KR102234894B1 - 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법 - Google Patents

머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법 Download PDF

Info

Publication number
KR102234894B1
KR102234894B1 KR1020190060012A KR20190060012A KR102234894B1 KR 102234894 B1 KR102234894 B1 KR 102234894B1 KR 1020190060012 A KR1020190060012 A KR 1020190060012A KR 20190060012 A KR20190060012 A KR 20190060012A KR 102234894 B1 KR102234894 B1 KR 102234894B1
Authority
KR
South Korea
Prior art keywords
blood glucose
invasive blood
error
invasive
processor unit
Prior art date
Application number
KR1020190060012A
Other languages
English (en)
Other versions
KR20200134494A (ko
Inventor
쿠마르 아난드 프라딥
신동렬
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020190060012A priority Critical patent/KR102234894B1/ko
Priority to US16/777,033 priority patent/US20200367833A1/en
Publication of KR20200134494A publication Critical patent/KR20200134494A/ko
Application granted granted Critical
Publication of KR102234894B1 publication Critical patent/KR102234894B1/ko

Links

Images

Classifications

    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • 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
    • A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • A61B2560/0228—Operational features of calibration, e.g. protocols for calibrating sensors using calibration standards

Abstract

본 발명에 따른 맞춤형 비침습적 혈당 측정 방법은 (a) 프로세서 유닛이 환자의 혈당수치 데이터를 수집하는 단계; (b) 상기 프로세서 유닛이 수집한 혈당수치 데이터로 허용 가능한 최종오류(E`)를 결정하는 단계; (c) 상기 최종오류(E`)가 결정되면, 상기 프로세서 유닛이 환자의 설정모드에 따라 비침습적으로 예측하여 혈당수치를 측정하는 단계; (d) 상기 프로세서 유닛이 주기적으로 상기 최종오류(E`)의 교정여부를 판단하는 단계; 및 (e) 상기 프로세서 유닛이 상기 (d)단계에서 재교정할 필요가 없는 경우, 상기 (b)단계에서 결정된 최종오류(E`) 범위에서 비침습적으로 예측하여 혈당수치를 측정하는 단계;를 포함하여 매일 침습으로 혈당을 측정해야 하는 환자에게 비침습으로 정확한 맞춤형 혈당수치를 제공할 수 있는 효과가 있다.

Description

머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법{PERSONALIZED NON-INVASIVE BLOOD GLUCOSE MEASUREMENT DEVICE AND METHOD USING THE MEASUREMENT DEVICE USING MACHINE LEARNING}
본 발명은 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법에 관한 것으로써, 더욱 상세하게는 처음에 침습형 및 비침습형 센서가 환자의 혈당 측정하면, 프로세서 유닛에서 침습성 혈당값에 대한 비침습적 측정의 오류를 계산하고, 수집된 데이터를 바탕으로 최적의 회귀 분석을 통해 오류 함수 모델을 수립한 후, 오류 보상을 통해 개인에 최적화된 오류 함수 모델을 가지고 비침습적으로도 정확한 혈당의 측정이 가능한 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법에 관한 것이다.
세계 보건기구 (WHO)에 따르면, 당뇨병으로 고통당하고 있는 사람은 약 4억 2200만 명이며, 2014년에는 약 160만 명이 사망했다. 당뇨병 환자의 수는 매년 8.5 %의 비율로 증가하고 있으며 2030년에는 10억 명이 넘는 사람들이 이 질환으로 고통받을 것으로 예상된다.
지난 수십 년 동안 다양한 비 침습적 혈당 장치가 다양한 비 침습적 센서 기술을 사용하여 개발되었다. 이러한 장치 중 일부는 Glucotrack, Glucowise, Omeaho B2, Pepex mTrio로 명명된다. 이러한 장치에 사용되는 비 침습 혈당 측정 기술은 적외선, 초음파, 전자기파, 유전체, 열 또는 센서 조합이다. 불행히도 모든 기기는 FDA (Food and Drug Admiration) 요구 사항을 충족하는 임상 시험에 실패했다.
대부분의 연구자들은 비침습성 센서의 정확도를 향상시키는 데 초점을 맞추고 있다.
그러나 비침습적 측정의 정확도는 환자의 피부색, 두께 및 불안 등에 따라 크게 달라진다. 대부분의 연구자들은 센서 정확도에 주로 초점을 맞추지만 환자들 사이 또는 환자들 사이의 변화로 인한 비침습적 혈당 정확도 문제를 완전하게 해결하지 못하고 있다.
따라서, 더욱 정확한 결과를 제공할 수 있는 맞춤형 혈당 모니터링 장치가 필요한 실정이다.
일본 공개특허 제2009-039267호(2009.02.26)
상술한 필요에 따라 본 발명은 처음에 침습형 및 비침습형 센서가 환자의 혈당을 측정하면, 프로세서 유닛에서 침습성 혈당값에 대한 비침습적 측정의 오류를 계산하고, 수집된 데이터를 바탕으로 최적의 회귀 분석을 통해 오류 함수 모델을 수립한 후, 오류 보상을 통해 개인에 최적화된 오류 함수 모델을 가지고 비침습적으로도 정확한 혈당의 측정이 가능한 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법을 제공하는 데 목적이 있다.
상술한 목적을 달성하기 위한 본 발명에 따른 맞춤형 비침습적 혈당 측정 방법은 (a) 프로세서 유닛이 환자의 혈당수치 데이터를 수집하는 단계; (b) 상기 프로세서 유닛이 수집한 혈당수치 데이터로 허용 가능한 최종오류(E`)를 결정하는 단계; (c) 상기 최종오류(E`)가 결정되면, 상기 프로세서 유닛이 환자의 설정모드에 따라 비침습적으로 예측하여 혈당수치를 측정하는 단계; (d) 상기 프로세서 유닛이 주기적으로 상기 최종오류(E`)의 교정여부를 판단하는 단계; 및 (e) 상기 프로세서 유닛이 상기 (d)단계에서 재교정할 필요가 없는 경우, 상기 (b)단계에서 결정된 최종오류(E`) 범위에서 비침습적으로 예측하여 혈당수치를 측정하는 단계;를 포함하는 것을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명에 따른 맞춤형 비침습적 혈당 측정 방법의 (a)단계는 (a-1) 상기 프로세서 유닛이 침습형 혈당 측정기로부터 침습 혈당수치(X)를 수신하는 단계; (a-2) 상기 프로세서 유닛이 비침습형 혈당 측정기로부터 비침습 혈당수치(Y)를 수신하는 단계; 및 (a-3) 상기 프로세서 유닛이 수신한 상기 침습 혈당수치(X)와 비침습 혈당수치(Y) 중, 상기 침습 혈당수치(X)를 기준수치로 메모리부에 저장함으로써 데이터를 수집하는 단계;를 포함하는 것을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명에 따른 맞춤형 비침습적 혈당 측정 방법의 (b)단계는 (b-1) 상기 프로세서 유닛의 비교부가 상기 비침습 혈당수치(Y)를 기준수치인 상기 침습 혈당수치(X)와 비교하여 초기 오류(E)를 계산하는 단계; (b-2) 상기 프로세서 유닛의 상기 오류 함수 모델 생성부가 오류 함수 모델을 수립하는 단계; (b-3) 상기 프로세서 유닛의 상기 오류 보상부가 상기 오류 함수 모델을 이용하여 비침습 혈당 수치(Y)의 오류를 보상하여, 기준수치인 상기 침습 혈당 수치(X)에 까가운 예상된 비침습 혈당수치(Y`)를 예측하는 단계; (b-4) 상기 비교부가 상기 예상된 비침습 혈당수치(Y`)와 침습 혈당수치(X)를 비교하여 최종오류(E`)를 계산하는 단계; 및 (b-5) 상기 프로세서 유닛이 상기 최종오류(E`)가 기설정된 허용범위 내의 오류인지 판단하여, 상기 최종오류(E`)가 허용범위 내의 오류인 경우 상기 최종오류(E`)를 확정하는 단계;를 포함하는 것을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명에 따른 맞춤형 비침습적 혈당 측정 방법의 (b)단계는 (b-5`) 상기 프로세서 유닛이 상기 최종오류(E`)가 허용범위 외의 오류인 경우 상기 (a)단계 이후의 단계를 반복수행하는 단계;를 더 포함하는 것을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명에 따른 맞춤형 비침습적 혈당 측정 방법의 (d)단계는 (d-1) 상기 프로세서 유닛이 상기 예상된 비침습 혈당수치(Y`)와 상기 침습 혈당수치(X)를 새로 수집하는 단계; (d-2) 상기 비교부가 (d-1)단계에서 수집된 상기 예상된 비침습 혈당수치(Y`)와 상기 침습 혈당수치(X)를 비교하여 최종오류(E`)를 다시 계산하는 단계; 및 (d-3) 상기 프로세서 유닛이 상기 (d-2)단계에서 계산된 최종오류(E`)가 기설정된 허용범위 내의 오류인지 재판단하여 허용범위 외인 경우, 상기 (a)단계 이후의 단계를 반복수행하여 상기 최종오류(E`)를 교정하는 단계;를 포함하는 것을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명에 따른 맞춤형 비침습적 혈당 측정 방법의 (d-3)단계는 (d-3`) 상기 프로세서 유닛이 (d-2)단계에서 계산된 최종오류(E`)가 기설정된 허용범위 내의 오류인지 재판단하여 허용범위 내인 경우 해당 최종오류(E`)를 계속적용하여 환자의 비침습 혈당수치를 측정하는 단계;를 더 포함하는 것을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명에 따른 맞춤형 비침습적 혈당 측정 방법의 (b-2)단계에서, 상기 오류 함수 모델 생성부는 비 침습 혈당 측정의 변이원인 환자의 내적변이(음식물 섭취, 신체 활동, 스트레스 및 불안)와 환자의 외적변이(유전성, 피부색, 피부 두께 및 센서 정확도)를 반영하여 학습한 후, 상기 오류 함수 모델을 수립하는 것을 특징으로 한다.
바람직하게, 상술한 목적을 달성하기 위한 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치는 비침습적 센서 또는 IR 센서에 의해 혈당을 측정하는 비침습형 혈당 측정기; 침습형 센서에 의해 혈당을 측정하는 침습형 혈당 측정기; 상기 비침습형 혈당 측정기와 침습형 혈당 측정기가 측정한 침습 혈당수치와 비침습 혈당수치를 수집하여, 오류를 계산하고, 머신러닝으로 학습을 통해 맞춤형 오류 함수 모델을 생성하여 오류를 보상함으로써 예상된 비침습 혈당수치를 계산하는 프로세서 유닛; 상기 침습 혈당수치, 비침습 혈당수치, 및 예상된 비침습 혈당수치 중 어느 하나를 출력하도록 모드를 선택가능하게 하는 모드 선택부; 및 상기 모드 선택부에 의한 선택모드, 환자정보, 시간날짜 정보, 상기 침습 혈당수치, 비침습 혈당수치, 및 예상된 비침습 혈당수치 중 어느 하나를 표시하는 디스플레이부;를 포함하는 것을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치의 프로세서 유닛은 상기 비침습형 혈당 측정기가 측정한 비침습 혈당수치(Y)를 수신하는 비침습 데이터 수신부; 상기 침습형 혈당 측정기가 침습 혈당수치(X)를 수신하는 침습 데이터 수신부;상기 비침습 혈당수치(Y)를 기준수치인 상기 침습 혈당수치(X)와 비교하여 초기 오류(E)를 계산하거나, 예상된 비침습 혈당수치(Y`)와 상기 침습 혈당수치(X)를 비교하여 최종 오류(E`)를 계산하는 비교부; 상기 환자정보 중, 환자의 내적변이(음식물 섭취, 신체 활동, 스트레스 및 불안)와 환자의 외적변이(유전성, 피부색, 피부 두께 및 센서 정확도)를 반영하여 학습한 후, 상기 초기 오류(E)를 이용하여 오류 함수 모델을 수립하는 오류 함수 모델 생성부; 및 상기 오류 함수 모델을 이용하여 비침습 혈당 수치(Y)의 오류를 보상하여, 기준수치인 상기 침습 혈당 수치(X)에 까가운 상기 예상된 비침습 혈당수치(Y`)를 예측하는 오류 보상부;를 포함하는 것을 특징으로 한다.
본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법은 환자의 혈당을 침습형과 비침습형 센서로 측정하고, 침습형으로 측정한 혈당 수치를 기준으로 비침습형 센서로 측정한 혈당값을 보정하는 오류 함수 모델을 수립하여, 매일 침습으로 혈당을 측정해야 하는 환자에게 비침습으로 정확한 맞춤형 혈당수치를 제공할 수 있는 효과가 있다.
도 1은 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치의 구조도이다
도 2는 본 발명에 따른 맞춤형 비침습적 혈당 측정 방법의 흐름도이다.
도 3은 침습성, 비침습성 및 비침습성 예측"에 대한 혈당수치의 테스트 결과의 그래픽 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면을 참조하여 상세하게 설명하도록 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재 항목들의 조합 또는 복수의 관련된 기재 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급될 때에는 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 포함한다고 할때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있다는 것을 의미한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법에 대해 설명한다.
먼저, 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치는 비침습형 혈당 측정기(100), 침습형 혈당 측정기(200), 프로세서 유닛(300), 모드 선택부(400) 및 디스플레이부(500)를 포함한다.
상기 프로세서 유닛(300)은 비침습 데이터 수신부(310), 침습 데이터 수신부(320), 메모리부(도시되지 않음), 비교부(330), 오류 함수 모델 생성부(340), 오류 보상부(350), 및 출력부(360)를 포함한다.
상기 비침습형 혈당 측정기(100)와 침습형 혈당 측정기(200)는 도 1에 도시된 바와 같이 비침입형 및 침입형으로 혈당을 측정한다.
상기 비침습형 혈당 측정기(100)는 근적외선 기술을 기반으로 하는 비침습적 센서 또는 IR 센서가 해당될 수 있고, 상기 침습형 혈당 측정기(200)는 침습형 센서일 수 있으며, 이에 국한되지 않고, 다양한 다른 침습형 센서 및 비침습형 센서가 해당될 수 있다.
상기 프로세서 유닛(300)은 상기 비침습형 혈당 측정기(100)와 침습형 혈당 측정기(200)가 측정한 침습 혈당수치와 비침습 혈당수치를 수집하여, 오류를 계산하고, 오류 함수 모델을 생성하여 오류를 보상함으로써 비침습 혈당수치를 예측한다.
보다 구체적으로, 상기 프로세서 유닛(300)은 비침습 데이터 수신부(310), 침습 데이터 수신부(320), 메모리부(도시되지 않음), 비교부(330), 오류 함수 모델 생성부(340), 오류 보상부(350), 및 출력부(360)를 포함하는데, 상기 비침습 데이터 수신부(310)는 상기 비침습형 센서(100)가 측정한 비침습 혈당수치를 수신하고, 상기 침습 데이터 수신부(320)는 상기 침습형 혈당 측정기(200)가 측정한 침습 혈당수치를 수신하여 메모리부에 저장한다.
상기 메모리부는 상기 비침습 데이터 수신부(310)와 침습형 데이터 수신부(320)에 수신되면, 침습으로 측정된 침습 혈당수치와 비침습으로 측정된 비침습 혈당수치를 저장하되, 상기 침습 혈당수치를 기준으로 저장되는 것이 바람직하다.
상기 비교부(330)는 비침습 혈당수치을 기준치인 침습 혈당수치와 비교하여 도1에 도시된 바와 같이 초기 오류를 계산한다.
한편, 상기 비침습형 혈당 측정기(100)와 침습형 혈당 측정기(200)에서 측정된 혈당수치는 A/D변환기에서 디지털 신호로 변환되어 상기 비교부(330)로 전송된다.
소프트웨어 프로그램이 저장된 상기 오류 함수 모델 생성부(340)는 회귀 모델을 적용하여 수집된 데이터를 기반으로 "오류 함수 모델"을 작성하여 제곱 오류 합계(SSE:Sum of Square Error)를 줄인다
상기 오류 함수 모델은 기계학습이나 또는 다른 인공지능 방법을 사용한 다양한 회귀 모델을 사용하여 수립된다.
상기 오류 보상부(350)는 상기 `오류 함수 모델`을 이용하여 비침습 혈당 수치의 오류를 보상하여, 침습 혈당 수치에 까가운 예상된 비침습 혈당수치(Y`)를 예측한다.
상기 출력부(360)는 모드 선택에 따라 입력되는 상기 칩습 혈당수치, 상기 비침습 혈당수치, 또는 교정된 비침습 혈당수치를 출력하도록 한다.
상기 모드 선택부(400)는 언급한 바와 같이 상기 출력부의 출력신호를 환자가 선택가능 하게한다.
상기 디스플레이부(500)는 상기 출력부(360)와 연결되어 선택모드, 환자이름, 시간날짜와 함께 측정된 혈당수치를 수치로 표시한다.
다른 실시예로써, 상술한 구성을 갖는 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치에 의한 비침습적 혈당 측정 방법에 대해 설명하다.
먼저, 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치에서 사용되는 파라미터는 아래와 같다.
Figure 112019052486199-pat00001
먼저, 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치는 데이터를 수집하는 단계를 수행한다(S100).
보다 구체적으로, 환자는 상기 침습형 혈당 측정기(200)로 침습 혈당수치(X)를 측정하는 단계를 수행한다(S110).
또한, 상기 환자는 비침습형 혈당 측정기(100)로 비침습 혈당수치(Y)를 측정하는 단계를 수행한다(S120).
다음으로, 상기 프로세서 유닛(300)의 비침습 데이터 수신부(310)와 침습 데이터 수신부(320)는 상기 침습 혈당수치(X)와 비침습 혈당수치(Y)를 수신하여 메모리부에 저장함으로써, 데이터를 수집하는 단계를 수행한다(S130).
이때, 상기 프로세서 유닛(300)은 수신한 침습 혈당수치(X)와 비침습 혈당수치(Y)를 메모리부에 저장하되, 상기 침습 혈당수치(X)를 기준수치로 저장하는 것이 바람직하다.
한편, S130단계 이전에 상기 A/D변환기는 아날로그 수치인 상기 침습 혈당수치(X)와 비침습 혈당수치(Y)를 디지털 수치를 변환하는 단계를 더 수행할 수도 있다.
상기 S130 단계는 도 2에 도시되어 있지 않지만 도 1에 도시된 내용을 통해 충분히 유추가능하다.
상기 S100 이후, 상기 프로세서 유닛(300)은 허용 가능한 최종 오류(E`)를 계산하는 단계를 수행한다(S200).
상기 S200단계에 대해 더욱 상세히 설명하면, 상기 프로세서 유닛(300)의 비교부(330)는 상기 비침습 혈당수치(Y)를 기준수치인 상기 침습 혈당수치(X)와 비교하여 초기 오류(E)를 [수학식 1]로 계산하는 단계를 수행한다(S210).
Figure 112019052486199-pat00002
이후, 상기 오류 함수 모델 생성부(340)는 회귀 모델을 적용하여 수집된 데이터를 기반으로 상기 비침습 혈당수치(Y)와 상기 침습 혈당수치(X) 사이의 제곱 오류 합계(SSE:Sum of Square Error)를 줄일 수 있는 "오류 함수 모델(F(Y, E))"을 수립하는 단계를 수행한다(S220).
상기 (S220)단계에서 수립된 오류 함수 모델(Y`=F(Y, E))은 아래의 [수학식 2]와 같다.
Figure 112019052486199-pat00003
상기 [수학식 2]에서 a1, a2,........a15는 오차 함수 모델의 계수이다
이때, 상기 오류 함수 모델 생성부(340)는 비 침습 혈당 측정장치의 보편적인 사용을 보장하기 위해 비 침습 혈당 측정의 변이원인 환자의 내적변이(음식물 섭취, 신체 활동, 스트레스 및 불안 등)와 환자의 외적변이(유전성, 피부색, 피부 두께 및 센서 정확도 등)를 고려해서 오류 함수 모델(F(Y, E))을 수립하기 위한 학습을 수행한다.
특히, 본 발명에서 상기 오류 함수 모델 생성부(340)는 맞춤형을 위해 환자의 피부색, 두께, 음식 섭취량, 신체 활동, 스트레스 및 기타 심리적 패턴에 따라 교육된다.
상기 오류 보상부(350)는 상기 `오류 함수 모델`을 이용하여 비침습 혈당 수치(Y)의 오류를 보상하여, 침습 혈당 수치(X)에 까가운 예상된 비침습 혈당수치(Y`)를 예측하는 단계를 수행한다(S230).
다시 상기 프로세서 유닛(300)의 비교부(330)는 상기 예상된 비침습 혈당수치(Y`)와 침습 혈당수치(X)의 최종오류(E`)를 다시 계산하는 단계를 수행한다(S240).
상기 최종오류(E`)는 아래의 [수학식 3]으로 다시 계산된다.
Figure 112019052486199-pat00004
상기 최종오류(E`)는 아래 [표 2]에 요약된 바와 같이 초기 오류 -221%에서 61%에 비해 -14%에서 18%로 감소합니다. 이는 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치의 정확도 향상을 입증한 것이다.
Parameter Unit Minimum Maximum Mean
X mg/dl 65 402 192
Y' mg/dl 57 399 192
E % -221 61 -10
E' % -14 18 0
상기 프로세서 유닛(300)은 상기 최종오류(E`)가 기설정된 허용범위 내의 오류인지 판단하여, 상기 최종오류(E`)가 허용범위 내에 있는 경우 상기 최종오류(E`)를 확정하고, 상기 최종오류(E`)가 허용범위 내의 오류가 아닌 경우, 상기 데이터를 수집하는 상기 S100단계 이후의 과정을 반복 수행하는 단계를 수행한다(S250).
상술한 바와 같이 허용범위 내의 있는 최종오류(E`)가 결정되면, 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치는 환자의 설정에 따라 비침습적으로만 혈당치를 측정하는 단계를 수행한다(S300).
보다 구체적으로 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치는 비침습적 측정만 사용하도록 환자에게 알리면, 환자는 상기 모드 선택부(400)로 비침습적 측정만 가능하도록 설정할 수 있다.
상기 환자의 내적변이(음식물 섭취, 신체 활동, 스트레스 및 불안 등)또는 환자의 외적변이(유전성, 피부색, 피부 두께 및 센서 정확도 등)에 따라 상기 최종오류(E`)가 변경될 수 있는 만큼, 상기 프로세서 유닛(300)은 주기적으로 최종오류(E`)를 재교정하는 단계를 수행한다(S400).
보다 구체적으로, 설정된 기간마다 주기적으로 즉, 설정된 기간이 도래하면, 환자가 상기 비침습형 혈당 측정기(100)와 침습형 혈당 측정기(200)에 상기 예상된 비침습 혈당수치(Y`)와 상기 침습 혈당수치(X)를 측정하면, 상기 프로세서 유닛(300) 새로운 데이터로 수집하는 단계를 수행한다(S410).
상기 비교부(330)는 상기 S410 단계에서 측정된 침습 혈당수치(X)와 예상된 비침습 혈당수치(Y`)를 이용하여 최종오류(E`)를 다시 계산하는 단계를 수행한다(S420).
또한, 상기 프로세서 유닛(300)은 상기 S420 단계에서 다시 계산된 상기 최종오류(E`)가 기설정된 허용범위 내의 오류인지 재판단하여(S430), 상기 최종오류(E`)가 허용범위 내의 있는 경우, 상기 최종오류(E`)를 계속적용하여 환자의 비침습 혈당수치를 측정하는 단계를 수행한다(S500).
하지만, 재계산된 상기 최종오류(E`)가 허용범위 내의 오류가 아닌 경우, 상기 데이터를 수집하는 상기 S100단계 이후의 과정을 반복 수행하여 본 발명에 따른 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치를 재조정해야 한다.
한편, 침습성, 비침습성 및 예상된 비침습성에 대한 혈당수치의 테스트 결과의 그래픽 도면인 도 3에 도시된 바와 같이 비침습적 예측 곡선이 침습적 혈당 곡선을 따르고 있음을 명확히 확인할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 사람이라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 실행된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 비침습형 혈당 측정기
200 : 침습형 혈당 측정기
300 : 프로세서 유닛
310 : 비침습 데이터 수신부
320 : 침습 데이터 수신부
330 : 비교부
340 : 오류 함수 모델 생성부
350 : 오류 보상부
360 : 출력부
400 : 모드 선택부
500 : 디스플레이부

Claims (9)

  1. (a) 프로세서 유닛이 환자의 혈당수치 데이터를 수집하는 단계;
    (b) 상기 프로세서 유닛이 환자의 내적변이와 외적변이를 고려하여 수립된 오류 함수 모델을 이용하여, 수집한 혈당수치 데이터로 허용 가능한 최종오류(E`)를 결정하는 단계;
    (c) 상기 최종오류(E`)가 결정되면, 상기 프로세서 유닛이 환자의 설정모드에 따라 비침습적으로 예측하여 혈당수치를 측정하는 단계;
    (d) 상기 프로세서 유닛이 주기적으로 상기 최종오류(E`)의 교정여부를 판단하는 단계; 및
    (e) 상기 프로세서 유닛이 상기 (d)단계에서 재교정할 필요가 없는 경우, 상기 (b)단계에서 결정된 최종오류(E`) 범위에서 비침습적으로 예측하여 혈당수치를 측정하는 단계;를 포함하는 맞춤형 비침습적 혈당 측정 방법.
  2. 제 1항에 있어서,
    상기 (a)단계는
    (a-1) 상기 프로세서 유닛이 침습형 혈당 측정기로부터 침습 혈당수치(X)를 수신하는 단계;
    (a-2) 상기 프로세서 유닛이 비침습형 혈당 측정기로부터 비침습 혈당수치(Y)를 수신하는 단계; 및
    (a-3) 상기 프로세서 유닛이 수신한 상기 침습 혈당수치(X)와 비침습 혈당수치(Y) 중, 상기 침습 혈당수치(X)를 기준수치로 메모리부에 저장함으로써, 데이터를 수집하는 단계;를 포함하는 맞춤형 비침습적 혈당 측정 방법.
  3. 제 2항에 있어서,
    상기 (b)단계는
    (b-1) 상기 프로세서 유닛의 비교부가 상기 비침습 혈당수치(Y)를 기준수치인 상기 침습 혈당수치(X)와 비교하여 초기 오류(E)를 계산하는 단계;
    (b-2) 상기 프로세서 유닛의 상기 오류 함수 모델 생성부가 오류 함수 모델을 수립하는 단계;
    (b-3) 상기 프로세서 유닛의 오류 보상부가 상기 오류 함수 모델을 이용하여 비침습 혈당 수치(Y)의 오류를 보상하여, 기준수치인 상기 침습 혈당 수치(X)에 가까운 예상된 비침습 혈당수치(Y`)를 예측하는 단계;
    (b-4) 상기 비교부가 상기 예상된 비침습 혈당수치(Y`)와 침습 혈당수치(X)를 비교하여 최종오류(E`)를 계산하는 단계; 및
    (b-5) 상기 프로세서 유닛이 상기 최종오류(E`)가 기설정된 허용범위 내의 오류인지 판단하여, 상기 최종오류(E`)가 허용범위 내의 오류인 경우 상기 최종오류(E`)를 확정하는 단계;를 포함하는 맞춤형 비침습적 혈당 측정 방법.
  4. 제 3항에 있어서,
    상기 (b)단계는
    (b-5`) 상기 프로세서 유닛이 상기 최종오류(E`)가 허용범위 외의 오류인 경우 상기 (a)단계 이후의 단계를 반복수행하는 단계;를 더 포함하는 맞춤형 비침습적 혈당 측정 방법.
  5. 제 4항에 있어서,
    상기 (d)단계는
    (d-1) 상기 프로세서 유닛이 상기 예상된 비침습 혈당수치(Y`)와 상기 침습 혈당수치(X)를 새로 수집하는 단계;
    (d-2) 상기 비교부가 (d-1)단계에서 수집된 상기 예상된 비침습 혈당수치(Y`)와 상기 침습 혈당수치(X)를 비교하여 최종오류(E`)를 다시 계산하는 단계; 및
    (d-3) 상기 프로세서 유닛이 상기 (d-2)단계에서 계산된 최종오류(E`)가 기설정된 허용범위 내의 오류인지 재판단하여 허용범위 외인 경우, 상기 (a)단계 이후의 단계를 반복수행하여 상기 최종오류(E`)를 교정하는 단계;를 포함하는 맞춤형 비침습적 혈당 측정 방법.
  6. 제 5항에 있어서,
    상기 (d-3)단계는
    (d-3`) 상기 프로세서 유닛이 (d-2)단계에서 계산된 최종오류(E`)가 기설정된 허용범위 내의 오류인지 재판단하여 허용범위 내인 경우 해당 최종오류(E`)를 계속적용하여 환자의 비침습 혈당수치를 측정하는 단계;를 더 포함하는 맞춤형 비침습적 혈당 측정 방법.
  7. 삭제
  8. 비침습적 센서 또는 IR 센서에 의해 혈당을 측정하는 비침습형 혈당 측정기;
    침습형 센서에 의해 혈당을 측정하는 침습형 혈당 측정기;
    상기 비침습형 혈당 측정기와 침습형 혈당 측정기가 측정한 침습 혈당수치와 비침습 혈당수치를 수집하여, 오류를 계산하고, 환자의 내적변이와 외적변이를 고려하도록 머신러닝으로 학습된 맞춤형 오류 함수 모델을 생성하여 오류를 보상함으로써 예상된 비침습 혈당수치를 계산하는 프로세서 유닛;
    상기 침습 혈당수치, 비침습 혈당수치, 및 예상된 비침습 혈당수치 중 어느 하나를 출력하도록 모드를 선택가능하게 하는 모드 선택부; 및
    상기 모드 선택부에 의한 선택모드, 환자정보, 시간날짜 정보, 상기 침습 혈당수치, 비침습 혈당수치, 및 예상된 비침습 혈당수치 중 어느 하나를 표시하는 디스플레이부;를 포함하는 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치.
  9. 제 8항에 있어서,
    상기 프로세서 유닛은
    상기 비침습형 혈당 측정기가 측정한 비침습 혈당수치(Y)를 수신하는 비침습 데이터 수신부;
    상기 침습형 혈당 측정기가 침습 혈당수치(X)를 수신하는 침습 데이터 수신부;
    상기 비침습 혈당수치(Y)를 기준수치인 상기 침습 혈당수치(X)와 비교하여 초기 오류(E)를 계산하거나, 예상된 비침습 혈당수치(Y`)와 상기 침습 혈당수치(X)를 비교하여 최종 오류(E`)를 계산하는 비교부;
    상기 환자정보 중, 환자의 내적변이(음식물 섭취, 신체 활동, 스트레스 및 불안)와 환자의 외적변이(유전성, 피부색, 피부 두께 및 센서 정확도)를 반영하여 머신러닝을 통해 학습한 후, 상기 초기 오류(E)를 이용하여 오류 함수 모델을 수립하는 오류 함수 모델 생성부; 및
    상기 오류 함수 모델을 이용하여 비침습 혈당 수치(Y)의 오류를 보상하여, 기준수치인 상기 침습 혈당 수치(X)에 까가운 상기 예상된 비침습 혈당수치(Y`)를 예측하는 오류 보상부;를 포함하는 것을 특징으로 하는 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치.
KR1020190060012A 2019-05-22 2019-05-22 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법 KR102234894B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190060012A KR102234894B1 (ko) 2019-05-22 2019-05-22 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법
US16/777,033 US20200367833A1 (en) 2019-05-22 2020-01-30 Personalized non-invasive blood glucose measurement device using machine learning or deep learning and method using the measurement device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190060012A KR102234894B1 (ko) 2019-05-22 2019-05-22 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법

Publications (2)

Publication Number Publication Date
KR20200134494A KR20200134494A (ko) 2020-12-02
KR102234894B1 true KR102234894B1 (ko) 2021-04-02

Family

ID=73457656

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190060012A KR102234894B1 (ko) 2019-05-22 2019-05-22 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법

Country Status (2)

Country Link
US (1) US20200367833A1 (ko)
KR (1) KR102234894B1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113317783B (zh) * 2021-04-20 2022-02-01 港湾之星健康生物(深圳)有限公司 多模个性化纵横校准的方法
CN113317782B (zh) * 2021-04-20 2022-03-22 港湾之星健康生物(深圳)有限公司 多模个性化监测的方法
KR102614602B1 (ko) * 2021-05-20 2023-12-19 주식회사 아이센스 비침습 생체정보의 교정 방법
CN113506632B (zh) * 2021-06-08 2023-12-12 山东第一医科大学附属省立医院(山东省立医院) 一种基于非周期采样数据的i型糖尿病人血糖的估算方法
KR102629999B1 (ko) * 2023-02-27 2024-01-25 (재)대구기계부품연구원 혈당 정보 제공 방법 및 비침습식 혈당 검출 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005519683A (ja) * 2002-03-08 2005-07-07 センシス メディカル インク 代替部位ブドウ糖定量を使用して非侵襲的アナライザおよび埋め込み型アナライザの較正および保守を行う方法および装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6876931B2 (en) * 2001-08-03 2005-04-05 Sensys Medical Inc. Automatic process for sample selection during multivariate calibration
JP2009039267A (ja) 2007-08-08 2009-02-26 Panasonic Corp 非侵襲生体情報測定装置
KR101832486B1 (ko) * 2011-02-18 2018-02-26 삼성전자주식회사 혈당 측정의 정확도를 높이기 위한 장치 및 방법
US20170181671A1 (en) * 2015-12-28 2017-06-29 Medtronic Minimed, Inc. Sensor-unspecific calibration methods and systems
US10687739B2 (en) * 2017-09-05 2020-06-23 Cnoga Medical Ltd. Method and apparatus for non-invasive glucose measurement
KR102498120B1 (ko) * 2017-10-17 2023-02-09 삼성전자주식회사 생체정보 센서의 오차 보정 장치 및 방법과, 생체정보 추정 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005519683A (ja) * 2002-03-08 2005-07-07 センシス メディカル インク 代替部位ブドウ糖定量を使用して非侵襲的アナライザおよび埋め込み型アナライザの較正および保守を行う方法および装置

Also Published As

Publication number Publication date
US20200367833A1 (en) 2020-11-26
KR20200134494A (ko) 2020-12-02

Similar Documents

Publication Publication Date Title
KR102234894B1 (ko) 머신러닝을 이용한 맞춤형 비침습적 혈당 측정장치 및 그 장치에 의한 비침습적 혈당 측정 방법
Mukkamala et al. Toward ubiquitous blood pressure monitoring via pulse transit time: Predictions on maximum calibration period and acceptable error limits
CN109965862B (zh) 一种无袖带式长时连续血压无创监测模型的构建方法
US11298029B2 (en) Blood pressure measuring apparatus, blood pressure measuring method, electronic device, and computer readable storage medium
TWI425934B (zh) 生理信號量測模組及方法
Chen et al. Continuous and noninvasive blood pressure measurement: a novel modeling methodology of the relationship between blood pressure and pulse wave velocity
JP4579091B2 (ja) デジタル測定装置
US8277387B2 (en) System and method for determining the blood pressure of a patient
US20170258340A1 (en) Cuff-less multi-sensor system for statistical inference of blood pressure with progressive learning/tuning
US20120136261A1 (en) Systems and methods for calibrating physiological signals with multiple techniques
US20170293735A1 (en) Method and System for Personalized Blood Flow Modeling Based on Wearable Sensor Networks
US20230027455A1 (en) System and method for configuring data collection for a digital twin
JP2010500078A (ja) 生理パラメータを監視する方法および装置
JPWO2010073689A1 (ja) 電子血圧計および血圧測定方法
US9684770B2 (en) Performing measurement of a subject
ES2396844A1 (es) Sistema y método para la estimación simultánea y no invasiva de la glucosa en la sangre, nivel de glucocorticoides y presión arterial
JPH1156822A (ja) 血糖測定装置
Moscoso-Vasquez et al. Control-oriented model with intra-patient variations for an artificial pancreas
US20100249551A1 (en) System And Method For Generating Corrective Actions Correlated To Medical Sensor Errors
CN115312194A (zh) 生理数据分析系统、方法、设备及存储介质
CN103505191A (zh) 一种利用压脉带的压力脉波震荡讯号以预估中心主动脉脉搏压的方法及其装置
JPH08275934A (ja) 相関調査システム
Yang et al. Non-invasive cuff-less blood pressure machine learning algorithm using photoplethysmography and prior physiological data
JP5091990B2 (ja) デジタル測定装置
CN108742538B (zh) 基于大数据与人工智能的体征测量方法和医疗机器人系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right