KR102360075B1 - 생체 신호를 측정하는 방법 및 장치 - Google Patents

생체 신호를 측정하는 방법 및 장치 Download PDF

Info

Publication number
KR102360075B1
KR102360075B1 KR1020150022721A KR20150022721A KR102360075B1 KR 102360075 B1 KR102360075 B1 KR 102360075B1 KR 1020150022721 A KR1020150022721 A KR 1020150022721A KR 20150022721 A KR20150022721 A KR 20150022721A KR 102360075 B1 KR102360075 B1 KR 102360075B1
Authority
KR
South Korea
Prior art keywords
data
biosignal
measuring
frequency
processor
Prior art date
Application number
KR1020150022721A
Other languages
English (en)
Other versions
KR20160100140A (ko
Inventor
김상규
배정목
이준형
이혜선
정회일
이정혜
장결
조성호
Original Assignee
삼성전자주식회사
한양대학교 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 삼성전자주식회사, 한양대학교 산학협력단 filed Critical 삼성전자주식회사
Priority to KR1020150022721A priority Critical patent/KR102360075B1/ko
Priority to US15/042,899 priority patent/US10456085B2/en
Publication of KR20160100140A publication Critical patent/KR20160100140A/ko
Application granted granted Critical
Publication of KR102360075B1 publication Critical patent/KR102360075B1/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
    • A61B5/72—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
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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
    • A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
    • 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
    • A61B5/1468—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 using chemical or electrochemical methods, e.g. by polarographic means
    • A61B5/1477—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 using chemical or electrochemical methods, e.g. by polarographic means non-invasive
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • General Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • General Chemical & Material Sciences (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

신체에 조사된 뒤 반사된 적외선 신호를 검출하고, 검출된 적외선 신호에서 스펙트럼 데이터를 추출하고, 추출된 스펙트럼 데이터에서 기 설정된 주파수에 대응하는 데이터를 획득하고, 획득된 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득하고, 획득된 생체정보측정모델을 이용하여 신체의 생체 신호를 측정하는 방법 및 장치가 개시된다.

Description

생체 신호를 측정하는 방법 및 장치{THE METHOD AND APPARATUS FOR MEASURING BIO SIGNAL}
생체 신호를 측정하는 방법 및 장치에 관한다.
생체 신호를 측정하는 방법으로는 침습법을 이용하여 혈액을 채취한 뒤 시약과 혈액 내 물질과의 특이적인 반응을 통해 측정하는 방법이 있다. 바늘로 혈액을 채취해야 하기 때문에 고통이 수반되며, 측정하고자 하는 생체분자에 따라 서로 다른 시약을 사용해야 하기 때문에 측정 분자가 늘어날수록 비용이 증가한다.
또 다른 생체 신호를 측정하는 방법으로는 빛을 이용한 비침습 측정법이 있다. 이 방법은 빛을 이용하여 피부를 조사하여 반사되어 나온 빛을 측정하여 스펙트럼에 내재된 정보를 도출하여 원하는 생체 신호를 측정한다. 생체 조직은 피부 조직, 혈관, 혈액 등으로 구성되어 있어 얻어진 스펙트럼에는 다양하고 복잡한 신호들이 내재되어 있다. 복잡하고 중첩된 스펙트럼에서 측정하고자 하는 생체 신호에 관계된 정보를 추출하기 위해서는 효과적인 알고리즘이 필요하다.
특허문헌 1: 일본 공개특허공보 특개평8-98818 (1996. 4. 16)
생체 신호를 측정하는 방법 및 장치에 관한다. 또한 하드웨어와 결합되어 상기 방법을 처리시키기 위하여 매체에 저장된 컴퓨터 프로그램을 제공한다. 해결하고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
일 측면에 따르면, 신체에 조사된 뒤 반사된 적외선 신호를 검출하는 단계, 검출된 적외선 신호에서 스펙트럼 데이터를 추출하는 단계, 추출된 스펙트럼 데이터에서 기 설정된 주파수에 대응하는 데이터를 획득하는 단계, 획득된 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득하는 단계, 획득된 생체정보측정모델을 이용하여 신체의 생체 신호를 측정하는 단계를 포함하는 생체 신호를 측정하는 방법을 개시한다.
또한, 스펙트럼 데이터를 추출하는 단계는, 추출된 스펙트럼 데이터를 기준선에 맞도록 보정하는 단계를 더 포함할 수 있다.
또한, 스펙트럼 데이터를 추출하는 단계는, 추출된 스펙트럼 데이터의 바탕 값을 보정하는 단계를 더 포함할 수 있다.
또한, 스펙트럼 데이터를 추출하는 단계는, 추출된 스펙트럼 데이터의 최대값으로 normalization하는 단계를 더 포함할 수 있다.
또한, 스펙트럼 데이터를 추출하는 단계는, 추출된 스펙트럼 데이터를 smoothing하는 단계를 더 포함할 수 있다.
또한, 스펙트럼 데이터를 추출하는 단계는, 추출된 스펙트럼 데이터를 미분하는 단계를 더 포함할 수 있다.
또한, 데이터를 획득하는 단계는, 마코프 블랭킷 탐색 알고리즘 중IAMB(Incremtal Association Markov Blanket)알고리즘을 이용하여 데이터를 획득할 수 있다.
또한, 데이터를 획득하는 단계는, 기 설정된 주파수는 기 설정된 주파수를 포함하는 소정의 대역폭(Bandwidth)을 갖고, 추출된 스펙트럼 데이터에서 소정의 범위 내의 주파수에 대응하는 데이터를 획득할 수 있다.
또한, 데이터를 획득하는 단계는, 일정 범위 안의 주파수에 대응하는 데이터들의 평균값 데이터를 획득하고, 생체 정보 측정 모델을 획득하는 단계는, 획득된 평균값 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득할 수 있다.
또한, 데이터를 획득하는 단계는, 기 설정된 주파수 각각에 대해 소정의 범위를 다르게 설정하는 단계를 포함할 수 있다.
또한, 데이터를 획득하는 단계는, 기 설정된 주파수는, 사용자에 의해 입력된 주파수를 포함하고, 추출된 스펙트럼 데이터에서 사용자에 의해 입력된 주파수에 대응하는 데이터를 획득하는 단계를 포함할 수 있다.
또한, 신체의 생체 신호를 측정하는 단계는, 입력된 주파수에 대응하는 데이터 및 생체 정보 측정 모델을 이용하여 신체의 생체 신호를 측정할 수 있다.
다른 측면에 따르면, 신체에 조사된 뒤 반사된 적외선 신호를 검출하는 검출부, 검출된 적외선 신호에서 스펙트럼 데이터를 추출하는 추출부, 추출된 스펙트럼 데이터에서 기 설정된 주파수에 대응하는 데이터를 획득하는 데이터 획득부, 획득된 데이터를 다중 회귀 분석(MLR, Multiple Linear Regression)하여 생체 정보 측정 모델을 획득하는 모델 획득부, 획득된 생체 정보 측정 모델을 이용하여 신체의 생체 신호를 측정하는 생체 신호 측정부를 포함할 수 있다.
또한, 데이터 획득부는, 마코프 블랭킷 탐색 알고리즘 중IAMB(Incremtal Association Markov Blanket)알고리즘을 이용하여 데이터를 획득할 수 있다.
또한, 데이터 획득부는, 기 설정된 주파수는 기 설정된 주파수를 포함하는 소정의 범위 내의 주파수를 포함하고, 추출된 스펙트럼 데이터에서 소정의 대역폭(Bandwidth)을 갖고, 추출된 스펙트럼 데이터에서 소정의 범위 내의 주파수에 대응하는 데이터를 획득할 수 있다.
또한, 데이터 획득부는, 일정 범위 안의 주파수에 대응하는 데이터들의 평균값 데이터를 획득하고, 모델 획득부는, 획득된 평균값 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득할 수 있다.
또한, 데이터 획득부는, 기 설정된 주파수 각각에 대해 소정의 범위를 다르게 설정할 수 있다.
또한, 추출부는, 추출된 스펙트럼 데이터를 기준선에 맞도록 보정할 수 있다.
또한, 추출부는, 추출된 스펙트럼 데이터의 바탕 값을 보정할 수 있다.
또한, 데이터 획득부는, 기 설정된 주파수는, 사용자에 의해 입력된 주파수를 포함하고, 추출된 스펙트럼 데이터에서 사용자에 의해 입력된 주파수에 대응하는 데이터를 획득할 수 있다.
또한, 생체 신호 측정부는, 입력된 주파수에 대응하는 데이터 및 생체 정보 측정 모델을 이용하여 신체의 생체 신호를 측정할 수 있다.
도 1은 일 실시 예에 따른 생체 신호를 측정하는 장치의 구성도를 도시한 도면이다.
도 2 내지 도 6은 일 실시 예에 따른 생체 신호를 측정하는 방법을 설명하기 위한 예시도이다.
도 7은 일 실시 예에 따른 생체 신호를 측정하는 방법의 흐름도를 도시한 도면이다.
도 8은 다른 실시 예에 따른 생체 신호를 측정하는 방법의 흐름도를 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
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 있음을 의미한다. 또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도 1은 일 실시 예에 따른 생체 신호를 측정하는 장치의 구성도를 도시한 도면이다. 생체 신호를 측정하는 장치(100)는 검출부(110), 추출부(120), 데이터 획득부(130), 모델 획득부(140) 및 생체 신호 측정부(150)를 포함한다.
검출부(110)는 신체에 조사된 뒤 반사된 적외선 신호를 검출할 수 있다. 또한 검출부(110)는 신체에 조사된 뒤 산란된 적외선 신호를 검출할 수도 있다.
추출부(120)는 검출된 적외선 신호에서 스펙트럼 데이터를 추출할 수 있다. 추출부(120)는 추출된 스펙트럼 데이터를 기준선에 맞도록 보정할 수 있다. 추출부(120)는 추출된 스펙트럼 데이터의 바탕 값을 보정할 수 있다.
데이터 획득부(130)는 추출된 스펙트럼 데이터에서 기 설정된 주파수에 대응하는 데이터를 획득할 수 있다. 또한 데이터 획득부(130)는 마코프 블랭킷 탐색 알고리즘 중 IAMB(Incremtal Association Markov Blanket)알고리즘을 이용하여 데이터를 획득할 수 있다. 데이터 획득부(130)는 기 설정된 주파수는 기 설정된 주파수를 포함하는 소정의 범위 내의 주파수를 포함하고, 추출된 스펙트럼 데이터에서 소정의 범위 내의 주파수에 대응하는 데이터를 획득할 수 있다. 예를 들어, 기 설정된 주파수가 100MHz일 경우에 90MHZ 에서 110MHZ에 해당하는 주파수에 대응하는 데이터를 획득할 수 있다. 그리고 데이터 획득부(130)는 일정 범위 안의 주파수에 대응하는 데이터들의 평균값 데이터를 획득할 수 있다. 예를 들어 90MHZ 에서 110MHZ에 해당하는 주파수에 대응하는 데이터들의 값의 평균 값 데이터를 획득할 수 있다. 또한 데이터 획득부(130)는 기 설정된 주파수 각각에 대해 소정의 범위를 다르게 설정할 수 있다. 예를 들어, 기 설정된 주파수가 10MHz, 200MHz일 경우에 10MH에 대해서는, 9MHZ 에서 11MHZ에 해당하는 주파수에 대응하는 데이터를 획득하고, 200MHz에 대해서는 150MHZ 에서 250MHZ에 해당하는 주파수에 대응하는 데이터를 획득할 수 있다. 데이터 획득부(130)는 기 설정된 주파수는, 사용자에 의해 입력된 주파수를 포함하고, 추출된 스펙트럼 데이터에서 사용자에 의해 입력된 주파수에 대응하는 데이터를 획득할 수 있다. 예를 들어 사용자에 의해 50MHz의 주파수가 입력되고, 입력된 50MHz의 주파수에 대응하는 데이터를 획득할 수 있다.
측정 장비마다 분해능이 다르기 때문에 분해능이 좋은 장비에서 IAMB를 통해 얻은 변수를 분해능이 다른 장비에 바로 적용하면 모델이 제대로 동작을 하지 않을 수 있다. 예를 들어 분해능이 1 nm인 장비를 통해 얻은 스펙트럼을 가지고 IAMB를 통해 얻은 변수를 분해능이 10 nm인 장비에 바로 적용할 수 없다. 따라서 장비의 분해능에 따라 IAMB를 통해 얻은 변수를 수정하는 것이 필요하다. 그 예로 선택된 파장의 소정의 대역폭 값을 이용하거나 대역폭 값의 평균을 이용할 수 있다.
모델 획득부(140)는 획득된 데이터를 다중 회귀 분석(MLR, Multiple Linear Regression)하여 생체 정보 측정 모델을 획득할 수 있다. 모델 획득부(140)는 획득된 평균값 데이터를 다중 회귀 분석(MLR, Multiple Linear Regression)하여 생체 정보 측정 모델을 획득할 수 있다.
생체 신호 측정부(150)는 획득된 생체 정보 측정 모델을 이용하여 신체의 생체 신호를 측정할 수 있다. 또한 생체 신호 측정부(150)는 입력된 주파수에 대응하는 데이터 및 생체 정보 측정 모델을 이용하여 신체의 생체 신호를 측정할 수 있다. 예를 들어 콜레스테롤 수치, 혈당 등의 생체 신호를 측정할 수 있다. 또 다른 예로한,
도 2 내지 도 6은 일 실시 예에 따른 생체 신호를 측정하는 방법을 설명하기 위한 예시도이다.
도 2는 신체에 조사된 뒤 반사된 적외선 신호에서 추출한 스펙트럼 데이터를 도시한 도면이다. 적외선은 근적외선을 포함할 수 있다. 또한 적외선은 신체의 피부로 조사할 수 있다. 도 2에 도시된 그래프의 가로축은 스펙트럼의 파장의 길이를 나타내고 이는 주파수의 역수와 같다. 또한 그래프의 세로축은 스펙트럼의 세기를 나타낸다. 스펙트럼은 분광기를 이용하여 시료로부터 얻을 수 있다. 도3은 도 2 의 스펙트럼 데이터를 행렬의 형태로 배열한 것을 나타낸 도면이다. 행렬의 형태로 배열된 스펙트럼 데이터를 IAMB(Incremental Association-Based Markov Blanket) 알고리즘을 이용해 분석하기 위함이다.
도 4는 마코프 블랭킷 탐색 알고리즘 중 IAMB(Incremental Association-Based Markov Blanket)방법을 설명하기 위한 도면이다. 생체 신호를 측정하는 장치(100)는 마코프 블랭킷 탐색 알고리즘 중 IAMB(Incremental Association-Based Markov Blanket)방법을 이용하여 파장을 선택한다. 이에 생체 신호를 측정하는 장치(100)는 최적의 선택을 위해 교차타당성 검증을 수행한다. IAMB(Incremental Association-Based Markov Blanket) 방법은 성장과 축소(grow-and-shrink) 두 단계로 이루어진다. 성장 단계는 대상 노드와의 조건부 독립성 검정을 통해 대상 노드와 관련성 높은 노드를 차례대로 MB(Markov Blanket) 집합에 추가시키는 작업을 MB(Markov Blanket) 집합이 더 이상 변하지 않을 때까지 반복한다. 도 4의 ‘T’는 타겟 변수이다. 도 4에 도시된 도면에서, 성장 단계에서는 타겟 변수인 ‘T’와 가장 연관성이 높은 파장을 선택할 수 있다. 축소 단계는 성장 단계에서 추가된 노드들이 실제 Markov Blanket인지 재확인하는 단계이다. 조건부 독립성 검정을 통해 거짓양성(false positive) 노드를 제거하여 최종적으로 남는 노드들이 Markov Blanket 이 된다. 노드는 랜덤변수를 포함할 수 있다.
도 5는 IAMB (Incremental Association Markov Blanket)알고리즘을 수행하는 방법에 대한 의사 코드(pseudo code)를 도시한 도면이다. IAMB는 성장과 축소 (grow-and-shrink) 두 단계로 이루어져 있다. 도 5의 2번라인부터 6번 라인까지의 코드는 성장단계를 나타낸다. 첫 번째 성장 단계에서는 대상 노드와의 조건부 독립성 검정을 통해 대상 노드와 가장 의존적인(독립적이지 않은)노드(예를들어, 가장 관련성이 높은 노드)를 차례대로 MB 집합에 추가 시키는 작업을 MB 집합이 더 이상 변하지 않을 때까지 반복한다. 이 단계에서는 대상 노드의 마코프 블랭킷이 될 가능성이 농후한 노드들을 우선적으로 모두 추가시키는 것이다. 도 5의 7번 라인부터 9번 라인까지는 축소 단계를 나타낸다. 두 번째 단계인 축소 단계에서는 성장 단계에서 추가된 노드들이 실제 대상 변수의 마코프 블랭킷인지 재확인하는 단계로, 조건부 독립성 검정을 통해 거짓 양성 (false positive)으로 판정된 노드들을 MB 집합에서 제거한다. 이 과정을 거쳐 최종적으로 MB 집합에 남아있는 노드들이 대상 노드에 대한 Markov Blanket이 된다.
IAMB 알고리즘을 통해 변수가 선택되면 선택된 변수를 이용하여 회귀(regression)를 진행한다. 도 3에 도시된 행렬 [DATk] 에서 첫 번째 열이 1인 벡터는 회귀계수의 절편에 해당된다. [DATk]는 n*(k+1)행렬이다. k개의 선택된 스펙트럼 강도값을 이용한 다중회귀모형은 다음 관계식 1과 같다.
Figure 112015015777085-pat00001
(1)
위의 관계식 1에서 y는 훈련표본의 관측값(생체신호)의 벡터이고, 는 회귀계수들이다. 회귀계수 는 다음 관계식 2에 의해 구해진다.
Figure 112015015777085-pat00002
(2)
즉 선택된 파장의 강도 데이터를 행렬 형태([DATk])로 구성한 다음 데이터의 transpose 행렬을 곱하고 ([DATk]’*[DATk]), 역행렬을 구한다. (DATk)’Y를 곱하여 회귀계수를 구한다.
또한 측정하고자 하는 미지의 표본(대상자)에 대하여 훈련표본 측정시와 동일한 조건에서 스펙트럼 강도를 측정하고 그 표본에 대한 측정값은 다음과 같이 얻을수 있다. [DATk] 에 [ ]를 곱하여 생체신호 측정값 [Ypred]으로 표기한다.
도6은 일 실시예에 따라 생체 신호를 측정하는 방법을 적용하여 스펙트럼과 콜레스테롤(LDL) 값 간의 관계를 도출한 도면이다. 도 6을 참조하면, 실제 LDL콜레스테롤 값과 측정된 LDL 콜레스테롤 값의 상관도가 높은 것을 나타내고 있다. 예를 들어 최소자승법(PLS, partial least square)을 사용하여 LDL콜레스테롤 값을 측정하면 실제 LDL 콜레스테롤 값과의 상관계수가 0.11로 나타난다. 그러나 IAMB 알고리즘을 통해 파장 선택 후 다중회귀분석(MLR) 시 상관 계수가 0.88로 더 높게 나타난다.
도 7은 일 실시 예에 따른 생체 신호를 측정하는 방법의 흐름도를 도시한 도면이다. 도 7을 참조하면, 생체 신호를 측정하는 방법은 도 1에 도시된 장치(100)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라 하더라도 도 1에 도시된 장치(100)에 관하여 이상에서 기술된 내용은 도 7의 방법에도 적용됨을 알 수 있다.
단계 S700에서, 신체에 조사된 뒤 반사된 적외선 신호를 검출할 수 있다. 또한, 신체에 조사된 뒤 산란된 적외선 신호를 검출할 수도 있다.
단계 S710에서, 검출된 적외선 신호에서 스펙트럼 데이터를 추출할 수 있다.
단계 S720에서, 추출된 스펙트럼 데이터에서 기 설정된 주파수에 대응하는 데이터를 획득할 수 있다.
단계S730에서, 획득된 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득할 수 있다.
단계S740에서, 획득된 생체정보측정모델을 이용하여 신체의 생체 신호를 측정할 수 있다.
도 8은 다른 실시 예에 따른 생체 신호를 측정하는 방법의 흐름도를 도시한 도면이다. 도 8을 참조하면, 생체 신호를 측정하는 방법은 도 1에 도시된 장치(100)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라 하더라도 도 1에 도시된 장치(100)에 관하여 이상에서 기술된 내용은 도 8의 방법에도 적용됨을 알 수 있다.
단계 S800에서, 신체에 조사된 뒤 반사된 적외선 신호를 검출할 수 있다.
단계 S810에서, 검출된 적외선 신호에서 스펙트럼 데이터를 추출할 수 있다.
단계 S820에서, 추출된 스펙트럼 데이터를 기준선에 맞도록 보정할 수 있다.
단계S830에서, 추출된 스펙트럼 데이터의 바탕 값을 보정할 수 있다.
단계S840에서, 추출된 스펙트럼 데이터에서 기 설정된 주파수에 대응하는 데이터를 획득할 수 있다.
단계S850에서, 획득된 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득할 수 있다.
단계S860에서, 획득된 생체정보측정모델을 이용하여 신체의 생체 신호를 측정할 수 있다.
본 실시 예들에 따른 장치는 프로세서, 프로그램 데이터를 저장하고 실행하는 메모리, 디스크 드라이브와 같은 영구 저장부(permanent storage), 외부 장치와 통신하는 통신 포트, 터치 패널, 키(key), 버튼 등과 같은 사용자 인터페이스 장치 등을 포함할 수 있다. 소프트웨어 모듈 또는 알고리즘으로 구현되는 방법들은 상기 프로세서상에서 실행 가능한 컴퓨터가 읽을 수 있는 코드들 또는 프로그램 명령들로서 컴퓨터가 읽을 수 있는 기록 매체 상에 저장될 수 있다. 여기서 컴퓨터가 읽을 수 있는 기록 매체로 마그네틱 저장 매체(예컨대, ROM(read-only memory), RAM(random-access memory), 플로피 디스크, 하드 디스크 등) 및 광학적 판독 매체(예컨대, 시디롬(CD-ROM), 디브이디(DVD: Digital Versatile Disc)) 등이 있다. 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템들에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행될 수 있다. 매체는 컴퓨터에 의해 판독가능하며, 메모리에 저장되고, 프로세서에서 실행될 수 있다.
본 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 실시 예는 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩 업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 실시 예는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. “매커니즘”, “요소”, “수단”, “구성”과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
본 실시 예에서 설명하는 특정 실행들은 예시들로서, 어떠한 방법으로도 기술적 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다.
본 명세서(특히 특허청구범위에서)에서 “상기”의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 포함하는 것으로서(이에 반하는 기재가 없다면), 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 한정되는 것은 아니다. 모든 예들 또는 예시적인 용어(예를 들어, 등등)의 사용은 단순히 기술적 사상을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

Claims (19)

  1. 프로세서를 통해 신체에 조사된 뒤 반사된 적외선 신호를 검출하는 단계;
    상기 프로세서를 통해 상기 검출된 적외선 신호에서 스펙트럼 데이터를 추출하는 단계;
    상기 프로세서를 통해 상기 추출된 스펙트럼 데이터에서 IAMB(Incremental Association Markov Blanket) 알고리즘을 이용하여 기 설정된 주파수에 대응하는 데이터를 획득하는 단계;
    상기 프로세서를 통해 상기 획득된 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득하는 단계;
    상기 프로세서를 통해 상기 획득된 생체정보측정모델을 이용하여 상기 신체의 생체 신호를 측정하는 단계를 포함하는, 생체 신호를 측정하는 방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 데이터를 획득하는 단계는,
    상기 기 설정된 주파수는 상기 기 설정된 주파수를 포함하는 소정의 범위 내의 주파수를 포함하고,
    상기 추출된 스펙트럼 데이터에서 상기 소정의 범위 내의 주파수에 대응하는 데이터를 획득하는, 생체 신호를 측정하는 방법.
  4. 제 3항에 있어서,
    상기 데이터를 획득하는 단계는,
    상기 소정의 범위 내의 주파수에 대응하는 데이터들의 평균값 데이터를 획득하고,
    상기 생체 정보 측정 모델을 획득하는 단계는,
    상기 획득된 평균값 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득하는, 생체 신호를 측정하는 방법.
  5. 제 3항에 있어서,
    상기 데이터를 획득하는 단계는,
    상기 기 설정된 주파수 각각에 대해 상기 소정의 범위를 다르게 설정하는 단계를 포함하는, 생체 신호를 측정하는 방법.
  6. 제 1항에 있어서,
    상기 스펙트럼 데이터를 추출하는 단계는,
    상기 추출된 스펙트럼 데이터를 기준선에 맞도록 보정하는 단계를 더 포함하는, 생체 신호를 측정하는 방법.
  7. 제 1항에 있어서,
    상기 스펙트럼 데이터를 추출하는 단계는,
    상기 추출된 스펙트럼 데이터의 바탕 값을 보정하는 단계를 더 포함하는, 생체 신호를 측정하는 방법.
  8. 제 1항에 있어서,
    상기 데이터를 획득하는 단계는,
    상기 기 설정된 주파수는, 사용자에 의해 입력된 주파수를 포함하고,
    상기 추출된 스펙트럼 데이터에서 상기 사용자에 의해 입력된 주파수에 대응하는 데이터를 획득하는 단계를 포함하는, 생체 신호를 측정하는 방법.
  9. 제 8항에 있어서,
    상기 신체의 생체 신호를 측정하는 단계는,
    상기 입력된 주파수에 대응하는 데이터 및 상기 생체 정보 측정 모델을 이용하여 상기 신체의 생체 신호를 측정하는, 생체 신호를 측정하는 방법
  10. 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는:
    신체에 조사된 뒤 반사된 적외선 신호를 검출하고,
    상기 검출된 적외선 신호에서 스펙트럼 데이터를 추출하고,
    상기 추출된 스펙트럼 데이터에서 IAMB(Incremental Association Markov Blanket) 알고리즘을 이용하여 기 설정된 주파수에 대응하는 데이터를 획득하는 데이터 획득하고,
    상기 획득된 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득하고,
    상기 획득된 생체 정보 측정 모델을 이용하여 상기 신체의 생체 신호를 측정하는, 생체 신호를 측정하는 장치.
  11. 삭제
  12. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 기 설정된 주파수는 상기 기 설정된 주파수를 포함하는 소정의 범위 내의 주파수를 포함하고,
    상기 추출된 스펙트럼 데이터에서 상기 소정의 범위 내의 주파수에 대응하는 데이터를 획득하는, 생체 신호를 측정하는 장치.
  13. 제 12항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 소정의 범위 내의 주파수에 대응하는 데이터들의 평균값 데이터를 획득하고,
    상기 획득된 평균값 데이터를 다중 회귀 분석(MLR,Multiple Linear Regression)하여 생체 정보 측정 모델을 획득하는, 생체 신호를 측정하는 장치.
  14. 제 12항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 기 설정된 주파수 각각에 대해 상기 소정의 범위를 다르게 설정하는, 생체 신호를 측정하는 장치.
  15. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 추출된 스펙트럼 데이터를 기준선에 맞도록 보정하는, 생체 신호를 측정하는 장치.
  16. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 추출된 스펙트럼 데이터의 바탕 값을 보정하는, 생체 신호를 측정하는 장치.
  17. 제 10항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 기 설정된 주파수는, 사용자에 의해 입력된 주파수를 포함하고,
    상기 추출된 스펙트럼 데이터에서 상기 사용자에 의해 입력된 주파수에 대응하는 데이터를 획득하는, 생체 신호를 측정하는 장치.
  18. 제 17항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 입력된 주파수에 대응하는 데이터 및 상기 생체 정보 측정 모델을 이용하여 상기 신체의 생체 신호를 측정하는, 생체 신호를 측정하는 장치.
  19. 제1항 및 제3항 내지 제9항 중 어느 하나의 항의 방법을 실행하기 위한 컴퓨터 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020150022721A 2015-02-13 2015-02-13 생체 신호를 측정하는 방법 및 장치 KR102360075B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150022721A KR102360075B1 (ko) 2015-02-13 2015-02-13 생체 신호를 측정하는 방법 및 장치
US15/042,899 US10456085B2 (en) 2015-02-13 2016-02-12 Method and device for measuring a biological signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150022721A KR102360075B1 (ko) 2015-02-13 2015-02-13 생체 신호를 측정하는 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20160100140A KR20160100140A (ko) 2016-08-23
KR102360075B1 true KR102360075B1 (ko) 2022-02-08

Family

ID=56620563

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150022721A KR102360075B1 (ko) 2015-02-13 2015-02-13 생체 신호를 측정하는 방법 및 장치

Country Status (2)

Country Link
US (1) US10456085B2 (ko)
KR (1) KR102360075B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102498121B1 (ko) 2017-11-20 2023-02-09 삼성전자주식회사 생체정보 추정 장치 및 방법
KR101992483B1 (ko) * 2017-12-08 2019-06-24 이놈들연구소 주식회사 체전도 기반 소리 출력 장치의 음질 개선을 위한 신호 처리 방법 및 시스템
CN114813709B (zh) * 2022-06-28 2022-10-04 华谱智能科技(天津)有限公司 土壤成分检测方法、设备及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104207756A (zh) * 2013-06-03 2014-12-17 飞比特公司 可佩戴心率监视器

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3196871B2 (ja) 1994-09-30 2001-08-06 アトムメディカル株式会社 診断装置
WO2002065090A2 (en) * 2001-01-26 2002-08-22 Sensys Medical Noninvasive measurement of glucose through the optical properties of tissue
WO2005119582A2 (en) 2004-06-01 2005-12-15 Siemens Medical Solutions Usa, Inc. Bayesian network frameworks for biomedical data mining
JP4583288B2 (ja) 2005-10-21 2010-11-17 株式会社清水鐵工所 空気弁
JP4954659B2 (ja) 2006-10-10 2012-06-20 株式会社リコー 撮像装置
WO2008086596A1 (en) 2007-01-16 2008-07-24 Premd, Inc. Apparatus for non-invasive skin sampling and testing
KR101413853B1 (ko) * 2012-06-20 2014-07-01 고려대학교 산학협력단 적외선 영상을 이용한 생체 신호 측정 방법 및 장치
US9005129B2 (en) * 2012-06-22 2015-04-14 Fitbit, Inc. Wearable heart rate monitor
KR101390590B1 (ko) 2012-06-28 2014-04-30 서울대학교산학협력단 췌장암 재발 예후 예측용 마커 및 이의 용도
US20140378810A1 (en) * 2013-04-18 2014-12-25 Digimarc Corporation Physiologic data acquisition and analysis

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104207756A (zh) * 2013-06-03 2014-12-17 飞比特公司 可佩戴心率监视器

Also Published As

Publication number Publication date
US10456085B2 (en) 2019-10-29
US20160235375A1 (en) 2016-08-18
KR20160100140A (ko) 2016-08-23

Similar Documents

Publication Publication Date Title
JP6194105B2 (ja) 遠隔フォトプレチスモグラフィ波形を取得するための改良された信号選択
Karthikeyan et al. Detection of human stress using short-term ECG and HRV signals
KR20180010062A (ko) 생체신호의 특징 추출 장치 및 방법과, 생체정보 검출 장치
KR102360075B1 (ko) 생체 신호를 측정하는 방법 및 장치
KR101494638B1 (ko) 반사 스펙트럼 추정을 이용하여 생체 내의 혈관을 영상화하는 방법, 그 방법을 이용한 혈관천자 안내 장치 및 사용자 인증 장치
Kelwade et al. Radial basis function neural network for prediction of cardiac arrhythmias based on heart rate time series
US10980484B2 (en) Method of enabling feature extraction for glucose monitoring using near-infrared (NIR) spectroscopy
Trajkovic et al. Estimating and validating the interbeat intervals of the heart using near-infrared spectroscopy on the human forehead
US20160045143A1 (en) Apparatus for noninvasively measuring bio-analyte and method of noninvasively measuring bio-analyte
Awodeyi et al. Median filter approach for removal of baseline wander in photoplethysmography signals
KR20160000810A (ko) 파형종류 도수분포를 이용한 가속도맥파 분석 장치 및 분석 방법
Askari et al. Artifact removal from data generated by nonlinear systems: Heart rate estimation from blood volume pulse signal
Paradkar et al. Primary study for detection of arterial blood pressure waveform components
WO2019146025A1 (ja) 脈波算出装置、脈波算出方法及び脈波算出プログラム
Novi et al. Revealing the spatiotemporal requirements for accurate subject identification with resting-state functional connectivity: a simultaneous fNIRS-fMRI study
Habbu et al. Comparison of noninvasive blood glucose estimation using various regression models
Li et al. Research on multi-parameter fusion non-invasive blood glucose detection method based on machine learning.
Hadiyoso et al. Respiratory rate extraction based on plethysmographic wave analysis
Yudaningtyas et al. Pulse frequency spectrum of subjects whose normal electrocardiogram (ECG) test
KR20190063364A (ko) 혈당 농도를 예측하는 장치 및 방법
da Silva Dias et al. Exploratory use of PPG signal in continuous authentication
Suryakala et al. Chemometric analysis of diffuse reflectance spectral data using singular value decomposition for blood glucose detection
RU2624809C1 (ru) Способ обработки электрокардиосигнала для персональных носимых кардиомониторов
Armijos et al. Semiautomatic validation of RR time series in an ECG stress test database
WO2017002401A1 (ja) 粘弾特性取得装置、粘弾特性取得方法、粘弾特性取得プログラム、及びそのプログラムを記録する記録媒体

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