지능형 인큐베이터 시스템 및 그 제어방법

지능형 인큐베이터 시스템 및 그 제어방법{Artificial Intelligence Incubator System and control method thereof}

본 발명은 지능형 인큐베이터 시스템 및 그 제어방법에 관한 것으로서, 보다 상세하게는 측정된 환자상태에 대한 각종 정보 데이터를 해당 환자의 정상상태 유지를 위한 각종 치료장치들의 제어 데이터로 가공하고 그 가공된 데이터에 의거하여 해당 치료장치의 출력을 자동 제어함으로써, 환자의 상태감시와 그에 따른 진단 및 치료작용을 폐루프 자동제어화하는 지능형 인큐베이터 시스템 및 그 제어방법에 관한 것이다.

일반적으로 인큐베이터(incubator) 시스템이란, 예컨대 미성숙 유아와 같이 비정상상태에 있는 환자를 일시적으로 보육하고 적절한 치료과정을 거쳐 정상상태로 회복시키는 기능을 갖는 중요한 의료 장치를 말한다.

도 1은 일반적인 종래 인큐베이터 시스템의 블록도로서, 환자(11)가 있는 밀폐 공간내의 온도, 습도, 산소 등의 환경을 적정한 수준으로 만들어 주는 보육기(12); 환자(11)의 호흡수 및 호흡압력 등을 조절하여 인공적으로 호흡시키기 위한 인공호흡기(13); 환자(11)에게 각종 치료제를 주사하기 위한 치료제 투입용 주사기(14); 그 밖의 환자 치료용 장치들(미도시); 및 환자(11)의 심전도, 혈압, 호흡수 등 상태를 측정하는 각종 측정장치(15)로 구성되어 있다.

현재 병원에서는 도 1과 같은 종래의 인큐베이터 시스템을 운영하는데 있어서, 24시간 내내 의사, 간호사, 및/또는 관리요원 등 다수의 인력이 투입되어 상기 각종 측정장치(15)를 통하여 환자의 신체 변화 상태를 감시하고, 그 감시 결과에 따라 상기 보육기(12), 호흡기(13) 및 주사기(14) 등의 각종 치료장치들에 구비되어 있는 수동적 입력장치를 통하여 상기 보육기(12)의 환경을 재설정하거나, 상기 인공호흡기(13)의 호흡을 재조정하거나, 또는 상기 주사기(14)의 주사투입량을 재조정하고 있으며, 또한 상기 각종 측정장치(15)를 비롯한 전체 시스템의 오동작에 대한 감시를 수행하고 있다.

그런데, 상기와 같은 종래의 인큐베이터 시스템은 의사나 간호사가 다수의 측정 장치로부터 나오는 측정값을 토대로 환자의 현재 상태를 인식하고, 정상 또는 비정상 상태를 판단하여 자신의 치료경험과 의학적 지식을 기반으로 보육기, 호흡기, 주사기 등의 각종 치료장치의 설정입력을 수작업으로 조정해야 하기 때문에, 다수의 인력 및 시간 투입에 따른 경제적 낭비와 수동 조작의 번거로움 및 환자의 치료 방법에 대한 의사 결정을 위해 수많은 상태자료를 참조해야하는데서 비롯되는 진단 오류의 가능성 등의 많은 문제점이 발생되었다.

본 발명은 상기와 같은 문제점을 해결하기 위하여 창작된 것으로서, 그 목적은 환자의 상태감시와 그에 따른 진단 및 치료작용을 폐루프 자동제어화하는 지능형 인큐베이터 시스템 및 그 제어방법을 제공하고자 하는 것이다.

도 1은 일반적인 종래 인큐베이터 시스템의 블록도이고,

도 2는 본 발명의 일 실시예에 따른 지능형 인큐베이터 시스템의 블록도이고,

도 3은 도 2의 인공지능 제어기의 뉴럴 네트워크 구동형 퍼지 추론 모델의 알고리즘에 대한 구성도이고,

도 4는 도 2의 인공지능 제어기의 뉴럴 네트워크 구동형 퍼지 추론 모델의 구현을 위하여 입력이 2개라 가정하여 분류된 그룹 데이타를 2차원 평면상에 나타낸 도면이고,

도 5는 도 2의 인공지능 제어기의 추론 룰을 구현하는 다른 구성예를 도시한 도면이다.

※ 도면의 주요부분에 대한 부호의 설명

20 : 보육/치료 장치 21 ; 보육기

22 : 호흡기 23 : 주사기

30 : 환자 40 : 측정 장치

50 : 인공지능 제어기

상기와 같은 목적을 달성하기 위하여 본 발명에 따른 지능형 인큐베이터 시스템은, 해당 설정값에 따라 일정 공간내의 온도, 습도 및 산소량을 포함하는 공기 환경을 조절하기 위한 환경조절수단과, 해당 설정값에 따라 폐 호흡 생명체를 인공적으로 호흡시키기 위한 인공호흡수단과, 해당 설정값에 따라 상기 생명체에게 각종 주사제(注射劑)를 주사하기 위한 주사수단을 포함하는 보육/치료 장치; 상기 보육/치료 장치에 의해 보육 및/또는 치료되고 있는 대상체로서의 상기 생명체의(의학적, 생물학적 신진대사 등) 상태를 측정하는 측정수단; 및 상기 생명체의 상태와 상기 보육/치료장치의 출력간의 상관 관계에 대한 통계적 정보를 토대로 만들어진 뉴럴 네트워크(Neural Network) 구동형 퍼지(fuzzy) 추론 모델을 기반으로, 상기 측정수단에 의해 측정된 상기 생명체의 상태 데이터를 상기 보육/치료 장치의 상기 각종 설정값에 대한 제어변수값으로 가공하고, 그 가공된 제어변수값에 의거하여 상기 보육/치료 장치의 출력을 제어하는 인공지능 제어수단을 포함하여 구성된다.

상기와 같은 목적을 달성하기 위하여 본 발명에 따른 지능형 인큐베이터 시스템의 제어 방법은, 설정값에 따라 일정 공간내의 온도, 습도 및 산소량을 포함하는 공기 환경을 조절하는 보육기와, 설정값에 따라 폐 호흡 생명체를 인공적으로 호흡시키기 위한 인공호흡기와, 설정값에 따라 생명체에게 각종 주사제(注射劑)를 주사하기 위한 주사장치를 포함하는 보육/치료 장치를 구비하고, 해당 생명체의 상태에 따라 상기 보육/치료 장치의 상기 설정값을 수동 가변하는 방법에 있어서, 생명체의 상태 데이터에 대한 상기 보육/치료 장치의 상기 설정값의 통계적 분포에근거하여 복수개의 퍼지 추론 룰을 구성하되, 그 복수개의 퍼지 추론 룰을 뉴럴 네트워크 구조로 만드는 단계; 생명체의 보육 및/또는 치료에 대한 전문적인 정보에 근거하여, 생명체의 상태 데이터와 이를 토대로 한 상기 각 보육/치료장치의 설정 값을 상기 복수개의 퍼지 추론 룰에 대응되는 복수개의 그룹으로 구분하여 구축하되, 상기 구축된 각 그룹을 뉴럴 네트워크 구조로 만드는 단계; 학습을 위한 생명체의 각종 상태 데이터를 상기 추론 룰의 갯수 만큼의 그룹으로 각각 분할하는 단계; 상기 뉴럴 네트워크 구동형 퍼지 추론 룰 및 상기 분할된 데이터에 의거한 반복학습을 통하여 상기 뉴럴 네트워크의 결합 계수를 결정함과 아울러, 상기 각 그룹의 뉴럴 네트워크 구조 및 상기 분할된 데이터에 의거한 반복학습을 통하여 상기 각 그룹의 뉴럴 네트워크의 결합 계수를 결정하는 단계; 상기 학습된 뉴럴 네트워크 구동형 퍼지 추론 모델에 의거하여, 해당 생명체로부터 측정입력된 상태 데이터의 멤버쉽 값을 결정하는 단계; 상기 학습된 각 그룹의 뉴럴 네트워크 모델에 의거하여, 상기 측정 입력된 상태 데이터에 대한 상기 보육/치료 장치의 해당 설정값의 추정값을 결정하는 단계; 및 상기 결정된 멤버쉽 값 및 추정값에 의거하여 상기 보육/치료 장치의 해당 설정값을 산출하고, 그 산출된 설정값에 의거하여 해당하는 상기 보육/치료 장치의 출력을 제어하는 단계를 포함하여 구성된다.

이와 같은 본 발명은, 생명체의 상태 인식을 토대로 해당 전문인의 치료 경험, 생명체에 대한 전문적 지식을 인공지능의 지식 기반 시스템으로 구축하여 시스템 스스로가 판단기능을 갖도록 하므로써, 해당 보육/치료 장치를 적절히 조절 및 제어하여 생명체가 정상적으로 보육, 치료, 및/또는 회복되도록 유도한다.

이하, 첨부 도면을 참조하여 본 발명의 바람직한 실시예에 따른 지능형 인큐베이터 시스템 및 그 제어 방법에 대하여 상세히 설명하기로 한다.

도 2는 본 발명의 일 실시예에 따른 지능형 인큐베이터 시스템의 블록도로서, 공기의 온도, 습도, 산소 , 분압, 공기유량에 대한 각 설정값에 따라 조절된 공기를 출력하여 일정공간 내로 공급되는 공기의 품질을 조절하는 보육기(21)와, 호기/흡기 압력, 산소농도, 단위 시간당 호흡수, 습도, 온도에 대한 각 설정값에 따라 조절된 산소를 출력하여 폐 호흡 생명체(이하 '환자'라 함)(30)를 인공적으로 호흡시키기 위한 인공호흡기(22)와, 주사량에 대한 설정값에 따라 실제 주사량을 조절 출력하여 상기 환자(30)에게 각종 치료제를 주사하기 위한 치료제 투입용 주사기(23)를 포함하는 보육/치료장치(20); 상기 환자(30)의 의학적, 생물학적, 신진대사 등의 상태를 나타내는 맥박수와 부정맥을 포함하는 심전도, 호흡수, 산소 포화도, 경피 산소 분압, 경피 이산화 탄소 분압, 체온, 체중, 및 나이를 포함하는 각종 상태 데이터를 측정,입력하는 측정장치(40); 및 상기 환자(30)의 상태 데이터 및 그 상태 데이터에 대한 상기 보육/치료장치(20)의 출력간의 상관 관계에 대한 통계적 정보를 토대로 만들어진 뉴럴 네트워크(Neural Network) 구동형 퍼지(fuzzy) 추론 모델을 기반으로, 상기 측정장치(40)에 의해 측정된 상기 환자(30)의 각종 상태 데이터를 상기 보육/치료 장치(20)의 상기 각종 설정값에 대한 제어변수값으로 가공하고, 그 가공된 제어변수값에 의거하여 상기 보육/치료 장치(20)의 각종 출력을 제어하는 인공지능 제어기(50)로 구성되어 있다.

도 2를 보면, 본 발명은 상기 보육/치료장치(20), 상기 환자(30), 상기 측정장치(40) 및 인공지능제어기(50)로 구성되는 폐 루프 시스템을 형성한다. 상기 인공지능 제어기(50)는 환자(30)의 상태를 상기 측정장치(40)를 통해 피드백으로 입력받고, 상기 뉴럴 네트워크(Neural Network) 구동형 퍼지(fuzzy) 추론 모델에 기반하여 상기 입력된 환자의 상태 데이터를 상기 각종 설정값에 대한 제어변수값으로 가공 출력하여, 상기 보육기(21), 인공호흡기(22), 및/또는 주사기(23)을 포함하는 보육/치료 장치(20)의 입력신호로 내보냄으로써, 상기 각종 보육/치료 장치(20)를 통하여 환자(30)라는 제어대상을 제어하는 것이다.

동력학적 관점에서 해석하면 상기 인공 제어기(50)는 환자(30)의 현재 상태와 동특성에 관한 지식(의사의 치료경험, 인체에 관한 의학적 지식 등)을 토대로 적절한 과정을 거쳐 환자를 안정한 평형상태(즉 정상상태로 회복)로 되돌리는 기능을 수행하는 것으로 볼 수 있다.

본 발명의 시스템을 구성하는 각 블록의 입·출력 신호의 내용을 기술하면 다음과 같다.

상기 보육기(21)의 입력은 그 보육기(21) 내부로 공급되는 공기의 온도, 습도, 산소 분압, 공기 유량의 설정 값이 되고, 출력은 그 설정된 값으로 조절된 공기가 된다. 상기 인공호흡기(22)의 입력은 호기/흡기 압력, 산소농도, 단위 시간당 호흡수, 습도, 온도의 설정 값이 되고, 출력은 상기 설정값에 의해 조절된 산소가 된다. 상기 치료제 투입 주사기(23)의 입력은 치료제 주사량에 대한 설정 값이 되고, 출력은 그 설정값에 따른 실제 주사량이 된다. 상기 환자(30)의 입력은 상기보육기(21), 호흡기(22), 주사기(23)를 포함하는 보육/치료장치(20)의 각종 출력이 되고, 출력은 환자 상태로서 심전도(맥박수, 부 정맥), 혈압, 호흡수, 산소 포화도, 경피 산소 분압, 경피 이산화탄소 분압, 체온, 체중, 나이 등이 된다.

상기 인공지능 제어기(50)는 상술된 입·출력 신호의 내용에 대한 정보를 획득하고, 상기 환자(30)의 각종 상태 데이터 및 그 상태 데이터에 대한 상기 보육/치료장치(20)의 선택적 출력간의 상관 관계에 대한 전문적인 지식 및 통계적 정보를 토대로하여 구축된 뉴럴 네트워크(Neural Network) 구동형 퍼지(fuzzy) 추론 모델을 기반으로, 상기 측정장치(40)에 의해 측정된 상기 환자(30)의 현재 상태 데이터를 상기 보육/치료 장치(20)의 상기 각종 설정값에 대한 제어변수값으로 가공하고, 그 가공된 제어변수값에 의거하여 상기 보육/치료 장치(20)의 각종 출력을 제어하는 것인 바, 상기 뉴럴 네트워크(Neural Network) 구동형 퍼지(fuzzy) 추론 모델의 구축 및 이를 기반으로 한 본 발명의 제어 방법에 대하여 이하 상세히 설명하기로 한다.

도 3은 도 2의 인공지능 제어기(50)의 뉴럴 네트워크 구동형 퍼지 추론 모델의 알고리즘에 대한 구성도로서, 먼저 멤버쉽 값의 결정방법에 대해 설명하면, 퍼지 추론 모델은 의사의 전문적인 지식과 환자의 각종 상태 데이터에 대한 상기 보육/치료 장치(20)의 설정값의 통계적 분포를 이용하여 퍼지 추론 룰을 구성하고, 학습을 위한 환자의 상태 데이터를 룰의 갯수 만큼의 그룹으로 분할하고, 학습을 통하여 뉴럴 네트워크(NNm)의 각층의 유니트들의 결합 계수를 결정한다. 이와 같이학습된 뉴럴 네트워크 모델로부터 실제 상태 데이터들(x _i1 ,x _i2 ,...,x _in )의 멤버쉽 값(μF1,μF2,...μFr)이 결정된다.

다음, 상기 인공지능 제어기(50) 출력 값 결정에 대해 설명하면, 학습을 위한 환자의 상태 데이터와 이를 토대로 한 출력 값 즉, 보육/치료장치(20)의 설정 값을 룰에 따라 구분하고, 학습을 통하여 뉴럴 네트워크의 결합계수를 결정한다. 학습된 뉴럴 네트워크 모델(NN1∼NNr)로부터 실제 상태 입력(x _i1 ,x _i2 ,...,x _in )에 대한 추정된 출력 값(y _ei ¹ ,y _ei ² ,...y _ei ^r )을 구하고 앞서 구한 멤버쉽 값(μF1,μF2,...μFr)과 결합하여 환자(30)의 상태를 제어하기 위한 상기 보육/치료장치(20)의 설정 값(y _i ^* )을 구한다.

이와 같은 상기 인공지능 제어기(50)의 뉴럴 네트워크 구동형 퍼지 추론 모델의 구동 알고리즘에 대하여 단계별로 보다 상세히 설명하면 다음과 같다.

먼저, 제 1 단계에서 출력y_i 에 관계되는 입력 변수 값을 결정한다. 예를 들어, 환자의 혈압, 호흡수, 체온이 보육기 내의 온도에 밀접하게 관계 된다면, 제어기(50)의 입력변수 x_i는 환자로부터 측정하여 피드백(feedback) 되는 혈압, 호흡수, 체온이 되며 제어기(50) 출력은 상기 보육기(21)의 설정온도가 된다. 기호로 나타내면 입력변수 x _i ^T = (x _i1 , x _i2 , x _i3 )이고, x _i1 은 혈압, x _i2 는 호흡수, x _i3 는 체온, y _i 는 설정온도, i는 타임 시퀀스(time sequence)를 나타낸다.

제 2 단계에서, 상기 제 1 단계와 같이 결정되는 변수 값에 대한 입출력 데이터를 도 4에 도시된 바와 같이 추론룰의 갯수 만큼인 r개의 그룹으로 분할하고, 각 그룹을 G _j (j = 1,2,...,r)로 나타낸다. 예를 들어, 의사의 치료경험 및 의학적 지식으로부터 확보된 데이타를 출력의 통계적 분포에 따라 r개의 그룹으로 분류한다. 편의상 입력이 2개라 가정하여 분류된 그룹 데이타를 2차원 평면상에 도 4와 같이 나타낼 수 있다.

제 3 단계에서, 도 3의 멤버쉽 함수의 뉴럴 네트워크 구조 NNm 과 r개의 그룹으로 분할 된 상기 데이타로부터 반복학습에 의해 네트워크의 결합계수를 결정하는 바, 예를 들어 입력 데이타 x _i 가 G ₂ 그룹에 속할 경우 NNm의 출력은 ( 0, 1, 0, 0 ··· , 0)이 된다.

제 4 단계에서, 도 3의 뉴럴 네트워크 구조 NN1 , NN2 , ··· NNr 과 분할된 데이타 그룹 즉 (x _i ^j , y _i ^j )로부터 반복 학습에 의해 네트워크 결합계수를 결정한다. 예를 들어, 입력 데이타가 G ₂ 그룹에 속하는 데이타라면 NN ₂ 구조에 적용하여 결합계수를 결정한다.

최종 제 5 단계에서, 일반적으로 실시간에 측정하여 추출되는 데이타(즉 환자의 상태 데 이타)는 대체로 일정 범위내에서 랜덤(random)하게 분포되어 있을 것이다. 이때 상기 제어기(50)의 출력값은 상기 4단계로부터 결정된 추론 네트워크 구조로부터 다음 수학식 (1)에 의거하여 결정한다.

예를 들어, 멤버쉽 함수 NNm의 출력이 "μF _j (x _i ) = (0.5, 0.2, 0.2), j=1,2,3"이고, NNj의 출력이 "y ^j _ei = (3, 1, 0.5)" 일 때, "y _i ^* = 0.8/0.9 = 2" 가 되며, 데이타 조작시에 설정한 적절한 비례축소계수(scaling factor)를 적용하여 최종 출력값을 구하고 이 값을 상기 제어기(50)의 출력으로 한다.

도 5는 도 2의 인공지능 제어기의 추론 룰을 구현하는 다른 구성예를 도시한 것으로서, 여기서 출력 y ^* 는 다음과 같이 구한다.

제 1 단계에서, 입·출력 데이타의 통계적 분포로부터 퍼지추론 규칙을 r개 설정한다. 예를 들어, R ⁱ : IF x ₁ 이 A _i1.1 이고, x ₂ 가 A _i2,2 THEN y = ω _i (x ₁ ,x ₂ )이다, 여기서 입력변수는 x ₁ ,x ₂ 의 2개로 가정하였고, i = 1, 2, ..., r (추론 룰의 개수)이고, A _i1.1 및 A _i2,2 는 학습에 의해 결정되는 입력변수 x ₁ ,x ₂ 의 멤버쉽 함수이고, i ₁ ,i ₂ 는 입력변수 x ₁ ,x ₂ 각각에 대한 멤버쉽 함수의 종류이고, ω _i 는 학습에 의해 결정되는 각 추론 규칙에 해당하는 추론 값이다.

제 2 단계에서, 하기 수학식 (2)에 의거하여 각 입력변수의 멤버쉽 함수로부터 멤버쉽 값을 구한다.

마지막으로 제 3 단계에서, 하기 수학식 (3)에 의거하여 출력의 추론값 y ^* 를 결정한다.

이상 상세히 설명한 바와 같이 본 발명에 따른 지능형 인큐베이터 시스템 및 그 제어방법에 의하면,

기존의 수동으로 조정되어 설정 값에 따라 동작하는 개루프 보육기 시스템(Open loop incubator system)을 뉴럴 네트 구동형 퍼지 추론 모델에 기반한 인공지능 제어기를 구현하여 폐루프 시스템으로 구성함으로써 환자의 상태를 자동으로 제어하여 정상상태로 회복 시킨다. 따라서, 본 발명에 따른 폐루프 자동제어 시스템의 구축에 따라 기존의 인큐베이터 시스템에서의 다수의 인력 투입에 따른 경제적 낭비를 대폭 줄이고 빈번한 환자상태 감시에서 비롯되는 진단과 치료의 오류를 감소시키는 효과가 있다.