea. The increase in medical expenses for the elderly is emerging as a big social problem. In order to solve this, there is a need for efficient diagnosis and prevention of Parkinson''s disease. An essential symptom in the diagnosis of Parkinson''s disease is movement disorder. The current method of diagnosing movement disorder is that the clinical physician asks the patient to perform specific repetitive movements, and the movement is evaluated with the naked eye according to empirical and subjective judgments. This has the disadvantage that variations occur at each evaluation time and each physician. Quantitative evaluation and database cannot be established. In order to solve this problem, this study attempted to quantify movement during evaluation by using IMU(Inertial Measurement Unit) sensor equipment. In addition, a deep learning model with quantified features as input signals was proposed to discriminate between patients and normal elderly people during evaluation.
First, three tests of UPDRS(Unified Parkinson''s Disease Rating Scale), a representative Parkinson''s Disease Rating Scale, were selected as the method of evaluating movement disorders in this study. In addition, the IMU sensor equipment suitable for the selected evaluation method was manufactured in-house. Movement was measured during evaluation using this equipment. 11 quantitative movement disorder evaluation features were derived through signal processing. The correlation between the derived evaluation features and the neurologist''s UPDRS evaluation score was also performed. As a result, it was confirmed that there was a significant correlation in all three evaluations (Spearman''s rank correlation analysis, r > 0.7, p < 0.001) It was confirmed that the proposed features can be usefully used to evaluate the severity of movement disorders in clinical practice.
Next, we tried to discriminate between patients with Parkinson''s movement disorder and normal elderly through deep learning using the proposed features. The deep learning model for discriminating Parkinson''s movement disorders proposed in this study was compared with the logistic regression model used in existing clinical studies. It was confirmed that both models have similar levels of good performance (AUC> 0.9) as in previous studies. With this, it was judged that the deep learning model would have sufficient utility value as a model for discriminating movement disorders in clinical practice. In particular, an integrated model using all the evaluation features of the three tests was presented and compared with the video evaluation results of neurology and family medicine clinicians. As a result, it was confirmed that it showed similar discriminant performance (AUC = 0.926, DeLong''s test p = 0.926) than that of neurologists, and significantly higher discriminant performance (AUC = 0.926, DeLong''s test p = 0.023) than those of family medicine specialists. Accordingly, it was judged that the integrated deep learning model proposed in this study could be helpful for diagnosis in the neurology clinical field. In addition, it is expected to be useful in other specialists or health and welfare fields, helping to early diagnosis of Parkinson''s movement disorder.

#관성센서시호 #딥러닝 #센서신호

I. 서론 1
1. 연구 배경 1
2. 연구 목적 5
II. 운동장애 평가 지표 7
1. 운동장애 평가 방법 7
2. 시험 장비 및 신호 처리 13
가. 시험 장비 13
나. 신호 처리 17
3. 임상 특성 관련 지표 19
4. 신호 특성 관련 지표 23
5. 평가 지표 검증 방법 27
가. 환자 군과 정상 군의 차이 27
나. 임상 의사 평가 점수와의 상관도 28
III. 운동장애 판별 알고리즘 30
1. 딥러닝 30
가. 이론적 개요 30
나. Receiver operating characteristic 35
다. 딥러닝 판별 모델 39
2. 로지스틱 회귀 분석 42
가. 이론적 개요 42
나. Recursive feature elimination 43
다. 로지스틱 회귀 분석 판별 모델 45
IV. 운동장애 평가 시험 46
1. 피시험자 46
2. 시험 절차 48
V. 시험 결과 51
1. 평가 지표 검증 51
가. 환자 군과 정상 군 간의 차이 51
나. 임상 의사 평가 점수와의 상관도 67
2. 판별 알고리즘 적용 72
가. 임상 의사들의 판별 결과 72
나. 로지스틱 회귀 분석 판별 결과 73
다. 딥러닝 판별 결과 78
Ⅵ. 결론 82
참고문헌 85
Abstract 91

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (5)

초록· 키워드

목차

최근 본 자료

댓글(0)