KR102381219B1 - 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법 - Google Patents

뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR102381219B1
KR102381219B1 KR1020200171386A KR20200171386A KR102381219B1 KR 102381219 B1 KR102381219 B1 KR 102381219B1 KR 1020200171386 A KR1020200171386 A KR 1020200171386A KR 20200171386 A KR20200171386 A KR 20200171386A KR 102381219 B1 KR102381219 B1 KR 102381219B1
Authority
KR
South Korea
Prior art keywords
motor function
data
patient
stroke
score
Prior art date
Application number
KR1020200171386A
Other languages
English (en)
Inventor
장민철
김정군
추유진
Original Assignee
영남대학교 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 영남대학교 산학협력단 filed Critical 영남대학교 산학협력단
Priority to KR1020200171386A priority Critical patent/KR102381219B1/ko
Application granted granted Critical
Publication of KR102381219B1 publication Critical patent/KR102381219B1/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
    • A61B5/103—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
    • A61B5/1124—Determining motor skills
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • 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
    • 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
    • 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

Landscapes

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

Abstract

본 발명은 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치에 관한 것이다. 본 발명에 따르면, 복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 데이터 수집부와, 상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 환측 족관절 배측굴곡근의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부와, 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 데이터 획득부, 및 상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 환측 족관절 배측굴곡근의 운동 기능 점수를 예측하는 예측부를 포함하는 뇌졸중 환자의 운동 기능 예측 장치를 제공한다.
본 발명에 따르면, 환자의 현재 임상 데이터를 기 학습된 예측 모델에 적용한 결과를 이용하여 향후 미래 시점에 대한 환자의 운동 기능을 예측하고 이를 기반으로 단하지보조기의 필요 여부를 판단할 수 있도록 하여, 회복 가능성 있는 환자에 대한 불필요한 단하지보조기 착용 및 관련 경비 지출을 예방할 수 있다.

Description

뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법{Motor function prediction apparatus and method for determining need of ankle-foot-orthosis of stroke patients}
뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 환자의 현재의 임상 데이터 만으로 향후 미래 시점에 대한 환자의 운동 기능을 예측하고 이를 기반으로 단하지 보조기의 필요 여부를 판단할 수 있도록 하는 운동 기능 예측 장치 및 그 방법에 관한 것이다.
뇌졸중은 인간에게서 기능적인 결손을 초래하는 흔한 질병이다. 근력의 약화는 뇌졸중 이후에 나타나는 후유증 중 신체를 가장 무력화시키는 증상 중 하나로, 삶의 질을 저하시키고 독립적으로 생활하는 것을 어렵게 한다. 하지에 근력 약화가 발생하는 경우 특히 보행 기능이 저하되며, 뇌졸중 발병 3개월 이후 54%에서 80%의 환자가 보행에 문제를 겪고 있는 것으로 보고된 바 있다.
뇌졸중 이후 보행 장애를 일으키는 주요 원인 중 하나인 족관절 근육의 약화는 배측굴곡과 저측굴곡의 동작 조절을 어려워지게 하므로, 입각기 동안 발목의 안정성을 저해시키고, 유각기 동안 발가락을 지면에 끌리게 한다. 단하지보조기(ankle-foot orthosis, AFO)는 입각기 동안 발목에 내외측 안정성을 제공하고 유각기 동안 발을 중립자세로 유지시킴으로써 보행 동안 발가락의 끌림을 방지할 수 있다. 이러한 이유로 단하지보조기는 뇌졸중 재활 시 널리 처방되고 있다.
일반적으로 임상에서 단하지보조기는 뇌졸중 발병 1개월 후에 도수 근력 검사(manual muscle test, MMT) 등급이 1이며 족관절 배측굴곡근의 약화를 보이는 환자에게 보행 및 안정성의 개선을 위하여 처방된다.
그러나 약 2주 후 단하지보조기를 처방받은 뇌졸중 환자의 족관절 배측굴곡근의 도수 근력 검사 등급이 4로 향상되는 경우가 종종 발생한다. 이러한 경우에 해당되는 뇌졸중 환자들은 처방받은 단하지보조기가 더 이상 필요하지 않게 될 뿐만 아니라, 단하지보조기를 구매하는데 불필요한 경비를 지출하게 됨으로써 경제적인 손실을 감수하게 된다.
따라서 뇌졸중 환자의 불필요한 단하지보조기 착용을 예방하기 위해서는 단하지보조기 사용의 필요성을 사전 예측하는 것이 요구된다.
본 발명의 배경이 되는 기술은 한국공개특허 제10-2019-0132710(2019.11.29 공개)에 개시되어 있다.
본 발명은 환자의 현재 임상 데이터를 미리 학습된 예측 모델에 적용한 결과를 이용하여 향후 미래 시점에 대한 환자의 운동 기능을 예측하고 이를 기반으로 단하지보조기의 착용이 필요한지 여부를 판단해낼 수 있는 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치에 있어서, 복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 데이터 수집부와, 상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 환측 족관절 배측굴곡근의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부와, 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 데이터 획득부, 및 상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 환측 족관절 배측굴곡근의 운동 기능 점수를 예측하는 예측부를 포함하는 뇌졸중 환자의 운동 기능 예측 장치를 제공한다.
또한, 상기 뇌졸중 환자의 운동 기능 예측 장치는, 상기 예측된 환측 족관절 배측굴곡근의 운동 기능 점수를 기 설정된 임계값과 비교하여 단하지 보조기의 필요 여부를 판단하는 판단부를 더 포함할 수 있다.
또한, 상기 기준 기간은 30일 이내이고, 상기 설정 기간은 6개월 이상일 수 있다.
또한, 상기 임상 데이터는, 환측 전경골근의 운동유발전위 존재 유무를 더 포함할 수 있다.
또한, 상기 예측 모델의 입력 데이터로 사용된 복수 종류의 운동 기능 점수는, 관절 점수(MRC; Medical Research Council), 보행 점수(FAC; Functional Ambulation Category) 및 상지 움직임 점수(MBC; Modified Brunnstrom classification)를 포함하며, 상기 예측 모델의 출력 데이터로 사용된 운동 기능 점수는, 상기 환측 족관절 배측굴곡근의 관절 점수(MRC)일 수 있다.
또한, 상기 예측 모델은, 심층 신경망(DNN) 알고리즘을 통하여 학습될 수 있다.
그리고, 본 발명은, 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치를 이용한 운동 기능 예측 방법에 있어서, 복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 단계와, 상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 환측 족관절 배측굴곡근의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 단계와, 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 단계, 및 상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 환측 족관절 배측굴곡근의 운동 기능 점수를 예측하는 단계를 포함하는 뇌졸중 환자의 운동 기능 예측 방법을 제공한다.
본 발명에 따르면, 환자의 현재 임상 데이터를 기 학습된 예측 모델에 적용한 결과를 이용하여 향후 미래 시점에 대한 환자의 운동 기능을 예측하고 이를 기반으로 단하지보조기의 필요 여부를 판단하여 제공함으로써 회복 가능성 있는 환자에 대한 불필요한 단하지보조기 착용과 구매 및 관련 경비 지출을 예방할 수 있다.
아울러, 예측된 단하지 보조기 착용 여부 결과를 기반으로 의료진으로 하여금 환자 개인 별로 향후 치료/재활 프로그램의 계획을 보다 효율적으로 수립하고 병증 악화에 대비할 수 있도록 물론 효율적 질병 관리가 가능하도록 한다.
도 1은 본 발명의 실시예에 따른 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치의 구성을 나타낸 도면이다.
도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 3은 도 1의 장치를 이용한 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 방법을 설명하는 도면이다.
도 4는 본 발명의 실시예에 따른 예측 모델의 학습에 사용된 세부 인자를 예시적으로 나타낸 도면이다.
도 5는 사용된 세 가지 알고리즘의 성능 결과를 비교한 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 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.
본 발명은 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법으로, 환자의 현재 임상 데이터를 미리 학습된 예측 모델에 적용하여 향후 미래 시점에 대한 환자의 운동 기능을 예측하고 이를 통해 환자의 단하지보조기의 필요 여부를 판단할 수 있는 기법을 제안한다.
도 1은 본 발명의 실시예에 따른 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치의 구성을 나타낸 도면이고, 도 2는 도 1의 각 부의 기능과 데이터 흐름을 간략히 설명한 도면이다.
도 1 및 도 2를 참조하면, 본 발명의 실시예에 따른 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치(100)(이하, 예측 장치)는 데이터 수집부(110), 모델 학습부(120), 데이터 획득부(130), 예측부(140), 판단부(150), 출력부(160)를 포함한다.
여기서 각 부(110~160)의 동작 및 각 부 간의 데이터 흐름은 제어부(미도시)에 의해 제어될 수 있다.
데이터 수집부(110)는 복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간(예: 7일, 30일) 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집한다. 여기서 기준 기간은 30일 이내의 기간 중에 해당할 수 있다.
데이터 수집부(110)는 복수의 환자(뇌졸중 환자)에 대한 신체 및 임상 데이터를 포함한 기초 데이터를 수집하여 빅데이터를 구축할 수 있다. 이러한 데이터 수집부(110)는 환자의 의료 정보를 관리 및 저장하는 EMR 또는 이와 연동하는 병원 서버 등으로부터 환자의 기초 데이터를 수집할 수 있다.
전자의무기록시스템인 EMR은 병원 서버에 포함되거나 병원 서버와 상호 연계하여 동작될 수 있다. EMR 또는 병원 서버는 환자의 개인 정보, 신체 정보, 과거 수개월 혹은 수년간 진료 기록, 각종 검사 정보 등을 포함한 환자의 의료 정보(의료 정보 DB) 이력을 시간 별로 관리할 수 있다. 이처럼 환자 별 기초 데이터는 EMR, 병원 서버 등을 통하여 수집될 수 있고 이로부터 예측 모델 학습에 필요한 빅데이터를 구축할 수 있다.
데이터 수집부(110)는 뇌졸중 발병일과 입원일(또는 전과일) 사이 기간이 7 ~ 30일 이내(early stage)에 임상 데이터가 수집된 환자를 대상으로 기초 데이터를 수집할 수 있다.
여기서 물론, 기초 데이터의 선정은 편마비(hemiparesis)가 있는 아급성(sub-acute) 뇌졸중 환자, 발병일로부터 6개월째의 기능적 보행 지수(functional ambulation category, FAC) 점수가 1 이상인 뇌졸중 환자를 대상으로 수행할 수 있다. 이때, 이전에 뇌졸중 과거력이 있는 환자(최초 발병이 아닌 자), 뇌졸중 발병 초기에 족관절 배측굴곡의 강도(strength)가 3 이상이었던 자, 다른 뇌 또는 척수 병변이 있는 뇌졸중 환자, 말초 다발신경병증과 같이 발목 배측굴곡의 힘에 영향을 미칠 수 있는 다른 말초신경병증이 있는 뇌졸중 환자를 제외 대상으로 하여 배제하도록 한다. 이를 통해 예측 모델의 효율성, 정확도 및 유효성을 높인다.
본 발명의 실시예에서 수집되는 환자별 기초 데이터는 신체 데이터 및 임상 데이터를 포함할 수 있다. 신체 데이터는 환자의 나이, 성별 등을 포함할 수 있다. 임상 데이터는 환자의 뇌졸중 유형(경색/출혈), 환측 사지(견관절 외전근, 주관절 굴곡근, 수지 굴곡근, 수지 신전근, 고관절 굴곡근, 슬관절 신전근, 족관절 배측굴곡근)와 관련한 복수 종류의 운동 기능 점수, 환측 전경골근의 운동유발전위 존재 유무부 등을 포함할 수 있다.
여기서, 환측 사지와 관련한 복수 종류의 운동 기능 점수는 관절 점수(MRC; Medical Research Council), 보행 점수(FAC; Functional Ambulation Category), 상지 움직임 점수(MBC; Modified Brunnstrom classification)를 포함한다.
각각의 운동 기능 점수(MRC, FAC, MBC)의 평가 기준은 아래 표 1 내지 표 3과 같다. 평가 점수가 높을수록 운동 기능이 양호함을 의미한다. 이들 운동 기능 점수는 의사, 재활치료사 등과 같은 의료진에 의해 평가된 후 병원 서버나 전자의무기록 시스템에 저장될 수 있다.
점수 MRC
5 중력과 강한 저항에 대하여 완전한 관절운동범위(ROM) 가동 가능 (정상)
4 중력과 중등도의 저항에 대하여 완전한 ROM
3 중력에 대하여 완전한 ROM
2 중력이 작용하지 않을 때 완전한 ROM
1 약한 근수축은 있으나 관절운동은 없는 상태
0 근수축이 없는 상태
점수 FAC
0 보행 불가
1 1인의 지속적인 지지가 필요함
2 1인의 간헐적인 지지가 필요함
3 구두 감독이 필요함
4 계단이나 경사대, 울퉁불퉁한 바닥면에서는 도움이 필요함
5 어디서나 독립적으로 보행 가능함
점수 MBC
1 자발적으로 손가락을 움직일 수 없음
2 자발적으로 손가락을 움직임 수 있음
3 환측 손을 자발적으로 닫을 수 있지만 펼 수는 없음
4 엄지와 검지의 안쪽면으로 카드를 잡을 수 있으며, 손가락을 약간 펼 수 있음
5 유리잔을 들고 잡을 수 있으며 손가락을 펼 수 있음
6 거의 정상에 가깝게 공을 잡고 던질 수 있으며 셔츠 단추를 잠그고 풀 수 있음
데이터 수집부(110)는 모델 학습을 위하여, 발병일로부터 설정 기간(예: 6개월, 1년) 경과 후에 관측된 설정 종류의 운동 기능 점수를 추가로 수집하고 저장할 수 있다. 이때, 설정 종류의 운동 기능 점수란, 환측 족관절 배측굴곡근의 관절 점수(MRC)에 해당할 수 있다. 설정 기간은 6개월 이상의 기간 중에서 선택될 수 있다.
데이터 수집부(110)에서 수집한 환자별 데이터들은 환자의 운동 기능 점수를 예측하는 모델을 구축하기 위한 학습 데이터로 사용된다. 수집된 데이터 중 발병일과 입원일 사이의 30일 이내에 수집된 초기 데이터들은 예측 모델의 학습 시에 입력 데이터로 활용되고 6개월 경과 후의 데이터들은 출력 데이터로 활용된다. 예측 모델은 이들 입력 데이터와 출력 데이터 간의 관계를 머신 러닝을 기반으로 학습하게 된다.
구체적으로, 모델 학습부(120)는 앞서 수집된 환자의 신체 데이터와 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간(예: 6개월) 경과 후에 해당 환자에게서 관측된 환측 족관절 배측굴곡근의 운동 기능 점수(MRC)를 출력 데이터로 하여 예측 모델을 학습시킨다.
이러한 모델 학습부(120)는 인공지능 기반의 러닝 분석을 통하여 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 모델을 생성할 수 있다.
예측 모델 생성에는 다양한 기법이 사용될 수 있는데, 심층신경망(Deep neural network, DNN), 로지스틱 회귀(logistic regression), 랜덤 포레스트(random forest) 알고리즘이 사용될 수 있다.
본 발명의 실시예는 심층 신경망(DNN)을 이용한 것을 대표 예시로 한다. 딥 러닝이란 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 알고리즘의 집합이다. 딥 러닝에는 다양한 종류의 신경망이 존재하는데 본 발명의 실시예는 심층 신경망을 이용하였고, 뇌졸중 환자의 초기 임상데이터와 6개월 이후의 데이터를 이용하여 뇌졸중 환자의 6개월 이후 운동 기능 예측 모델을 구현하였다.
예측 모델의 입력 데이터는 환자의 신체 데이터(나이, 성별 등), 뇌졸중 유형, 뇌졸중 발병일과 입원일 사이의 30일 이내 관측된 환측 사지 관련한 운동 기능 점수(MRC, FAC, MBC), 그리고 환측 전경골근의 운동유발전위 존재 유무를 포함한다. 또한, 출력 데이터는 발병일로부터 6개월 경과 후에 관측된 환자의 족관절 배측굴곡근의 운동 기능 점수(MRC)를 포함한다.
예측 모델은 뇌졸중 발병 초기에 관측된 환자의 초기 임상 데이터와, 그에 대응하여 관측된 6개월 후의 환측 족관절 배측굴곡근의 운동 기능 점수(MRC) 간의 관계를 머신 러닝을 통하여 학습할 수 있다. 즉, 예측 모델은 환자의 기본 신체 데이터와 초기 임상 데이터의 입력에 대응하여 그로부터 예상되는 향후 6개월 후의 환자의 족관절 배측굴곡근의 관절 점수를 출력으로 도출하도록 학습된다.
모델 학습부(120)는 환자 별로 수집된 복수의 인자(변수)와 그에 대응하여 예측되는 출력 인자 간의 관계를 지도 학습을 기반으로 지속적으로 머신 러닝 분석하고 업데이트할 수 있고 심층 신경망 내 가중치를 수정 및 최적화할 수 있다. 물론 그 과정에서 오차가 임계치 이하에 들어올 때까지 학습을 수행할 수 있다.
학습을 통하여 예측 모델이 완성되면, 임의의 분석 대상 환자(예: 편마비가 있는 아급성 뇌졸증 환자)에 대한 현재 관측 데이터를 해당 모델에 적용하는 것만으로도 해당 환자에 대한 향후 6개월 후의 환측 족관절 배측굴곡근의 관절 점수를 예상할 수 있다.
이를 위해, 데이터 획득부(130)는 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득한다. 데이터 획득부(130)는 EMR 또는 병원 서버, 시스템 등과 연동하여 분석 대상 환자의 데이터를 획득할 수 있고, 의료진 등의 관리자로부터 해당 환자와 관련한 파라미터를 입력 인터페이스를 통해 입력받을 수 있다. 또한 데이터 획득부(130)는 EMR에 네트워크 연결되어 분석 대상 환자에 대한 신체 정보, 임상 정보 등을 포함한 의료 정보를 검색, 조회 및 로딩할 수 있다.
예측부(140)는 분석 대상 환자에 대응하여 획득한 신체 데이터 및 임상 데이터를 예측 모델에 적용하여, 현재로부터 설정 기간(예: 6개월) 경과 후의 미래 시점의 분석 대상 환자에 대한 환측 족관절 배측굴곡근의 운동 기능 점수(MRC)를 예측하여 제공한다.
예를 들어 예측부(140)는 현재 시점에서 분석 대상 환자에 대응하여 수집된 각 인자들을 예측 모델에 입력 파라미터로 적용하여 향후 6개월 후에 예상되는 환자의 환측 족관절 배측굴곡근의 MRC 점수를 도출하여 제공할 수 있다.
따라서, 본 발명의 실시예에 따른 예측 모델에 의하면, 분석 대상 환자의 현재 수집 데이터에 대응하여 6개월 후의 환측 족관절 배측굴곡근의 운동 기능 점수( MRC)를 예측하여 제공하며, 이를 통해 현재로부터의 족관절 배측굴곡근 운동 기능의 악화, 호전 혹은 유지 상황을 사전 예측할 수 있다.
여기서, 모델 학습부(120)와 예측부(140)는 도 2와 같이 프로세서(Processor)에 포함 또는 내장될 수 있다. 이러한 프로세서는 인공지능을 이용한 예측 모델을 탑재하고 운동 기능 예측 결과를 제공할 수 있으며, 외부 플랫폼 및 의료 정보 시스템등에 연결되어 인공지능 학습 데이터 및 예측 모델을 업데이트 및 갱신할 수 있다.
또한 프로세서는 인공지능 알고리즘을 내장하고 머신러닝에 기반한 연산을 수행할 수 있다. 예를 들어 프로세서는 알고리즘의 사전 학습에 있어 고도로 다층화된 인공 신경망에 근거한 머신러닝 알고리즘을 사용할 수 있다. 프로세서는 인공지능 알고리즘을 통해 사전 학습된 가중치를 기반으로 현재 분석 대상이 되는 환자의 입력 데이터에 대응하여 미래에 시점에 예상되는 환자의 운동 기능 점수를 예측해 낼 수 있다.
판단부(150)는 예측된 환측 족관절 배측굴곡근의 운동 기능 점수(MRC)를 임계값과 비교하여 환측 족관절 배측굴곡근의 운동 기능에 대한 회복 가능성 여부를 분류한다.
구체적으로, 판단부(150)는 예측부(140)에서 도출된 족관절 배측굴곡근의 관절 점수(MRC)를 기 설정된 임계 값과 비교하여, 설정 기간 경과 후의 미래 시점에 대한 분석 대상 환자의 단하지 보조기의 착용 필요 여부를 판단한다.
예를 들어, 뇌졸중 발병 6개월 후에 예상된 족관절 배측굴곡근의 MRC 점수가 3점 이상으로 양호하면 6개월 후 환자에게 단하지보조기의 착용이 불필요한 것으로 판단하고, 3점 미만이면 환자의 단하지보조기의 착용이 필요한 것으로 판단할 수 있다.
출력부(160)는 예측 모델을 통하여 도출된 운동 기능 점수 예측 결과 및 그에 따른 단하지보조기 필요 여부 판단 결과를 디스플레이 등을 통해 출력하여 제공한다.
이와 같이 예측 장치(100)는 운동 기능 예측과 관련한 프로세스를 실행시키고 그에 기반한 단하지보조기 필요 여부 결과를 제공할 수 있어, 환자의 진료, 상담, 단하지보조기 처방 여부, 치료 및 효율적 예후 관리가 가능하도록 한다. 또한, 회복 예후가 좋은 환자의 경우 단하지보조기의 사용 필요성이 낮다고 판단하여, 향후 불필요해질 수 있는 단하지보조기 착용을 미리 예방함은 물론 그로 인한 환자의 필요한 경비 지출을 막고 비용 부담을 줄일 수 있다.
이상과 같이, 본 발명의 경우 뇌졸중 환자의 초기 임상 데이터와 설정 기간 후에 관측된 환측 족관절 배측굴곡근의 운동 기능 점수를 학습한 예측 모델을 기반으로 분석 대상 환자에 대한 현재의 몇 가지 임상 데이터 만으로 향후 미래 시점에 대한 환자의 단하지보조기 착용 필요성 여부를 사전 예측하여 제공할 수 있다.
본 발명의 실시예에 따른 예측 장치(100)는 뇌졸중 환자의 운동 기능 예측을 수행하는 서버 그 자체 일수도 있고, 의료진 측의 단말 장치(PC, 데스크탑, 스마트폰, 노트북, 패드 등) 또는 사용자 단말(200) 상에 구현되는 어플리케이션(Application)에 해당할 수도 있다. 따라서 각 단말은 관련 어플리케이션(응용 프로그램)이 실행된 상태에서 예측 장치(100)와 네트워크 접속되어 관련 서비스를 제공받을 수 있다.
도 3은 도 1의 장치를 이용한 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 방법을 설명하는 도면이다.
먼저, 데이터 수집부(110)는 복수의 환자(뇌졸중 환자) 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간(예: 30일) 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수(MRC, FAC, MBC), 뇌졸중 유형을 포함한 임상 데이터를 수집한다(S310).
또한, 데이터 수집부(110)는 발병일로부터 설정 기간(예: 6개월) 후에 환자로부터 관측된 환측 족관절 배측굴곡근의 운동 기능 점수(MRC)도 수집한다. 데이터 수집부(110)는 이를 기반으로 모델 학습을 위한 빅데이터를 구축한다.
다음, 모델 학습부(120)는 인공지능 알고리즘에 기반한 프로세서를 이용하여, 환자 별 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 환측 족관절 배측굴곡근의 운동 기능 점수(MRC)를 출력 데이터로 하는 학습 데이터 세트를 기반으로 예측 모델을 학습시킨다(S320).
이때, 모델 학습부(120)는 심층 신경망(DNN)을 이용하여 모델을 학습시킬 수 있으며, 관련 환자들에 대한 빅데이터의 학습을 통하여 모델의 신뢰성을 높일 수 있다.
학습이 완료된 이후부터는, 분석 대상 환자에 대한 현재의 인자들에 대응하여 미래 시점의 운동 기능 점수를 예측한 값을 제공할 수 있다.
구체적으로, 데이터 획득부(130)는 분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하고(S330), 이를 예측부(140)로 전달한다. 데이터 획득부(130)는 병원 서버, EMR, 의료진 측 단말 장치 중 적어도 하나와 연동하여 관련 데이터를 획득하거나 입력받을 수 있다.
예측부(140)는 분석 대상 환자에 대응하여 수신한 신체 데이터 및 임상 데이터를 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 환측 족관절 배측굴곡근의 운동 기능 점수(MRC)를 도출한다(S340).
이후, 판단부(150)는 예측된 운동 기능 점수(MRC)를 임계값과 비교하여 설정 기간 경과 후의 미래 시점에서의 환자의 단하지보조기 착용이 필요한지 여부를 판단한다(S350).
예를 들어, MRC가 임계값(예: 3점) 이상이면 6개월 후의 분석 대상 환자에 대한 환측 족관절 배측굴곡근의 회복 예후가 좋으므로 단하지보조기의 착용이 불필요한 것으로 판별할 수 있고, 그 미만이면 예후가 나쁘기 때문에 단하지보조기의 착용이 필요한 것으로 판별할 수 있다.
이후, 출력부(160)는 운동 기능 점수 예측 결과 및 이에 기반한 단하지보조기 필요 여부 판단 결과를 디스플레이 등을 통하여 출력할 수 있다(S360). 출력 결과를 기반으로 의료진은 현재 해당 환자에게 단하지보조기의 착용을 처방할 수도 있고 착용이 불필요하다 판단된 경우에는 처방하지 않을 수도 있다.
다음은 예측 모델 생성에 사용된 머신 러닝 알고리즘의 종류에 따른 예측 성능을 비교한 결과를 설명한다.
우선, 도 4는 본 발명의 실시예에 따른 예측 모델의 학습에 사용된 세부 인자를 예시적으로 나타낸 도면이다. 그리고, 도 5는 사용된 세 가지 알고리즘의 성능 결과를 비교한 도면이다.
세 가지 알고리즘은 심층신경망(DNN), 로지스틱 회귀(logistic regression), 랜덤 포레스트(random forest) 알고리즘을 포함하며 이들 각각에 대한 성능 결과는 도 5를 통하여 확인할 수 있다.
세 가지 알고리즘은 모두 파이썬(python) 프로그램으로 구현되었으며, TensorFlow 1.1.0 및 scikit-learn toolkit 0.18.21 사용하여 학습하였다. 데이터 셋은 훈련용 데이터 셋 70%, 검증용 데이터 셋 18.75%, 테스트용 데이터 셋 6.25%로 나누었다. 통계 분석은 Python 3.7.9와 scikit-learn package version 0.23.2로 수행하였으며, receiver operating characteristic curve (ROC curve) 분석을 수행하였고, scikit-learn을 사용하여 area under the curve(AUC)를 계산하였다.
도 5에서 알고리즘별 Validation AUC 값을 비교해 보면, MBC 점수 예측의 경우 DNN은 0.887, logistic regression은 0.845, random forest은 0.855로 나타났다. 도 5의 결과로부터 DNN, random forest, logistic regression 알고리즘의 순으로 좋은 성능을 보였고, 특히 DNN 알고리즘을 이용하여 예측 모델을 구성한 경우가 가장 우수한 성능을 나타내었다.
이상과 같은 본 발명에 따르면, 환자에 대응하여 수집된 현재의 임상 데이터를 기 학습된 예측 모델에 적용하는 것을 통하여 향후 미래 시점에 대한 환자의 단하지보조기 착용 필요 여부를 사전에 판단함으로써 회복 가능성 있는 환자에 대한 불필요한 단하지보조기 착용 및 관련 경비 지출을 예방할 수 있다.
아울러, 예측된 운동 기능 점수 및 단하지보조기 필요 여부를 기반으로 의료진으로 하여금 환자 개인 별로 향후 치료/재활 프로그램의 계획을 보다 효율적으로 수립하고 병증 악화에 대비할 수 있도록 함은 물론 효율적 질병 관리가 가능하도록 한다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 운동 기능 예측 장치 110: 데이터 수집부
120: 모델 학습부 130: 데이터 획득부
140: 예측부 150: 판단부
160: 출력부

Claims (12)

  1. 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치에 있어서,
    복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 데이터 수집부;
    상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 환측 족관절 배측굴곡근의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 모델 학습부;
    분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 데이터 획득부; 및
    상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 상기 환측 족관절 배측굴곡근의 운동 기능 점수를 예측하는 예측부를 포함하는 뇌졸중 환자의 운동 기능 예측 장치.
  2. 청구항 1에 있어서,
    상기 예측된 환측 족관절 배측굴곡근의 운동 기능 점수를 기 설정된 임계값과 비교하여 단하지 보조기의 필요 여부를 판단하는 판단부를 더 포함하는 뇌졸중 환자의 운동 기능 예측 장치.
  3. 청구항 1에 있어서,
    상기 기준 기간은 30일 이내이고, 상기 설정 기간은 6개월 이상인 뇌졸중 환자의 운동 기능 예측 장치.
  4. 청구항 1에 있어서,
    상기 임상 데이터는,
    환측 전경골근의 운동유발전위 존재 유무를 더 포함하는 뇌졸중 환자의 운동 기능 예측 장치.
  5. 청구항 1에 있어서,
    상기 예측 모델의 입력 데이터로 사용된 복수 종류의 운동 기능 점수는,
    관절 점수(MRC; Medical Research Council), 보행 점수(FAC; Functional Ambulation Category) 및 상지 움직임 점수(MBC; Modified Brunnstrom classification)를 포함하며,
    상기 예측 모델의 출력 데이터로 사용된 운동 기능 점수는,
    상기 환측 족관절 배측굴곡근의 관절 점수(MRC)인 뇌졸중 환자의 운동 기능 예측 장치.
  6. 청구항 1에 있어서,
    상기 예측 모델은,
    심층 신경망(DNN) 알고리즘을 통하여 학습되는 뇌졸중 환자의 운동 기능 예측 장치.
  7. 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치를 이용한 운동 기능 예측 방법에 있어서,
    복수의 환자 별로 환자와 관련한 신체 데이터와, 발병일로부터 기준 기간 이내에 관측된 환자의 환측 사지와 관련한 복수 종류의 운동 기능 점수, 뇌졸중 유형을 포함한 임상 데이터를 수집하는 단계;
    상기 수집된 신체 데이터 및 임상 데이터를 입력 데이터로 하고, 발병일로부터 설정 기간 경과 후에 관측된 환측 족관절 배측굴곡근의 운동 기능 점수를 출력 데이터로 하여 예측 모델을 학습시키는 단계;
    분석 대상 환자에 대한 신체 데이터 및 현재 관측된 임상 데이터를 획득하는 단계; 및
    상기 획득한 신체 데이터 및 임상 데이터를 상기 예측 모델에 적용하여, 현재로부터 설정 기간 경과 후의 미래 시점의 분석 대상 환자에 대한 환측 족관절 배측굴곡근의 운동 기능 점수를 예측하는 단계를 포함하는 뇌졸중 환자의 운동 기능 예측 방법.
  8. 청구항 7에 있어서,
    상기 예측된 환측 족관절 배측굴곡근의 운동 기능 점수를 기 설정된 임계값과 비교하여 단하지 보조기의 필요 여부를 판단하는 단계를 더 포함하는 뇌졸중 환자의 운동 기능 예측 방법.
  9. 청구항 7에 있어서,
    상기 기준 기간은 30일 이내이고, 상기 설정 기간은 6개월 이상인 뇌졸중 환자의 운동 기능 예측 방법.
  10. 청구항 7에 있어서,
    상기 임상 데이터는,
    환측 전경골근의 운동유발전위 존재 유무를 더 포함하는 뇌졸중 환자의 운동 기능 예측 방법.
  11. 청구항 7에 있어서,
    상기 예측 모델의 입력 데이터로 사용된 복수 종류의 운동 기능 점수는,
    관절 점수(MRC; Medical Research Council), 보행 점수(FAC; Functional Ambulation Category) 및 상지 움직임 점수(MBC; Modified Brunnstrom classification)를 포함하며,
    상기 예측 모델의 출력 데이터로 사용된 운동 기능 점수는,
    상기 환측 족관절 배측굴곡근의 관절 점수(MRC)인 뇌졸중 환자의 운동 기능 예측 방법.
  12. 청구항 7에 있어서,
    상기 예측 모델은,
    심층 신경망(DNN) 알고리즘을 통하여 학습되는 뇌졸중 환자의 운동 기능 예측 방법.
KR1020200171386A 2020-12-09 2020-12-09 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법 KR102381219B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200171386A KR102381219B1 (ko) 2020-12-09 2020-12-09 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200171386A KR102381219B1 (ko) 2020-12-09 2020-12-09 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR102381219B1 true KR102381219B1 (ko) 2022-04-01

Family

ID=81183598

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200171386A KR102381219B1 (ko) 2020-12-09 2020-12-09 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102381219B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070035212A (ko) * 2005-09-27 2007-03-30 성균관대학교산학협력단 첨족보행 환자의 수술결과 예측장치
KR20200017131A (ko) * 2018-08-08 2020-02-18 전남대학교산학협력단 상태 분류기 생성 방법 및 이를 이용한 보행상태 판단 방법
KR20200074951A (ko) * 2017-10-17 2020-06-25 새티쉬 라오 신경계 장애의 식별 및 모니터링을 위한 머신 러닝 기반 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070035212A (ko) * 2005-09-27 2007-03-30 성균관대학교산학협력단 첨족보행 환자의 수술결과 예측장치
KR20200074951A (ko) * 2017-10-17 2020-06-25 새티쉬 라오 신경계 장애의 식별 및 모니터링을 위한 머신 러닝 기반 시스템
KR20200017131A (ko) * 2018-08-08 2020-02-18 전남대학교산학협력단 상태 분류기 생성 방법 및 이를 이용한 보행상태 판단 방법

Similar Documents

Publication Publication Date Title
Boukhennoufa et al. Wearable sensors and machine learning in post-stroke rehabilitation assessment: A systematic review
US20240070461A1 (en) Method and system for activity classification
Hargrove et al. Intuitive control of a powered prosthetic leg during ambulation: a randomized clinical trial
Gerzeli et al. Cost utility analysis of knee prosthesis with complete microprocessor control (C-leg) compared with mechanical technology in trans-femoral amputees
US11622729B1 (en) Biomechanics abnormality identification
KR101938241B1 (ko) 기계 학습 기반 부상 예방 모델 생성 장치, 부상 예방 장치 및 그 방법
Redd et al. A wireless sensory feedback system for real-time gait modification
Xu et al. Accurately and effectively predict the ACL force: Utilizing biomechanical landing pattern before and after-fatigue
Kour et al. A survey of knee osteoarthritis assessment based on gait
Highsmith et al. Ramp descent performance with the C-Leg and interrater reliability of the Hill Assessment Index
Onal et al. Predicting running injury using kinematic and kinetic parameters generated by an optical motion capture system
Choo et al. Use of machine learning in the field of prosthetics and orthotics: A systematic narrative review
KR102381219B1 (ko) 뇌졸중 환자의 단하지 보조기 필요 여부를 판단하기 위한 운동 기능 예측 장치 및 그 방법
KR102511511B1 (ko) 뇌졸중 환자의 임상 데이터를 이용한 운동 기능 회복 예후 예측 장치 및 그 방법
Sobh et al. Investigation of EMG parameter for transtibial prosthetic user with flexion and extension of the knee and normal walking gait: A preliminary study
Wang et al. A real-time walking pattern recognition method for soft knee power assist wear
Negi et al. Gait analysis-based identification of neurodegenerative diseases using machine learning techniques
Pai et al. Development of smart sole based foot ulcer prediction system
Charlton et al. Multi-day monitoring of foot progression angles during unsupervised, real-world walking in people with and without knee osteoarthritis
Kim et al. Examining cross-validation strategies for predictive modeling of anterior cruciate ligament reinjury
CN114202772A (zh) 基于人工智能和智慧医疗的参考信息生成系统及方法
Negi et al. A standalone computing system to classify human foot movements using machine learning techniques for ankle-foot prosthesis control
Zhang et al. An intelligent rehabilitation assessment method for stroke patients based on lower limb exoskeleton robot
Martínez-Villaseñor et al. A survey on freezing of gait detection and prediction in Parkinson’s Disease
Khamis et al. Measuring clearance mechanics based on dynamic leg length

Legal Events

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