KR102317075B1 - Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법 - Google Patents

Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법 Download PDF

Info

Publication number
KR102317075B1
KR102317075B1 KR1020200003525A KR20200003525A KR102317075B1 KR 102317075 B1 KR102317075 B1 KR 102317075B1 KR 1020200003525 A KR1020200003525 A KR 1020200003525A KR 20200003525 A KR20200003525 A KR 20200003525A KR 102317075 B1 KR102317075 B1 KR 102317075B1
Authority
KR
South Korea
Prior art keywords
stress
unit
inference
information
heart rate
Prior art date
Application number
KR1020200003525A
Other languages
English (en)
Other versions
KR20210090373A (ko
Inventor
이경우
신종훈
문준형
천동미
이문희
박서연
Original Assignee
연세대학교 산학협력단
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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020200003525A priority Critical patent/KR102317075B1/ko
Publication of KR20210090373A publication Critical patent/KR20210090373A/ko
Application granted granted Critical
Publication of KR102317075B1 publication Critical patent/KR102317075B1/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
    • A61B5/16—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
    • A61B5/02—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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • 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
    • A61B5/72—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
    • 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
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Developmental Disabilities (AREA)
  • Psychology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Child & Adolescent Psychology (AREA)
  • Dentistry (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Social Psychology (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 적어도 하나의 UWB 레이더에서 방사된 신호가 반사되어 수신된 수신 신호로부터 피검사자의 생체 정보를 움직임 정보, 호흡 정보 및 심박 정보로 구분하여 획득하는 신호 획득부, 움직임 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 피검사자의 움직임에 따른 스트레스를 판별하는 움직임 추론부, 호흡 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 피검사자의 호흡에 따른 스트레스를 판별하는 호흡 추론부, 심박 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 피검사자의 심박에 따른 스트레스를 판별하는 심박 추론부 및 움직임 추론부, 호흡 추론부 및 심박 추론부 각각의 스트레스 판별 결과를 기지정된 투표 방식으로 투표하여 피검사자의 스트레스를 최종적으로 추론하는 스트레스 추론부를 스트레스 추론 장치 및 방법을 제공할 수 있다.

Description

UWB 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법{NON-CONTACT STRESS INFERENCE APPARATUS AND METHOD USING UWB RADAR SENSOR}
본 발명은 스트레스 추론 장치 및 방법에 관한 것으로, UWB 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법에 관한 것이다.
기존의 스트레스 추론 기법은 기본적으로 피검사자에게 다수의 측정 장치를 부착하여 신체 접촉 방식으로 다양한 정보를 수집하고 수집된 정보를 기반으로 스트레스를 추론하거나, 대상자의 움직임 또는 생체 정보들을 여러 방식에 따라 개별적으로 수집하여 스트레스를 추론하였다.
그러나 접촉식으로 신체 정보를 수집하는 것은 피검사자에게 불편함을 초래하고, 비접촉식으로 대상자의 움직임이나 생체 정보를 수집하는 경우에도 개별적으로 각 정보를 수집해야 하므로, 정보 수집에 어려움이 있다는 문제가 있다.
한국 공개 특허 제10-2019-0050725호 (2019.05.13 공개)
본 발명의 목적은 피검사자에 대해 비접촉식 방식으로 불편함을 초래하지 않고, 스트레스를 추론할 수 있는 스트레스 추론 장치 및 방법을 제공하는데 있다.
본 발명의 다른 목적은 UWB 레이더 센서를 활용하여 피검사자에 다양한 생체 정보를 수집하고, 수집된 생체 정보를 기반으로 피검사자의 스트레스 수준을 정확하게 추론할 수 있는 스트레스 추론 장치 및 방법을 제공하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 스트레스 추론 장치는 적어도 하나의 UWB 레이더에서 방사된 신호가 반사되어 수신된 수신 신호로부터 피검사자의 생체 정보를 움직임 정보, 호흡 정보 및 심박 정보로 구분하여 획득하는 신호 획득부; 상기 움직임 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 움직임에 따른 스트레스를 판별하는 움직임 추론부; 상기 호흡 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 호흡에 따른 스트레스를 판별하는 호흡 추론부; 상기 심박 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 심박에 따른 스트레스를 판별하는 심박 추론부; 및 상기 움직임 추론부, 호흡 추론부 및 심박 추론부 각각의 스트레스 판별 결과를 기지정된 투표 방식으로 투표하여 상기 피검사자의 스트레스를 최종적으로 추론하는 스트레스 추론부를 포함한다.
상기 스트레스 추론부는 상기 움직임 추론부, 상기 호흡 추론부 및 심박 추론부 각각의 스트레스 판별 결과에 대해 다수결 투표 방식에 따라 투표하여 상기 피검사자의 스트레스를 추론할 수 있다.
상기 스트레스 추론부는 미리 지정된 방식으로 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부 각각의 스트레스 판별 정확도를 계산하고, 확률 기반 투표 방식에 따라 계산된 판별 정확도 중 가장 높은 정확도를 갖는 추론부에서 판별된 스트레스 판별 결과를 상기 피검사자의 스트레스로 추론할 수 있다.
상기 스트레스 추론부는 상황 기반 가중 투표 방식에 따라 상기 움직임 정보, 상기 호흡 정보 및 상기 심박 정보에 가중치를 설정하여 우선 순위를 결정하고, 가장 높은 우선 순위에 따른 생체 정보가 기지정된 문턱값 이상이면, 가장 높은 우선 순위의 생체 정보로부터 판단된 스트레스 판별 결과를 상기 피검사자의 스트레스로 추론할 수 있다.
상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부 각각은 생체 정보 중 대응하여 인가되는 생체 정보로부터 미리 학습된 패턴 추정 방식에 따라 특징을 추출하는 인코딩부; 및 추출된 특징을 분류하여 인가된 생체 정보에 따른 스트레스를 판별하는 스트레스 판별부를 포함할 수 있다.
상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부 각각은 지정된 추론 알고리즘에 따라 베이지안 네트워크(Bayesian Network), J48 의사 결정 트리(J48 Decision Tree), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine: SVM), 가우시안 혼합 모델(Caussian Mixture Model)이나 컨볼루션 신경망(Convolutional neural network: CNN) 및 순환 신경망(Recurrent Neural Network: RNN) 중 적어도 하나의 미리 학습된 인공 지능 모델로 구현될 수 있다.
상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부는 서로 다른 인공 지능 모델로 구현될 수 있다.
상기 스트레스 추론 장치는 스트레스가 미리 판별되어 레이블된 학습용 생체 정보가 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부로 인가되면, 상기 스트레스 추론부에서 추론된 스트레스와 레이블된 스트레스를 비교하여 오차를 계산하고, 계산된 오차를 역전파하여, 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부를 학습시키는 학습부를 더 포함할 수 있다.
상기 신호 획득부는 각각 임펄스 신호를 방사하여 물체에 반사된 수신 신호를 획득하는 상기 적어도 하나의 UWB 레이더를 포함하는 레이더부; 상기 수신 신호에 포함된 클러터를 제거하여 센싱 신호를 획득하는 클러터 제거부; 및 상기 센싱 신호를 기지정된 방식으로 피검사자의 움직임, 호흡 및 심박에 따른 신호 성분으로 구분하여, 상기 움직임 정보, 상기 호흡 정보 및 상기 심박 정보를 획득하는 생체 신호 구분부를 포함할 수 있다.
상기 다른 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 스트레스 추론 방법은 적어도 하나의 UWB 레이더에서 방사된 신호가 반사되어 수신된 수신 신호로부터 피검사자의 움직임 정보, 호흡 정보 및 심박 정보로 구분된 생체 정보를 획득하는 단계; 상기 움직임 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 움직임에 따른 스트레스를 판별하는 단계; 상기 호흡 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 호흡에 따른 스트레스를 판별하는 단계; 상기 심박 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 심박에 따른 스트레스를 판별하는 단계; 및 움직임, 호흡 및 심박 각각에 따른 스트레스 판별 결과를 기지정된 투표 방식으로 투표하여 상기 피검사자의 스트레스를 최종적으로 추론하는 단계를 포함한다.
따라서, 본 발명의 실시예에 따른 스트레스 추론 장치 및 방법은 UWB 레이더 센서를 이용하여 피검사자에 대한 생체 정보를 비접촉식으로 획득하고, 획득된 생체 정보를 기반으로 피검사자의 스트레스를 추론하므로, 피검사자의 불편함을 크게 줄일 수 있다. 또한 적어도 하나의 UWB 레이더만으로 피검사자의 스트레스를 추론하기 위한 다양한 생체 정보를 획득할 수 있어, 별도의 부가적인 장비 없이도 피검사자의 스트레스 수준을 저비용으로 정확하게 추론할 수 있다.
도 1은 본 발명의 일 실시예에 따른 스트레스 추론 장치의 개략적 구조를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 스트레스 추론 방법을 나타낸다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로써, 본 발명을 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈", "블록" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따른 스트레스 추론 장치의 개략적 구조를 나타낸다.
도 1을 참조하면, 본 실시예에 따른 수면 무호흡증 검출 및 진단 장치는 신호 획득부(10), 움직임 추론부(20), 호흡 추론부(30), 심박 추론부(40) 및 스트레스 추론부(50)를 포함한다.
신호 획득부(10)는 UWB(Ultra-Wideband) 레이더를 이용하여 비접촉/비침습 방식으로 피검사자의 움직임, 호흡 및 심박 정보 등의 다양한 생체 정보를 획득하기 위한 센싱 신호를 획득한다. 신호 획득부(10)는 적어도 하나의 UWB 레이더를 포함하여 임펄스 신호를 방사하고, 방사된 임펄스 신호가 반사되어 수신된 수신 신호에서 클러터(clutter)를 제거하여 센싱 신호를 획득한다.
UWB 레이더는 수십 나노/피코 단위 너비의 짧은 임펄스 신호를 방사하고, 물체에 반사되어 수신되는 센싱 신호와 임펄스 신호의 시간적 차이를 활용하여 물체의 존재와 거리를 판단하는 방식으로 동작할 수 있다. UWB 레이더는 임펄스 신호를 방사함에 따라 IR-UWB(Impulse Radio Ultra-Wideband) 레이더라고도 하며, 인체에 무해한 초광대역 주파수를 사용하므로 다른 센서의 간섭없이 대상을 비접촉 방식으로 탐지할 수 있으며, 송신 파워가 매우 작기 때문에 저전력, 저가격 소형으로 구현이 가능하며, 광대역을 사용하여 협대역 간섭에 강하며 신호의 스펙트럼이 유사 잡음 형태를 보이므로 보안성 또한 향상되는 장점이 있다. 특히 실내 환경에서 충분한 범위와 해상도를 가질 수 있으며, 의료 분야에서 호흡 또는 심장 박동을 측정하기 위해 사용될 수 있을 만큼 정밀한 해상도를 제공할 수 있으므로, 대상자의 미세한 활동까지 측정할 수 있으며, 투과성이 우수하여 대상자에게 인지되지 않도록 설치 가능하다는 장점이 있다.
신호 획득부(10)는 레이더부(11), 클러터 제거부(12) 및 생체 신호 구분부(13)를 포함할 수 있다. 레이더부(11)는 적어도 하나의 UWB 레이더를 포함하여, 기지정된 파형의 임펄스 신호를 주기적으로 방사한다. 그리고 레이더부(11)의 적어도 하나의 UWB 레이더는 방사된 임펄스 신호가 물체에 반사되어 수신되는 수신 신호를 획득한다. 이때, 적어도 하나의 UWB 레이더 각각은 주기적으로 방사되는 다수의 임펄스 신호들의 시간 간격 사이에서 획득되는 수신 신호를 구분함으로써, 각 임펄스 신호에 대한 수신 신호를 구별할 수 있다.
클러터 제거부(12)는 수신 신호에서 클러터를 제거하여 센싱 신호를 획득한다. UWB 레이더에서 방사된 임펄스 신호는 피검사자 이외의 다양한 물체, 즉 벽이나, 테이블, 의자와 같은 배경 물체에 반사되어 수신 신호로 수신될 수 있다. 따라서 피검사자가 아닌 배경 물체에 의해 반사되어 수신되는 성분인 클러터 신호 성분은 제거되어야 한다.
일반적으로 배경에 해당하는 물체는 피검사자와 달리 고정되어 있으므로, 클러터 제거부(12)는 현재 수신 신호에서 이전 획득된 클러터 신호를 차감하여 센싱 신호를 획득할 수 있다.
신호 획득부(10)의 레이더부(11)는 하나의 UWB 레이더를 구비하여 피검사자의 움직임과 호흡 및 심박에 대한 정보가 포함된 센싱 신호를 획득하도록 구성될 수 있다. 그러나 피검사자의 움직임은 일반적으로 호흡 및 심박에 비해 피검사자의 신체 변화가 상대적으로 매우 크게 나타난다. 따라서 하나의 UWB 레이더를 이용하여 획득되는 센싱 신호로 움직임과 호흡 및 심박에 대한 모든 생체 정보를 획득하고자 하는 경우, 획득되는 생체 정보의 정확도가 낮아질 수도 있다. 이에 레이더부(11)는 피검사자의 호흡 및 심박에 대한 생체 정보를 획득하기 위한 UWB 레이더와 피검사자의 움직임에 대한 생체 정보를 획득하기 위한 UWB 레이더를 구분하여 다수의 UWB 레이더를 구비할 수도 있다. 이와 같이 다수의 UWB 레이더가 구비되는 경우, 호흡 및 심박에 대한 생체 정보를 획득하기 위한 UWB 레이더는 피검사자의 호흡 및 심박에 의한 미세한 움직임을 정확하게 감지하도록 움직임에 대한 생체 정보를 획득하기 위한 UWB 레이더보다 피검사자에게 근접하여 배치될 수도 있다.
생체 신호 구분부(13)는 클러터 제거부(12)에서 배경 성분인 클러터가 제거된 센싱 신호를 인가받아 기지정된 방식으로 구분하여 움직임, 호흡 및 심박 정보 각각에 대한 생체 정보로 구분한다. 적어도 하나의 UWB 레이더를 이용하여 획득된 센싱 신호에는 피검사자의 움직임 정보와 호흡 정보 및 심박 정보가 모두 포함되어 있다. 따라서 센싱 신호를 분석함으로써, 피검사자의 움직임 정보와 호흡 정보 및 심박 정보를 구분하여 추출할 수 있다. 일예로 피검사자의 움직임에 의한 센싱 신호의 변화는 호흡 및 심박에 의한 변화보다 매우 크기 때문에 호흡 및 심박에 의한 센싱 신호 변화와 구분될 수 있다. 또한 호흡은 심박에 비해 움직임의 주기가 매우 길기 때문에, 센싱 신호의 변화 속도 등을 고려하여 호흡에 의한 센싱 신호의 변화와 심박에 의한 센싱 신호의 변화와 구분될 수 있다. 따라서 생체 신호 구분부(13)는 하나의 UWB 레이더를 이용하여 센싱 신호가 획득된 경우라도, 움직임 정보와 호흡 정보 및 심박 정보를 구분하여 획득할 수 있다.
그러나 상기한 바와 같이, 다수의 UWB 레이더를 구비하여 움직임 정보를 호흡 정보와 심박 정보를 구분하여 다수의 센싱 신호를 획득하는 경우, 획득된 센싱 신호에 따라 움직임 정보와 호흡 정보 및 심박 정보를 구분하여 획득할 수도 있다.
UWB 레이더를 이용하여 획득된 센싱 신호로부터 움직임 정보와 호흡 정보 및 심박 정보를 획득하는 기법은 다양하게 공지되어 있으므로, 여기서는 상세하게 설명하지 않는다.
움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40) 각각은 신호 획득부(10)의 생체 신호 구분부(13)에서 구분된 생체 정보인 움직임 정보와 호흡 정보 및 심박 정보 중 대응하는 생체 정보를 인가받고, 인가된 생체 정보를 미리 학습된 패턴 추정 방식에 따라 분류하여 피검사자의 움직임에 따른 스트레스를 판별한다.
움직임 추론부(20)는 움직임 인코딩부(21)와 움직임 스트레스 판별부(22)를 포함할 수 있다. 움직임 인코딩부(21)는 생체 신호 구분부(13)로부터 움직임 정보를 인가받고, 미리 학습된 패턴 추정 방식에 따라 인가된 움직임 정보로부터 움직임 특징을 추출한다. 그리고 움직임 스트레스 판별부(22)는 움직임 인코딩부(21)에서 추출된 움직임 특징을 미리 학습된 패턴 분류 방식에 따라 분류하여 피검사자의 움직임에 따른 스트레스 여부를 판별한다.
호흡 추론부(30)는 호흡 인코딩부(31)와 호흡 스트레스 판별부(32)를 포함할 수 있다. 호흡 인코딩부(31)는 생체 신호 구분부(13)로부터 호흡 정보를 인가받고, 미리 학습된 패턴 추정 방식에 따라 인가된 호흡 정보로부터 호흡 특징을 추출한다. 그리고 호흡 스트레스 판별부(32)는 호흡 인코딩부(31)에서 추출된 호흡 특징을 미리 학습된 패턴 분류 방식에 따라 분류하여 피검사자의 호흡에 따른 스트레스 여부를 판별한다.
심박 추론부(40) 또한 심박 인코딩부(41)와 심박 스트레스 판별부(42)를 포함할 수 있다. 심박 인코딩부(41)는 생체 신호 구분부(13)로부터 심박 정보를 인가받고, 미리 학습된 패턴 추정 방식에 따라 인가된 심박 정보로부터 심박 특징을 추출한다. 그리고 심박 스트레스 판별부(42)는 심박 인코딩부(41)에서 추출된 심박 특징을 미리 학습된 패턴 분류 방식에 따라 분류하여 피검사자의 심박에 따른 스트레스 여부를 판별한다.
여기서 움직임 인코딩부(21)와 호흡 인코딩부(31) 및 심박 인코딩부(41) 각각은 지정된 추론 알고리즘에 따라 미리 학습된 인공 지능 모델로 구현될 수 있다. 움직임 인코딩부(21)와 호흡 인코딩부(31) 및 심박 인코딩부(41) 각각은 일예로 베이지안 네트워크(Bayesian Network), J48 의사 결정 트리(J48 Decision Tree), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine: SVM), 가우시안 혼합 모델(Caussian Mixture Model)이나 컨볼루션 신경망(Convolutional neural network: CNN) 또는 순환 신경망(Recurrent Neural Network: RNN) 중 하나로 구현될 수 있다.
움직임 인코딩부(21)와 호흡 인코딩부(31) 및 심박 인코딩부(41) 각각은 동일한 인공 지능 모델로 구현될 수도 있으나, 움직임 정보와 호흡 정보 및 심박 정보 각각의 특성이 서로 상이할 뿐만 아니라, 스트레스와의 연관성 또한 서로 상이하므로, 각각 추출해야 하는 특징 또한 서로 상이하므로 서로 다른 인공 지능 모델로 구현될 수 있다.
움직임 스트레스 판별부(22)와 호흡 스트레스 판별부(32) 및 심박 스트레스 판별부(42)는 대응하는 움직임 인코딩부(21)와 호흡 인코딩부(31) 및 심박 인코딩부(41)에서 각각 추출된 움직임 특징, 호흡 특징 및 심박 특징을 분류하여 스트레스 레벨을 판별하는 분류부이다. 여기서 움직임 스트레스 판별부(22)와 호흡 스트레스 판별부(32) 및 심박 스트레스 판별부(42)는 기지정된 알고리즘에 따라 특징을 분류할 수도 있으나, 인공 신경망의 완전 연결 레이어(Fully Connected Layer) 등으로 구현되어 미리 학습된 패턴 분류 방식에 따라 대응하는 특징을 분류하여 스트레스 수준을 판별할 수도 있다. 이때, 움직임 스트레스 판별부(22)와 호흡 스트레스 판별부(32) 및 심박 스트레스 판별부(42)는 대응하는 움직임 인코딩부(21)와 호흡 인코딩부(31) 및 심박 인코딩부(41)와 함께 학습될 수 있다.
움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40)는 개별적으로 미리 학습되어 배치될 수도 있으나, 도 1에 도시된 바와 같이, 스트레스 추론 장치에 결합된 상태에서 동시에 학습이 수행될 수도 있다.
스트레스 추론부(50)는 움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40) 각각에서 판별된 스트레스 판별 결과를 취합하여 피검사자의 스트레스를 추론한다. 스트레스 추론부(50)는 일 예로 투표(voting) 방식에 따라 피검사자의 스트레스를 추론할 수 있다.
투표 방식 또한 다양한 방식이 개시되어 있으며, 본 실시예에서 스트레스 추론부(50)는 일 예로 다수결 투표(Majority Voting), 확률 기반 투표(Probability-based Voting) 방식 및 상황 기반 가중 투표(Context-based Weighted Voting) 방식 중 하나를 이용할 수 있다.
스트레스 추론부(50)는 스트레스 취합부(51), 다수결 투표부(52), 확률 기반 투표부(53), 상황 기반 가중 투표부(54) 및 스트레스 결정부(55)를 포함할 수 있다.
스트레스 취합부(51)는 움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40) 각각에서 판별된 스트레스 판별 결과를 취합하여, 다수결 투표부(52), 확률 기반 투표부(53), 상황 기반 가중 투표부(54) 각각으로 전달한다.
다수결 투표부(52)는 스트레스 취합부(51)에서 취합된 스트레스 판별 결과를 인가받아 다수결 투표 방식에 따른 스트레스 추론 결과를 출력한다.
다수결 투표 방식은 가장 단순한 투표 방식으로, 다수결 투표부(52)는 움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40) 각각에서 판별된 스트레스 판별 결과의 최빈값을 피검사자의 스트레스로 추론한다. 일예로 다수결 투표 방식에서는 움직임 추론부(20)와 호흡 추론부(30)가 피검사자가 스트레스 상태인 것으로 판별하고, 심박 추론부(40)가 스트레스 상태가 아닌 것으로 판별하면, 최종적으로 피검사자가 스트레스 상태인 것으로 판별한다.
확률 기반 투표부(53)는 스트레스 취합부(51)에서 취합된 스트레스 판별 결과를 인가받고, 움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40) 각각의 정확도를 기지정된 방식으로 계산하고, 계산 결과 가장 높은 정확도를 나타내는 추론부에서 판별된 스트레스 상태를 피검사자의 스트레스로 추론한다.
움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40)는 각각 서로 다른 판별 정확도를 가질 수 있다. 이에 확률 기반 투표부(53)는 움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40)의 정확도에 기초하여 확률적으로 가장 가능성이 높은 추론 방식에서 판별한 결과를 피검사자의 스트레스로 추론한다.
상황 기반 가중 투표부(54)는 스트레스 취합부(51)에서 취합된 스트레스 판별 결과를 인가받고, 인가된 스트레스 판별 결과 중 상황에 따른 판별 결과에 가중치를 두어 피검사자의 스트레스를 추론한다. 일예로 상황 기반 가중 투표부(54)는 신호 획득부(10)의 생체 신호 구분부(13)에서 구분된 심박 정보로부터 피검사자의 심박수가 기지정된 문턱값 이상이면, 심박 추론부(40)가 판별한 스트레스 판별 결과를 피검사자의 스트레스로 추론한다.
즉 기지정된 가중치에 따라 움직임 정보, 호흡 정보 및 심박 정보 각각의 우선 순위를 결정하기 위한 가중치를 설정하고, 설정된 가중치에 따라 움직임 정보, 호흡 정보 및 심박 정보 중 가장 높은 우선 순위의 생체 정보를 기지정된 문턱값과 비교하여, 생체 정보가 문턱값 이상이면, 대응하는 우선 순위의 생체 정보로부터 판단된 스트레스 판별 결과를 피검사자의 스트레스로 추론할 수 있다.
스트레스 결정부(55)는 다수결 투표부(52)와 확률 기반 투표부(53) 및 상황 기반 가중 투표부(54) 각각에서 추론된 스트레스 판별 결과 중 하나를 선택하여 출력한다. 스트레스 결정부(55)는 일예로 사용자 명령에 응답하여 스트레스 판별 결과 중 하나를 선택할 수 있으나 이에 한정되지 않는다.
여기서는 비록 스트레스 추론부(50)가 다양한 투표 방식으로 움직임 추론부(20)와 호흡 추론부(30) 및 심박 추론부(40) 각각에서 판별된 스트레스 판별 결과로부터 피검사자의 스트레스 여부를 추론하고, 추론 결과 중 하나를 피검사자에 대한 최종 선택할 수 있다는 것을 나타내기 위해, 스트레스 취합부(51), 다수결 투표부(52), 확률 기반 투표부(53), 상황 기반 가중 투표부(54) 및 스트레스 결정부(55)를 포함하는 것으로 도시하였다.
그러나 스트레스 추론부(50)는 여러 투표 방식 중 하나의 투표 방식이 미리 설정되고, 설정된 투표 방식에 따라서만 피검사자의 스트레스 여부를 최종 추론하도록 구성될 수 있다. 이 경우, 스트레스 추론부(50)는 다수결 투표부(52), 확률 기반 투표부(53) 및 상황 기반 가중 투표부(54) 중 설정된 하나만을 구비하고, 나머지 구성은 생략할 수 있다. 이때 스트레스 취합부(51)와 스트레스 결정부(55) 또한 생략된다.
한편, 도시되지 않았으나, 본 실시예에 따른 스트레스 추론 장치는 학습부(미도시)를 더 포함할 수 있다. 학습부는 스트레스 여부가 미리 판별되어 레이블된 센싱 신호를 생체 신호 구분부(13)에 인가하고, 스트레스 추론부(50)에서 추론된 피검사자의 스트레스 여부와 레이블된 스트레스 여부와 비교하여 오차를 판별하여, 판별된 오차를 역전파함으로써, 움직임 추론부(20), 호흡 추론부(30), 심박 추론부(40)를 학습시킬 수 있다.
상기에서는 본 실시예에 따른 스트레스 추정 장치가 단순히 피검사자의 스트레스 여부를 추정하는 것으로 설명하였으나, 스트레스 추정 장치는 피검사자의 스트레스를 수치적으로 환산된 값으로 출력하도록 구성되고 학습될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 스트레스 추론 방법을 나타낸다.
도 1을 참조하여, 도 2의 스트레스 추론 방법을 설명하면, 우선 적어도 하나의 UWB 레이더를 이용하여 임펄스 신호를 방사하고, 방사된 임펄스 신호가 물체에 반사된 수신 신호를 획득한다(S11).
이후 수신 신호에 포함된 클러터를 제거하여 센싱 신호를 획득하고, 획득된 센싱 신호를 기지정된 방식으로 구분하여 움직임 정보와 호흡 정보 및 심박 정보로 구분된 생체 정보를 획득한다(S12).
생체 정보가 획득되면, 생체 정보 중 움직임 정보에 대해 미리 학습된 패턴 추정 방식에 따라 특징을 추출하고, 추출된 특징을 분류함으로써, 움직임 기반 스트레스를 판별한다(S13). 이와 함께, 생체 정보 중 호흡 정보에 대해 미리 학습된 패턴 추정 방식에 따라 특징을 추출하고, 추출된 특징을 분류함으로써, 호흡 기반 스트레스를 판별한다(S14). 또한 생체 정보 중 심박 정보에 대해 미리 학습된 패턴 추정 방식에 따라 특징을 추출하고, 추출된 특징을 분류함으로써, 심박 기반 스트레스를 판별한다(S14).
움직임 기반 스트레스와 호흡 기반 스트레스 및 심박 기반 스트레스가 판별되면, 움직임 기반 스트레스와 호흡 기반 스트레스 및 심박 기반 스트레스 판별 결과에 대해 기지정된 투표 방식으로 투표를 수행한다(16).
여기서 투표 방식에는 다수결 투표, 확률 기반 투표, 상황 기반 가중 투표 방식 중 하나가 이용될 수 있다.
각각의 생체 정보에 기반하여 판별된 스트레스의 투표 결과가 도출되면, 도출된 투표 결과를 스트레스 추론 결과로서 출력한다(S17).
본 발명에 따른 방법은 컴퓨터에서 실행시키기 위한 매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다. 여기서 컴퓨터 판독가능 매체는 컴퓨터에 의해 액세스 될 수 있는 임의의 가용 매체일 수 있고, 또한 컴퓨터 저장 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함하며, ROM(판독 전용 메모리), RAM(랜덤 액세스 메모리), CD(컴팩트 디스크)-ROM, DVD(디지털 비디오 디스크)-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장장치 등을 포함할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.
10: 신호 획득부 11: 레이더부
12: 클러터 제거부 13: 생체 신호 구분부
20: 움직임 추론부 21: 움직임 인코딩부
22: 움직임 스트레스 판별부 30: 호흡 추론부
31: 호흡 인코딩부 32: 호습 스트레스 판별부
40: 심박 추론부 41: 심박 인코딩부
42: 심박 스트레스 판별부 50: 스트레스 추론부
51: 스트레스 취합부 52: 다수결 투표부
53: 확률 기반 투표부 53: 상황 기반 가중 투표부
55: 스트레스 결정부

Claims (18)

  1. 적어도 하나의 UWB 레이더에서 방사된 신호가 반사되어 수신된 수신 신호로부터 피검사자의 생체 정보를 움직임 정보, 호흡 정보 및 심박 정보로 구분하여 획득하는 신호 획득부;
    상기 움직임 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 움직임에 따른 스트레스를 판별하는 움직임 추론부;
    상기 호흡 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 호흡에 따른 스트레스를 판별하는 호흡 추론부;
    상기 심박 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 심박에 따른 스트레스를 판별하는 심박 추론부; 및
    상기 움직임 추론부, 호흡 추론부 및 심박 추론부 각각의 스트레스 판별 결과를 기지정된 투표 방식으로 투표하여 상기 피검사자의 스트레스를 최종적으로 추론하는 스트레스 추론부를 포함하는 스트레스 추론 장치.
  2. 제1 항에 있어서, 상기 스트레스 추론부는
    상기 움직임 추론부, 상기 호흡 추론부 및 심박 추론부 각각의 스트레스 판별 결과에 대해 다수결 투표 방식에 따라 투표하여 상기 피검사자의 스트레스를 추론하는 스트레스 추론 장치.
  3. 제1 항에 있어서, 상기 스트레스 추론부는
    미리 지정된 방식으로 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부 각각의 스트레스 판별 정확도를 계산하고, 확률 기반 투표 방식에 따라 계산된 판별 정확도 중 가장 높은 정확도를 갖는 추론부에서 판별된 스트레스 판별 결과를 상기 피검사자의 스트레스로 추론하는 스트레스 추론 장치.
  4. 제1 항에 있어서, 상기 스트레스 추론부는
    상황 기반 가중 투표 방식에 따라 상기 움직임 정보, 상기 호흡 정보 및 상기 심박 정보에 가중치를 설정하여 우선 순위를 결정하고, 가장 높은 우선 순위에 따른 생체 정보가 기지정된 문턱값 이상이면, 가장 높은 우선 순위의 생체 정보로부터 판단된 스트레스 판별 결과를 상기 피검사자의 스트레스로 추론하는 스트레스 추론 장치.
  5. 제1 항에 있어서, 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부 각각은
    생체 정보 중 대응하여 인가되는 생체 정보로부터 미리 학습된 패턴 추정 방식에 따라 특징을 추출하는 인코딩부; 및
    추출된 특징을 분류하여 인가된 생체 정보에 따른 스트레스를 판별하는 스트레스 판별부를 포함하는 스트레스 추론 장치.
  6. 제5 항에 있어서, 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부 각각은 지정된 추론 알고리즘에 따라 베이지안 네트워크(Bayesian Network), J48 의사 결정 트리(J48 Decision Tree), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine: SVM), 가우시안 혼합 모델(Caussian Mixture Model)이나 컨볼루션 신경망(Convolutional neural network: CNN) 및 순환 신경망(Recurrent Neural Network: RNN) 중 적어도 하나의 미리 학습된 인공 지능 모델로 구현되는 스트레스 추론 장치.
  7. 제6 항에 있어서, 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부는
    서로 다른 인공 지능 모델로 구현되는 스트레스 추론 장치.
  8. 제5 항에 있어서, 상기 스트레스 추론 장치는
    스트레스가 미리 판별되어 레이블된 학습용 생체 정보가 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부로 인가되면, 상기 스트레스 추론부에서 추론된 스트레스와 레이블된 스트레스를 비교하여 오차를 계산하고, 계산된 오차를 역전파하여, 상기 움직임 추론부, 상기 호흡 추론부 및 상기 심박 추론부를 학습시키는 학습부를 더 포함하는 스트레스 추론 장치.
  9. 제1 항에 있어서, 상기 신호 획득부는
    각각 임펄스 신호를 방사하여 물체에 반사된 수신 신호를 획득하는 상기 적어도 하나의 UWB 레이더를 포함하는 레이더부;
    상기 수신 신호에 포함된 클러터를 제거하여 센싱 신호를 획득하는 클러터 제거부; 및
    상기 센싱 신호를 기지정된 방식으로 피검사자의 움직임, 호흡 및 심박에 따른 신호 성분으로 구분하여, 상기 움직임 정보, 상기 호흡 정보 및 상기 심박 정보를 획득하는 생체 신호 구분부를 포함하는 스트레스 추론 장치.
  10. 스트레스 추론 장치에서 수행되는 스트레스 추론 방법으로서,
    적어도 하나의 UWB 레이더에서 방사된 신호가 반사되어 수신된 수신 신호로부터 피검사자의 움직임 정보, 호흡 정보 및 심박 정보로 구분된 생체 정보를 획득하는 단계;
    상기 움직임 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 움직임에 따른 스트레스를 판별하는 단계;
    상기 호흡 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 호흡에 따른 스트레스를 판별하는 단계;
    상기 심박 정보를 인가받아 미리 학습된 패턴 추정 방식에 따라 상기 피검사자의 심박에 따른 스트레스를 판별하는 단계; 및
    움직임, 호흡 및 심박 각각에 따른 스트레스 판별 결과를 기지정된 투표 방식으로 투표하여 상기 피검사자의 스트레스를 최종적으로 추론하는 단계를 포함하는 스트레스 추론 방법.
  11. 제10 항에 있어서, 상기 추론하는 단계는
    움직임, 호흡 및 심박 각각에 따른 스트레스 판별 결과에 대해 다수결 투표 방식에 따라 투표하여 상기 피검사자의 스트레스를 추론하는 스트레스 추론 방법.
  12. 제10 항에 있어서, 상기 추론하는 단계는
    미리 지정된 방식으로 움직임, 호흡 및 심박 각각에 따른 스트레스 판별 결과의 정확도를 계산하고, 확률 기반 투표 방식에 따라 계산된 판별 정확도 중 가장 높은 정확도를 갖는 스트레스 판별 결과를 상기 피검사자의 스트레스로 추론하는 스트레스 추론 방법.
  13. 제10 항에 있어서, 상기 추론하는 단계는
    상황 기반 가중 투표 방식에 따라 상기 움직임 정보, 상기 호흡 정보 및 상기 심박 정보에 가중치를 설정하여 우선 순위를 결정하고, 가장 높은 우선 순위에 따른 생체 정보가 기지정된 문턱값 이상이면, 가장 높은 우선 순위의 생체 정보로부터 판단된 스트레스 판별 결과를 상기 피검사자의 스트레스로 추론하는 스트레스 추론 방법.
  14. 제10 항에 있어서, 상기 움직임에 따른 스트레스를 판별하는 단계, 상기 호흡에 따른 스트레스를 판별하는 단계 및 상기 심박에 따른 스트레스를 판별하는 단계 각각은
    생체 정보 중 대응하여 인가되는 생체 정보로부터 미리 학습된 패턴 추정 방식에 따라 특징을 추출하는 단계; 및
    추출된 특징을 분류하여 인가된 생체 정보에 따른 스트레스를 판별하는 단계를 포함하는 스트레스 추론 방법.
  15. 제14 항에 있어서, 상기 움직임에 따른 스트레스를 판별하는 단계, 상기 호흡에 따른 스트레스를 판별하는 단계 및 상기 심박에 따른 스트레스를 판별하는 단계 각각은 동일하게 지정된 추론 알고리즘에 따라 학습된 인공 지능 모델을 이용하여 스트레스를 판별하는 스트레스 추론 방법.
  16. 제14 항에 있어서, 상기 움직임에 따른 스트레스를 판별하는 단계, 상기 호흡에 따른 스트레스를 판별하는 단계 및 상기 심박에 따른 스트레스를 판별하는 단계는 서로 다르게 지정된 추론 알고리즘에 따라 학습된 인공 지능 모델을 이용하여 스트레스를 판별하는 스트레스 추론 방법.
  17. 제14 항에 있어서, 상기 스트레스 추론 방법은
    스트레스가 미리 판별되어 레이블된 학습용 생체 정보로부터 스트레스가 추론되면, 추론된 스트레스와 레이블된 스트레스를 비교하여 오차를 계산하고, 계산된 오차를 역전파하는 학습 단계를 더 포함하는 스트레스 추론 방법.
  18. 제10 항에 있어서, 상기 생체 정보를 획득하는 단계는
    적어도 하나의 UWB 레이더를 이용하여 임펄스 신호를 방사하고 물체에 반사된 수신 신호를 획득하는 단계;
    상기 수신 신호에 포함된 클러터를 제거하여 센싱 신호를 획득하는 단계; 및
    상기 센싱 신호를 기지정된 방식으로 피검사자의 움직임, 호흡 및 심박에 따른 신호 성분으로 구분하여, 상기 움직임 정보, 상기 호흡 정보 및 상기 심박 정보를 획득하는 단계를 포함하는 스트레스 추론 방법.
KR1020200003525A 2020-01-10 2020-01-10 Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법 KR102317075B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200003525A KR102317075B1 (ko) 2020-01-10 2020-01-10 Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200003525A KR102317075B1 (ko) 2020-01-10 2020-01-10 Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210090373A KR20210090373A (ko) 2021-07-20
KR102317075B1 true KR102317075B1 (ko) 2021-10-22

Family

ID=77127440

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200003525A KR102317075B1 (ko) 2020-01-10 2020-01-10 Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102317075B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023059062A1 (ko) * 2021-10-05 2023-04-13 삼성전자주식회사 전자 장치 및 그 제어 방법
KR20240039993A (ko) 2022-09-19 2024-03-27 (주)텔코코리아아이에스 이상 행동 감지 장치 및 이상 행동 감지 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180046587A (ko) * 2016-10-28 2018-05-09 전자부품연구원 개인별 수면 패턴 및 생체 리듬 분석을 이용하는 운전자 안전 사고 예방 시스템 및 그 작동 방법
WO2019088462A1 (ko) 2017-11-03 2019-05-09 주식회사 딥메디 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법
KR102241364B1 (ko) * 2018-05-29 2021-04-16 연세대학교 산학협력단 음성 신호를 이용한 사용자 스트레스 판별 장치 및 방법

Also Published As

Publication number Publication date
KR20210090373A (ko) 2021-07-20

Similar Documents

Publication Publication Date Title
He et al. WiFi vision: Sensing, recognition, and detection with commodity MIMO-OFDM WiFi
Piriyajitakonkij et al. SleepPoseNet: Multi-view learning for sleep postural transition recognition using UWB
US8306265B2 (en) Detection of animate or inanimate objects
CN112716474B (zh) 基于生物微波雷达的非接触式睡眠状态监测方法和系统
CN103429150B (zh) 用于监测生理信号的监测装置
WO2021066918A1 (en) Systems and methods of determining heart-rate and respiratory rate from a radar signal using machine learning methods
US7821870B2 (en) Method and system for identifying moving objects using acoustic signals
Zhao et al. Towards low-cost sign language gesture recognition leveraging wearables
KR102317075B1 (ko) Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법
Seifert et al. Detection of gait asymmetry using indoor Doppler radar
KR102266555B1 (ko) Ir-uwb 레이더를 이용한 비침습/비접촉 방식 수면 무호흡증 검출 및 진단 장치 및 방법
CN110673135A (zh) 传感器、推定装置、推定方法和程序记录介质
KR20200011818A (ko) 사용자의 신체 상태를 추정하기 위한 방법 및 디바이스
US11749086B2 (en) Fall detector incorporating physiological sensing
Abdulatif et al. Person identification and body mass index: A deep learning-based study on micro-Dopplers
Valero et al. Vibration sensing-based human and infrastructure safety/health monitoring: A survey
KR20210058676A (ko) 심장신호 처리장치 및 방법, 이를 포함하는 모니터링 시스템
CN115474901A (zh) 基于无线射频信号的非接触式起居状态监测方法及系统
EP3324828A1 (en) A method and a system for automatic labeling of activity on ecg data
Roshini et al. An enhanced posture prediction-Bayesian network algorithm for sleep posture recognition in wireless body area networks
CN113456061A (zh) 一种基于无线信号睡眠姿势监测方法及系统
US20090012921A1 (en) Method for identifying a person's posture
Valero et al. Reprint of: Vibration sensing-based human and infrastructure safety/health monitoring: A survey
KR101413853B1 (ko) 적외선 영상을 이용한 생체 신호 측정 방법 및 장치
Wu et al. Unobtrusive monitoring of sedentary behaviors with fusion of bluetooth and ballistocardiogram signals

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant