JP7125493B2 - 人工神経網ディープラーニング技法を活用した測定物分析方法、装置、学習方法およびシステム - Google Patents

Description

人工神経網ディープラーニング技法を活用した測定物分析方法、装置、学習方法およびシステムに関し、より詳細には、人工神経網ディープラーニング技術を適用してセンサーから得た信号を変換してイメージ化したデータから測定物に該当する領域を認識し、その領域で測定物の種類あるいは濃度の決定に必要なそれぞれの要素を抽出して最も適した測定物の種類および濃度を予測する人工神経網ディープラーニング技法を活用した測定物分析方法、装置、学習方法およびシステムに関する。

一般に、体外診断製品において最も重要な基準の一つは測定結果の正確度である。

かかる製品は、測定物が存在する時に感知センサーが信号を出力し、分析器がこれを認知して予め定められた検定曲線またはアルゴリズムを適用して定量的または定性的な結果を送り出す。測定結果の正確度は、干渉物、外部環境、サンプルの性質などの多様な変数により起こった干渉作用により影響を受けることができる。

血糖測定のために活用される電気化学的センサーを例に挙げると、電極表面で酸化する測定物以外の物質の存在や粘度などの血液性質の変化による血糖の電極に向かった拡散係数（Ｄｉｆｆｕｓｉｏｎ Ｃｏｅｆｆｉｃｉｅｎｔ）または電極表面での反応速度（Ｒｅａｃｔｉｏｎ Ｒａｔｅ）の変化などにより出力される電気信号が影響を受けることができる。かかる影響を最小化または除去するために、センサーに単なる直流電圧を印加する方式の代わりに、多様な種類のパターンを有する波形の入力電圧を印加し、その結果、電極反応で得られた波形を適切な統計数学的技法で処理する方法が使用されてきた。

２０１０年代以降の血糖測定市場は、この事業に進出する企業が増え、各国の国民保険拡大による価格の引下圧力が大きくなり、主要標準管理機構および認証機関で使用者の安全を高めるために正確性および精密性に対する基準を日々強化している。例えば、米国のメディケア保険で支払う保険酬価は２００８年以降始まった競争入札制度（ｃｏｍｐｅｔｉｔｉｖｅ ｂｉｄｄｉｎｇ）により半分以下に低くなった反面、最近２０１６年に発表されたＦＤＡ Ｎｅｗ ｇｕｉｄａｎｃｅは、既存の血糖測定器の規格に比べて正確性の要求や各種妨害物質の干渉影響の限界が遥かに強化された内容を含んでいる（ｈｔｔｐｓ：／／ｗｗｗ．ｆｄａ．ｇｏｖ／ｄｏｗｎｌｏａｄｓ／ｍｅｄｉｃａｌｄｅｖｉｃｅｓ／ｄｅｖｉｃｅｒｅｇｕｌａｔｉｏｎａｎｄｇｕｉｄａｎｃｅ／ｇｕｉｄａｎｃｅｄｏｃｕｍｅｎｔｓ／ｕｃｍ３８０３２５．ｐｄｆ）。

このように競争は激しくなり、測定システムの性能に対する要求は強化された血糖測定器市場で生存するためには、低価の高性能を有するシステムを開発しなければならず、このような矛盾した開発目標は卓越な技術的進歩だけを通じて可能である。

血糖測定システムの生産原価を低めるためには、制限された性能のハードウェア（例；ＳＴＭ８Ｌ Ｓｅｒｉｅｓ ＭＣＵ）と生産が容易な単純な構造のセンサーストリップが必要である。反面、血糖測定システムの性能を向上させるために、ディープラーニングのような高度な演算が必要な方法を使用するためには、高性能の演算が可能なチップまたはスマートフォンの機能を使用できるようにブルートゥースなどを通じてデータを伝送して演算するシステムまたはクラウドシステムで別途の計算をするように通信するシステムを備えなければならないが、これは現在市場の傾向とは異なっている。たとえディープラーニングアルゴリズムのような多くの演算量が必要なアルゴリズムを制限されたハードウェアで具現したとしても、血糖測定時間が長くかかる問題点が残ることとなる。現在の血糖測定器市場で競争力を確保するためには、分析物投入後に通常約８秒内に推定血糖濃度を出力できなければならない。また、血糖ストリップ（Ｓｔｒｉｐ）の生産原価を最小化するためには、可能な既存の生産工程で作っていた一対の電極だけを有するストリップを継続して使用することが有利である。反面、このような制限された構造の電極で得る情報と既存の信号処理方法だけでは正確な血液内のグルコースの推定が難しい。

本発明は、このような問題点を解消するために案出されたものであって、本発明の目的は、既存の多重回帰（Ｍｕｌｔｉｐｌｅ Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ）方法から抜け出してアルゴリズムの正確度、精密度、およびヘマトクリットを含む干渉補正性能を改善することができ、制限された構造のメトリックハードウェアとセンサーストリップを有して具現が可能な最適化した血糖推定人工知能基盤のディープラーニング技術に基盤した人工神経網ディープラーニング技法を活用した測定物分析方法、装置およびシステムを提供することにある。

また、本発明の目的は、制限されたハードウェアでも複雑なアルゴリズムが具現され得るようにデータ次元縮小、アルゴリズム構造縮小がなされた人工神経網ディープラーニング技法を活用した測定物分析方法、装置およびシステムを提供することにある。

また、本発明の目的は、演算量が多いアルゴリズムを使用しても計算を効率的に進行して演算時間を血糖測定器に適した８秒以内に最小化することができる人工神経網ディープラーニング技法を活用した測定物分析方法、装置およびシステムを提供することにある。

また、本発明の目的は、制限された数の電極を通じて得た情報からデータ内に内在された追加情報を最大限抽出できる技術を通じて多電極を利用する効果を得ることができる測定物分析方法、装置および低価のシステムを提供することにある。

本発明は、人工神経網ディープラーニング技法を活用した測定物分析システムに関し、生体情報測定装置；および前記生体情報測定装置を通じて採血した血液を一対の電極を備えたセンサーに注入することによって起こる電気化学的反応を通じた信号を獲得する信号獲得部と、前記信号獲得部から獲得された信号を人工知能ディープラーニング学習のための信号で前処理するための信号処理部と、前記信号処理部を通じて処理された信号を利用して最適化した生体情報測定アルゴリズムをディープラーニング人工神経網技法を活用して自動的に抽出する生体情報測定アルゴリズム生成部と、前記生体情報測定装置に最適化した生体情報測定アルゴリズムを提供する最適化アルゴリズム結果提供部を有する生体情報分析人工知能基盤ディープラーニングサーバーを含むことを特徴とする。

本発明の他の側面による人工神経網ディープラーニング技法を活用した血糖測定装置は、一対の電極を有する電気化学的バイオセンサーが装着されるコネクタ；前記コネクタと電気的に接続される電流－電圧変換器；前記電気化学的バイオセンサーの一対の電極に対して一定電圧を印加し、三角波形循環電圧、四角波形、階段波形または他の変形された三角関数形態の波形の電圧印加するように制御するデジタル－アナログコンバータ回路；およびこれらを制御するマイクロコントローラーを含み、前記マイクロコントローラーは、人工神経網ディープラーニング技法を活用した測定物分析システムで得られた最適化した人工知能基盤ディープラーニングアルゴリズムにより自動的に血糖を計算する人工知能ディープラーニングアルゴリズム計算部を備えることを特徴とする。

本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定方法は、試料を準備する段階；電気化学的バイオセンサーを生体情報測定装置に装填する段階；前記バイオセンサーが試料に接触して前記電気化学的バイオセンサーの作動電極と補助電極を血液に浸す瞬間に一定電圧を印加し、前記一定電圧印加後に待ち時間印加電圧終了時点に連続的に三角波形循環電圧または四角波形、階段波形または他の変形された三角関数形態の波形を印加する段階；および最適化した人工知能ディープラーニング血糖測定アルゴリズムにより測定された応答電流から血糖測定値を計算する段階を含むことができる。

本発明の他の側面による生体情報分析人工知能基盤ディープラーニング学習方法は、生体情報測定装置を通じて採血した血液を一対の電極を有するセンサー（Ｓｔｒｉｐ）に注入することによって起こる電気化学的反応を通じて信号を獲得する段階；前記獲得された信号を人工知能ディープラーニングのための信号で処理する段階；

信号の特徴抽出部と血糖値予測部からなる血糖測定のためのアルゴリズム構造を形成する段階；血糖予測値が真値である血糖値を最も正確に予測できるようにアルゴリズム内の変数を調整して血糖測定アルゴリズムを学習する段階；最適化する段階を含むことができる。

本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析方法、装置およびシステムによれば、既存の多重回帰（Ｍｕｌｔｉｐｌｅ Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ）方法から抜け出してアルゴリズムの正確度、精密度、およびヘマトクリットを含む干渉補正性能を改善することができ、制限された構造のメトリックハードウェアとセンサーストリップを有して具現が可能な最適化した血糖推定人工知能基盤のディープラーニング技術を提供することができる。

また、本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析方法、装置およびシステムによれば、制限されたハードウェアでも複雑なアルゴリズムが具現され得るようにデータ次元縮小、アルゴリズム構造縮小がなされることができる。

本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析方法、装置およびシステムによれば、演算量が多いアルゴリズムを使用しても計算を効率的に進行して演算時間を血糖測定器に適した８秒以内に最小化することができる。

また、本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析方法、装置およびシステムによれば、制限された数の電極を通じて得た情報からデータ内に内在された追加情報を最大限抽出できる技術を通じて多電極を利用する効果を得ることができる。

図１は本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析システムの概念図である。 図２は本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析学習システム中の生体情報分析人工知能基盤ディープラーニングサーバーの構成図である。 図３は本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定装置の内部構成図である。 図４は本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定方法のフローチャートである。 図５は既存方法と提案方法による臨床テスト正確度性能を示すグラフである。 図６は既存方法と提案方法によるノイズ敏感度評価を示すグラフである。 図７は本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法に印加される電圧およびその応答電流であり、 図８は非正常信号の例示図であり、 図９はダウンサンプリング方法の概念図であり、 図１０はダウンサンプリングの例であり、 図１１はデータの関係マップを利用した情報抽出方法を示すグラフである。 図１２は本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法のアルゴリズム構造概念図であり、 図１３はアルゴリズム特徴抽出部の構成図であり、 図１４は特徴抽出部のレイヤー構造図であり、 図１５はアルゴリズム血糖推定部の構成図である。 図１６はアンサンブルアルゴリズム構成図である。 図１７は本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法のフローチャートである。

以下、本発明の一実施例による人工神経網を利用したディープラーニング技法を活用した測定物分析方法、装置、およびシステムについて図面を参照して詳細に説明する。

本明細書において、本発明の一実施例による人工神経網を利用したディープラーニング技法を活用した測定物分析方法、装置およびシステムは、本発明を説明するための例示に過ぎず、本発明の保護範囲が実施例により限定されるのではない。

図１は本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析システムの概念図である。

図１に示されているように、本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析システム１は、最小個数である一対の電極を備えた生体情報測定装置１０、前記生体情報測定装置１０に生体情報を測定できる最適化したアルゴリズムを人工知能基盤ディープラーニング技術を利用して提供する生体情報分析人工知能基盤ディープラーニングサーバー１００、前記生体情報測定装置１０と前記生体情報分析人工知能基盤ディープラーニングサーバー１００を有線または無線で連結するためのネットワーク２０、および前記生体情報測定装置１０で測定される生体情報を保存登録したり前記生体情報分析人工知能基盤ディープラーニングサーバー１００の学習を補助できるコンピュータ、スマート端末などのような使用者端末３０を含むことができる。

ここでネットワーク２０は、公衆電話網、インターネット網などのように生体情報測定装置１０、個人用コンピュータ３１、スマート端末３３、生体情報分析人工知能基盤ディープラーニングサーバー１００が互いに情報を送受信できるネットワークであって、本発明が適用される分野により多様な種類のネットワークを用いることができ、これは本発明の範囲に属する。

生体情報測定装置１０は、２Ｇ、３Ｇ、ＬＴＥ、Ｗｉ－Ｆｉなど基幹通信網を利用できるモデムを備えており、使用者が生体情報を測定する時ごとに、生体情報測定装置１０の識別子と測定した生体情報を備えた生体情報メッセージを生成し、生成した生体情報メッセージを生体情報分析人工知能基盤ディープラーニングサーバー１００に送信することもできる。

前記生体情報測定装置１０が通信できない場合には、個人用コンピュータ３１またはスマート端末３３などのような使用者端末３０を通じて生体情報測定装置１０の識別子と測定した生体情報を備えた生体情報メッセージを生体情報分析人工知能基盤ディープラーニングサーバー１００に送信することができる。

図２は本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析学習システム中の生体情報分析人工知能基盤ディープラーニングサーバーの構成図である。

図２に示されているように、前記生体情報分析人工知能基盤ディープラーニングサーバー１００は、前記生体情報測定装置１０を通じて採血した血液をセンサー（Ｓｔｒｉｐ）に注入することによって起こる電気化学的反応を通じて１次元時系列データ（Ｔｉｍｅ ｓｅｒｉｅｓ ｄａｔａ）を獲得する信号獲得部１１０と、前記信号獲得部１１０から獲得された信号中に血液注入異常およびハードウェア異常による異常信号を除外するか、または前記生体情報測定装置１０で利用され得る最適化した生体情報測定アルゴリズムを得るために信号を前処理する信号処理部１３０と、前記信号処理部１３０を通じて処理された信号を利用して最適化した生体情報測定アルゴリズムをディープラーニング人工神経網技法を活用して自動的に特徴を抽出する生体情報測定アルゴリズム生成部１５０と、前記生体情報測定装置１０で利用できる最適化アルゴリズム結果提供部１７０を含むことができる。

前記信号処理部１３０は、前記生体情報測定アルゴリズム生成部１５０で学習することができるように正規化（Ｎｏｒｍａｌｉｚａｔｉｏｎ）あるいは標準化（Ｓｔａｎｄａｒｄｉｚａｔｉｏｎ）を通じてデータを一定の大きさ（ｓｃａｌｅ）あるいは分布（ｄｉｓｔｒｉｂｕｔｉｏｎ）に変換し、変換されたデータは多チャンネルデータを組み合わせたりドメイン転換（例えば、時間あるいは周波数ドメイン）などの信号処理およびデータ変換を利用してデータイメージ化させることができる。

前記生体情報測定アルゴリズム生成部１５０は、血糖測定のためのアルゴリズム構造を形成するアルゴリズム構造部１５１と、血糖予測値が真値である血糖値を最も正確に予測できるようにアルゴリズム内の変数を調整するアルゴリズム学習部１５３と、血糖値予測の正確度および精密度向上のために一つ以上のアルゴリズムを組み合わせて最終予測値を算出するアンサンブルアルゴリズム部１５５を含むことができる。

また、前記アルゴリズム構造部１５１は、前記信号処理部１３０を通じて信号前処理された生体情報信号データ内に含まれている測定物の特徴を抽出する特徴抽出部１５１ａと、前記特徴抽出部１５１ａを利用して求められた特徴を利用して血糖値を推定する血糖値予測部１５１ｂを含むことができる。

前記アルゴリズム構造部１５１は、測定物の成分、ヘマトクリット、温度、干渉種の特性など周辺環境を反映したイメージから分類あるいは測定しようとする結果値を反映する特徴をディープラーニング人工神経網技法を活用して自動的に抽出する。

前記アルゴリズム学習部１５３は、抽出された特徴を使用してアルゴリズム学習過程を経て結果値の誤差が最小になる人工神経網層間の加重値（Ｗｅｉｇｈｔ）およびバイアス（Ｂｉａｓ）を導出する。

前記アルゴリズム構造部１５１は、人工神経網アルゴリズムで目的に合うように特定値を推定する回帰モデルとして活用が可能であり、また測定物の種類を分類する分類器として活用が可能である。

本明細書において、血糖測定時のヘマトクリットにより測定誤差が発生することを補正することを好ましい実施例として説明するが、グルコース検査と同様に特定酵素を導入することによって多様な代謝物質、例えばβ－ヒドロキシブチレート（別名ケトン体）、コレステロール、ラクテート、クレアチニン、過酸化水素、アルコール、アミノ酸、グルタメートのような有機物または無機物の濃度も同様な方法で測定値を補正することができる。したがって、本発明は、試料層組成物に含まれる酵素の種類を異にすることによって多様な代謝物質の定量に使用され得る。

例えば、β－ヒドロキシブチレート脱水素化酵素（β－ｈｙｄｒｏｘｙｂｕｔｙｒａｔｅ ｄｅｈｙｄｒｏｇｅｎａｓｅ）、グルコース酸化酵素（ｇｌｕｃｏｓｅ ｏｘｉｄａｓｅ、ＧＯｘ）、グルコース脱水素化酵素（ｇｌｕｃｏｓｅ ｄｅｈｙｄｒｏｇｅｎａｓｅ、ＧＤＨ）、グルタメート酸化酵素（ｇｌｕｔａｍａｔｅ ｏｘｉｄａｓｅ）グルタメート脱水素化酵素（ｇｌｕｔａｍａｔｅ ｄｅｈｙｄｒｏｇｅｎａｓｅ）、コレステロール酸化酵素、コレステロールエステル化酵素、ラクテート酸化酵素、アスコルビン酸酸化酵素、アルコール酸化酵素、アルコール脱水素化酵素、ビリルビン酸化酵素などを使用し、β－ヒドロキシブチレート、グルコース、グルタメート、コレステロール、ラクテート、アスコルビン酸、アルコールおよびビリルビンなどの定量を行うことができる。

本発明の一実施例による生体情報測定装置１０には、作動電極および補助電極が互いに異なる平面上で対面するように備えられ、前記作動電極上に物質による酵素および電子伝達媒体を含む試薬組成物がコーティングされた対面型電気化学的バイオセンサーが適用され得る。

また、本発明の一実施例による生体情報測定装置１０には、作動電極および補助電極が一平面上に備えられ、前記作動電極上に物質による酵素および電子伝達媒体を含む試薬組成物がコーティングされた平面型電気化学的バイオセンサーが適用され得る。

図３および図４を参照して本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定方法および装置について説明する。

図３は本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定装置の内部構成図である。

図３に示されているように、本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定装置１０は、既存の電気化学的バイオセンサー、つまり、ストリップ１の一対の作動電極と補助電極の構造をそのまま維持しながら、一定電圧印加後に三角波形循環電圧、四角波形、階段波形または他の変形された三角関数形態の波形を印加すると本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析方法により既存の多重回帰（Ｍｕｌｔｉｐｌｅ Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ）方法から抜け出してアルゴリズムの正確度、精密度、およびヘマトクリットを含む干渉補正性能を改善できる最適化した血糖推定人工知能基盤のディープラーニングアルゴリズムにより血糖測定値を提供することができる。

本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定装置１０はまた、制限されたハードウェアでも最適化した血糖推定人工知能基盤のディープラーニングアルゴリズムを計算を効率的に進行して演算時間を８秒以内に進行することができる。

本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定装置１０は、前記電気化学的バイオセンサー１がコネクタ１１に装着されると、前記コネクタ１１は電流－電圧変換器１２に電気的に接続されるが、マイクロコントローラー１５（ＭＣＵ）がデジタル－アナログコンバータ回路１３（ＤＡＣ）を通じて一定電圧を印加し、三角波形循環電圧を前記ストリップ１の作動電極に印加することができるように構成される。

このために本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定装置１０のファームウェアは、まず予め定められた三角波形循環電圧を発生させることができる定数をメモリに保存し、一定電圧を印加する時は定められた定数をＤＡＣ１３のレジスターに記録し、三角波形循環電圧を印加する時は定められた時間を周期として前記メモリに保存された定数値を増／加減させてＤＡＣ１３のレジスターに記録する。ただし、ここに例示する印加循環電圧の波形は例示に過ぎず、この例示に限定されず、同事業の従事者に当然な全ての波形の循環電圧を含む。

前記マイクロコントローラー１５は、前記ＤＡＣ１３レジスターに記録された定数値によりストリップの二つの電極の間に当該電圧を印加させる。

図３に示されているように、一定電圧が印加され、三角波形循環電圧が印加されると、前記ストリップ１を通じて測定された応答電流が前記コネクタ１１および前記電流－電圧変換器１２を経て直接アナログ－デジタルコンバータ回路１３（ＡＤＣ）を通じて測定され得る。

一方、本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定装置１０は、異常信号処理部１６と人工知能ディープラーニングアルゴリズム計算部１７をさらに含むが、前記異常信号処理部１６は、前記ストリップ１の前記コネクタ１１との接続が不良であるか、または血液注入異常およびハードウェア異常による異常信号が検出されると、これを警報、ディスプレイに表示などを通じて知らせ、前記人工知能ディープラーニングアルゴリズム計算部１７で不必要な計算を行わないようにできる。

前記人工知能ディープラーニングアルゴリズム計算部１７は、前記生体情報分析人工知能基盤ディープラーニングサーバー１００により導出された最適化した人工知能ディープラーニング血糖測定アルゴリズムにより前記ストリップ１を通じて測定された応答電流から血糖測定値を８秒以内に求めることができる。

以下、図４を参照して本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定方法を説明する。

図４は本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定方法のフローチャートである。

図４を参照すれば、本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定方法は、試料を準備し（Ｓ１１０）、例えば電気化学的対面型バイオセンサー１を生体情報測定装置１０に装填し（Ｓ１２０）、前記バイオセンサー１が試料（血液）に接触して前記電気化学的バイオセンサー１の作動電極と補助電極を血液に浸す瞬間に前記電流電圧変換器１２を通じて一定電圧を印加し（Ｓ１３０）、前記一定電圧印加後に待ち時間印加電圧終了時点に連続的に三角波形循環電圧を印加する（Ｓ１４０）。

前記異常信号処理部１６で感応電流が異常信号であるか否かを判断し（Ｓ１５０）、異常信号と判断されるとこれを警報、ディスプレイに表示などを通じて知らせることができる（Ｓ１５１）。

また、異常信号でないと判断されると、前記人工知能ディープラーニングアルゴリズム計算部１７で最適化した人工知能ディープラーニング血糖測定アルゴリズムにより測定された応答電流から血糖測定値を求めることができる。

［比較例］

本発明の一実施例による人工神経網ディープラーニング技法を活用した血糖測定方法と同様に、一般に従来の多重回帰を利用した血糖測定方法は、既存の平面型または対面型の電気化学的バイオセンサーに生体情報測定装置１０を通じて一定電圧を印加し、三角形循環波形を印加して作動電極で還元された電子伝達媒介体の酸化電位を印加して生成された電流値を測定して血糖の濃度を求めた。

まず、正確度性能に対して多重線形回帰法を使用して計算するアルゴリズムを装着した既存方法（以下、既存方法）と本発明の提案方法（本願発明）を下記のように比較した。

総２回の正確度性能評価を標準分析器であるＹＳＩ２３００システムで同一試料に対して得た分析値と比較実施し（以下、全ての実施例の比較の基準はＹＳＩ２３００の測定値との比較である）、これを［表１］および図５に既存方法と提案方法に対して表示したところ、２回の臨床テストの全ては新しいアルゴリズム結果が統計的に（ｐ＝０．０４７）改善されることを確認した。

つまり、データセット１および２に対して既存方法と提案方法を適用してサンプル数それぞれ１，０４０、６００に対してＩＳＯ１５１９７基準である血糖濃度１００ｍｇ／ｄＬ以上である場合、基準値と対比して±１５％以内血糖濃度１００ｍｇ／ｄＬ未満である場合、基準値と対比して±１５ｍｇ／ｄＬ以内である正確度を測定する。標準分析器の測定値に対するＢｉａｓは、血糖濃度１００ｍｇ／ｄＬ未満の場合（血糖推定値－基準値）で計算され、血糖濃度１００ｍｇ／ｄＬ以上の場合（（血糖推定値－基準値）／基準値）＊１００で計算する。正確度性能を示す指標として正確度、ｂｉａｓ平均、そして二乗平均平方根偏向度（ｒｏｏｔ ｍｅａｎｓ ｑｕａｒｅ ｂｉａｓ；ＲＭＳＢ）を使用した。ＲＭＳＢは

で計算する。

表１は既存方法の多重線形回帰分析法を使用したシステムで得た血糖測定値と本発明の一実施例によるディープラーニングアルゴリズムを採用したシステムで得た血糖測定値の標準分析器ＹＳＩ２３００システムで得た測定値に対する偏向度（ｂｉａｓ）比較を示す。

図５は既存方法と提案方法による臨床テスト正確度性能を示すグラフである。図５と表１を通じて提案方法の正確度が１次と２次テストで９８．９％、９９．７％で、既存方法９８．７％、９８．５％と比較して正確度が改善された。またＢｉａｓ平均が既存方法と比較して提案方法で５．６→４．９、５．７→４．４に改善されたが、ＲＭＳＢは１１．１→９．８、１３．１→６．７に改善された。

また、表２は既存方法の多重線形回帰分析法を使用したシステムで得た血糖測定値と本発明の一実施例によるディープラーニングアルゴリズムを採用したシステムで得た血糖測定値のヘマトクリット４２％試料から得た血糖測定値に対する平均偏向度（ｂｉａｓ）比較を示す。

表２に表示されたとおり、ヘマトクリット影響評価を実施し、既存方法に比べて提案方法が優れた結果を示すことが分かる。

試料は、グルコース標準溶液であり、グルコース標準溶液とは、静脈で抽出した血液をヘマトクリット１５％～６５％に合わせてグルコース分析器、つまり、ＹＳＩの２３００ Ｓｔａｔ Ｐｌｕｓを使用して特定のグルコース濃度を有するように製造した血液をいい、準備された濃度の標準血液試料を２３度で各１０回ずつ測定した。

ヘマトクリット影響評価は、ＩＳＯ１５１９７基準に各グルコースのヘマトクリット４２％である試料の平均基準に各ヘマトクリットの平均の差がグルコース１００ｍｇ／ｄＬ未満である場合、１０ｍｇ／ｄＬ以下、１００ｍｇ／ｄＬ以上の場合、１０％以下でなければならない。

表２に示す値は、グルコース３４０ｍｇ／ｄＬ、ヘマトクリット４２％試料の血糖値基準に各ヘマトクリットでの平均差を示す値である。ヘマトクリットにより平均の差が発生する。

つまり、血液内ヘマトクリットの量により血糖推定値が変わることが分かる。

既存方法と提案方法のヘマトクリット補正能力の定量的比較のためにＭｅａｎ－Ａｂｓｏｌｕｔｅ－Ｄｉｆｆｅｒｅｎｃｅ（ＭＡＤ）を使用した。ＭＡＤは、ヘマトクリット４２％基準に各ヘマトクリットの平均差を絶対値平均を取った値である。

より具体的に、既存方法はヘマトクリットに対する影響がグルコース３４０ｍｇ／ｄＬでＭＡＤが５．９であるが、提案方法は３．５にヘマトクリット補正能力が改善された。

また、精密度性能評価を実施した。アルゴリズムの精密度は、ＩＳＯ１５１９７を基準に血糖濃度１００ｍｇ／ｄＬ未満は血糖推定値の標準偏差で計算し、１００ｍｇ／ｄＬ以上はｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｖａｒｉａｔｉｏｎ（ＣＶ）で計算する。ＣＶは、各実験条件の血糖値標準偏差を算術平均で割った値である。

一方、表３は既存方法の多重線形回帰分析法を使用したシステムで得た血糖測定値と本発明の一実施例によるディープラーニングアルゴリズムを採用したシステムで反復測定を通じて得た血糖測定値の精密度比較を示す。

ここで、グルコース１００ｍｇ／ｄＬ未満の場合、測定値の標準偏差値を利用し、１００ｍｇ／ｄＬ以上の場合、測定値の変動係数（ＣＶ）を利用する。

［表３］に示したように、本発明の一実施例による血液内特定物質の濃度測定方法の精密度結果が比較例による血液内特定物質の濃度測定方法に比べて分散比検証であるＦ－ｔｅｓｔ結果、ｐ＝０．０００を得て統計的に有意な改善であることを確認した。

ノイズ敏感度性能と関連して図６を参照して説明する。

図６に示したように、ストリップ反応信号に一定の大きさのノイズを任意に加えた時、アルゴリズム値の影響を確認した。既存信号の標準偏差と対比して０～４０％大きさのランダムノイズを加えた時、アルゴリズム値の変化を確認した。臨床で重要な１１０ｍｇ／ｄＬの場合、既存方法ではノイズの大きさによりｒｏｏｔ－ｍｅａｎ－ｓｑｕａｒｅ－ｅｒｒｏｒ（ＲＭＳＥ）が約５～３７ｍｇ／ｄＬ差がある反面、提案した方法では約４～９ｍｇ／ｄＬ程度にノイズに対する安定性が改善された。

次に、図７乃至図１７を参照して人工神経網ディープラーニング技法を活用した測定物分析学習方法について詳細に説明する。

図７は本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法に印加される電圧およびその応答電流であり、図８は非正常信号の例示図であり、図９はダウンサンプリング方法の概念図であり、図１０はダウンサンプリングの例であり、図１１はデータの関係マップを利用した情報抽出方法を示すグラフである。

図１２は本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法のアルゴリズム構造概念図であり、図１３はアルゴリズム特徴抽出部の構成図であり、図１４は特徴抽出部のレイヤー構造図であり、図１５はアルゴリズム血糖推定部の構成図である。

図１６はアンサンブルアルゴリズム構成図であり、図１７は本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法のフローチャートである。

本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法は、信号獲得部１１０で前記生体情報測定装置１０を通じて採血した血液をセンサー（Ｓｔｒｉｐ）に注入することによって起こる電気化学的反応を通じて１次元時系列データ（Ｔｉｍｅ ｓｅｒｉｅｓ ｄａｔａ）を獲得する（Ｓ２１０）。

温度５～５０℃、ヘマトクリット１０～７０％、そしてグルコース１０～６３０ｍｇ／ｄＬの多様な実験条件で温度および湿度が制御可能なチャンバー室で［表４］のような変数および実験条件で実験データを獲得した。

表４は学習データ獲得のための実験条件を示す。

実験データを得るための血液は、前記実験条件で製造した調製血を使用した。調製血製造方法は、抗凝固剤チューブに採血された静脈血を利用し、遠心分離して血漿、血球に分離する。ヘマトクリットは、血漿と血球混合比率を調節して合わせ、製造しようとする濃度のグルコースを添加して各実験条件の調製血を作った。

使用したストリップには毛細管構造の試料セルに酵素と電子伝達媒介体および各種安定剤と分散剤を含む試薬がコーティングされている一対の電極（作動電極と補助電極）が配置されている。

一つの血液サンプルデータを獲得するために、２電極ストリップで１秒当たり４００回データを獲得する方式を使用すれば３秒間のインキュベーション（ストリップの酵素と血液が化学的反応が起こるように待つ時間）と反応を測定するために、２．６５秒間印加したシークエンス電圧に対しては総２２６０データ収集が必要である。例えば、印加されるシークエンスと血液反応で得られるデータは図７に示された図の同一である。

学習に必要なデータを獲得するためには、多数の研究員が相当期間の間に恒温抗湿が可能なチェンバで作業する努力が必要である。実施例では、温度、グルコース、ヘマトクリット実験条件を組み合わせて反復測定を通じて総約１億個以上のデータを獲得した。

前記信号獲得部１１０で獲得した温度、グルコース、ヘマトクリット実験条件を組み合わせて反復測定を通じて得たデータに対して信号処理部１３０は、正規化（Ｎｏｒｍａｌｉｚａｔｉｏｎ）あるいは標準化（Ｓｔａｎｄａｒｄｉｚａｔｉｏｎ）を通じてデータを一定の大きさ（ｓｃａｌｅ）あるいは分布（ｄｉｓｔｒｉｂｕｔｉｏｎ）に変換する。

変換されたデータは、多チャンネルデータを組み合わせたりドメイン転換（例えば、時間あるいは周波数ドメイン）などの信号処理およびデータ変換を利用してデータイメージ化する。前記信号処理部１３０は、図８に示されているように、信号獲得時に血液注入異常およびハードウェア異常により非正常なデータが発生することがあるが、例えば、非正常信号はスパイク性ノイズが現れると、異常信号除外アルゴリズムを通じてエラーとして処理する。

非正常信号をエラー処理するために、時間に応じたデータの変化程度が一定値以上になると抽出する方式と正常信号で現れ得る信号範囲を逸脱した場合、抽出する方法を混合して使用した。

一方、電極から得た電気化学的反応信号は、１秒当たり４００回データを収集する方式で２．６５秒間特定のシークエンスを印加して１０６０回データを収集しており、本発明の生体情報測定装置１０の場合、ＳＴＭ３２Ｌ ＭＣＵのような制限されたハードウェアで１０６０回のデータを全て処理するためには実施例のアルゴリズム構造である場合、約３２秒かかるという問題が発生する。

血糖測定のために消耗する時間が３２秒であるということは、製品として商品性が低下するため、最適化作業が必要である。したがって、制限されたハードウェアで演算量が多いアルゴリズムを処理するためには、１０６０個からなる原信号の次元を減らすためにｒｏｗ ｒａｎｋ ａｐｐｒｏｘｉｍａｔｉｏｎ方法とダウンサンプリング方法を適用した。

本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法において、信号処理部１３０は、信号前処理として、アルゴリズムの演算量は１０分の１水準に減らしながら、時系列信号の特徴は維持することができるダウンサンプリング方法を図９に図示するように実施した。

図１０に示されているように、１０分の１水準にデータの大きさを減らしたにもかかわらず、既存の時系列信号の特徴はそのまま有している信号を獲得した。ダウンサンプリング結果、血糖測定にかかる時間を約３２秒から３秒に減らした。

図１１に示されているように、本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法において、信号処理部１３０は、単一電極で獲得された血液サンプルの原信号から追加的な情報を獲得するために時間に応じたデータの関係マップおよびドメイン変化を適用した。

本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法において、原信号を微分および積分した信号に変換して追加する。したがって、入力信号はセンサーから獲得された原信号とその信号の微分および積分信号の三つからなる。これによって、単一電極で得た信号を通じて多電極で信号を得た効果を得ることができる。

図１２は本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法のアルゴリズム構造概念図であり、図１３はアルゴリズム特徴抽出部の構成図であり、図１４は特徴抽出部の層状（Ｌａｙｅｒ、レイヤー）構造図であり、図１５はアルゴリズム血糖推定部の構成図であり、図１６はアンサンブルアルゴリズム構成図である。

一方、図１２に示されているように、本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法において、血糖測定のためのアルゴリズム構造部１５０は、血糖測定のためのアルゴリズム構造を形成する（Ｓ２３０）。

血糖測定のためのアルゴリズム構造は、信号の特徴抽出部１５１と血糖値予測部１５３に分けられる。アルゴリズムの大きさが大きいほどコンピューティングパワーは大きいが、その分、資源の消耗も増える。血糖測定器のような制限されたハードウェアでディープラーニングのような演算量が多いアルゴリズムを具現するためには、アルゴリズム構造を最小化する技術が必要である。単にアルゴリズムの大きさだけを減らすことが目的ではなく、性能低下を最小化しながらアルゴリズム構造を縮小することが目的である。

アルゴリズム構造を縮小するために、重要でない連結（加重値）を除去するＣｏｎｎｅｃｔｉｏｎ ｐｒｕｎｉｎｇ、類似連結（加重値）同士でグループ化するＷｅｉｇｈｔ ｅｎｃｏｄｉｎｇ－ｓｈａｒｉｎｇ、およびアルゴリズムモデル正規化技術を適用してアルゴリズムの性能低下は最小化しながら、アルゴリズム構造の大きさは縮小した。

前記特徴抽出部１５１の入力信号は、前述の信号前処理過程を経た１ｘ１０６大きさのデータである。データ内に含まれている特徴を抽出するために、大きく５個の層状構造を構成した。

前記特徴抽出部１５１を多くの層で構成した理由は、ｒａｗ ｄａｔａで獲得できる抽象的な特徴を多くの層を通じて加工することによって具体化するためである。前記特徴抽出部１５１の各層には、特徴を抽出するためのＣｏｎｖｏｌｕｔｉｏｎフィルターを設定する。

本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法において、入力信号により原信号は１ｘ５、微分および積分信号は１ｘ３の大きさのフィルターを用い、各層により使用されたフィルターの個数は［表５］のとおりである。

表５は実施例で使用されたフィルターサイズおよび個数である。

各層状はＣｏｎｖｏｌｕｔｉｏｎを遂行する部分とＢａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎを遂行する部分、活性化関数、そしてＭａｘ ｐｏｏｌｉｎｇで構成されている。

［Ｃｏｎｖｏｌｕｔｉｏｎ］

ここでＣｏｎｖｏｌｕｔｉｏｎは、図１３のように設定されたフィルターを利用してデータの開始部分から終了部分まで順次に演算を進行する。Ｃｏｎｖｏｌｕｔｉｏｎ演算は

となり、ｎはフィルターの大きさとなる。

［Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎとＲｅＬＵ］

Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎとＲｅＬＵは、ディープラーニング学習と関連して問題になり得るＣｏｖａｒｉａｔｅ ｓｈｉｆｔとＧｒａｄｉｅｎｔ ｖａｎｉｓｈｉｎｇ問題を解決しようとした。

Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎは、データがｋ個の次元を有するとすればそれぞれ次元ごとに下記の式で計算する。

ＲｅＬＵ関数は、Ｂａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎを通じて求めた

に対して下記の式で計算する。

［Ｐｏｏｌｉｎｇ］

Ｃｏｎｖｏｌｕｔｉｏｎ演算を通じて導出されるデータの大きさを減らすために特徴抽出部でＭａｘ ｐｏｏｌｉｎｇとＭｅａｎ ｐｏｏｌｉｎｇを適用した。

各層状はＣｏｎｖｏｌｕｔｉｏｎを遂行する部分とＢａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎを遂行する部分、活性化関数、そしてＭａｘ ｐｏｏｌｉｎｇあるいはＭｅａｎ ｐｏｏｌｉｎｇで構成されている。

図１４は５個の層で構成された特徴抽出部の各層の例である。アルゴリズム特徴抽出部は各信号により３２種の特徴を出力するようになる。

前記血糖値予測部１５３では特徴抽出部を利用して求められた３２個の特徴を利用して血糖値を推定する。前記血糖値予測部１５３は総２個の層で構成されている。３２個の値を利用して第１の層で３２ｘ１６加重値配列を利用して３２個の特徴を１６個に縮小し、第２の層で１６ｘ８加重値配列を利用して１６個の特徴を８個に縮小した後、最終的に血糖値を推定する。

各特徴をノード（ｎｏｄｅ）といい、隣接した層のノードは全て連結されている。学習を通じてこのノードの加重値を決定するようになる。

図１５に示されているように、前記アルゴリズム学習部１６０は、血糖測定アルゴリズムを学習する。

この時、血糖予測値が真値である血糖値を最も正確に予測できるようにアルゴリズム内の変数を調整する。アルゴリズム内の変数は、前記特徴抽出部１５１のフィルターの値あるいは前記血糖値予測部１５３のノード間の加重値などになり得る。

最適化の目標は、Ｌｏｓｓ ｆｕｎｃｔｉｏｎを最小化することにある。Ｌｏｓｓ ｆｕｎｃｔｉｏｎは、血糖値と予測値のｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ値に定義した。

Ｌｏｓｓを最適化する方法としてＧｒａｄｉｅｎｔ Ｄｅｓｃｅｎｔ ｏｐｔｉｍｉｚｅｒ、Ｍｏｍｅｎｔｕｍ ｏｐｔｉｍｉｚａｔｉｏｎ、Ｎｅｓｔｅｒｏｖ Ａｃｃｅｌｅｒａｔｅｄ Ｇｒａｄｉｅｎｔ、ＡｄａＧｒａｄ、ＲＭＳＰｒｏｐ、そしてＡｄａｍ ｏｐｔｉｍｉｚａｔｉｏｎなどを活用して最大限の性能を示す方法を適用した。

血糖予測値と真値の差によりアルゴリズム内の変数をアップデートするためにＡｄａｍ ｏｐｔｉｍｉｚａｔｉｏｎを使用し、変数アップデート程度は学習率（η）により決定され、本アルゴリズムでは０．００００１に設定した。基本的なＬｏｓｓを最適化する過程は以下のとおりである。

１．最適化する変数および学習率を設定する。

２．血糖予測値と真値の差が最小になるまで学習を繰り返す。

１）学習を繰り返す度に学習データの一部を無作為に選択する。

２）選択されたデータに対する予測値と真値の差に対する補償程度を計算する。

３）アルゴリズム内の最適化する変数を計算された補償程度により学習率の分、アップデートする。

アルゴリズム演算時間を減らすために演算に必要な最小限のデータが積もればデータを収集とは別個に演算を進行するようになる。つまり、データを全て収集した後にデータを演算する方式でなく、データ収集と演算を同時に進行する方式である。

本実施例では、データ収集後に演算する場合、約３．３秒の演算時間が必要であるが、前記で言及した方法を通じてデータ収集後に約１秒内に全ての演算が完了できるようにして演算時間を約２．３秒改善させた。

次に、前記アンサンブルアルゴリズム部１７０が血糖値予測の正確度および精密度向上のために一つ以上のアルゴリズムを組み合わせて最終予測値を算出する。

図１６に示されているように、入力信号が原信号、微分および積分信号の三つである時、それぞれ血糖値が予測されるが、三つのアルゴリズムで求められた血糖値の加重平均を通じて最終血糖値を算出した。

最終値算出方法は、各アルゴリズムの重要度により加重値を異に付与することができ、３個のアルゴリズムの出力値を利用して小規模ネットワークアルゴリズムを追加的に構成することもできる。

図１７を参照して、本発明の一実施例による生体情報分析人工知能基盤ディープラーニング学習方法のフローチャートを再度簡単に説明する。

本発明の他の側面による生体情報分析人工知能基盤ディープラーニング学習方法は、生体情報測定装置を通じて採血した血液を一対の電極を有するセンサー（Ｓｔｒｉｐ）に注入することによって起こる電気化学的反応を通じて信号を獲得する段階（Ｓ２１０）と、前記獲得された信号を人工知能ディープラーニングのための信号で処理する段階（Ｓ２３０）と、信号の特徴抽出部と血糖値予測部からなる血糖測定のためのアルゴリズム構造を形成する段階（Ｓ２４０）と、血糖予測値が真値である血糖値を最も正確に予測できるようにアルゴリズム内の変数を調整して血糖測定アルゴリズムを学習する段階（Ｓ２５０）と、最適化する段階を含むことができる（Ｓ２６０）。

本発明の一実施例による人工神経網ディープラーニング技法を活用した測定物分析方法、装置およびシステムによれば、既存の多重回帰（Ｍｕｌｔｉｐｌｅ Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ）方法から抜け出してアルゴリズムの正確度、精密度、およびヘマトクリットを含む干渉補正性能を改善することができ、制限された構造のメトリックハードウェアとセンサーストリップを有して具現が可能な最適化した血糖推定人工知能基盤のディープラーニング技術を提供することができる。

Claims (18)

1. 生体情報測定装置；および
   前記生体情報測定装置を通じて採血した血液を一対の電極を備えたセンサーに注入することによって起こる電気化学的反応を通じた信号を獲得する信号獲得部と、前記信号獲得部から獲得された信号を人工神経網ディープラーニング技法のために前処理するための信号処理部と、人工神経網ディープラーニング技法を活用して、前記信号処理部を通じて前処理された信号から前記血液の特徴を自動的に抽出し、最適化された生体情報測定アルゴリズムを生成する生体情報測定アルゴリズム生成部と、前記生体情報測定装置に最適化された生体情報測定アルゴリズムを提供する最適化アルゴリズム結果提供部を有する生体情報分析人工知能基盤ディープラーニングサーバーを含む人工神経網ディープラーニング技法を活用した測定物分析システム。
2. 前記信号処理部は、前記信号獲得部から獲得された信号中に血液注入異常およびハードウェア異常による信号を除き、前記生体情報測定アルゴリズム生成部は、血糖測定のためのアルゴリズム構造を形成するアルゴリズム構造部と、血糖予測値が真値である血糖値を最も正確に予測できるようにアルゴリズム内の変数を調整するアルゴリズム学習部と、血糖値予測の正確度および精密度の向上のために一つ以上のアルゴリズムを組み合わせて最終予測値を算出するアンサンブルアルゴリズム部を含む、請求項１に記載の人工神経網ディープラーニング技法を活用した測定物分析システム。
3. 前記アルゴリズム構造部は、前記信号処理部を通じて前処理された生体情報信号データ内に含まれている前記血液の特徴を抽出する特徴抽出部と、前記特徴抽出部を利用して求められた特徴を利用して血糖値を推定する血糖値予測部を含む、請求項２に記載の人工神経網ディープラーニング技法を活用した測定物分析システム。
4. 前記アルゴリズム構造部は、前記血液の成分、ヘマトクリット、温度、干渉種の特性を反映したイメージから分類または測定しようとする結果値を反映する特徴を人工神経網ディープラーニング技法を活用して自動的に抽出する、請求項２に記載の人工神経網ディープラーニング技法を活用した測定物分析システム。
5. 前記アルゴリズム学習部は、抽出された特徴を使用してアルゴリズム学習過程を経て予測結果値の誤差が最小になる人工神経網アルゴリズム内の変数値を導出する、請求項２に記載の人工神経網ディープラーニング技法を活用した測定物分析システム。
6. 人工神経網ディープラーニング技法を活用した血糖測定装置において、
   一対の電極を有する電気化学的バイオセンサーが装着されるコネクタ；
   前記コネクタと電気的に接続される電流－電圧変換器；
   前記電気化学的バイオセンサーの一対の電極に対して一定電圧を印加し、三角波形または四角波形、階段波形または他の変形された三角関数形態の波形を有する循環電圧を印加するように制御するデジタル－アナログコンバータ回路；および
   これらを制御するマイクロコントローラーを含み、
   前記マイクロコントローラーは、請求項１乃至５のいずれか一項に記載の人工神経網ディープラーニング技法を活用した測定物分析システムで得られた最適化された人工知能基盤ディープラーニングアルゴリズムにより自動的に血糖を計算する人工知能ディープラーニングアルゴリズム計算部を備えた人工神経網ディープラーニング技法を活用した血糖測定装置。
7. 前記電気化学的バイオセンサーと前記コネクタの接続が不良であるか、または血液注入異常およびハードウェア異常による異常信号が検出されると、これを警報する又はディスプレイに表示する異常信号処理部をさらに含む、請求項６に記載の人工神経網ディープラーニング技法を活用した血糖測定装置。
8. 前記人工知能ディープラーニングアルゴリズム計算部は、前記生体情報分析人工知能基盤ディープラーニングサーバーにより導出された最適化された人工知能ディープラーニング血糖測定アルゴリズムにより前記電気化学的バイオセンサーを通じて測定された応答電流から血糖測定値を８秒以内に求める、請求項６に記載の人工神経網ディープラーニング技法を活用した血糖測定装置。
9. 人工神経網ディープラーニング技法を活用した血糖測定方法において、
   試料を準備する段階；
   電気化学的バイオセンサーを生体情報測定装置に装填する段階；
   前記電気化学的バイオセンサーが試料に接触して前記電気化学的バイオセンサーの作動電極と補助電極を血液に浸す瞬間に一定電圧を印加し、前記一定電圧印加後に待ち時間印加電圧終了時点に連続的に三角波形または四角波形、階段波形または他の変形された三角関数形態の波形を有する循環電圧を印加する段階；および
   請求項１乃至６のいずれか一項に記載の人工神経網ディープラーニング技法を活用した測定物分析システムで得られた最適化された人工知能ディープラーニング血糖測定アルゴリズムにより測定された応答電流から血糖測定値を計算する段階を含む人工神経網ディープラーニング技法を活用した血糖測定方法。
10. 前記応答電流が異常信号であるか否かを判断する段階と、異常信号と判断されると血糖測定値を計算せずに警報する又はディスプレイに表示する段階を含む、請求項９に記載の人工神経網ディープラーニング技法を活用した血糖測定方法。
11. 生体情報分析人工知能基盤ディープラーニング学習方法において、
    生体情報測定装置を通じて採血した血液を一対の電極を有するセンサーに注入することによって起こる電気化学的反応を通じて信号を獲得する段階；
    前記獲得された信号を人工神経網ディープラーニング技法のために前処理する段階；
    人工神経網ディープラーニング技法を活用して前記前処理する段階で前処理された信号から前記血液の特徴を抽出する特徴抽出部と血糖値予測部とからなる血糖測定のためのアルゴリズム構造を形成する段階；
    血糖予測値と真値の差が最小になるようにアルゴリズム内の全ての変数を調整して血糖測定アルゴリズムを学習する段階；および
    血糖値予測の正確度および精密度向上のために一つ以上のアルゴリズムを組み合わせて最終予測値を算出する段階を含む生体情報分析人工知能基盤ディープラーニング学習方法。
12. 前記信号を獲得する段階では、温度５～５０℃、ヘマトクリット１０～７０％、そしてグルコース１０～６３０ｍｇ／ｄＬの様々な条件で信号を獲得し、バイオセンサーの一対の電極に１秒当たり４００回データを獲得する方式で３秒間のインキュベーションと反応を測定するために３秒以内の時間に特定のシークエンス電圧を印加する、請求項１１に記載の人工神経網ディープラーニング技法を活用した血糖測定方法。
13. 前記前処理する段階は、信号獲得時に血液注入異常およびハードウェア異常により非正常信号を処理する段階を含み、
    前記非正常信号を処理する段階は、スパイク性ノイズが現れると異常信号除外アルゴリズムで除外するか、または非正常信号とデータの差が一定値以上になると除外する段階を含む、請求項１１に記載の生体情報分析人工知能基盤ディープラーニング学習方法。
14. 前記前処理する段階は、血糖測定装置のアルゴリズム演算量を減らすために８０Ｈｚ以下にダウンサンプリングを利用する段階と、単一電極で獲得された血液サンプルの原信号から追加的な情報を獲得するために時間に応じたデータの関係マップまたはドメイン変化段階を含み、前記時間に応じたデータの関係マップで原信号、微分信号、積分信号を利用する、請求項１１に記載の生体情報分析人工知能基盤ディープラーニング学習方法。
15. 前記特徴抽出部は、前記前処理された１ｘ１０６大きさのデータであり、特徴抽出のための５個の層を構成し、各層には入力信号により原信号は１ｘ５、微分および積分信号は１ｘ３大きさのフィルターを使用し、Ｃｏｎｖｏｌｕｔｉｏｎを遂行する部分とＢａｔｃｈ ｎｏｒｍａｌｉｚａｔｉｏｎを遂行する部分、活性化関数そしてｐｏｏｌｉｎｇで構成されて各信号により３２種の特徴を抽出する、請求項１１に記載の生体情報分析人工知能基盤ディープラーニング学習方法。
16. 前記血糖値予測部では前記特徴抽出部から求められた３２個の特徴を利用して血糖値を推定し、前記血糖値予測部は、総２個の層で構成されて第１の層で３２ｘ１６加重値配列を利用して３２個の特徴を１６個に縮小し、第２の層で１６ｘ８加重値配列を利用して１６個の特徴を８個に縮小した後、最終的に血糖値を推定する段階を含む、請求項１１に記載の生体情報分析人工知能基盤ディープラーニング学習方法。
17. 前記血糖値アルゴリズムを学習する段階は、最適化する変数および学習率設定する段階と、前記血糖予測値と真値の差が最小になるまでアルゴリズムの最適化する変数値を予測値と真値の差による補償程度を学習率の分、アップデートする学習の過程を繰り返す段階を含む、請求項１１に記載の生体情報分析人工知能基盤ディープラーニング学習方法。
18. 前記最終予測値を算出する段階は、入力信号が原信号、微分および積分信号の三つである時、それぞれアルゴリズムで求められた血糖値を加重合計を通じて最終血糖値を算出する段階を含む、請求項１１に記載の生体情報分析人工知能基盤ディープラーニング学習方法。

Images