KR102522202B1 - Nir 분광학 데이터를 이용하여 혈당 레벨을 예측하는 장치 및 방법 - Google Patents
Nir 분광학 데이터를 이용하여 혈당 레벨을 예측하는 장치 및 방법 Download PDFInfo
- Publication number
- KR102522202B1 KR102522202B1 KR1020180032866A KR20180032866A KR102522202B1 KR 102522202 B1 KR102522202 B1 KR 102522202B1 KR 1020180032866 A KR1020180032866 A KR 1020180032866A KR 20180032866 A KR20180032866 A KR 20180032866A KR 102522202 B1 KR102522202 B1 KR 102522202B1
- Authority
- KR
- South Korea
- Prior art keywords
- glucose
- nir
- spectrum
- feature set
- features
- Prior art date
Links
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 185
- 239000008103 glucose Substances 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000008280 blood Substances 0.000 title claims abstract description 30
- 210000004369 blood Anatomy 0.000 title claims abstract description 30
- 238000004497 NIR spectroscopy Methods 0.000 title claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims abstract description 62
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 230000001419 dependent effect Effects 0.000 claims description 39
- 238000013145 classification model Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 14
- 238000012549 training Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000002596 correlated effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 239000010752 BS 2869 Class D Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000001747 exhibiting effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 102000008186 Collagen Human genes 0.000 description 1
- 108010035532 Collagen Proteins 0.000 description 1
- 102000016942 Elastin Human genes 0.000 description 1
- 108010014258 Elastin Proteins 0.000 description 1
- 101000634679 Homo sapiens Nucleolar complex protein 2 homolog Proteins 0.000 description 1
- 102000011782 Keratins Human genes 0.000 description 1
- 108010076876 Keratins Proteins 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229920001436 collagen Polymers 0.000 description 1
- 229920002549 elastin Polymers 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000004190 glucose uptake Effects 0.000 description 1
- 102000045046 human NOC2L Human genes 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—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
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
-
- 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
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Emergency Medicine (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
NIR 분광학 데이터를 이용하여 혈당 레벨을 예측하는 장치 및 방법이 개시된다. 일 양상에 따른 NIR 분광학 데이터를 이용한 혈당 레벨 예측 방법은, NIR 글루코스 스펙트럼으로부터 특징 세트를 획득하는 단계와, 상기 NIR 글루코스 스펙트럼의 바이너리 분류, 및 기계 학습 회귀를 이용한 글루코스의 인-클래스 예측을 기반으로 상기 특징 세트로부터 글루코스 값을 예측하는 단계를 포함할 수 있다.
Description
NIR 분광학 데이터를 이용하여 혈당 레벨을 예측하는 장치 및 방법과 관련된다.
글루코스 모니터링은 혈액 샘플 내의 글루코스 레벨을 측정하기 위해 사용될 수 있다. 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.
여기서 
는 흡광 계수, 
는 용질의 농도, 
는 침투 깊이를 나타낼 수 있다.
혈액이 서로 다른 성분으로 구성되어 있다면, 전체 흡수는 다음과 같이 주어질 수 있다.
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.
또한, 간질 액체(interstitial liquid) 내의 글루코스 농도는 다음과 같이 주어질 수 있다.
따라서, 글루코스 흡수의 값이 다른 성분보다 몇 배나 작고, 글루코스 정보가 NIR 데이터의 노이즈 성분으로 인하여 왜곡되기 때문에 글루코스 모니터링은 매우 어렵다. 다른 성분의 농도는 아래 표에 나타난다.
그러므로, NIR 분광학 데이터를 이용하여 높은 정확도로 혈당값을 예측하는 방법이 필요하다.
NIR 분광학 데이터를 이용하여 혈당 레벨을 예측하는 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 NIR 분광학 데이터를 이용한 혈당 레벨 예측 방법은, NIR 글루코스 스펙트럼으로부터 특징 세트를 획득하는 단계와, 상기 NIR 글루코스 스펙트럼의 바이너리 분류, 및 기계 학습 회귀를 이용한 글루코스의 인-클래스 예측을 기반으로 상기 특징 세트로부터 글루코스 값을 예측하는 단계를 포함할 수 있다.
상기 특징 세트를 획득하는 단계는, 상이한 혈당 레벨과 관련된 NIR 글루코스 스펙트럼 샘플로부터 원시 특징 세트를 획득하는 단계와, 상기 NIR 글루코스 스펙트럼 샘플에 존재하는 하나 이상의 글루코스 의존 특징을 식별하는 단계와, 상기 식별된 하나 이상의 글루코스 의존 특징으로부터 공선성(collinearity)을 제거하여 상기 특징 세트를 획득하는 단계를 포함할 수 있다.
상기 하나 이상의 글루코스 의존 특징을 식별하는 단계는, 상기 NIR 글루코스 스펙트럼에서 동일한 글루코스 값에 대해 낮은 분산을 나타내는 특징의 낮은 분산 세트를 획득하는 단계와, 글루코스 레벨의 변화에 따라 변화하는 특징의 높은 분산 세트를 획득하는 단계와, 상기 낮은 분산 세트 및 상기 높은 분산 세트 모두에 공통인 특징으로서, 상기 하나 이상의 글루코스 의존 특징을 획득하는 단계를 포함할 수 있다.
상기 글루코스 값을 예측하는 단계는, 상이한 시간 인스턴스에서 복수의 글루코스 값을 나타내는 글루코스 플롯을 획득하는 단계와, 상기 시간 인스턴스에 기초하여 상기 복수의 글루코스 값을 상승 시간 기간의 글루코스 값에 대응하는 제1 빈 및 감쇠 시간 기간의 글루코스 값에 대응하는 제2 빈으로 분류하는 단계를 포함할 수 있다.
혈당 레벨 예측 방법은, 상기 NIR 글루코스 스펙트럼을 역전파 기법을 이용하여 제1 빈 및 제2 빈으로 분류하는 분류 모델에 기초한 인공 싱경망(ANN) 프레임워크를 생성하는 단계와, 생성된 분류 모델에 기초하여 상기 NIR 글루코스 스펙트럼을 분류하는 단계를 더 포함할 수 있다.
상기 글루코스 값을 예측하는 단계는, 상기 NIR 분광학 데이터를 하나 이상의 바이너리 클래스로 분리하는 단계와, 상기 하나 이상의 바이너리 클래스 각각에 대한 회귀 모델을 생성하는 단계와, 각 클래스에 대해 상기 생성된 회귀 모델에 기초하여 글루코스 값을 예측하는 단계를 포함할 수 있다.
다른 양상에 따른 글루코스 예측 장치는, NIR 글루코스 스펙트럼으로부터 특징 세트를 획득하는 특징 세트 추출부와, 상기 글루코스 스펙트럼의 바이너리 분류, 및 기계 학습 회귀를 이용한 글루코스의 인-클래스 예측을 기반으로 상기 특징 세트로부터 글루코스 값을 예측하는 예측부를 포함할 수 있다.
상기 특징 세트 추출부는, 상이한 혈당 레벨과 관련된 NIR 글루코스 스펙트럼 샘플로부터 원시 특징 세트를 추출하는 원시 특징 세트 추출부와, 상기 NIR 글루코스 스펙트럼 샘플에 존재하는 하나 이상의 글루코스 의존 특징을 식별하는 글루코스 의존 특징 분리부와, 상기 식별된 하나 이상의 글루코스 의존 특징으로부터 공선성(collinearity)을 제거하여 상기 특징 세트를 획득하는 공선성 제거부를 포함할 수 있다.
상기 글루코스 의존 특징 분리부는, 상기 NIR 글루코스 스펙트럼에서 동일한 글루코스 값에 대해 낮은 분산을 나타내는 특징의 낮은 분산 세트를 획득하고, 글루코스 레벨의 변화에 따라 변화하는 특징의 높은 분산 세트를 획득하고, 상기 낮은 분산 세트 및 상기 높은 분산 세트 모두에 공통인 특징으로서, 상기 하나 이상의 글루코스 의존 특징을 획득할 수 있다.
NIR 스펙트럼으로부터 특징 세트를 획득하고 2-스테이지 알고리즘을 기반으로 특징 세트로부터 글루코스 값을 예측함으로써 혈당 추정의 정확도를 향상시킬 수 있다.
도 1은 글루코스 값이 140 mg/dL 경우의 전처리된 글루코스 스펙트럼의 예시도이다.
도 2는 일 실시예에 따른, 상이한 글루코스 레벨에 대해 획득된 상이한 글루코스 스펙트럼의 예시도이다.
도 3은 일 실시예에 따른, 원시 특징 세트로부터 글루코스 의존 특징을 분리하는 방법을 도시한 흐름도이다.
도 4는 일 실시예에 따른, 글루코스 의존 특징으로부터 공선성을 제거하는 방법을 도시한 흐름도이다.
도 5는 일 실시예에 따른, 글루코스 예측 장치를 도시한 블록도이다.
도 6a는 일 실시예에 따른, 테스트 대상의 시간에 대한 글루코스 값 변화를 도시한 도면이다.
도 6b는 일 실시예에 따른, 글루코스 플롯(glucose plot)에서 상이한 인스턴스에 글루코스 값 141 mg/dL과 관련된 스펙트럼을 도시한 도면이다.
도 7은 일 실시예에 따른, 글루코스 값 예측을 위한 회귀 모델을 생성하는 방법을 도시한 흐름도이다.
도 2는 일 실시예에 따른, 상이한 글루코스 레벨에 대해 획득된 상이한 글루코스 스펙트럼의 예시도이다.
도 3은 일 실시예에 따른, 원시 특징 세트로부터 글루코스 의존 특징을 분리하는 방법을 도시한 흐름도이다.
도 4는 일 실시예에 따른, 글루코스 의존 특징으로부터 공선성을 제거하는 방법을 도시한 흐름도이다.
도 5는 일 실시예에 따른, 글루코스 예측 장치를 도시한 블록도이다.
도 6a는 일 실시예에 따른, 테스트 대상의 시간에 대한 글루코스 값 변화를 도시한 도면이다.
도 6b는 일 실시예에 따른, 글루코스 플롯(glucose plot)에서 상이한 인스턴스에 글루코스 값 141 mg/dL과 관련된 스펙트럼을 도시한 도면이다.
도 7은 일 실시예에 따른, 글루코스 값 예측을 위한 회귀 모델을 생성하는 방법을 도시한 흐름도이다.
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.
명세서 전반에 걸쳐, "빈(bins)" 및 "클래스(classes)"라는 용어는 상호 교환 가능하게 사용된다.
하나 이상의 예시적인 실시예는 근적외선(NIR) 분광학 데이터를 이용하여 혈당 레벨을 예측하는 방법을 제공한다. 이 방법은 NIR 분광학 데이터를 기반으로 비침습적으로 혈당 레벨을 산출하는 단계를 포함하며, 혈당 레벨을 측정하는데 사용될 수 있다. 예측 방법은 혈당 레벨을 예측하기 위한 2-스테이지 알고리즘을 포함할 수 있다.
예측 방법은 본 명세서에서 상세히 설명된다. 먼저, 표준 침습 시술을 이용하여 혈당 레벨을 획득하고, NIR 분광기를 이용하여 사람에게 비침습성 스펙트럼 스캔을 수행하여 원시 NIR 스펙트럼을 획득할 수 있다. 원시 NIR 스펙트럼을 침습 시술을 통해 획득된 글루코스 레벨로 라벨링할 수 있다. 획득된 원시 NIR 스펙트럼을 전처리하여 글루코스 스펙트럼을 획득할 수 있다. 140 mg/dL의 글루코스 값에 대한 전처리된 글루코스 스펙트럼의 예가 도 1에 도시된다. 획득된 글루코스 스펙트럼은 특징으로 지칭되는 129개의 샘플을 포함할 수 있다. 글루코스 스펙트럼 및 관련 글루코스 값은 데이터 행렬로 지칭되는 행렬 X의 형태로 배열될 수 있다.
여기서, 원소 
는 k번째 스펙트럼과 관련된 글루코스 값이며 129개의 샘플(
)을 포함할 수 있다. 
은 하루 동안 획득한 총 샘플 수이고 이때의 샘플은 N개의 샘플이 누적될 때까지 매분마다 연속적으로 획득될 수 있다.
또한, 102 mg/dL, 140 mg/dL, 190 mg/dL과 같이 상이한 레벨의 글루코스 값에 대한 글루코스 스펙트럼이 도 2에 도시된다. 도 2에 도시된 바와 같이, 글루코스 값에 따른 스펙트럼 차이는 주로 스펙트럼의 가장자리 부위에서 발생할 수 있다. 후술하는 특징은 가장자리에 있는 정보를 캡처하여 획득할 수 있다.
- 피크 대 밸리 비(Peak to valley ratio): 피크 대 밸리 비(
)는 밸리값의 평균에 대한 피크값의 평균의 비로 정의될 수 있다.
- 피크 대 피크 비(Peak to peak ratio): 피크 대 피크 비(
)는 스펙트럼 파형의 서로 다른 피크값의 비로 정의될 수 있다.
- 평균 피크값(Mean peak value): 평균 피크값(
)은 모든 피크의 서브셋에서 발생하는 값들의 평균으로 획득할 수 있다.
- 스펙트럼 에너지(Spectra energy): 스펙트럼 에너지(
)는 신호의 에너지를 나타내며, 
로 정의될 수 있다. 앞의 2개의 특징(피크 대 밸리 비 및 피크 대 피크 비)은 서로 다른 신호대잡음비(SNR)에서 원하는 출력을 제공할 것으로 예상되는 피크/밸리의 상대적인 정보를 캡쳐하는 반면, 나머지 2개의 특징들은 주어진 스펙트럼의 절대 기간(absolute span)에 대응할 수 있다.
- 스펙트럼 샘플: 상기의 4가지 특징과는 별도로, 129개의 글루코스 스펙트럼 샘플을 스펙트럼 샘플로 호칭할 수 있다. 따라서, NIR 스펙트럼의 129개의 특징과 전술한 4개의 특징을 포함한 총 133개의 특징이 모델 훈련을 위한 원시 특징 세트를 구성할 수 있다.
원시 특징 세트가 획득되면, 133개의 특징 세트로부터 글루코스 의존 특징을 획득할 수 있다. 133개의 특징 중에서 일부 특징은 스펙트럼 데이터 세트에서 동일한 글루코스 값에 대해 낮은 분산(low variance)을 가지는 반면, 일부 특징은 글루코스 값의 변화에 따라 크게 달라질 수 있다. 이러한 특징을 각각 낮은 분산 특징(low variance features) 및 높은 분산 특징(high variance features)이라고 할 수 있다. 낮은 분산 특징 및 높은 분산 특징 모두에서, 낮은 분산 세트 및 높은 분산 세트 모두에 공통인 글루코스 의존 특징 세트를 글루코스 의존 특징으로 선택할 수 있다. 해당 방법의 단계들이 도 3에 도시된다.
도 3은 일 실시예에 따른, 원시 특징 세트로부터 글루코스 의존 특징을 분리하는 방법을 도시한 흐름도이다. 먼저, 133개 특징을 포함하는 원시 특징 세트는 높은 분산 세트 
와 낮은 분산 세트 
로 분류될 수 있다. 단계 302에서, 낮은 분산 세트 
의 사이즈
와 높은 분산 세트 
의 사이즈 
를 포함하는 스펙트럼 데이터 행렬 X가 입력될 수 있다. 단계 304에서, 스펙트럼 데이터 세트에서 동일한 글루코스 값에 대해 최소 변화를 보이는 
개의 특징을 분리함으로써 사이즈 
의 낮은 분산 세트 
가 획득될 수 있다. 단계 306에서, 서로 다른 글루코스 값에 대해 최대 변화를 보이는 
개의 특징을 분리함으로써 사이즈 
의 높은 분산 세트 
가 획득될 수 있다. 단계 308에서, 분산 세트 
및 
모두에 공통인 특징이 글루코스 의존 특징을 식별하도록 선택될 수 있다.
도 4는 일 실시예에 따른, 글루코스 의존 특징으로부터 공선성(collinearity)을 제거하는 방법을 도시한 흐름도이다. 예시적인 실시예에서, 글루코스 의존 특징은 글루코스 예측 알고리즘의 정확성에 영향을 미치는 고도로 상관되거나 공선적인(collinear) 특징을 가질 수 있다. 따라서, 글루코스 의존 특징으로부터 공선적인 특징을 제거할 필요가 있다.
단계 402에서, 행렬 F가 k=1 및 
를 가지는 글루코스 의존 특징에 기초하여 형성될 수 있다. 이때, 변수 'k'는 F의 k번째 행을 색인하는데 사용되고, 
는 상관 임계치를 나타낼 수 있다. 단계 404에서, 글루코스 의존 특징에 대한 공분산 행렬 
이 획득될 수 있다. 예컨대, 공분산 행렬 
는 수학식 1에 기초하여 산출될 수 있다.
단계 406에서, k번째 행에 대한 공분산 행렬 
이 획득되고, 공분산 행렬 
에서 
보다 크기가 큰 엘리먼트의 인덱스가 식별될 수 있다. 단계 408에서, 
를 획득하기 위해 
보다 크기가 큰 행이 제거될 수 있다. 
는 각 단계에서 높은 상관 관계가 있는 특징을 제거함으로써 행렬 F로부터 획득된 행렬일 수 있다. 또한, 단계 408에서, 
에 대한 공분산 행렬 
이 산출될 수 있다. 단계 410에서, 행렬 내의 모든 행들이 처리되는지 여부가 결정될 수 있다. 모든 행이 처리되지 않으면, 단계 414에서, 모든 행의 처리가 완료될 때까지 k의 값이 1씩 증가되고, 모든 행이 처리되면, 단계 412에서, 
가 보유하고 있는 최종 출력 특징이 획득될 수 있다.
글루코스 의존 특징으로부터 공선성 제거 후에 남아 있는 최종 출력 특징을 특징 세트라고 할 수 있다. 획득된 특징 세트를 이용하여, NIR 글루코스 스펙트럼을 바이너리 분류 기법을 통해 분류할 수 있다. 바이너리 분류 기법에서는 상이한 타임 인스턴스에서 상이한 그루코스 값에 대한 글루코스 플롯(plot)이 고려될 수 있다.
도 5는 일 실시예에 따른 글루코스 예측 장치를 도시한 블록도이다. 도 5에 도시된 바와 같이, 글루코스 예측 장치(500)는 특징 세트 추출부(502) 및 혈당 레벨을 예측하는 예측부(504)를 포함할 수 있다. 특징 세트 추출부(502)는 원시 특징 추출부(506), 글루코스 의존 특징 분리부(508), 및 공선성 제거부(510)를 포함할 수 있다. 예측부(504)는 바이너리 분류 모델 생성 모듈(512) 및 인-클래스 회귀 모델 생성 모듈(514)를 포함할 수 있다. 원시 특징 추출부(506), 글루코스 의존 특징 분리부(508), 공선성 제거부(510), 바이너리 분류 모델 생성 모듈(512) 및 인-클래스 회귀 모델 생성 모듈(514)은 하나 이상의 프로세서로 구현될 수 있다.
특징 세트 추출부(502)는 혈당값 예측을 위한 글루코스 특징의 최종 세트를 획득할 수 있다. 특징 세트는 원시 특징 추출부(506), 글루코스 의존 특징 분리부(508), 및 공선성 제거부(510)를 포함하는 모듈들을 이용하여 획득될 수 있다. 원시 특징 추출부(506)는 NIR 분광기를 통하여 사람의 NIR 스펙트럼을 획득할 수 있다. 원시 특징 추출부(506)는 NIR 스펙트럼을 처리하여 글루코스 스펙트럼을 획득할 수 있다. 원시 특징 추출부(506)는 획득된 글루코스 스펙트럼으로부터 129개의 특징을 추출할 수 있다. 원시 특징 추출부(506)는 총 133개의 특징이 되도록, 상이한 글루코스 값에 대해 획득된 글루코스 스펙트럼을 처리하여 4개의 추가 특징을 획득할 수 있다. 글루코스 의존 특징 분리부(508)는 133개의 특징을 분석하여 글루코스 의존 특징만을 추출할 수 있다.
글루코스 의존 특징 분리부(508)는 133개의 특징 전체를 높은 분산 세트와 낮은 분산 세트로 분리할 수 있다. 글루코스 의존 특징 분리부(508)는 스펙트럼 데이터 세트에서 동일 글루코스 값에 대해 낮은 분산을 나타내는 특징을 낮은 분산 세트로 분리하고, 글루코스 값의 변화에 따라 크게 변화하는 특징은 높은 분산 세트로 분리할 수 있다. 글루코스 의존 특징 분리부(508)는 높은 분산 데이터 세트 및 낮은 분산 데이터 세트 모두에 존재하는 공통 특징을 식별할 수 있다. 식별된 공통 특징은 글루코스 의존 특징으로 간주될 수 있다.
공선성 제거부(510)는 글루코스 의존 특징으로부터 공선성을 제거할 수 있다. 도 4에 도시된 바와 같이, 공선성 제거부(510)는 글루코스 의존 특징을 이용하여 행렬을 형성할 수 있다. 그 후, 공선성 제거부(510)는 k번째 행에 대한 공분산 행렬을 구하고, k번째 행에서 임계값보다 크기가 큰 엘리먼트의 인덱스를 식별하고 제거하여, 
에 유지되는 최종 출력 특징을 획득할 수 있다. 최종 출력 특징을 '특징 세트'라고 할 수 있다. 이 '특징 세트'는 추가 처리를 위해 예측부(504)에 전송될 수 있다.
일 실시예에 따르면, 예측부(504)는 특징 세트 추출부(502)로부트 획득된 '특징 세트'를 이용하여 글루코스 값 예측을 위한 모델을 생성할 수 있다. 예측부(504)는 2-스테이지 알고리즘을 이용하여 주어진 글루코스 스펙트럼에 대응하는 혈당값을 예측할 수 있다. 2-스테이지 알고리즘은 바이너리 분류 모델 생성 모듈(512) 및 인-클래스 회귀 모델 생성 모듈(514)을 포함할 수 있다. 바이너리 분류 모델 생성 모듈(512)은 바이너리 분류 모델을 얻기 위해 인공 신경망의 훈련을 수행할 수 있다. 인-클래스 회귀 모델 생성 모듈(514)은 인-클래스 회귀 모델을 얻기 위해 기계 학습 회귀 툴의 회귀 훈련을 수행할 수 있다. 2개의 알고리즘에 기초하여 생성된 회귀 모델은 도 7에 상세히 기술된다.
도 6a는 일 실시예에 따라, 바이너리 분류 모델을 생성하기 위하여 상이한 타임 인스턴스에서의 글루코스 값에 대해 획득된 글루코스 플롯을 도시한다. 도 6a는 또한 141 mg/dL의 글루코스 값이 측정되는 경우의 인스턴스, 즉 타임 인스턴스 9, 116, 122를 도시한다. 음식 섭취를 포함하는 시간에 대한 글루코스 값의 변화가 고려될 수 있다. 글루코스 값 141에 대응하는 스펙트럼은 상이한 시간에서 매우 유사하게 보이지만, 작은 변화가 있을 수도 있다. 도 6b에 도시된 바와 같이, 인스턴스 116 및 122에서 141 mg/dL의 동일한 글루코스 값에 대해 획득된 스펙트럼은 높은 상관 관계를 가지며 인스턴스 9에서의 글루코스 스펙트럼과 비유사하게 보일 수 있다. 상이한 인스턴스에서의 동일한 글루코스 값의 스펙트럼의 특성 차이는 글루코스 값의 전이(transition) 특성에 기인할 수 있다. 이러한 전이는 스펙트럼의 다중-클래스 분류의 기초를 형성할 수 있다. 따라서, 글루코스 값의 전체 범위는 빈 1 및 빈 2라는 2개의 빈으로 분류될 수 있다. 빈 1은 상승 기간(rise period)의 글루코스 값에 대응하고, 빈 2는 감쇠 기간(decay period)의 글루코스 값에 대응할 수 있다. 동일한 빈에 속하는 스펙트럼은 높은 상관 관계가 있다. 이를 기반으로, 바이너리 분류를 위한 분류 모델이 생성될 수 있다. NIR 스펙트럼의 바이너리 분류를 위해 인공 신경망(artificial neural network, ANN) 기반 학습이 이용될 수 있다.
2개의 빈을 사용하여 2개의 클래스, 즉 클래스-R 및 클래스-D가 정의될 수 있다. 클래스-R은 상승 기간에 대응하고, 클래스-D는 감쇠 기간에 대응할 수 있다. 2개의 클래스는 ANN 프레임워크를 기반으로 분류 모델을 생성하는데 사용될 수 있다. 모델 훈련은 MATLAB에서 구현된 역전파 알고리즘을 이용하여 수행될 수 있다. 먼저, 실험 첫날 테스트 대상에서 얻은 데이터(이하, day-1 데이터)가 모델 훈련에 사용될 수 있다. ANN에 대한 모델 훈련은 역전파 알고리즘을 이용하여 수행될 수 있다.
일 실시예에 따르면, 훈련된 분류 모델은 실험 둘째날 동일한 테스트 대상에서 얻은 데이터(이하, day-2 데이터)를 이용하여 테스트될 수 있다. 분류 모델 훈련에 사용되는 특징은 테스트 데이터-세트의 개별 스펙트럼 각각에 대해 추출될 수 있다. 추출된 특징은 테스트 데이터의 개별 스펙트럼과 관련된 글루코스 값 예측 모델의 입력으로 제공될 수 있다. 그 후, 아래의 표에 표시된 바와 같이, S1, S2, S3 및 S4로 표시된 4명의 상이한 테스트 대상에 대하여 각 클래스에 대한 분류 정확도가 획득될 수 있다. 이러한 결과를 생성하기 위해, 20개 노드의 히든 레이어가 있는 3 레이어 ANN이 분류 모델 구축에 고려될 수 있다.
바이너리 분류가 수행되면, 기계 학습(ML) 회귀 모델이 인-클래스 예측을 위해 사용될 수 있다. 회귀 모델 생성에 대한 구체적인 내용은 도 7에 도시된다.
도 7은 일 실시예에 따른, 회귀 모델 생성 방법을 도시한 흐름도이다. 단계 702에서, 훈련 데이터는 각각 클래스-R 및 클래스-D에 대응하는 2개의 빈으로 분리될 수 있다. 그 다음 글루코스 값을 예측하기 위하여 개별 빈 각각에 회귀 모델 훈련이 수행될 수 있다. 회귀가 빈-R 또는 빈-D에 속하는 것으로 분류된 주어진 특징 벡터를 통해 수행되어 특징 벡터와 관련된 대응 글루코스 값을 획득할 수 있다. 인-클래스 회귀에 사용된 특징 세트는 분류 모델 훈련에 사용된 것과 동일할 수 있다. 단계 704에서, 각 빈에 대한 회귀 모델이 생성되고, 단계 706에서, 각 빈에 대한 회귀 모델을 이용하여 글루코스 값 예측이 수행될 수 있다. 인-클래스 회귀에 대한 정확도 결과는 아래의 표로 주어질 수 있다. 이때 가우시안 프로세스 회귀(Gaussian process regression)가 사용될 수 있다. 테스트 대상 각각에 대해 day-1 데이터가 훈련을 위해 사용되고 day-2 데이터가 테스트를 위해 사용될 수 있다.
상기의 표에서, 예상되는 상관 계수 
는 개별 빈의 R 값의 가중 합으로 수학식 2와 같이 정의될 수 있다.
유사하게, 예상되는 상관 계수 
및 
는 각각 수학식 3 및 수학식 4와 같이 정의될 수 있다.
여기서, 
및 
는 각각 빈-R 및 빈-D에 속하는 샘플 수를 나타낼 수 있다.
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. 또한, 본 발명의 일 양상은 반송파와 같은 컴퓨터로 읽을 수 있는 전송 매체를 통해 전송되고, 프로그램을 실행하는 범용 또는 특수 목적 디지털 컴퓨터에서 수신되고 구현되는 컴퓨터 프로그램으로 기록될 수 있다. 또한, 전술한 장치의 하나 이상의 구성부는 회로, 프로세서, 및 마이크로 프로세서 등을 포함할 수 있고, 컴퓨터로 읽을 수 있는 매체에 저장된 컴퓨터 프로그램을 실행할 수 있는 것으로 이해할 수 있을 것이다.
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.
500: 글루코스 예측 장치
502: 특징 세트 추출부
504: 예측부
506: 원시 특징 추출부
508: 글루코스 의존 특징 분리부
510: 공선성 제거부
512: 바이너리 분류 모델 생성 모듈
514: 인-클래스 회귀 모델 생성 모듈
502: 특징 세트 추출부
504: 예측부
506: 원시 특징 추출부
508: 글루코스 의존 특징 분리부
510: 공선성 제거부
512: 바이너리 분류 모델 생성 모듈
514: 인-클래스 회귀 모델 생성 모듈
Claims (9)
- 글루코스 예측 장치에 의해 NIR 분광학 데이터를 이용한 혈당 레벨 예측 방법에 있어서,
NIR 글루코스 스펙트럼으로부터 특징 세트를 획득하는 단계; 및
상기 NIR 글루코스 스펙트럼의 바이너리 분류, 및 기계 학습 회귀를 이용한 글루코스의 인-클래스 예측을 기반으로 상기 특징 세트로부터 글루코스 값을 예측하는 단계; 를 포함하고,
상기 특징 세트를 획득하는 단계는
상이한 혈당 레벨과 관련된 NIR 글루코스 스펙트럼 샘플로부터 원시 특징 세트를 획득하는 단계;
상기 NIR 글루코스 스펙트럼 샘플에 존재하는 하나 이상의 글루코스 의존 특징을 식별하는 단계; 및
상기 식별된 하나 이상의 글루코스 의존 특징으로부터 공선성(collinearity)을 제거하여 상기 특징 세트를 획득하는 단계를 포함하는
혈당 레벨 예측 방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 글루코스 값을 예측하는 단계는,
상이한 시간 인스턴스에서 복수의 글루코스 값을 나타내는 글루코스 플롯을 획득하는 단계; 및
상기 시간 인스턴스에 기초하여 상기 복수의 글루코스 값을 상승 시간 기간의 글루코스 값에 대응하는 제1 빈 및 감쇠 시간 기간의 글루코스 값에 대응하는 제2 빈으로 분류하는 단계; 를 포함하는,
혈당 레벨 예측 방법. - 제4항에 있어서,
상기 NIR 글루코스 스펙트럼을 역전파 기법을 이용하여 제1 빈 및 제2 빈으로 분류하는 분류 모델에 기초한 인공 싱경망(ANN) 프레임워크를 생성하는 단계; 및
생성된 분류 모델에 기초하여 상기 NIR 글루코스 스펙트럼을 분류하는 단계; 를 더 포함하는,
혈당 레벨 예측 방법. - 제1항에 있어서,
상기 글루코스 값을 예측하는 단계는,
상기 NIR 분광학 데이터를 하나 이상의 바이너리 클래스로 분리하는 단계;
상기 하나 이상의 바이너리 클래스 각각에 대한 회귀 모델을 생성하는 단계; 및
각 클래스에 대해 상기 생성된 회귀 모델에 기초하여 글루코스 값을 예측하는 단계; 를 포함하는,
혈당 레벨 예측 방법. - 글루코스 예측 장치에 있어서,
NIR 글루코스 스펙트럼으로부터 특징 세트를 획득하는 특징 세트 추출부; 및
상기 글루코스 스펙트럼의 바이너리 분류, 및 기계 학습 회귀를 이용한 글루코스의 인-클래스 예측을 기반으로 상기 특징 세트로부터 글루코스 값을 예측하는 예측부; 를 포함하고,
상기 특징 세트 추출부는
상이한 혈당 레벨과 관련된 NIR 글루코스 스펙트럼 샘플로부터 원시 특징 세트를 추출하는 원시 특징 세트 추출부;
상기 NIR 글루코스 스펙트럼 샘플에 존재하는 하나 이상의 글루코스 의존 특징을 식별하는 글루코스 의존 특징 분리부; 및
상기 식별된 하나 이상의 글루코스 의존 특징으로부터 공선성(collinearity)을 제거하여 상기 특징 세트를 획득하는 공선성 제거부를 포함하는
글루코스 예측 장치. - 삭제
- 삭제
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IN201741015911 | 2017-05-05 | ||
| IN201741015911 | 2017-05-05 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180122934A KR20180122934A (ko) | 2018-11-14 |
| KR102522202B1 true KR102522202B1 (ko) | 2023-04-14 |
Family
ID=64013823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180032866A KR102522202B1 (ko) | 2017-05-05 | 2018-03-21 | Nir 분광학 데이터를 이용하여 혈당 레벨을 예측하는 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10918320B2 (ko) |
| KR (1) | KR102522202B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110151192A (zh) * | 2019-06-14 | 2019-08-23 | 东北大学 | 一种用于血糖监控与预警的辅助医疗系统及其使用方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060167350A1 (en) | 2005-01-27 | 2006-07-27 | Monfre Stephen L | Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction |
| US20160256114A1 (en) * | 2015-03-02 | 2016-09-08 | Guilin Medicine Electronic Technology Co., Ltd. | Non-invasive blood sugar measuring method and fingertip measuring probe |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE69027233T2 (de) | 1989-03-03 | 1996-10-10 | Edward W Stark | Verfahren und Vorrichtung zur Signalbehandlung |
| TW352335B (en) | 1997-03-25 | 1999-02-11 | Matsushita Electric Works Ltd | Method of determining a glucose concentration in a target by using near-infrared spectroscopy |
| KR100398362B1 (ko) | 2000-09-01 | 2003-09-19 | 스펙트론 테크 주식회사 | 근적외선 분광 분석법에 의한 피부 수분 측정방법 및 장치 |
| CA2481981C (en) | 2002-03-25 | 2012-02-07 | Ken-Ichi Yamakoshi | A non-invasive blood constituent measuring instrument and measuring method |
| US7343185B2 (en) | 2002-06-21 | 2008-03-11 | Nir Diagnostics Inc. | Measurement of body compounds |
| US6968221B2 (en) | 2003-03-14 | 2005-11-22 | Futrex, Inc. | Low-cost method and apparatus for non-invasively measuring blood glucose levels |
| US7409239B2 (en) | 2005-05-05 | 2008-08-05 | The Hong Kong Polytechnic University | Method for predicting the blood glucose level of a person |
| US8190551B2 (en) | 2005-10-13 | 2012-05-29 | Baylor University | Classification of fabrics by near-infrared spectroscopy |
| JP2012191969A (ja) | 2011-03-14 | 2012-10-11 | Shinshu Univ | 生体情報測定装置 |
| JP6326732B2 (ja) | 2013-07-18 | 2018-05-23 | セイコーエプソン株式会社 | 検量線作成方法およびその装置、並びに血液成分検量装置 |
| KR101721735B1 (ko) | 2014-09-29 | 2017-03-30 | 경북대학교 산학협력단 | Ｆｔ－ｉｒ 분광분석기를 통한 부모계 계통으로부터 ｆ1잡종종자의 신속한 구별 |
-
2018
- 2018-03-21 KR KR1020180032866A patent/KR102522202B1/ko active IP Right Grant
- 2018-05-03 US US15/970,461 patent/US10918320B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060167350A1 (en) | 2005-01-27 | 2006-07-27 | Monfre Stephen L | Multi-tier method of developing localized calibration models for non-invasive blood analyte prediction |
| US20160256114A1 (en) * | 2015-03-02 | 2016-09-08 | Guilin Medicine Electronic Technology Co., Ltd. | Non-invasive blood sugar measuring method and fingertip measuring probe |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180122934A (ko) | 2018-11-14 |
| US20180317817A1 (en) | 2018-11-08 |
| US10918320B2 (en) | 2021-02-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110811609B (zh) | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测装置 | |
| DK2416703T3 (en) | Real time identification of attacks in an eeg signal | |
| CN102804208B (zh) | 为视觉搜索应用自动挖掘名人的个人模型 | |
| CN110490895B (zh) | 一种基于高光谱图像处理的提高肉源真伪鉴别正确率方法 | |
| CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
| CN113076878B (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
| CN112674782B (zh) | 癫痫患者发作间期痫样电活动检测装置和方法 | |
| Monwar et al. | Pain recognition using artificial neural network | |
| Henríquez et al. | An automatic acoustic bat identification system based on the audible spectrum | |
| CN111259895A (zh) | 一种基于面部血流分布的情感分类方法及系统 | |
| Anh-Dao et al. | A multistage system for automatic detection of epileptic spikes | |
| CN107563427A (zh) | 用于油画的著作权鉴定的方法以及相应的使用 | |
| CN114402359B (zh) | 用于检测人的合成视频的系统和方法 | |
| Thomas et al. | Artificial neural network for diagnosing autism spectrum disorder | |
| KR102522202B1 (ko) | Nir 분광학 데이터를 이용하여 혈당 레벨을 예측하는 장치 및 방법 | |
| CN108511064A (zh) | 基于深度学习自动分析人体健康数据的系统 | |
| Ratha et al. | Papaya fruit maturity estimation using wavelet and ConvNET | |
| Verdú et al. | Laser scattering imaging combined with CNNs to model the textural variability in a vegetable food tissue | |
| CN113397519B (zh) | 心血管健康状态的检测装置 | |
| KR101413853B1 (ko) | 적외선 영상을 이용한 생체 신호 측정 방법 및 장치 | |
| CN115439920A (zh) | 基于情绪视听刺激和面部表情的意识状态检测系统、设备 | |
| Grilo Jr et al. | Artifact removal for emotion recognition using mutual information and Epanechnikov kernel | |
| Baskar et al. | Epilepsy seizure detection using akima spline interpolation based ensemble empirical mode Kalman filter decomposition by EEG signals | |
| CN112603264B (zh) | 基于脑前额叶皮层的味觉信息采集与特征分析方法及系统 | |
| CN115105084A (zh) | 基于深度学习的心搏定位分类方法、系统、介质及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |