KR20230061051A - 광용적맥파 데이터 분석 방법 및 기록매체 - Google Patents

Abstract

광용적맥파 데이터 분석 방법이 개시된다. 광용적맥파 데이터 분석 방법은 컴퓨터 실행가능 명령어가 저장되는 메모리와, 상기 컴퓨터 실행가능 명령어를 실행하는 프로세서가 포함된 컴퓨터에 의해 구현되며, 광용적맥파 데이터 분석 방법은 PPG(photoplethysmography) 데이터를 수신하는 PPG 데이터 수신 단계; 상기 PPG 데이터를 미분하여 미분데이터를 생성하는 미분데이터 생성 단계; 상기 PPG 데이터와 미분데이터를 신호처리하여 분석용 데이터를 생성하는 신호처리 단계; 사전에 학습된 분석 알고리즘을 이용하여 상기 분석용 데이터 내에 존재하는 특징점을 검출하는 특징점 검출 단계; 및 상기 분석 알고리즘에 의해 검출된 특징점 데이터를 이용하여 상기 분석 알고리즘을 학습시키는 추가 학습 단계;를 포함할 수 있다.

Description

광용적맥파 데이터 분석 방법 및 기록매체{METHOD FOR ANALYZING PHOTOPLETHYSMOGRAPHY DATA AND RECORDING MEDIUM STORING PROGRAM TO IMPLEMENT THE METHOD}

본 개시는 광용적맥파 데이터 분석 방법에 관한 것이다.

광용적맥파(Photoplethysmography, PPG)는 심장박동에 따라 혈관 내의 혈액량의 변화를 빛의 흡수, 반사, 산란을 이용하여 측정하는 신호로서, 심전도(ECG)와 더불어 가장 많이 측정되는 생체신호 중 하나이다. 이러한 광용적맥파는 센싱된 PPG 신호의 파형변동 주기를 모니터링함으로써, 심박수(Herat Rate, HR), 심박수 변화(Heart Rate Variability, HRV), 산소포화도(SpO₂) 등의 파라미터를 측정할 수 있다. 이때, 측정된 파라미터들은 부정맥, 혈압변화, 심장질환, 자율신경계 변화 등 다양한 진단에 적용되고 있다. 이와 관련하여, 대한민국 공개특허공보 제10-2021-0097512호에는 PPG 데이터를 분석하여 사용자의 심박수를 획득하는 기술이 제시된 바 있다.

그런데, 광용적맥파는 혈관 내 혈액의 흐름 이상 여부에 관한 진단적 파라미터를 제공할 수 있지만, 광용적맥파 측정 센서를 통한 생체신호 측정시 심장 박동으로 발생하는 잡음과 피검자의 움직임으로 발생하는 동잡음 등으로 인해 PPG 신호의 파형 분석시 오차가 발생하고 신뢰도가 떨어지는 문제점이 있었다.

한편, 종래에는 인공지능 기술을 이용하여 광용적맥파를 분석하는 방법도 연구되고 있으나, 이러한 방식은 인공지능 분석을 위해 매우 많은 양의 학습 데이터가 요구되며, 기계학습을 위한 고성능 컴퓨터 등 고가의 자원이 소요될뿐더러, 많은 입력 데이터를 사용하기 때문에 실시간 분석이 어려웠고, PPG 신호의 파형 분석시 오차가 발생하고 결과값의 신뢰도가 낮아 새로운 기술의 개발이 요구되고 있다.

본 개시의 기술적 사상은 상술한 문제점을 해결하기 위한 것으로, PPG 신호의 파형을 자동으로 분석하고 측정 결과의 신뢰성을 높이는 광용적맥파 데이터 분석 기술을 제공하는데 그 목적이 있다.

또한, 본 개시의 기술적 사상은 입력 데이터의 연산량을 줄여 실시간 데이터 처리가 가능하며, 저성능 하드웨어에서도 구현이 가능한 광용적맥파 데이터 분석 기술을 제공하는데 다른 목적이 있다.

본 발명이 해결하려는 과제는 전술한 과제로 제한되지 아니하며, 언급되지 아니한 또 다른 기술적 과제들은 후술할 내용으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

이러한 목적을 달성하기 위하여 본 발명의 일 실시형태로서, 광용적맥파 데이터 분석 방법은 컴퓨터 실행가능 명령어가 저장되는 메모리와, 상기 컴퓨터 실행가능 명령어를 실행하는 프로세서가 포함된 컴퓨터에 의해 구현되며, 광용적맥파 데이터 분석 방법은 PPG(photoplethysmography) 데이터를 수신하는 PPG 데이터 수신 단계; 상기 PPG 데이터를 미분하여 미분데이터를 생성하는 미분데이터 생성 단계; 상기 PPG 데이터와 미분데이터를 신호처리하여 분석용 데이터를 생성하는 신호처리 단계; 사전에 학습된 분석 알고리즘을 이용하여 상기 분석용 데이터 내에 존재하는 특징점을 검출하는 특징점 검출 단계; 및 상기 분석 알고리즘에 의해 검출된 특징점 데이터를 이용하여 상기 분석 알고리즘을 학습시키는 추가 학습 단계;를 포함할 수 있다.

또한, 특징점 검출 단계에서, 상기 특징점은 상기 PPG 데이터 중 심장 수축에 의한 최댓값 지점인 S점, 상기 PPG 데이터 중 심장 수축 직전의 최솟값 지점인 O점, 상기 PPG 데이터 중 심박동을 측정할 수 없는 영역인 오류 영역의 시작점인 ES점, 상기 오류 영역의 끝 지점인 EE점, 상기 미분데이터 중 최댓값 지점인 W점 및 상기 미분데이터 중 반사파로 인해 발생한 첫 번째 피크인 Z점 중에서 적어도 어느 하나를 포함할 수 있다.

그리고, 특징점 검출 단계에서, 상기 분석 알고리즘은 입력층과 출력층 사이에 복수개의 은닉층이 포함된 DNN(deep neural network) 필터를 포함하며, 상기 DNN 필터는 상기 특징점의 종류에 따라서 단수 또는 복수개로 구비될 수 있다.

또한, 신호처리 단계에서는 일정한 크기를 갖는 윈도우가 기설정된 시간 단위만큼 이동하면서 상기 윈도우의 영역 내에 해당되는 PPG 데이터와 미분데이터를 신호처리하여 분석용 데이터를 생성하되, 상기 윈도우가 이동하는 시간 단위는 상기 윈도우의 크기에 비해 작게 설정됨으로써, 연속하여 생성된 분석용 데이터의 일부 영역이 서로 중첩될 수 있다.

아울러, 특징점 검출 단계에서는 상기 DNN 필터에 상기 분석용 데이터를 입력하고 분석을 통해 상기 분석용 데이터 내에 포함된 특징점을 검출하되, 일부 영역이 서로 중첩된 분석용 데이터를 분석할 경우에는 동일한 특징점이 중복 검출되며, 상기 동일한 특징점에 대한 판정 결과가 누적되어 저장될 수 있다.

그리고, 추가 학습 단계에서는 상기 DNN 필터가 상기 PPG 데이터 내에서 검출한 특징점에 대한 정보와 상기 DNN 필터가 상기 미분데이터 내에서 검출한 특징점에 대한 정보를 학습 데이터로 이용하여 상기 DNN 필터를 추가 학습시킬 수 있다.

한편, 광용적맥파 데이터 분석 방법은 상기 특징점 검출 단계에서 검출된 특징점 데이터를 이용하여 생체 정보를 도출하는 생체정보 도출 단계; 및 사용자의 생체정보를 측정하는 측정 장비의 측정값에 대한 신뢰도를 평가하는 신뢰도 평가 단계;를 더 포함하고, 상기 신뢰도 평가 단계에서는 상기 생체정보 도출 단계에서 도출된 생체정보 값과 상기 측정 장비의 측정값을 비교하여 차이값이 기지정된 기준값 이하인 경우에는 상기 측정 장비의 신뢰도가 높다고 평가하고, 차이값이 기지정된 기준값을 초과하는 경우에는 상기 측정 장비의 신뢰도가 낮다고 평가할 수 있다.

이러한 목적을 달성하기 위하여 본 발명의 다른 실시형태로서, 컴퓨터로 읽을 수 있는 기록매체에는 전술한 광용적맥파 데이터 분석 방법을 수행하기 위한 프로그램이 기록될 수 있다.

상술한 과제의 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.

이상에서 설명한 바와 같이, 본 발명의 다양한 실시예에 의하면, PPG 신호의 파형을 자동으로 분석하며, PPG 데이터의 특징점에 대한 판정 결과가 누적되면서 분석 결과값의 정확도와 신뢰도가 향상되는 효과가 있다.

또한, 본 발명의 다양한 실시예에 따르면, 특징점 검출 단계에서 일부 영역이 서로 중첩된 두 개의 분석용 데이터 내에는 동일한 특징점이 중복 검출되며, 동일한 특징점에 대한 판정 결과가 누적되고, 누적된 판정 결과를 이용하여 DNN 필터를 추가 학습시킬 수 있으므로 기존의 인공신경망에 비해 뉴런수와 데이터 연산량을 줄이면서도 정확도가 높아지고, 비교적 저사양이거나 저성능인 하드웨어에서도 빠른 구현이 가능하며 실시간 처리가 가능한 장점이 있다.

그리고, 본 발명의 다양한 실시예에 의하면, 분석 알고리즘이나 DNN 필터를 서버 또는 측정 장비(예를 들어, 산소포화도 측정 장비, 혈압계 등) 내에 탑재함으로써, 비정상적으로 측정된 PPG 데이터로부터 더욱 신뢰할 수 있는 생체정보(예를 들어, 심박수, 심박변이도, 산소포화도 등)를 획득할 수 있다.

본 발명의 다양한 실시예에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도1은 본 발명의 일 실시예에 따른 광용적맥파 데이터 분석 방법을 개략적으로 도시한 흐름도이다.
도2는 본 발명의 일 실시예에서 PPG 데이터와 미분데이터를 신호처리하는 과정과 DNN 필터를 이용하여 특징점을 검출하는 과정을 개략적으로 도시한 것이다.
도3은 본 발명의 일 실시예에 따른 PPG 데이터와 미분데이터를 개략적으로 도시한 것이다.
도4는 본 발명의 일 실시예에서 윈도우가 이동하면서 분석용 데이터를 생성하는 과정을 개략적으로 도시한 것이다.
도5는 정상 데이터 및 비정상 데이터를 확보하기 위해 산소포화도 측정기를 이용하여 심박수를 정상 측정 및 비정상 측정하는 모습을 촬영한 사진이다.
도6은 산소포화도 측정기에 의해 측정된 심박수와 본 발명의 일 실시예에 따른 광용적맥파 데이터 분석 방법으로 측정된 심박수를 도시한 것이다.
도7은 본 발명의 일 실시예에 따른 광용적맥파 분석 방법에 의해 도출된 결과로서, 정상 측정과 비정상 측정시 도출된 심장박동에 대한 인식도(Recognition score)를 도시한 것이다.

본 발명의 바람직한 실시예에 대하여 첨부된 도면을 참조하여 더 구체적으로 설명하되, 이미 주지되어진 기술적 부분에 대해서는 설명의 간결함을 위해 생략하거나 압축하기로 한다.

본 명세서에서 본 발명의 "일" 또는 "하나의" 실시예에 대한 언급들은 반드시 동일한 실시예에 대한 것은 아니며, 이들은 적어도 하나를 의미한다는 것에 유의해야 한다.

이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다른 의미를 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정은 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다. 즉, 본원 명세서에 기술된 방법의 각 단계는 명세서 상에서 달리 언급되거나 문맥상 명백히 상충되지 않는 한 임의의 순서로 적절하게 실시될 수 있다.

도면에서 나타난 각 구성은 설명의 편의를 위해 임의로 나타낸 것이므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

도1은 본 발명의 일 실시예에 따른 광용적맥파 데이터 분석 방법을 개략적으로 도시한 흐름도이고, 도2는 본 발명의 일 실시예에서 PPG 데이터와 미분데이터를 신호처리하는 과정과 DNN 필터를 이용하여 특징점을 검출하는 과정을 개략적으로 도시한 것이며, 도3은 본 발명의 일 실시예에 따른 PPG 데이터와 미분데이터를 개략적으로 도시한 것이고, 도4는 본 발명의 일 실시예에서 윈도우가 이동하면서 분석용 데이터를 생성하는 과정을 개략적으로 도시한 것이며, 도5는 정상 데이터 및 비정상 데이터를 확보하기 위해 산소포화도 측정기를 이용하여 심박수를 정상 측정 및 비정상 측정하는 모습을 촬영한 사진이고, 도6은 산소포화도 측정기에 의해 측정된 심박수와 본 발명의 일 실시예에 따른 광용적맥파 데이터 분석 방법으로 측정된 심박수를 도시한 것이고, 도7은 본 발명의 일 실시예에 따른 광용적맥파 분석 방법에 의해 도출된 결과로서, 정상 측정과 비정상 측정시 심장박동에 대한 인식도를 도시한 것이다.

본 발명의 일 실시예에 따른 광용적맥파 데이터 분석 방법에 대하여 도1에 도시된 흐름도를 따라 설명하고, 도2 내지 도7에 도시된 도면을 참조하여 설명하되, 편의상 순서를 붙여 설명하기로 한다. 일 실시예에서 광용적맥파 데이터 분석 방법은 컴퓨터에 의해 구현될 수 있다. 컴퓨터는 적어도 하나의 통신 네트워크를 통해 통신하는 통신장치, 화면정보를 출력하는 디스플레이, 컴퓨터 실행가능 명령어가 저장되는 메모리 및 메모리와 전기적으로 연결되며 컴퓨터 실행가능 명령어를 실행하는 프로세서를 포함할 수 있다.

본 명세서에서 분석 알고리즘은 신경망 필터가 검출한 특징점 데이터를 이용하여 측정 장비(예를 들어, 산소포화도 측정장비, 혈압계 등)가 측정한 데이터의 신뢰도를 판단하는 알고리즘으로서, 컴퓨터의 메모리 내에 프로그램 형태로 설치될 수 있다.

1. PPG 데이터 수신 단계<S101>

본 단계에서는 PPG 측정 센서로부터 PPG 데이터를 수신할 수 있다. 여기서, PPG 데이터는 특징점 분석을 위해 컴퓨터에 입력되는 입력 데이터이다. 일 실시예에 따르면, PPG 데이터에는 도3의 PPG에 도시된 바와 같은 파형 정보가 포함될 수 있다.

2. 미분데이터 생성 단계<S102>

본 단계에서는 단계 S101에서 수신한 PPG 데이터를 미분하여 미분데이터를 생성할 수 있다. 도2를 참조하면, 일 실시예에서는 일정한 크기(예를 들어, 1.2초)를 갖는 윈도우(W)가 시간의 흐름에 따라 이동하면서 1차 미분을 수행하여 PPG 데이터와 대응되는 미분데이터를 생성할 수 있다. 본 명세서에서 윈도우(W)의 크기(I)는 윈도우(W)의 너비를 의미하며, 너비는 시간 단위로 적용될 수 있다.

3. 신호처리 단계<S103>

본 단계에서는 PPG 데이터와 미분데이터를 신호처리하여 분석용 데이터를 생성할 수 있다. 일 실시예에서 신호처리 단계는 포커싱(focusing) 단계와 노멀라이징(normalizing) 단계를 포함할 수 있다. 먼저, 포커싱 단계에서는 PPG 데이터와 미분데이터의 크기를 축소할 수 있다. 도2를 참조하면, 포커싱 단계에서는 윈도우(W)의 영역 내에서 일정한 구간에 해당하는 데이터를 부분적으로 발췌하여 데이터의 크기를 축소할 수 있다. 노멀라이징 단계에서는 포커싱 단계가 수행된 데이터의 y축 범위를 -1 내지 1로 일반화할 수 있다. 예를 들어, 노멀라이징 단계에서는 포커싱 단계가 수행된 데이터 중에서 y값이 가장 작은 값은 -1로 설정하고, y값이 가장 큰 값은 1로 설정하고, 나머지 값들은 비율에 맞춰서 -1과 1 사이의 값으로 일반화할 수 있다.

도4를 참조하면, 본 단계에서는 일정한 크기(I)(예를 들어, 1.2초)를 갖는 윈도우(W)가 기설정된 시간 단위(T)(예를 들어, 20밀리초)만큼 이동하면서 윈도우(W)의 영역 내에 해당되는 PPG 데이터와 미분데이터를 신호처리하여 분석용 데이터를 생성할 수 있다. 이때, 윈도우(W)가 이동하는 시간 단위는 윈도우(W)의 크기(I)에 비해 작게 설정됨에 따라, 연속하여 생성된 두 개의 분석용 데이터의 일부 영역이 서로 중첩될 수 있다.

4. 특징점 검출 단계<S104>

본 단계에서는 사전에 학습된 분석 알고리즘을 이용하여 분석용 데이터의 전체 영역 내에 존재하는 특징점을 검출할 수 있다. 일 실시예에서 분석 알고리즘은 전문가에 의해 라벨링되어 답이 미리 정해진 학습 데이터를 기반으로 사전에 학습될 수 있다. 예를 들어, 분석 알고리즘은 PPG 데이터 내의 특징점 정보가 라벨링된 학습 데이터를 이용하여 사전 학습이 이루어질 수 있다.

도3을 참조하면, 특징점은 PPG 데이터 중 심장 수축에 의한 최댓값 지점인 S점, PPG 데이터 중 심장 수축 직전의 최솟값 지점인 O점, PPG 데이터 중 심박동을 측정할 수 없는 영역인 오류 영역의 시작점인 ES점, 오류 영역의 끝 지점인 EE점, 1차 미분한 미분데이터 중 최댓값 지점인 W점 및 1차 미분한 미분데이터 중 반사파로 인해 발생한 첫 번째 피크인 Z점 중에서 적어도 어느 하나를 포함할 수 있다.

일 실시예에서 분석 알고리즘은 입력층과 출력층 사이에 복수개의 은닉층이 포함된 DNN 필터를 포함할 수 있다. 또한, 일 실시예에서 DNN 필터는 특징점의 종류에 따라서 단수 또는 복수개로 적용될 수 있다. 예를 들어, 본 단계에서 검출하려는 특징점의 종류가 6개라면, 각 특징점별로 DNN 필터가 적용되도록 총 6개의 DNN 필터가 사용될 수 있다.

아울러, 일 실시예에서 DNN 필터는 답이 미리 정해진 학습 데이터(예를 들어, 특정 PPG 데이터 내에 존재하는 특징점에 대한 정보, 특정 미분데이터 내에 존재하는 특징점에 대한 정보 등)를 이용하여 사전에 학습된 DNN 필터로 적용될 수 있다.

그리고, 본 단계에서는 DNN 필터에 분석용 데이터가 입력되면, DNN 필터가 분석용 데이터를 분석하여 분석용 데이터 내에 포함된 특징점을 검출할 수 있다. 이때, 일부 영역이 서로 중첩된 두 개의 분석용 데이터 내에는 동일한 특징점이 존재할 수 있으므로 동일한 특징점이 중복 검출될 수 있고, 동일한 특징점에 대해 판정한 판정 결과가 누적되어 저장될 수 있다. 도4를 참조하면, 제1분석용 데이터(D1), 제2분석용 데이터(D2) 및 제3분석용 데이터(D3)는 일부 영역이 서로 중첩되어 있고, 중첩된 영역 내에 동일한 특징점인 S점(S)이 존재하므로 DNN 필터는 S점(S)을 검출한 판정 결과를 누적하여 S점(S)에 대한 판정 결과값이 3이라고 저장할 수 있다.

5. 추가 학습 단계<S105>

본 단계에서는 DNN 필터에 의해 검출된 특징점 데이터를 이용하여 DNN 필터를 학습시키는 과정이 수행될 수 있다. 일 실시예에 따르면, 본 단계에서는 단계 S104에서 DNN 필터가 PPG 데이터 내에서 검출한 특징점에 대한 정보와 미분데이터 내에서 검출한 특징점에 대한 정보를 학습 데이터로 이용하여 DNN 필터를 추가 학습시킬 수 있다. DNN 필터의 학습시 각 레이어에 포함된 뉴런들에 가중치를 부가하면서 반복적으로 이에 대한 조정이 이루어지고, 이를 통해 높은 정확도의 판단 결과를 도출하는 최적의 알고리즘이 구성될 수 있다.

또한, 실시하기에 따라, 본 단계 이후에 생체정보 도출 단계(S106), 점수화 단계(S107) 및 신뢰도 평가 단계(S108)가 더 수행될 수도 있다. 일 실시예에 따른 생체정보 도출 단계에서는 DNN 필터에 의해 판정된 특징점(예를 들어, W점)의 이전 위치와 현재 위치 사이의 간격을 이용하여 생체정보(예를 들어, 분당 심박수)를 도출할 수 있다. 그리고, 일 실시예에 따른 점수화 단계에서는 특징점 검출 단계에서 DNN 필터가 심박동을 인식한 정도를 수치화하여 정량적인 값으로 나타내는 과정이 수행될 수 있다. 예를 들어, 점수화 단계에서는 프로세서가 아래 수학식 1을 이용하여 심박동 인식도를 산출할 수 있다.

[수학식 1]

RS = S+O+W+(40-ES-EE)

(여기서, RS는 심박동 인식도, S는 DNN 필터가 판정한 S점의 판정 횟수, O는 DNN 필터가 판정한 O점의 판정 횟수, W는 DNN 필터가 판정한 W점의 판정 횟수, ES는 DNN 필터가 판정한 ES점의 판정 횟수, EE는 DNN 필터가 판정한 EE점의 판정 횟수이다)

일 실시예에 따른 신뢰도 평가 단계에서는 사용자의 생체정보를 측정하는 측정 장비(일 예로, 혈압계)가 측정한 측정값(일 예로, 분당 심박수)을 컴퓨터의 통신장치가 수신하고, 프로세서는 측정장비의 측정값을 생체정보 도출 단계에서 도출된 생체정보 값(일 예로, 분당 심박수)과 비교하여 측정값과 생체정보 값 간의 차이값이 기지정된 기준값 이하인 경우에는 측정 장비가 측정한 측정값에 대해 신뢰도가 높다고 판단할 수 있다. 만일, 측정값과 생체정보 값 간의 차이값이 기지정된 기준값을 초과하는 경우에는 측정 장비의 측정값에 대한 신뢰도가 낮다고 평가하고, 컴퓨터의 출력 장치(예를 들어, 디스플레이, 스피커 등)를 통해 측정 장비로 재측정해볼 것을 권유하는 안내 메시지를 출력하거나 신뢰도가 낮은 측정값을 대신하여 생체정보 값을 출력할 수도 있다.

본 발명의 다양한 실시예들은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다.

이하에서는 구체적인 실험예를 통해 본 발명을 보다 상세하게 설명한다. 하기 실험예들은 본 발명의 이해를 돕기 위한 하나의 예시에 불과하므로 본 발명의 권리범위가 이에 제한되거나 한정되는 것은 아니다.

<생체데이터의 수집 및 평가>

생체데이터는 강원대학교 병원의 임상실험(임상시험위원회의 승인번호 A-2019-11-007-007)을 통해 확보하였다. 6명의 실험참가자는 24~36세 정상인이며 총 10회간 30초 이상 SPO₂(PPG) 데이터를 측정하였다. 도5에 도시된 바와 같이, 5회의 측정은 정상적인 상태에서 측정하였으나, 5회의 측정은 센서가 부착된 손가락을 20ㅀ~30ㅀ 범위에서 분당 100회의 주기로 내전(flexion), 외전(extension)을 반복하며 측정하였다. 정상 측정을 1회한 후, 곧바로 비정상 측정을 실시하였으므로 정상 측정과 비정상 측정 간에 환자의 심박동이 달라지는 등의 생리적 변화는 관찰되지 않았다. 그 후, 실험참가자에게서 측정한 PPG 파형과 SPO₂값, SPO₂ 측정기기(BPM-190, Bionics, Inc., Korea)가 측정한 HR(심박수)을 컴퓨터로 전송하였으며, PPG의 파형을 분석하여 특징점(S점, O점, W점, Z점, ES, EE)을 판정하였다.

PPG 데이터는 62.5Hz로 샘플링되었고 1.2초 영역 내에 측정된 PPG 데이터 32개와 미분데이터 32개를 신호처리하여 분석용 데이터로 만들고 심층신경망의 입력으로 사용하였으며, DNN 필터가 판정한 S점 데이터 20개, O점 데이터 20개, W점 데이터 20개도 심층신경망의 입력으로 사용하였다. 각 심층신경망의 입력은 총 124개로 구성하고, 124개씩의 신경을 가진 두 개의 은닉층과 21개의 출력층 한 개로 구성하였다. DNN 필터에 의해 판정된 W점의 이전 위치와 현재 위치 사이의 간격을 이용하여 HR을 계산하였으며 이를 정상, 비정상 측정 상태에서 SPO₂ 기기가 측정한 HR과 비교하였다. DNN 필터는 S, O, W점의 판정을 각 특징점별로 20회까지 중복하여 판정하고, 1회 검출시 1점이 올라가는 방식으로 산정하고, 심박동시 발생하는 S, O, W점의 판정횟수의 최대 합은 60으로 설정하였다. DNN 필터가 심박동을 인식한 정도를 정량적으로 나타내기 위해 S, O, W점의 판정횟수의 합을 점수화하였다. 또한, 비정상적인 잡음이 검출되지 않았을 때, 즉, ES, EE가 심장박동 범위 내에 없는 경우는 40점으로 하여 심박동 인식 정도의 점수에 합산하고 존재하는 경우는 1회 검출시 -1점으로 산정하였다. 본 실험에서는 심박동을 인식하는 점수를 인식도(RS: recognition score)로 표시하였다. 따라서, 심박동 인식도는 최하 0점에서 최대 100점까지 산출되며, 전술한 수학식 1을 이용하여 산출되었다.

도6은 산소포화도 측정기에 의해 측정된 심박수와 본 발명의 일 실시예에 따른 광용적맥파 데이터 분석 방법으로 측정된 심박수를 도시한 것이다. 도6의 (a)를 참조하면, 정상 측정과 비정상 측정시 SPO₂ 기기에 의해 측정된 HR값이 크게 변동하였음을 알 수 있다. 즉, 비정상 측정시에는 동잡음이 발생하여 심박수의 정확도와 신뢰도가 저하되었음을 알 수 있다.

도6의 (b)는 동일한 SPO₂ 기기로 동시에 측정한 PPG를 DNN 필터로 분석하여 HR값을 도출한 것이며, 정상 측정과 비정상 측정시 HR의 변화가 크게 나타나지 않았다. 따라서, 도6의 결과를 통해 본 발명의 일 실시예에 따른 광용적맥파 데이터 분석 방법은 동잡음에 영향을 받지 않고 안정적으로 심박수를 분석할 수 있음을 알 수 있다.

도7은 본 발명의 일 실시예에 따른 광용적맥파 분석 방법에 의해 도출된 결과로서, 정상 측정과 비정상 측정시 도출된 심장박동 인식도를 도시한 것이다. 도7에서는 정상 측정 데이터와 비정상 측정 데이터로부터 도출된 심박동 인식도의 차이를 비교하였다. 이때, 특징점 중 Z점은 환자와 질환의 특징을 나타낸 것이기 때문에 일부 환자에게서는 보이지 않는 경우가 있으므로 RS의 계산에는 제외하였다.

도7을 참조하면, DNN 필터를 이용하여 정상 측정 상태의 PPG를 분석하였을 때, 모든 심장박동에 대한 인식도(RS)가 평균 98.4(최소 90.3)였지만, 비정상 측정 상태의 PPG를 분석하였을 때 RS의 평균은 48.4(최대 78.8)로 낮았다. 따라서, DNN 필터의 RS 값이 80 이상인 경우를 정상 측정 상태라고 본다면, 분석 알고리즘의 RS값을 통해 정상 측정 상태와 비정상 측정 상태를 완벽히 구분할 수 있으므로 인공신경망에 의해 도출된 결과값 데이터의 신뢰성을 높일 수 있다.

상술한 바와 같이, 본 발명의 다양한 실시예에 따르면, PPG 신호의 파형을 자동으로 분석하며, PPG 데이터의 특징점에 대한 판정 결과가 누적되면서 분석 결과값의 정확도와 신뢰도가 향상되는 효과가 있다.

또한, 본 발명의 다양한 실시예에 따르면, 특징점 검출 단계에서 일부 영역이 서로 중첩된 두 개의 분석용 데이터 내에는 동일한 특징점이 중복 검출되며, 동일한 특징점에 대한 판정 결과가 누적되고, 누적된 판정 결과를 이용하여 DNN 필터를 학습시킬 수 있으므로 기존의 인공신경망에 비해 뉴런수와 데이터 연산량을 줄이면서도 정확도가 높아지고, 비교적 저성능 하드웨어에서도 빠른 구현이 가능하며 실시간 처리가 가능한 장점이 있다. 그리고, 동일한 특징점에 대한 판정 결과가 누적되어 저장되며 판정 결과가 누적된 특징점에 대한 정보를 다시 DNN 필터의 학습에 사용하므로 입력 데이터의 양이 적더라도 판정의 정확도가 높아지는 효과가 있다.

그리고, 본 발명의 다양한 실시예에 의하면, 신호처리 단계에서 일정한 크기(예를 들어, 1.2초)를 갖는 윈도우가 기설정된 시간 단위(예를 들어, 20밀리초)만큼 이동하면서 분석용 데이터를 생성할 수 있다. 일 실시예에 따르면, 2분 분량의 PPG 데이터 전체를 분석용 데이터로 만들지 않고 전체 신호의 일부(예를 들어, 0초에서 1.2초까지의 신호)만 분석용 데이터로 만들되, 윈도우의 입력 위치를 2밀리초마다 변경하여 600개의 분석용 데이터를 만들고 분석용 데이터마다 일부분을 중첩시키면 1회 연산량이 줄어들고 중첩된 부분에 대한 학습이 반복적으로 이루어지면서 인공신경망의 학습 효과가 높아질 수 있다.

위에서 설명한 바와 같이 본 발명에 대한 구체적인 설명은 첨부된 도면을 참조한 실시예에 의해서 이루어졌지만, 상술한 실시예는 본 발명의 바람직한 예를 들어 설명하였을 뿐이기 때문에, 본 발명이 상기의 실시예에만 국한되는 것으로 이해되어져서는 아니 되며, 본 발명의 권리범위는 후술하는 청구범위 및 그 균등개념으로 이해되어져야 할 것이다.

W : 윈도우
I : 윈도우 크기
T : 시간 단위
S : 심장 수축에 의한 최댓값 지점인 S점
D1 : 제1분석용 데이터
D2 : 제2분석용 데이터
D3 : 제3분석용 데이터

Claims (8)

1. 컴퓨터 실행가능 명령어가 저장되는 메모리와, 상기 컴퓨터 실행가능 명령어를 실행하는 프로세서가 포함된 컴퓨터에 의해 구현되는 광용적맥파 데이터 분석 방법으로서,
   PPG(photoplethysmography) 데이터를 수신하는 PPG 데이터 수신 단계;
   상기 PPG 데이터를 미분하여 미분데이터를 생성하는 미분데이터 생성 단계;
   상기 PPG 데이터와 미분데이터를 신호처리하여 분석용 데이터를 생성하는 신호처리 단계;
   사전에 학습된 분석 알고리즘을 이용하여 상기 분석용 데이터 내에 존재하는 특징점을 검출하는 특징점 검출 단계; 및
   상기 분석 알고리즘에 의해 검출된 특징점 데이터를 이용하여 상기 분석 알고리즘을 학습시키는 추가 학습 단계;를 포함하는 것을 특징으로 하는
   광용적맥파 데이터 분석 방법.
2. 제1항에 있어서,
   상기 특징점 검출 단계에서, 상기 특징점은 상기 PPG 데이터 중 심장 수축에 의한 최댓값 지점인 S점, 상기 PPG 데이터 중 심장 수축 직전의 최솟값 지점인 O점, 상기 PPG 데이터 중 심박동을 측정할 수 없는 영역인 오류 영역의 시작점인 ES점, 상기 오류 영역의 끝 지점인 EE점, 상기 미분데이터 중 최댓값 지점인 W점 및 상기 미분데이터 중 반사파로 인해 발생한 첫 번째 피크인 Z점 중에서 적어도 어느 하나를 포함하는 것을 특징으로 하는
   광용적맥파 데이터 분석 방법.
3. 제2항에 있어서,
   상기 특징점 검출 단계에서, 상기 분석 알고리즘은 입력층과 출력층 사이에 복수개의 은닉층이 포함된 DNN(deep neural network) 필터를 포함하며, 상기 DNN 필터는 상기 특징점의 종류에 따라서 단수 또는 복수개로 구비되는 것을 특징으로 하는
   광용적맥파 데이터 분석 방법.
4. 제3항에 있어서,
   상기 신호처리 단계에서는 일정한 크기를 갖는 윈도우가 기설정된 시간 단위만큼 이동하면서 상기 윈도우의 영역 내에 해당되는 PPG 데이터와 미분데이터를 신호처리하여 분석용 데이터를 생성하되, 상기 윈도우가 이동하는 시간 단위는 상기 윈도우의 크기에 비해 작게 설정됨으로써, 연속하여 생성된 분석용 데이터의 일부 영역이 서로 중첩되는 것을 특징으로 하는
   광용적맥파 데이터 분석 방법.
5. 제4항에 있어서,
   상기 특징점 검출 단계에서는 상기 DNN 필터에 상기 분석용 데이터를 입력하고 분석을 통해 상기 분석용 데이터 내에 포함된 특징점을 검출하되, 일부 영역이 서로 중첩된 분석용 데이터를 분석할 경우에는 동일한 특징점이 중복 검출되며, 상기 동일한 특징점에 대한 판정 결과가 누적되어 저장되는 것을 특징으로 하는
   광용적맥파 데이터 분석 방법.
6. 제3항에 있어서,
   상기 추가 학습 단계에서는 상기 DNN 필터가 상기 PPG 데이터 내에서 검출한 특징점에 대한 정보와 상기 DNN 필터가 상기 미분데이터 내에서 검출한 특징점에 대한 정보를 학습 데이터로 이용하여 상기 DNN 필터를 추가 학습시키는 것을 특징으로 하는
   광용적맥파 데이터 분석 방법.
7. 제1항에 있어서,
   상기 광용적맥파 데이터 분석 방법은
   상기 특징점 검출 단계에서 검출된 특징점 데이터를 이용하여 생체 정보를 도출하는 생체정보 도출 단계; 및
   사용자의 생체정보를 측정하는 측정 장비의 측정값에 대한 신뢰도를 평가하는 신뢰도 평가 단계;를 더 포함하고,
   상기 신뢰도 평가 단계에서는 상기 생체정보 도출 단계에서 도출된 생체정보 값과 상기 측정 장비의 측정값을 비교하여 차이값이 기지정된 기준값 이하인 경우에는 상기 측정 장비의 신뢰도가 높다고 평가하고, 차이값이 기지정된 기준값을 초과하는 경우에는 상기 측정 장비의 신뢰도가 낮다고 평가하는 것을 특징으로 하는
   광용적맥파 데이터의 분석 방법.
8. 제1항 내지 제7항 중 어느 한 항에 기재된 방법을 수행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체.

Images