KR102528829B1 - 인공지능을 이용한 심전도 기반 혈당 측정 방법, 장치 및 프로그램 - Google Patents

인공지능을 이용한 심전도 기반 혈당 측정 방법, 장치 및 프로그램 Download PDF

Info

Publication number
KR102528829B1
KR102528829B1 KR1020200147609A KR20200147609A KR102528829B1 KR 102528829 B1 KR102528829 B1 KR 102528829B1 KR 1020200147609 A KR1020200147609 A KR 1020200147609A KR 20200147609 A KR20200147609 A KR 20200147609A KR 102528829 B1 KR102528829 B1 KR 102528829B1
Authority
KR
South Korea
Prior art keywords
blood sugar
neural network
electrocardiogram
network model
artificial neural
Prior art date
Application number
KR1020200147609A
Other languages
English (en)
Other versions
KR20220037917A (ko
Inventor
이승한
백승희
Original Assignee
(주)이플마인드
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 (주)이플마인드 filed Critical (주)이플마인드
Priority to US17/478,206 priority Critical patent/US20220087577A1/en
Publication of KR20220037917A publication Critical patent/KR20220037917A/ko
Application granted granted Critical
Publication of KR102528829B1 publication Critical patent/KR102528829B1/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
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • 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
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Cardiology (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

인공지능을 이용한 심전도 기반 혈당 측정 방법이 개시된다. 본 방법은 사용자의 심전도 신호를 수신하는 단계, 수신된 심전도 신호로부터 복수의 단위 심전도 신호를 추출하는 단계, 제1 인공 신경망 모델을 이용하여 복수의 단위 심전도 신호 각각으로부터 혈당 공간 특징을 추출하는 단계 및 제2 인공 신경망 모델을 이용하여 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출하고, 추출된 혈당 특징을 기초로 상기 사용자의 혈당을 예측하는 단계를 포함한다.

Description

인공지능을 이용한 심전도 기반 혈당 측정 방법, 장치 및 프로그램{METHOD, APPARATUS AND PROGRAM FOR MEASURING ELECTROCARDIOGRAM-BASED BLOOD GLUCOSE USING ARTIFICIAL INTELLIGENCE}
본 발명은 인공지능을 이용한 심전도 기반 혈당 측정 방법, 장치 및 프로그램에 관한 것으로, 보다 상세하게는 사용자로부터 측정된 심전도(ECG: electrocardiogram)를 기초로 사용자의 혈당을 예측하는 인공지능 기반 혈당 측정 방법, 장치 및 프로그램에 관한 것이다.
당뇨병 환자는 식생활의 변화 및 고령화 시대를 맞아 그 수가 급격히 늘어나고 있으며, 이에 따른 의료비 지출도 증가하고 있다.
당뇨병은 혈액 내의 포도당(혈당)이 높아서 생기는 질병으로, 혈액으로 흡수된 포도당이 세포에서 이용되기 위해서는 인슐린 호르몬이 필요하나, 췌장의 인슐린 부족 및 인슐린 저항성으로 포도당이 세포에 이용되지 못하고 혈액 속에 쌓여 소변으로 배출되는 질병 상태를 말한다.
당뇨병은 혈당관리가 제대로 이루어지지 않을 경우 급성 또는 만성 합병증이 발생할 수 있으며, 심하면 사망에 이를 수 있을 만큼 매우 위험한 질병이다.
급성 합병증은 혈당 조절이 안되어 혈당이 급격히 상승하거나 지나치게 떨어진 상태를 말하며, 고혈당 상태가 지속될 경우 삼투성 이뇨작용으로 탈수가 발생하며, 체액의 소실이 가속될 경우 의식 소실까지 진행되며, 저혈당의 경우 의식혼미, 행동 장애는 물론 심하면 사망에 이를 수 있다.
만성 합병증은 주로 혈관이 망가져서 생기는 것으로 눈의 당뇨망막병증, 말초신경 및 자율신경 손상, 다리 혈관의 동맥경화, 당뇨병성 족부 병변 등의 다양한 질병을 수반한다.
현재까지는 당뇨병이 생긴 이후 췌장의 기능을 정상으로 돌리는 치료방법이 없으므로, 혈당의 지속적인 측정을 통해 혈당의 정상범위를 관리하는 것이 현실적인 대안이다.
만성질환의 대표주자인 당뇨병 환자의 급증세에 따라 많은 개인용 혈당측정기들이 개발되고 시중에 판매되고 있다.
이 중 종래의 침습식 혈당 측정 방법은 바늘로 피부를 찔러 혈액을 채취하여 혈당 측정기로 측정하는 방식이다.
다만, 침습식 혈당 측정 방법은 환자들이 하루에도 여러 차례 혈액 채취를 해야함에 따라 환자에게 통증과 불편함을 주는 단점이 있고, 이로 인하여 당뇨병 환자들의 꾸준한 혈당 측정을 기대할 수 없어 환자들을 합병증 위험에 노출시킬 수 있는 문제점이 있다.
선행 기술 문헌
대한민국 공개특허공보 제10-2016-0015684(2016.02.15)
본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 학습된 인공 신경망 모델을 이용하여 사용자의 심전도(ECG: electrocardiography)로 부터 사용자의 혈당을 예측하는 인공지능 기반 혈당 측정 방법, 장치 및 프로그램을 제공함에 있다.
상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 인공지능을 이용한 심전도 기반 혈당 측정 방법은 사용자의 심전도 신호를 수신하는 단계, 상기 수신된 심전도 신호로부터 복수의 단위 심전도 신호를 추출하는 단계, 제1 인공 신경망 모델을 이용하여 상기 복수의 단위 심전도 신호 각각으로부터 혈당 공간 특징을 추출하는 단계, 제2 인공 신경망 모델을 이용하여 상기 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출하고, 상기 추출된 혈당 특징을 기초로 상기 사용자의 혈당을 예측하는 단계를 포함한다.
그리고, 상기 제1 인공 신경망 모델은 컨벌루션 신경망(Convolution Neural Network : CNN) 모델이고, 상기 제2 인공 신경망 모델은 순환 신경망(Recurrent Neural Network : RNN) 모델일 수 있다.
또한, 상기 컨벌루션 신경망 모델은 상기 복수의 단위 심전도 신호 각각의 파형에서 혈당 수치 및/또는 혈당 변화에 연관된 공간 특징인 상기 혈당 공간 특징을 추출할 수 있다.
그리고, 상기 컨벌루션 신경망 모델의 컨벌루션 신경망의 개수는 상기 추출된 복수의 단위 심전도 신호의 개수와 일치할 수 있다.
또한, 상기 순환 신경망 모델은 상기 복수의 컨벌루션 신경망을 통해 추출된 복수의 단위 심전도 이미지 각각의 혈당 공간 특징의 시계열적 변화를 나타내는 혈당 특징 벡터를 추출하고, 상기 추출된 혈당 특징을 종합하여 혈당 특징을 추출할 수 있다.
그리고, 상기 순환 신경망 모델의 순환 신경망의 개수는 상기 컨벌루션 신경망의 개수와 일치할 수 있다.
또한, 상기 예측된 혈당은 혈당 수치 값 및/또는 혈당 상태 값일 수 있다.
한편, 상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 인공지능을 이용한 심전도 기반 혈당 측정 장치는, 사용자의 심전도 신호를 수신하고, 상기 수신된 심전도 신호로부터 복수의 단위 심전도 신호를 추출하는 심전도 신호 수신부 및 제1 인공 신경망 모델을 이용하여 상기 복수의 단위 심전도 신호 각각으로부터 혈당 공간 특징을 추출하고, 제2 인공 신경망 모델을 이용하여 상기 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출하며, 상기 추출된 혈당 특징을 기초로 상기 사용자의 혈당을 예측하는 AI 프로세서를 포함한다.
또한, 상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 사용자 맞춤형 헬스케어 서비스 시스템은 사용자의 심전도를 측정하는 심전도 측정 장치, 상기 심전도 측정 장치로부터 상기 사용자의 심전도 신호를 수신하고, 상기 수신된 심전도 신호로부터 복수의 단위 심전도 신호를 추출하며, 학습된 인공 신경망 모델을 이용하여 상기 복수의 단위 심전도 신호로부터 상기 사용자의 혈당을 예측하는 심전도 기반 혈당 측정 장치 및 상기 심전도 기반 혈당 측정 장치에서 측정된 사용자의 혈당이 위험 상태인 경우, 사용자의 위치로 응급 출동 서비스를 제공하거나 또는 사용자 맞춤형 처방 서비스를 제공하는 서버를 포함하고, 상기 심전도 기반 혈당 측정 장치는, 제1 인공 신경망 모델을 이용하여 상기 복수의 단위 심전도 신호 각각으로부터 혈당 공간 특징을 추출하고, 제2 인공 신경망 모델을 이용하여 상기 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출하며, 상기 추출된 혈당 특징을 기초로 상기 사용자의 혈당을 예측할 수 있다.
또한, 상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 기록매체에 저장된 프로그램은 상술한 심전도 기반 혈당 측정 방법을 실행하기 위한 프로그램 코드가 기록될 수 있다.
본 발명에 따르면 사용자의 심전도 신호로부터 특징을 추출하고, 추출된 특징을 기초로 사용자의 혈당을 예측하도록 학습된 인공 신경망 모델을 제시함으로써, 보다 용이하고 신속하게 사용자의 혈당을 예측할 수 있다.
또한, 본 발명은 심전도 측정 기기를 포함하는 헬스케어 시스템에 적용되어, 사용자에 대한 맞춤형 헬스케어 서비스를 제공할 수 있다. 즉, 당뇨병은 발병 이후 평생 관리가 필요한 질병인데, 본 발명에 따르면, 사용자가 심전도 측정 기기를 착용하고 있는 경우, 헬스케어 시스템은 실시간으로 측정되는 사용자의 심전도를 기초로 사용자의 혈당을 예측하여 사용자에게 알람을 제공하거나 또는 위급 시 응급 신고 기관에 자동 신고 등을 수행할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 심전도 측정 장치를 나타내는 도면 이다.
도 2는 본 발명의 일 실시 예에 따른 심전도 신호를 나타내는 도면 이다.
도 3은 본 발명의 일 실시 예에 따른 학습 데이터를 이용하여 인공 신경망 모델을 학습시키는 방법을 나타내는 흐름도 이다.
도 4는 본 발명의 일 실시 예에 따른 인공 지능을 이용한 심전도 기반 혈당 측정 방법을 나타내는 흐름도 이다.
도 5는 본 발명의 일 실시 예에 따른 인공 신경망 모델을 나타내는 도면 이다.
도 6은 본 발명의 일 실시 예에 따른 심전도 신호와 혈당과의 관계를 나타내는 도면 이다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능을 이용한 심전도 기반 혈당 측정 장치를 나타내는 블록도 이다.
도 8은 본 발명의 일 실시 예에 따른 맞춤형 헬스케어 서비스 시스템을 나타내는 블록도 이다.
이하의 내용은 단지 본 발명의 원리를 예시한다. 그러므로 당업자는 비록 본 명세서에 명확히 설명되거나 도시되지 않았지만 본 발명의 원리를 구현하고 본 발명의 개념과 범위에 포함된 다양한 장치를 발명할 수 있는 것이다. 또한, 본 명세서에 열거된 모든 조건부 용어 및 실시 예들은 원칙적으로, 본 발명의 개념이 이해되도록 하기 위한 목적으로만 명백히 의도되고, 이와 같이 특별히 열거된 실시 예들 및 상태들에 제한적이지 않는 것으로 이해되어야 한다.
또한, 본 발명의 원리, 관점 및 실시 예들뿐만 아니라 특정 실시 예를 열거하는 모든 상세한 설명은 이러한 사항의 구조적 및 기능적 균등물을 포함하도록 의도되는 것으로 이해되어야 한다. 또한 이러한 균등물들은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 소자를 포함하는 것으로 이해되어야 한다.
따라서, 예를 들어, 본 명세서의 블럭도는 본 발명의 원리를 구체화하는 예시적인 회로의 개념적인 관점을 나타내는 것으로 이해되어야 한다. 이와 유사하게, 모든 흐름도, 상태 변환도, 의사 코드 등은 컴퓨터가 판독 가능한 매체에 실질적으로 나타낼 수 있고 컴퓨터 또는 프로세서가 명백히 도시되었는지 여부를 불문하고 컴퓨터 또는 프로세서에 의해 수행되는 다양한 프로세스를 나타내는 것으로 이해되어야 한다.
프로세서 또는 이와 유사한 개념으로 표시된 기능 블럭을 포함하는 도면에 도시된 다양한 소자의 기능은 전용 하드웨어뿐만 아니라 적절한 소프트웨어와 관련하여 소프트웨어를 실행할 능력을 가진 하드웨어의 사용으로 제공될 수 있다. 프로세서에 의해 제공될 때, 상기 기능은 단일 전용 프로세서, 단일 공유 프로세서 또는 복수의 개별적 프로세서에 의해 제공될 수 있고, 이들 중 일부는 공유될 수 있다.
또한 프로세서, 제어 또는 이와 유사한 개념으로 제시되는 용어의 명확한 사용은 소프트웨어를 실행할 능력을 가진 하드웨어를 배타적으로 인용하여 해석되어서는 아니되고, 제한 없이 디지털 신호 프로세서(DSP) 하드웨어, 소프트웨어를 저장하기 위한 롬(ROM), 램(RAM) 및 비 휘발성 메모리를 암시적으로 포함하는 것으로 이해되어야 한다. 주지관용의 다른 하드웨어도 포함될 수 있다.
본 명세서의 청구범위에서, 상세한 설명에 기재된 기능을 수행하기 위한 수단으로 표현된 구성요소는 예를 들어 상기 기능을 수행하는 회로 소자의 조합 또는 펌웨어/마이크로 코드 등을 포함하는 모든 형식의 소프트웨어를 포함하는 기능을 수행하는 모든 방법을 포함하는 것으로 의도되었으며, 상기 기능을 수행하도록 상기 소프트웨어를 실행하기 위한 적절한 회로와 결합된다. 이러한 청구범위에 의해 정의되는 본 발명은 다양하게 열거된 수단에 의해 제공되는 기능들이 결합되고 청구항이 요구하는 방식과 결합되기 때문에 상기 기능을 제공할 수 있는 어떠한 수단도 본 명세서로부터 파악되는 것과 균등한 것으로 이해되어야 한다.
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시 예에 대하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 심전도 측정 장치를 나타내는 도면 이다. 도 1을 참조하면, 심전도 측정 장치(10)는 사용자의 신체에 착용 또는 부착될 수 있는 웨어러블 기기(wearable device)로 구현될 수 있고, 일 예로, 도 1(a)와 같이 사용자의 손목에 착용될 수 있는 시계 타입, 도 1(b)와 같이 사용자의 신체에 부착될 수 있는 패치 타입으로 구현될 수 있다.
다만, 이에 한정되는 것은 아니고, 심전도 측정 장치(10)는 팔찌, 밴드, 반지, 목걸이, 발찌 또는 허리띠 등과 같이 다양한 형태를 가질 수 있다.
심전도 측정 장치(10)는 장치(10)에 구비된 전극들이 사용자의 피부에 접촉하여 신체 표면에서 나타내는 심장 박동과 관련된 전위인 심전도를 측정할 수 있다.
일 예로, 도 1(a)와 같이 구현되는 경우, 사용자가 어느 한 손에 웨어러블 기기를 착용하고, 나머지 손으로 웨어러블 기기의 일 전극을 접촉하는 경우, 사용자의 신체 내부에 전기적인 폐회로가 형성되어 심장 박동에 의한 전류의 변화가 심전도의 변화로서 측정될 수 있다.
이러한 심전도 측정 장치(10)에서 측정된 심전도는 심장의 전기적 활동에 대한 정보를 포함하고 있다.
도 2는 본 발명의 일 실시 예에 따른 심전도 신호를 나타내는 도면 이다. 심장의 전기적 활성단계는 크게 심방 탈분극, 심실 탈분극, 심실 재분극 시기로 나뉘며, 이러한 단계는 P, QRS, T파라고 불리는 파의 형태로 반영된다.
즉, 심전도 측정 장치(10)를 통해 측정된 심전도 신호는 P파, QRS파, T파로 구성될 수 있고, X 축은 시간을 의미하고, Y축은 전압을 의미한다.
심전도 신호의 연속된 P파, Q파, R파, S파, T파와 가장 큰 폭으로 변화하는 파형인 QRS 파형(QRS Complex) 분석으로 사람마다 유일하고 고유한 특징을 추출할 수 있다.
이러한 심전도 신호의 PQRST 파형은 심장의 전기적 활동에 대한 다양한 정보를 포함하고 있다.
일 예로, PR interval은 P 파와 QRS 복합파(QRS complex)의 시작까지의 시간 간격을 나타내고, PR segment는 P 파의 끝에서 QRS 복합파의 시작까지의 시간 간격을 나타내며, QT interval은 Q 파의 시작에서 T 파의 끝까지의 시간 간격을 나타내고, ST segment는 S 파의 끝에서 T 파의 시작까지의 시간 간격을 나타내며, ST interval은 S 파의 끝에서 T 파의 끝까지의 시간 간격을 나타내고, QRS interval은 QRS 복합파의 시작부터 QRS 복합파의 끝까지의 시간 간격을 나타내며, RR interval은 R 파의 최고점에서 다음 R 파의 최고점까지의 시간 간격을 나타낸다.
이와 같이, 심전도 측정 장치(10)에서 측정된 심전도 신호는 심장의 전기적 활동에 대한 정보를 포함하고 있고, 측정된 심전도 신호는 본 발명에 따른 방법에 따라 혈당을 예측하는데 이용될 수 있다.
보다 구체적으로, 본 발명에 따르면, 사용자에게 착용 또는 부착된 심전도 측정 장치(10)를 통해 측정된 심전도 신호를 학습된 인공 신경망 모델을 이용하여 분석하여 사용자의 혈당을 예측할 수 있다. 이에 대해서는 이 후 도면을 참조하여 설명하기로 한다.
도 3은 본 발명의 일 실시 예에 따른 학습 데이터를 이용하여 인공 신경망 모델을 학습시키는 방법을 나타내는 흐름도 이다. 도 3을 참조하면, 먼저 인공 신경망 모델을 학습시키기 위하여 심전도 데이터와 혈당 데이터를 포함하는 학습 데이터를 구축할 수 있다(S110).
여기서, 심전도 데이터는 도 2에 도시된 바와 같이 시간에 따른 전압 값으로 표시되는 심전도 신호 이미지일 수 있다. 그리고, 혈당 데이터는 혈당 수치 값 및/또는 "고혈당, 저혈당, 중혈당, 정상 혈당으로 구성된 혈당 상태 값"을 포함할 수 있다.
일 예로, 고혈당은 공복 시 혈당이 126mg/dl 이상, 식 후 2시간 혈당치가 200mg/dl 이상인 상태를 의미할 수 있다. 또한, 저혈당은 혈당이 70mg/dl이하로 떨어지는 상태를 의미할 수 있다. 또한, 중혈당은 공복 시 혈당이 100~126 mg/dl 사이의 값을 갖는 상태로, 고혈당 발병 위험 가능성이 있는 상태를 의미할 수 있다. 또한, 정상 혈당은 공복시 혈당이 일반적으로 70 ~100 mg/dl 미만인 상태를 의미할 수 있다.
여기서, 학습 데이터는 서로 동일 시점의 심전도 데이터와 혈당 데이터로 구성될 수 있다.
구체적으로, 심전도 신호는 사용자의 심장 박동에 따른 복수의 단위 심전도 신호로 구성될 수 있다. 즉, 한 번의 심장 박동에 따른 심장의 전기적 활성단계는 심방 탈분극, 심실 탈분극, 심실 재분극으로 구분되며, 이러한 심방 탈분극, 심실 탈분극, 심실 재분극 과정을 통해 하나의 단위 심전도 신호가 형성될 수 있다. 이러한 단위 심전도 신호는 P파, QRS파 및 T파로 구성될 수 있다.
이 경우, 학습 데이터는 제1 시간 구간에 측정된 제1 단위 심전도 신호와 제1 혈당 데이터, 제2 시간 구간에 측정된 제2 단위 심전도 신호와 제2 혈당 데이터,.. 제N 시간 구간에 측정된 제N 단위 심전도 신호와 제N 혈당 데이터로 구성될 수 있다.
이러한 학습 데이터는 인공 신경망 모델을 학습시키기 위한 데이터로, 학습 데이터를 이용하여 학습된 인공 신경망 모델은 심전도와 혈당과의 연관성을 파악할 수 있다.
이를 위하여, 본 발명에 따르면, 연속혈당측정(CGM: Continuous glucose monitors)과 경구 포도당 부하 검사(Oral glucose tolerance test)와 동시에 심전도의 측정을 수행하여 학습 데이터를 획득할 수 있다.
이 경우, 사용자 심전도 데이터와 이에 연관된 혈당 데이터는 다음과 같은 과정을 통하여 획득될 수 있다.
[경구 포도당 부하 검사 및 심전도 측정]
경구 포도당 부하 검사와 심전도 측정을 동시에 시행하여 혈중 포도당 변화에 따른 심전도를 측정한다.
측정방법은 심전도 측정기기를 몸에 부착하고, 최소 8시간 이상의 공복상태 유지 후 75g 포도당을 250~300ml의 물에 용해시켜 5분에 걸쳐 마신 후 30분, 60분, 120분에 채혈하여 혈중 포도당 농도를 측정한다.
[연속혈당측정 및 심전도 측정]
생활 혈당관리 모델을 위한 연속혈당측정과 심전도 측정을 동시에 시행하고, 측정방법은 연속혈당측정기기와 심전도 측정기기를 몸에 부착 후 7일간 일상생활을 하며 혈중 포도당 변화에 따른 심전도를 측정한다.
이러한 과정을 통하여, 혈당 수치 값의 변화에 따른 심전도 데이터 세트를 구축할 수 있고, 심전도 데이터 세트는 인공 신경망 모델의 학습을 위한 학습 데이터로 이용될 수 있다. 일 예로, 시간의 경과에 따라 연속적으로 측정된 복수의 단위 심전도 신호 각각에 혈당 수치 값, 혈당 상태 값 및 시간 순서 정보가 레이블링 된 학습 데이터를 구축할 수 있다.
그리고, 상술한 학습 데이터는 사용자 별로 각각 구축될 수 있다.
이 후, 획득된 학습 데이터를 이용하여 인공 신경망 모델을 학습시킬 수 있다(S120). 여기서, 인공 신경망 모델은 생물학의 신경망을 모방한 통계학적 모델로서, 학습 과정을 통해 문제 해결 능력을 가질 수 있다.
인공 신경망 모델의 파라미터들은 학습 데이터를 이용한 학습 과정을 통해 조정될 수 있다.
여기서, 인공 신경망 모델은 딥러닝(deep learning) 방식으로 학습될 수 있다. 딥러닝 방식이란 여러 비선형 변환 기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계 학습 알고리즘을 의미한다.
일 예로, 본 발명에 따른 인공 신경망 모델은 지도 학습(supervised learning) 방식을 이용하여 학습시킬 수 있다. 또한, 본 발명에 따른 인공 신경망 모델은 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통해 학습시킬 수 있다. 또한, 본 발명에 따른 인공 신경망 모델은 학습에 따른 상황 판단의 결과가 올바른지에 대한 피드백을 이용하여 강화 학습(reinforcement learning)을 통하여 학습시킬 수 있다. 또한, 본 발명에 따른 인공 신경망 모델은 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 학습시킬 수 있다.
여기서, 본 발명에 따른 인공 신경망 모델은 컨벌루션 신경망(Convolution Neural Network : CNN) 모델과 순환 신경망(Recurrent Neural Network : RNN) 모델이 결합된 형태일 수 있다.
컨벌루션 신경망(CNN) 모델의 경우 과거의 정보는 고려하지 않고 현재의 입력 데이터에 포함된 특징 값을 이용하여 분류를 수행하므로 시간에 따라 변화하는 양상을 예측하기 위해서는 부적합할 수 있다. 다만, 컨벌루션 신경망(CNN) 모델은 특정 작업 수행과 관련된 입력에 대해 계층적이고 추상적인 표현을 학습하기에 적합하다.
그리고, 순환 신경망(RNN) 모델은 과거의 출력값을 현재의 입력 데이터 연산에 반영하기 위한 순환적 연결 구조를 포함하기에, 시계열적인 상관관계를 학습하기에 적절하다.
이에 따라, 본 발명에 따르면, 센서로 식별하여 이미지화한 심전도 전극 파형과 센서로 식별하여 수치화된 혈당 수치 값이 서로 매칭되도록 CNN 모델과 RNN 모델이 결합된 인공 신경망 모델을 학습시킬 수 있고, 학습된 인공 신경망 모델을 통해 분류된 값들로 결과 값을 산출하여 생체 신호의 오차를 최소화할 수 있다.
그리고, 본 발명에 따르면, 각각의 생체 신호 값들에 절대값 범주를 지정하여, 해당 신호에서 벗어났을 경우 및 응급 이벤트 정의에 따라 알람이 나오도록 디시전 트리(Decision Tree) 모델링을 수행할 수 있다.
한편, 상술한 과정에 따라 학습 데이터를 이용하여 학습된 인공 신경망 모델은 사용자의 심전도를 입력받아 사용자의 혈당을 예측할 수 있다. 이에 대해서는 이 후 도면을 참조하여 설명하기로 한다.
도 4는 본 발명의 일 실시 예에 따른 인공 지능을 이용한 심전도 기반 혈당 측정 방법을 나타내는 흐름도 이다. 도 4를 참조하면, 먼저 심전도 측정 장치(10)를 통해 측정된 사용자의 심전도 신호를 수신할 수 있다(S210).
여기서, 심전도 측정 장치(10)를 통해 측정된 사용자의 심전도 신호는 도 2와 같을 수 있고, 사용자의 심장 박동에 따른 복수의 단위 심전도 신호로 구성될 수 있다.
그리고, 사용자의 심전도 신호로부터 복수의 단위 심전도 신호를 추출할 수 있다(S220). 구체적으로, 추출하는 단계(S220)는 복수의 단위 심전도 신호에서 소정 조건을 만족하지 않는 신호를 제외하여 상기 복수의 단위 심전도 신호를 추출할 수 있다. 여기서, 소정 조건을 만족하지 않는 신호는 심전도 측정이 제대로 수행되지 않아 발생하는 간섭 신호, 노이즈 신호 등을 포함할 수 있다.
한편, 추출된 복수의 단위 심전도 신호는 시간 순서로 정렬되어 제1 인공 신경망 모델에 입력될 수 있다.
그리고, 제1 인공 신경망 모델을 이용하여 복수의 단위 심전도 신호 각각으로부터 혈당 공간 특징을 추출할 수 있다(S220). 여기서, 제1 인공 신경망 모델은 컨벌루션 신경망(CNN) 모델일 수 있다.
컨벌루션 신경망 모델은 복수의 단위 심전도 신호 이미지 각각에서 혈당에 대한 심전도 신호의 공간 구조를 나타내는 혈당 공간 특징을 추출할 수 있다. 즉, 혈당 공간 특징은 단위 심전도 신호 이미지의 파형에서 혈당 수치 및/또는 혈당 변화에 연관된 공간 특징일 수 있다.
그리고, 제2 인공 신경망 모델을 이용하여 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출할 수 있다(S240). 여기서, 제2 인공 신경망 모델은 순환 신경망(RNN) 모델일 수 있다.
순환 신경망 모델은 복수의 단위 심전도 신호 이미지의 시간 순서에 따라 복수의 단위 심전도 신호 이미지 각각의 혈당 공간 특징의 변화를 기초로 복수의 단위 심전도 신호 이미지 각각의 혈당 특징을 추출할 수 있다. 여기서, 혈당 특징은 사용자의 혈당 수치 값 및/또는 혈당 상태 값을 예측하는데 이용되는 데이터일 수 있다.
이러한 본 발명의 일 실시 예에 따른 인공 신경망 모델에 대해서는 도 5를 참조하여 보다 구체적으로 설명하기로 한다.
도 5는 본 발명의 일 실시 예에 따른 인공 신경망 모델을 나타내는 도면 이다.
도 5를 참조하면, 5분 간격의 심전도 신호에서 200개의 심박에 대응되는 200개의 단위 심전도 신호(t1, t2,.. tN)를 추출할 수 있다. 여기서, 단위 심전도 신호의 개수는 일 예시일 뿐, 이에 한정되는 것은 아니다.
그리고, 인공 신경망 모델은 심전도 신호로부터 추출된 복수의 단위 심전도 신호(t1,.. t200)를 컨벌루션 신경망 모델(501)에 입력하고, 컨벌루션 신경망 모델(501)의 출력을 순환 신경망 모델(502)로 입력할 수 있다.
구체적으로, 컨벌루션 신경망 모델(501)은 심전도 신호에서 추출된 복수의 단위 심전도 신호(t1,.. tN)의 수에 대응되는 컨벌루션 신경망을 포함할 수 있고, 각각의 컨벌루션 신경망(501-1,501-2,..501-N)에는 복수의 단위 심전도 신호의 이미지가 입력될 수 있다. 여기서, 단위 심전도 신호의 이미지는 단위 심전도 파형 이미지와 동일한 것을 지칭할 수 있다.
즉, 제1 컨벌루션 신경망(501-1)은 제1 단위 심전도 신호 이미지(t0)를 입력받고, 제2 컨벌루션 신경망(501-2)은 제2 단위 심전도 신호 이미지(t1)를 입력받으며, 제N 컨벌루션 신경망 (501-N)은 제N 단위 심전도 신호 이미지(tN)를 입력받을 수 있다.
그리고, 복수의 컨벌루션 신경망(501-1,..501-N) 각각은 입력된 단위 심전도 신호 이미지를 분석하여 영상의 특징을 추출할 수 있다. 즉, 복수의 컨벌루션 신경망(501-1,..501-N) 각각은 복수의 계층들(layers)을 포함할 수 있고, 각각의 계층은 단위 심전도 신호 이미지를 수신하고, 해당 계층의 입력 데이터를 처리하여 출력 데이터를 생성할 수 있다.
구체적으로, 복수의 컨벌루션 신경망(501-1,..501-N) 각각은 입력된 이미지에 대한 컨벌루션 연산을 통해 특징맵을 출력 데이터로서 출력하는 합성곱 계층을 포함할 수 있다. 이러한 합성곱 초기 계층들은 입력으로부터 낮은 레벨의 특징들을 추출하도록 동작될 수 있고, 상위 계측으로 갈수록 혈당에 연관된 심전도 신호의 공간 특징과 같은 더 복잡한 특징들을 추출하도록 동작할 수 있다.
또한, 컨벌루션 신경망(501-1,..501-N)은 컨볼루션 연산이 수행되는 합성곱 계층 외에도 풀링 연산이 수행되는 풀링 계층도 포함할 수 있다. 여기서, 풀링 계층은 해당 영역에서 최대값을 선택하는 맥스 풀링(max pooling) 또는 해당 영역의 평균값을 선택하는 평균 풀링(average pooling) 등을 통해 해당 영역 데이터의 공간적 크기를 축소하는 풀링 연산을 수행할 수 있다.
또한, 컨벌루션 신경망(501-1,..501-N)은 각 계층을 1차원 벡터로 변환하고, 1차원 벡터로 변환된 계층을 하나의 벡터로 연결하는 전연결 계층(Fully-connected layer)를 포함할 수 있다. 여기서, 전연결 계층(Fully-connected layer)은 분류(classification)를 결정할 수 있다.
이러한 본 발명에 따른 컨벌루션 신경망(501-1,..501-N)은 합성곱 계층, 풀링 계층 및 전연결 계층을 통해 단위 심전도 신호 이미지 내의 혈당 수치 및 혈당 변화에 연관된 혈당 공간 특징을 추출할 수 있다. 이에 대해서는 도 6을 참조하여 설명하기로 한다.
도 6은 본 발명의 일 실시 예에 따른 심전도 신호와 혈당과의 관계를 나타내는 도면 이다. 도 6을 참조하면, 심전도 신호(601)은 정상 혈당에서의 심전도 신호이고, 심전호 신호(602)는 저혈당에서의 심전도 신호이다.
혈당 농도가 심장의 전기적 활동에 영향을 주고, 특히 혈당과 심전도 신호의QT interval, ST interval, QRS Complex의 진폭 변화, T wave의 현저한 변화는 연관성이 있는 것으로 판단된다.
본 발명에 따른 인공 신경망 모델은 혈당 수치 값, 혈당 변화 및 혈당 상태 값 중 적어도 하나와 심전도 신호 간의 연관 관계를 학습할 수 있다.
특히, 본 발명에 따른 컨벌루션 신경망(502-1,..502-N)은 QT interval, ST interval, QRS Complex의 진폭 변화, T wave에 대응되는 혈당 공간 특징을 추출할 수 있다.
한편, 순환 신경망 모델(502)은 복수의 컨벌루션 신경망(501-1,..501-N)의 수에 대응되는 순환 신경망을 포함할 수 있고, 각각의 순환 신경망(502-1,..502-N)에는 복수의 컨벌루션 신경망(501-1,..501-N) 각각의 출력이 입력될 수 있다. 즉, 제1 순환 신경망(502-1)은 제1 컨벌루션 신경망(501-1)의 출력을 입력받고, 제2 순환 신경망(502-2)은 제2 컨벌루션 신경망(501-2)의 출력을 입력받으며, 제N 순환 신경망(502-N)은 제N 컨벌루션 신경망(501-N)의 출력을 입력받을 수 있다.
여기서, 순환 신경망(RNN)은 현재의 데이터와 과거의 데이터를 동시에 고려하는 딥러닝 기법으로, 컨벌루션 신경망(501)의 출력뿐 만 아니라 인공 신경망을 구성하는 유닛 사이의 연결을 방향성 사이클(directed cycle)을 구성하여 현재의 데이터와 과거의 데이터를 동시에 고려할 수 있다.
이러한 순환 신경망 모델(502)은 복수의 컨벌루션 신경망(501-1,..501-N)을 통해 추출된 복수의 단위 심전도 이미지 각각의 혈당 공간 특징을 시간 순서로 학습함으로써, 혈당 공간 특징의 시계열 변화에 따른 혈당 특징을 추출할 수 있다.
구체적으로, 복수의 순환 신경망(502-1,..502-N) 각각은 복수의 컨벌루션 신경망(501-1,..501-N)을 통해 추출된 복수의 단위 심전도 이미지 각각의 혈당 공간 특징의 시계열적 변화를 나타내는 혈당 특징 벡터를 추출할 수 있다. 그리고, 순환 신경망(502-N)은 추출된 혈당 특징을 종합하여 산출된 혈당 특징을 추출할 수 있다.
그리고, 복수의 단위 심전도 신호 이미지 각각으로부터 혈당 특징이 추출되면, 순환 신경망 모델(502)는 혈당 특징에 기초하여 혈당을 예측할 수 있다(S250). 여기서, 예측된 혈당은 혈당 수치 값 및/또는 혈당 상태 값일 수 있다.
일 예로, 혈당 상태 값으로 예측하는 경우, 순환 신경망 모델은 혈당 특징을 고혈당 클래스, 중혈당 클래스, 저혈당 클래스 및 정상 혈당 클래스로 분류할 수 있고, 복수의 단위 심전도 신호 이미지로부터 도출된 혈당 특징이 어느 클래스에 더 많이 속하는지 판단함으로써 혈당 상태 값을 예측할 수 있다.
이 경우, 순환 신경망 모델(502)의 동일한 데이터로 학습된 복수 개의 분류기를 결합하여 투표에 의해 최종 예측을 결정하는 소프트 보팅(soft voting)을 이용하여 혈당 수치 값 및/또는 혈당 상태 값을 예측할 수 있다.
여기서, 소프트 보팅에 사용되는 모델은 RF (Random Forests), 로지스틱 회귀분석(logistic regression), KNN(k-Nearest　Neighbors) 및 LightGBM 중 적어도 두 개를 포함할 수 있다.
한편, 상술한 예시에 따르면, 순환 신경망 모델(502)은 RNN이 이용되는 것으로 예로 설명하였으나, 본 발명의 다른 구현 예에 따르면, LSTM(Long Short-Term Memory)으로 구현될 수도 있다.
이러한 본 발명에 따르면, 추출된 특징을 기초로 사용자의 혈당을 예측하도록 학습된 인공 신경망 모델을 제시함으로써, 보다 용이하고 신속하게 사용자의 혈당을 예측할 수 있다.
도 7은 본 발명의 일 실시 예에 따른 인공 지능을 이용한 심전도 기반 혈당 측정 장치를 나타내는 블록도 이다. 본 발명에 따른 심전도 기반 혈당 측정 장치(100)는 상술한 바와 같이 인공 신경망 모델을 학습시키고, 학습된 인공 신경망 모델을 이용하여 사용자의 심전도 신호로부터 혈당을 예측할 수 있다.
이러한 본 발명에 따른 심전도 기반 혈당 측정 장치(100)는 심전도 신호 수신부(110), AI 프로세서(120) 및 학습 모델 저장부(130)를 포함한다.
여기서, AI 프로세서(120)는 학습 데이터 획득부(121), 모델 학습부(122)를 포함할 수 있다.
학습 데이터 획득부(121)는 데이터를 분류하고 인식하기 위한 신경망 모델에 필요한 학습 데이터를 획득할 수 있다. 구체적으로, 학습 데이터 획득부(121)는 심전도 데이터와 혈당 데이터를 포함하는 학습 데이터를 획득할 수 있다.
모델 학습부(122)는 학습 데이터 획득부(121)를 통해 획득된 학습 데이터를 이용하여, 인공 신경망 모델이 소정의 데이터를 어떻게 분류할지에 관한 판단 기준을 가지도록 학습할 수 있다. 이 때 모델 학습부(122)는 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning), 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient decent)을 포함하는 학습 알고리즘을 이용하여 신경망 모델을 학습시킬 수 있다.
그리고, 인공 신경망 모델이 학습되면, AI 프로세서(120)는 학습된 인공 신경망 모델을 학습 모델 저장부(130)에 저장할 수 있다.
여기서, 본 발명에 따른 학습된 인공 신경망 모델은, 도 5와 같이, 컨벌루션 신경망(Convolution Neural Network : CNN) 모델과 순환 신경망(Recurrent Neural Network : RNN) 모델이 결합된 형태일 수 있다.
한편, 본 발명에 따른 심전도 기반 혈당 측정 장치(100)는 학습된 인공 신경망 모델을 이용하여 사용자의 심전도 신호로부터 혈당을 예측할 수 있다. 구체적으로, 심전도 신호 수신부(110)는 심전도 측정 장치(10)를 통해 측정된 사용자의 심전도 신호를 수신하고, 사용자의 심전도 신호로부터 복수의 단위 심전도 신호를 추출할 수 있다.
이 경우, AI 프로세서(120)는 학습 모델 저장부(130)에 저장된 인공 신경망 모델을 이용하여 수신된 심전도 신호로부터 혈당을 예측할 수 있다.
구체적으로, 추출된 복수의 단위 심전도 신호는 시간 순서로 정렬되어 컨벌루션 신경망 모델에 입력될 수 있고, 컨벌루션 신경망 모델은 복수의 단위 심전도 신호 이미지 각각에서 혈당에 대한 심전도 신호의 공간 구조를 나타내는 혈당 공간 특징을 추출할 수 있다.
그리고, 추출된 혈당 공간 특징은 순환 신경망 모델에 입력될 수 있고, 순환 신경망 모델은 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출할 수 있다. 그리고, 순환 신경망 모델은 추출된 혈당 특징에 기초하여 혈당 수치 값 및/또는 혈당 상태 값을 예측할 수 있다.
이러한 본 발명에 따른 심전도 기반 혈당 측정 장치(100)는 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 구현될 수 있다. 일 예로, 하드웨어적인 구현에 의하면, ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(micro-processors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다.
도 8은 본 발명의 일 실시 예에 따른 맞춤형 헬스케어 서비스 시스템을 나타내는 블록도 이다. 도 8을 참조하면, 맞춤형 헬스케어 서비스 시스템(1000)은 심전도 측정 장치(10), 심전도 기반 혈당 측정 장치(100), 응급 신고 기관 서버(210), 의료 기관 서버(220)를 포함할 수 있다.
심전도 측정 장치(10)는 사용자의 몸에 착용 또는 부착되어 사용자의 심전도를 측정할 수 있다. 여기서 심전도 측정 장치(10)의 일 구현 예는 도 8에 도시된 바와 같이 패치 타입일 수 있다. 다만, 이에 한정되는 것은 아니고, 심전도 측정 장치(10)는 시계 타입, 팔찌, 밴드, 반지, 목걸이, 발찌 또는 허리띠 등과 같이 다양한 형태를 가질 수 있다.
심전도 기반 혈당 측정 장치(100)는 심전도 측정 장치(10)에서 측정된 심전도 신호를 수신하고, 수신된 심전도 신호를 학습된 인공 신경망 모델에 입력하여 심전도 신호로부터 혈당을 예측할 수 있다. 이러한 심전도 기반 혈당 측정 장치(100)의 인공 신경망 모델 학습 및 학습된 모델을 이용한 혈당 예측에 구체적인 동작을 전술하였기에 이에 대한 자세한 설명은 생략하기로 한다.
한편, 심전도 기반 혈당 측정 장치(100)는 예측된 혈당을 디스플레이부를 통해 표시하거나 또는 오디오를 통해 소리로 출력할 수 있다.
또한, 심전도 기반 혈당 측정 장치(100)는 예측된 사용자의 혈당을 기초로 사용자의 혈당이 고혈당 또는 저혈당과 같이 위험한 상태로 판단되면, 응급 신고 기관 서버(210)에 사용자의 혈당 데이터를 포함하는 응급 상황 알림 요청을 전송하거나 또는 의료 기관 서버(220)에 사용자의 혈당 데이터를 포함하는 응급 처방 요청을 송부할 수 있다.
이 경우, 응급 신고 기관 서버(210)는 사용자의 혈당 데이터에 포함된 혈당 수치 값을 기초로 사용자의 응급 정도 및 사용자의 위치를 판단하고, 사용자의 응급 정도에 따라 사용자의 위치로 응급 출동 서비스를 제공할 수 있다. 여기서, 응급 신고 기관 서버(210)는 119 등의 서버일 수 있다.
또한, 의료 기관 서버(220)는 사용자의 혈당 데이터에 포함된 혈당 수치 값을 기초로 사용자 맞춤형 처방 서비스를 제공할 수 있다.
여기서, 심전도 기반 혈당 측정 장치(100)의 일 구현 예는 도 8에 도시된 바와 같이 스마트폰일 수 있다. 다만, 이에 한정되는 것은 아니고, 심전도 기반 혈당 측정 장치(100)는 태블릿 컴퓨터, 노트북 컴퓨터 등 다양한 형태로 구현될 수 있다.
한편, 도 8에서는 심전도 측정 장치(10)와 심전도 기반 혈당 측정 장치(100)가 별개의 모듈로 구현된 것을 예로 설명하였으나, 이에 한정되는 것은 아니고, 심전도 측정 장치(10)가 심전도 기반 혈당 측정 장치(100)의 전부 또는 일부의 기능을 수행하는 것으로도 구현될 수 있다.
이러한 본 발명에 따르면, 사용자가 심전도 측정 기기를 착용하고 있는 경우, 헬스케어 시스템은 실시간으로 측정되는 사용자의 심전도를 기초로 사용자의 혈당을 예측하여 사용자에게 알람을 제공하거나 또는 위급 시 응급 신고 기관에 자동 신고 등을 수행하는 등 사용자 맞춤형 헬스케어 서비스를 제공할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구 범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 서버 또는 기기들에 제공될 수 있다. 이에 따라 각 장치들은 프로그램이 저장된 서버 또는 기기에 접속하여, 상기 프로그램을 다운로드 할 수 있다.
또한, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 다양한 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다. 비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
10 : 심전도 측정 장치 100 : 심전도 기반 혈당 측정 장치
110 : 심전도 신호 수신부 120 : AI 프로세서
130 : 학습 모델 저장부

Claims (10)

  1. 프로세서에 의해 수행되는 인공지능을 이용한 심전도 기반 혈당 측정 방법에 있어서,
    사용자의 심전도 신호를 수신하는 단계;
    상기 수신된 심전도 신호로부터 복수의 단위 심전도 신호를 추출하는 단계;
    제1 인공 신경망 모델을 이용하여 상기 복수의 단위 심전도 신호의 이미지 각각으로부터 혈당 공간 특징을 추출하는 단계; 및
    제2 인공 신경망 모델을 이용하여 상기 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출하고, 상기 추출된 혈당 특징을 기초로 상기 사용자의 혈당을 예측하는 단계;를 포함하고,
    상기 제1 인공 신경망 모델은 상기 복수의 단위 심전도 신호의 이미지 각각으로부터 혈당 수치 및 혈당 변화 중 적어도 하나와 연관된 상기 혈당 공간 특징을 추출하고,
    상기 제2 인공 신경망 모델은 상기 제1 인공 신경망 모델의 출력을 입력받고, 상기 제1 인공 신경망 모델을 통해 추출된 상기 혈당 공간 특징의 시계열적 변화를 나타내는 혈당 특징 벡터를 추출하고, 상기 추출된 혈당 특징 벡터를 종합하여 상기 혈당 특징을 추출하며,
    상기 제1 인공 신경망 모델에서 추출되는 혈당 공간 특징은 QT interval, ST interval, QRS Complex의 진폭 변화 및 T wave 중 적어도 하나에 대응되는 것을 특징으로 하는 심전도 기반 혈당 측정 방법.
  2. 제1항에 있어서,
    상기 제1 인공 신경망 모델은 컨벌루션 신경망(Convolution Neural Network : CNN) 모델이고,
    상기 제2 인공 신경망 모델은 순환 신경망(Recurrent Neural Network : RNN) 모델인 것을 특징으로 하는 심전도 기반 혈당 측정 방법.
  3. 삭제
  4. 제2항에 있어서,
    상기 컨벌루션 신경망 모델의 컨벌루션 신경망의 개수는 상기 추출된 복수의 단위 심전도 신호의 개수와 일치하는 것을 특징으로 하는 심전도 기반 혈당 측정 방법.
  5. 삭제
  6. 제4항에 있어서,
    상기 순환 신경망 모델의 순환 신경망의 개수는 상기 컨벌루션 신경망의 개수와 일치하는 것을 특징으로 하는 심전도 기반 혈당 측정 방법.
  7. 제2항에 있어서,
    상기 예측된 혈당은 혈당 수치 값 및 혈당 상태 값 중 적어도 하나인 것을 특징으로 하는 심전도 기반 혈당 측정 방법.
  8. 인공지능을 이용한 심전도 기반 혈당 측정 장치에 있어서,
    사용자의 심전도 신호를 수신하고, 상기 수신된 심전도 신호로부터 복수의 단위 심전도 신호를 추출하는 심전도 신호 수신부; 및
    제1 인공 신경망 모델을 이용하여 상기 복수의 단위 심전도 신호의 이미지 각각으로부터 혈당 공간 특징을 추출하고, 제2 인공 신경망 모델을 이용하여 상기 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출하며, 상기 추출된 혈당 특징을 기초로 상기 사용자의 혈당을 예측하는 AI 프로세서;를 포함하고,
    상기 제1 인공 신경망 모델은 상기 복수의 단위 심전도 신호의 이미지 각각으로부터 혈당 수치 및 혈당 변화 중 적어도 하나와 연관된 상기 혈당 공간 특징을 추출하고,
    상기 제2 인공 신경망 모델은 상기 제1 인공 신경망 모델의 출력을 입력받고, 상기 제1 인공 신경망 모델을 통해 추출된 상기 혈당 공간 특징의 시계열적 변화를 나타내는 혈당 특징 벡터를 추출하고, 상기 추출된 혈당 특징 벡터를 종합하여 상기 혈당 특징을 추출하며,
    상기 제1 인공 신경망 모델에서 추출되는 혈당 공간 특징은 QT interval, ST interval, QRS Complex의 진폭 변화 및 T wave 중 적어도 하나에 대응되는 것을 특징으로 하는 심전도 기반 혈당 측정 장치.
  9. 사용자 맞춤형 헬스케어 서비스 시스템에 있어서,
    사용자의 심전도를 측정하는 심전도 측정 장치;
    상기 심전도 측정 장치로부터 상기 사용자의 심전도 신호를 수신하고, 상기 수신된 심전도 신호로부터 복수의 단위 심전도 신호를 추출하며, 학습된 인공 신경망 모델을 이용하여 상기 복수의 단위 심전도 신호로부터 상기 사용자의 혈당을 예측하는 심전도 기반 혈당 측정 장치; 및
    상기 심전도 기반 혈당 측정 장치에서 측정된 사용자의 혈당이 위험 상태인 경우, 사용자의 위치로 응급 출동 서비스를 제공하거나 또는 사용자 맞춤형 처방 서비스를 제공하는 서버;를 포함하고,
    상기 심전도 기반 혈당 측정 장치는,
    제1 인공 신경망 모델을 이용하여 상기 복수의 단위 심전도 신호의 이미지 각각으로부터 혈당 공간 특징을 추출하고, 제2 인공 신경망 모델을 이용하여 상기 혈당 공간 특징의 시계열 변화를 분석하여 혈당 특징을 추출하며, 상기 추출된 혈당 특징을 기초로 상기 사용자의 혈당을 예측하고,
    상기 제1 인공 신경망 모델은 상기 복수의 단위 심전도 신호의 이미지 각각으로부터 혈당 수치 및 혈당 변화 중 적어도 하나와 연관된 상기 혈당 공간 특징을 추출하고,
    상기 제2 인공 신경망 모델은 상기 제1 인공 신경망 모델의 출력을 입력받고, 상기 제1 인공 신경망 모델을 통해 추출된 상기 혈당 공간 특징의 시계열적 변화를 나타내는 혈당 특징 벡터를 추출하고, 상기 추출된 혈당 특징 벡터를 종합하여 상기 혈당 특징을 추출하며,
    상기 제1 인공 신경망 모델에서 추출되는 혈당 공간 특징은 QT interval, ST interval, QRS Complex의 진폭 변화 및 T wave 중 적어도 하나에 대응되는 것을 특징으로 하는 사용자 맞춤형 헬스케어 서비스 시스템.
  10. 제1항, 제2항, 제4항, 제6항 및 제7항 중 어느 한 항에 기재된 심전도 기반 혈당 측정 방법을 실행하기 위한 프로그램 코드가 기록된 기록매체에 저장된 프로그램.
KR1020200147609A 2020-09-18 2020-11-06 인공지능을 이용한 심전도 기반 혈당 측정 방법, 장치 및 프로그램 KR102528829B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/478,206 US20220087577A1 (en) 2020-09-18 2021-09-17 Method, apparatus and program for measuring electrocardiogram-based blood glucose using artificial intelligence

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200120372 2020-09-18
KR20200120372 2020-09-18

Publications (2)

Publication Number Publication Date
KR20220037917A KR20220037917A (ko) 2022-03-25
KR102528829B1 true KR102528829B1 (ko) 2023-06-12

Family

ID=80935521

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200147609A KR102528829B1 (ko) 2020-09-18 2020-11-06 인공지능을 이용한 심전도 기반 혈당 측정 방법, 장치 및 프로그램

Country Status (1)

Country Link
KR (1) KR102528829B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024019523A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
KR20240016650A (ko) * 2022-07-29 2024-02-06 주식회사 메디컬에이아이 심전도에 기반한 혈당의 실시간 수치 및 관리 정도를 계측하는 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014524791A (ja) * 2011-06-23 2014-09-25 ユニバーシティ オブ ヴァージニア パテント ファウンデーション 糖尿病患者の血糖値の監視と制御のための統合プラットフォーム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190114694A (ko) * 2018-03-30 2019-10-10 삼성에스디에스 주식회사 인공지능을 이용한 시계열 데이터 학습 및 분석 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014524791A (ja) * 2011-06-23 2014-09-25 ユニバーシティ オブ ヴァージニア パテント ファウンデーション 糖尿病患者の血糖値の監視と制御のための統合プラットフォーム

Also Published As

Publication number Publication date
KR20220037917A (ko) 2022-03-25

Similar Documents

Publication Publication Date Title
US11877830B2 (en) Machine learning health analysis with a mobile device
US10561321B2 (en) Continuous monitoring of a user's health with a mobile device
US20190076031A1 (en) Continuous monitoring of a user's health with a mobile device
Vos et al. Generalizable machine learning for stress monitoring from wearable devices: A systematic literature review
JP2023508235A (ja) 患者の生理学的特徴を推論するための、非侵襲的な心臓モニタ、および記録された心臓データの使用方法
KR102141617B1 (ko) 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체
WO2019071201A1 (en) CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE
Rath et al. Improved heart disease detection from ECG signal using deep learning based ensemble model
US20220346676A1 (en) Electrocardiogram-based blood glucose level monitoring
KR102528829B1 (ko) 인공지능을 이용한 심전도 기반 혈당 측정 방법, 장치 및 프로그램
US20220087577A1 (en) Method, apparatus and program for measuring electrocardiogram-based blood glucose using artificial intelligence
Alkhodari et al. Screening cardiovascular autonomic neuropathy in diabetic patients with microvascular complications using machine learning: a 24-hour heart rate variability study
Lee et al. A comparative evaluation of atrial fibrillation detection methods in Koreans based on optical recordings using a smartphone
US20240321455A1 (en) Cardiac arrhythmia detection
Hasanpoor et al. Stress detection using ppg signal and combined deep cnn-mlp network
CN117224080B (zh) 大数据的人体数据监测方法装置
WO2020073012A1 (en) Continuous monitoring of a user's health with a mobile device
Zabihi et al. Bp-net: Cuff-less and non-invasive blood pressure estimation via a generic deep convolutional architecture
US20240099593A1 (en) Machine learning health analysis with a mobile device
Yuldashev et al. Systems and technologies for remote health state monitoring of patients with chronic diseases
WO2020073013A1 (en) Machine learning health analysis with a mobile device
Li et al. Inferring ECG from PPG for Continuous Cardiac Monitoring Using Lightweight Neural Network
Saranya et al. Early Detection of Heartbeat from Multimodal Data Using RPA Learning with KDNN-SAE.
CN117377432A (zh) 动态和模块化心脏事件检测
Kurniawan et al. Arrhythmia Analysis in the Long-term Electrocardiogram Monitoring System.

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right