KR20180111926A - 각성도 예측 시스템 및 방법 - Google Patents

각성도 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20180111926A
KR20180111926A KR1020187025602A KR20187025602A KR20180111926A KR 20180111926 A KR20180111926 A KR 20180111926A KR 1020187025602 A KR1020187025602 A KR 1020187025602A KR 20187025602 A KR20187025602 A KR 20187025602A KR 20180111926 A KR20180111926 A KR 20180111926A
Authority
KR
South Korea
Prior art keywords
individual
data
processor
rhythm
information signals
Prior art date
Application number
KR1020187025602A
Other languages
English (en)
Inventor
매트 케년
콜린 페인-로저스
조쉬 존스
Original Assignee
커이지스 테크놀로지스, 인크.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 커이지스 테크놀로지스, 인크. filed Critical 커이지스 테크놀로지스, 인크.
Publication of KR20180111926A publication Critical patent/KR20180111926A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4857—Indicating the phase of biorhythm
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Anesthesiology (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)

Abstract

착용식 장치와 같은 장치에 사용하기 위한 각성도 예측 생체-수학적 모델로 각성도 레벨의 더욱 정확한 추정을 생성하기 위해 모니터링되는 개인으로부터의 데이터를 수집함으로써 피로 및 각성도를 예측하는 이전 모델을 향상시킨다. 생체-수학적 모델은 수면-각성 항상성 및 일주기 리듬 측면들을 통합하는 2-프로세스 알고리즘일 수 있다. 상기 모델의 수면-각성 항상성 측면은 수면 및 각성 평가의 정확성을 향상시키기 위해 말초 피부, 주변 광 및 심장 박동수 측정치와 함께 액티그래피 측정치를 사용함으로써 향상된다. 일주기 리듬 모델 측면은 말초 피부, 심장 박수 및 액티그래피 데이터를 사용함으로써 피로 예측 및 평가를 향상시킨다. 수면-각성 항상성 및 일주기 리듬 측면들은 또한 사용자로부터의 정보뿐만 아니라 추가의 객관적 및 주관적 측정치들과 결합되어 각성도 추정의 정확성을 더욱 향상시킬 수 있다.

Description

각성도 예측 시스템 및 방법
관련 출원들에 대한 상호 참조
본 출원은 2016년 2월 18일에 출원된 각성도 예측 알고리즘이라는 제목의 미국 가출원 일련번호 62/296,800[대리인 문서 번호 TVC-141USP] 및 2016년 12월 12일에 출원된 각성도 예측 시스템 및 방법이라는 제목의 미국 가출원 일련번호 62/432,977[대리인 문서 번호 TVC-141USP1]에 대한 우선권을 주장하며, 각각의 내용은 본원에 참조로서 완전히 포함되었다.
본 발명은 각성도(alertness) 예측 시스템 및 방법에 관한 것이다.
개인의 각성도의 미확인 저하는 점점 더 큰 관심사이며 일부 지역에서의 결과들은 급속한 확산으로 다가오고 있다. 예를 들어, 하루에 250,000 명의 운전자들이 운전대를 잡고서 졸고 있는 것으로 추정된다. 심각하고 치명적인 트럭, 버스, 기차 및 자동차 사고들이 놀랄만한 비율로 발생하고 있다. 제조 공장에서의 많은 부상과 사고는 피로와 관련되어 있다. 각성도를 모니터링하는 목적은 그러한 사건이 발생한 후 이들을 처리하기보다는, 이러한 비상 상황들 및 다른 비상 상황들이 발생하는 것을 방지하고자 하는 것이다. 실례로, 운전자들이 운전대를 잡고서 졸음에 빠진 후에는 누군가를 깨운다는 것은 이미 너무 늦은 것이다.
역사적으로, 개인의 각성도를 예측하거나 추정하기 위한 알고리즘은 종종 2-프로세스 모델로 참조되는 것을 기초로 한다. 상기 2-프로세스 모델은 일주기 리듬 프로세스(circadian rhythm process)와 수면-각성 항상성 모델(sleep-wake homeostasis model)로 이루어진다. 상기 모델의 일주기의 리듬 측면은 전형적으로 표준 시간 기간(예를 들면, 23 내지 25 시간)에만 근거한다. 다른 한편, 수면-각성 항상성 모델은 전형적으로 액티그래피 결정(actigraphy determinations)에만 근거한다.
상기 2-프로세스 알고리즘 모델의 현재 형태에 대한 단점은 작은 샘플 세트에서 수집된 데이터에 기초하여 각성도의 예측을 일반화한다는 것이다. 상기 알고리즘은 일반적으로, 사용될 것으로 의도된 개인들에 대한 일반화 부족의 어려움을 겪게 된다.
본 발명은 각성도 예측과 관련한 향상된 장치, 시스템 및 방법을 제공한다.
본 발명의 측면들은 개인의 각성도 레벨의 더욱 정확한 추정(estimation)을 생성하도록 모니터링되고 있는 개인으로부터 데이터를 수집함으로써 피로 및 각성도 레벨을 예측하는 이전의 모델들을 개선하는 것을 목표로 한다. 알고리즘 또는 생체-수학적 모델이 주관적 및 객관적 측정치들의 최고점에 기초하여 개인의 각성도를 검출, 예측 및/또는 추정하기 위해 착용식 장치(wearable device)에 통합될 수 있다.
본 발명의 한 측면에 따른 하나의 알고리즘 생체-수학적 모델은 수면-각성 항상성 결정 및 일주기 리듬 추정을 포함하는 2-프로세스 알고리즘들을 수반한다. 상기 모델의 수면-각성 항상성 측면은 개인에 대한 수면(sleep) 및 각성(wake) 결정들의 정확성을 향상시키도록 말초 피부(distal skin), 주변 광, 및 심장 박동수(heart rate) 측정치들에 부가하여 액티그래피 측정치들을 사용함으로써 향상될 수 있다. 피로 예측 및 추정의 일주기 리듬 모델은 말초 피부, 심장 박동수 및 액티그래피 데이터를 결합함으로써 향상될 수 있다. 이러한 일주기 리듬 추정은 각성도 레벨에 있어서 사용자의 오후 중반의 소강상태(mid-afternoon lull) 및 저녁의 증가(evening increase)를 포착할 수 있는 더욱 정확한 모델을 생성한다. 상기 수면-각성 항상성 및 일주기 리듬 모델들은 또한 상기 추정의 정확성을 더욱 더 향상시키기 위해 사용자에 의해 제공된 정보뿐만 아니라 추가의 객관적 및 주관적 측정치들과 결합될 수 있다.
본 발명의 측면들에 따른 다른 생체-수학적 모델(bio-mathematical models)은 다양한 메트릭을 사용하여 개인의 각성도를 예측하는 피로 점수를 생성할 수 있다. 상기 생체-수학적 모델과, 본 명세서에 기술된 상기 생체-수학적 모델을 통합한 장치, 시스템 및 방법은 개인의 각성도가 관심 대상인 시나리오에서 사용할 수 있다. 상기 생체-수학적 모델은 하나의 애플리케이션으로서 또는 다른 소프트웨어 환경에서 독립형 디바이스(stand-alone device)(예를 들면, 착용식 장치)에 상주할 수 있다. 관심 대상의 메트릭들의 일부 또는 전부가 상기 생체-수학적 모델을 통해 수집 및 공급되어 개인의 각성도 레벨에 상관되는 출력을 생성할 수 있다.
개인의 각성도 레벨을 추정하거나 예측하는 기존 시스템 및 알고리즘 모델은 개인들의 표본 집단으로 트레이닝될(be trained) 수 있으며 일주기 리듬 추정에 대한 피드백을 거의 또는 전혀 포함하지 않을 수 있다. 이것은 개인의 실제 일주기 리듬의 매우 부정확한 모델을 생성하고, 일반화되고 단순한 사인곡선들로 인해 공지된 일주기 이벤트들(예를 들면, 오후 중반의 소강상태 및 저녁의 각성상태)의 예측들을 종종 놓치게 된다. 그러나 본 명세서에 기술된 발명의 장치, 시스템 및 생체-수학적 모델은 상기 모델들이 개인의 일주기 리듬에 적응함에 따라 그 정확성을 계속해서 향상시킨다. 상기 제안된 모델들은 개인에 대해 개인화(personalize)될 수 있으며, 다른 시스템들은 데이터의 표본 집단에 일반화된다.
본 발명은 첨부 도면과 관련하여 참조함으로써 이하의 상세한 설명으로부터 가장 잘 이해될 것이며, 여기서 유사한 요소들은 동일한 참조 부호들을 갖는다. 복수의 유사한 요소들이 존재하는 경우, 단일의 참조 번호가 복수의 유사한 요소들에 할당될 수 있으며, 이들은 특정 요소를 참조하는 소문자 지정을 갖는다. 요소들을 집합적으로 지칭하거나 또는 비 특정의 하나 이상의 요소들을 지칭할 때, 상기 소문자 지정은 생략될 수 있다. 이는 일반적인 관례에 따라 도면의 다양한 피처들이 일정한 비율로 그려지지 않는다는 것을 강조한다. 반대로, 다양한 피처들의 치수들은 명확성을 위해 임의로 확장되거나 축소된다. 도면들은 다음과 같다:
도 1은 본 발명의 측면들에 따른 착용식 장치의 블록도.
도 2는 본 발명의 측면들에 따라 개인의 일주기 리듬과 수면-각성 항상성(항상성 수면 구동(homeostatic sleep drive))의 상호 작용을 나타내는 도면.
도 3은 본 발명의 측면들에 따라 개인의 일주기 리듬 내의 예시적인 이벤트들 또는 피처들을 나타내는 차트.
도 4는 본 발명의 측면들에 따라 외부 장치들과 통신하는 본 명세서에 기술된 바와 같은 착용식 장치를 포함하는 시스템의 블록도.
도 5는 본 발명의 측면들에 따라 사용자의 각성도를 예측하는 단계의 흐름도.
도 6은 본 발명의 측면들에 따라 도 5에 따른 개념을 구현하기 위한 예시적인 방법의 흐름도.
도 7은 본 발명의 측면들에 따라 생체-수학적 모델로부터 출력된 각성도 예측의 도면.
도 8은 본 발명의 측면들에 따라 피로를 추정하기 위한 예시적인 방법의 흐름도.
도 9a는 도 8의 방법에서 추출될 수 있는 제 1 계수의 그래프.
도 9b는 도 8의 방법에서 추출될 수 있는 제 2 계수의 그래프.
도 9c는 도 8의 방법에서 추출될 수 있는 제 3 계수의 그래프.
도 9d는 도 8의 방법에서 추출될 수 있는 제 4 계수의 그래프.
본 발명의 측면들은 다양한 메트릭들을 사용하여 개인에 대한 피로 레벨들을 예측하는 생체-수학적 모델을 갖는 착용식 장치를 제공한다. 특정의 측면들은 2-프로세스 알고리즘, 즉 액티그래피의 정확한 측정치들을 사용함으로써 각성도 레벨을 예측하는 생체-수학적 모델의 유형과, 개인의 일주기 리듬의 추정들을 수반한다. 상기 착용식 장치는 또한 예를 들어 스마트 폰 애플리케이션 또는 다른 "스마트" 장치와 같은 다른 시스템에 접속되거나 통신할 수 있다. 액티그래피 및 일주기 리듬 추정들 모두는 개인의 움직임, 신체 위치, 심장 박동수, 및 말초 피부 온도(distal skin temperature)의 측정을 사용하여 이루어질 수 있다. 상기 생체-수학적 모델의 각성도 예측은 이후 본 명세서에서 더욱 상세히 기재되는 추가의 객관적 및 주관적 측정치들을 포함함으로써 정확도에서 더욱 향상될 수 있다. 상기 생체-수학적 모델은 폐쇄 루프 피드백으로 인하여 및 지속적인 학습 및 모니터링을 통해 개선이 가능하게 된다.
도 1은 개인의 피로를 모니터링하고 예를 들어 장치(100) 및/또는 다른 개체를 착용하는 개인에게 상기 개인의 각성도 레벨들의 예측을 제공하기 위한 착용식 장치(100)를 도시한다. 적절한 착용식 장치는 미국 실용신안 출원 번호 14/848,771에 기재되어있다. 상기 예시된 착용식 장치(100)는 예를 들어 개인의 손목에 위치될 수 있는 밴드(102)로 구현된다. 밴드(102)는 적어도 하나의 모션 센서(104) 및 개인의 바이오메트릭스(biometrics)를 모니터링하기 위한 적어도 하나의 바이오메트릭 센서 모듈(105)을 제공한다. 바이오메트릭 센서 모듈(105)은 피부 온도 센서(105a) 또는 심장 박동수 모니터(105b) 중 적어도 하나를 포함할 수 있다. 본 발명과 함께 사용하기 위한 적합한 모션 센서(104) 및 바이오메트릭 센서 모듈(105)은 본 명세서의 설명으로부터 당업자에 의해 이해될 것이다.
모션 센서(104)는 움직임(선형, 각도 등)을 추적하기 위한 하나 이상의 자이로스코프 및/또는 가속도계를 포함할 수 있다. 모니터링되거나 또는 추적되는 움직임은 사용자의 사전 규정된 모션, 사전 규정된 모션 이외에 사용자에 의한 다른 움직임, 사용자의 상대적 모션, 또는 사용자의 환경에 의해 야기되는 모션(예를 들면, 트럭 엔진으로부터의 진동 등)을 포함할 수 있다. 움직임을 측정하는 것 이외에, 모션 센서(104)는 사용자의 신체 위치(예를 들면, 앉아있는 것, 서있는 것, 누워있는 것)를 추정하는 데 사용될 수 있다.
움직임 및/또는 신체 위치를 추적하는 기술은 가속도계 및/또는 자이로스코프를 통한다. 많은 소형의 저전력 자이로스코프가 시장에 나와 있다. 자이로스코프는 일반적으로 압전 센서 또는 다른 형태의 마이크로 전자 모션 센서(MEMS)를 사용한다. 예를 들어, SGS-톰슨 마이크로일렉트로닉스(st.com)는 저전력에서 작동하고, 모든 세 축의 움직임을 측정하고, 마이크로프로세서로 직접 공급될 수 있는 디지털 출력을 제공하며, 저잡음 임계값 및 낮은 자이로스코프 드리프트를 제공하여 높은 정밀도와 반복성으로 미세한 움직임을 측정할 수 있게 하는 MEMS 기반 자이로스코프 계열을 갖고 있다. L3G3200D는 배터리 모션에 아주 적합한 2.4 V ~ 3.6 V의 동작 전압 범위를 갖는 적합한 장치며, 일반적인 모션에서 6.1 mA만을 소비하고, -40 내지 +85 ℃의 모션 범위를 갖고, 내장된 온도 센서를 포함하며, 각속도에 대해 최대 16 비트의 정밀도로, 온도 및 각속도 모두의 디지털 출력을 갖는다.
MEMS 자이로스코프에 대한 대안으로서, 선형 가속도계가 사용될 수 있다. MEMS 선형 가속도계는 3 축 구성으로 배치될 때 선형 가속도뿐만 아니라 중력장에 반응하기 때문에, 마크 페들리(Mark Pedley)에 의한 논문 "3 축 가속도계를 사용하는 기울기 감지"(프리스케일 세미컨덕터, 문서 번호 AN3461, Revision 6, 3/2013)(본 명세서에 참조로 완전히 포함됨)에 기술된 바와 같이, 요(yaw), 피치(pitch) 및 롤(roll)에 대한 회전 변화를 계산하는 것이 가능하다.
바이오메트릭 센서 모듈(105)은 사용자의 하나 이상의 바이오마커(biomarker)를 측정하기 위한 하나 이상의 센서를 포함할 수 있다. 본 발명의 측면들에 따라 측정될 수 있는 바이오마커들은 피부 온도 및 심장 박동수를 포함하는 심장 관련 메트릭을 포함하지만, 이에 한정되는 것은 아니다. 바이오메트릭 센서 모듈(105)은 예를 들어 분당 1 회의 측정 속도로 사용자의 다양한 바이오마커들의 연속적 및/또는 주기적인 수동적 측정을 위해 사용될 수 있다. 일부 실시예들에서, 바이오메트릭 센서 모듈(105)은 일반적인 것일 수 있고, 바이오메트릭 센서 및 비-바이오메트릭 센서(예를 들면, 주변 광 센서(107)) 모두를 포함할 수 있다. 한 실시예에서, 바이오메트릭 센서 모듈(105)은 장치(100) 내에 하나의 유닛으로서 통합될 수 있다. 다른 실시예에서, 바이오메트릭 센서 모듈(105)은 장치(100) 내에 및/또는 상기 장치 전체에 걸쳐 분산된 여러 구성 요소들로 이루어질 수 있다.
바이오메트릭 센서 모듈(105)은 피부 온도 센서(105a)와, 칼손 로보틱스(Karlsson Robotics)로부터 입수할 수 있는 맥박수 센서(Pulse Rate Sensor)와 같은 심장 박동수 센서(105b)를 포함할 수 있다. 피부 온도 센서(105a)는 착용식 장치(100)의 위치에서 사용자 피부의 온도를 측정하는데 사용될 수 있다. 실리콘 랩스(Silicon Labs)는 혈액 산소 측정(혈액의 산소 포화도)은 물론 심장 박동수 센서/맥박수 센서를 포함하는 집적 회로 칩을 제조한다. 하지만, 이 유형들의 시스템들은 시스템이 현재 착용되고(worn) 있는지 여부를 결정하는 데 유리할 수도 있지만, 디자인 목표가 배터리 수명을 보존하는 것이라면 일부 측면들에 따라 단지 온도 센서만이 이용될 수 있다. 예를 들어, 산소 포화도를 측정하기 위한 발광 다이오드 및 센서를 이용하고 고전류 인출을 갖는 산소 측정 센서들은 생략될 수 있다.
또한, 바이오메트릭 센서 모듈(105)은 심장 관련 메트릭 및 피부 온도를 포함하는 사용자의 다양한 바이오마커들에서의 시간에 걸친 변화를 검출하는데 사용될 수 있다. 상기 변화는 바이오메트릭 센서 모듈(105) 내의 하나 이상의 센서들을 이용하여 사용자의 연속적이고 주기적인 수동적 목표 측정을 통해 검출될 수 있다.
본 발명의 측면들에 따르면, 착용식 장치(100)는 시계와 유사한 편안한 손목 밴드로 구현된다. 그러나, 상기 장치(100)는 또한 팔뚝에 부착되거나, 팔꿈치 주위에 착용되거나, 기본적으로 임의의 신체 부위에 부착될 수 있다. 또한, 상기 장치(100)는 글러브와 같은 의류 제품 또는 사용자가 이를 가지고 있게 하는 다른 수단에 통합될 수 있다. 본 발명의 측면들에 따른 장치(100)의 디자인은 조작자가 착용하는데 두드러지게 하지 않고 조작자가 이를 착용하는 것을 보장하도록 한다. 이를 위해, 바이오메트릭 센서 모듈(105)은 (예를 들면, 상기 장치가 현재 사용자의 피부에 가까이 있음을 나타내는 온도 측정에 기초하여) 상기 착용식 장치(100)가 현재 착용되고 있는지 여부를 검출하는 데 사용될 수 있다. 예를 들어, 온도 센서 및/또는 심장 박동수 센서가 이러한 목적으로 작동할 수 있다. 상기 바이오메트릭 센서 모듈(105)의 다른 바이오메트릭 센서들이 이러한 목적으로 사용될 수 있다. 모션 센서(104) 및 임의의 모니터링된 모션들이 또한 사용자가 현재 상기 장치(100)를 착용하고 있는지 여부를 결정하는데 사용될 수 있다.
상기 착용식 장치(100)는 개인의 각성도 또는 피로 레벨들을 예측하기 위한 생체-수학적 모델을 저장하는 메모리(110)를 갖는다. 상기 생체-수학적 모델은 수면-각성 항상성 결정 및 일주기 리듬 추정을 포함하는 2-프로세스 알고리즘이 될 수 있다. 수면-각성 항상성은 개인의 수면 필요 또는 욕구를 반영한다. 수면-각성 항상성 결정(또는 항상성 수면 구동(homeostasis sleep drive))은 사용자가 마지막으로 수면한 이후의 시간(수면 빚(sleep debt)), 사용자의 마지막 수면 시간(last sleeping session)의 길이, 및 상기 사용자의 마지막 수면 시간 동안의 수면 품질과 같은 인자들로 이루어질 수 있다. 사용자가 실제로 깨어 있거나 졸고 있을 때를 결정하는 것은 액티그래피(actigraphy)라고 하는 방법을 사용하여 달성된다. 상기 모델의 수면-각성 항상성 측면은 개인의 수면 및 각성 결정들의 정확성을 향상시키기 위해 말초 피부, 주변 광 및 심장 박동수 측정치에 부가하여 모션 센서(104)에 의해 검출된 움직임으로부터 도출된 정확한 액티그래피 측정치를 사용한다. 상기 모델은 또한 말초 피부, 심장 박동수 및 액티그래피 데이터를 결합함으로써 도출된 피로 예측 및 추정의 일주기 리듬 모델 측면을 포함한다. 이러한 일주기 리듬 추정은 각성도 레벨들에서의 사용자의 오후 중반의 소강상태(mid-afternoon lull) 및 저녁의 증가(evening increase)를 포착할 수 있다.
또한, 메모리(110)는 일반 대중들의 표본으로부터 도출된 일주기 리듬의 일반화된 디폴트 추정치(generalized default estimation)를 저장한다. 상기 일반화된 디폴트 추정치는 대략 24 시간 일주기 리듬 사이클을 가정한다. 개인이 처음으로 상기 장치(100)를 사용할 때, 상기 장치(100)는 일반화된 디폴트 추정치를 상기 개인에게 적용한다. 그러나, 시간이 지남에 따라, 상기 장치(100)는 폐쇄 루프 시스템에서 개인의 다양한 연속적이고 수동적인 측정들에 기초하여, 상기 저장된 생체-수학적 모델의 적용을 통하여 개인의 실제 일주기 리듬을 반영하도록 상기 일반화된 디폴트 추정치를 조정한다. 상기 측정들은 움직임, 피부 온도, 및 심장 박동수를 포함할 수 있다. 개인의 사적인 일주기 리듬은 예를 들어 23.5 시간과 25 시간 사이에서 실제로 달라질 수 있으며, 예를 들어 상기 일반화된 디폴트 추정치들로부터 벗어날 수 있다. 따라서, 일반화된 디폴트 추정치는 개인의 실제 일주기 리듬의 추정치에 따라 조정되도록 구성되어, 상기 생체-수학적 모델을 적용한 후 개인에 대한 각성도의 예측을 개인화한다. 예를 들어, 개인의 일반화된 디폴트 추정치에 대한 조절은 상기 개인이 상기 장치(100)를 이틀 동안 착용한 후 적용될 수 있으며, 이틀에 걸친 측정들은 상기 일반화된 디폴트 추정치가 개인의 실제 일주기 리듬을 반영하는 데 불충분하다는 것을 나타낸다.
프로세서(108)는 모션 센서(104) 및 바이오메트릭 센서 모듈(105)에 결합된다. 상기 프로세서(108)는 프로그램 가능한 마이크로프로세서가 될 수 있다. 상기 프로세서(108)는 또한 데이터를 저장하고 검색하기 위해 메모리(110)에 결합된다. 상기 프로세서(108)는 상기 본 명세서에 기재된 착용식 장치(100)의 기능을 제공하기 위해 명령들을 실행하거나 또는 메모리(110)에 저장된 생체-수학적 모델을 적용할 수 있다. 상기 프로세서(108)는 또한 모션 센서(104) 및 바이오메트릭 센서 모듈(105)로부터 검색된 데이터를 메모리(110)에 저장하고, 프로세스를 위해 상기 메모리(110)로부터 저장된 데이터를 검색할 수 있다. 상기 메모리(110)는 예를 들어, 정적 랜덤 액세스 메모리(RAM)와 같은 종래의 메모리 일 수 있다. 상기 프로세서(108)는 저전력 소모의 내장된 프로세서와 같은 종래의 마이크로프로세서 일 수 있다. 펌웨어 업그레이드를 가능하게 하는 재프로그래밍 가능한 마이크로프로세서 장치가 사용될 수 있다. 적합한 프로세서(108)는 3.3V(적합한 자이로스코프와 호환되는 동작 전압 범위)에서 동작하는 알테라(Altera) MAX7000A이다.
또한, 상기 프로세서(108)는 시간이 맞춰진 및/또는 예정된 이벤트를 모니터링하기 위한 클록(112) 및 원격 위치로 신호를 송신하고 및/또는 원격 위치로부터 신호를 수신하기 위한 트랜시버(114)에 결합될 수 있다. 상기 클록(112)은 시간(예를 들면, 밀리 초, 마이크로 초 등과 같은 초의 세분 단위로)을 측정할 수 있는 집적 회로 클록일 수 있다. 상기 트랜시버(114)는 예를 들어 블루투스 송신기가 될 수 있어, 예를 들면 통지의 경우에, 착용식 장치(100)로 하여금 텔레매틱스 장치, 원격 컴퓨터 시스템, 컴퓨터 애플리케이션 및/또는 스마트 폰 애플리케이션에 통지할 수 있게 한다. 상기 착용식 장치(100)의 구성 요소들은 배터리(116)에 의해 전력이 공급될 수 있다. 배터리(116)는 리튬 이온 배터리 셀과 같은 재충전 가능한 배터리가 될 수 있다.
프로세서(108)는 모션 센서(104) 및 바이오메트릭 센서 모듈(105)로부터의 온도 및 모션 출력을 모니터링하여 상기 장치가 피부에 착용되고 있는지 여부를 결정할 수 있다. 모션 센서(104)로부터의 모션 출력은 착용식 장치(100)의 모션을 모니터링하기 위해 프로세서(108)에 의해 사용될 수 있다. 상기 프로세서(108)는 속도가 0 dps 내지 2,000 dps(초당 각도)인 각 운동을 찾도록 구성될 수 있다. 상기 범위의 낮은 끝 부분은 진동으로 인한 작은 각 변이를 제거하고, 상기 범위의 높은 끝 부분은 터닝 트럭(turning truck)에서와 같이 대규모 방사형 모션을 제거한다. 조작자의 응답 시간과 기록된 온도 및 시간은 메모리(110)에 저장될 수 있어, 예를 들어 텔레마틱 시스템이 통신 가능하지 않은 경우 상기 장치가 적절히 장착되었는지를 관리자(dispatcher)가 이후의 시점에서 확인할 수 있게 한다.
상기 장치(100)는 주변 광 검출기(107)를 더 포함할 수 있다. 상기 주변 광 검출기(107)는 사용자의 광에 대한 노출을 검출하는데 사용될 수 있다. 광에 대한 노출은 개인의 일주기 리듬에 영향을 미치고 개인의 일주기 클록을 조정할 수 있다. 이러한 것은 개인의 일주기 리듬을 변이시킬 수 있다. 생체-수학적 모델은 상기 주변 광 검출기(107)에 의해 얻어진 정보를 개인의 광 노출에 대한 응답으로 개인의 일주기 리듬에 대한 미래에 변화되는 예측에 통합할 수 있다. 상기 주변 광 검출기(107)는 개인의 일주기 리듬에 과장된 영향을 줄 수 있는 청색 파장의 광에 대한 사용자의 노출을 결정하도록 구성될 수 있다. 상기 프로세서(108)는 또한 주변 광 검출기(107)에 결합될 수 있다. 상기 프로세서(108)는 모션 센서(104), 바이오메트릭 센서 모듈(105), 및 주변 광 검출기(107)에 의해 측정된 출력들을 모니터링하고 처리할 수 있다.
상기 프로세서(108)는 또한 상기 모션 센서(104) 및 상기 바이오메트릭 센서 모듈(105)로부터의 온도, 심장 박동수, 및 모션 출력들을 모니터링할 수 있어, 상기 메모리(110)에 저장된 생체-수학적 모델을 이용하여 모션의 측정들을 액티그래피 결정들에 통합함으로써 개인의 수면 및 각성상태의 기간을 포함하는 개인의 수면-각성 항상성을 평가할 수 있다.
수면 시간과 사용자가 마지막으로 잤던 시간의 검출은, 심장 박동수 및 피부 온도와 같은 바이오마커(biomarker)와 결합된, 사용자의 움직임 부족을 나타내는(수면 시간을 나타낼 수도 있음) 액티그래피 움직임 데이터의 분석을 통해 프로세서(108)에 의해 결정될 수 있다. 상기 프로세서는 말초 피부 온도 및 심장 박동수의 측정을 사용하여 액티그래피 결정을 조정 및/또는 확인할 수 있다. 예를 들어, 상기 프로세서(108)는 개인이 자고 있는지 또는 깨어 있는지를 확인하기 위해 말초 피부 온도의 측정치를 (패턴 인식 또는 다른 기술들로) 액티그래피 결정에 적용할 수 있다. 이러한 것은 베이스라인 데이터로부터의 편차를 찾는 임계값을 사용하거나 또는 일정 시간에 걸친 피부 온도 증가 패턴을 사용하여 수행될 수 있다. 말초 피부 온도의 증가는 개인이 자고 있는 것과 상관하도록 나타내게 되고, 말초 피부 온도의 감소는 개인이 깨어 있는 것과 상관하는 것으로 나타난다.
또한, 상기 프로세서(108)는, 개인이 깨어있는지 또는 자고 있는지가 용이하게 결정될 수 없는 경우에서와 같이, 액티그래프의 수면 또는 각성상태 결정에 대한 추가적인 입력으로서 주변 광 센서(107)로부터의 주변 광의 측정치를 적용할 수 있다. 예를 들어, 사람이 자고 있는지 깨어 있는지가 용이하게 결정되지 않지만 주변 광량이 많이 존재한다면, 액티그래피의 출력은 개인이 깨어 있는 것으로 예측될 것이다. 반대로, 광이 없는 것은 개인이 자고 있다는 것을 나타낼 수 있다.
프로세서(108)는 또한 신체 위치 및 심장 박동수의 결정을 액티그래피 결정에 적용하여 이들을 확인 및/또는 조정할 수 있다. 신체 위치는 사용자가 잠들어 있는지 깨어있는지 여부에 대한 추가적 표시를 제공할 수 있다는 점에서 주변 광과 유사하게 사용될 수 있다. 예를 들어, 사용자가 서 있거나 앉아 있다면 이들이 누워 있을 때보다는 이들이 잠들게 되기 쉽지 않을 것이다. 심장 박동수는 피부 온도와 유사하게, 개인이 자고 있는지 또는 깨어 있는지를 나타내는 패턴을 갖고 있다. 상기 프로세서(108)는 액티그래피의 수면/각성 예측의 정확도를 더축 향상시키도록 이러한 추가적인 입력을 사용할 수 있어, 수면-각성 항상성 평가를 향상시킨다.
상기 프로세서(108)는 또한 개인의 일주기 리듬을 추정한다. 도 2 참조. 상기 프로세서(108)는 사용자의 개인의 일주기 리듬을 추정하기 위해 피부 온도 또는 심장 박동수와 같은 적어도 하나의 바이오마커의 초기 측정치들을 처리할 수 있다. 결과적으로 처리된 데이터가 예를 들어 도 2에서와 같이 도표화 될 수 있고, 프로세서(108)는 개인의 일주기 리듬 내의 특정 위치들과 상관되는 피처들 또는 이벤트들을 식별하거나 추출할 수 있다. 하루 전반에 걸쳐 사용자의 각성도는 사용자의 일주기 리듬 내에서의 사용자의 위치와 강력하게 상관될 수 있다. 사용자의 일주기 리듬을 추정하는 능력은 주어진 하루 중의 어느 시점에서든 사용자의 각성도의 정확한 예측을 제공할 수 있다.
사용자의 사적인 일주기 리듬을 추정하기 위한 바이오마커는 사용자의 말초 피부 온도이다. 사용자의 말초 피부 온도(distal skin temperature)는 사용자의 심부 체온(core body temperature)과 상관 관계가 있다. 상기 심부 체온은 사용자의 일주기 리듬을 따르며, 상기 심부 체온은 사용자의 일주기 리듬을 따르는 결과로서 각성상태의 시간 동안 증가할 것이고 전형적인 수면 시간 동안 감소할 것이다. 따라서, 사용자의 각성도 레벨도 또한 일주기 리듬에 따라 변화될 것이다. 사용자의 신체는 신체의 팔다리를 통해 열을 방출함으로써 심부 체온을 조절하기 때문에, 심부의 신체 열이 감소할 때 팔다리의 온도가 상승한다. 따라서, 사용자의 말초 피부 온도의 측정치는, 상기 말초 피부 온도를 사용자의 일주기 리듬을 따르는 심부 체온과 상관시킴으로써 사용자의 사적인 일주기 리듬을 정확하게 추정하는데 사용될 수 있다. 이러한 것은 사용자에 대한 각성도 레벨의 모델을 제공한다.
말초 피부 온도는 또한 사용자의 멜라토닌 레벨과 상관될 수 있다. 사용자의 내인성 멜라토닌 레벨은 사적인 일주기 리듬 내에서 사용자 위치를 신뢰성 있고 정확하게 나타내는 지표이며, 따라서 사용자의 각성도의 정도를 나타내는 지표이다. 멜라토닌은 전형적으로 감소된 각성도 시간 동안(예를 들면, 야간의 수면 전의 기간) 상승하고, 전형적으로 증가된 각성도 시간 동안 떨어진다. 피부 온도는 일반적으로, 멜라토닌 레벨이 증가할 때 사용자의 피부 온도도 역시 사용자의 일주기 리듬과 관련하여 증가한다는 점에서 멜라토닌 레벨과 관련된다. 이러한 방식으로, 피부 온도는 사용자의 현재 멜라토닌 레벨을 결정하기 위한 상관 대용물로서 작용할 수 있으며, 따라서 개인의 일주기 리듬 내에서 사용자의 위치에 의해 결정되는 사용자의 현재 각성도 레벨을 결정하기 위한 상관 대용물로서 작용할 수 있다.
사용자의 개인의 일주기 리듬 및/또는 멜라토닌 레벨의 추정을 위해 개인의 말초 피부 온도의 초기 측정은 발, 팔, 손목 및 손을 포함하는 사용자 신체의 여러 위치에서 취해질 수 있다. 사용자의 개인의 일주기 리듬 및/또는 멜라토닌 레벨의 프로세서(108) 추정에 통합될 수 있는 바이오마커의 다른 초기 측정은 심장 박동수와 같은 심장 관련 메트릭을 포함할 수 있지만 이에 한정되지는 않는다.
사용자의 개인의 일주기 리듬을 추정하는 예는 사용자가 테스트 기간 동안 손목과 같은 신체 상의 말초 위치에서 착용식 장치(100)를 착용하는 것으로 시작될 수 있다. 상기 테스트 기간은 이틀 이상의 지속시간을 가질 수 있다. 이동 피부 온도(ambulatory skip temperature)는 적어도 이틀의 기간 동안 분당 1 회의 빈도로 온도 센서(105a)에 의해 측정될 수 있다. 말초 피부 온도 측정으로부터 도출된 데이터에 기초하여, 상기 프로세서(108)는 사용자의 사적인 일주기 리듬을 추정할 수 있다. 상기 테스트 기간 동안의 바이오마커의 다른 초기 측정들이 또한 사용자의 일주기 리듬을 추정하는데 사용될 수 있다.
프로세서(108)에 의한 일주기 리듬 추정은 일정 기간 동안 개인의 말초 피부 온도 및/또는 그들의 심장 박동수의 측정치들을 수집함으로써 가능해진다. 상기 프로세서(108)는 말초 피부 온도 및 심장 박동수의 측정치로부터 도출된 데이터 포인트들을 생성한다. 상기 프로세서(108)는 또한 상기 데이터 포인트들을 정제(refine)하도록 상기 개인에 의한 움직임들의 측정치들을 통합할 수 있다. 상기 데이터 포인트들은 개인의 실제 일주기 리듬 내의 시간의 포인트들을 나타내며, 상기 프로세서(108)는 진행에 따라 시간 경과에 걸쳐 이들을 컴파일링함으로써 개인의 전체의 일주기 리듬을 추정하도록 이러한 데이터 포인트들을 사용할 수 있다. 상기 프로세서(108)는 또한 이들 데이터 포인트들을 사용하여 메모리(110)에 저장된 일반화된 디폴트 추정치를 조정하고 개인의 실제 일주기 리듬을 더욱 잘 반영하도록 한다. 상기 프로세서(108)는, 상기 일주기 리듬 결정이 개인에게 맞춤화되도록 상기 조정을 달성하기 위해 패턴 인식 및/또는 기계 학습 기술을 적용할 수 있다.
개인의 일주기 리듬은 일반적으로 매일 대폭적으로 변화하지 않는다. 그러나 개인의 활동은 매일 변화할 수 있다. 이러한 활동은 일반적으로 안정적인 개인의 일주기 리듬의 지표들을 "마스킹(mask)"할 수 있다. 말초 피부 온도 및/또는 심장 박동수가 다른 외부의 "마스킹" 이벤트(보행, 수면 등)에 의해 영향을 받기 때문에, 프로세서(108)는 상기 피부 온도 또는 심장 박동수 데이터를 이들 "마스킹" 비-일주기 리듬 이벤트들로부터 분리하거나 또는 "디마스킹(demask)"하도록 추가의 신호 처리 기술을 적용해야할 수도 있다. 상기 프로세서(108)는 일주기 리듬의 정확한 예측을 제공하기 위해 상기 "마스킹 이벤트"를 기본적인(underlying) 피부 온도 및 심장 박동수 데이터(즉, 원시(raw) 일주기 데이터)로부터 제거하도록 "디마스킹(demasking)" 알고리즘을 적용한다. 예를 들어, 주기적으로 일어나서 걷는 사람(예를 들면, 한 사무실에서 다른 사무실로)의 마스킹 이벤트는 매일 같은 시간에 발생하지는 않는다. 이러한 것은, 매일 같은 시간 지점(예를 들면, 매일 오후 12:05)에 수집된 데이터 포인트들은 외부의 "마스킹" 요인을 제거하고 기본적인 일관된 신호(underlying consistent signal)를 유지할 수 있는 신호 처리 기술을 사용하여 여러 날들에 걸쳐 검사될 수 있다는 것을 의미한다. 이러한 것은 여러 날들에 걸쳐 주어진 24 시간 기간에 여러 지점들 각각을 평균하는 기술로 대부분 용이하게 구현된다; 그러나, 필터링과 같은 추가적인 신호 처리 기술이 사용될 수 있다. 유사하게, 이러한 동일한 원리가 일주기 리듬에 의해 유사하게 영향을 받지만 마스킹 효과로 인해 이력적으로 사용가능하지 않은 심장 박동수 측정에 적용될 수 있다.
말초 피부 측정치 및 심장 박동수 측정치의 "디마스킹"에서 고려되는 변수들은 피부 온도 및 심장 박동수로부터 기본적인 일주기 리듬 신호들을 왜곡시킬 수 있는 "마스킹 이벤트"인 개인의 신체 위치 및 활동을 포함한다. 예를 들어, 일주기 리듬 신호가 관찰되는 전형적인 환경은 사용자가 음식 섭취를 최소로 하고 움직이지 않고서 고정된 위치의 베드에 있게 되는 실험실 환경에 있다. "디마스킹"은 그러한 통제된 환경 밖에서 발생하는 이벤트의 영향을 제거하는 프로세스이다. 예로서, 개인은 조깅을 할 수 있다. 이런 일이 발생하면 상기 개인이 땀이 나기 시작함에 따라 상기 개인의 말초 피부 온도가 감소하게 된다. 또한, 물리적 활동으로 인해 개인의 심장 박동수가 증가한다. 이 때문에, 기본적인 일주기 신호(underlying circadian signal)는 일반적으로 손실된다. 그러나, 프로세서(108)는 상기 상황 정보와 특정 시간주기 동안 메모리에 저장된 이력 정보를 통합함으로써 이러한 마스킹 영향의 존재 하에서 기본적인 일주기 신호를 보존할 수 있는 "디마스킹" 알고리즘을 적용한다. 상기 장치(100) 및 프로세서(108)가 개인이 뛰고 있다는 것을 안다면, 상기 프로세서(108)는 수신되고 있는 데이터가 불량 데이터이고 폐기될 수 있다고 결정할 수 있거나, 그 중요도가 생체-수학적 모델을 통해 실제 각성도를 결정하는 데 있어 감소될 수 있는 것으로 결정할 수 있다.
바람직한 실시예에서, 일주기 리듬 추정은 또한 각 데이터 포인트와 관련된 품질 인자의 개념에 의해 향상된다. 데이터가 캡처된 상태(예를 들면, 사용자가 걷거나 자고 있는 경우)와 관련한 추가 정보를 알 수 있다면, 이러한 데이터 포인트는 품질 인자로 제공될 수 있다. 예를 들어, 데이터 포인트가 캡처될 때 사용자가 걷고 있는 경우 낮은 품질의 데이터 포인트로 간주될 수 있을 것이고, 반대로 데이터 포인트가 캡처될 때 사용자가 일정 시간 동안 앉아 있다면 높은 품질의 데이터 포인트로서 간주될 것이다. 품질 인자의 이러한 개념을 사용하면, 모든 데이터 포인트들이 동일하게 취급되지 않기 때문에 일주기 리듬의 정확성을 향상시킬 수 있다. 프로세서(108)는 여러 날에 걸쳐 특정 시간 동안 주어진 데이터 포인트를 평균화함으로써 데이터 포인트 내의 피부 온도 또는 심장 박동수 데이터에 품질 인자를 "디마스킹"하거나 적용할 수 있다. 예를 들어, 말초 피부 온도가 일정한 날 정확히 오후 12:05에 수집되는 경우, 개인이 버스를 잡기 위해 뛰고 있을 수 있으며, 결과적으로 데이터 포인트는 낮은 품질 인자가 주어질 수 있다. 다음날 오후 12:05 추가의 데이터 포인트가 수집될 것이다. 이번에는 사용자가 의자에 앉아 있으므로, 이 데이터 포인트는 고품질 데이터 포인트가 될 것이다. 이러한 데이터 포인트들에 가중 평균을 적용함으로써, 더욱 정확한 "디마스킹된" 말초 피부 온도 또는 심장 박동수가 프로세서(108)에 의해 얻어질 수 있다.
프로세서(108)는 하루 중 일정한 지점에 대해 일주기 리듬 데이터의 여러 날의 가치를 결합하기 위한 가중 평균에 대한 계수로서 품질 인자를 사용한다. 예를 들어, 프로세서(108)는 화요일 오후 12:05 및 수요일 오후 12:05에 데이터 포인트를 취할 수 있다. 화요일은 0.1의 품질 인자로 평가됐으며 수요일은 0.9의 품질 인자를 가졌다. 결과적인 가중 평균은 프로세서에 의해 (0.1 * Tuesday_data + 0.9 * Wednesday_data)로 계산될 것이다. 이러한 것은, 프로세서(108)가 모든 데이터 포인트들을 동일한 값으로 취급하지 않기 때문에, 여러 날들에 걸친 데이터를 단순히 평균하는 것보다 더 나은 추정을 제공한다.
또한, 프로세서(108)는 피부 온도 및/또는 심장 박동수의 추세를 통합함으로써 일주기 리듬의 실제 시간 기간(전형적인 개인에 대해, 정확히 24 시간이 아님)을 추정할 수 있다. "디마스킹된" 및/또는 품질 인자가 할당된 피부 온도 및/또는 심장 박동수 데이터를 이용하여, 프로세서(108)는 상기 데이터를 정상화할 수 있고, 상기 일주기 리듬이 위상 변이되고 상관된 패턴이라고 가정할 수 있다. 또한 멜라토닌 레벨은 상기 정상화된 말초 피부 온도 데이터에서의 급격한 증가에 의해 예측될 수 있으며, 이는 개인의 일주기 리듬의 일주기 리듬 계수(위상 Φ) 변이 및 기간(τ)에 대한 마커로 사용될 수 있다.
프로세서(108)는 또한 개인의 각성도의 예측을 제공하기 위해 생체-수학적 모델에 따라 실제 일주기 리듬 추정과 수면-각성 항상성 결정을 결합할 수 있다. 그 결과로 개인에 대해 더욱 정확하고 개인화된 각성도 예측이 된다. 수면-각성 항상성 및 일주기 리듬은 개인 내에서 함께 작용하여 개인의 각성도를 끊임없이 변화하게 한다. 도 3을 참조. 이어서, 상기 일주기 리듬은 생체-수학적 모델에 의해 수면 항상성 정보와 결합되어 각성도의 전체적인 추정을 생성할 수 있다. 생체-수학적 모델에 대한 각각의 입력은 패턴 인식 및/또는 기계적 학습 기술을 사용하여 결합될 수 있다. 이러한 기술들 중 일부는 다른 부분에 비해 한 부분에 가중치를 부여하는 것을 포함한다. 생체-수학적 모델의 가중 부분들은 정적으로 또는 동적으로 정의될 수 있다. 예를 들어, 일주기 리듬에 주어진 가중은 프로세서(108)가 수집한 데이터의 추정된 품질에 기초한다.
도 4는 본 발명의 측면들에 따른 착용식 장치(100)를 포함하는 시스템(400)을 나타낸다. 착용식 장치(100)는 예를 들어 스마트 장치(450) 및/또는 외부 컴퓨팅 장치(460)와 통신할 수 있다. 스마트 장치(450)는 스마트폰과 같은 모바일 디바이스가 될 수 있다. 외부 컴퓨팅 장치(460)는 퍼스널 컴퓨터 등이 될 수 있다. 착용식 장치(100)에 의해 수집된 데이터는 스마트 장치(450) 및/또는 외부 컴퓨팅 장치(460)에 전달될 수 있다. 스마트 장치(450) 및/또는 외부 컴퓨팅 장치(460)는 또한 착용식 장치(100)에 다른 정보를 전달할 수 있다.
스마트 장치(450) 및/또는 외부 컴퓨팅 장치(460)는 착용식 장치(100)로부터 수신된 데이터를 디스플레이, 저장, 및/또는 추가 처리할 수 있는 애플리케이션 또는 다른 소프트웨어 모듈을 가질 수 있다. 예를 들어, 스마트 장치(450)는 착용식 장치(100)로부터 수신되고 스마트 장치(450)에 의해 저장된 데이터로부터 도출된, 개인의 각성도 예측 또는 피로 점수의 차트를 시간에 따라 디스플레이하는 소프트웨어 애플리케이션을 가질 수 있다. 스마트 장치(450) 및/또는 컴퓨팅 장치(460)는 또한, 착용식 장치(100)로부터 수신된 데이터가 개인에 대한 피로를 예측하는 경우 개인에게 경고하는 데 사용될 수 있다. 또한, 스마트 장치(450) 및/또는 컴퓨팅 장치(460)는 데이터 클라우드(470)와 통신하고 데이터를 교환할 수 있다. 따라서, 스마트 장치(450) 및/또는 컴퓨팅 장치(460)에 의해 수신된 데이터는 클라우드(470)에 저장하기 위해 전송될 수 있고, 스마트 장치(450) 및/또는 컴퓨팅 장치(460)는 예를 들어 클라우드(470)에 저장된 데이터를 검색하여 개인의 피로도 관련 데이터의 차트 또는 다이어그램을 시간 경과에 걸쳐 생성할 수 있다. 또한, 관리자 또는 디스패처와 같은 제 3 자는 스마트 장치(450) 및/또는 컴퓨팅 장치(460)를 통해 개인의 피로도 또는 각성도에 관한 정보를 볼 수 있다.
도 5는 본 발명의 측면들에 따라 개인의 각성도를 예측하는 단계들을 도시한다. 먼저, 단계(500)에서, 모션 센서에 의해 생성된 모션 데이터, 온도 센서에 의해 생성된 말초 피부 온도 데이터, 및/또는 심장 박동수 모니터에 의해 생성된 심장 박동수 데이터가 프로세서(108)에 의해 획득되거나 수신될 수 있다. 모션 센서, 온도 센서, 및 심장 박동수 모니터 각각은 개인이 착용한 착용식 장치(100)와 관련될 수 있다. 모션 센서는 또한 단계(500a)에서 개인의 신체 위치에 관한 데이터 또는 개인에 의해 수행된 움직임 유형에 관한 데이터를 생성할 수 있으며, 이는 또한 프로세서(108)에 의해 획득될 수도 있다. 단계(500a)는 또한 프로세서(108)에 의해 획득되거나 수신되는 주변 광 센서에 의해 생성된 주변 광 데이터를 포함할 수 있다.
단계(500b)에서, 상기 프로세서는 착용식 장치(100)의 메모리에 저장될 수 있는 생체-수학적 모델에 의해 지시된 바와 같이 데이터를 정제(refine)하기 위해 말초 피부 온도 데이터 및/또는 심장 박동수 데이터를 처리할 수 있다. 상기 프로세서(108)는 예를 들어 저역 통과 필터링 및 이동 평균을 포함하는 신호 처리 기술을 적용하여 피부 온도 데이터 및 심장 박동수 데이터의 처리를 수행할 수 있다. 이러한 처리/필터링은 말초 피부 온도 데이터 신호 및/또는 심장 박동수 데이터 신호로부터 "노이즈"를 제거하여 더욱 깨끗하고 정확한 신호를 생성한다.
단계(500c)에서, 상기 프로세서는 생체-수학적 모델에 따라 개인에 의해 수행된 움직임의 유형 및 개인의 신체 위치에 대한 데이터 중 적어도 하나에 기초하여 피부 온도 데이터 및/또는 심장 박동수 데이터에 품질 인자를 할당할 수 있다.
단계(500d)에서, 상기 프로세서는 피부 온도 데이터 및/또는 심장 박동수 데이터(즉, 원시(raw) 일주기 데이터) 내의 일주기 및 비-일주기(non-circadian) 데이터를 식별하고 상기 비-일주기 데이터를 제거하여 정제된 일주기 데이터를 획득할 수 있다(즉, 일주기 데이터를 "디마스킹"). 일주기 데이터는 일주기 리듬 이벤트들로부터 도출된 데이터로 정의되는 반면, 비-일주기 데이터는 비-일주기 이벤트들로부터 도출된 데이터이다. 상기 프로세서는 패턴 인식 및/또는 기계 학습 기술을 사용하여 비-일주기 데이터를 제거할 수 있다. 상기 프로세서(108)는 또한 개인에 대한 피로 위험의 잠재적인 시간을 식별하기 위해 정제된/디마스킹된 일주기 데이터 내에서 로컬 최대 이벤트들 및 로컬 최소 이벤트들을 검출할 수 있다.
단계(510)에서, 상기 프로세서(108)는 모션 센서로부터 수신된 모션 데이터를 사용하여 액티그래피 결정들을 행할 수 있다. 그 후, 상기 프로세서(108)는 말초 피부 온도 또는 심장 박동수 데이터 중 적어도 하나를 사용하여 단계(510a)에서 액티그래피 결정들을 정제하여 더욱 정확한 액티그래피 결정들을 행할 수 있다.
상기 프로세서(108)는 단계(520)에서 상기 액티그래피 결정들을 사용하여 개인의 수면 및 각성상태의 기간들을 포함하는 개인의 수면-각성 항상성 생체-수학적 모델을 평가할 수 있다. 이러한 평가는 반복적으로 발생할 수 있다. 상기 프로세서는 개인의 수면-각성 항상성을 평가하기 위해 원시 액티그래피 결정들 또는 정제된 액티그래피 결정들을 사용할 수 있다. 또한, 상기 프로세서(108)는 개인의 신체 위치에 관한 데이터를 통합하여 수면-각성 항상성 평가를 정제할 수 있다. 상기 프로세서는 또한 주변 광 데이터를 통합함으로써 개인의 수면-각성 항상성 평가를 정제할 수 있다.
단계(530)에서, 상기 프로세서(108)는 피부 온도 데이터 또는 심장 박동수 데이터 중 적어도 하나를 사용하여 데이터 포인트들을 계산할 수 있다. 상기 프로세서(108)는 단계(500b)로부터의 피부 온도 및/또는 심장 박동수 데이터의 처리된 또는 처리되지 않은 데이터를 통합하여 데이터 포인트들을 계산할 수 있다. 또한, 상기 프로세서(108)는 단계(500c)로부터 피부 온도 데이터 및/또는 심장 박동수 데이터에 할당된 품질 인자를 데이터 포인트들의 계산에 통합할 수 있다. 또한, 상기 프로세서(108)는 비-일주기 데이터를 제거하거나 제거하지 않고서 피부 온도 데이터 및/또는 심장 박동수 데이터를 통합하여 데이터 포인트들을 계산할 수 있다.
단계(540)에서, 상기 프로세서(108)는 개인에 대한 추정된 일주기 리듬을 생성할 수 있다. 이러한 것은 주기적으로 발생할 수 있다. 상기 프로세서(108)는 상기 착용식 장치의 메모리에 저장된 디폴트 일주기 리듬을 정제하기 위해 상기 처리된 데이터 포인트들을 사용함으로써 추정된 일주기 리듬을 생성할 수 있다. 상기 디폴트 일주기 리듬은 일반 대중들의 표본으로부터 이끌어 낼 수 있으며, 상기 디폴트 일주기 리듬은 대략 24 시간의 일주기 리듬 사이클을 가정할 수 있다. 또한, 상기 프로세서(108)는 주변 광 데이터를 통합함으로써 상기 추정된 일주기 리듬을 정제할 수 있다.
상기 프로세서(108)는 또한 단계(540a)에서, 개인의 일주기 리듬 계수(현재 위상 Φ), 개인의 각성/수면 계수, 개인의 일주기 리듬 기간(τ), 개인의 수면 개시 시간, 및/또는 개인의 멜라토닌 개시를 추정할 수 있다. 각 개인은 상이한 일주기 리듬 계수/위상(Φ) 변이를 가질 수 있으며, 이는 각 개인의 일주기 리듬 기간(τ)이 서로 다른 시간에 시작될 수 있음을 의미한다. 상기 수면 개시 시간은, 예를 들어, 개인의 디마스킹된 말초 피부 온도 내의 낮은 포인트들을 식별한 다음 상기 디마스킹된 말초 피부 온도의 증가(예를 들면, 35 % 증가)에 의해 결정될 수 있다. 낮은 포인트들은 개인의 높은 각성도 레벨과 관련이 있으며, 낮은 포인트로부터 35 % 증가는 멜라토닌 개시를 나타낸다. 차례대로, 상기 멜라토닌 개시가 개인의 일주기 리듬 사이클 또는 주기(τ)가 시작되는 시점에 대한 마커로서 사용될 수 있다.
단계(550)에서, 개인은 객관적 및 주관적 파라미터들을 상기 장치(100)에 입력할 수 있다. 개인은 또한 스마트 장치(450) 및/또는 외부 컴퓨팅 장치(460)에 주관적 및 객관적 파라미터들을 입력하여, 상기 파라미터들이 착용식 장치(100)에 전달되고 상기 착용식 장치(100)에 의해 사용될 수 있도록 한다. 입력될 수 있는 파라미터들은, 미국 실용신안 출원번호 14/848,771에 의해 상세히 기술된 바와 같은 사전 규정된 모션들, 개인의 병력에 관한 데이터, 충분한 수면을 취하지 않는 영향에 대한 민감성, 개인에 의해 응답된 질문지로부터의 데이터, 및 자신의 각성도 레벨에 대한 개인에 의한 주관적 평가를 포함하지만, 이제 한정되는 것은 아니다.
단계(560)에서, 프로세서(108)는 개인의 각성도 레벨을 예측하거나 피로 예측을 생성하기 위해 생체-수학적 모델로 추정된 일주기 리듬과 수면-각성 항상성 평가를 결합할 수 있다. 상기 프로세서(108)는 개인에 대한 피로 예측을 더욱 정제하기 위해 주관적 및 객관적 파라미터들을 통합할 수 있다. 이러한 파라미터들은 패턴 인식 또는 기계 학습 기술을 사용하여 비선형 방식으로 가중치가 부여되어, 생체-수학적 모델에 따라 이들을 상기 예측의 정제(refinement)에 통합할 수 있다. 상기 프로세서(108)는 또한 상기 추정된 일주기 리듬 계수/위상(Φ), 일주기 리듬 기간(τ), 각성/수면 계수, 수면 개시 시간, 및/또는 멜라토닌 개시를 사용하여, 개인의 각성도를 예측할 수 있다. 상기 프로세서(108)는 또한, 생체-수학적 모델에 따라 예측을 행할 때, 정제된 또는 정제되지 않은 수면-각성 항상성 평가 및/또는 정제된 또는 정제되지 않은 추정된 일주기 리듬을 통합할 수 있다. 상기 프로세서(108)는 또한 검출된 로컬 최대 이벤트들 및 로컬 최소 이벤트들을 사용함으로써 개인에 대한 각성도의 예측을 정제할 수 있다. 상기 각성도의 예측은 이후에 착용식 장치(100)에 의해 외부 컴퓨팅 장치(460) 및/또는 스마트 장치(450)에 전달되어, 디스플레이되고 저장되고 및/또는 추가 처리될 수 있다.
도 6은 도 5에 따른 개념을 구현하기 위한 예시적인 방법(600)의 단계들을 도시한다. 먼저, 단계(602)에서, 개인의 움직임, 말초 피부 온도, 및 심장 박동수에 대한 데이터가 얻어질 수 있다. 착용식 장치(100) 또는 착용식 장치의 프로세서(108)는 이러한 데이터를 모션 센서(104), 온도 센서(105a), 및/또는 심장 박동수 모니터(105b)로부터의 신호로서 얻을 수 있다. 착용식 장치(100) 또는 프로세서(108)는 또한 개인의 신체 위치를 나타내는 모션 센서(104)로부터의 신호를 수신할 수 있다.
단계(604)에서, 온도 센서(105a) 및 심장 박동수 모니터(105b)로부터 수신된 신호는, 본 예시적인 방법(600)에 대해 2-프로세스 알고리즘인 생체-수학적 모델에 의해 지시된 바에 따라 데이터를 정리(clean-up)하기 위해 프로세서(108)에 의해 처리될 수 있다. 상기 프로세서(108)는 저역 통과 필터링 및 이동 평균을 적용하여 피부 온도 및 심장 박동수 데이터의 신호 처리를 향상시킬 수 있다.
단계(606)에서, 피부 온도 및 심장 박동수 데이터는, 개인의 말초 피부 온도 및 심장 박동수의 기본적인 측정된 데이터 신호들(underlying measured data signals)로부터 비-일주기 이벤트들에 의해 야기된 불분명한 신호들을 제거하기 위해 상기 2-프로세스 알고리즘에 따라 "디마스킹"될 수 있다. 이러한 이벤트들은 수면, 물리적 활동, 및 특정 신체 위치를 포함하지만, 이에 한정되는 것은 아니다. 일주기 리듬과 관련된 상기 기본적인 신호들은 예를 들어 여러 날의 데이터 값을 함께 평균화함으로써 "디마스킹"될 수 있다. 피부 온도 심장 박동수 데이터를 포함한 "디마스킹된" 데이터는 개인의 실제 일주기 리듬에 대한 데이터 포인트들을 생성하는 데 사용될 수 있다. 단계(606)에서 품질 인자(quality factor)가 또한 개인에 의해 이루어진 검출된 움직임 유형에 기초하여 피부 온도 및/또는 심장 박동수 데이터에 할당될 수 있다.
단계(608)에서, 2-프로세스 알고리즘의 피처 추출 측면이, 측정되고 "디마스킹된" 신호들로부터 의미 있는 이벤트들 또는 일주기 리듬 관련 피처들을 추출하기 위해 사용된다. 이러한 의미 있는 이벤트들이나 피처들은 개인의 일주기 리듬을 따르며 각성도의 레벨 감소를 나타내는 말초 피부 온도의 느린 증가를 포함할 수 있다. 또한, 말초 온도(distal temperature)의 급격한 증가는 각성도 레벨에서의 급격한 변화를 나타낼 수 있다. 기계 학습 및/또는 패턴 인식 기술이 이벤트들 및/또는 패턴들을 추출하는 데 사용될 수 있다. 몇몇의 통상적으로 사용되는 기능들이 피크 검출 알고리즘, 포인트들 간의 보간(interpolation), 및 코사인 함수(cosinor function)를 포함하여 피처 추출을 수행하기 위해 사용될 수 있다.
단계(610)에서, 수면 개시 시간(sleep onset time)은, 개인이 개인의 일주기 리듬 기간(τ) 내에 있는 위치 또는 현재 위상/일주기 리듬 계수(Φ)를 추정하기 위해 사용될 수 있는 "디마스킹된" 데이터로부터 결정될 수 있다. 각 개인은 상이한 위상(Φ) 변이를 가질 수 있으며, 이는 각 개인의 일주기 리듬 기간(τ)이 서로 다른 시간에 시작될 수 있음을 의미한다. 상기 수면 개시 시간은 일주기 리듬 내의 낮은 포인트들에 이어서 예를 들어, 일주기 리듬에서 35 % 증가를 식별함으로써 결정될 수 있다. 낮은 포인트들은 개인 내의 높은 각성도 레벨과 관련이 있으며, 낮은 포인트로부터의 35 % 증가는 멜라토닌 개시를 나타낸다. 차례대로, 멜라토닌 개시는 개인의 일주기 리듬 사이클 또는 기간(τ)이 시작되는 시점의 마커로서 사용될 수 있다.
단계(612)에서, "디마스킹된" 피부 온도 데이터 및/또는 심장 박동수 데이터 내의 로컬 최대 및 최소 포인트들 또는 이벤트들은 주어진 개인에 대한 피로 위험의 잠재적인 시간으로서 검출되어 식별될 수 있다. 이러한 검출된 이벤트들은 졸음의 증가 레벨들과 관련될 수 있다. 예를 들어 오후 2 시에서 4 시까지의 타임프레임 주위에서 피부 온도의 증가는 오후 중반의 시간대에 종종 관찰되는 것으로 각성도의 감소로서 식별될 수 있다.
단계(614)에서, 개인으로부터의 액티그래피 데이터는 개인의 수면 및 각성상태 기간, 및 2-프로세스 알고리즘 모델에 대한 개인의 결과적인 수면-각성 항상성을 결정하는데 사용될 수 있다. 이러한 것은 개인에 의해 이루어진 검출된 움직임들만을 단독으로 결정될 수 있다. 그러나 심장 박동수, 말초 피부 온도, 및 주변 광 노출과 같은 다른 측정치들이 통합되어 개인의 수면 및 활동 기간들을 더욱 정확하게 결정할 수 있다.
단계(616)에서, 개인은 다른 주관적 및 객관적 파라미터들을 장치(100)에 입력할 수 있다. 개인은 또한 스마트 장치(450) 및/또는 외부 컴퓨팅 장치(460)에 주관적 및 객관적 파라미터들을 입력하여, 상기 파라미터들이 착용식 장치(100)에 전달되고 상기 착용식 장치(100)에 의해 사용될 수 있게 한다. 이들 파라미터들은 상기 개인 내의 각성상태의 예측을 더욱 정제하도록 사용될 수 있다. 입력될 수 있는 파라미터들은, 미국 실용신안 출원번호 14/848,771에 의해 상세히 기술된 바와 같은 사전 규정된 모션들, 개인의 병력에 관한 데이터, 충분한 수면을 취하지 않는 영향에 대한 민감성, 개인에 의해 응답된 질문지로부터의 데이터, 및 자신의 각성도 레벨에 대한 개인에 의한 주관적 평가를 포함하지만, 이제 한정되는 것은 아니다. 이러한 파라미터들은 패턴 인식 또는 기계 학습 기술을 사용하여 비선형 방식으로 가중치가 부여되어, 이들을 2-프로세스 알고리즘 모델의 정제(refinement)에 통합할 수 있다.
단계(618)에서, 기간(τ), 위상/일주기 리듬 계수(Φ), 이벤트 피처(event features), 및 데이터 포인트로부터 도출된 멜라토닌 개시를 포함하는, 일주기 리듬 측면으로부터의 입력이 상기 2-프로세스 알고리즘의 수면-각성 항상성 측면의 입력과 결합되어, 개인의 각성도 레벨을 예측하는 실행 메트릭(performance metric)을 생성한다. 상기 알고리즘에 대한 이러한 각각의 입력은 패턴 인식 기술 및/또는 기계 학습 기술을 사용하여 결합된다. 이러한 기술들 중 일부는 상기 알고리즘의 다른 부분에 비해 한 부분에 가중치를 부여하는 것을 포함할 수 있다. 예를 들어, 알고리즘 모델의 일주기 리듬 측면에 할당된 가중치는 수집된 데이터의 추정된 품질을 기반으로 한다. 이러한 각성도 레벨 예측은 단계(616)로부터 도출된 입력, 다른 객관적 및 주관적 파라미터들을 사용하여 더욱 정제될 수 있다. 이들 객관적 및 주관적 파라미터들은 또한 개인의 각성도의 예측에 통합되기 전에 가중치가 적용될 수 있다.
도 7은 생체-수학적 모델로부터 도출된, 24 시간 주기 동안의 개인에 대한 각성도 예측 출력을 나타낸다. 점선은 0에서 10까지 범위의 개인의 각성도 위험을 나타내며, 10은 가장 높은 피로 위험을 나타내고 피로 위험 기준선으로 사용된다. 이 다이어그램은 24 시간 주기에 걸쳐 시간에 따라 변하는 개인의 각성도 예측을 표시한다. 또한 이 다이어그램은 개인에 대한 수면 기간을 표시하며, 낮은, 중간의, 및 높은 피로 위험을 나타내는 개인에 대한 각성상태 예상을 도시한다.
도 8은 본 발명의 측면들에 따라 착용자/개인의 피로를 추정하기 위한 방법(800)의 단계들을 도시한다. 방법(800)의 단계들 중 하나 이상은 본 발명의 범위 및 사상을 벗어나지 않고서 여기에 개시된 것들로부터 변할 수 있는 순서로(동시에 포함하여) 생략 및/또는 반복 및/또는 수행될 수 있다.
단계(802)에서, 센서 데이터가 획득된다. 상기 센서 데이터는 착용자에 관한 정보, 예를 들어 움직임, 위치, 말초 피부 온도, 및/또는 심장 박동수를 포함할 수 있다. 또한, 상기 센서 데이터는 환경 조건, 예를 들어 주변 광 레벨 및/또는 온도를 포함할 수 있다. 착용식 장치(100) 또는 착용식 장치의 프로세서(108)는 예를 들어 모션 센서(104), 온도 센서(105a), 심장 박동수 모니터(105b), 및/또는 광 센서로부터의 신호로서 센서 데이터를 획득할 수 있다.
단계(804)에서, 신호 처리가 수행된다. 예를 들어, 온도 센서(105a) 및 심장 박동수 모니터(105b)로부터 수신된 신호가 프로세서(108)에 의해 처리되어 본 명세서에 기술된 생체-수학적 모델에 의해 지시된 바와 같이 데이터를 정리(clean up)할 수 있다. 상기 프로세서(108)는 예를 들어 피부 온도 및 심장 박동수 데이터에 대한 신호의 품질을 향상시키기 위해 저역 통과 필터링 및 이동 평균을 적용할 수 있다.
단계(806)에서, 일주기 리듬이 상기 수신되고 처리된 신호들로부터 추정된다. 상기 프로세서(108)는 피부 온도 데이터 및/또는 심장 박동수 데이터(즉, 원시 일주기 데이터) 내의 일주기 및 비-일주기 데이터를 식별하고, 정제된 일주기 데이터를 획득하기 위해 비-일주기 데이터를 제거할 수 있다(즉, 일주기 데이터를 "디마스킹"). 상기 프로세서(108)는 패턴 인식 및/또는 기계 학습 기술을 사용하여 비-일주기 데이터를 제거할 수 있다.
단계(808)에서, 개인의 파라미터들이 획득된다. 상기 개인의 파라미터들은 주관적 및/또는 객관적 파라미터들을 포함할 수 있다. 개인의 파라미터들은 개인의 병력에 관한 데이터, 충분한 수면을 취하지 않는 영향에 대한 민감성, 미리 규정된 모션을 수행하는 능력, 개인에 의해 응답된 질문지로부터의 데이터, 및 자신의 각성도 레벨에 대한 개인에 의한 주관적 평가를 포함하지만, 이제 한정되는 것은 아니다. 개인의 파라미터들은 예를 들어 장치(100) 또는 스마트 장치(450) 및/또는 외부 컴퓨팅 장치(460)의 사용자 입력을 통해 착용자로부터 수신될 수 있어, 상기 파라미터들이 착용식 장치(100)에 전달되고 상기 착용식 장치(100)에 의해 사용될 수 있게 한다. 이들 파라미터들이 사용되어 개인에 대한 각성도의 예측을 더욱 정제할 수 있다.
단계(810)에서, 상기 수신되고 처리된 신호들, 상기 추정된 일주기 리듬, 및 상기 획득된 개인의 파라미터들로부터 피처들이 추출된다. 상기 추출된 피처들은, 로컬 일주기의 고점 및 저점(예를 들면, "점심 식사 후 일시적 저하(post-lunch dip)")과 같은 일주기 리듬의 형태를 나타내는 마커; 수면 잠복기(sleep latency), 수면 관성(sleep inertia), 일주기 저점(circadian lows), 일주기 선호도(circadian preference)(아침 인간 대 저녁 인간), 습관적 수면 기회 및 위치(위상), 평균 수면 시간, 및 낮잠 습관과 같은 근무일 및 자유일 모두에 대한 사용자의 수면 습관에 관한 정보; 연령, 성별, BMI 등과 같은 일반 의료 정보를 포함할 수 있다. 한 실시예에서, 상기 추출된 피처들은, 근무일에서: 일어나는 시간(wake time), 알람 사용(alarm use), 에너지 딥 시간(energy dip time), 잠자는 시간(bed time), 중간-수면 시간(mid-sleep time), 수면 지속 시간(sleep duration), 수면 잠복기; (2) 자유일에서: 일어나는 시간, 에너지 딥 시간, 잠자는 시간, 중간-수면 시간, 수면 지속 시간, 수면 잠복기; (3) 나이; (4) 성별; (5) BMI; 및/또는 (6) 수정된 중간-수면 상태 정보를 포함할 수 있다. 상기 피처들은 (미분, 적분, 위상 변이 등)을 통한 데이터 변환 전후의 (신호에서의) 단순한 평균, 피크 및 밸리(valley) 검출, 대수 조합, 매핑 기능을 기반으로 한 변환, 주파수 영역으로의 데이터 변환 등을 통해 추출될 수 있다.
단계(812)에서, 하나 이상의 패턴 인식 및/또는 기계 학습 알고리즘이 상기 추출된 피처들에 적용되어, 상기 추출된 피처가 어떻게 계수들을 결정하는데 사용될 수 있는지를 식별한다. 프로세서(108)는 개인에게 일주기 리듬 인자들을 개인화하고 및/또는 다른 인자에 비해 하나의 인자에 가중치를 부여하도록 패턴 인식 및/또는 기계 학습 기술을 적용할 수 있다. 상기 알고리즘 모델의 가중 부분은 정적 또는 동적으로 정의될 수 있다. 상기 패턴 인식 및/또는 상기 기계 학습 알고리즘은 피크 검출 알고리즘, 포인트들 간의 보간, 및/또는 코사인 함수(cosinor function)를 적용할 수 있다. 한 실시예에서, 회귀-기반 기계 학습 알고리즘이 상기 추출된 피처들에 적용되어 다음 단계에서 추출될 계수들을 결정한다.
단계(814)에서, 계수들은 예를 들어 프로세서(108)에 의해 추출된다. 한 실시예에서, 네 개의 계수들이 추출된다. 상기 네 개의 계수들은 일주기 리듬 계수(위상 Φ), 각성/슬립 계수, 일주기 리듬 가중 계수, 및 각성/수면 가중 계수를 포함할 수 있다. 상기 프로세서(108)는 후술하는 단계(818)의 생체-수학적 모델에 공급될 수 있도록 단계(812)의 기계 학습의 출력을 변환함으로써(매핑, 위상 변이 등을 적용) 상기 계수들을 추출할 수 있다.
단계(816)에서, 액티그래피 데이터가 결정된다. 상기 프로세서(108)는 모션 센서로부터 수신된 처리된 모션 데이터를 사용하여 액티그래피 결정들을 행할 수 있다. 그 후, 상기 프로세서(108)는, 예를 들어 사람이 깨어있는지 잠들어있는지, 사람이 앉아있는지 움직이고 있는지와 같이 더욱 정확한 액티그래피 결정을 행하기 위해 말초 피부 온도 및/또는 심장 박동수 데이터 중 적어도 하나를 사용하여 액티그래피 결정을 정제할 수 있다.
단계(818)에서, 예를 들어 프로세서(108)에 의해 생체-수학적 모델이 추출된 계수들 및 결정된 액티그래픽 데이터에 적용된다. 한 실시예에서, 생체-수학적 모델은 적어도 두 개의 서브 모델, 예를 들어, 개인이 깨어있을 때 적용되는 각성중 서브 모델(awake sub-model) 및 개인이 잠들어있을 때 적용되는 수면중 서브 모델(asleep sub-model)을 포함한다. 개인이 깨어있거나 잠들어있는지 여부는 상기 액티그래피 데이터에 기초하여 프로세서(108)에 의해 결정될 수 있고, 적절한 모델이 상기 결정된 각성/수면 상황(condition)에 기초하여 적용된다.
단계(820)에서, 피로 점수가 생성된다. 상기 피로 점수는 프로세서(108)에 의해 생성될 수 있다. 상기 피로 점수 또는 그 표시는 사용자 또는 관심있는 사람(예를 들면, 고용주)에게 제시될 수 있다. 상기 피로 점수가 높은 레벨의 피로를 나타내는 경우, 사용자에게 자극(예를 들면, 착용식 장치에 의한 진동)이 제공될 수 있다.
도 9a는 16 개인들에 대한 제 1 계수 값들을 나타낸다. 도시된 제 1 계수 값들은 일주기 사이클/위상(Φ) 값들이다. 계수에 대한 최적 값은 "o"로 표시되고, 일주기 사이클에 대한 계수 추출기에 의해 결정된 추출 값은 "x"로 표시된다.
도 9b는 16 개인들에 대한 제 2 계수 값들을 나타낸다. 도시된 제 2 계수 값들은 각성/수면 사이클 값들이다. 계수에 대한 최적 값은 "o"로 표시되고, 각성/수면 사이클에 대한 계수 추출기에 의해 결정된 추출 값은 "x"로 표시된다.
도 9c는 16 개인들에 대한 제 3 계수 값들을 도시한다. 도시된 제 3 계수 값들은 일주기 사이클 가중 값들이다. 계수에 대한 최적 값은 "o"로 표시되고, 일주기 사이클 가중치에 대한 계수 추출기에 의해 결정된 추출 값은 Y로 표시된다.
도 9d는 16 개인들에 대한 제 4 계수 값을 나타낸다. 도시된 제 4 계수 값들은 각성/수면 사이클 가중 값들이다. 계수에 대한 최적 값은 "o"로 표시되고, 각성/수면 사이클 가중치에 대한 계수 추출기에 의해 결정된 추출 값은 "x"로 표시된다.
도 9a 내지 도 9d에 도시된 정보는 개인의 피로에 대한 정확한 예측을 가능하게 하는, 개인 레벨에서 정확한 본 발명의 측면들에 따른 기술을 사용하여 추출된 피처들을 도시한다.
본 발명은 본 명세서에서 특정 실시예들을 참조하여 도시되고 설명되었지만, 본 발명은 도시된 세부 사항들에 한정되도록 의도되지 않는다. 오히려, 본 발명으로부터 벗어나지 않고서 청구 범위와 균등한 영역 및 범위 내의 세부 사항에서 다양한 변형들이 이루어질 수 있다.

Claims (25)

  1. 개인의 각성도(alertness)를 모니터링하고 예측하기 위한 착용식 장치(wearable device)에 있어서:
    상기 개인에 관한 정보 신호들을 획득하도록 구성된 하나 이상의 센서들로서,
    상기 개인의 움직임 데이터 및/또는 신체 위치 데이터를 생성하도록 구성된 모션 센서,
    상기 개인의 말초 피부 온도 데이터를 생성하도록 구성된 온도 센서, 및
    상기 개인의 심장 박동수 데이터를 생성하도록 구성된 심장 박동수 모니터 중 적어도 하나를 포함하는, 상기 하나 이상의 센서들;
    메모리로서,
    상기 개인에 대한 추정된 일주기 리듬을 생성하기 위해 상기 개인에 관한 정보 신호들로부터 도출된 데이터로 정제(refine)되도록 구성된 디폴트 일주기 리듬, 및
    상기 개인에 대한 피로 점수를 생성하도록 구성된 생체-수학적 모델(bio-mathematical model)을 저장하도록 구성된, 상기 메모리;
    상기 하나 이상의 센서들 및 상기 메모리에 결합된 프로세서로서,
    움직임 데이터, 위치 데이터, 말초 피부 온도 데이터, 또는 심장 박동 수 데이터 중 적어도 하나를 포함하는 상기 개인에 관한 정보 신호들 을 수 신하고,
    상기 디폴트 일주기 리듬을 정제하도록 상기 개인에 관한 정보 신호들 을 통합함으로써 상기 개인의 일주기 리듬을 추정하고,
    상기 개인에 관한 정보 신호들 및 상기 추정된 일주기 리듬으로부터 피처들을 추출하고,
    적어도 하나의 패턴 인식 알고리즘 또는 기계 학습 알고리즘을 상기 추출된 피처들에 적용하고,
    상기 적어도 하나의 패턴 인식 알고리즘 또는 기계 학습 알고리즘을 사용하여 상기 추출된 피처들로부터 적어도 하나의 계수를 추출하고,
    상기 적어도 하나의 추출된 계수에 생체-수학적 모델을 적용하고,
    상기 생체-수학적 모델을 사용하여 상기 적어도 하나의 추출된 계수로부터 상기 개인에 대한 피로 점수를 생성하도록 구성된, 상기 프로세서; 및
    상기 하나 이상의 센서들, 상기 메모리, 및 상기 프로세서를 상기 개인 상에서 지지하도록 구성된 지지체를 포함하는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  2. 제 1 항에 있어서,
    상기 생체-수학적 모델은 수면-각성 항상성(sleep-wake homeostasis) 및 상기 추정된 일주기 리듬의 평가들을 사용하여 상기 개인의 각성도 레벨들을 예측하도록 구성된 2-프로세스 알고리즘이며,
    상기 프로세서는 또한:
    상기 움직임 데이터 및/또는 상기 신체 위치 데이터를 사용하여 액티그래피(actigraphy) 결정들을 행하고,
    상기 2-프로세스 알고리즘을 사용하여, 상기 액티그래피 결정들에 기초하여 수면 및 각성상태(wakefulness)의 기간들을 포함하는 상기 개인의 수면-각성 항상성을 평가하고,
    상기 2-프로세스 알고리즘에 따라 상기 수면-각성 항상성 평가들을 상기 추정된 일주기 리듬과 결합하여 상기 개인에 대한 피로 점수를 생성하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  3. 제 2 항에 있어서,
    상기 프로세서는 또한:
    상기 말초 피부 온도 데이터 또는 상기 심장 박동수 데이터 중 적어도 하나를 사용하여 상기 액티그래피 결정들을 정제하고,
    상기 정제된 액티그래피 결정들에 더 기초하여 상기 개인의 수면-각성 항상성을 평가하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  4. 제 1 항에 있어서,
    상기 적어도 하나의 계수는 일주기 리듬 계수(Φ), 각성/수면 계수(τ), 일주기 리듬 가중 계수, 또는 각성/수면 가중 계수 중 적어도 하나를 포함하는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  5. 제 1 항에 있어서,
    상기 프로세서는 또한:
    신호 처리 기술을 사용함으로써 상기 개인에 관한 정보 신호들을 처리하고;
    상기 처리된 정보 신호들을 상기 개인의 일주기 리듬의 추정에 통합하고;
    상기 처리된 정보 신호들을 상기 피처들의 추출에 통합하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  6. 제 1 항에 있어서,
    상기 프로세서는 또한:
    상기 개인의 움직임 및/또는 위치에 관한 정보 신호들을 획득하고;
    상기 개인의 움직임에 관한 정보 신호들을 사용하여 상기 개인에 대한 액티그래피 데이터를 결정하고;
    각성중 생체-수학적 서브 모델(awake bio-mathematical sub-model) 및 수면중 생체-수학적 서브 모델(asleep bio-mathematical sub-model) 중 하나로부터 선택되는 상기 생체-수학적 모델을 상기 액티그래피 데이터에 적용하고;
    상기 액티그래피 데이터를 상기 개인의 피로 점수의 생성에 통합하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  7. 제 6 항에 있어서,
    상기 프로세서는 또한, 상기 개인의 말초 피부 온도 또는 상기 개인의 심장 박동수에 관한 정보 신호들 중 적어도 하나를 사용하여 상기 액티그래피 데이터를 정제하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  8. 제 1 항에 있어서,
    상기 추출된 피처들은: 상기 개인의 일주기 리듬의 형태를 나타내는 마커들, 작업일(working day) 및 자유일(free day) 모두에서 상기 개인의 수면 습관에 관한 정보, 및 상기 개인에 관한 일반 의료 정보 중 하나 이상을 포함하는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  9. 제 1 항에 있어서,
    상기 프로세서는 또한, 상기 개인에 관한 개인 파라미터들을 상기 개인 파라미터들이 상기 착용식 장치에 입력될 때 상기 피처들의 추출에 통합하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  10. 제 1 항에 있어서,
    상기 프로세서는 또한,
    상기 개인에 관한 정보 신호들 내의 원시 일주기 데이터를 식별하고;
    상기 원시 일주기 데이터 내의 비-일주기(non-circadian) 이벤트들에 의해 야기된 비-일주기 데이터를 식별하고;
    정제된 일주기 데이터를 획득하기 위해 상기 원시 일주기 데이터로부터 상기 비-일주기 데이터를 삭제하고;
    상기 정제된 일주기 데이터를 상기 개인의 일주기 리듬의 추정에 통합하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  11. 제 1 항에 있어서,
    상기 착용식 장치의 센서들은 주변 광 레벨 데이터 또는 주변 온도 데이터 중 적어도 하나를 포함하는 상기 개인의 환경에 관한 환경 정보 신호들을 수집하도록 구성되며, 상기 프로세서는 또한 상기 환경 정보 신호들을 상기 일주기 리듬의 추정에 통합하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  12. 제 11 항에 있어서,
    상기 장치의 센서들은 상기 개인을 둘러싸는 주변 광으로부터 주변 광 데이터를 생성하도록 구성된 주변 광 센서를 더 포함하고,
    상기 프로세서는 상기 주변 광 센서에 결합되고,
    상기 프로세서는 또한 상기 주변 광 데이터를 통합함으로써 상기 생체-수학적 모델을 이용하여 상기 일주기 리듬 추정을 정제하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  13. 제 11 항에 있어서,
    상기 온도 센서는 또한 상기 개인을 둘러싸는 주변 온도로부터 주변 온도 데이터를 생성하도록 구성되고, 상기 프로세서는 또한 상기 주변 온도 데이터를 통합함으로써 상기 생체-수학적 모델을 이용하여 상기 일주기 리듬 추정을 정제하도록 구성되는, 개인의 각성도를 모니터링하고 예측하기 위한 착용식 장치.
  14. 개인에 대한 피로 점수를 생성하는 방법에 있어서:
    착용식 장치의 센서들에 의해, 움직임, 위치, 말초 피부 온도, 또는 심장 박동수 중 적어도 하나를 포함하는 상기 개인에 관한 정보 신호들을 획득하는 단계;
    상기 착용식 장치의 프로세서에 의해, 상기 개인에 관한 정보 신호들로부터 상기 개인의 일주기 리듬을 추정하는 단계;
    상기 프로세서에 의해, 상기 개인에 관한 정보 신호들 및 상기 추정된 일주기 리듬으로부터 피처들을 추출하는 단계;
    상기 프로세서에 의해, 상기 적어도 하나의 패턴 인식 알고리즘 또는 기계 학습 알고리즘을 상기 추출된 피처들에 적용하는 단계;
    상기 프로세서에 의해, 상기 적어도 하나의 패턴 인식 알고리즘 또는 기계 학습 알고리즘을 사용하여 상기 추출된 피처들로부터 적어도 하나의 계수를 추출하는 단계;
    상기 프로세서에 의해, 생체 수학적 모델을 상기 추출된 계수들에 적용하는 단계; 및
    상기 프로세서에 의해, 상기 생체-수학적 모델을 사용하여 상기 추출된 계수들로부터 상기 개인에 대한 피로 점수를 생성하는 단계를 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  15. 제 14 항에 있어서,
    상기 프로세서에 의해, 신호 처리 기술을 사용함으로써 상기 개인에 관한 정보 신호들을 처리하는 단계;
    상기 프로세서에 의해, 상기 처리된 정보 신호들을 상기 개인의 일주기 리듬의 추정에 통합하는 단계; 및
    상기 프로세서에 의해, 상기 처리된 정보 신호들을 상기 피처들의 추출에 통합하는 단계를 더 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  16. 제 14 항에 있어서,
    상기 착용식 장치의 센서들은:
    주변 광 레벨 또는 온도 중 적어도 하나를 포함하는 상기 개인의 환경에 관한 환경 정보 신호들을 수집하고;
    상기 프로세서에 의해, 상기 환경 정보 신호들을 상기 개인의 일주기 리듬의 추정에 통합하도록 구성되는, 개인에 대한 피로 점수를 생성하는 방법.
  17. 제 14 항에 있어서,
    상기 프로세서에 의해, 상기 개인에 관한 정보 신호들 내의 원시 일주기 데이터를 식별하는 단계;
    상기 프로세서에 의해, 상기 원시 일주기 데이터 내의 비-일주기 이벤트들에 의해 야기된 비-일주기 데이터를 식별하는 단계;
    상기 프로세서에 의해, 정제된 일주기 데이터를 획득하기 위해 상기 원시 일주기 데이터로부터 상기 비-일주기 데이터를 삭제하는 단계; 및
    상기 프로세서에 의해, 상기 정제된 일주기 데이터를 상기 개인의 일주기 리듬의 추정에 통합하는 단계를 더 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  18. 제 14 항에 있어서,
    상기 개인에 관한 개인 파라미터들을 상기 착용식 장치에 입력하는 단계; 및
    상기 프로세서에 의해, 상기 개인 파라미터들을 상기 피처들의 추출에 통합하는 단계를 더 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  19. 제 14 항에 있어서,
    상기 적어도 하나의 계수는 일주기 리듬 계수, 각성/수면 계수, 일주기 리듬 가중 계수, 또는 각성/수면 가중 계수 중 적어도 하나를 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  20. 제 14 항에 있어서,
    상기 착용식 장치의 모션 센서에 의해, 상기 개인의 움직임 및/또는 위치에 관한 정보 신호들을 획득하는 단계;
    상기 프로세서에 의해, 상기 개인의 움직임에 관한 정보 신호들을 사용하여 상기 개인에 대한 액티그래피 데이터를 결정하는 단계;
    상기 프로세서에 의해, 상기 생체-수학적 모델을 상기 액티그래피 데이터에 적용하는 단계로서, 상기 생체-수학적 모델은 각성중 생체-수학적 서브 모델 및 수면중 생체-수학적 서브 모델 중 하나로부터 선택되는, 상기 적용 단계; 및
    상기 프로세서에 의해, 상기 액티그래피 데이터를 상기 개인에 대한 피로 점수의 생성에 통합하는 단계를 더 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  21. 제 20 항에 있어서,
    상기 프로세서에 의해, 상기 개인의 말초 피부 온도 또는 상기 개인의 심장 박동수에 관한 정보 신호들 중 적어도 하나를 사용하여 상기 액티그래피 데이터를 정제하는 단계를 더 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  22. 제 20 항에 있어서,
    상기 프로세서에 의해, 상기 액티그래피 데이터를 사용하여 상기 개인이 각성중인지 또는 수면중인지를 결정하는 단계를 더 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  23. 제 22 항에 있어서,
    상기 프로세서에 의해, 상기 프로세서가 상기 개인이 각성중에 있다고 결정할 때 상기 각성중 생체-수학적 서브 모델을 선택하는 단계를 더 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  24. 제 22 항에 있어서,
    상기 프로세서에 의해, 상기 프로세서가 상기 개인이 수면중에 있다고 결정할 때 상기 수면중 생체-수학적 서브 모델을 선택하는 단계를 더 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
  25. 제 14 항에 있어서,
    상기 추출된 피처들은: 상기 개인의 일주기 리듬의 형태를 나타내는 마커들, 작업일 및 자유일 모두에서의 상기 개인의 수면 습관에 관한 정보, 및 상기 개인에 관한 일반 의료 정보 중 적어도 하나를 포함하는, 개인에 대한 피로 점수를 생성하는 방법.
KR1020187025602A 2016-02-18 2017-02-17 각성도 예측 시스템 및 방법 KR20180111926A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201662296800P 2016-02-18 2016-02-18
US62/296,800 2016-02-18
US201662432977P 2016-12-12 2016-12-12
US62/432,977 2016-12-12
PCT/US2017/018355 WO2017143179A1 (en) 2016-02-18 2017-02-17 Alertness prediction system and method

Publications (1)

Publication Number Publication Date
KR20180111926A true KR20180111926A (ko) 2018-10-11

Family

ID=58228569

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020187025602A KR20180111926A (ko) 2016-02-18 2017-02-17 각성도 예측 시스템 및 방법

Country Status (7)

Country Link
US (3) US10238335B2 (ko)
EP (1) EP3416557B1 (ko)
JP (1) JP2019510550A (ko)
KR (1) KR20180111926A (ko)
CN (1) CN108697391A (ko)
CA (1) CA3014812A1 (ko)
WO (1) WO2017143179A1 (ko)

Families Citing this family (34)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3416557B1 (en) * 2016-02-18 2020-07-22 Curaegis Technologies, Inc. Alertness prediction system and method
US20210228152A1 (en) * 2017-02-27 2021-07-29 Polar Electro Oy Measuring and estimating alertness
US10565565B2 (en) * 2017-05-25 2020-02-18 Microsoft Technology Licensing, Llc Scheduling of calendar items based on user attentiveness
JP6920434B2 (ja) * 2017-07-13 2021-08-18 株式会社村田製作所 疲労回復支援装置
JP2019021051A (ja) * 2017-07-18 2019-02-07 株式会社東芝 情報処理装置、方法及びプログラム
FI20185051A1 (en) * 2018-01-19 2019-07-20 Night Train Oy Method, device and system for detecting sleep phases in a person
US11373501B1 (en) * 2018-02-21 2022-06-28 Michael Houser Snooze alert system and method
GB2573261B (en) * 2018-02-26 2022-05-18 Babylon Partners Ltd Sleep activity detection method and apparatus
JP6563076B2 (ja) * 2018-05-22 2019-08-21 日鉄ソリューションズ株式会社 体調管理装置、体調管理システム、体調管理方法及びプログラム
US11534568B2 (en) * 2018-06-28 2022-12-27 Koninklijke Philips N.V. Pressure support system and method of providing pressure support therapy to a patient
US20210315507A1 (en) * 2018-09-11 2021-10-14 Icm (Institut Du Cerveau Et De La Moelle Épinière) System and methods for consciousness evaluation in non-communicating subjects
US11141088B2 (en) * 2018-10-09 2021-10-12 Sony Corporation Electronic device for recognition of mental behavioral attributes based on deep neural networks
CN109432568B (zh) * 2018-10-24 2021-08-06 Oppo广东移动通信有限公司 一种辅助睡眠的方法、装置、存储介质及终端
IT201800020155A1 (it) * 2018-12-18 2020-06-18 Stefano Perticaroli “Sistema per la valutazione dello stato di sonnolenza e vigilanza basato sulla misura della temperatura corporea”
EP3671757A1 (en) * 2018-12-18 2020-06-24 Koninklijke Philips N.V. System and method for determining a level of alertness
US11446465B2 (en) * 2019-03-01 2022-09-20 LumosTech, Inc. Sleep and circadian rhythm management system for circadian rhythm disruptions
AU2020296895A1 (en) * 2019-06-21 2022-01-27 Novartis Ag Systems and methods for user verification based on actigraphy data
JP7318451B2 (ja) * 2019-09-24 2023-08-01 株式会社豊田中央研究所 生体リズム予測装置及びプログラム
JP6694542B1 (ja) * 2019-10-11 2020-05-13 株式会社オー プログラム、情報処理方法、及び情報処理端末
CN111076843A (zh) * 2019-12-31 2020-04-28 浙江智慧照明技术有限公司 一种人体昼夜节律测量方法和装置
WO2021185623A1 (en) * 2020-03-16 2021-09-23 Koninklijke Philips N.V. Systems and methods for modeling sleep parameters for a subject
US11985741B2 (en) 2020-05-18 2024-05-14 Mate. Llc Human-centric lighting controller
US20240000375A1 (en) * 2020-11-10 2024-01-04 ResMed Pty Ltd System and method for classifying and using chronotypes
EP4259277A1 (en) * 2020-12-11 2023-10-18 Lumostech, Inc. Modeling-guided light therapy for adjusting circadian rhythm
DE102020134950A1 (de) 2020-12-28 2022-06-30 aliamos GmbH Verfahren zur chronobiologischen Qualitätsbestimmung einer Personaleinsatzplanung
WO2022245593A1 (en) * 2021-05-21 2022-11-24 Oura Health Oy Sleep staging algorithm
CN113974567B (zh) * 2021-11-09 2024-03-26 重庆火后草科技有限公司 睡眠过程的代谢率的计算方法
EP4180087A1 (en) * 2021-11-15 2023-05-17 BrainLit AB Method for adjusting an actual wake-up time of an individual
CA3238419A1 (en) * 2021-12-16 2023-06-22 Sleep Number Corporation Sleep system with features for personalized daytime alertness quantification
CN114431837B (zh) * 2022-04-12 2022-08-16 深圳市心流科技有限公司 一种睡眠状态控制方法、装置、助眠设备及存储介质
CN114451869B (zh) * 2022-04-12 2022-07-08 深圳市心流科技有限公司 一种睡眠状态评估方法、装置、智能终端和存储介质
WO2024025778A1 (en) * 2022-07-29 2024-02-01 Sleep Number Corporation Sleep system with personalized sleep recommendations based on circadian chronotype
GB2611427B (en) * 2022-11-04 2023-10-18 Polar Electro Oy Predicting awake-time alertness
GB2611635A (en) * 2022-11-04 2023-04-12 Polar Electro Oy Circadian rhythm detection

Family Cites Families (178)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US600806A (en) 1898-03-15 scott
US509791A (en) 1893-11-28 Harrow
US2875430A (en) 1957-12-17 1959-02-24 Jr Bernard J Kayser Alarm apparatus for motor vehicle operator
US3222639A (en) 1961-08-31 1965-12-07 Driv A Lert Corp Alarm apparatus for vehicle operator
US3222640A (en) 1962-04-02 1965-12-07 Driv A Lert Corp Alarm apparatus for vehicle operator
US3223998A (en) 1962-04-06 1965-12-14 Cubic Corp Electronic tracking system employing slant range measurements
US3186508A (en) 1963-03-06 1965-06-01 Lewis H Lamont Emergency control for a vehicle
US3631446A (en) 1968-08-12 1971-12-28 Donald D Setser Sleep-sensing device for use on automotive vehicles
US3524030A (en) 1968-11-20 1970-08-11 Louis A Wiegel Anti-doze device for automobile drivers
US3654599A (en) 1970-04-10 1972-04-04 Life Technology Inc Vehicle steering reversal rate alarm system
US3861349A (en) 1972-08-16 1975-01-21 Cecil Conley Operator alerting device
JPS5642488B2 (ko) 1974-08-02 1981-10-05
JPS5321939B2 (ko) 1974-08-26 1978-07-05
US3935830A (en) 1974-09-30 1976-02-03 Cox Richard D Bow pulpit mounted pivoting fluke type anchor holder
JPS5916969B2 (ja) 1975-02-07 1984-04-18 日産自動車株式会社 自動車用安全装置
US3972038A (en) 1975-03-28 1976-07-27 Nasa Accelerometer telemetry system
US4104621A (en) 1975-08-20 1978-08-01 Nissan Motor Company, Limited Steering-wheel reversal driver alertness monitor
US4059830A (en) 1975-10-31 1977-11-22 Threadgill Murray H Sleep alarm device
US4361834A (en) 1978-12-13 1982-11-30 King Johnnie L Safety alarm device
FR2453454A1 (fr) 1979-04-05 1980-10-31 Fourcade Jean Claude Dispositif commande par l'inclinaison de la tete d'un conducteur et empechant son sommeil
JPS562226A (en) 1979-06-13 1981-01-10 Nissan Motor Co Ltd Dozing drive detector
US4365637A (en) 1979-07-05 1982-12-28 Dia-Med, Inc. Perspiration indicating alarm for diabetics
HU184050B (en) 1979-11-29 1984-06-28 Gyoergy Balogh Method for detecting and checking the decreasing of activity and watchfulness level of driver on vehicles on non-limited way having independent source of power as well as safety device for vehicles of non-limited way
JPS5758515A (en) 1980-09-22 1982-04-08 Nissan Motor Co Ltd Alarm system for vehicle
US4463347A (en) 1980-09-22 1984-07-31 Nissan Motor Company, Ltd. Drowsiness alarm system for a vehicle
JPS5766025A (en) 1980-10-06 1982-04-22 Nissan Motor Co Ltd Alarming device for vehicle
JPS5766027A (en) 1980-10-06 1982-04-22 Nissan Motor Co Ltd Alarming device for vehicle
JPS5766028A (en) 1980-10-06 1982-04-22 Nissan Motor Co Ltd Alarming device for vehicle
DE3136433A1 (de) 1981-09-14 1983-03-31 Klaus Prof. Dr.-Ing. 4006 Erkrath Brankamp Verfahren zum feststellen und erkennen von abweichungen zyklisch wiederkehrender vorgaenge zum umformen von werkstuecken von einem normalverlauf
JPS5873806A (ja) 1981-10-28 1983-05-04 Nippon Soken Inc 自動車用蛇行走行警報装置
DE3207566A1 (de) 1982-03-02 1983-09-15 Deutsche Star Kugelhalter Gmbh, 8720 Schweinfurt Verfahren zur herstellung einer auf einer gewindespindel laufenden doppelmutter
US4509531A (en) 1982-07-28 1985-04-09 Teledyne Industries, Inc. Personal physiological monitor
DE3329130A1 (de) 1982-08-23 1984-02-23 Kabushiki Kaisha Suwa Seikosha, Tokyo Verfahren zur ansteuerung einer matrix-anzeigetafel
JPS59129854A (ja) 1983-01-18 1984-07-26 Dainippon Screen Mfg Co Ltd 画像走査記録時における光量補正方法
JPS59153627A (ja) 1983-02-18 1984-09-01 Nissan Motor Co Ltd 居眠り運転警報装置
JPS59153625A (ja) 1983-02-18 1984-09-01 Nissan Motor Co Ltd 居眠り運転検出装置
AT380355B (de) 1983-10-17 1986-05-12 Hirsch Hermann Leder Kunstst Informationssystem
DE3443644A1 (de) 1983-11-30 1985-06-05 Aisin Seiki K.K., Kariya, Aichi Vorrichtung zur ueberwachung der fahrer-verfassung und sicherheit bei einem strassenfahrzeug
US4794536A (en) 1984-05-24 1988-12-27 Toyoda Koki Kabushiki Kaisha Steering angle detection device
US4819860A (en) 1986-01-09 1989-04-11 Lloyd D. Lillie Wrist-mounted vital functions monitor and emergency locator
GB2194201B (en) 1986-08-22 1990-07-04 Honda Motor Co Ltd Steering angle detector
JPH0779803B2 (ja) 1987-12-09 1995-08-30 日本電装株式会社 居眠り検出装置
SE8800848D0 (sv) 1988-03-10 1988-03-10 Saab Scania Ab Sett och anordning for att overvaka en fordonsforares styrbeteende
JPH0686222B2 (ja) 1988-03-14 1994-11-02 本田技研工業株式会社 操舵装置
US4996647A (en) 1989-03-27 1991-02-26 Sperry Marine Inc. Digital statistical processing for signal parameter determination
JP2987945B2 (ja) 1991-01-10 1999-12-06 日産自動車株式会社 操舵角センサフェイル検出装置
JP3369201B2 (ja) 1991-10-02 2003-01-20 マツダ株式会社 覚醒度維持装置
US5259390A (en) 1992-02-03 1993-11-09 Queen's University Method and apparatus to monitor sleep behaviour
FI92139C (fi) 1992-02-28 1994-10-10 Matti Myllymaeki Ranteeseen kiinnitettävä terveydentilan seurantalaite
US8604932B2 (en) 1992-05-05 2013-12-10 American Vehicular Sciences, LLC Driver fatigue monitoring system and method
US5465079A (en) 1992-08-14 1995-11-07 Vorad Safety Systems, Inc. Method and apparatus for determining driver fitness in real time
JP3269153B2 (ja) 1993-01-06 2002-03-25 三菱自動車工業株式会社 覚醒度判定装置
US5548773A (en) 1993-03-30 1996-08-20 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Digital parallel processor array for optimum path planning
US5402109A (en) 1993-04-29 1995-03-28 Mannik; Kallis H. Sleep prevention device for automobile drivers
GB9317983D0 (en) 1993-08-28 1993-10-13 Lucas Ind Plc A driver assistance system for a vehicle
FI100941B (fi) 1993-09-14 1998-03-31 Internat Business Innovations Kehoon kiinnitettävä terveydentilan seurantalaite
DE4480341B4 (de) 1993-12-28 2005-05-25 Mitsubishi Fuso Truck And Bus Corp. Sicherheitsfahrsystem
US5847648A (en) 1994-02-10 1998-12-08 Douglas R. Savor Alarm and intermittent alert system for vehicle operation
US5570087A (en) 1994-02-18 1996-10-29 Lemelson; Jerome H. Motor vehicle performance monitor and method
US5497779A (en) 1994-03-08 1996-03-12 Colin Corporation Pulse wave detecting apparatus
JP3293308B2 (ja) 1994-03-10 2002-06-17 三菱電機株式会社 人物状態検出装置
JP3070384B2 (ja) 1994-04-26 2000-07-31 三菱自動車工業株式会社 運転注意力判別方法
US5691693A (en) 1995-09-28 1997-11-25 Advanced Safety Concepts, Inc. Impaired transportation vehicle operator system
JP3512493B2 (ja) 1994-11-16 2004-03-29 パイオニア株式会社 運転精神状態検出装置
GB9424116D0 (en) 1994-11-28 1995-01-18 Williams Deryk J P Driver warning device
US5585785A (en) 1995-03-03 1996-12-17 Gwin; Ronnie Driver alarm
US5850193A (en) 1995-03-30 1998-12-15 Sumitomo Electric Industries, Ltd. Apparatus for assisting driver in carefully driving
US5689241A (en) 1995-04-24 1997-11-18 Clarke, Sr.; James Russell Sleep detection and driver alert apparatus
US5570698A (en) 1995-06-02 1996-11-05 Siemens Corporate Research, Inc. System for monitoring eyes for detecting sleep behavior
JP3426060B2 (ja) 1995-07-28 2003-07-14 三菱電機株式会社 顔画像処理装置
DE19630970B4 (de) 1995-08-01 2008-12-24 Honda Giken Kogyo K.K. Fahrzustandsüberwachungseinrichtung für Kraftfahrzeuge
US5729619A (en) 1995-08-08 1998-03-17 Northrop Grumman Corporation Operator identity, intoxication and drowsiness monitoring system and method
US5709281A (en) 1995-09-14 1998-01-20 Trw Inc. Method and apparatus for adjusting steering feel
US5568127A (en) 1995-10-27 1996-10-22 Richard M. Bang Drowsiness warning device and neck support
JP3686465B2 (ja) 1995-11-06 2005-08-24 本田技研工業株式会社 車両用運転状況監視装置
US5835008A (en) 1995-11-28 1998-11-10 Colemere, Jr.; Dale M. Driver, vehicle and traffic information system
US5684462A (en) 1996-01-16 1997-11-04 Gold; Bert Joseph Driver attention alarm
US5684455A (en) 1996-01-29 1997-11-04 Williams; Pete Bernard Driver alert apparatus
JP3647538B2 (ja) 1996-02-12 2005-05-11 本田技研工業株式会社 車両操舵装置
US5813993A (en) 1996-04-05 1998-09-29 Consolidated Research Of Richmond, Inc. Alertness and drowsiness detection and tracking system
US5714925A (en) 1996-04-10 1998-02-03 Lee; Patrick J. Motor vehicle operator alerting apparatus
JP3183161B2 (ja) 1996-04-12 2001-07-03 三菱自動車工業株式会社 覚醒度推定装置
JPH09301011A (ja) 1996-05-20 1997-11-25 Honda Motor Co Ltd 車両用運転状況監視装置
US6265978B1 (en) 1996-07-14 2001-07-24 Atlas Researches, Ltd. Method and apparatus for monitoring states of consciousness, drowsiness, distress, and performance
IL118854A0 (en) 1996-07-15 1996-10-31 Atlas Dan Personal micro-monitoring and alerting device for sleepiness
GB9700090D0 (en) 1997-01-04 1997-02-19 Horne James A Sleepiness detection for vehicle driver
US5798695A (en) 1997-04-02 1998-08-25 Northrop Grumman Corporation Impaired operator detection and warning system employing analysis of operator control actions
US5942979A (en) 1997-04-07 1999-08-24 Luppino; Richard On guard vehicle safety warning system
US5907282A (en) 1997-04-29 1999-05-25 Chris W. Turto Physiology monitoring sleep prevention system
US5835028A (en) 1997-05-05 1998-11-10 Bender; Lee Lane marker position sensor and alarm
US5867587A (en) 1997-05-19 1999-02-02 Northrop Grumman Corporation Impaired operator detection and warning system employing eyeblink analysis
JPH1138827A (ja) 1997-07-16 1999-02-12 Toshiba Corp 定着装置
US6097286A (en) 1997-09-30 2000-08-01 Reliance Electric Technologies, Llc Steer by wire system with feedback
US5923263A (en) 1997-09-30 1999-07-13 Rodriguez; Luis G. Driver safety and swimming pool safety device
US6061610A (en) 1997-10-31 2000-05-09 Nissan Technical Center North America, Inc. Method and apparatus for determining workload of motor vehicle driver
US6067020A (en) 1997-12-29 2000-05-23 Wimmer; B. David Apparatus for retarding drowsiness
US5982287A (en) 1997-12-31 1999-11-09 Michael Brannen Sleep prevention apparatus and method
DE19803158C1 (de) 1998-01-28 1999-05-06 Daimler Chrysler Ag Vorrichtung zur Vigilanzzustandsbestimmung
GB2334127A (en) 1998-02-05 1999-08-11 Cambridge Neurotechnology Limi Alertness monitor
US5990795A (en) 1998-02-06 1999-11-23 Miller; Bernard J. Sleep warning device for mobile vehicles
JPH11232585A (ja) 1998-02-10 1999-08-27 Oki Electric Ind Co Ltd 車両の路側逸脱防止システム
US5900819A (en) 1998-04-21 1999-05-04 Meritor Heavy Vehicle Systems, Llc Drowsy driver detection system
US5969616A (en) 1998-05-11 1999-10-19 Tschoi; Jin Sook Anti-drowsing/anti-dozing alarm device
WO1999059117A1 (en) 1998-05-12 1999-11-18 Bang, Richard, M. Electronic switch utilized in, for example, a drowsiness warning device
KR100635954B1 (ko) 1998-08-04 2006-10-19 사이버옵틱스 코포레이션 개선된 기능을 갖는 센서
US6091334A (en) 1998-09-04 2000-07-18 Massachusetts Institute Of Technology Drowsiness/alertness monitor
US6087943A (en) 1998-11-09 2000-07-11 Bailey; Paul Lenworth Steering alert system
AU767533B2 (en) 1999-01-27 2003-11-13 Compumedics Limited Vigilance monitoring system
US6023227A (en) 1999-04-05 2000-02-08 Yanko; Gersh Froim Alerting system and method for maintaining the awareness of a driver
US6172610B1 (en) 1999-04-08 2001-01-09 Robert S. Prus Sleeping driver detector and alarm system
US6762684B1 (en) 1999-04-19 2004-07-13 Accutrak Systems, Inc. Monitoring system
DE29922173U1 (de) 1999-12-17 2001-04-19 Pajtler Aleksander Sicherheitssystem für Fahrer
US6184791B1 (en) 2000-01-27 2001-02-06 Gerald R. Baugh Vehicle safety warning and action system
DE10025131A1 (de) 2000-05-20 2001-11-29 Integrated Electronic Systems Sys Consulting Gmbh Fernsteueranlage insbesondere zur Fernsteuerung von Industriegeräten
DE10027922A1 (de) 2000-06-06 2002-01-24 Bosch Gmbh Robert Verfahren zum Detektieren der Position von Händen auf einem Lenkrad
US6950027B2 (en) 2000-08-23 2005-09-27 Siemens Vdo Automotive Corporation Method to alert drowsy driver
US7629890B2 (en) 2003-12-04 2009-12-08 Hoana Medical, Inc. System and methods for intelligent medical vigilance with bed exit detection
JP4612943B2 (ja) 2000-11-24 2011-01-12 富士重工業株式会社 車両用の覚醒度推定装置および覚醒度推定方法
GB2375645A (en) 2001-02-08 2002-11-20 Douglas Maximillian Lore Mudge Drowsiness monitor having a means for detecting a metabolic function of a user
US20020180608A1 (en) 2001-05-04 2002-12-05 Sphericon Ltd. Driver alertness monitoring system
WO2003013354A1 (en) 2001-08-08 2003-02-20 Product Systems Limited Activity monitoring device
US6822573B2 (en) 2002-01-18 2004-11-23 Intelligent Mechatronic Systems Inc. Drowsiness detection system
US6791462B2 (en) 2002-09-18 2004-09-14 Sang J. Choi Sleepy alarm system activated by heart pulse meter
JP4366145B2 (ja) 2003-08-26 2009-11-18 富士重工業株式会社 運転者の覚醒度推定装置及び覚醒度推定方法
US20050070824A1 (en) 2003-09-29 2005-03-31 Edward Rhad Response testing for conscious sedation using finger movement response assembly
ATE536801T1 (de) 2004-01-15 2011-12-15 Koninkl Philips Electronics Nv Adaptives physiologisches überwachungssystem und anwendungsverfahren dafür
US20110077548A1 (en) 2004-04-01 2011-03-31 Torch William C Biosensors, communicators, and controllers monitoring eye movement and methods for using them
JP4839325B2 (ja) 2005-01-19 2011-12-21 タカタ・ペトリ アーゲー 自動車用ステアリングホイールアセンブリ
US8123624B2 (en) 2005-03-03 2012-02-28 Theodore Weissenburger Caldwell Shot Monitoring Watch
US20060282021A1 (en) 2005-05-03 2006-12-14 Devaul Richard W Method and system for fall detection and motion analysis
US7830265B2 (en) 2005-05-06 2010-11-09 Jerome Arnold Power Sleep alert device
DE102005026479B4 (de) 2005-06-09 2017-04-20 Daimler Ag Verfahren zur Unaufmerksamkeitserkennung in Abhängigkeit von mindestens einem fahrerindividuellen Parameter
JP4497081B2 (ja) 2005-10-31 2010-07-07 トヨタ自動車株式会社 人の状態検出装置
JP4819887B2 (ja) 2006-05-29 2011-11-24 シャープ株式会社 疲労推定装置及びそれを搭載した電子機器
WO2008054460A2 (en) 2006-10-30 2008-05-08 Ronald Liska Stay awake
US7692552B2 (en) 2007-01-23 2010-04-06 International Business Machines Corporation Method and system for improving driver safety and situational awareness
US9024764B2 (en) 2007-01-25 2015-05-05 Honda Motor Co., Ltd. Method and apparatus for manipulating driver core temperature to enhance driver alertness
US20080266118A1 (en) 2007-03-09 2008-10-30 Pierson Nicholas J Personal emergency condition detection and safety systems and methods
US7839292B2 (en) 2007-04-11 2010-11-23 Nec Laboratories America, Inc. Real-time driving danger level prediction
US8033916B2 (en) 2007-05-04 2011-10-11 Theodore Caldwell Grip pressure sensor
WO2008144908A1 (en) * 2007-05-29 2008-12-04 Christopher Mott Methods and systems for circadian physiology predictions
US20090189772A1 (en) 2008-01-28 2009-07-30 Christ Randolph W Stay-alert device
GB2458877B (en) 2008-02-29 2012-04-25 Philip Howson Distress alarm system
JP4727688B2 (ja) 2008-04-23 2011-07-20 トヨタ自動車株式会社 覚醒度推定装置
US7956757B2 (en) 2008-04-28 2011-06-07 General Electric Company System and method for monitoring an alertness of an operator of a powered system
US20090273478A1 (en) 2008-05-02 2009-11-05 Mei Bradford Y Sleep alert wristband
WO2010005727A2 (en) 2008-06-16 2010-01-14 Paul Zei Devices and methods for exercise monitoring
US8773269B2 (en) 2008-06-27 2014-07-08 Neal T. RICHARDSON Autonomous fall monitor
NZ590399A (en) 2008-07-10 2013-09-27 Claudia Zayfert Device, system, and method for treating psychiatric disorders
WO2010032424A1 (ja) 2008-09-18 2010-03-25 学校法人中部大学 眠気予兆検出装置
US7898426B2 (en) 2008-10-01 2011-03-01 Toyota Motor Engineering & Manufacturing North America, Inc. Alertness estimator
US20100100004A1 (en) * 2008-10-16 2010-04-22 Koninklijke Nederlandse Akademie Van Wetenschappen Skin Temperature Measurement in Monitoring and Control of Sleep and Alertness
US8823527B2 (en) 2009-09-03 2014-09-02 Koninklijke Philips N.V. Consciousness monitoring
US8339268B2 (en) 2009-11-10 2012-12-25 GM Global Technology Operations LLC Driver configurable drowsiness prevention
US20110175726A1 (en) 2010-01-20 2011-07-21 John Baird Wireless Distress System
US20120007735A1 (en) 2010-07-07 2012-01-12 Paragon Gps, Inc. Wearable Device and System for Tracking a Person's Location
US8812428B2 (en) * 2010-09-20 2014-08-19 Pulsar Informatics, Inc. Systems and methods for assessment of fatigue-related contextual performance using historical incident data
US8725311B1 (en) 2011-03-14 2014-05-13 American Vehicular Sciences, LLC Driver health and fatigue monitoring system and method
SE535765C2 (sv) * 2011-04-20 2012-12-11 Scania Cv Ab Fordon med ett säkerhetssystem med prediktion av förartrötthet
US20120316456A1 (en) 2011-06-10 2012-12-13 Aliphcom Sensory user interface
US9192326B2 (en) 2011-07-13 2015-11-24 Dp Technologies, Inc. Sleep monitoring system
US20130120106A1 (en) 2011-11-16 2013-05-16 Motorola Mobility, Inc. Display device, corresponding systems, and methods therefor
CN202443558U (zh) 2012-02-18 2012-09-19 赵姜涵 防瞌睡器
US10529440B2 (en) * 2012-06-05 2020-01-07 Rensselaer Polytechnic Institute Circadian phase estimation, modeling and control
CN102881117B (zh) 2012-06-15 2014-11-12 浙江吉利汽车研究院有限公司杭州分公司 一种带有驾驶员疲劳检测的手表
US9241658B2 (en) * 2012-09-19 2016-01-26 Martin Christopher Moore-Ede Personal fatigue risk management system and method
US9047752B2 (en) 2012-09-19 2015-06-02 Eduardo Pedro Bichara Alarm device to prevent drowsiness in drivers
US20140085077A1 (en) 2012-09-26 2014-03-27 Aliphcom Sedentary activity management method and apparatus using data from a data-capable band for managing health and wellness
CN202929361U (zh) 2012-11-30 2013-05-08 沈小莉 防瞌睡手表
FR3001625B1 (fr) * 2013-02-05 2015-02-20 Chru Lille Procede de mesure d'un parametre physiologique tel qu'un rythme biologique. dispositif de mesure d'un parametre physiologique pour la mise en oeuvre dudit procede
US8941490B2 (en) 2013-03-08 2015-01-27 Albert Ky Automatic life alarm
DE102013221188A1 (de) * 2013-10-18 2015-04-23 Robert Bosch Gmbh Verfahren zur Erkennung der Müdigkeit des Fahrers in einem Fahrzeug
JP2016538097A (ja) * 2013-10-23 2016-12-08 クアンタス， インコーポレイテッド 消費者バイオメトリックデバイス
CN203552404U (zh) 2013-10-28 2014-04-16 桂林电子科技大学 一种驾驶疲劳预警系统
US20150223743A1 (en) * 2014-02-12 2015-08-13 Wipro Limited Method for monitoring a health condition of a subject
US10321870B2 (en) * 2014-05-01 2019-06-18 Ramot At Tel-Aviv University Ltd. Method and system for behavioral monitoring
EP3954281A1 (en) 2014-07-30 2022-02-16 Valencell, Inc. Physiological monitoring devices with adjustable stability
EP3416557B1 (en) * 2016-02-18 2020-07-22 Curaegis Technologies, Inc. Alertness prediction system and method

Also Published As

Publication number Publication date
CN108697391A (zh) 2018-10-23
US20170238868A1 (en) 2017-08-24
US20200170573A1 (en) 2020-06-04
US10905372B2 (en) 2021-02-02
US10588567B2 (en) 2020-03-17
EP3416557B1 (en) 2020-07-22
WO2017143179A1 (en) 2017-08-24
US20190216391A1 (en) 2019-07-18
US10238335B2 (en) 2019-03-26
JP2019510550A (ja) 2019-04-18
CA3014812A1 (en) 2017-08-24
EP3416557A1 (en) 2018-12-26

Similar Documents

Publication Publication Date Title
US10905372B2 (en) Alertness prediction system and method
US10339781B2 (en) Methods and apparatus for monitoring alterness of an individual utilizing a wearable device and providing notification
JP6516846B2 (ja) 睡眠監視のデバイス及び方法
JP4421507B2 (ja) 眠気予測装置及びそのプログラム
EP3349647B1 (en) Physiological signal monitoring
US10750958B2 (en) Variable brightness and gain for optimizing signal acquisition
EP3621515A1 (en) A system and method for monitoring human performance
JP2004503282A (ja) 身体活動の測定及び分析用装置
CA3018260A1 (en) Method and apparatus for monitoring urination of a subject
JP2021043480A (ja) 仮眠補助システム、および、仮眠補助用プログラム
CA2410695A1 (en) System for body activity detection and processing
JP6702559B2 (ja) 電子機器、方法及びプログラム
JP2021122581A (ja) 生体情報処理方法、および、生体情報処理システム