KR102426291B1 - 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램 - Google Patents

머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102426291B1
KR102426291B1 KR1020200094079A KR20200094079A KR102426291B1 KR 102426291 B1 KR102426291 B1 KR 102426291B1 KR 1020200094079 A KR1020200094079 A KR 1020200094079A KR 20200094079 A KR20200094079 A KR 20200094079A KR 102426291 B1 KR102426291 B1 KR 102426291B1
Authority
KR
South Korea
Prior art keywords
hypertension
machine learning
ballistic
signal
hypertension prediction
Prior art date
Application number
KR1020200094079A
Other languages
English (en)
Other versions
KR20220014242A (ko
Inventor
박철구
Original Assignee
주식회사 소프트웨어융합연구소
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 주식회사 소프트웨어융합연구소 filed Critical 주식회사 소프트웨어융합연구소
Priority to KR1020200094079A priority Critical patent/KR102426291B1/ko
Publication of KR20220014242A publication Critical patent/KR20220014242A/ko
Application granted granted Critical
Publication of KR102426291B1 publication Critical patent/KR102426291B1/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
    • A61B5/02—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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/1102—Ballistocardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Vascular Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템에 관한 것으로, 침대에 설치된 심탄도 센서로부터 환자의 심탄도 신호를 수신받아 생체 정보를 추출하고, 복수의 머신러닝(기계학습) 알고리즘에 입력하여 계산된 고혈압 예측 확률들로부터 고혈압 경보 수준을 판단하여 환자에게 제공하는 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템에 관한 것이다.

Description

머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램{Prediction method and system of hypertension using machine learning, computer program for the same}
본 발명은 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템에 관한 것으로, 침대에 설치된 심탄도 센서로부터 환자의 심탄도 신호를 수신받아 생체 정보를 추출하고, 복수의 머신러닝(기계학습) 알고리즘에 입력하여 계산된 고혈압 예측 확률들로부터 고혈압 경보 수준을 판단하여 환자에게 제공하는 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템에 관한 것이다.
혈압은 혈관을 따라 흐르는 혈액이 혈관의 벽에 주는 압력으로서, 중요한 생명 징후 중 하나다. 혈압이 비정상적으로 높아지는 고혈압 혹은 비정상적으로 낮아지는 저혈압은 그 자체로도 관리가 필요한 질환일 뿐만 아니라 다양한 다른 질병들의 원인 혹은 위험 인자로서 작용하기 때문에, 혈압을 정확하게 관찰하는 것은 건강 유지를 위해 매우 중요하다 할수 있다.
한편, 생활 수준의 향상과 서구화된 식습관에서 비롯된 만성 질환의 발명이 전 세계적으로 증가하고 있으며, 그 중에서도 고혈압 환자는 꾸준히 증가하고 있다. 고혈압은 잘못된 식습관, 가족력, 음주, 흡연, 운동 부족, 스트레스 등 여러 가지 환경적인 영향을 고루 받아 발생하며, 크게 두 종류로 나눌 수 있다.
하나는 원인이 되는 질병이 없이 나타나는 '본태성 고혈압'이고, 다른 하나는 신장 질환이나 혈관 이상, 내분비 질환 등으로 인해 이차적으로 발생하는 '이차성 고혈압'이다. 전체 고혈압 환자 중 이차성 고혈압 발생률은 5%이하로 추정되며, 이들 중 높은 빈도를 차지하는 것이 신장 질환에 의한 고혈압이다. 반대로, 본태성 고혈압도 지속될 경우, 신장 질환이 생길 확률이 높아진다. 따라서, 다른 질환의 발병을 예방하고, 고혈압을 치료하기 위해서는 꾸준한 고혈압 판단이 필요하다.
고혈압 판단은 통상 혈압 측정기기를 이용하여 병원이나 가정에서 혈압수치를 측정하고, 측정된 혈압 수치에 따라 고혈압을 판단하고 있다. 그러나, 혈압 측정기기가 없을 경우에는 전술한 판단 방법은 이용이 불가능하며, 특히 위급한 상황에서의 즉각적인 혈압 측정이 어렵다는 문제가 있었다.
한편, 혈압 측정기기와 같이 환자의 신체에 착용하는 구조가 아닌 무구속적인 방법으로 생체정보를 취득하여 혈압을 확인하는 기술이 개시되어 있다. 그러나 단순히 생체정보를 취득하여 확인하는 것일 뿐 고혈압의 발병여부를 객관적으로 예측하지는 못하였다.
공개특허공보 제10-2005-0057593호(2005.06.16., 고혈압 위험도 진단방법) 공개특허공보 제10-2014-0039408호(2014.04.02., 체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법)
본 발명은 상술한 문제점을 해결하기 위해 창안된 것으로, 환자의 침대나 매트리스에 심탄도센서를 부착하여 환자의 신체를 통한 혈압측정없이 무구속적인 방법으로 생체 정보를 취득하고, 취득된 생체 정보를 이용하여 환자의 혈압수치 확인은 물론 고혈압 발병 여부를 예측할 수 있는 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템을 제공하는 데 있다.
상기의 과제를 해결하기 위한 본 발명의 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법은, 침대 또는 매트리스에 설치된 심탄도 센서로부터 취득된 환자의 심탄도 신호를 이용하여 고혈압을 예측하는 방법에 있어서, 컴퓨터가 고혈압을 예측하고자 하는 환자의 나이와 성별 및 심탄도 신호를 입력받는 단계; 상기 심탄도 신호로부터 생체 정보인 심박수(Heart Rate), 호흡수(Respiration Rate), 심박출량(Relative Stroke volume) 및 심박수 변이도(Heart Rate Variability)를 추출하여 각 평균을 계산하고, 나이와 성별에 따라 미리 학습된 복수의 머신러닝 알고리즘에 입력하여 환자의 고혈압 예측 확률을 계산하는 단계; 및 계산된 고혈압 예측 확률들 중 가장 높은 값을 갖는 고혈압 예측 확률이 설정된 임계 범위 내에 해당하는지 여부를 판단하여 고혈압 경보 수준을 출력하는 단계;를 포함한다.
여기서, 상기 고혈압 예측 확률을 계산하는 단계; 이전에, 수집된 심탄도 신호의 잡음을 제거하는 단계;를 더 포함한다.
이때, 상기 잡음을 제거하는 단계;는 상기 심탄도 신호의 크기를 스케일링하는 단계; 스케일링된 심탄도 신호로부터 미리 설정된 평균 제곱근 최대값과 평균 제곱근 최소값 범위에 해당하는 심탄도 신호를 추출하는 단계; 및 추출된 심탄도 신호로부터 미리 설정된 최소 진폭값과 최대 진폭값 범위에 해당하는 심탄도 신호를 추출하는 단계;를 포함한다.
한편, 상기 고혈압 경보 수준은 안심, 관심, 주의로 분류되며, 상기 고혈압 예측 확률이 0% 내지 10%일 경우 "안심", 상기 고혈압 예측 확률이 11% 내지 30%일 경우 "관심", 상기 고혈압 예측 확률이 31% 이상일 경우 "주의"로 판단하여 출력하게 된다.
그리고 본 발명의 머신러닝을 이용한 고혈압 예측 시스템은 침대; 상기 침대에 설치되어 환자의 심탄도 신호를 취득하는 심탄도 센서; 상기 심탄도 센서로부터 취득된 심탄도 신호를 수신받아 고혈압을 예측하는 제8항의 컴퓨터 프로그램이 저장된 서버; 및 상기 서버로부터 고혈압 예측 결과를 수신받아 출력하는 어플리케이션이 설치된 스마트 기기를 포함한다.
상기의 구성으로 이루어진 본 발명의 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템에 따르면, 침대에 설치된 심탄도 센서로부터 환자의 심탄도 신호를 수신받아 혈압수치를 실시간 확인함은 물론 고혈압 발병여부를 예측할 수 있기 때문에 환자에게 측정기기를 착용시킬 필요가 없다는 장점이 있으며, 특히 복수의 머신러닝(기계학습) 알고리즘을 통해 추출된 고혈압 확률을 서로 비교하여 고혈압 발병 여부를 판단하기 때문에 정확성이 높다는 장점이 있다.
또한, 환자가 침대에 누워 있거나 앉아 있는 것만으로도, 혈압수치를 확인할 수 있어 이를 통해 고혈압 발병 여부를 예측할 수 있음으로써 조기에 고혈압을 진단하여 환자의 건강관리를 수행할 수 있다는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 심탄도 신호를 이용한 고혈압 예측 시스템을 보여주는 개략적인 구성도,
도 2는 본 발명의 일 실시예에 따른 심탄도 신호를 이용한 고혈압 예측 방법의 순서도,
도 3은 본 발명의 일 실시예에 따른 심탄도 신호의 잡음 제거 방법의 순서도,
도 4는 본 발명의 일 실시예에 따른 잡음이 제거된 심탄도 신호를 보여주는 그래프,
도 5는 본 발명의 일 실시예에 따른 학습된 인공신경망의 성능 지표를 보여주는 ROC-Curve 그래프,
도 6은 본 발명의 일 실시예에 따른 학습된 로지스틱 회귀분석의 성능 지표를 보여주는 ROC-Curve 그래프.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템을 상세하게 설명하기로 한다.
도면에 도시된 바와 같이, 본 발명에 따른 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템은 침대에 설치된 심탄도 센서로부터 환자의 나이와 성별 및 심탄도 신호를 수신받아 생체 정보를 추출하고, 복수의 머신러닝(기계학습) 알고리즘에 생체 정보를 입력하여 출력된 고혈압 확률로부터 고혈압 발병 여부를 확인할 수 있는 고혈압 예측 방법 및 시스템이다.
또한, 본 발명의 일 실시예에 따른 고혈압 예측 방법은 컴퓨터에 의해 수행되며, 상기 컴퓨터에는 컴퓨터를 기능시켜 고혈압 예측 방법을 수행하는 컴퓨터 프로그램이 저장된다.
또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터 뿐만 아니라, 스마트폰이나 태블릿 PC와 같은 스마트 기기를 포함하는 광의의 컴퓨팅 장치를 의미한다.
또한, 상기 컴퓨터 프로그램은 별도의 기록 매체에 저장되거나 인터넷과 연결된 클라우드서버에 저장되어 제공될 수 있으며, 상기 기록매체는 본 발명을 위하여 특별히 설계되어 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.
예를 들면, 상기 기록매체는 하드 디스크, 플로피 디스크 및 자기테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.
또한, 상기 컴퓨터 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성된 컴퓨터 프로그램일 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜여진 컴퓨터 프로그램일 수 있다.
도 1은 본 발명의 일 실시예에 따른 고혈압 예측 시스템을 보여주는 것으로, 도 1을 참조하면 본 발명의 고혈압 예측 시스템은 침대(10), 심탄도 센서(20), 서버(30) 및 스마트 기기(40)로 구성된다.
상기 침대(10)는 침대 프레임(11)과 매트리스(12)로 구성되며, 환자가 누울 수 있는 공간을 제공한다.
상기 심탄도 센서(20)는 상기 침대(10)에 설치되며, 환자의 심탄도 신호를 측정하여, 상기 서버(30)로 전송할 수 있다.
또한, 상기 심탄도 센서(20)는 상기 침대 프레임(11)의 측면이나 하면에 설치될 수 있으며, 상기 침대 프레임(11) 이외에도 상기 매트리스(12)에 부착되어 사용될 수 있다.
한편, 상기 심탄도 신호는 심장의 물리적 움직임에 따라 생기는 몸의 움직임을 전기적으로 기록한 것으로 심장이 박출한 혈액의 운동량을 나타내며, 상기 심탄도 센서(20)는 몸의 움직임에 의해 침대(10)에 발생되는 미세진동을 측정한다.
상기 서버(30)는 상기 컴퓨터 프로그램이 설치되며, 상기 심탄도 센서(20)로부터 통신망을 통해 심탄도 신호를 수신받아 고혈압 발병 여부를 예측한다.
상기 스마트 기기(40)는 상기 서버(30)로부터 통신망을 통해 예측된 고혈압 발병 여부 및 생체 정보를 수신받아 환자가 모니터링할 수 있도록 출력한다.
또한, 상기 스마트 기기(40)는 상기 고혈압 발병 여부와 생체 정보를 디스플레이하여 모니터링할 수 있는 어플리케이션이 설치될 수 있다.
이하에서는 도 2를 참조하여 본 발명의 고혈압 예측 방법에 대해 상세히 설명한다.
도 2는 본 발명의 일 실시예에 따른 고혈압 예측 방법의 순서도로서, 도 2를 참조하면 본 발명의 고혈압 예측 방법은 크게 환자의 나이와 성별 및 심탄도 신호를 입력받는 단계(S1000), 고혈압 확률을 계산하는 단계(S2000) 및 고혈압 경보 수준을 판단하여 출력하는 단계(S3000);를 포함한다.
먼저, 본 발명의 고혈압 예측 방법은 심탄도 센서(20)로부터 환자의 심탄도 신호를 입력받고, 또한 환자의 나이와 성별 정보를 입력받는다(S1000).
상기 심탄도 신호는 환자가 깨어있는 상태의 심탄도 신호 또는 환자의 수면 중에 취득된 심탄도 신호일 수 있다.
다음, 입력된 심탄도 신호의 잡음을 제거한다(S2000).
한편, 입력된 심탄도 신호는 침대에 환자가 눕거나 움직일 때 침대의 스프링 상수와 댐핑 인자에 의해 영향을 받아 신호 진폭 변조 및 감쇠 시간 상수를 가져오는 문제가 있으므로, 이를 최적화하기 위한 잡음 제거 과정을 수행해야 한다.
도 3은 본 발명의 일 실시예에 따른 심탄도 신호의 잡음 제거 방법을 보여주는 순서도이고, 도 4는 본 발명의 일 실시예에 따른 잡음이 제거된 심탄도 신호를 보여주는 그래프이다.
도 3 내지 도 4를 참조하면, 상기 심탄도 신호의 잡음을 제거하기 위해서는 먼저, 입력된 심탄도 신호의 신호 크기를 스케일링을 수행한다(S2100).
이때, 상기 신호 크기의 스케일링은 "10um/s2"이 되도록 조정하는 것이 바람직하며, 이를 통해 적절한 해상도와 숫자의 오버 플로우를 방지할 수 있다.
다음, 상기 스케일링된 심탄도 신호를 미리 설정된 최소 평균 제곱근(RMS)값과 최대 평균 제곱근(RMS)값 범위에 해당되는 심탄도 신호를 추출한다(S2200).
다음, 추출된 심탄도 신호로부터 미리 설정된 최소 진폭값과 최대 진폭값 이내에 해당하는 신호를 추출함으로써, 최종적으로 입력된 심탄도 신호의 잡음 제거를 완료한다(S2300).
한편, 상기 미리 설정된 최소 평균 제곱근(RMS)값, 최대 평균 제곱근(RMS)값, 최소 진폭값 및 최대 진폭 값은 침대에 누워있거나 앉아 있는 환자들의 심탄도 신호로부터 추출된 평균값들이며, 환자 또는 침대 주변의 환경에 따라 다양하게 설정될 수 있다.
다음, 잡음이 제거된 심탄도 신호를 머신러닝 알고리즘에 입력하여 고혈압 예측 확률을 출력한다(S3000).
자세하게는 먼저, 상기 잡음이 제거된 심탄도 신호로부터 생체 정보들을 추출한다(S3100).
여기서, 상기 생체 정보들은 미리 설정된 시간동안의 심박수(Hear Rate), 호흡수(Respiration Rate), 심박출량(Relative Stroke Volume) 및 심박수 변이도(Heart Rate Variability)를 포함하며, 관련 기술 분야에서 공지된 다양한 방법들에 의해 추출될 수 있다.
다음, 추출된 생체 정보들의 평균값을 각각 계산한다(S3200). 이때 나이와 성별에 따라 각각 계산하도록 함이 바람직하다.
다음, 나이와 성별에 따라 미리 학습된 복수의 머신러닝 알고리즘에 계산된 생체 정보들의 평균값들을 입력하여 고혈압 예측 확률을 계산하여 출력한다(S3000).
상기 머신러닝 알고리즘은 컴퓨터가 입력되는 데이터를 통해 스스로 학습할 수 있도록 하는 알고리즘으로, 본 발명에서는 어떤 데이터에 대해 두 가지 중 하나로 분류할 수 있는 머신러닝 알고리즘을 이용하여 고혈압 확률을 계산한다.
상세하게는, 상기 머신러닝 알고리즘은 회귀분석, 로지스틱 회귀분석, 의사결정나무, 베이지안 분류, 인공신경망, SVM(Suppoter Vector Machine), K-최근접이웃 등의 분류 기법 알고리즘을 사용할 수 있으며, 본 발명에서는 분류 성능이 가장 우수한 인공신경망과 로지스틱 회귀분석 알고리즘을 사용한다.
또한, 본 발명에서는 고혈압 환자와 정상인들로부터 각각 나이 및 성별과 함께 학습용 생체 정보(심박수, 심박수 변이도) 데이터 셋 2만 개를 수집하여, 상기 인공신경망과 로지스틱 회귀분석 알고리즘을 각각 학습하였다.
또한, 이외에 고혈압 환자와 정상인들로부터 나이 및 성별과 함께 예측용 생체 정보(심박수, 심박수 변이도) 데이터 셋 2만 개를 별도로 수집하여, 학습된 인공신경망과 로지스틱 회귀분석 알고리즘에 입력하여 분류 성능을 평가하였으며, 이를 통해 높은 분류 성능을 갖을 수 있는 파라미터를 최적화하였다.
또한, 상기 인공신경망은 각 층당 64개의 뉴런 수를 갖는 4개의 레이어층에서 학습을 150회 수행하였다.
도 5는 본 발명의 일 실시예에 따른 학습된 인공신경망의 성능 지표를 보여주는 ROC-Curve 그래프이고, 도 6은 본 발명의 일 실시예에 따른 학습된 로지스틱 회귀분석의 성능 지표를 보여주는 ROC-Curve 그래프이다.
도 5 내지 도 6을 참조하면, ROC-Curve 그래프는 면적이 넓을수록 좋은 성능을 나타내는 그래프로, 상기 학습된 인공신경망은 예측 정확도가 93%, 오차가 016%를 나타냈으며, 학습된 로지스틱 회귀분석은 예측 정확도가 96%로 두 기계 학습 알고리즘 모두 우수한 성능을 보여주는 것을 확인할 수 있다.
따라서, 상기 심탄도 신호로부터 추출된 심박수와 심박수 변이도는 고혈압을 판단하기 위한 분별력 있는 데이터라 할 수 있다.
한편, 상기 인공신경망과 로지스틱 회귀분석 알고리즘은 최종적으로 고혈압에 해당될 확률이 각각 출력되며, 본 발명에서는 상기 출력된 확률을 고혈압 확률로 정의하였다.
다음, 상기 복수의 머신러닝 알고리즘을 통해 고혈압 확률을 출력한 후, 상기 고혈압 확률로부터 고혈압 경보 수준을 판단한다(S4000).
상기 고혈압 경보 수준을 판단하기 위해서는 먼저, 출력된 고혈압 예측 확률들을 비교하여 가장 값이 큰 고혈압 예측 확률을 추출한다(S4100).
여기서, 가장 큰 값의 고혈압 예측 확률을 추출하는 이유는 고혈압을 판단하는 오차를 최소화하기 위한 것으로, 임의적으로 오차 범위를 설정하는 것보다 분석을 통해 나온 고혈압 예측 확률들 중 가장 큰 값을 기준으로 선택하여 고혈압을 판단함으로써, 신뢰성과 정확성이 높은 고혈압 예측을 수행하기 위함이다.
다음, 추출된 고혈압 확률이 미리 설정된 임계 범위에 해당되는지 여부를 판단하여 고혈압 경보 수준을 분류한다(S4200)
상기 고혈압 경보 수준은 "안심", "관심", "주의"로 분류될 수 있으며, 상기 고혈압 확률이 0% 내지 10%일 경우 "안심"으로 판단하며, 상기 고혈압 확률이 11% 내지 30%일 경우 "관심", 상기 고혈압 확률이 31% 이상일 경우 "주의"로 판단하여 출력한다.
이러한 단계들을 통해 환자의 고혈압 발병 여부를 진단할 수 있으며, 출력된 결과는 스마트 기기로 전송되어 모니터링을 수행할 수 있다.
따라서, 본 발명의 머신러닝을 이용한 고혈압 예측시스템에 수행되는 고혈압 예측방법 및 시스템은 침대에 설치된 심탄도 센서로부터 심탄도 신호를 수신받아 환자의 고혈압을 예측할 수 있기 때문에 환자에게 측정기기를 착용하여 측정할 필요가 없으며, 환자가 침대에 누워 있거나 앉아 있는 것만으로도, 고혈압 여부를 예측할 수 있어, 조기에 고혈압을 진단하여 환자의 건강관리를 수행할 수 있다는 장점이 있다.
10: 침대 20: 심탄도 센서
30: 서버 40: 스마트 기기

Claims (9)

  1. 침대 또는 매트리스에 설치된 심탄도 센서로부터 취득된 환자의 심탄도 신호를 이용하여 고혈압을 예측하는 방법에 있어서,
    컴퓨터가 고혈압을 예측하고자 하는 환자의 나이와 성별 및 심탄도 신호를 입력받는 단계;
    상기 심탄도 신호로부터 생체 정보인 심박수(Heart Rate), 호흡수(Respiration Rate), 심박출량(Relative Stroke volume) 및 심박수 변이도(Heart Rate Variability)를 추출하여 각 평균을 계산하고, 나이와 성별에 따라 미리 학습된 복수의 머신러닝 알고리즘에 입력하여 환자의 고혈압 예측 확률을 계산하는 단계; 및
    계산된 고혈압 예측 확률들 중 가장 높은 값을 갖는 고혈압 예측 확률이 설정된 임계 범위 내에 해당하는지 여부를 판단하여 고혈압 경보 수준을 출력하는 단계;
    를 포함하는 것을 특징으로 하는 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법.
  2. 제1항에 있어서,
    상기 고혈압 예측 확률을 계산하는 단계; 이전에,
    수집된 심탄도 신호의 잡음을 제거하는 단계;를 더 포함하는 것을 특징으로 하는 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법.
  3. 제2항에 있어서,
    상기 잡음을 제거하는 단계;는
    상기 심탄도 신호의 크기를 스케일링하는 단계;
    스케일링된 심탄도 신호로부터 미리 설정된 평균 제곱근 최대값과 평균 제곱근 최소값 범위에 해당하는 심탄도 신호를 추출하는 단계; 및
    추출된 심탄도 신호로부터 미리 설정된 최소 진폭값과 최대 진폭값 범위에 해당하는 심탄도 신호를 추출하는 단계;를 포함하는 것을 특징으로 하는 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 고혈압 경보 수준은 안심, 관심, 주의로 분류되며,
    상기 고혈압 예측 확률이 0% 내지 10%일 경우 "안심", 상기 고혈압 예측 확률이 11% 내지 30%일 경우 "관심", 상기 고혈압 예측 확률이 31% 이상일 경우 "주의"로 판단하여 출력하는 것을 특징으로 하는 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법.
  7. 제1항에 있어서,
    상기 복수의 머신러닝 알고리즘은 인공신경망(ANN)과 로지스틱 회귀분석 알고리즘인 것을 특징으로 하는 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법.
  8. 제1항, 제2항, 제3항, 제6항, 제7항 중 어느 한 항의 심탄도 신호를 이용한 고혈압 예측방법을 수행하기 위해 기록매체에 저장된 컴퓨터 프로그램.
  9. 침대;
    상기 침대에 설치되어 환자의 심탄도 신호를 취득하는 심탄도 센서;
    상기 심탄도 센서로부터 취득된 심탄도 신호를 수신받아 고혈압을 예측하는 제8항의 컴퓨터 프로그램이 저장된 서버; 및
    상기 서버로부터 고혈압 예측 결과를 수신받아 출력하는 어플리케이션이 설치된 스마트 기기를 포함하는 것을 특징으로 하는 머신러닝을 이용한 고혈압 예측 시스템.
KR1020200094079A 2020-07-28 2020-07-28 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램 KR102426291B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200094079A KR102426291B1 (ko) 2020-07-28 2020-07-28 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200094079A KR102426291B1 (ko) 2020-07-28 2020-07-28 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램

Publications (2)

Publication Number Publication Date
KR20220014242A KR20220014242A (ko) 2022-02-04
KR102426291B1 true KR102426291B1 (ko) 2022-07-29

Family

ID=80268199

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200094079A KR102426291B1 (ko) 2020-07-28 2020-07-28 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102426291B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240083681A (ko) 2022-12-05 2024-06-12 주식회사 라이프시맨틱스 베이지안 네트워크 기반 고혈압 합병증 예측 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4140329B2 (ja) 2002-09-25 2008-08-27 財団法人名古屋産業科学研究所 高血圧のリスク診断方法
KR101430818B1 (ko) 2012-09-21 2014-08-18 한국 한의학 연구원 체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법
KR20160096895A (ko) * 2015-02-06 2016-08-17 아주대학교산학협력단 심탄도 신호를 이용한 누운 자세 분류 시스템 및 방법
KR101927705B1 (ko) * 2017-03-06 2018-12-11 주식회사 소프트웨어융합연구소 비접촉 생체신호 측정방식을 이용한 환자 관리시스템
KR102154652B1 (ko) * 2018-07-04 2020-09-11 서울대학교산학협력단 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240083681A (ko) 2022-12-05 2024-06-12 주식회사 라이프시맨틱스 베이지안 네트워크 기반 고혈압 합병증 예측 시스템

Also Published As

Publication number Publication date
KR20220014242A (ko) 2022-02-04

Similar Documents

Publication Publication Date Title
Burrello et al. Hyperdimensional computing with local binary patterns: One-shot learning of seizure onset and identification of ictogenic brain regions using short-time iEEG recordings
KR101870121B1 (ko) 심층신경망을 이용한 혈류상태 분석시스템, 방법 및 프로그램
Luz Longitudinal monitoring and detection of Alzheimer's type dementia from spontaneous speech data
CN109452935B (zh) 使用统计后处理从血管容积图估计血压的无创方法和系统
US10811141B2 (en) Recognizing predictive patterns in the sequence of superalarm triggers for predicting patient deterioration
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
WO2019209986A1 (en) Anxiety detection apparatus, systems, and methods
US20190378617A1 (en) Detecting abnormalities in ecg signals
KR102015473B1 (ko) 신경계 질환 관리를 위한 시스템 및 방법
JP6379199B2 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
Sharma et al. Machine learning approach for detection of diabetic retinopathy with improved pre-processing
KR102426291B1 (ko) 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램
US11776126B2 (en) Systems and methods for evaluating the brain after onset of a stroke using computed tomography angiography
Xu et al. Patient-specific method for predicting epileptic seizures based on DRSN-GRU
KR102406389B1 (ko) 뇌에 대한 치료 및 조치 결정 방법 및 프로그램
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
KR102352801B1 (ko) 심탄도 신호를 이용한 당뇨 예측 방법 및 시스템.
KR101274431B1 (ko) 설문 정보를 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법
KR101310500B1 (ko) 피부 특성을 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법
KR102352802B1 (ko) 심탄도 신호를 이용한 부정맥 예측 방법 및 시스템.
Elfadil et al. Identification of patients with congestive heart failure using different neural networks approaches
US11937938B1 (en) Methods for assessing sleep conditions
Ismail et al. A Comparative Study of Diabetes Classification Based on Machine Learning
Pordoy et al. Seizure Classification Using Person-Specific Triggers
KR101253445B1 (ko) 피부 특성을 이용한 건강 상태 판단 장치 및 방법, 건강 분류 함수 생성 장치 및 그 방법

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