KR102574085B1 - 혈당 농도를 예측하는 장치 및 방법 - Google Patents

Abstract

시간 독립 성분 분석(ICA)을 이용하여 근적외선 데이터에 대한 혈당 농도를 예측하는 장치 및 방법을 기술한다. 일 실시예에 따르면, 상기 방법은 독립 성분 분석 시간 블록에 의해 근적외선 스펙트럼으로부터 직교 순수 스펙트럼을 얻는 단계, 처리 블록에 의해 근적외선 스펙트럼 및 직교 순수 스펙트럼에 대하여 하나 이상의 전처리 및 드리프트 제거 기술을 적용하여 전처리 된 스펙트럼을 얻고, 회귀 블록에 의해 전처리 된 스펙트럼으로부터 포도당 농도를 예측하는 단계를 포함할 수 있다.

Description

혈당 농도를 예측하는 장치 및 방법 {APPARATUS AND METHOD FOR PREDICTING BLOOD GLUCOSE CONCENTRATION}

포도당(glucose) 모니터링 기술에 관한 것으로, 보다 상세하게는 시간 독립성분분석(independent component analysis, ICA) 기법을 이용하여 혈당 농도를 예측하는 기술과 관련된다.

포도당 모니터링은 혈중 포도당 농도를 검사하는데 사용된다. 포도당 모니터링은 침습적 또는 비침습적으로 수행될 수 있다. 침습적 방법에서는 검사를 위한 혈액 샘플을 획득하기 위해 인체의 피부가 피어싱(piercing) 되나, 비침습적 방법에서는 혈당 농도를 얻기 위한 혈액 샘플의 수집은 요구되지 않는다. 비침습성 포도당 모니터링에 사용되는 일반적인 방법은 중적외선(Mid IR), 근적외선(Near Infrared, NIR) 및 라만 분광법 등이다. 최근에 근적외선 방법이 연속적인 포도당 모니터링을 위해 일반적으로 사용되고 있다. 여기서, 적외(IR) 파장은 피부를 통과하며, 피부의 피하 부분에 의한 적외 파장의 흡수(absorption)는 포도당 수준을 결정하는 데 도움이 된다. 샘플에 의한 파장의 흡수(A)는 비어 램버트 법칙(BEER Lambert law)에 의해 정의된다.

… (1)

여기서 는 흡수계수이고, 는 샘플에서의 성분의 농도이며, 는 침투 깊이(penetration depth)를 나타낸다.

샘플이 다른 성분들로 구성된 경우, 전체 흡수는 다음과 같이 주어진다.

… (2)

피부의 근적외선 스펙트럼은 물, 지방, 단백질(콜라겐 및 케라틴), 아미노산, 엘라스틴 및 포도당과 같은 여러 성분의 흡수로 구성된다.

혈액 내 포도당 농도가 다른 구성 성분의 농도보다 더 적고, 포도당 정보가 근적외선 스펙트럼의 잡음(noise) 및 표류(drift) 성분 아래에 묻혀 있기 때문에 비침습적으로 포도당 농도를 모니터링 하는 것은 매우 어렵다. 다른 구성 성분의 농도 순서는 아래 표에 나타난다.

근적외선 스펙트럼을 사용하여 혈당 수준을 모니터링 하는 데 있어 몇 가지 선행기술이 존재한다. 선행기술 중 하나는 근적외선 확산 반사율 측정(NIR Diffusion reflectance measurement)에서 고체 샘플의 비접촉 분석 방법에 관한 것으로, 여기서 독립 성분 분석(Independent Component Analysis, ICA)은 혼합 스펙트럼에 대하여 수행되어, 혼합 스펙트럼을 순수 분석 스펙트럼 및 그들의 농도 프로파일로 분리시킨다. 또한 이 방법은 산란 보정을 사용하여, 측정된 스펙트럼에서 비선형 효과를 제거한다. 그러나 이 방법은 실제 시나리오에서 SNR을 감소시키는 계기/환경 잔류 편차(instrumental/environmental residual drift) 문제를 해결하지 못한다. 또한, 이 방법은 통계적으로 독립 소스 신호 및 비-제로 첨도(non-zero kurtosis)를 가정하는 독립 성분 분석 알고리즘을 사용한다. 그러나, 많은 경우에 생체 의료 소스 신호는 의존적이며, 매우 낮은 첨도 값을 갖는다.

다른 선행 기술은 독립 성분 분석을 사용하여 근적외선 데이터를 분석하는 방법에 관한 것이다. 여기서, 개별 혼합물의 농도를 확인하기 위해 비분석물 혼합물(non-analyte mixture)에 대하여 블라인드 소스 분리(Blind Source Separation)가 수행된다. 이 방법은 실험을 위해 전분, 물 및 단백질로 만든 혼합물을 사용한다. 이 방법에서 사용되는 독립 성분 분석 알고리즘은 소스 신호의 상호 의존을 전제로 한다. 또한, 혼합물의 각 성분의 농도는 시간에 따라 변하지 않는다. 하지만, 인체의 경우에는 성분들의 농도가 시간에 따라 변하거나 변하지 않을 수 있다. 또한, 이 방법은 다른 성분(물 및 단백질)의 성분에 비해 특정 성분(포도당)의 농도가 매우 낮다는 문제를 해결하지 못한다.

또 다른 선행 기술은 근적외선 물 흡수 피크(NIR water absorption peak)를 포함하는 적외(IR) 스펙트럼 부분만을 사용하여 혈당을 측정하는 방법에 관한 것이다. 이 방법은 피부를 통해 측정 영역 예컨대, 혈관에 전달된 파장의 EM 방사선을 사용한다. 수집된 빛을 분석하고 기준 검량 곡선(reference calibration curve)과 비교하여 혈당 농도를 계산한다. 그러나 이 방법은 배경 간섭(background interference)이 근적외선 영역의 모든 범위에서 공통적이라고 가정한다. 또한, 이 방법은 사람마다 다른 기준 검량 곡선을 사용하므로 보편성이 보장되지 않는다. 또한, 이것은 인체 피부의 모든 구성 성분이 근적외선 스펙트럼에서 잘 알려져 있다고 가정한다. 하지만, 이것은 인체 피부의 경우에는 사실이 아니며 포도당의 결정에 영향을 미친다.

따라서 근적외선 스펙트럼으로부터 다양한 피부 성분에 대한 순수 스펙트럼을 직접 식별하는 방법이 필요하다. 실제 순수 스펙트럼이 서로 의존적이더라도 직교 순수 스펙트럼을 얻기 위하여 원래의 독립성분분석 알고리즘을 수정하는 방법이 필요하다. 또한, 시간 독립 성분 분석 알고리즘(temporal Independent Component Analysis algorithm)이 생체 외 순수 스펙트럼을 필요로 하지 않고서도 획득된 근적외선 스펙트럼을 사용하여 포도당 농도를 얻는 방법이 필요하다. 또한, 시간 독립 성분 분석을 이용하여 혈당 농도를 예측하는 방법이 필요하다.

일본공개특허공보 특개2015-021833호 (2015.02.02)

시간 독립 성분 분석 알고리즘을 이용하여 근적외선 스펙트럼으로부터 다양한 피부 성분에 대한 순수 스펙트럼을 식별하고, 이를 이용한 혈당 농도를 예측하는 장치 및 방법이 제시된다.

일 양상에 따르면, 혈당 농도를 예측하는 방법은 독립 성분 분석 시간 블록에 의해, 근적외선 스펙트럼으로부터 제1 직교 순수 스펙트럼을 획득하는 단계, 처리 블록에 의해, 근적외선 스펙트럼 및 제1 직교 순수 스펙트럼에 대해 하나 이상의 전처리 및 드리프트(drift) 제거 기술을 적용하여 전처리 스펙트럼을 획득하는 단계 및 회귀 블록에 의해, 전처리 스펙트럼으로부터 포도당 농도를 예측하는 단계를 포함할 수 있다.

이때, 제1 직교 순수 스펙트럼을 획득하는 단계는, 사전 데이터 화이트닝 유닛에 의해, 근적외선 스펙트럼을 수신하는 단계, 사전 데이터 화이트닝 유닛에 의해, 근적외선 스펙트럼에 대해 화이트닝 변환을 적용하여, 화이트닝된 근적외선 스펙트럼 데이터를 획득하는 단계, 반복 처리 유닛에 의해, 화이트닝된 근적외선 스펙트럼 데이터로부터 제2 직교 순수 스펙트럼을 산출하는 단계, 새로운 제2 직교 순수 스펙트럼을 계산하기 위해, 제2 직교 순수 스펙트럼의 효과를 제거하여, 반복 처리 유닛에 되돌려 보낼 새로운 압축된 근적외선 스펙트럼을 산출하는 단계 및 산출된 제2 직교 순수 스펙트럼을 결합하여, 제1 직교 순수 스펙트럼을 획득하는 단계를 포함할 수 있다.

화이트닝 된 근적외선 스펙트럼 데이터를 획득하는 단계는, 특이값 분해를 이용하여 근적외선 스펙트럼의 고유벡터를 산출하는 단계 및 근적외선 스펙트럼에 대해 고유 벡터를 이용한 화이트닝 변환을 적용하여 화이트닝 된 근적외선 스펙트럼 데이터를 획득하는 단계를 포함할 수 있다.

제2 직교 순수 스펙트럼을 산출하는 단계는, 단일 처리 유닛에 의해, 화이트닝 된 근적외선 스펙트럼 데이터 및 잔여 오차(residual error)를 기초로, 추정 스펙트럼을 계산하는 단계 및 추정 스펙트럼을 이용하여 학습 파라미터의 수렴이 달성될 때까지 제2 직교 순수 스펙트럼을 획득하는 것을 계속 반복하는 단계를 포함할 수 있다.

추정 스펙트럼을 계산하는 단계는, 가중 벡터 및 바이어스 벡터를 포함하는 학습 파라미터를 랜덤하게 초기화하는 단계, 가중 벡터 및 바이어스 벡터에 기초하여 추정 스펙트럼을 획득하는 단계 및 상호 상관 및 공분산 행렬을 포함하는 추정 스펙트럼에 대한 소스 통계를 계산하는 단계를 포함할 수 있다.

추정 스펙트럼을 이용하여 제2 직교 순수 스펙트럼을 획득하는 것을 계속 반복하는 단계는, 추정 스펙트럼의 소스 통계에 기초하여 가중 벡터 및 바이어스 벡터의 갱신된 값을 산출하는 단계, 가중 벡터 및 바이어스 벡터의 갱신된 값에 기초하여 갱신된 추정 스펙트럼을 산출하는 단계, 가중 벡터에 대하여 수렴이 달성되면, 갱신된 추정 스펙트럼을 상기 제2 직교 순수 스펙트럼으로 할당하는 단계 및 수렴에 도달하지 않으면, 단일 처리 유닛에 가중 벡터 및 바이어스 벡터의 갱신된 값을 반복하는 단계를 포함할 수 있다.

압축된 근적외선 스펙트럼을 산출하는 단계는, 반복 처리 유닛으로부터 획득된 제2 직교 순수 스펙트럼에 기초하여 상기 화이트닝 된 근적외선 스펙트럼 데이터를 압축하는 단계, 미리 설정된 개수의 제2 직교 순수 스펙트럼이 달성되는지를 체크하는 단계 및 미리 설정된 개수의 제2 직교 순수 스펙트럼이 달성되지 않으면, 새로운 제2 직교 순수 스펙트럼을 획득하도록 압축된 근적외선 스펙트럼을 반복 처리 유닛으로 되돌려 보내는 단계를 포함할 수 있다.

전처리 스펙트럼을 얻는 단계는, 근적외선 스펙트럼 및 제1 직교 순수 스펙트럼에 대해 EMSC(Extended Multiplicative Scatter Correction) 방법을 적용하는 단계, FFT 블록에 의해, 필터링 기법을 적용하여 필터링된 스펙트럼을 획득하는 단계 및 필터링된 스펙트럼에 드리프트 제거 기술을 적용하여 전처리 스펙트럼을 획득하는 단계를 포함할 수 있다.

필터링된 스펙트럼을 획득하는 단계는, 해닝 윈도우를 사용하여 근적외선 스펙트럼에 푸리에 도메인 필터링을 적용하는 단계 및 푸리에 도메인 필터링된 스펙트럼을 파장에 대해 미분하여, 필터링된 스펙트럼을 획득하는 단계를 포함할 수 있다.

전처리 스펙트럼으로부터 포도당 농도를 예측하는 단계는, 특징 추출 블록에 의해, 전처리 스펙트럼으로부터 하나 이상의 특징을 추출하는 단계, 하나 이상의 특징으로부터 훈련 데이터 세트 및 검증 데이터 세트를 획득하는 단계 및 훈련 데이터 세트 및 검증 데이터 세트에 대한 회귀 분석을 수행하여 포도당 농도를 획득하는 단계를 포함할 수 있다.

일 양상에 따르면, 혈당 농도를 예측하는 장치는 근적외선 스펙트럼으로부터 제1 직교 순수 스펙트럼을 획득하는 독립 성분 분석 시간 블록, 근적외선 스펙트럼 및 제1 직교 순수 스펙트럼에 대해 하나 이상의 전처리 및 드리프트 제거 기술을 적용하여, 전처리 스펙트럼을 획득하는 처리 블록 및 전처리 스펙트럼으로부터 포도당 농도를 예측하는 회귀 블록을 포함할 수 있다.

독립 성분 분석 시간 블록은, 근적외선 스펙트럼을 수신하고, 근적외선 스펙트럼에 대한 화이트닝 변환을 적용하여, 화이트닝된 근적외선 스펙트럼 데이터를 획득하는 사전 데이터 화이트닝 유닛, 화이트닝된 근적외선 스펙트럼 데이터로부터 제2 직교 순수 스펙트럼을 산출하는 반복 처리 유닛, 제2 직교 순수 스펙트럼의 효과를 제거한 후, 새로운 제2 직교 순수 스펙트럼을 계산하도록 반복 처리 유닛으로 되돌려 보낼 압축된 근적외선 스펙트럼을 산출하는 압축 모듈 및 산출된 제2 직교 순수 스펙트럼을 결합하여 제1 직교 순수 스펙트럼을 획득하는 학습 알고리즘 유닛을 포함할 수 있다.

사전 데이터 화이트닝 유닛은, 특이값 분해를 사용하여 근적외선 스펙트럼의 고유벡터를 산출하고, 근적외선 스펙트럼의 고유벡터를 사용하여 화이트닝 변환을 적용함으로써 화이트닝 된 근적외선 스펙트럼을 데이터를 획득할 수 있다.

독립 성분 분석 시간 블록은, 화이트닝 된 근적외선 스펙트럼 데이터 및, 잔류 오차에 기초하여, 추정 스펙트럼을 계산하는 단일 처리 유닛을 포함할 수 있고, 이때, 단일 처리 유닛으로부터 추정 스펙트럼을 계산하는 것은, 가중 벡터 및 바이어스 벡터를 포함하는 학습 파라미터를 랜덤하게 초기화하고, 가중 벡터 및 바이어스 벡터에 기초하여 추정 스펙트럼을 획득하고, 상호 상관 및 공분산 행렬을 포함하는 추정 스펙트럼에 대한 소스 통계를 계산하며, 추정 스펙트럼을 이용하여 학습 파라미터의 수렴이 달성될 때까지 제2 직교 순수 스펙트럼을 획득하는 것을 계속 반복하는 것을 포함하고, 이때, 제2 직교 순수 스펙트럼을 획득하는 것을 계속 반복하는 것은, 추정 스펙트럼의 소스 통계에 기초하여 가중 벡터 및 바이어스 벡터의 갱신된 값을 산출하고, 가중 벡터 및 바이어스 벡터의 갱신된 값에 기초하여 갱신된 추정 스펙트럼을 산출하고, 가중 벡터에 대해 수렴이 달성되는 경우, 갱신된 추정 스펙트럼을 제2 직교 순수 스펙트럼으로 할당하고, 수렴에 도달하지 않은 경우 단일 처리 유닛에 가중 벡터 및 바이어스 벡터의 갱신된 값을 반복하는 것을 포함할 수 있다.

압축 모듈은, 반복 처리 유닛으로부터 획득된 제2 직교 순수 스펙트럼에 기초하여, 화이트닝 된 근적외선 스펙트럼 데이터를 압축하고, 미리 설정된 개수의 제2 직교 순수 스펙트럼이 달성되는지를 체크하며, 미리 설정된 개수의 제2 직교 순수 스펙트럼이 달성되지 않으면, 새로운 제2 직교 순수 스펙트럼을 얻도록 압축된 근적외선 스펙트럼을 상기 반복 처리 유닛으로 되돌려 보낼 수 있다.

처리 블록은, 근적외선 스펙트럼 및 제1 직교 순수 스펙트럼에 대해 EMSC 기법을 적용하는 EMSC 모듈, 필터링 방법을 적용하여 필터링된 스펙트럼을 획득하는 FFT 블록 및 필터링된 스펙트럼에 드리프트 제거 기술을 적용하여 전처리 스펙트럼을 획득하는 드리프트 제거 모듈을 포함할 수 있다.

회귀 블록은, 전처리 스펙트럼으로부터 하나 이상의 특징을 추출하는 특징 추출 블록, 하나 이상의 특징으로부터 훈련 데이터 세트 및 검증 데이터 세트를 획득하는 분리 블록 및 훈련 데이터 세트 및 검증 데이터 세트에 대한 회귀 분석을 수행하여, 포도당 농도를 획득하는 회귀 모델 식별자 블록을 포함할 수 있다.

시간 독립 성분 분석 알고리즘을 이용하여 근적외선 스펙트럼으로부터 다양한 피부 성분에 대한 순수 스펙트럼을 식별하고 이를 이용하여 혈당 농도를 정확하게 예측할 수 있다.

도 1은 일 실시 예에 따라, 시간 독립 성분 분석을 사용하여 혈당 농도를 예측하는 방법을 도시하는 개략적인 흐름도이다.
도 2는 일 실시 예에 따라 시간 독립 성분 분석을 이용하여 혈당 농도 예측을 수행하는 유닛들을 개략적으로 도시한 블록도이다.
도 3은 일 실시 예에 따라 하나의 스펙트럼을 추출하는 단일 처리 유닛을 나타내는 개략도이다.

다양한 실시 예들은 시간 독립 성분 분석을 이용하여 혈당 농도를 예측하는 방법을 개시한다. 도면들을 참조하여 실시 예들에 대한 다음의 상세한 설명이 이루어진다. 이러한 실시 예들은 통상의 기술자가 실시할 수 있도록 충분히 상세하게 설명되어 있다. 또한, 다른 실시 예들이 활용될 수 있으며, 변경이 이루어질 수 있음을 이해해야 한다. 따라서, 이하의 상세한 설명은 제한적인 의미로 해석되어서는 안되며, 첨부된 청구 범위에 의해서 발명의 범위가 정의된다.

명세서의 여러 위치에서 "하나" 또는 "일부"의 실시 예가 참조될 수 있다. 하지만, 그러한 참조가 동일한 실시 예에 대한 것이라거나, 그러한 특징(feature)이 하나의 실시 예에만 적용된다는 것을 의미하는 것은 아니다. 또한 다른 실시 예들의 단일 특징이 결합되어 또 다른 실시 예를 제공할 수 있다.

또한, 단수 형태는 달리 명시되지 않는 한 복수 형태를 포함할 수 있다. 본 명세서에서 사용되는 경우 "포함하는" 및 "구성하는"이라는 용어는, 명시된 특징(feature), 정수(integer), 단계(step), 동작(operation), 요소(element) 및/또는 구성(component)의 존재를 특정한다. 그러나, 하나 이상의 다른 특징, 정수, 단계, 동작, 요소, 구성 및/또는 이들의 그룹의 존재 또는 추가를 배제하는 것은 아니다. 본 명세서에 사용된 바와 같이, "및/또는"이라는 용어는 하나 이상의 관련된 나열 항목의 일부 및 전부의 조합 및 배열을 포함한다.

달리 정의되지 않는 한, 본 명세서에서 사용되는 모든 용어(기술 용어 및 과학 용어 포함)는 본 개시 내용과 관련된 기술 분야의 통상의 기술자가 일반적으로 이해하는 것과 동일한 의미를 갖는다. 또한, 통상 사용되는 사전에서 정의된 용어는 관련 기술의 맥락에서 의미하는 바와 동일한 의미를 갖는 것으로 해석되어야 하고, 여기에서 명시적으로 정의하지 않는 한 이상적이거나 지나치게 형식적인 의미로 해석되어서는 안 된다.

본 명세서의 실시 예 및 그 다양한 특징들 및 이점들의 상세한 설명은 첨부 도면들에 도시되고 이하의 상세한 설명에서 설명되는 비제한적인 실시 예들을 참조하여 더욱 완전하게 설명된다. 공지된 구성 및 처리 기술에 대한 설명은 본 명세서의 실시 예를 불명료하게 하지 않도록 생략된다. 본 명세서에서 사용된 예들은 단지 본 실시 예의 실시 방법에 대한 이해를 돕고, 통상의 기술자가 실시할 수 있도록 하기 위한 것이다. 따라서, 그러한 예들은 실시 예들의 범위를 제한하는 것으로 해석되어서는 안 된다.

실시 예들은 시간 독립 성분 분석을 이용하여 혈당 농도를 예측하는 방법을 설명한다. 일 실시 예에 따르면, 혈당 농도를 예측하는 방법은 독립 성분 분석 시간 블록(Independent Component Analysis temporal block)에 의해, 인체 근적외선 분광법(Near Infrared Spectroscopy)을 기초로 획득된 근적외선 스펙트럼으로부터 직교 순수 스펙트럼을 획득하는 단계를 포함할 수 있다. 근적외선 스펙트럼은 근적외선 스펙트럼에 대한 직교 순수 스펙트럼을 획득할 목적으로 수신되어 독립 성분 분석 시간 블록에 제공될 수 있다.

일 예에서, 직교 순수 스펙트럼을 획득하는 단계는 사전 데이터 화이트닝 유닛(pre data whitening unit)에 의해, 근적외선 스펙트럼을 수신하는 단계를 포함할 수 있다. 사전 데이터 화이트닝 유닛은 근적외선 스펙트럼에 변형을 적용한 후, 화이트닝 된 근적외선 스펙트럼 데이터를 제공할 수 있다. 다른 예에서, 화이트닝 된 근적외선 스펙트럼 데이터를 획득하는 단계는 특이값 분해(singular value decomposition) 기법을 사용하여, 입력된 근적외선 스펙트럼의 고유 벡터를 산출하는 단계를 포함할 수 있다. 또한, 화이트닝 변형은 입력된 근적외선 스펙트럼의 고유 벡터를 이용하여 화이트닝 된 근적외선 스펙트럼 데이터를 얻는 데 적용될 수 있다.

또한, 직교 순수 스펙트럼을 얻는 단계는 반복 처리 유닛(iterative processing unit)에 의해, 화이트닝 된 근적외선 스펙트럼 데이터로부터 직교 순수 스펙트럼을 산출하는 단계를 포함할 수 있다. 다른 예에서, 혈당 농도를 예측하는 방법은 단일 처리 유닛(single processing unit)에 의해, 추정 스펙트럼을 계산하는 동안, 화이트닝 된 근적외선 스펙트럼 데이터 및 잔류 오차(residual error)에 기초하여 추정 스펙트럼을 계산하는 단계를 포함하는 직교 순수 스펙트럼을 산출하는 단계를 포함할 수 있다. 이때, 단일 처리 유닛에 의해 추정 스펙트럼을 계산하는 단계는 가중 벡터(weight vector) 및 바이어스 벡터(bias vector)를 포함하는 학습 파라미터를 랜덤하게 초기화하는 단계, 가중 벡터 및 바이어스 벡터에 기초하여 추정 스펙트럼을 얻는 단계, 및 상호 상관(cross correlation) 및 공분산 행렬(Covariance matrix)를 포함하는 추정 스펙트럼에 대하여 소스 통계를 계산하는 단계를 포함할 수 있다. 또한, 혈당 농도를 예측하는 방법은 계산된 직교 순수 스펙트럼을 결합하여 직교 순수 스펙트럼들을 획득하는 단계를 포함할 수 있다.

또한, 개별적인 직교 순수 스펙트럼을 산출하는 단계는, 학습 파라미터의 수렴(convergence)이 달성될 때까지 추정 스펙트럼을 이용하여 직교 순수 스펙트럼을 획득하는 것을 다시 반복하는 단계를 포함할 수 있다. 이때, 추정 스펙트럼을 이용하여 직교 순수 스펙트럼을 획득하는 것을 다시 반복하는 단계는, 추정 스펙트럼의 소스 통계에 기초하여 가중 벡터 및 바이어스 벡터에 대한 갱신된 값들을 산출하는 단계, 그 가중 벡터 및 바이어스 벡터에 대한 갱신된 값들에 기초하여 갱신된 추정 스펙트럼을 산출하는 단계, 가중 벡터에 대하여 수렴이 성취되면 갱신된 추정 스펙트럼 값을 직교 순수 스펙트럼으로 할당하는 단계 및, 수렴에 도달하지 않으면 단일 처리 유닛에 가중 벡터 및 바이어스 벡터에 대한 갱신된 값을 다시 반복하는 단계를 포함할 수 있다.

또한, 순수 스펙트럼을 얻는 방법은 이전에 계산된 직교 순수 스펙트럼의 영향을 제거한 후, 새로운 직교 순수 스펙트럼을 계산하도록 반복 처리 유닛에 되돌려 보낼 새로운 압축된(deflated) 근적외선 스펙트럼을 산출하는 단계를 포함할 수 있다. 일 실시 예에서, 반복 처리 유닛에 되돌려 보낼 새로운 압축된 근적외선 스펙트럼을 계산하는 단계는 반복 처리 유닛에 의해 획득된 직교 순수 스펙트럼에 기초하여 화이트닝 된 근적외선 스펙트럼 데이터를 압축시키는 단계를 포함할 수 있다. 또한, 혈당을 예측하는 방법은 미리 설정된 개수의 직교 순수 스펙트럼이 달성되는지를 체크하는 단계를 포함할 수 있다. 또한, 혈당을 예측하는 방법은 미리 설정된 개수의 직교 순수 스펙트럼이 성취되지 않으면, 새로운 직교 순수 스펙트럼을 얻기 위해 압축된 근적외선 스펙트럼을 반복 처리 유닛으로 되돌려 보내는 단계를 포함할 수 있다.

또한, 혈당 농도를 예측하는 방법은 전처리 스펙트럼을 얻기 위해 근적외선 스펙트럼 및 직교 순수 스펙트럼에 대해 하나 이상의 전처리 및 드리프트(drift) 제거 기술을 적용하는 처리 블록(processing block)을 포함할 수 있다. 독립 성분 분석 시간 블록은 근적외선 스펙트럼을 필터링하고, 직교 순수 스펙트럼을 획득할 수 있다. 근적외선 스펙트럼과 함께 직교 순수 스펙트럼은 처리 블록으로 전송된다. 처리 블록은 근적외선 스펙트럼 및 직교 순수 스펙트럼을 수신하고, 근적외선 스펙트럼 및 직교 순수 스펙트럼에 하나 이상의 전처리 및 드리프트 제거 기술을 적용하여 전처리 스펙트럼을 획득할 수 있다.

일 실시 예에서, 전처리 스펙트럼을 획득하는 단계는 근적외선 스펙트럼 및 직교 순수 스펙트럼에 대해 확장된 곱셈형 산란 보정(extended multiplicative scatter correction, EMSC) 기법을 적용하는 단계를 포함할 수 있다. 또한, 혈당을 예측하는 방법은 고속 푸리에 변환 블록(Fast Fourier Transform block)을 통해 필터링 기법을 적용하여 필터링된 스펙트럼을 획득하는 단계를 포함할 수 있다. 이때, 필터링된 스펙트럼을 획득하는 단계는 근적외선 스펙트럼에 대한 노이즈의 영향을 줄이기 위해, EMSC 후, 해닝 윈도우(Hanning Window)를 사용하여 근적외선 스펙트럼에 대해 푸리에 도메인 필터링을 적용하는 단계 및, 파장에 대해 일정한 드리프트 효과를 제거하기 위해 파장에 대해 푸리에 도메인 필터링된 스펙트럼을 미분하여 필터링된 스펙트럼을 획득하는 단계를 포함할 수 있다.

또한, 혈당 농도를 예측하는 방법은 전처리 스펙트럼으로부터 포도당 농도를 예측하는 회귀 블록(regression block)을 포함할 수 있다. 처리 블록은 전처리 스펙트럼을 회귀 블록에 전송할 수 있다. 회귀 블록은 전처리 스펙트럼을 수신하고 그 데이터를 특징 추출 블록(feature extraction block)에 제공할 수 있다. 여기서 특징 추출 블록은 획득된 전처리 스펙트럼으로부터 하나 이상의 특징을 추출할 수 있다. 또한, 혈당 농도를 예측하는 방법은 그 추출된 특징으로부터 훈련 데이터 세트(training dataset) 및 검증 데이터 세트(validation dataset)를 얻는 단계를 포함할 수 있다. 또한, 혈당 농도를 예측하는 방법은 훈련 데이터 세트 및 유효성 확인 데이터 세트에 대해 회귀(regression)를 수행하여 포도당 농도를 획득하는 단계를 포함할 수 있다.

도 1은 일 실시 예에 따라 시간 독립 성분 분석을 사용하여 혈당 농도를 예측하는 방법의 개략적인 흐름도(100)이다. 흐름도(100)에 따르면, 단계(102)에서, 독립 성분 분석 시간 블록은 근적외선 스펙트럼으로부터 직교 순수 스펙트럼을 획득할 수 있다. 또한, 단계(104)에서, 처리 블록은 전처리 스펙트럼을 얻기 위해 근적외선 스펙트럼 및 직교 순수 스펙트럼에 대해 하나 이상의 전처리 및 드리프트 제거 기술을 적용할 수 있다. 또한, 단계(106)에서, 회귀 블록은 전처리 스펙트럼으로부터 포도당 농도를 예측할 수 있다.

도 2는 일 실시 예에 따라, 시간 독립 성분 분석을 사용하여 혈당 농도를 예측하는 유닛들을 도시한 사용자 디바이스(200)의 개략적인 블록도이다. 블록도에 따르면, 사용자 디바이스(200)는 독립 성분 분석 시간 블록(202), 처리 블록(204) 및 회귀 블록(206)을 포함할 수 있다. 또한, 독립 성분 분석 시간 블록(202)은 사전 데이터 화이트닝 유닛(208), 학습 알고리즘 유닛(210) 및 압축 모듈(212)를 포함할 수 있다. 또한, 처리 블록(204)는 EMSC 모듈(214), 고속 푸리에 변환 블록(216) 및 드리프트 제거 모듈(218)을 포함할 수 있다. 또한, 회귀 블록(206)은 특징 추출 블록(220), 분리 블록(222), 훈련 블록(224) 및 회귀 모델 식별자 블록(226)을 포함할 수 있다. 독립 성분 분석은 다변량 신호(multivariate signal)를 가산 성분(additive component)으로 분리하는데 사용되는 기법이다. 독립 성분 분석은 일반적으로 샘플들의 대형 데이터베이스로서 제공되는, 관측된 다변량 데이터에 대한 생성 모델(generative model)을 정의한다. 독립 성분 분석은 블라인드 소스 분리(Blind Source Separation)의 사례로서, 독립 성분 분석은 임의의 변수, 측정치 또는 신호들 세트의 기저를 이루는 숨겨진 인자(hidden factor)를 밝히기 위한 통계적이고 계산적인 기술이다.

임의의 데이터 벡터 가 아래와 같이 독립 성분 의 가중치 합으로 주어지는 것을 예로 들어 설명한다.

… (3)

여기서 는 혼합 가중치이다.

독립 성분 분석의 목적은 관측된 데이터 를, 선형 변환 를 사용하여 아래와 같이 최대한 독립적인 성분 y로 변환하는 것이다.

… (4)

일반적인 독립 성분 분석 기술은 소스 신호의 비-가우시안 특성(non Gaussianity) 및 통계적 독립성을 가정하는 원리로 작동한다. 소스 신호의 비 가우시안 특성 및 통계적 독립성을 가정하는 요건은 소스 신호(y)들이 일반적으로 의존하는 많은 실제 시나리오에서는 사용이 허용되지 않는다. 비침습적 연속 포도당 모니터링에서, 포도당, 물, 지방, 콜라겐(collagen), 케라틴(keratin), 산(acid) 등과 같은 피부 성분의 순수 스펙트럼은 높은 상관 관계를 갖는다. 피부 성분의 예는 이에 제한되지 않는다. 또한, 하나 이상의 성분에 대해 추출된 평균 정규화된 스펙트럼(mean normalized spectrum)은 성분들에 대한 순수 스펙트럼의 피크를 적절히 획득할 수 없다. 따라서 그것들은 일반적인 독립 성분 분석 기술을 통해 근적외선 스펙트럼으로부터 추출될 수 없다.

일 실시예에 따른 독립 성분 분석 시간 블록(202)은 전술한 문제를 극복할 수 있다. 독립 성분 분석 시간 블록(202)은 순차적 블라인드 소스 추출을 위한 일괄 학습 방법(batch learning method)에 대해 작용한다. 또한, 독립 성분 분석 시간 블록(202)은 비(non) 독립 동일 분포(independently identically distributed, i.i.d.)이며, 시간적으로 상관된 소스들로부터 얻어진 신호들에 대해 작용한다. 독립 성분 분석 시간 블록(202)은 사전 데이터 화이트닝 유닛(208), 학습 알고리즘 유닛(210) 및 압축 모듈(212)을 포함할 수 있다.

사전 데이터 화이트닝 유닛(208)은 근적외선 스펙트럼을 수신한다. 사전 데이터 화이트닝 유닛(208)은 근적외선 스펙트럼으로부터의 에러를 제거한 후, 화이트닝 된 근적외선 스펙트럼 데이터를 제공할 수 있다. 또한, 사전 데이터 화이트닝 유닛(208)은 특이값 분해 기법을 이용하여 근적외선 스펙트럼의 고유 벡터(Eigen vector)를 계산할 수 있다. 또한, 화이트닝 변환은 사전 데이터 화이트닝 유닛(208)에 의해 근적외선 스펙트럼의 고유 벡터를 사용하여 화이트닝된 근적외선 스펙트럼 데이터를 얻는 데에 적용될 수 있다.

또한, 사전 데이터 화이트닝 유닛(208)은 화이트닝 된 근적외선 스펙트럼 데이터를 학습 알고리즘 유닛(210)에 전달할 수 있다. 학습 알고리즘 유닛(210)은 반복 처리 유닛을 이용하여, 화이트닝된 근적외선 스펙트럼 데이터로부터 직교 순수 스펙트럼을 계산할 수 있다. 학습 알고리즘 유닛(210)은 단일 처리 유닛을 포함할 수 있다. 학습 알고리즘 유닛(210)은 화이트닝 된 근적외선 스펙트럼 데이터 및, 추정 스펙트럼을 계산하는 동안의 잔여 오차(residual error)를 기초로 추정 스펙트럼을 계산할 수 있다. 단일 처리 유닛에서의 각 스펙트럼의 값을 계산하는 단계는 가중 벡터와 바이어스 벡터를 포함하는 학습 파라미터를 랜덤하게 초기화하는 단계를 포함할 수 있다. 또한, 학습 알고리즘 유닛(210)은 가중 벡터 및 바이어스 벡터에 기초하여 추정 스펙트럼을 획득하고, 상호 상관 및 공분산 행렬을 포함하는 추정 스펙트럼에 대한 소스 통계를 계산할 수 있다.

또한, 독립 성분 분석 시간 블록(202)의 학습 알고리즘 유닛(210)은, 추정 스펙트럼 및 단일 처리 유닛을 이용하여, 직교 순수 스펙트럼을 획득하는 것을 다시 반복할 수 있다. 추정 스펙트럼 값을 이용하여 직교 순수 스펙트럼을 획득하는 것을 다시 반복하는 단계는 그 추정 스펙트럼의 소스 통계에 기초하여 가중 벡터 및 바이어스 벡터의 갱신된 값을 산출하는 단계, 가중 벡터 및 바이어스 벡터의 갱신된 값을 기초로 갱신된 추정 스펙트럼을 산출하며, 가중 벡터에 대한 수렴이 달성되면 그 갱신된 추정 스펙트럼을 직교 순수 스펙트럼으로 할당하고, 수렴에 도달하지 않으면 단일 처리 유닛에 가중 벡터 및 바이어스 벡터의 갱신된 값들을 다시 반복하는 단계를 포함할 수 있다.

또한, 학습 알고리즘 유닛(210)은 직교 순수 스펙트럼 값을 압축 모듈 (212)에 제공하고, 압축 모듈(212)은 그 직교 순수 스펙트럼의 효과를 제거한 후에 반복 처리 유닛으로 되돌려 보낼 새로운 압축된 근적외선 스펙트럼을 산출할 수 있다. 압축 모듈(212)은 반복 처리 유닛으로부터 얻어진 직교 순수 스펙트럼에 기초하여 화이트닝 된 근적외선 스펙트럼 데이터를 압축시킬 수 있다. 또한, 압축 모듈(212)은 미리 설정된 개수의 직교 순수 스펙트럼이 달성되는지를 체크하고, 미리 설정된 개수의 직교 순수 스펙트럼이 달성되지 않으면 압축된 근적외선 스펙트럼을 반복 처리 유닛으로 되돌려 보내 새로운 직교 순수 스펙트럼을 찾도록 할 수 있다.

독립 성분 분석 시간 블록(202)은 소스 신호, 여기서는 순수 스펙트럼에 대하여 통계적 독립성(statistical idependence) 또는 비제로 첨도(non-zero kurtosis)를 가정하지 않는다. 하지만, 단지 순수 스펙트럼에 대해 상이한 시간 구조를 가정하며, 이는 순수 스펙트럼들이 상이한 자기 상관(auto correlation)을 갖는다는 점에서 사실이다. 독립 성분 분석 시간 블록(202)은 2 차 통계에 기초한 방법을 사용하여 직교 순수 스펙트럼을 계산하므로, 일반적인 방법에 비해 계산상 효율적이다.

예를 들어, 독립 성분 분석 시간 블록(202)이 근적외선 스펙트럼으로부터 각각의 직교 순수 스펙트럼을 한 번에 하나씩 추정하는 것을 가정한다. 근적외선 스펙트럼이 각 시간 인스턴트 에 대해 라고 가정하면, 는 다음과 같이 표현될 수 있다.

… (5)

여기서 는 개의 미지의 혼합 매트릭스 또는 농도이고, 는 미지의 순수 스펙트럼 벡터이며, 는 추가적 화이트(i.i.d.) 잡음 벡터이다.

를 최적으로 표현할 수 있는 최대 독립 성분/직교 순수 스펙트럼, 를 결정할 필요가 있다.

사전 데이터 화이트닝(pre data whitening):

현재의 독립 성분 분석 시간 블록 방법을 사용하여, 근적외선 스펙트럼 는 를 제공하기 위해 정규화된 평균 및 표준 편차이며, 여기서, 는 근적외선 스펙트럼의 고유 벡터를 산출하기 위해 사전 데이터 화이트닝 모듈로 전송된다. 사전 데이터 화이트닝 모듈은 화이트닝된 근적외선 스펙트럼 데이터를 획득하기 위해 화이트닝 변환을 적용할 수 있다. 고유 벡터 E 및 D는 아래의 식을 사용하여 획득될 수 있다.

화이트닝 된 근적외선 스펙트럼 데이터 를 얻기 위한 화이트닝 변환은 아래의 식 6에 의해 주어진다.

… (6)

또한 데이터 화이트닝은 과 동일한 화이트닝된 근적외선 스펙트럼 데이터의 공분산 행렬 을 만든다.

… (7)

이는 화이트닝 된 근적외선 스펙트럼 데이터 가 직교이며, 서로에 대하여 투영(projection)이 0임을 보장할 수 있다.

학습 블록(Learning block):

학습 블록에서 각 스펙트럼은 블라인드 추출 기술(Blind extraction technique)을 통해 산출된다. 화이트닝 된 근적외선 스펙트럼 데이터를 라 가정하고, 제1 스펙트럼 를 추출할 필요가 있다고 가정하면, 단일 처리 장치는 다음과 같이 설명될 수 있다.

… (8)

… (9)

여기서,

단일 처리 유닛의 출력 와 는 각각 추출된 스펙트럼과, 를 FIR 필터 에 통과시킨 후의 오차를 나타낸다.

도 3은 일 실시 예에 따라, 하나의 스펙트럼을 추출하기 위한 단일 처리 유닛(300)을 도시한 개략도이다. 도면에 따르면, 단일 처리 유닛(300)은 화이트닝된 근적외선 스펙트럼 데이터에 포함된 복수의 직교 순수 스펙트럼으로부터 하나의 직교 순수 스펙트럼을 추출할 수 있다. 단일 처리 유닛(300)은 하나의 스펙트럼을 추출하기 위해 벡터 및 의 최적 값을 추정할 수 있다. 따라서 비용 함수 는 다음과 같이 정의된다.

… (10)

수학식 9 및 10으로부터, 얻어진 결과는 다음과 같이 정의 될 수 있다.

… (11)

여기서, 공분산 행렬 및

상호 상관 행렬 ,

또한, 독립 성분 분석 시간 블록의 학습 알고리즘 유닛은 각 직교 순수 스펙트럼을 추정하기 위해 비용 함수 를 최소화 할 수 있다. 비용 함수 를 및 에 대해 개별적으로 미분하고 그것들을 0과 같게 함으로써 얻은 결과는 다음과 같다.

… (12)

… (13)

위에서 언급한 2개의 방정식은 EM 방법과 유사한 반복 방법을 나타낸다. 여기서, 이전 반복의 파라미터들은 새로운 통계를 학습하는데 사용된다. 또한, 수학식 7로부터, 이므로, 수학식 12는 다음과 같이 변형될 수 있다.

… (14)

따라서 독립 성분 분석 시간에 대한 단일 처리 유닛의 단계들은 다음과 같이 요약될 수 있다.

1. 시작 시점에 및 을 랜덤하게 초기화함.

2. 의 현재 값을 사용하여 을 획득함(식 8).

3. 및 을 일정하게 유지하면서 소스 통계( 및 를 계산함.

4. 식 12 및 13을 사용하여 학습 파라미터 및 을 갱신함.

5. 수렴이 이루어지면 현재의 스펙트럼을 추출함. 그렇지 않으면, 앞의 단계 2 이후가 반복됨.

또한, 압축 모듈은 이전 단계에서 화이트닝된 근적외선 스펙트럼 데이터로부터 도출된 직교 순수 스펙트럼의 효과를 제거하기 위해 식 15를 사용하여 입력을 압축시킬 수 있다.

… (15)

여기서, 는 압축된 근적외선 스펙트럼이다. 또한, 는 평균 제곱근 함수 을 에 대해 최소화함으로써 계산된다. 는 다음과 같이 주어진다.

… (16)

여기서 는 마지막 단계에서 얻은 학습 블록 파라미터이다. 사전 데이터 화이트닝 유닛에 의해, 근적외선 스펙트럼을 화이트닝하여, 화이트닝 된 근적외선 스펙트럼 데이터를 획득할 수 있기 때문에, 식 16을 다음과 같이 단순화할 수 있다.

… (17)

의 값은 다음 직교 순수 스펙트럼을 유도하기 위해 학습 알고리즘 단계에 반복적으로 피드백 될 수 있다. 위의 단계들은 필요한 개수의 직교 순수 스펙트럼이 획득될 때까지 반복될 수 있다. 여기서 추출된 직교 순수 스펙트럼은 순수 스펙트럼을 충분히 표현하는 파상수(wavenumber)의 모든 범위에서 피크를 적절하게 확보할 수 있다.

또한, 사용자 디바이스(200)의 처리 블록(204)은 EMSC 모듈(214), 고속 푸리에 변환(FFT) 블록(216) 및 드리프트 제거 모듈(218)을 포함할 수 있다. 처리 블록(204)은 직교 순수 스펙트럼 성분들에 대하여 하나 이상의 전처리 및 드리프트 제거 기술들을 적용하여 전처리 스펙트럼을 획득할 수 있다. 처리 블록(204)는 독립 성분 분석 블록(202)로부터 근적외선 스펙트럼 및 직교 순수 스펙트럼을 수신하고, 수신한 데이터를 EMSC 모듈(214)에 제공할 수 있다. EMSC 모듈은 EMSC 기법을 근적외선 스펙트럼에 대해 적용하고, 직교 순수 스펙트럼을 사용하며, 근적외선 스펙트럼 내의 구성들에 대한 회귀(regression) 분석을 수행할 수 있다. 직교 순수 스펙트럼을 사용하고 근적외선 스펙트럼에서 그 성분을 회귀합니다. 예를 들어, 를 다른 혈액 성분들에 대한 다양한 순수 스펙트럼 를 포함하는 인체 근적외선 스펙트럼이라고 하면, 는 아래와 같이 특정 파장에서 단순 선형 회귀 분석(simple linear regression)을 사용함으로써 해결될 수 있다.

… (18)

여기서 는 혈액 성분의 강도(strength)이고 는 DC 성분이다.

을 포도당 스펙트럼으로 취하면, 그것은 특정 스펙트럼에서 다른 성분을 차감하여 획득할 수 있다:

… (19)

그 데이터는 FFT 블록(216)에 더 제공될 수 있다. 여기서 FFT 필터링 방법은 그 스펙트럼에 대한 잡음의 영향을 감소시키고 필터링된 스펙트럼을 얻기 위해 적용될 수 있다. FFT 방법에서, EMSC 이후 근적외선 스펙트럼에 대한 푸리에 도메인 필터링은 사이즈 인 해닝 윈도우를 사용하여 스펙트럼에 대한 잡음의 영향을 줄이기 위해 적용될 수 있다.

또한, FFT 블록(216)은 파장에 대하여 일정한 드리프트의 영향을 제거하기 위한 드리프트 제거 블록을 보완하는 작용을 하는 미분 블록(differential block)을 포함할 수 있다. 수학적으로 그것은 로 표현된다. 파장에 대하여, 그 미분 블록은 파장에 대하여 일정한 드리프트의 효과를 제거하기 위해 푸리에 도메인 필터링된 스펙트럼을 미분하여 필터링된 스펙트럼을 획득할 수 있다. FFT 블록 및 미분 블록으로부터 필터링된 스펙트럼에 기초하여, FFT 필터링 및 차분 블록의 사용 여부에 상관없이 포도당과 관련한 각 특징 인덱스에 대한 상관 값(correlation value)이 획득 될 수 있다. 비교를 통해, FFT 필터링 및 미분 블록 이후에 대부분의 인덱스에 대한 상관 관계가 증가한다는 것을 알 수 있다.

또한, FFT 블록(216)으로부터 수신된 데이터는 드리프트 제거 모듈(218)에 제공될 수 있다. 드리프트 제거 모듈(218)은 근적외선 스펙트럼에서 실험/계측 드리프트의 영향을 제거하여 전처리 스펙트럼을 획득하기 위한 드리프트 제거 방법을 적용할 수 있다. 드리프트 제거 방법 중에 근적외선 스펙트럼은 단지 선형 드리프트만 포함한다고 가정한다.

또한, 사용자 디바이스(200)는 처리된 데이터에 대한 회귀 분석을 수행하고 처리된 데이터로부터 포도당 출력을 산출하는 회귀 블록 (206)을 포함할 수 있다. 회귀 블록(206)은 특징 추출 블록(220), 분리 블록(222), 훈련 블록(224) 및 회귀 모델 식별자 블록(226)을 포함할 수 있다. 특징 추출 블록(220)은 데이터 처리 블록 이후에 얻어진 스펙트럼을 입력으로서 수신하고, 처리된 데이터 신호와 관련된 하나 이상의 특징을 추출할 수 있다. 이러한 특징은 포도당 농도와 일관된 높은 상관 관계를 나타내는 파장 스펙트럼일 수 있다. 획득된 특징은 훈련 데이터 세트와 검증 데이터 세트를 분리하는 분리 블록(222)에 제공될 수 있다.

훈련 데이터 세트는 또한 훈련 블록(224)에 제공될 수 있다. 훈련 블록(224)은 훈련 데이터 세트를 수신하고 회귀 모델을 훈련시킬 수 있다. 일 실시 예에서, 훈련 블록(224)은 데이터 세트를 훈련시키기 위해 PCR 회귀 방법을 사용할 수 있다. 통상의 기술자는 회귀 모델을 훈련시키기 위하여 특별히 발명의 범위를 벗어남이 없이 다른 유사한 공지된 회귀 분석 방법 중의 임의의 것을 사용할 수 있다. 또한, 회귀 모델 식별자 블록(226)은 훈련 블록(224)으로부터 훈련된 데이터 세트 및 분리 블록(222)으로부터 검증 데이터 세트를 수신하고, 그 훈련 데이터 세트 및 유효성 데이터 세트에 대해 회귀 분석을 수행하여 포도당 농도를 획득할 수 있다.

한편, 본 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.

컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.

본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 개시된 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

200: 사용자 디바이스
202: 독립 성분 분석 시간 블록
204: 처리 블록
206: 회귀 블록
208: 사전 데이터 화이트닝 유닛
210: 학습 알고리즘 유닛
212: 압축 모듈
214: EMSC 모듈
216: FFT 블록
218: 드리프트 제거 모듈
220: 특징 추출 블록
222: 분리 블록
224: 훈련 블록
226: 회귀 모델 식별자 블록

Claims (17)

1. 독립 성분 분석 시간 블록에 의해, 근적외선 스펙트럼으로부터 제1 직교 순수 스펙트럼을 획득하는 단계;
   처리 블록에 의해, 상기 근적외선 스펙트럼 및 제1 직교 순수 스펙트럼에 대해 하나 이상의 전처리 및 드리프트(drift) 제거 기술을 적용하여 전처리 스펙트럼을 획득하는 단계; 및
   회귀 블록에 의해, 상기 전처리 스펙트럼으로부터 획득된 훈련 데이터 세트 및 검증 데이터 세트에 대한 회귀 분석을 수행하여 포도당 농도를 예측하는 단계를 포함하고,
   상기 제1 직교 순수 스펙트럼을 획득하는 단계는,
   사전 데이터 화이트닝 유닛에 의해, 근적외선 스펙트럼을 수신하는 단계;
   상기 사전 데이터 화이트닝 유닛에 의해, 상기 근적외선 스펙트럼에 대해 화이트닝 변환을 적용하여, 화이트닝된 근적외선 스펙트럼 데이터를 획득하는 단계;
   반복 처리 유닛에 의해, 상기 화이트닝된 근적외선 스펙트럼 데이터로부터 제2 직교 순수 스펙트럼을 산출하는 단계;
   새로운 제2 직교 순수 스펙트럼을 계산하기 위해, 상기 제2 직교 순수 스펙트럼의 효과를 제거하여, 상기 반복 처리 유닛에 되돌려 보낼 새로운 압축된 근적외선 스펙트럼을 산출하는 단계; 및
   상기 산출된 제2 직교 순수 스펙트럼을 결합하여, 상기 제1 직교 순수 스펙트럼을 획득하는 단계를 포함하는, 혈당 농도를 예측하는 방법.
2. 삭제
3. 제1항에 있어서,
   상기 화이트닝 된 근적외선 스펙트럼 데이터를 획득하는 단계는,
   특이값 분해를 이용하여 근적외선 스펙트럼의 고유벡터를 산출하는 단계; 및
   상기 근적외선 스펙트럼에 대해 상기 고유 벡터를 이용한 화이트닝 변환을 적용하여 상기 화이트닝 된 근적외선 스펙트럼 데이터를 획득하는 단계를 포함하는, 혈당 농도를 예측하는 방법.
4. 제1항에 있어서,
   상기 제2 직교 순수 스펙트럼을 산출하는 단계는,
   단일 처리 유닛에 의해, 상기 화이트닝된 근적외선 스펙트럼 데이터 및 잔여 오차(residual error)를 기초로, 추정 스펙트럼을 계산하는 단계; 및
   상기 추정 스펙트럼을 이용하여 학습 파라미터의 수렴이 달성될 때까지 제2 직교 순수 스펙트럼을 획득하는 것을 계속 반복하는 단계를 포함하는, 혈당 농도를 예측하는 방법.
5. 제4항에 있어서,
   상기 추정 스펙트럼을 계산하는 단계는,
   가중 벡터 및 바이어스 벡터를 포함하는 학습 파라미터를 랜덤하게 초기화하는 단계;
   가중 벡터 및 바이어스 벡터에 기초하여 추정 스펙트럼을 획득하는 단계; 및
   상호 상관 및 공분산 행렬을 포함하는 상기 추정 스펙트럼에 대한 소스 통계를 계산하는 단계를 포함하는, 혈당 농도를 예측하는 방법.
6. 제5항에 있어서,
   상기 추정 스펙트럼을 이용하여 제2 직교 순수 스펙트럼을 획득하는 것을 계속 반복하는 단계는,
   상기 추정 스펙트럼의 소스 통계에 기초하여 가중 벡터 및 바이어스 벡터의 갱신된 값을 산출하는 단계;
   가중 벡터 및 바이어스 벡터의 갱신된 값에 기초하여 갱신된 추정 스펙트럼을 산출하는 단계;
   상기 가중 벡터에 대하여 수렴이 달성되면, 상기 갱신된 추정 스펙트럼을 상기 제2 직교 순수 스펙트럼으로 할당하는 단계; 및
   수렴에 도달하지 않으면, 상기 단일 처리 유닛에 가중 벡터 및 바이어스 벡터의 갱신된 값을 반복하는 단계를 포함하는, 혈당 농도를 예측하는 방법.
7. 제1항에 있어서,
   상기 압축된 근적외선 스펙트럼을 산출하는 단계는,
   상기 반복 처리 유닛으로부터 획득된 제2 직교 순수 스펙트럼에 기초하여 상기 화이트닝 된 근적외선 스펙트럼 데이터를 압축하는 단계;
   미리 설정된 개수의 제2 직교 순수 스펙트럼이 달성되는지를 체크하는 단계; 및
   미리 설정된 개수의 제2 직교 순수 스펙트럼이 달성되지 않으면, 새로운 제2 직교 순수 스펙트럼을 획득하도록 상기 압축된 근적외선 스펙트럼을 상기 반복 처리 유닛으로 되돌려 보내는 단계를 포함하는, 혈당 농도를 예측하는 방법.
8. 제1항에 있어서,
   상기 전처리 스펙트럼을 얻는 단계는,
   상기 근적외선 스펙트럼 및 상기 제1 직교 순수 스펙트럼에 대해 EMSC(Extended Multiplicative Scatter Correction) 방법을 적용하는 단계;
   FFT 블록에 의해, 필터링 기법을 적용하여 필터링된 스펙트럼을 획득하는 단계; 및
   상기 필터링된 스펙트럼에 드리프트 제거 기술을 적용하여 상기 전처리 스펙트럼을 획득하는 단계를 포함하는, 혈당 농도를 예측하는 방법.
9. 제8항에 있어서,
   상기 필터링된 스펙트럼을 획득하는 단계는,
   해닝 윈도우를 사용하여 상기 근적외선 스펙트럼에 푸리에 도메인 필터링을 적용하는 단계; 및
   상기 푸리에 도메인 필터링된 스펙트럼을 파장에 대해 미분하여, 필터링된 스펙트럼을 획득하는 단계를 포함하는, 혈당 농도를 예측하는 방법.
10. 제1항에 있어서,
    상기 전처리 스펙트럼으로부터 포도당 농도를 예측하는 단계는,
    특징 추출 블록에 의해, 상기 전처리 스펙트럼으로부터 하나 이상의 특징을 추출하는 단계; 및
    상기 하나 이상의 특징으로부터 훈련 데이터 세트 및 검증 데이터 세트를 획득하는 단계를 포함하는, 혈당 농도를 예측하는 방법.
11. 근적외선 스펙트럼으로부터 제1 직교 순수 스펙트럼을 획득하는 독립 성분 분석 시간 블록;
    상기 근적외선 스펙트럼 및 제1 직교 순수 스펙트럼에 대해 하나 이상의 전처리 및 드리프트 제거 기술을 적용하여, 전처리 스펙트럼을 획득하는 처리 블록; 및
    상기 전처리 스펙트럼으로부터 획득된 훈련 데이터 세트 및 검증 데이터 세트에 대한 회귀 분석을 수행하여 포도당 농도를 예측하는 회귀 블록을 포함하고,
    상기 독립 성분 분석 시간 블록은,
    근적외선 스펙트럼을 수신하고, 상기 근적외선 스펙트럼에 대한 화이트닝 변환을 적용하여, 화이트닝된 근적외선 스펙트럼 데이터를 획득하는 사전 데이터 화이트닝 유닛;
    상기 화이트닝된 근적외선 스펙트럼 데이터로부터 제2 직교 순수 스펙트럼을 산출하는 반복 처리 유닛;
    상기 제2 직교 순수 스펙트럼의 효과를 제거한 후, 새로운 제2 직교 순수 스펙트럼을 계산하도록 상기 반복 처리 유닛으로 되돌려 보낼 압축된 근적외선 스펙트럼을 산출하는 압축 모듈; 및
    상기 산출된 제2 직교 순수 스펙트럼을 결합하여 상기 제1 직교 순수 스펙트럼을 획득하는 학습 알고리즘 유닛을 포함하는, 혈당 농도를 예측하는 장치.
12. 삭제
13. 제11항에 있어서,
    상기 사전 데이터 화이트닝 유닛은,
    특이값 분해를 사용하여 근적외선 스펙트럼의 고유벡터를 산출하고,
    상기 근적외선 스펙트럼의 고유벡터를 사용하여 화이트닝 변환을 적용함으로써 화이트닝 된 근적외선 스펙트럼을 데이터를 획득하는, 혈당 농도를 예측하는 장치.
14. 제11항에 있어서,
    상기 독립 성분 분석 시간 블록은,
    상기 화이트닝 된 근적외선 스펙트럼 데이터 및, 잔류 오차에 기초하여, 추정 스펙트럼을 계산하는 단일 처리 유닛을 포함하고,
    상기 단일 처리 유닛으로부터 추정 스펙트럼을 계산하는 것은,
    가중 벡터 및 바이어스 벡터를 포함하는 학습 파라미터를 랜덤하게 초기화하고,
    가중 벡터 및 바이어스 벡터에 기초하여 추정 스펙트럼을 획득하고,
    상호 상관 및 공분산 행렬을 포함하는 추정 스펙트럼에 대한 소스 통계를 계산하며,
    상기 추정 스펙트럼을 이용하여 학습 파라미터의 수렴이 달성될 때까지 제2 직교 순수 스펙트럼을 획득하는 것을 계속 반복하는 것을 포함하고,
    상기 제2 직교 순수 스펙트럼을 획득하는 것을 계속 반복하는 것은,
    상기 추정 스펙트럼의 소스 통계에 기초하여 가중 벡터 및 바이어스 벡터의 갱신된 값을 산출하고,
    가중 벡터 및 바이어스 벡터의 갱신된 값에 기초하여 갱신된 추정 스펙트럼을 산출하고,
    상기 가중 벡터에 대해 수렴이 달성되는 경우, 상기 갱신된 추정 스펙트럼을 제2 직교 순수 스펙트럼으로 할당하고,
    수렴에 도달하지 않은 경우 상기 단일 처리 유닛에 가중 벡터 및 바이어스 벡터의 갱신된 값을 반복하는 것을 포함하는, 혈당 농도를 예측하는 장치.
15. 제11항에 있어서,
    상기 압축 모듈은,
    상기 반복 처리 유닛으로부터 획득된 제2 직교 순수 스펙트럼에 기초하여, 상기 화이트닝 된 근적외선 스펙트럼 데이터를 압축하고,
    미리 설정된 개수의 제2 직교 순수 스펙트럼이 달성되는지를 체크하며,
    미리 설정된 개수의 제2 직교 순수 스펙트럼이 달성되지 않으면, 새로운 제2 직교 순수 스펙트럼을 얻도록 상기 압축된 근적외선 스펙트럼을 상기 반복 처리 유닛으로 되돌려 보내는, 혈당 농도를 예측하는 장치.
16. 제11항에 있어서,
    상기 처리 블록은,
    상기 근적외선 스펙트럼 및 상기 제1 직교 순수 스펙트럼에 대해 EMSC 기법을 적용하는 EMSC 모듈;
    필터링 방법을 적용하여 필터링된 스펙트럼을 획득하는 FFT 블록; 및
    상기 필터링된 스펙트럼에 드리프트 제거 기술을 적용하여 상기 전처리 스펙트럼을 획득하는 드리프트 제거 모듈을 포함하는, 혈당 농도를 예측하는 장치.
17. 제11항에 있어서,
    상기 회귀 블록은,
    상기 전처리 스펙트럼으로부터 하나 이상의 특징을 추출하는 특징 추출 블록; 및
    상기 하나 이상의 특징으로부터 훈련 데이터 세트 및 검증 데이터 세트를 획득하는 분리 블록을 포함하는, 혈당 농도를 예측하는 장치.