KR102383512B1 - 혈당측정장치 및 이를 이용하는 혈당측정시스템 - Google Patents

혈당측정장치 및 이를 이용하는 혈당측정시스템 Download PDF

Info

Publication number
KR102383512B1
KR102383512B1 KR1020190093297A KR20190093297A KR102383512B1 KR 102383512 B1 KR102383512 B1 KR 102383512B1 KR 1020190093297 A KR1020190093297 A KR 1020190093297A KR 20190093297 A KR20190093297 A KR 20190093297A KR 102383512 B1 KR102383512 B1 KR 102383512B1
Authority
KR
South Korea
Prior art keywords
feature
blood glucose
current
measurement
current signal
Prior art date
Application number
KR1020190093297A
Other languages
English (en)
Other versions
KR20210015045A (ko
Inventor
김희찬
이지수
이준녕
Original Assignee
서울대학교산학협력단
주식회사 유엑스엔
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 서울대학교산학협력단, 주식회사 유엑스엔 filed Critical 서울대학교산학협력단
Priority to KR1020190093297A priority Critical patent/KR102383512B1/ko
Publication of KR20210015045A publication Critical patent/KR20210015045A/ko
Application granted granted Critical
Publication of KR102383512B1 publication Critical patent/KR102383512B1/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
    • A61B5/145—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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

혈당측정장치는 다공성 백금층이 형성되며 피부에 최소침습적으로 마련되는 전극에 전압을 인가하여 얻는 전류신호를 획득하는 측정부, 획득된 전류신호에서 특징값들을 추출하는 전류특성탐색부, 생성된 기계학습모델을 통해 전류특성탐색부에 의해 추출된 특징값들로부터 혈당값을 측정하는 혈당측정부를 포함한다.

Description

혈당측정장치 및 이를 이용하는 혈당측정시스템{Glucose measuring apparatus and measuring system using the same}
본 발명은 혈당측정장치 및 이를 이용하는 혈당측정시스템에 관한 것이다.
당뇨병은 혈당이 정상보다 높은 수준에 머무르는 증상으로, 주로 인슐린이 분비되지 않거나 세포에서 인슐린을 활용하지 못해 발병한다. 임상 연구에 따르면 잦은 혈당 측정을 통한 적극적인 혈당 관리 요법을 실행한 경우 당뇨로 인한 사망은 12%, 각종 합병증은 25~76% 가량 감소했다는 보고가 있다.
또한 당뇨 환자의 경우 약물 과용으로 인해 갑작스런 저혈당 쇼크에 빠지게 될 위험성이 존재한다. 따라서 연속 혈당 측정을 통해 혈당을 정상 범위 이내로 유지하는 것은 매우 중요하다고 할 수 있다.
혈당측정은 일회용 측정장치로 측정하는 방법과, 연속적 측정장치로 측정하는 방법이 있다. 일회용 측정장치 중 하나인 일회용 스트립 센서로 혈당을 측정하게 되면, 일시적으로 고혈당이나 저혈당 상태가 되어도 이를 인지하지 못하고 지나치게 되는 경우가 있게 된다. 이에 비해 연속적인 혈당 측정장치는 실시간으로 이러한 위험정보를 환자와 의사에게 제공할 수 있어서 보다 효과적인 혈당 관리를 가능하게 한다.
KR 10-2018-0072386 A KR 10-2018-0009637 A KR 10-2016-0032974 A
본 발명의 일 측면은 연속적인 혈당측정이 가능한 혈당측정장치 및 이를 이용하는 혈당측정시스템을 제공한다.
본 발명의 일 측면은 침습을 최소화한 혈당측정장치 및 이를 이용하는 혈당측정시스템을 제공한다.
본 발명의 일 측면은 정확도를 향상시킨 혈당측정장치 및 이를 이용하는 혈당측정시스템을 제공한다.
본 발명의 사상에 따른 혈당측정장치는 표면에 다공성 백금층을 형성시킨 피부에 최소침습적인 형태의 전극에 전압을 인가하여 얻는 전류신호를 획득하는 측정부; 상기 획득된 전류신호에서 특징값들을 추출하는 전류특성탐색부; 생성된 기계학습모델을 통해 상기 전류특성탐색부에 의해 추출된 특징값들로부터 혈당값을 측정하는 혈당측정부;를 포함한다.
상기 전류특성탐색부는, 상기 획득된 전류신호에서 측정시점의 전류값인 제 1 특징을 추출하는 제 1 특징추출부; 상기 획득된 전류신호을 기반으로 생성되는 보정곡선에서, 상기 측정시점에 해당하는 보정전류값인 제 2 특징을 추출하는 제 2 특징추출부;를 포함할 수 있다.
상기 보정곡선은 다음 중 어느 하나의 식을 만족할 수 있다.
R= -C1/t+C2
R=C3e^(-t)+C4
R=-C5log(t)+C6
상기 전류특성탐색부는, 상기 측정시점인 제 3 특징을 추출하는 제 3 특징추출부; 상기 측정시점까지의 총 전하량인 제 4 특징을 추출하는 제 4 특징추출부;를 더 포함할 수 있다.
상기 기계학습모델은, 복수의 피측정자에 대한 상기 획득된 전류신호에 대한 제 1 데이터와, 상기 복수의 피측정자의 실제 혈당값에 대한 제 2 데이터가 누적된 데이터베이스로부터 학습되며, 상기 제 1, 2 데이터의 관계가 학습될 수 있다.
상기 다공성 백금층은, 상기 전극 표면에 형성되도록 구성될 수 있다.
상기 전극은, 표면에 상기 다공성 백금층이 형성되며, 바늘 형상으로 형성되는 적어도 하나의 바늘전극;을 포함할 수 있다.
본 발명의 사상에 따른 혈당측정시스템은 다공성 백금층이 형성되며 피부에 최소침습적인 형태로마련되는 전극에 전압을 인가하여 얻는 전류신호를 획득하는 측정부와, 상기 획득된 전류신호에서 특징값들을 추출하는 전류특성탐색부와, 생성된 기계학습모델을 통해 상기 전류특성탐색부에 의해 추출된 특징값들로부터 혈당값을 측정하는 혈당측정부를 포함하는 혈당측정장치; 상기 기계학습모델을 생성하는 기계학습장치;를 포함한다.
본 발명의 사상에 따른 혈당측정방법은 다공성백금층이 형성된 적어도 하나의 바늘전극을 피부에 침습시키고 전압을 인가하여 전류신호를 획득하고, 상기 획득된 전류신호로부터 특징값들을 추출하고, 생성된 기계학습모델을 이용하여, 추출된 특징값들로부터 혈당값을 측정한다.
상기 특징값들은, 측정시점의 전류값인 제 1 특징; 상기 획득된 전류신호를 기반으로 생성되는 보정곡선에서, 상기 측정시점에 해당하는 보정 전류값인 제 2 특징; 상기 측정시점인 제 3 특징; 상기 측정시점까지의 총전하량인 제 4 특징;을 포함할 수 있다.
본 발명의 일 측면에 따르면 연속적인 혈당측정이 가능하다.
본 발명의 일 측면에 따르면 침습을 최소화한 연속혈당측정이 가능한다.
본 발명의 일 측면에 따르면 정확도를 향상시킨 연속혈당측정이 가능한다.
본 발명의 일 측면에 따르면 효소를 이용하지 않아 손쉽게 멸균작업이 가능하여, 위생적인 연속혈당측정이 가능하다.
도 1(a), (b)은 본 발명의 일 실시예에 따른 혈당측정장치의 백금층을 도시한 도면
도 2는 본 발명의 일 실시예에 따른 혈당측정장치의 블록도.
도 3은 본 발명의 일 실시예에 따른 혈당측정장치의 측정된 전류그래프에서 특징값을 표시한 도면.
도 4는 본 발명의 일 실시예에 따른 혈당측정장치의 순서도.
도 5는 본 발명의 일 실시예에 따른 혈당측정시스템의 기계학습장치의 블록도.
도 6은 본 발명의 일 실시예에 따른 혈당측정시스템의 기계학습장치의 시간지연을 보정하는 도면.
도 7은 본 발명의 일 실시예에 따른 혈당측정시스템의 기계학습장치의 기계학습모델생성에 관한 도면.
도 8(a), 8(b), 8(c)는 본 발명의 일 실시예에 따른 혈당측정시스템의 기계학습장치의 기계학습모델에 대한 정확도를 도시한 도면.
본 명세서에 기재된 실시예와 도면에 도시된 구성은 개시된 발명의 바람직한 일 예에 불과할 뿐이며, 본 출원의 출원시점에 있어서 본 명세서의 실시예와 도면을 대체할 수 있는 다양한 변형 예들이 있을 수 있다.
또한, 본 명세서의 각 도면에서 제시된 동일한 참조번호 또는 부호는 실질적으로 동일한 기능을 수행하는 부품 또는 구성요소를 나타낸다.
또한, 본 명세서에서 사용한 용어는 실시예를 설명하기 위해 사용된 것으로, 개시된 발명을 제한 및/또는 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "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 않는다.
또한, 본 명세서에서 사용한 “제1”, “제2” 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. “및/또는” 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, "~부", "~기", "~블록", "~부재", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미할 수 있다. 예를 들어, 상기 용어들은 FPGA (field-programmable gate array)/ ASIC (application specific integrated circuit) 등 적어도 하나의 하드웨어, 메모리에 저장된 적어도 하나의 소프트웨어 또는 프로세서에 의하여 처리되는 적어도 하나의 프로세스를 의미할 수 있다.
이하에서는 본 발명에 따른 실시예를 첨부된 도면을 참조하여 상세히 설명한다.
도 1(a), (b)은 본 발명의 일 실시예에 따른 혈당측정장치의 백금층을 도시한 도면, 도 2는 본 발명의 일 실시예에 따른 혈당측정장치의 블록도이다.
혈당측정시스템(1)은 피측정자의 혈당을 연속하여 측정할 수 있도록 마련된다. 본 발명에서 혈당측정방법에는 효소를 사용하지 않는 무효소식 혈당측정방법이 적용될 수 있다. 효소를 사용하는 효소식 혈당측정방법은 측정장치에 효소를 사용하는 경우 측정장치가 고온멸균, 화학적 멸균 또는 자외선 멸균과정을 거쳤을 때, 효소가 활성을 잃게 됨에 따라 원칙적으로 체내에 이식된 이후 감응하지 않을 수 있다. 무효소식 혈당측정방법은 효소를 사용하지 않음으로서, 생체 내 삽입과정 이전에 거치게 되는 살균과정이 센서의 성능에 영향을 미치지 않게 된다.
무효소식 연속혈당 측정방법은 산소농도와 무관한 정확도를 보일 수 있다는 장점이 있다. 채혈식 혈당방법의 경우에는 공기 중에 충분한 양의 산소가 있어서 산소농도에 대한 영향을 덜 받지만, 효소식 연속혈당 측정방법은 최소침습으로 몸에 삽입되어야 하므로 산소의 농도가 낮아지게 되어 정확도가 떨어지게 된다.
그러나 무효소식 연속혈당 측정방법은 글루코스를 직접 산화시키는 방법을 사용함으로서, 산소농도와 무관하게 신뢰성 있는 혈당측정을 수행할 수 있다.
또한 무효소식 연속혈당 측정방법에 있어서, 전극을 다공성 백금으로 구성함으로서, 당분자 선택성을 향상시킬 수 있다. 산화되는 속도가 매우 빠른 Ascorbic acid(AA)나, Acetaminophen(AP)와 같은 물질들(15, 도 1 참고)은 전기화학적 신호가 산화속도보다 커서 전기신호에 노이즈를 발생시키게 된다. 전극은 다공성 백금을 포함함으로서, 반응속도가 빠른 AA와 AP등의 물질들(15, 도 1 참고)이 도 1의 (a)와 같이 전극 표면에서만 반응이 일어나고, 기공(14a)의 표면에서는 반응이 일어나지 않도록 하는 반면, 반응속도가 느린 글루코스(16)는 도 1의 (b)와 같이 기공(14a)의 표면에도 반응이 일어날 수 있도록 함으로서, 글루코스(16)로부터의 전기화학적 신호가 증폭될 수 있게 된다. 도 1에서는 설명의 편의를 위해 다공성 백금층이 균일한 돌기형으로 구성되는 것으로 도시하였으나 이에 한정되지 않는다. 일례로 다공성 백금층은 다공성 백금 입자를 뿌려서 쌓은 구조로 구성될 수도 있다.
혈당측정시스템(1)은 혈당측정장치(10)와, 기계학습장치(60)를 포함할 수 있다.
혈당측정장치(10)는 측정전류로부터 혈당치를 측정할 수 있다.
혈당측정장치(10)는 무효소식 전극(12)으로부터 측정한 연속 전류신호로부터 혈당을 추정 또는 예측할 수 있다.
혈당측정장치(10)는 피부에 침습하는 적어도 하나의 전극(12)과, 적어도 하나의 전극(12) 사이에 일정한 전압을 인가하는 전압원(미도시)을 포함할 수 있다.
적어도 하나의 전극(12)은 바늘 형상으로 형성되며, 그 표면에 다공성 구조층이 형성될 수 있다. 다공성 구조층의 기공(14a)은 나노스케일로 적용될 수 있다. 다공성 구조층은 다공성 백금층(14, platinum, Pt)를 포함할 수 있다. 다공성 백금층(14)은 전극(12) 표면에 형성될 수 있다. 다공성 백금층(14)은 모세혈관(c)에서 유출된 글루코스와 접촉하여 글루코스를 산화시킨다.
바늘 형상의 전극(12)의 몸체는 피부(s)아래로 침습되므로 간질액에 의한 부식을 막기 위하여 내산성이 강한 물질로 형성될 수 있다. 전극(12)의 몸체는 금(gold, Au), 은(silver, Ag), 스테인리스 스틸(stainless steel), 탄소(carbon, C) 중 적어도 어느 하나의 금속을 포함할 수 있다. 따라서 통점에 대한 자극을 최소화 시킬 수 있으므로 사용자의 거부감을 최소화 할 수 있다.
전압원은 전극(12)과 전기적으로 연결되어 바늘이 침습한 피부 조직에 일정한 전압을 인가한다. 일 예에서, 전압원은 직류(DC) 전압, 교류(AC) 전압 또는 직류 전압과 교류 전압이 중첩된 전압 중 어느 한 형태의 전압을 인가한다.
전압을 인가하는 경우, 이온화된 글루코스는 인가된 전압에 의하여 +전위에서 -전위 방향으로 이동하여 전류를 형성하고 - 전위를 가진 전극에서 환원된다. 혈액 내의 글루코스가 많을수록 이온화된 글루코스의 양도 많아 전류값이 증가함을 알 수 있다. 따라서, 피부로 침습한 전극(12)에 일정한 전압을 인가하였을 때 흐르는 전류량을 측정하면 혈당량을 산출할 수 있다.
혈당측정장치(10)는 측정부(20)와 전류특성탐색부(30)를 포함할 수 있다.
측정부(20)는 전극(12)에 전압이 인가되어 얻는 전류신호를 획득하도록 마련된다. 측정부(20)는 전극(12)으로부터 측정되는 연속전류신호가 입력될 수 있다. 측정부(20)는 전극(12)으로부터 측정되는 전류신호에서 노이즈를 제거할 수 있다. 측정부(20)는 ADC(Analog Digital Converter)를 통해 아날로그 전류신호를 디지털 전류신호(A, 도 3 참고)로 변환할 수 있다.
전류특성탐색부(30)는 측정부(20)에 의해 변환된 디지털 전류신호(이하 ‘전류신호’)들에서 특징들을 추출할 수 있다.
전류특성탐색부(30)는 측정부(20)에 의해 획득된 전류신호(A, 도 3 참고)에 대해, 일정특징들에 해당하는 데이터를 추출할 수 있다.
도 3은 본 발명의 일 실시예에 따른 혈당측정장치의 측정된 전류그래프에서 특징값을 표시한 도면이다.
전류특성탐색부(30)는 적어도 하나의 특징추출부를 포함할 수 있다. 전류특성탐색부(30)는 제 1 내지 2 특징추출부(31, 32)를 포함할 수 있다.
제 1 특징추출부(31)는 측정시점(operation time)에서의 실제 전류값(raw current)인 제 1 특징(F1)을 추출할 수 있다. 즉, 제 1 특징(F1)은 전류신호(A)에서, 측정시점(operation time)에서의 실제 전류값(raw current)이다. 측정시점은 혈당측정장치(10)에서 기설정된 주기에 의해 측정된 시점일 수도 있고, 사용자가 측정값을 알기 위해 혈당측정장치(10)를 조작하는 시점일수도 있다.
제 2 특징추출부(32)는 전류신호(A)를 기반으로 생성되는 보정곡선(B)에서, 측정시점(operation time)에서의 보정 전류값(correction current)인 제 2 특징(F2)을 추출할 수 있다.
보정곡선(B)은 전류신호(A)으로부터 생성되며, 일정한 수학식에 의해 형성될 수 있다.
보정곡선은 다음 중 어느 하나의 수학식이 적용될 수 있다.
보정곡선(1) R= -C1/t+C2
보정곡선(2) R=C3e^(-t)+C4
보정곡선(3) R=-C5log(t)+C6
보정곡선(B)은 도 3와 같이 전류신호(A)과 일정오차범위 내로 형성되는 수학식이 적용될 수 있다.
보정곡선(B)이 특정되면, 측정시점에서의 보정 전류값(correction current)이 특정될 수 있다. 제 2 특징추출부(32)는 보정곡선(1) 내지 (3) 중 일정오차범위 이내의 어느 하나의 보정곡선을 특정하고, 또한 해당 보정곡선의 미지수들(보정곡선(1)의 경우는 C1, C2, 보정곡선(2)의 경우는 C3, C4, 보정곡선(3)의 경우는 C5, C6)을 특정할 수 있다. 제 2 특징추출부(32)는 특정된 보정곡선(B)에서 측정시점에서의 보정 전류값(correction current)을 추출할 수 있다.
그러나 이와는 달리, 전류특성탐색부(30)는 보정곡선 생성부(미도시)를 더 포함할 수 있다. 보정곡선 생성부는 전류신호(A)과 일정오차범위 내로 형성되는 보정곡선(1) 내지 보정곡선(3) 중 적어도 어느 하나의 보정곡선을 특정할 수 있다. 또한 보정곡선 생성부는 해당 보정곡선의 미지수들(보정곡선(1)의 경우는 C1, C2, 보정곡선(2)의 경우는 C3, C4, 보정곡선(3)의 경우는 C5, C6)을 특정할 수 있다. 전류특성탐색부(30)가 보정곡선 생성부를 포함하는 경우, 제 2 특징추출부(32)는 보정곡선 생성부에서 특정된 보정곡선에서 측정시점에서의 보정 전류값(correction current)을 추출할 수 있다.
전류특성탐색부(30)는 제 3, 4 특징추출부(33, 34)를 더 포함할 수 있다.
제 3 특징추출부(33)는 측정시점(operation time)인 제 3 특징(F3)을 추출할 수 있다. 측정시점은 전류가 발생한 측정시작시점(도 3의 시간이 0인 지점)을 시작점으로 기산될 수 있다.
제 4 특징추출부(34)는 측정시점(operation time)까지의 총 전하량인 제 4 특징(F4)을 추출할 수 있다. 총 전하량은 전류신호(A)에서, 도 3과 같이 전류신호의 시작점부터 측정시점까지 전류신호(A)의 면적이 될 수 있다.
혈당측정장치(10)는 혈당측정부(40)를 포함할 수 있다.
혈당측정부(40)는 생성된 기계학습모델을 기반으로 혈당을 측정할 수 있도록 마련된다.
혈당측정부(40)는 전류특성탐색부(30)에 의해 추출된 특징값들(F1 내지 F4)이 입력되며, 생성된 기계학습모델에 의해 연산되어, 혈당치를 측정할 수 있다. 기계학습모델은 이후 설명하는 기계학습장치(60)에 의해 생성될 수 있다. 기계학습모델은 기계학습장치(60)에 의해 생성되어 혈당측정장치(10)에 저장됨으로서, 혈당측정부(40)는 저장된 기계학습모델을 통해 혈당치를 측정할 수 있다.
그러나 이에 한정되지 않고, 기계학습모델이 기계학습장치(60)에 저장될 수도 있다. 이 경우에는 혈당측정부(40)는 통신부를 통해 측정시점에서의 특징값들(F1 내지 F4)을 기계학습장치(60)로 송신하고, 기계학습장치(60)의 생성된 기계학습모델와의 연산이 이루어진 혈당치를 수신할 수 있다.
혈당측정장치(10)는 디스플레이부(미도시)를 포함할 수 있다. 디스플레이부는 혈당측정부(40)에 의해 측정된 혈당치가 출력되도록 마련된다. 디스플레이부는 혈당측정장치(10)에 마련될 수도 있으며, 별도의 사용자단말(5, 도 2 참고)로 송신되어 사용자단말(5)을 통해 혈당치를 볼 수도 있다.
사용자단말(5)은 혈당측정장치(10)와 연결되는 통신 기능과 이미지나 텍스트를 출력할 수 있는 디스플레이 기능을 갖춘 장치라면 특별히 한정되지 않는다. 예를 들어, 사용자단말(5)은 데스크탑 컴퓨터(desktop computer), 랩탑 컴퓨터(laptop computer), 태블릿(tablet) PC, 무선전화기(wireless phone), 모바일폰(mobile phone), 스마트 폰(smart phone), 스마트 워치(smart watch), 스마트 글래스(smart glass), e-book 리더기, PMP(portable multimedia player), 휴대용 게임기, 내비게이션(navigation) 장치, 디지털 카메라(digital camera), DMB(digital multimedia broadcasting) 재생기, 디지털 음성 녹음기(digital audio recorder), 디지털 음성 재생기(digital audio player), 디지털 영상 녹화기(digital picture recorder), 디지털 영상 재생기(digital picture player), 디지털 동영상 녹화기(digital video recorder), 디지털 동영상 재생기(digital video player)를 포함할 수 있으나, 이에 한정되는 것은 아니다. 여기서 사용자는 전문가로서의 의사, 혈당측정장치(10)를 사용하는 측정자를 포함할 수 있다. 사용자는 해당 장치에 대한 접근권한을 가진 사람 또는 기관을 포함할 수 있다.
혈당측정장치(10)는 통신부(미도시)를 포함할 수 있다. 통신부는 사용자단말(5) 또는 기계학습장치(60)와 제어신호 또는 혈당값과 같은 데이터를 송수신할 수 있다. 통신부는 측정된 혈당값을 유선 또는 무선 통신으로 사용자단말(5) 또는 기계학습장치(60)로 전송할 수 있다. 일 예로서, 통신부는 사용자단말(5) 또는 기계학습장치(60)와 SWAP(Shared Wireless Access Protocol), 블루투스(bluetooth), IrDA(Infrared Data Association), 지그비(zigbee), 와이파이(wifi), NFC(Near FieldCommunication), 셀룰러(cellular) 및 LTE(Long Term Evolution) 통신 규약들 중 적어도 어느 하나의 통신규약을 통해 통신할 수 있다.
도 4는 본 발명의 일 실시예에 따른 혈당측정장치의 순서도이다.
측정부(20)는 전극(12)에 전압을 인가하여 전류신호(A)를 획득할 수 있다(S110).
전류특성탐색부(30)는 측정부(20)에 입력된 연속전류신호(A)로부터 특징값들(F1 내지 F4)을 추출할 수 있다(S120). 특징값들은 측정시점의 전류값인 제 1 특징, 획득된 연속전류신호(A)로부터 생성한 보정곡선(B)에서 측정시점에 해당하는 보정 전류값인 제 2 특징을 포함할 수 있다. 또한 특징값들은 측정시점인 제 3 특징과, 측정시점까지의 총전하량인 제 4 특징을 더 포함할 수 있다.
혈당측정부(40)는 전류특성탐색부(30)에서 추출된 특징값들을 생성된 기계학습모델에 입력하여 혈당값을 측정할 수 있다(S130).
도 5는 본 발명의 일 실시예에 따른 혈당측정시스템의 기계학습장치의 블록도, 도 6은 본 발명의 일 실시예에 따른 혈당측정시스템의 기계학습장치의 시간지연을 보정하는 도면이다.
기계학습장치(60)는 데이터베이스로부터 전류신호 데이터와 실제혈당측정치에 대한 데이터를 얻고 이들의 관계에 대해 학습할 수 있다. 기계학습장치(60)는 전류데이터와 실제혈당측정치에 대한 데이터로부터 전류와 실제혈당측정치에 대한 관계에 대한 기계학습모델을 생성할 수 있다. 데이터베이스에는 복수의 피측정자에 대해 다공성 백금층(14)이 형성된 전극(12)에 전압이 인가되어 생성된 전류신호(A)가 누적된 제 1 데이터와, 복수의 피측정자의 실제 혈당값에 대한 제 2 데이터가 누적될 수 있다. 기계학습모델은 제 1, 2 데이터로부터 전류신호(A)와 실제 혈당값의 관계를 학습할 수 있다.
기계학습모델은 기계학습장치(60)에서 생성될 수 있다. 기계학습모델은 새로운 데이터에 의해 피드백될 수 있다. 즉, 생성된 기계학습모델은 혈당측정장치(10)의 업데이트를 통해 기계학습모델이 개선될 수도 있으며, 혈당측정장치(10)의 통신부를 통해 기계학습장치(60)로부터 개선된 기계학습모델이 수신될 수도 있다.
기계학습장치(60)는 전처리부(70)를 포함할 수 있다.
전처리부(70)는 제 1 데이터인 전류신호 데이터에서 노이즈를 제거할 수 있다. 전처리부(70)는 제 1 데이터의 전류신호(A)와, 제 2 데이터의 실제혈당측정치에 대한 전류신호에 대해 도 6과 같이 시간지연을 보정하도록 마련된다. 실제혈당측정치는 채혈을 통한 혈당측정값이 적용될 수 있다.
기계학습장치(60)는 전류특성학습부(80)를 포함할 수 있다.
전류특성학습부(80)는 전류신호에 대해, 일정특징들에 해당하는 데이터를 추출할 수 있다. 전류특성학습부(80)는 전처리부(70)에 의해 전처리된 연속전류신호로부터 특징값들을 추출할 수 있다.
전류특성학습부(80)는 전처리부(70)에 의해 전처리된 디지털 전류신호(이하 ‘전류신호’)들에서 특징들을 추출할 수 있다.
전류특성학습부(80)는 적어도 하나의 특징추출부를 포함할 수 있다. 전류특성학습부(80)는 제 1 내지 2 특징추출부(81, 82)를 포함할 수 있다.
설명에 있어서, 전류특성학습부(80)에서 추출되는 특징값들은 도 3의 전류신호에 관한 도면을 참고하여 설명한다.
제 1 특징추출부(81)는 학습시점(learning time)에서의 실제 전류값(raw current)인 제 1 특징(F1, 도 3 참고)을 추출할 수 있다. 즉, 제 1 특징(F1)은 전류신호(A)에서, 학습시점(learning time)에서의 실제 전류값(raw current)이다. 학습시점은 기설정된 주기에 의해 측정된 시점일 수도 있고, 학습이 이루어지는 임의의 일시점일 수도 있다. 학습시점은 연속전류신호에서 어느 일시점일 수 있다.
제 2 특징추출부(82)는 전류신호(A)를 기반으로 생성되는 보정곡선(B)에서, 학습시점(learning time)에서의 보정 전류값(correction current)인 제 2 특징(F2)을 추출할 수 있다.
보정곡선(B, 도 3 참고)은 전류신호(A, 도 3 참고)으로부터 생성되며, 일정한 수학식에 의해 형성될 수 있다.
보정곡선은 다음 보정곡선들 중 어느 하나의 보정곡선이 적용될 수 있다.
보정곡선(1) R= -C1/t+C2
보정곡선(2) R=C3e^(-t)+C4
보정곡선(3) R=-C5log(t)+C6
보정곡선(B)은 도 3와 같이 전류신호(A)와 일정오차범위 내로 형성되는 수학식이 적용될 수 있다.
보정곡선이 특정되면, 학습시점에서의 보정 전류값(correction current)이 특정될 수 있다. 제 2 특징추출부(82)는 보정곡선(1) 내지 (3) 중 일정오차범위 이내의 어느 하나의 보정곡선을 특정하고, 또한 해당 보정곡선의 미지수들(보정곡선(1)의 경우는 C1, C2, 보정곡선(2)의 경우는 C3, C4, 보정곡선(3)의 경우는 C5, C6)을 특정할 수 있다. 제 2 특징추출부(82)는 특정된 보정곡선(B)에서 측정시점에서의 보정 전류값(correction current)을 추출할 수 있다.
그러나 이와는 달리, 전류특성학습부(80)는 보정곡선 생성부(미도시)를 더 포함할 수 있다. 보정곡선 생성부는 전류신호(A)과 일정오차범위 내로 형성되는 보정곡선(1) 내지 보정곡선(3) 중 적어도 어느 하나의 보정곡선을 특정할 수 있다. 또한 보정곡선 생성부는 해당 보정곡선의 미지수들(보정곡선(1)의 경우는 C1, C2, 보정곡선(2)의 경우는 C3, C4, 보정곡선(3)의 경우는 C5, C6)을 특정할 수 있다. 전류특성학습부(80)가 보정곡선 생성부를 포함하는 경우, 제 2 특징추출부(82)는 보정곡선 생성부에서 특정된 보정곡선에서 측정시점에서의 보정 전류값(correction current)을 추출할 수 있다.
전류특성학습부(80)는 제 3, 4 특징추출부(83, 84)를 더 포함할 수 있다.
제 3 특징추출부(83)는 학습시점(learning time)인 제 3 특징(F3)을 추출할 수 있다. 학습시점은 전류가 발생한 학습시작시점(도 3의 시간이 0인 지점)을 시작점으로 기산될 수 있다.
제 4 특징추출부(84)는 학습시점(learning time)까지의 총 전하량인 제 4 특징(F4)을 추출할 수 있다. 총 전하량은 전류신호(A)에서, 도 3과 같이 전류신호의 시작점부터 학습시점까지 전류신호(A)의 면적이 될 수 있다.
기계학습장치(60)는 기계학습모델 생성부(90)를 포함할 수 있다.
기계학습모델 생성부(90)는 데이터베이스에 저장되는 정보를 기초로 알고리즘을 적용하여 기계학습이 이루어지며, 관련된 기계학습모델을 생성하도록 마련된다. 기계학습모델 생성부(90)는 전류특성학습부(80)에서 추출된 전류신호의 특징값들과, 제 2 데이터의 실제혈당치와의 관계를 학습하도록 마련된다. 기계학습모델의 생성은 인공신경망(ANN)등의 알고리즘이 적용될 수 있다. 그러나 기계학습모델의 알고리즘의 종류는 한정되지 않는다. 일례로 기계학습모델의 알고리즘으로 인공신경망의 일종류로서 심층신경망(Deep neural networks)이 적용될 수 있다.
도 7은 본 발명의 일 실시예에 따른 혈당측정시스템의 기계학습장치의 기계학습모델생성에 관한 도면이다.
학습시점으로부터 일정시간 이전부터 학습시점까지의 특징추출부들을 통해 추출한 특징값들을 배열한 데이터에서, 랜덤으로 일정 수의 특징값 배열들을 추출할 수 있다. 이를 1 데이터 세트라 할 때, 이를 반복하여 복수의 데이터세트를 얻을 수 있다.
복수의 데이터세트는 정규화(normalization)를 통해 특징값들 간의 종속성을 삭제할 수 있다. 복수의 데이터세트는 각 특징값들의 절대값의 차이에 따라 발생하는 훈련시간 지연 및 정확도 감소를 방지하기 위하여, 모든 입력변수를 비슷한 크기로 정규화(normalization)될 수 있다. 예를 들어, 특징값의 종류가 4개이고, 특징값 배열들이 20개 일 때, 각 데이터세트는 80개의 입력값을 가질 수 있다.
정규화된 입력값들은 학습모델 내에서는 일정수준 이상의 예측 정확도를 보이지만, 그 외의 새로운 데이터가 입력되면 그 정확도가 떨어질 수 있다. 이러한 과적합을 방지하기 위해 도 7과 같이 regularization 방법의 일환으로 인공신경망의 구조에서 drop out layer 과정을 통해 무작위로 입력값들을 제거하여 개수를 줄일 수 있다.
기계학습모델은 이러한 과정을 거치며 남은 입력값들과 실제 혈당측정값들과의 관계를 학습할 수 있다.
이러한 과정을 통해 생성된 기계학습모델은 혈당측정장치(10)에 저장될 수도 있으며, 기계학습장치(60)에 저장될 수도 있다. 기계학습장치(60)에 저장되는 경우, 혈당측정장치(10)는 전류특성학습부(80)에 의해 추출된 특징값들을 통신부를 통해 기계학습장치(60)로 송신하고, 혈당측정치를 수신받을 수 있다.
본 실시예에서는 기계학습모델이 기계학습장치(60)에서 생성되는 것으로 설명하였으나, 이에 한정되지 않고 혈당측정장치(10)에 기계학습모델생성부(90)가 마련되어, 기계학습모델이 생성될 수도 있다.
혈당측정장치(10)는 이러한 과정을 통해 생성된 기계학습모델을 기반으로 혈당측정부(20)를 통해 혈당을 측정할 수 있다.
도 8(a), 8(b), 8(c)는 본 발명의 일 실시예에 따른 혈당측정시스템의 기계학습장치의 기계학습모델에 대한 정확도를 도시한 도면이다.
Reference BG(blood glucose)는 실제혈당측정값이며, Estimated BG는 생성된 기계학습모델로부터 측정된 혈당측정값이다.
도 8의 (a)는 전류특성학습부(80)에서 제 1, 2 특징추출부(81, 82)로부터 제 1, 2 특징(F1, F2)을 추출한 뒤에 기계학습모델 생성부(90)를 통해 생성한 기계학습모델의 정확도를 나타낸 도면이다.
도 8의 (b)는 전류특성학습부(80)에서 제 1, 2, 3 특징추출부(81, 82, 83)로부터 제 1, 2, 3 특징(F1, F2, F3)을 추출한 뒤에 기계학습모델 생성부(90)를 통해 생성한 기계학습모델의 정확도를 나타낸 도면이다.
도 8의 (c)는 전류특성학습부(80)에서 제 1, 2, 3, 4 특징추출부(81, 82, 83, 84)로부터 제 1, 2, 3, 4 특징(F1, F2, F3, F4)을 추출한 뒤에 기계학습모델 생성부(90)를 통해 생성한 기계학습모델의 정확도를 나타낸 도면이다.
전류특성학습부(80)에서 제 1, 2 특징(F1, F2)과 실제혈당값의 관계가 학습된 기계학습모델은 도 8의 (a)에서와 같은 신뢰도를 가질 수 있다. 즉, 제 1, 2 특징(F1, F2)과 실제혈당측정값의 학습으로도 높은 정확도를 가질 수 있으며, 도 8의 (b), (c)와 같이, 제 1, 2, 3 특징(F1, F2, F3) 또는 제 1 내지 4 특징(F1 내지 F4)과 실제혈당측정값을 학습하는 경우 더 높은 정확도를 가질 수 있다.
또한 전류특성학습부(80)에서 제 1, 2 특징(F1, F2)과 실제혈당값의 관계가 학습된 기계학습모델은 도 8의 (a)에서의 error rates와 같이 낮은 에러율을 가질 수 있다. 또한 도 8의 (b), (c)와 같이, 제 1, 2, 3 특징(F1, F2, F3) 또는 제 1 내지 4 특징(F1 내지 F4)과 실제혈당측정값을 학습하는 경우 실제 혈당값에 대해 더 낮은 에러율을 가질 수 있다.
이상에서는 특정의 실시예에 대하여 도시하고 설명하였다. 그러나, 상기한 실시예에만 한정되지 않으며, 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 이하의 청구범위에 기재된 발명의 기술적 사상의 요지를 벗어남이 없이 얼마든지 다양하게 변경 실시할 수 있을 것이다.
1 : 혈당측정시스템 10 : 혈당측정장치
12 : 전극 14 : 백금층
20 : 측정부 30 : 전류특성탐색부
40 : 혈당측정부 60 : 기계학습장치
70 : 전처리부 80 : 전류특성학습부
90 : 기계학습모델 생성부

Claims (10)

  1. 다공성 백금층이 형성되며 피부에 최소침습적인 형태로 마련되는 전극에 전압을 인가하여 얻는 전류신호를 획득하는 측정부;
    상기 획득된 전류신호에서 측정시점, 상기 측정시점의 전류값, 상기 측정시점에 해당하는 보정 전류값 및 상기 측정시점까지의 총 전하량을 포함하는 복수의 특징들에 대한 특징값들을 추출하는 전류특성탐색부;
    데이터베이스의 전류신호들로부터 추출된 상기 복수의 특징들에 대한 특징값들과 실제 혈당값의 관계가 기학습된 기계학습모델을 통해, 상기 획득된 전류신호에서 추출된 특징값들로부터 혈당값을 측정하는 혈당측정부;를 포함하고,
    상기 전류특성탐색부는,
    상기 획득된 전류신호에서 상기 측정시점의 전류값인 제 1 특징을 추출하는 제 1 특징추출부;
    상기 획득된 전류신호을를 기반으로 생성되는 보정곡선에서, 상기 측정시점에 해당하는 보정 전류값인 제 2 특징을 추출하는 제 2 특징추출부;
    상기 측정시점인 제 3 특징을 추출하는 제 3 특징추출부; 및
    상기 측정시점까지의 총 전하량인 제 4 특징을 추출하는 제 4 특징추출부;를 포함하는 혈당측정장치.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 보정곡선은 다음 중 어느 하나의 식을 만족하는 혈당측정장치.
    R= -C1/t+C2
    R=C3e^(-t)+C4
    R=-C5log(t)+C6
  4. 삭제
  5. 제 1 항에 있어서,
    상기 기계학습모델은,
    복수의 피측정자에 대한 상기 획득된 전류신호에 대한 제 1 데이터와, 상기 복수의 피측정자의 실제 혈당값에 대한 제 2 데이터가 누적된 데이터베이스로부터 학습되며, 상기 제 1, 2 데이터의 관계가 학습되는 혈당측정장치.
  6. 제 1 항에 있어서,
    상기 다공성 백금층은, 상기 전극 표면에 형성되도록 구성되는 혈당측정장치.
  7. 제 1 항에 있어서,
    상기 전극은,
    표면에 상기 다공성 백금층이 형성되며, 바늘 형상으로 형성되는 적어도 하나의 바늘전극;을 포함하는 혈당측정장치.
  8. 다공성 백금층이 형성되며 피부에 최소침습적인 형태로 마련되는 전극에 전압을 인가하여 얻는 전류신호를 획득하는 측정부와,
    상기 획득된 전류신호에서 측정시점, 상기 측정시점의 전류값, 상기 측정시점에 해당하는 보정 전류값 및 상기 측정시점까지의 총 전하량을 포함하는 복수의 특징들에 대한 특징값들을 추출하는 전류특성탐색부와,
    데이터베이스의 전류신호들로부터 추출된 상기 복수의 특징들에 대한 특징값들과 실제 혈당값의 관계가 기학습된 기계학습모델을 통해, 상기 획득된 전류신호에서 추출된 특징값들로부터 혈당값을 측정하는 혈당측정부를 포함하는 혈당측정장치;
    상기 기계학습모델을 생성하는 기계학습장치;를 포함하고,
    상기 전류특성탐색부는,
    상기 획득된 전류신호에서 상기 측정시점의 전류값인 제 1 특징을 추출하는 제 1 특징추출부;
    상기 획득된 전류신호을를 기반으로 생성되는 보정곡선에서, 상기 측정시점에 해당하는 보정 전류값인 제 2 특징을 추출하는 제 2 특징추출부;
    상기 측정시점인 제 3 특징을 추출하는 제 3 특징추출부; 및
    상기 측정시점까지의 총 전하량인 제 4 특징을 추출하는 제 4 특징추출부;를 포함하는 혈당측정시스템.
  9. 피부에 침습된, 다공성백금층이 형성된 적어도 하나의 바늘전극에 전압을 인가하여 전류신호를 획득하는 단계;
    상기 획득된 전류신호로부터 특징값들을 추출하는 단계;
    데이터베이스의 전류신호들로부터 추출된 상기 복수의 특징들에 대한 특징값들과 실제 혈당값의 관계가 기학습된 기계학습모델을 이용하여, 상기 획득된 전류신호에서 추출된 특징값들로부터 혈당값을 측정하는 단계;를 포함하고,
    상기 특징값들은,
    측정시점의 전류값인 제 1 특징;
    상기 획득된 전류신호를 기반으로 생성되는 보정곡선에서, 상기 측정시점에 해당하는 보정 전류값인 제 2 특징;
    상기 측정시점인 제 3 특징; 및
    상기 측정시점까지의 총전하량인 제 4 특징; 을 포함하는 연속혈당측정방법.
  10. 삭제
KR1020190093297A 2019-07-31 2019-07-31 혈당측정장치 및 이를 이용하는 혈당측정시스템 KR102383512B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190093297A KR102383512B1 (ko) 2019-07-31 2019-07-31 혈당측정장치 및 이를 이용하는 혈당측정시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190093297A KR102383512B1 (ko) 2019-07-31 2019-07-31 혈당측정장치 및 이를 이용하는 혈당측정시스템

Publications (2)

Publication Number Publication Date
KR20210015045A KR20210015045A (ko) 2021-02-10
KR102383512B1 true KR102383512B1 (ko) 2022-04-06

Family

ID=74561176

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190093297A KR102383512B1 (ko) 2019-07-31 2019-07-31 혈당측정장치 및 이를 이용하는 혈당측정시스템

Country Status (1)

Country Link
KR (1) KR102383512B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220117993A (ko) 2021-02-18 2022-08-25 (주)대한솔루션 자동차용 콘솔 박스
KR20230083550A (ko) * 2021-12-03 2023-06-12 주식회사 아이센스 생체값의 예측 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101666978B1 (ko) 2014-09-17 2016-10-24 주식회사 아이센스 생체시료 내 분석대상물질의 농도측정방법 및 측정장치
KR102655736B1 (ko) 2016-07-19 2024-04-05 삼성전자주식회사 이종 스펙트럼 기반 혈당 추정 장치 및 방법
KR102044061B1 (ko) 2016-12-21 2019-11-12 주식회사 유엑스엔 연속 혈당 측정장치, 상기 장치를 포함한 연속 혈당 측정시스템 및 연속 혈당 측정방법

Also Published As

Publication number Publication date
KR20210015045A (ko) 2021-02-10

Similar Documents

Publication Publication Date Title
US20230028587A1 (en) Systems, devices, and methods related to the individualized calibration and/or manufacturing of medical devices
Bariya et al. Wearable sweat sensors
US20200330043A1 (en) Analyte sensor data evaluation and error reduction apparatus and methods
Das et al. Electrochemistry and other emerging technologies for continuous glucose monitoring devices
EP4048152B1 (en) Continuous analyte monitoring system with microneedle array
Tamada et al. Noninvasive glucose monitoring: comprehensive clinical results
EP3646781A1 (en) Information processing device, information processing method, and program
US20200101286A1 (en) Devices And Methods For The Generation Of Alerts Due To Rising Levels Of Circulating Ketone Bodies In Physiological Fluids
US20210379370A1 (en) Devices And Methods For The Mitigation Of Non-Analyte Signal Perturbations Incident Upon Analyte-Selective Sensor
JP2018526075A (ja) デバイス、システムおよび非侵襲的に生理学的パラメータをモニタする方法
WO2012007850A1 (en) Medical data acquisition, diagnostic and communication system
US9144387B2 (en) Electrode for measuring bio potential, method of manufacturing the electrode, and system for measuring physiological signal
Jin et al. Artificial intelligence biosensors for continuous glucose monitoring
Mena et al. Mobile personal health monitoring for automated classification of electrocardiogram signals in elderly
KR102383512B1 (ko) 혈당측정장치 및 이를 이용하는 혈당측정시스템
KR20160147549A (ko) 생리학적 노화 수준을 평가하는 방법 및 장치
JP6710636B2 (ja) 生体信号の局所的収集、生体電気信号に基づく発話補助インターフェース内のカーソル制御、および生体電気信号に基づく覚醒検出
EP3311150A1 (en) Methods and devices for determining metabolic states
CN115151188A (zh) 用于分析物监测系统的图形用户界面
US11534067B2 (en) Learned monitoring device correction
CN113164106A (zh) 测定生理液中循环酮体的上升水平
KR101115524B1 (ko) 생체신호를 이용한 모바일 단말기의 감성 추론 장치
JP2022518109A (ja) 分析物監視システムの食事および治療インタフェースを改善するためのシステム、デバイス、および方法
Mansour et al. Wearable devices for glucose monitoring: A review of state-of-the-art technologies and emerging trends
US20220361823A1 (en) Wearable blood pressure biosensors, systems and methods for short-term blood pressure prediction

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E902 Notification of reason for refusal
AMND Amendment
X701 Decision to grant (after re-examination)