KR102515832B1 - 글루코스 특징 추출 방법과, 글루코스 모니터링 장치 및 방법 - Google Patents

글루코스 특징 추출 방법과, 글루코스 모니터링 장치 및 방법 Download PDF

Info

Publication number
KR102515832B1
KR102515832B1 KR1020180026210A KR20180026210A KR102515832B1 KR 102515832 B1 KR102515832 B1 KR 102515832B1 KR 1020180026210 A KR1020180026210 A KR 1020180026210A KR 20180026210 A KR20180026210 A KR 20180026210A KR 102515832 B1 KR102515832 B1 KR 102515832B1
Authority
KR
South Korea
Prior art keywords
glucose
nir
signal
data
components
Prior art date
Application number
KR1020180026210A
Other languages
English (en)
Other versions
KR20180109681A (ko
Inventor
키란 바이남
수지트 조스
이소영
고리쉬 아가뤌
고리쉬 아가??
스리칸쓰 말라바라푸 라마
Original Assignee
삼성전자주식회사
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 filed Critical 삼성전자주식회사
Priority to EP18164204.2A priority Critical patent/EP3381368A1/en
Priority to US15/937,295 priority patent/US10980484B2/en
Publication of KR20180109681A publication Critical patent/KR20180109681A/ko
Application granted granted Critical
Publication of KR102515832B1 publication Critical patent/KR102515832B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/487—Physical analysis of biological material of liquid biological material
    • G01N33/49—Blood

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Hematology (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Ecology (AREA)
  • Medicinal Chemistry (AREA)
  • Biophysics (AREA)
  • Food Science & Technology (AREA)
  • Urology & Nephrology (AREA)
  • Molecular Biology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

일 양상에 따른 글루코스 특징 추출 방법은, NIR 데이터에서 노이즈를 제거하는 단계와, 상기 노이즈가 제거된 NIR 데이터에서 글루코스 신호를 추출하는 단계와, 상기 추출된 글루코스 신호에서 시간적 드리프트 성분(temporal drift components)을 제거하는 단계를 포함할 수 있다.

Description

글루코스 특징 추출 방법과, 글루코스 모니터링 장치 및 방법{Glucose feature extraction method, Glucose monitoring apparatus and method}
NIR 분광법을 통하여 글루코스를 모니터링하기 위한 글루코스 특징 추출 기술과 관련된다.
글루코스 모니터링은 혈액 샘플 내의 글루코스 레벨을 측정하기 위해 사용된다. 글루코스 모니터링 방법으로는 침습적 방법과 비침습적 방법이 있다. 침습적 방법은 사람의 피부에 구멍을 뚫어 혈액 샘플을 획득하는 반면, 비침습적 방법은 혈액 샘플을 수집할 필요 없이 중적외선(Mid-IR) 분광법, 근적외선(NIR) 분광법 또는 라만 분광법을 사용한다. NIR 분광법은 연속 글루코스 모니터링에 사용될 수 있다.
NIR 광의 흡수는 비어-램버트 법칙(BEER-Lambert law)에 기초하여 정의될 수 있다.
Figure 112018022445617-pat00001
여기서
Figure 112018022445617-pat00002
는 흡광 계수,
Figure 112018022445617-pat00003
는 용질의 농도,
Figure 112018022445617-pat00004
는 침투 깊이를 나타낸다.
혈액이 서로 다른 성분으로 구성되어 있다면 전체 흡수는 다음과 같이 주어진다.
Figure 112018022445617-pat00005
NIR 흡수 스펙트럼은 물, 지방, 단백질(콜라겐, 케라틴, 엘라스틴), 아미노산 및 글루코스와 같은 여러 성분의 흡수로 나타난다. 그러므로, NIR 흡수 스펙트럼은 다음과 같이 주어질 수 있다.
Figure 112018022445617-pat00006
또한, 간질 액체(interstitial liquid) 내의 글루코스 농도는 다음과 같이 근사화할 수 있다.
Figure 112018022445617-pat00007
따라서, 글루코스 흡수의 값이 다른 성분보다 몇 배나 작고, 많은 경우 글루코스 정보가 NIR 데이터의 노이즈 성분으로 인해 왜곡되기 때문에, NIR 분광법을 이용하여 글로코스를 모니터링하는 것은 매우 어렵다. 다른 성분의 농도는 아래 표에 나타난다.
Figure 112018022445617-pat00008
그러므로, 글루코스 모니터링을 위해서는 신체의 다른 성분 및 NIR 분광기에 의한 노이즈를 제거하기 위한 방법이 필요하다.
NIR 분광법을 통하여 글루코스를 모니터링하기 위한 글루코스 특징 추출 방법과, 글루코스 모니터링 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 글루코스 특징 추출 방법은, NIR 데이터에서 노이즈를 제거하는 단계와, 상기 노이즈가 제거된 NIR 데이터에서 글루코스 신호를 추출하는 단계와, 상기 추출된 글루코스 신호에서 시간적 드리프트 성분(temporal drift components)을 제거하는 단계를 포함할 수 있다.
상기 노이즈를 제거하는 단계는, SG(Savitzky-Golay) 필터, 푸리에 도메인 필터링 중 적어도 하나를 이용하여 상기 노이즈를 제거할 수 있다.
상기 글루코스 신호를 추출하는 단계는, 상기 노이즈가 제거된 NIR 데이터에서 글루코스 이외 다른 체성분의 신호 성분을 제거함으로써 상기 글루코스 신호를 추출할 수 있다.
상기 다른 체성분은 물, 지방, 콜라겐, 엘라스틴 및 케라틴 중 적어도 하나를 포함할 수 있다.
상기 글루코스 신호를 추출하는 단계는, EMSC(Extended Multiplicative Scatter Correction) 회귀 및 데이터 화이트닝에 기초하여 글루코스 신호를 추출할 수 있다.
상기 데이터 화이트닝은 각 체성분의 순수 스펙트럼의 직교 성분을 획득하기 위해 수행될 수 있다.
상기 EMSC 회귀는 상기 데이터 화이트닝에 의해 생성된 각 체성분의 순수 스펙트럼의 직교 성분을 이용하여, 상기 노이즈가 제거된 NIR 데이터를 개별 체성분의 스펙트럼으로 분해하기 위해 수행될 수 있다.
상기 시간적 드리프트 성분을 제거하는 단계는, 상기 추출된 글루코스 신호를 미분하고 평활화하는 단계와, 평활화된 결과에 드리프트 제거 기법을 적용하여 시간적 드리프트 성분을 제거하는 단계를 포함할 수 있다.
상기 시간적 드리프트 성분을 제거하는 단계는, 상기 평활화된 결과를 시간에 대해 미분하고 평균하여 시간적 드리프트 성분을 산출하고, 상기 평활화된 결과에서 상기 시간적 드리프트 성분을 제거할 수 있다.
다른 양상에 따른 글루코스 모니터링 방법은, 사용자에게 조사되어 되돌아오는 NIR 광으로부터 획득된 NIR 데이터에서 노이즈를 제거하여 상기 NIR 데이터를 필터링하는 단계와, 상기 필터링된 NIR 데이터에서 하나 이상의 체성분의 신호 성분을 제거하여 글루코스 신호를 추출하는 단계와, 상기 추출된 글루코스 신호로부터 시간적 드리프트 성분(temporal drift components)을 제거하는 단계와, 기대되는 글루코스 신호에 기초하여, 시간적 드리프트 성분이 제거된 글루코스 신호를 회귀시킴으로써 글루코스 예측을 위한 데이터 모델을 생성하는 단계와, 상기 생성된 데이터 모델을 기반으로 사용자의 글루코스 레벨을 예측하는 단계; 를 포함할 수 있다.
상기 체성분은 물, 지방, 단백질 중 적어도 하나를 포함할 수 있다.
상기 필터링하는 단계는, SG(Savitzky-Golay) 필터를 이용하여 수행될 수 있다.
상기 필터링하는 단계는, 푸리에 도메인 필터링을 이용하여 수행될 수 있다.
상기 글루코스 신호는 EMSC(Extended Multiplicative Scatter Correction) 회귀 및 데이터 화이트닝에 기초하여 추출될 수 있다.
상기 데이터 화이트닝은 상기 체성분의 기준 스펙트럼들의 직교 성분들을 획득하기 위해 수행될 수 있다.
상기 EMSC 회귀는 상기 데이터 화이트닝에 의해 생성된 직교 스펙트럼들을 이용하여 NIR 흡수 스펙트럼을 개별 체성분의 스펙트럼으로 분해하기 위해 적용될 수 있다.
상기 시간적 드리프트 성분을 제거하는 단계는 상기 추출된 글루코스 신호로부터 시간적 드리프트 성분을 대략적으로(coarsely)으로 제거하여 상기 추출된 글루코스 신호의 미분을 평활화하는 단계를 더 포함할 수 있다.
상기 시간적 드리프트 성분을 제거하는 단계는 상기 추출된 글루코스 신호로부터 잔류 드리프트를 제거하기 위하여 상기 추출된 글루코스 신호의 평활화된 미분에 정밀 드리프트 제거 기법(fine drift removal method)을 적용하는 단계를 더 포함할 수 있다.
다른 양상에 따른 글루코스 모니터링 장치는, NIR 분광기에서 생성된 NIR 데이터로부터 노이즈 성분을 제거하는 필터링부와, 물, 지방, 단백질 중 적어도 하나를 포함하는 하나 이상의 체성분의 신호 성분을 제거하여 NIR 데이터로부터 글루코스 신호를 추출하는 간섭 제거부와, 상기 추출된 글루코스 신호로부터 상기 NIR 분광기의 드리프트로 인한 드리프트 성분(drift components)을 제거하는 특징 추출부를 포함하고, 상기 글루코스 모니터링 장치는, 기대되는 글루코스 신호에 기초하여 상기 드리프트 성분이 제거된 글루코스 신호를 회귀시킴으로써 글루코스 예측을 위한 데이터 모델을 생성하고, 생성된 데이터 모델에 기초하여 사용자의 글루코스 레벨을 예측할 수 있다.
상기 필터링부는 상기 NIR 데이터로부터 상기 노이즈 성분을 제거하기 위해 SG(Savitzky-Golay) 필터 및 푸리에 도메인 필터를 포함할 수 있다.
상기 간섭 제거부는, EMSC(Extended Multiplicative Scatter Correction) 회귀를 수행하기 위하여 체성분들의 기준 스펙트럼들의 직교 성분들을 획득하는 데이터 화이트닝 모듈과, NIR 데이터를 개별 체성분의 스펙트럼으로 분해하는 EMSC 모듈과, 상기 노이즈 성분이 제거된 NIR 데이터로부터 글루코스 신호를 추출하는 글루코스 신호 추출 모듈을 포함할 수 있다.
상기 특징 추출 모듈은, 상기 추출된 글루코스 신호의 미분을 평활화하는 SG 필터와, 상기 추출된 글루코스 신호로부터 드리프트 성분을 제거하는 드리프트 제거 모듈을 포함할 수 있다.
NIR 스펙트럼에서 신체의 다른 성분 및 NIR 분광기에 의한 노이즈를 제거하여 글루코스 레벨 예측에 이용함으로써 글루코스 레벨 예측의 정확도를 향상시킬 수 있다.
도 1은 NIR 분광법을 이용하여 글루코스를 모니터링하기 위한 특징 추출 방법의 일 실시예를 도시한 흐름도이다.
도 2는 NIR 글루코스 측정 장치의 일 실시예를 도시한 블록도이다.
도 3a는 상이한 체성분의 NIR 흡수 스펙트럼의 일 실시예를 도시한 도면이다.
도 3b는 간질 액체를 포함하는 조직의 각 구성 성분에 대한 푸리에 도메인 신호의 일 실시예를 도시한 도면이다.
도 4a는 간질 액체의 상이한 구성 성분의 NIR 흡수 스펙트럼의 일 실시예를 도시한 도면이다.
도 4b는 직교 성분들과 순수 스펙트럼 성분들의 상관 행렬의 일 실시예를 도시한 도면이다.
도 5a 내지 도 5d는 드리프트 제거 후의 추출 특징 및 글루코스 값의 상관 관계의 일 실시예를 도시한 도면이다.
도 6a 내지 도 6c는 PCR을 이용하여 글루코스 값을 예측한 결과의 일 실시예를 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
한편, 각 단계들에 있어, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 수행될 수 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 명세서에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하고, '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 않는 것으로 이해되어야 한다.
또한, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주 기능별로 구분한 것에 불과하다. 즉, 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있다. 각 구성부는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 명세서에서 설명되는 글루코스 모니터링 장치는 소프트웨어 모듈로 구현되거나 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 이때, 전자 장치는 휴대폰, 스파트폰, 타블렛, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있고, 웨어러블 디바이스는 손목시계형, 손목 밴드형, 반지형, 벨트형, 목걸이형, 발목 밴드형, 허벅지 밴드형, 팔뚝 밴드형 등을 포함할 수 있다. 그러나 전자 장치는 상술한 예에 제한되지 않으며, 웨어러블 디바이스 역시 상술한 예에 제한되지 않는다.
도 1은 근적외선 분광법을 이용하여 글루코스를 모니터링하기 위한 특징 추출 방법의 일 실시예를 도시한 흐름도이다. 도 1의 특징 추출 방법은 도 2의 NIR 글루코스 측정 장치(200)에 의해 수행될 수 있다.
도 1을 참조하면, 하나 이상의 사용자들의 글루코스 흡수 스펙트럼과 관련된 원시(raw) NIR(near-infrared) 데이터를 수신하고(102), 원시 NIR 데이터에서 노이즈를 제거함으로써 원시 NIR 데이터를 필터링할 수 있다(104). NIR 광은 피부에 조사되어 피부로부터 되돌아 오는 동안 산란되며, 이때 노이즈가 발생할 수 있다. 스캐터 프리(scatter free) 레퍼런스 IR 스펙트럼의 직교 성분들을 획득하고(106), EMSC(Extended Multiplicative Scatter Correction) 회귀를 스캐터 프리 레퍼런스 IR 스펙트럼의 직교 성분들과 필터링된 NIR 데이터에 적용할 수 있다(108). 필터링된 NIR 데이터에서 하나 이상의 체성분(예컨대, 물, 지방, 및 단백질(콜라겐, 엘라스틴, 케라틴 등) 등)에 의한 신호 성분을 제거하여 필터링된 NIR 데이터에서 글루코스 신호를 추출할 수 있다(110). 추출된 글루코스 신호로부터 시간적 드리프트 성분(temporal drift components)을 제거할 수 있다(112). 글루코스 예측을 위한 데이터 모델은 드리프트 성분 제거 후 추출된 글루코스 특징을 캘리브레이션을 위해 획득된 예상 글루코스 값으로 회귀시킴으로써 생성할 수 있다. 새로운 NIR 데이터의 글루코스 값은 생성된 데이터 모델을 이용하여 예측할 수 있다.
도 2는 NIR 글루코스 측정 장치의 일 실시예를 도시한 블록도이다. NIR 글루코스 측정 장치(200)는 NIR 글루코스 측정 장치(200)의 NIR 분광기를 이용하여 NIR 광을 특정 피부 영역에 조사할 수 있다. NIR 광은 NIR 글루코스 측정 장치(200) 내의 NIR 광 검출기로 반사되기 전에 특정 피부 영역 아래의 조직 성분과의 상호 작용에 따라 부분적으로 흡수 및 산란될 수 있다. 상이한 체성분에 의한 정규화된 NIR 흡수 스펙트럼의 일 실시예가 도 3A에 도시된다. 반사광은 물, 지방, 단백질 및 글루코스 등을 포함하는 조직의 구성 성분의 양적 정보를 포함할 수 있다. NIR 스펙트럼 데이터를 포함하는 반사광은 NIR 글루코스 측정 장치(200)를 통과할 수 있다. 도 2에 도시된 바와 같이, NIR 글루코스 측정 장치(200)는 필터링부(220), 간섭 제거부(230), 및 특징 추출부(240)를 포함할 수 있다. 필터링부(220), 간섭 제거부(230) 및 특징 추출부(240)는 하나 이상의 프로세서로 구현될 수 있다.
필터링부(220)는 NIR 스펙트럼 데이터로부터 노이즈를 제거할 수 있다. NIR 스펙트럼 데이터는 근적외광(near infrared, NIR)을 사용자의 특정 피부 영역에 조사하고 사용자의 특정 피부 영역으로부터 반사 또는 산란된 광을 수신하여 측정된 피부 근적외광 흡수 스펙트럼 데이터일 수 있다. 그러나, 이에 한정되는 것은 아니며 NIR 스펙트럼 데이터는 피부 근적외광 투과 스펙트럼 또는 피부 근적외광 반사 스펙트럼일 수도 있다. 일 실시예에 따르면 필터링부(220)는 NIR 스펙트럼 데이터로부터 원하지 않는 노이즈를 제거하기 위하여 baseline correction algorithm 및/또는 smoothing algorithm 등을 이용할 수 있다. 예컨대, 필터링부(220)는 Savitzky-Golay smoothing, Fourier domain filtering, moving average 등을 이용할 수 있다.
일 실시예에 따르면, 필터링부(220)는 SG(Savitzky-Golay) 필터(202) 및 푸리에 도메인 필터(204)를 포함할 수 있다. SG 필터(202)는 NIR 분광기로부터 수신된 NIR 스펙트럼 데이터에 존재하는 스파이크(spikes)를 제거할 수 있고, 푸리에 도메인 필터(204)는 NIR 스펙트럼 데이터의 간섭 영향뿐만 아니라, 글루코스에 대응하는 신호의 중첩이 없는 영역에 포함된 노이즈를 줄일 수 있다.
필터링부(220)를 이용하여 노이즈 제거 과정을 더욱 자세히 설명한다.
일 실시예에 따르면, 원시 NIR 데이터를 포함하는 NIR 스펙트럼 신호(
Figure 112018022445617-pat00009
) 가 SG 필터(202)에 입력될 수 있다. SG 필터(202)는 N 차의 다항식 피트(polynomial fit)(
Figure 112018022445617-pat00010
) 필터일 수 있다. SG 필터(202)는 2M+1 개의 샘플들에 대한 에러의 제곱합(E)를 최소화함으로써 NIR 스펙트럼 신호(
Figure 112018022445617-pat00011
)를 평활화할 수 있다. 여기서, 에러의 제곱합(E)는 수학식 1로 주어질 수 있다.
Figure 112018022445617-pat00012
여기서, n은 샘플 넘버를 나타낼 수 있다.
SG 필터(202)는 상이한
Figure 112018022445617-pat00013
에 대해 E를 최소화함으로써, 행렬 H의 제1 행을 관심 샘플 주위의 2M +1 개의 샘플들의 신호 벡터로 컴볼루션하여 NIR 스펙트럼 신호(
Figure 112018022445617-pat00014
)를 평활화할 수 있다. 이때 행렬 H는 수학식 2로 주어질 수 있다.
Figure 112018022445617-pat00015
여기서, N은 다항식의 차수를 나타낼 수 있다.
따라서, 미분 차수(differential order)가 0인 SG 필터(202)의 평활화된 출력(
Figure 112018022445617-pat00016
)은 수학식 3을 통해 획득할 수 있다.
Figure 112018022445617-pat00017
여기서,
Figure 112018022445617-pat00018
는 행렬 H의 제1 행을 나타낼 수 있다.
NIR 스펙트럼의 평활화된 신호(
Figure 112018022445617-pat00019
)는 푸리에 도메인 필터(204)에 전송될 수 있다. 푸리에 도메인 필터(204)는 NIR 스펙트럼의 간섭 영향뿐만 아니라, 글루코스에 대응하는 신호의 중요한(significant) 중첩이 없는 시간 윈도우에 부가된 노이즈를 줄일 수 있다. NIR 분광기로부터 수신된 NIR 스펙트럼은 1530 nm ~ 1830 nm의 파장 대역을 가질 수 있다. 1530 nm ~ 1830 nm의 파장 대역의 NIR 스펙트럼은 시간 도메인에서 지배 신호(dominant signal)의 샘플들로 표현될 수 있다. 간질성 액체(interstitial liquid)를 포함하는 조직의 각 채성분에 대한 시간 도메인 신호의 예시적인 푸리에 도메인 표현이 도 3b에 도시된다. 푸리에 도메인 필터(204)는 해닝 윈도우(Hanning window)를 적용하여 노이즈를 제거할 수 있다. 예컨대, 푸리에 도메인 필터(204)는 수학식 4를 이용하여 시간 도메인 신호(
Figure 112018022445617-pat00020
)를 푸리에 도메인으로 변환할 수 있다.
Figure 112018022445617-pat00021
NIR 스펙트럼은 푸리에 도메인으로 변환되어 수학식 5와 같이 해닝 윈도우와 곱해질 수 있다.
Figure 112018022445617-pat00022
여기서, Nwin은 윈도우 사이즈를 나타낼 수 있다.
한편, 해닝 윈도우는 가우시안 펄스 형상(Gaussian pulse shape), 레이즈드 코사인 펄스 형상(Raised Cosine pulse shape) 또는 임의의 다른 평활화 응답 등으로 대체 가능하다.
간섭 제거부(230)는 노이즈가 제거된 NIR 스펙트럼 데이터로부터 글루코스 신호를 추출할 수 있다. 간섭 제거부(230)는 각 체성분의 순수 스펙트럼(pure spectrum)을 활용하여, 노이즈가 제거된 NIR 스펙트럼을 개별 체성분의 스펙트럼(이하, 개별 성분 스펙트럼)으로 분해하고 분해 결과를 기반으로 글루코스 신호를 추출할 수 있다. 이때, 글루코스 신호 추출부(120)는 extended multiplicative scatter algorithm, gradient descent, least square, pseudo inverse, singular value decomposition 등을 이용할 수 있다.
일 실시예에 따르면, 간섭 제거부(230)는 EMSC(Extended Multiplicative Scatter Correction) 모듈(206), 데이터 화이트닝 모듈(208) 및 글루코스 스펙트럼 추출 모듈(210)을 포함할 수 있다. EMSC 모듈(206)은 SG 필터(202) 및 푸리에 도메인 필터(304)에서 필터링된 NIR 스펙트럼으로부터 글루코스 신호의 스펙트럼을 획득하기 위하여 실행되는 알고리즘을 포함할 수 있다. 필터링된 NIR 스펙트럼은 복수의 체성분의 흡수 스펙트럼일 수 있다. EMSC 모듈(206)은 데이터 화이트닝 모듈(208)로부터 직교 스펙트럼들(Q)을 수신할 수 있다. EMSC 모듈(206)은 상이한 체성분들의 직교 스펙트럼들(Q)을 수신하고, NIR 데이터에서 체성분들에 대해 회귀(regress)할 수 있다. 그 다음, NIR 데이터로부터 획득한 체성분들의 농도를 NIR 데이터에서 감산하여 글루코스 신호를 획득할 수 있다. 이하, EMSC 및 데이터 화이트닝 과정을 상세히 설명한다.
EMSC 알고리즘을 수행하기 위해, 데이터 화이트닝 모듈(208)은 직교 스펙트럼의 성분들(Q)을 선형 조합하여 체성분들의 순수(pure) 스펙트럼들(P)을 획득할 수 있도록 서로 직교하는 직교 스펙트럼의 성분들(Q)을 생성할 수 있다. 체성분들의 순수 스펙트럼들(P)은
Figure 112018022445617-pat00023
(이때,
Figure 112018022445617-pat00024
는 k번째 체성분의 순수 스펙트럼을 나타내는 행 벡터를 의미할 수 있음)으로 표현될 수 있다. 행렬 P는 글루코스를 포함한 모든 체성분들(예컨대, 물, 지방, 물, 지방, 및 단백질(콜라겐, 엘라스틴, 케라틴 등) 등)의 순수 스펙트럼들을 포함할 수 있다. 여기서 순수 스펙트럼(pure spectrum)은 순수 물질의 흡수 스펙트럼일 수 있다.
체성분들의 순수 스펙트럼들(P)는 데이터 화이트닝 모듈(208)로 전송될 수 있고, 데이터 화이트닝 모듈(208)은 순수 스펙트럼들(P)에 평균 및 표준 편차 정규화를 수행함으로써
Figure 112018022445617-pat00025
를 획득할 수 있다. 데이터 화이트닝된 스펙트럼의 성분들의 일 실시예가 도 4A에 도시된다. 예컨대, 데이터 화이트닝 모듈(208)을 수학식 6을 이용하여
Figure 112018022445617-pat00026
를 획득할 수 있다.
Figure 112018022445617-pat00027
여기서, Pi는 각 체성분의 순수 스펙트럼을 나타낼 수 있다.
그 다음, 데이터 화이트닝 모듈(208)은 수학식 7과 같은 데이터 화이트닝 프로세스에 의해
Figure 112018022445617-pat00028
를 직교 성분(Q)으로 변환할 수 있다.
Figure 112018022445617-pat00029
여기서, E는 아이겐 벡터 행렬을 나타내고, D는
Figure 112018022445617-pat00030
의 아이겐 벨류들의 대각 행렬(diagonal matrix)을 나타낼 수 있다. 그 결과
Figure 112018022445617-pat00031
가 될 수 있다.
직교 성분들(Q)의 상관 행렬의 일 실시예가 도 4B에 도시된다.
일 실시예에 따르면, EMSC 모듈(206)의 알고리즘은 노이즈 필터링 후 주어진 스펙트럼(
Figure 112018022445617-pat00032
)을 데이터 화이트닝 모듈(208)로부터 획득된 N개의 직교 스펙트럼들(Q)로 분해할 수 있다.
Figure 112018022445617-pat00033
은 데이터 화이트닝 모듈(208)에 의해 생성된 직교 성분들(Q)을 가지는 순수 스펙트럼들(P)을 포함하는 임의의 잡음 필터링된 NIR 스펙트럼이라고 가정할 수 있다. 그러면,
Figure 112018022445617-pat00034
은 수학식 8과 같이 직교 스펙트럼들(Q)로 분해될 수 있다.
Figure 112018022445617-pat00035
여기서,
Figure 112018022445617-pat00036
은 각 체성분의 강도(strength)일 수 있고, EMSC 모듈(206)은 gradient descent, least square, pseudo inverse, singular value decomposition 등을 이용하여 가중치
Figure 112018022445617-pat00037
를 추정할 수 있다.
글루코스 스펙트럼 추출 모듈(210)은 주어진 스펙트럼(
Figure 112018022445617-pat00038
)에 글루코스를 제외한 다른 체성분의 직교 스펙트럼들을 뺌으로써 글루코스 스펙트럼을 추출할 수 있다. 예컨대, 글루코스의 직교 스펙트럼이
Figure 112018022445617-pat00039
이고 글루코스의 강도가
Figure 112018022445617-pat00040
이라면, 글루코스 스펙트럼 추출 모듈(210)은 수학식 9를 통해 글루코스 스펙트럼을 추출할 수 있다.
Figure 112018022445617-pat00041
결과적으로, 추정된 스펙트럼
Figure 112018022445617-pat00042
의 d차 미분은 SG 필터(202)를 한번 더 사용함으로써 획득될 수 있다.
Figure 112018022445617-pat00043
간섭 제거부(230)가 글루코스 스펙트럼을 추출하면, 추출된 글루코스 스펙트럼은 PCR(Principal component regression) 또는 PLSR(Partial Least square regression) 등과 같은 기계 학습 알고리즘을 이용하는 특징 추출부(240)에 입력될 수 있다. 특징 추출부(240)는 SG 필터(212) 및 드리프트 제거 모듈(214)을 포함할 수 있다. SG 필터(212)는 미분 모듈을 포함하며 추출된 글루코스 스펙트럼을 평활화하는 필터일 수 있다. 도 5A 내지 도 5D는 드리프트 제거 후의 추출 특징 및 글루코스 값의 상관 관계를 나타낸 예시도를 도시한다. SG 필터(212)는 수학식 10을 이용하여 주파수 도메인에서 추출된 글루코스 특징의 d차 미분의 평활화된 버전을 획득할 수 있다. SG 필터(212)를 통해 글루코스 스펙트럼에서 글루코스 특징이 더욱 강조되고, D차 미분의 NIR 스펙트럼의 베이스라인 드리프트(baseline drift)가 대략적으로(coarsely) 제거될 수 있다.
다른 실시예에 따르면, 드리프트 제거 모듈(214)은 SG 필터(212)를 적용한 후 잔류 베이스라인 드리프트를 제거할 수 있다.
Figure 112018022445617-pat00044
는 글루코스 값의 N개의 관측치에 대응하는 P개의 특징을 각 행에 가지는 N x P의 특징 행렬일 수 있다.
Figure 112018022445617-pat00045
의 각 행에는 하나의 원시 NIR 스펙트럼의 추출된 글루코스 특징(
Figure 112018022445617-pat00046
)이 포함될 수 있다.
Figure 112018022445617-pat00047
의 임의의 주어진 엘리먼트(element)는 파장
Figure 112018022445617-pat00048
및 시간
Figure 112018022445617-pat00049
와 관련되며 수학식 11로 표현될 수 있다.
Figure 112018022445617-pat00050
여기서,
Figure 112018022445617-pat00051
는 시변 특징(time varying feature)(
Figure 112018022445617-pat00052
)이고,
Figure 112018022445617-pat00053
는 여러 잔여 체성분 스펙트럼들의 조합이 될 수 있는 시불변 간섭(non-time varying interference)이고, G는 시간 t에서의 글루코스 값이고,
Figure 112018022445617-pat00054
는 주어진
Figure 112018022445617-pat00055
에 대한 시간적 드리프트 성분(temporal drift components)일 수 있다.
Figure 112018022445617-pat00056
는 상수일 수 있다.
주어진
Figure 112018022445617-pat00057
에 대해
Figure 112018022445617-pat00058
를 시간에 대해 미분하면 수학식 12를 획득할 수 있다.
Figure 112018022445617-pat00059
또한,
Figure 112018022445617-pat00060
를 평균하면 수학식 13을 획득할 수 있다.
Figure 112018022445617-pat00061
여기서, 글루코스 변화가 0일 때, 대략적으로
Figure 112018022445617-pat00062
가 될 수 있다.
각 파장은 수학식 14와 같이 드리프트에 대해 보상될 수 있다.
Figure 112018022445617-pat00063
여기서,
Figure 112018022445617-pat00064
는 글루코스 특징의
Figure 112018022445617-pat00065
번째 관측에 대응할 수 있다.
즉, 드리프트 제거 모듈(214)은 글루코스 특징(
Figure 112018022445617-pat00066
)을 미분하고 평균하여 시간적 드리프트 성분의 평균(driftmean(λ))을 산출한 후, 글루코스 특징(
Figure 112018022445617-pat00067
)에서 시간적 드리프트 성분의 평균((driftmean(λ))을 감산함으로써 시간적 드리프트 성분을 제거할 수 있다.
트레이닝 데이터와 예측 데이터 모두에 대해 획득된
Figure 112018022445617-pat00068
는 회귀 분석을 위해 PCR, PLSR, 또는 기타 기계 학습 알고리즘으로 전송될 수 있다.
기계 학습 알고리즘에 캘리브레션 및 트레이닝 데이터를 제공하는 방법은 다음과 같다. Day 1에 취득한 한 사람의 원시 NIR 데이터를 캘리브레이션 데이터(
Figure 112018022445617-pat00069
)로 사용할 수 있다. 캘리브레이션 데이터(
Figure 112018022445617-pat00070
)는
Figure 112018022445617-pat00071
을 출력하는 도 2의 특징 추출부(240)로 전달될 수 있다.
Figure 112018022445617-pat00072
의 각 행은 NIR 스펙트럼의 하나의 인스턴스의 글루코스 특징을 나타낼 수 있다.
Figure 112018022445617-pat00073
은 주어진 NIR 스펙트럼들(
Figure 112018022445617-pat00074
)에 대응하는, 임의의 기존 기술(예, blood glucose test)로 측정된 라벨링된 글루코스 값을 나타낼 수 있다. 행렬
Figure 112018022445617-pat00075
은 기계 학습 알고리즘으로 제공되고, 기계 학습 알고리즘에 기초하여 글루코스 값을 위한 모델이 구축될 수 있다. Day 2에 취득한 동일 또는 다른 사람의 원시 NIR 데이터를 예측 데이터(
Figure 112018022445617-pat00076
로 사용할 수 있다. 예측 데이터(
Figure 112018022445617-pat00077
)는
Figure 112018022445617-pat00078
을 출력하는 도 2의 특징 추출부(240)로 전달될 수 있다.
Figure 112018022445617-pat00079
는 기계 학습 알고리즘을 이용하여 생성된 모델에 전달되고,
Figure 112018022445617-pat00080
에 대응하는 글루코스 값이 예측될 수 있다.
도 6A, 도 6B 및 도 6C는 PCR을 이용하여 글루코스 값을 예측한 결과의 일 실시예를 도시한다. 도 6A 및 도 6B에서,
Figure 112018022445617-pat00081
는 캘리브레이션 데이터 및 예측 데이터를 수집하는데 고려되는 대상 또는 사람일 수 있다. 예를 들어, Day 1에 s1으로부터 매분 단위로 2시간 동안 수집된 원시 NIR 데이터가 캘리브레이션을 위해 글루코스 측정 장치에 제공되고 글루코스 예측 모델이 생성될 수 있다. 다른날(Day 2)에 s1에 대한 원시 NIR 데이터가 생성되어 예측을 위해 제공될 수 있다. 도 6A는 Day 2에서 s1의 글루코스 기대값 및 예측값의 플롯(plot)을 도시한다. Day 2에서 S1의 기대값 및 예측값의 피어슨 상관관계 R, 기대값 및 예측값 사이의 예측 표준 오차 SEP, 및 기대값과 예측값의 평균 절대 상대 오차(mean absolute relative difference) MARD가 플롯의 타이틀에 나열될 수 있다. 동일한 실험에서, 5A는 정규화된 글루코스 값과 추출된 정규화된 특징값을 도시한다. 도 6B 및 도 6C는 캘리브레이션 및 예측에 대하여 상이한 샘플을 사용한 유사한 실험 결과를 도시한다.
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
200: NIR 글루코스 측정 장치
220: 필터링부
230: 간섭 제거부
240: 특징 추출부
202, 212: SG 필터
204 푸리에 도메인 필터
206: EMSC 모듈
208: 데이터 화이트닝 모듈
210: 글루코스 스펙트럼 추출 모듈
214: 드리프트 제거 모듈

Claims (22)

  1. NIR 데이터에서 노이즈를 제거하는 단계;
    EMSC(Extended Multiplicative Scatter Correction) 회귀 및 데이터 화이트닝에 기초하여, 상기 노이즈가 제거된 NIR 데이터에서 글루코스 신호를 추출하는 단계; 및
    상기 추출된 글루코스 신호에서 시간적 드리프트 성분(temporal drift components)을 제거하는 단계; 를 포함하는,
    글루코스 특징 추출 방법.
  2. 제1항에 있어서,
    상기 노이즈를 제거하는 단계는,
    SG(Savitzky-Golay) 필터, 푸리에 도메인 필터링 중 적어도 하나를 이용하여 상기 노이즈를 제거하는,
    글루코스 특징 추출 방법.
  3. 제1항에 있어서,
    상기 글루코스 신호를 추출하는 단계는,
    상기 노이즈가 제거된 NIR 데이터에서 글루코스 이외 다른 체성분의 신호 성분을 제거함으로써 상기 글루코스 신호를 추출하는,
    글루코스 특징 추출 방법.
  4. 제3항에 있어서,
    상기 다른 체성분은 물, 지방, 콜라겐, 엘라스틴 및 케라틴 중 적어도 하나를 포함하는,
    글루코스 특징 추출 방법.
  5. 삭제
  6. 제1항에 있어서,
    상기 데이터 화이트닝은 각 체성분의 순수 스펙트럼의 직교 성분을 획득하기 위해 수행되는,
    글루코스 특징 추출 방법.
  7. 제1항에 있어서,
    상기 EMSC 회귀는 상기 데이터 화이트닝에 의해 생성된 각 체성분의 순수 스펙트럼의 직교 성분을 이용하여, 상기 노이즈가 제거된 NIR 데이터를 개별 체성분의 스펙트럼으로 분해하기 위해 수행되는,
    글루코스 특징 추출 방법.
  8. 제1항에 있어서,
    상기 시간적 드리프트 성분을 제거하는 단계는,
    상기 추출된 글루코스 신호를 미분하고 평활화하는 단계; 및
    평활화된 결과에 드리프트 제거 기법을 적용하여 시간적 드리프트 성분을 제거하는 단계; 를 포함하는,
    글루코스 특징 추출 방법.
  9. 제8항에 있어서,
    상기 시간적 드리프트 성분을 제거하는 단계는,
    상기 평활화된 결과를 시간에 대해 미분하고 평균하여 시간적 드리프트 성분을 산출하고, 상기 평활화된 결과에서 상기 시간적 드리프트 성분을 제거하는,
    글루코스 특징 추출 방법.
  10. 사용자에게 조사되어 되돌아오는 NIR 광으로부터 획득된 NIR 데이터에서 노이즈를 제거하여 상기 NIR 데이터를 필터링하는 단계;
    EMSC(Extended Multiplicative Scatter Correction) 회귀 및 데이터 화이트닝에 기초하여, 상기 필터링된 NIR 데이터에서 하나 이상의 체성분의 신호 성분을 제거하여 글루코스 신호를 추출하는 단계;
    상기 추출된 글루코스 신호로부터 시간적 드리프트 성분(temporal drift components)을 제거하는 단계;
    기대되는 글루코스 신호에 기초하여, 시간적 드리프트 성분이 제거된 글루코스 신호를 회귀시킴으로써 글루코스 예측을 위한 데이터 모델을 생성하는 단계; 및
    상기 생성된 데이터 모델을 기반으로 사용자의 글루코스 레벨을 예측하는 단계; 를 포함하는,
    글루코스 모니터링 방법.
  11. 제10항에 있어서,
    상기 체성분은 물, 지방, 단백질 중 적어도 하나를 포함하는,
    글루코스 모니터링 방법.
  12. 제10항에 있어서,
    상기 필터링하는 단계는, SG(Savitzky-Golay) 필터를 이용하여 수행되는,
    글루코스 모니터링 방법.
  13. 푸리에 도메인 필터링을 이용하여, 사용자에게 조사되어 되돌아오는 NIR 광으로부터 획득된 NIR 데이터에서 노이즈를 제거하여 상기 NIR 데이터를 필터링하는 단계;
    상기 필터링된 NIR 데이터에서 하나 이상의 체성분의 신호 성분을 제거하여 글루코스 신호를 추출하는 단계;
    상기 추출된 글루코스 신호로부터 시간적 드리프트 성분(temporal drift components)을 제거하는 단계;
    기대되는 글루코스 신호에 기초하여, 시간적 드리프트 성분이 제거된 글루코스 신호를 회귀시킴으로써 글루코스 예측을 위한 데이터 모델을 생성하는 단계; 및
    상기 생성된 데이터 모델을 기반으로 사용자의 글루코스 레벨을 예측하는 단계; 를 포함하는,
    글루코스 모니터링 방법.
  14. 삭제
  15. 제10항에 있어서,
    상기 데이터 화이트닝은 상기 체성분의 기준 스펙트럼들의 직교 성분들을 획득하기 위해 수행되는,
    글루코스 모니터링 방법.
  16. 제10항에 있어서,
    상기 EMSC 회귀는 상기 데이터 화이트닝에 의해 생성된 직교 스펙트럼들을 이용하여 NIR 흡수 스펙트럼을 개별 체성분의 스펙트럼으로 분해하기 위해 적용되는,
    글루코스 모니터링 방법.
  17. 제10항에 있어서,
    상기 시간적 드리프트 성분을 제거하는 단계는
    상기 추출된 글루코스 신호로부터 시간적 드리프트 성분을 제거하여 상기 추출된 글루코스 신호의 미분을 평활화하는 단계; 를 더 포함하는,
    글루코스 모니터링 방법.
  18. 제17항에 있어서,
    상기 시간적 드리프트 성분을 제거하는 단계는
    상기 추출된 글루코스 신호로부터 잔류 드리프트를 제거하기 위하여 상기 추출된 글루코스 신호의 평활화된 미분에 정밀 드리프트 제거 기법(fine drift removal method)을 적용하는 단계; 를 더 포함하는,
    글루코스 모니터링 방법.
  19. 글루코스 모니터링 장치에 있어서,
    NIR 분광기에서 생성된 NIR 데이터로부터 노이즈 성분을 제거하는 필터링부;
    EMSC(Extended Multiplicative Scatter Correction) 회귀 및 데이터 화이트닝에 기초하여, 물, 지방, 단백질 중 적어도 하나를 포함하는 하나 이상의 체성분의 신호 성분을 제거하여 NIR 데이터로부터 글루코스 신호를 추출하는 간섭 제거부; 및
    상기 추출된 글루코스 신호로부터 상기 NIR 분광기의 드리프트로 인한 드리프트 성분(drift components)을 제거하는 특징 추출부; 를 포함하고,
    상기 글루코스 모니터링 장치는,
    기대되는 글루코스 신호에 기초하여 상기 드리프트 성분이 제거된 글루코스 신호를 회귀시킴으로써 글루코스 예측을 위한 데이터 모델을 생성하고, 생성된 데이터 모델에 기초하여 사용자의 글루코스 레벨을 예측하는,
    글루코스 모니터링 장치.
  20. 글루코스 모니터링 장치에 있어서,
    SG(Savitzky-Golay) 필터 및 푸리에 도메인 필터를 포함하고, NIR 분광기에서 생성된 NIR 데이터로부터 노이즈 성분을 제거하는 필터링부;
    물, 지방, 단백질 중 적어도 하나를 포함하는 하나 이상의 체성분의 신호 성분을 제거하여 NIR 데이터로부터 글루코스 신호를 추출하는 간섭 제거부; 및
    상기 추출된 글루코스 신호로부터 상기 NIR 분광기의 드리프트로 인한 드리프트 성분(drift components)을 제거하는 특징 추출부; 를 포함하고,
    상기 글루코스 모니터링 장치는,
    기대되는 글루코스 신호에 기초하여 상기 드리프트 성분이 제거된 글루코스 신호를 회귀시킴으로써 글루코스 예측을 위한 데이터 모델을 생성하고, 생성된 데이터 모델에 기초하여 사용자의 글루코스 레벨을 예측하는,
    글루코스 모니터링 장치.
  21. 제19항에 있어서,
    상기 간섭 제거부는,
    EMSC(Extended Multiplicative Scatter Correction) 회귀를 수행하기 위하여 체성분들의 기준 스펙트럼들의 직교 성분들을 획득하는 데이터 화이트닝 모듈;
    NIR 데이터를 개별 체성분의 스펙트럼으로 분해하는 EMSC 모듈; 및
    상기 노이즈 성분이 제거된 NIR 데이터로부터 글루코스 신호를 추출하는 글루코스 신호 추출 모듈; 을 포함하는,
    글루코스 모니터링 장치.
  22. 글루코스 모니터링 장치에 있어서,
    NIR 분광기에서 생성된 NIR 데이터로부터 노이즈 성분을 제거하는 필터링부;
    물, 지방, 단백질 중 적어도 하나를 포함하는 하나 이상의 체성분의 신호 성분을 제거하여 NIR 데이터로부터 글루코스 신호를 추출하는 간섭 제거부; 및
    상기 추출된 글루코스 신호로부터 상기 NIR 분광기의 드리프트로 인한 드리프트 성분(drift components)을 제거하는 특징 추출부; 를 포함하고,
    상기 글루코스 모니터링 장치는,
    기대되는 글루코스 신호에 기초하여 상기 드리프트 성분이 제거된 글루코스 신호를 회귀시킴으로써 글루코스 예측을 위한 데이터 모델을 생성하고, 생성된 데이터 모델에 기초하여 사용자의 글루코스 레벨을 예측하고,
    상기 특징 추출부는,
    상기 추출된 글루코스 신호의 미분을 평활화하는 SG 필터; 및
    상기 추출된 글루코스 신호로부터 드리프트 성분을 제거하는 드리프트 제거 모듈; 을 포함하는,
    글루코스 모니터링 장치.
KR1020180026210A 2017-03-27 2018-03-06 글루코스 특징 추출 방법과, 글루코스 모니터링 장치 및 방법 KR102515832B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP18164204.2A EP3381368A1 (en) 2017-03-27 2018-03-27 Method of enabling feature extraction for glucose monitoring using near-infrared (nir) spectroscopy
US15/937,295 US10980484B2 (en) 2017-03-27 2018-03-27 Method of enabling feature extraction for glucose monitoring using near-infrared (NIR) spectroscopy

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN201741010850 2017-03-27
IN201741010850 2017-03-27

Publications (2)

Publication Number Publication Date
KR20180109681A KR20180109681A (ko) 2018-10-08
KR102515832B1 true KR102515832B1 (ko) 2023-03-29

Family

ID=63864501

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180026210A KR102515832B1 (ko) 2017-03-27 2018-03-06 글루코스 특징 추출 방법과, 글루코스 모니터링 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102515832B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040092804A1 (en) * 2002-02-11 2004-05-13 Bayer Healthcare, Llc Non-invasive system for the determination of analytes in body fluids
US20080210872A1 (en) 2003-08-11 2008-09-04 Opgal Ltd. Radiometry Using an Uncooled Microbolometer Detector
US20150305658A1 (en) 2012-12-31 2015-10-29 Omni Medsci. Inc. Near-infrared lasers for non-invasive monitoring of glucose, ketones, hba1c, and other blood constituents
US20160091496A1 (en) * 2014-09-28 2016-03-31 Tianjin Sunrise Technologies Development Co., Ltd. Processing, model establishment, and predication methods of multi-position diffuse spectral data and processing apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040092804A1 (en) * 2002-02-11 2004-05-13 Bayer Healthcare, Llc Non-invasive system for the determination of analytes in body fluids
US20080210872A1 (en) 2003-08-11 2008-09-04 Opgal Ltd. Radiometry Using an Uncooled Microbolometer Detector
US20150305658A1 (en) 2012-12-31 2015-10-29 Omni Medsci. Inc. Near-infrared lasers for non-invasive monitoring of glucose, ketones, hba1c, and other blood constituents
US20160091496A1 (en) * 2014-09-28 2016-03-31 Tianjin Sunrise Technologies Development Co., Ltd. Processing, model establishment, and predication methods of multi-position diffuse spectral data and processing apparatus

Also Published As

Publication number Publication date
KR20180109681A (ko) 2018-10-08

Similar Documents

Publication Publication Date Title
Scholkmann et al. Measuring tissue hemodynamics and oxygenation by continuous-wave functional near-infrared spectroscopy—how robust are the different calculation methods against movement artifacts?
Molavi et al. Wavelet-based motion artifact removal for functional near-infrared spectroscopy
US10765350B2 (en) Noninvasive method for estimating glucose blood constituents
US10980484B2 (en) Method of enabling feature extraction for glucose monitoring using near-infrared (NIR) spectroscopy
JP4474145B2 (ja) 光計測装置
US20140213909A1 (en) Control-based inversion for estimating a biological parameter vector for a biophysics model from diffused reflectance data
US20150025340A1 (en) Calibration curve creating method and apparatus for the same, and blood component calibration apparatus
Zhang et al. RLS adaptive filtering for physiological interference reduction in NIRS brain activity measurement: a Monte Carlo study
Rumiński Reliability of pulse measurements in videoplethysmography
Yuan Spatiotemporal and time-frequency analysis of functional near infrared spectroscopy brain signals using independent component analysis
Naglič et al. Applicability of diffusion approximation in analysis of diffuse reflectance spectra from healthy human skin
Aarabi et al. Characterization of the relative contributions from systemic physiological noise to whole-brain resting-state functional near-infrared spectroscopy data using single-channel independent component analysis
Andersen et al. Assessment of bulk composition of heterogeneous food matrices using Raman spectroscopy
Yakimov et al. Comparative analysis of the methods for quantitative determination of water content in skin from diffuse reflectance spectroscopy data
KR102515832B1 (ko) 글루코스 특징 추출 방법과, 글루코스 모니터링 장치 및 방법
Chowdhury et al. Estimation of blood glucose level of type-2 diabetes patients using smartphone video through PCA-DA
JPWO2018194056A1 (ja) 血液の吸収スペクトルを算出する情報処理方法、情報処理装置およびプログラム
Habbu et al. Noninvasive blood glucose estimation using pulse based cepstral coefficients
JP2010082246A (ja) 生体スペクトルの測定データ処理方法
KR20200130086A (ko) 비침습적 방법에 의한 글루코스 모니터링을 위한 근적외선 분광 데이터 전처리 방법 및 장치
KR20170063039A (ko) 스펙트럼 분석법을 이용한 혈중 성분 수치의 추정 장치
KR102574085B1 (ko) 혈당 농도를 예측하는 장치 및 방법
Askari et al. Application of neural networks for heart rate monitoring
EP3531110A1 (en) Apparatus and method for estimating concentration of blood compound
US20200352517A1 (en) Method of preprocessing near infrared (nir) spectroscopy data for non-invasive glucose monitoring and apparatus thereof

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant