KR102664489B1 - 디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법 - Google Patents
디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법 Download PDFInfo
- Publication number
- KR102664489B1 KR102664489B1 KR1020230167134A KR20230167134A KR102664489B1 KR 102664489 B1 KR102664489 B1 KR 102664489B1 KR 1020230167134 A KR1020230167134 A KR 1020230167134A KR 20230167134 A KR20230167134 A KR 20230167134A KR 102664489 B1 KR102664489 B1 KR 102664489B1
- Authority
- KR
- South Korea
- Prior art keywords
- blood sugar
- data
- score
- hour
- user
- Prior art date
Links
- 239000008280 blood Substances 0.000 title claims abstract description 447
- 210000004369 blood Anatomy 0.000 title claims abstract description 446
- 238000005259 measurement Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000000694 effects Effects 0.000 claims abstract description 82
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 21
- 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 claims abstract description 13
- 239000008103 glucose Substances 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims description 28
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 19
- 235000005911 diet Nutrition 0.000 claims description 14
- 230000037213 diet Effects 0.000 claims description 14
- 235000013305 food Nutrition 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 235000020829 intermittent fasting Nutrition 0.000 claims description 10
- 208000022249 Sleep-Wake Transition disease Diseases 0.000 claims description 9
- 235000015872 dietary supplement Nutrition 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000035622 drinking Effects 0.000 claims description 5
- 235000012054 meals Nutrition 0.000 description 16
- 230000008569 process Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 8
- 235000020828 fasting Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000291 postprandial effect Effects 0.000 description 5
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 235000018823 dietary intake Nutrition 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 235000008242 dietary patterns Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000010454 slate Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 235000013311 vegetables Nutrition 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
- A61B5/14532—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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- 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
-
- 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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Databases & Information Systems (AREA)
- Physiology (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Emergency Medicine (AREA)
- Evolutionary Computation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Medicinal Chemistry (AREA)
- Nutrition Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical & Material Sciences (AREA)
Abstract
본 개시는 연속혈당측정장치 및 사용자의 단말기와 통신을 수행하는 통신부; 및 연속혈당측정장치의 혈당 예측과 관련된 동작을 제어하는 프로세서; 를 포함하고, 프로세서는 통신부를 통해 연속혈당측정장치로부터 획득된 연속혈당데이터를 수신하고, 연속혈당데이터를 기 설정된 시간 단위로 분절하며, 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간하고, 사용자의 단말기가 혈당 예측 데이터를 요청한 경우, 사용자의 단말기로부터 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 수신하며, 보간된 혈당 데이터, 웨어러블 디바이스의 데이터, 및 사용자 라이프로그 데이터를 인공지능 모델에 입력하고, 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하며, 사용자 활동 예측 데이터별 혈당 예측 데이터를 사용자의 단말기 상에 표시하는 것을 특징으로 할 수 있다.
Description
본 개시는 디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법 및 프로그램에 관한 것이다.
세계 성인의 약 4억 2,500만 명(20세 내지 79세)이 당뇨병으로 고통받고 있으며, 실제로 2045년에는 6억 2900만명으로 늘어날 것으로 추정되고 있다. 특히, 수명 증가와 함께 노년층에서 제2형 당뇨환자의 비율이 증가하고 있는 실정이다.
그러나, 운동과 식이 정보 등을 자가 관리하도록 하는 장치는 다이어트 분야에서 활발하게 개발되고 사용되고 있는 실정이다.
즉, 종래 다이어트와 건강을 위한 칼로리 계산, 퍼스널 트레이닝 앱 등은 매우 많이 출시되어 사용자에게 제공되고 있다.
그런데, 위와 같이 전체 칼로리 조절만을 목표로 한 다이어트 앱의 경우, 당뇨 환자에게 적용되기 부족한 문제가 있다. 왜냐하면 당뇨환자의 경우, 총 칼로리뿐만 아니라 곡류, 고기, 생선, 달걀, 콩류, 채소류, 과일류, 유제품과 같은 식품군을 골고루 섭취하고 이러한 식습관을 장기적으로 유지하는 것이 주요 이슈인데 반하여, 종래에 출시된 칼로리 계산, 퍼스널 트레이닝 앱 등은 전체 칼로리 계산만을 수행하거나 탄수화물, 단백질, 지방과 같이 환자들이 이해하기 어려운 영양소를 기준으로 정보를 제공하여 장기적인 습관을 유도하기 어렵기 때문이다.
따라서, 최근에는 사용자별로 활동을 예측하여, 사용자별로 현재의 혈당 상태를 정확하게 예측하기 위한 연구가 지속적으로 행해져오고 있다.
본 개시에 개시된 실시예는, 사용자별로 활동을 예측하여, 사용자별로 현재의 혈당 상태를 정확하게 예측할 수 있는 것을 제공하는데 그 목적이 있다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 측면에 따른 연속 혈당 측정을 이용한 혈당 예측 장치는, 연속혈당측정장치 및 사용자의 단말기와 통신을 수행하는 통신부; 및 상기 연속혈당측정장치의 혈당 예측과 관련된 동작을 제어하는 프로세서; 를 포함하고, 상기 프로세서는 상기 통신부를 통해 상기 연속혈당측정장치로부터 획득된 연속혈당데이터를 수신하고, 상기 연속혈당데이터를 기 설정된 시간 단위로 분절하며, 상기 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간하고, 상기 사용자의 단말기가 혈당 예측 데이터를 요청한 경우, 상기 사용자의 단말기로부터 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 수신하며, 상기 보간된 혈당 데이터, 상기 웨어러블 디바이스의 데이터, 및 상기 사용자 라이프로그 데이터를 인공지능 모델에 입력하고, 상기 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하며, 상기 사용자 활동 예측 데이터별 혈당 예측 데이터를 상기 사용자의 단말기 상에 표시하는 것을 특징으로 할 수 있다.
또한, 상기 보간된 혈당 데이터는, 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 및 평균 혈당인 것을 특징으로 할 수 있다.
또한, 상기 웨어러블 디바이스의 데이터는, 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수인 것을 특징으로 할 수 있다.
또한, 상기 사용자 라이프로그 데이터는, 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보인 것을 특징으로 할 수 있다.
또한, 상기 프로세서는, 상기 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력할 때, 상기 사용자 활동 예측 데이터의 운동 스파이크 패턴 또는 알코올 패턴별로 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 할 수 있다.
또한, 상기 프로세서는, 상기 운동 스파이크 패턴이, 운동을 종료하고 30분까지, 혈당이 30mg/dL에서 50mg/dL 이상 급격하게 상승하는 경우, 상기 운동 스파이크 패턴에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 상기 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며, 상기 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 상기 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 할 수 있다.
또한, 상기 프로세서는, 상기 알코올 패턴이, 음주후 2시간 이내, 혈당에 스파이크가 없이 유지되는 경우, 상기 알코올 패턴에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 상기 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며, 상기 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 상기 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 할 수 있다.
또한, 본 개시의 다른 측면에 따른 혈당 예측 장치에 의해 수행되는 연속 혈당 측정을 이용한 혈당 예측 방법은, 연속혈당측정장치로부터 획득된 연속혈당데이터를 수신하는 단계; 상기 연속혈당데이터를 기 설정된 시간 단위로 분절하는 단계; 상기 분절된 혈당데이터를 akima 보간법을 이용하여 보간하는 단계; 상기 사용자의 단말기가 혈당 예측 데이터를 요청한 경우, 상기 사용자의 단말기로부터 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 수신하는 단계; 상기 보간된 혈당 데이터, 상기 웨어러블 디바이스의 데이터, 및 상기 사용자 라이프로그 데이터를 인공지능 모델에 입력하고, 상기 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 단계; 및 상기 사용자 활동 예측 데이터별 혈당 예측 데이터를 상기 사용자의 단말기 상에 표시하는 단계; 를 포함할 수 있다.
또한, 상기 출력 단계는, 상기 운동 스파이크 패턴이, 운동을 종료하고 30분까지, 혈당이 30mg/dL에서 50mg/dL 이상 급격하게 상승하는 경우, 상기 운동 스파이크 패턴에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 상기 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며, 상기 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 상기 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 할 수 있다.
또한, 상기 출력 단계는, 상기 알코올 패턴이, 음주후 2시간 이내, 혈당에 스파이크가 없이 유지되는 경우, 상기 알코올 패턴에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 상기 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며, 상기 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 상기 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 할 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 사용자별로 활동을 예측하여, 사용자별로 현재의 혈당 상태를 정확하게 예측할 수 있는 효과를 제공한다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 연속 혈당 측정을 이용한 혈당 예측 시스템을 나타낸 도면이다.
도 2는 도 1의 혈당 예측 장치의 구성을 나타낸 도면이다.
도 3은 본 개시의 연속 혈당 측정을 이용한 혈당 예측 방법을 나타낸 순서도이다.
도 4 내지 도 14는 도 1의 혈당 예측 장치를 이용하여 혈당 점수를 산출하는 과정을 나타낸 도면들이다.
도 2는 도 1의 혈당 예측 장치의 구성을 나타낸 도면이다.
도 3은 본 개시의 연속 혈당 측정을 이용한 혈당 예측 방법을 나타낸 순서도이다.
도 4 내지 도 14는 도 1의 혈당 예측 장치를 이용하여 혈당 점수를 산출하는 과정을 나타낸 도면들이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는'부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 본 개시에 따른 연속 혈당 측정을 이용한 혈당 예측 시스템은 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 연속 혈당 측정을 이용한 혈당 예측 시스템은, 컴퓨터, 서버 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
서버는 외부 장치와 통신을 수행하여 정보를 처리하는 것으로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
본 개시에 따른 연속 혈당 측정을 이용한 혈당 예측 시스템은, 연속혈당측정장치로부터 획득된 연속혈당데이터를 수신하고, 연속혈당데이터를 기 설정된 시간 단위로 분절하며, 분절된 혈당데이터를 akima 보간법을 이용하여 보간하고, 사용자의 단말기가 혈당 예측 데이터를 요청한 경우, 사용자의 단말기로부터 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 수신하며, 보간된 혈당 데이터, 웨어러블 디바이스의 데이터, 및 사용자 라이프로그 데이터를 인공지능 모델에 입력하고, 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하며, 사용자 활동 예측 데이터별 혈당 예측 데이터를 표시하도록 제공될 수 있다.
이러한, 연속 혈당 측정을 이용한 혈당 예측 시스템은, 사용자별로 활동을 예측하여, 사용자별로 현재의 혈당 상태를 정확하게 예측할 수 있다.
이하에서는, 연속 혈당 측정을 이용한 혈당 예측 시스템을 자세하게 살펴보기로 한다.
도 1은 본 개시의 연속 혈당 측정을 이용한 혈당 예측 시스템을 나타낸 도면이다. 도 2는 도 1의 혈당 예측 장치의 구성을 나타낸 도면이다.
도 1 및 도 2를 참조하면, 연속 혈당 측정을 이용한 혈당 예측 시스템(100)은 연속혈당측정장치(110), 사용자의 단말기(120), 혈당 예측 장치(130)를 포함할 수 있다.
연속혈당측정장치(Continuous Glucose Monitoring, 110)는 혈당의 흐름을 연속적으로 파악하여 혈당 관리에 도움을 주는 기기일 수 있다.
사용자의 단말기(120)는 혈당 예측 데이터를 혈당 예측 장치(130)에 요청하고, 혈당 예측 장치(130)로부터 수신된 사용자 활동 예측 데이터별 혈당 예측 데이터를 표시할 수 있다. 이때, 사용자는 혈당 관리가 필요한 사람, 당뇨병 환자등일 수 있다.
혈당 예측 장치(130)는 연속혈당측정장치(110)의 혈당 예측과 관련된 동작을 수행할 수 있다. 혈당 예측 장치(130)는 통신부(131), 메모리(132), 프로세서(133), 표시부(134)를 포함할 수 있다.
통신부(131)는 연속혈당측정장치(110) 및 사용자의 단말기(120)와 통신을 수행할 수 있다. 여기에서, 통신부(131)는 연속혈당측정장치(110)로부터 획득된 연속혈당데이터를 수신할 수 있고, 사용자의 단말기(120)가 요청한 혈당 예측 데이터를 수신받을 수 있다.
여기에서, 통신부(131)는 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
메모리(132)는 본 장치 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장할 수 있고, 메모리(132)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(133)로 구현될 수 있다. 여기에서, 메모리(132)와 프로세서(133)는 각각 별개의 칩으로 구현될 수 있다. 또한, 메모리(132)와 프로세서(133)는 단일 칩으로 구현될 수도 있다.
메모리(132)는 본 장치의 다양한 기능을 지원하는 데이터와, 프로세서(133)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들을 저장할 있고, 본 장치에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 본 장치의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 메모리(132)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(132)는 본 장치와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
프로세서(133)는 연속혈당측정장치(110)의 혈당 예측과 관련된 동작을 제어할 수 있다. 프로세서(133)는 통신부(131)를 통해 연속혈당측정장치(110)로부터 획득된 연속혈당데이터를 수신할 수 있다.
프로세서(133)는 연속혈당데이터를 기 설정된 시간 단위로 분절할 수 있다. 프로세서(133)는 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간할 수 있다.
프로세서(133)는 사용자의 단말기(120)가 혈당 예측 데이터를 요청한 경우, 사용자의 단말기(120)로부터 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 수신할 수 있다. 예를 들어, 사용자의 단말기(120)는 스마트 워치일 수 있고, 프로세서(133)는 스마트 워치 내의 웨어러블 디바이스의 어플리케이션을 통해 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수를 포함하는 웨어러블 디바이스의 데이터를 수신할 수 있다. 다른 예를 들어, 프로세서(133)는 사용자의 단말기(120) 내의 사용자 라이프로그 관련 어플리케이션을 통해 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 포함하는 사용자 라이프로그 데이터를 수신할 수 있다.
프로세서(133)는 보간된 혈당 데이터, 웨어러블 디바이스의 데이터, 및 사용자 라이프로그 데이터를 인공지능 모델에 입력하고, 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력할 수 있다.
이때, 보간된 혈당 데이터는 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 및 평균 혈당을 포함할 수 있다. 또한, 웨어러블 디바이스의 데이터는 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수를 포함할 수 있다. 또한, 사용자 라이프로그 데이터는 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 포함할 수 있다.
여기에서, 인공지능 모델은, 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 평균 혈당, 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 시간별 걸음수, 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력할 수 있다.
일 예로, 프로세서(133)는 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력할 때, 사용자 활동 예측 데이터의 운동 스파이크 패턴 또는 알코올 패턴 별로 각각의 24시간 혈당 점수를 산출할 수 있다.
그리고, 프로세서(133)는 산출된 각각의 24시간 혈당 점수를 기반으로, 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력할 수 있다.
다른 일 예로, 프로세서(133)는 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력할 때, 사용자 활동 예측 데이터의 운동 스파이크 패턴 및 알코올 패턴 별로 각각의 2시간 혈당 점수를 산출할 수 있다.
그리고, 프로세서(133)는 산출된 각각의 2시간 혈당 점수를 기반으로, 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력할 수 있다.
프로세서(130)는 사용자 활동 예측 데이터별 혈당 예측 데이터 또는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 사용자의 단말기(120) 상에 표시하도록, 사용자의 단말기(120)를 제어할 수 있다.
한편, 표시부(134)는 연속혈당측정장치(110)로부터 연속혈당데이터를 획득하는 과정을 기 설정된 시간 동안 또는 실시간으로 표시할 수 있고, 연속혈당데이터를 기 설정된 시간 단위로 분절하는 과정을 표시할 수도 있으며, 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간하는 과정을 표시할 수도 있고, 보간된 혈당 데이터를 표시할 수도 있으며, 사용자의 단말기(120)로부터 수신된 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 표시할 수도 있다.
또한, 표시부(134)는 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터 또는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 표시할 수도 있다.
도 3은 본 개시의 연속 혈당 측정을 이용한 혈당 예측 방법을 나타낸 순서도이다. 도 4 내지 도 14는 도 1의 혈당 예측 장치를 이용하여 혈당 점수를 산출하는 과정을 나타낸 도면들이다.
도 3을 참조하면, 연속 혈당 측정을 이용한 혈당 예측 방법은, 제1 수신 단계(S310), 분절 단계(S320), 보간 단계(S330), 제2 수신 단계(S340), 입력 단계(S350), 출력 단계(S360), 표시 단계(S370)를 포함할 수 있다.
제1 수신 단계(S310)는, 통신부(131)를 통해, 연속혈당측정장치(110)로부터 획득된 연속혈당데이터를 수신할 수 있다.
분절 단계(S320)는, 프로세서(133)를 통해, 연속혈당데이터를 기 설정된 시간 단위로 분절할 수 있다. 예를 들어, 도 4에 도시된 바와 같이 프로세서(133)는 연속혈당데이터를 기 설정된 1분 내지 30분 단위로 분절(D1, D2, …, Dn)할 수 있다.
보간 단계(S330)는, 프로세서(133)를 통해, 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간할 수 있다. 예를 들어, 도 5에 도시된 바와 같이 프로세서(133)는 분절된 혈당데이터(도4의 D1, D2, …, Dn)를 modified akima 보간법을 이용하여 보간하고 1분 단위의 데이터로 전환할 수 있다. 여기에서, 프로세서(133)는 분절된 혈당데이터(도4의 D1, D2, …, Dn)를 modified akima 보간법을 이용하여 연속 혈당 데이터로 스무딩(smoothing)할 수 있다.
이때, 프로세서(133)는 노이즈 데이터 필터 아웃 알고리즘을 이용하여 노이즈 데이터를 필터 아웃할 수 있다. 이러한, 노이즈 데이터 필터 아웃 알고리즘은 노이즈 데이터를 처리할 때, 혈당 시계열의 평균값(AVG) 과 표준편차값(SD)을 기반으로 노이즈 데이터를 처리할 수 있다. 예를 들어, 프로세서(133)는 AVG - k*SD 내지 AVG + k*SD 범위를 벗어난 혈당값은, 노이즈 데이터로 처리할 수 있다. 이때, k는 상수일 수 있다.
제2 수신 단계(S340)는, 프로세서(133)를 통해, 사용자의 단말기(120)가 혈당 예측 데이터를 요청한 경우, 사용자의 단말기(120)로부터 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 수신할 수 있다. 예를 들어, 사용자의 단말기(120)는 스마트 워치일 수 있고, 프로세서(133)는 스마트 워치 내의 웨어러블 디바이스의 어플리케이션을 통해 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수를 포함하는 웨어러블 디바이스의 데이터를 수신할 수 있다. 다른 예를 들어, 프로세서(133)는 사용자의 단말기(120) 내의 사용자 라이프로그 관련 어플리케이션을 통해 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 포함하는 사용자 라이프로그 데이터를 수신할 수 있다.
입력 단계(S350)는, 프로세서(133)를 통해, 도 6에 도시된 바와 같이 메타 데이터 중 보간된 혈당 데이터(ID1), 웨어러블 디바이스의 데이터(ID2), 및 사용자 라이프로그 데이터(ID3)의 입력값을 인공지능 모델(AIM)에 입력할 수 있다. 여기에서, 보간된 혈당 데이터(ID1)는 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 및 평균 혈당등을 포함할 수 있다. 예를 들어, 도 7에 도시된 바와 같이, 표시부(134)는 식사 시작 시간부터 식사 2시간 후의 혈당 데이터를 포함하는 영역(DP1, DP2, DP3)을 디텍션하고, 디텍션한 영역을 그래프 상에 태깅하여 표시할 수 있다. 또한, 웨어러블 디바이스의 데이터(ID2)는 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수등을 포함할 수 있다. 또한, 사용자 라이프로그 데이터(ID3)는 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보등을 포함할 수 있다.
출력 단계(S360)는, 프로세서(133)를 통해, 인공지능 모델(AIM)을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1) 또는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)의 결과값을 출력할 수 있다.
이때, 인공지능 모델(AIM)은, 다양한 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 평균 혈당, 심박수, 핸드폰 사용시간, 공복 시간, 식사시작시간, 식후 1시간, 식후 2시간, 수면시작시간, 수면종료시간, 기상시간, 운동시작시간, 운동종료시간, 시간별 걸음수, 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 CNN 알고리즘 또는 RNN 알고리즘을 이용하여 학습데이터 셋으로 구축 및 강화 학습시킬 수 있다.
또한, 인공지능 모델(AIM)은, 다양한 보간된 혈당 데이터(ID1), 다양한 웨어러블 디바이스의 데이터(ID2), 및 다양한 사용자 라이프로그 데이터(ID3)를 CNN 알고리즘 또는 RNN 알고리즘을 이용하여 학습데이터 셋으로 더 구축 및 더 강화 학습시킬 수 있다.
여기에서, 인공지능 모델(AIM)은, 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 평균 혈당, 심박수, 핸드폰 사용시간, 공복 시간, 식사시작시간, 식후 1시간, 식후 2시간, 수면시작시간, 수면종료시간, 기상시간, 운동시작시간, 운동종료시간, 시간별 걸음수, 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보를 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1) 또는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 출력할 수 있다.
일 예로, 프로세서(133)는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 출력할 때, 사용자 활동 예측 데이터의 운동 스파이크 패턴 및 알코올 패턴 별로 각각의 24시간 혈당 점수를 산출할 수 있다.
그리고, 프로세서(133)는 산출된 각각의 24시간 혈당 점수를 기반으로, 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 출력할 수 있다.
다른 일 예로, 프로세서(133)는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 출력할 때, 사용자 활동 예측 데이터의 운동 스파이크 패턴 및 알코올 패턴 별로 각각의 2시간 혈당 점수를 산출할 수 있다.
그리고, 프로세서(133)는 산출된 각각의 2시간 혈당 점수를 기반으로, 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 출력할 수 있다.
예를 들어, 도 8에 도시된 바와 같이 프로세서(133)는 식후 2시간 이내30mg/dL에서 50mg/dL 이상 혈당이 급격하게 상승하는 제1 패턴(P1)인 경우, 제1 패턴(P1)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
다른 예를 들어, 프로세서(133)는 식후 2시간 이내 혈당이 식후 스파이크패턴을 보인 후에 급격하게 하락하여 식전 혈당 아래로 떨어지는 제2 패턴(P2)인 경우, 제2 패턴(P2)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다. 이때, 도 9에 도시된 바와 같이, 사용자의 단말기(120)는 통신부(131)를 통해 제2 패턴(P2)에 상응하는 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 수신받고, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)와 관련된 혈당 예측 정보(PI1 내지 PI5)를 표시할 수 있다.
또 다른 예를 들어, 프로세서(133)는 식후 2시간 이내 식후 스파이크 패턴을 2번 이상 보이는 제3 패턴(P3)인 경우, 제3 패턴(P3)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(133)는 식후 2시간 시점에 식전 혈당으로 혈당이 내려오지 않는 제4 패턴(P4)인 경우, 제4 패턴(P4)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(133)는 운동을 종료하고 30분까지, 혈당이 30mg/dL에서 50mg/dL 이상 급격하게 상승하는 제5 패턴(P5)인 경우, 제5 패턴(P5)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며, 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 출력할 수 있다. 이러한, 운동 스파이크는 몸에 이로운 스파이크이기 때문에, Max 혈당에서 제외하고 그래프 상에서 Flat 처리할 수 있다. 이때, 프로세서(133)는 운동 시점 이후 혈당이 상승한다면, 운동 종료 시간 1시간까지는 운동 시작 시점의 혈당으로 치환하여 계산할 수 있다. 한편, 프로세서(133)는 운동 시작 시점의 혈당 이하로 내려오는 시점부터는 치환하지 않을 수 있다. 그리고, 프로세서(133)는 운동종료시간 + 1시간 이후에는 본래 혈당값을 사용할 수 있다.
또 다른 예를 들어, 프로세서(133)는 운동을 종료하고, 30분까지 혈당이 급격하게 하락하여 70mg/dL 아래로 떨어지는 제6 패턴(P6)인 경우, 제6 패턴(P6)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(133)는 아침 공복 혈당이 평균 공복 혈당보다 높고, 새벽 3시 수면 중 혈당도 평소 수면 혈당보다 높은 제7 패턴(P7)인 경우, 제7 패턴(P7)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(133)는 아침 공복 혈당이 평균 공복 혈당보다 높고, 새벽 3시 수면 중 혈당이 평소 수면 혈당보다 매우 낮은 제8 패턴(P8)인 경우, 제8 패턴(P8)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(133)는 수면 시작 시간 이후 종료 시간 전까지 혈당이 70mg/dL 이하로 떨어지거나, 또는 70mg/dL 대로 유지되거나, 또는 2회 이상 떨어지는 제9 패턴(P9)인 경우, 제9 패턴(P9)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(133)는 운동을 종료하고, 30분까지 혈당이 점진적으로 하락하는 제10 패턴(P10)인 경우, 제10 패턴(P10)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(133)는 음주후 2시간 이내, 혈당에 스파이크가 없이 유지되는 제11 패턴(P11)인 경우, 제11 패턴(P11)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며, 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 출력할 수 있다. 이때, 도 10에 도시된 바와 같이 프로세서(133)는 알코올이 포함된 식사는 혈당을 낮출 수 있어, 그래프 상에서 괜찮아 보이지만, 실제로는 몸에 해롭기 때문에 술이 포함된 식후의 혈당 데이터를 D3에서 D3'로 증폭 처리할 수 있다. 여기에서, 프로세서(133)는 알코올 섭취 시간 이후 2시간 동안의 혈당값을 1.3배하여 계산할 수 있다.
또 다른 예를 들어, 프로세서(133)는 측정된 혈당이 70mg/dL 미만으로 60분 이내에 2번 이상 발생한 경우, 제12 패턴(P12)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
또 다른 예를 들어, 프로세서(133)는 최고 혈당에 오르기 전에 운동을 시작했을 경우, 제13 패턴(P13)에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고, 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1)를 출력할 수 있다.
본 개시에서, 24시간 혈당 점수를 산출하는 과정은 다음과 같다.
프로세서(133)는 24시간 혈당 점수를 0점 내지 100점 사이값으로 산출할 수 있다.
예를 들어, 도 11에 도시된 바와 같이 프로세서(133)는 목표 혈당인 140 이상으로 식후 스파이크 발생(SP1, SP2, SP3)했으나, 짧게 지속되거나 스파이크의 높이가 높지 않고 면적이 크지 않은 경우, 24시간 혈당 점수를 50점으로 산출할 수 있다. 다른 예를 들어, 도 12에 도시된 바와 같이 프로세서(133)는 목표 혈당인 140 이상으로 알코올이 포함되고 식후 스파이크 발생(SP4)했으나, 스파이크의 높이가 높고 면적이 큰 경우, 24시간 혈당 점수를 18점으로 산출할 수 있다. 또 다른 예를 들어, 프로세서(133)는 목표 혈당인 140 아래로 꾸준히 유지한 경우, 24시간 혈당 점수를 90점으로 산출할 수 있다.
그리고, 프로세서(133)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 1]의 고혈당 노출 면적 점수에 30%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다.
[수학식 1]
고혈당 노출 면적 점수 = 100 - (1/0.025m * HBG_AUC)
HBG_AUC ≥ 2.5*m = 1/2* 5(mg/dL) * 24(h) * 60(min/h) 일 때, 0점
여기에서, HBG_AUC는 목표혈당을 넘어선 면적으로, 도 13에 도시된 바와 같이 FBG_Avg보다 TBG Diff 이상 높아진 구간의 빨간 그래프(CT1 내지 CT7)에 해당하는 면적일 수 있다. 이때, FBG_Avg는 공복 혈당 평균값일 수 있고, TBG Diff는 사용자가 지정한 혈당 범위의 차이값일 수 있으며, m은 0시부터 현재 시간까지를 분으로 환산한 것일 수 있다. 예를 들어, 새벽 1시 = 60분, m=60일 수 있다.
또한, 프로세서(133)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 2]의 최고 혈당 점수에 30%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다.
[수학식 2]
최고 혈당 점수 = 100 - {(G(max) - TBG_Max)} / 0.4
G(max) ≤ TBG_Max 일 때, 100점
G(max) - TBG_Max >40 일 때, 0점
여기에서, G(max)는 일일 혈당값 중 최고값일 수 있고, TBG_Max는 사용자가 지정한 혈당 범위의 최고값일 수 있다.
또한, 프로세서(133)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 3]의 평균 혈당 점수에 10%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다.
[수학식 3]
평균 혈당 점수 = 100 - {G(avg) - TBG_Avg)} / 0.2
G(avg) ≤ TBG_Avg 일 때, 100점
G(avg) - TBG_Avg > 20 일 때, 0점
이때, G(avg)는 일일 혈당값의 평균값일 수 있고, TBG_Avg는 목표 평균혈당값일 수 있다.
또한, 프로세서(133)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 4]의 혈당변동성에 10%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다.
[수학식 4]
혈당 변동성 점수 = 100 - (CV - TBG_CV) / 0.16
CV ≤ TBG_CV 인 경우, 100점
CV - TBG_CV > 16인 경우, 0점
CV = SD(표준편차) / (평균혈당) * 100
이때, CV는 변동 계수(coefficient of variation)일 수 있고, TBG_CV는 목표 혈당 변동 계수일 수 있다.
또한, 프로세서(133)는 24시간 혈당 점수를 산출할 시에, 하기 [수학식 5]의 건강혈당범위에 20%의 가중치를 적용한 후, 소수점 첫째자리에서 반올림할 수 있다. 이때, 프로세서(133)는 음수값이 나오면 0점 처리할 수 있고, 데이터가 없을 때 계산하지 않을 수 있다.
[수학식 5]
건강 혈당 범위 점수 = (건강 혈당 범위 비율 *10 - 800)/2
건강 혈당 범위 비율 < 80 일 때, 0점
건강 혈당 범위 비율(%) = 혈당값이 [TBG_Min ~ TBG_Max] 안에 들어온 시간](min) / 1440(min) * 100(%)
이때, TBG_Max는 사용자가 지정한 혈당 범위의 최고값일 수 있고, TBG_Min은 사용자가 지정한 혈당 범위의 최저값일 수 있다.
본 개시에서, 2시간 혈당 점수를 산출하는 과정은 다음과 같다.
프로세서(133)는 2시간 혈당 점수를 산출할 시에, 하기 [수학식 6]의 혈당 피크 점수에 30%의 가중치를 적용한 후, 가장 가까운 정수로 반올림할 수 있다.
[수학식 6]
혈당 피크 점수 = 10 - (2HZ_Max-TBG_Max)/2
2HZ_Max < TBG_Max, 10점
2HZ_Max - TBG_Max > 20, 0점
이때, 2HZ_Max는 2HZ(또는 Mega Zone) 안의 Max(사실상 식후 혈당 Max)일 수 있고, TBG_Max는 사용자가 지정한 혈당 범위의 최고값일 수 있다.
프로세서(133)는 2시간 혈당 점수를 산출할 시에, 하기 [수학식 7]의 혈당 변화 기울기 점수에 20%의 가중치를 적용한 후, 가장 가까운 정수로 반올림할 수 있다.
[수학식 7]
혈당 변화 기울기 점수 = 10 - (2HZ_MaxSlope - 20)
2HZ_MaxSlope < 20, 10점
2HZ_MaxSlope > 30, 0점
이때, 2HZ_MaxSlope는 2HZ 안의 가장 큰 기울기(15분 동안의 변화가 가장 큰 혈당 차이값)일 수 있고, 2HZ_MaxSlope > 0 만 확인할 수 있다(오르는 것만 확인, 내리는 것은 제외).
프로세서(133)는 2시간 혈당 점수를 산출할 시에, 하기 [수학식 8]의 혈당 변화 누적 점수에 30%의 가중치를 적용한 후, 가장 가까운 정수로 반올림할 수 있다. 이때, 혈당 점수는 0-10점 사이값으로 할 수 있고, 음수값이 나오면 0점 처리할 수 있으며, 데이터 없을 때 계산하지 않을 수 있다.
[수학식 8]
혈당 변화 누적 점수 = 10 - (2HZ_AUC_Avg - Target_2HZ_AUC_Avg)
2HZ_AUC_Avg ≤ Target_2HZ_AUC_Avg, 10점
(2HZ_AUC_Avg - Target_2HZ_AUC_Avg) ≥ 10, 0점
이때, 2HZ_AUC는 2HZ(또는 Mega Zone)에서 2HZ_Base를 기준선으로 정했을 때 그려지는 그래프의 면적 합일 수 있다. 또한, 2HZ_AUC_Avg는 2HZ_AUC의 평균값으로, 2HZ인 경우 2HZ_AUC를 120(min)으로 나눌 수 있고, Mega Zone인 경우 2HZ_AUC를 Mega Zone 시간(min)으로 나눌 수 있다.
또한, Target_2HZ_AUC_Avg는 목표 2HZ_혈당변화면적평균으로, TBG_Max 선택 후 자동 맞춤 설정을 할 수 있다. 예를 들어, TBG_Max ≤ 120 이면 10mg/dL*min으로 자동 맞춤 설정할 수 있고, 120 < TBG_Max ≤ 140 이면 15mg/dL*min으로 자동 맞춤 설정할 수 있으며, 140 < TBG_Max ≤ 160 이면 20mg/dL*min으로 자동 맞춤 설정할 수 있고, TBG_Max > 160 이면 25mg/dL*min으로 자동 맞춤 설정할 수 있다.
프로세서(133)는 2시간 혈당 점수를 산출할 시에, 하기 [수학식 9]의 고혈당 노출 면적 점수에 20%의 가중치를 적용한 후, 가장 가까운 정수로 반올림할 수 있다.
[수학식 9]
고혈당 노출 면적 점수 = 10 - {1/30 * HBG_AUC}
HBG_AUC = 0, 10점
HBG_AUC ≥300 = 1/2* 5 * 120(min/h), 0점
이때, HBG_AUC는 목표혈당을 넘어선 면적으로, TBG_MAX이상 높아진 구간의 그래프 아래 면적일 수 있고, 하기 노란 그래프가 나오는 부분의 면적일 수 있다.
이와 같이, 도 14에 도시된 바와 같이 [수학식 6] 내지 [수학식 9]을 기반으로 산출된 제1 시간대(SC1)(08:24:00 ~ 10:24:00)에서의 2시간 혈당 점수는 7일 수 있고, 제2 시간대(SC2)(12:00:00 ~ 14:00:00)에서의 2시간 혈당 점수는 6일 수 있으며, 제3 시간대(SC3)(17:33:00 ~ 19:33:00)에서의 2시간 혈당 점수는 9일 수 있다.
표시 단계(S370)는, 프로세서(130)를 통해, 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1) 또는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 사용자의 단말기(120) 상에 표시하도록, 사용자의 단말기(120)를 제어할 수 있다.
이때, 사용자는 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1) 또는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 확인하기 위해, 사용자의 단말기(120)를 이용하여 보간된 혈당 데이터(ID1), 웨어러블 디바이스의 데이터(ID2), 및 사용자 라이프로그 데이터(ID3)를 입력할 수 있다. 즉, 프로세서(133)는 사용자의 단말기(120)에 의해 입력된 보간된 혈당 데이터(ID1), 웨어러블 디바이스의 데이터(ID2), 및 사용자 라이프로그 데이터(ID3)를 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터(OD1) 또는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터(OD2)를 출력할 수 있다.
한편, 표시부(134)는 연속혈당측정장치(110)로부터 연속혈당데이터를 획득하는 과정을 기 설정된 시간 동안 또는 실시간으로 표시할 수 있고, 연속혈당데이터를 기 설정된 시간 단위로 분절하는 과정을 표시할 수도 있으며, 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간하는 과정을 표시할 수도 있고, 보간된 혈당 데이터를 표시할 수도 있으며, 사용자의 단말기(120)로부터 수신된 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 표시할 수도 있다.
또한, 표시부(134)는 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터 또는 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 표시할 수도 있다.
한편, 본 개시에서, 인공지능 모델(AIM)은, 사용자의 단말기(120)의 캘린더 일정 데이터, 조도 센서 데이터, 만보기 데이터, 날씨 데이터, 고도계 데이터등의 다양한 데이터를 더 입력받아, 다양한 사용자 활동 예측 데이터별 혈당 예측 데이터를 더 출력할 수도 있다.
도 1, 도 2, 도 4 내지 도 14에 도시된 구성 요소들의 성능에 대응하여 적어도 하나의 구성요소가 추가되거나 삭제될 수 있다. 또한, 구성 요소들의 상호 위치는 시스템의 성능 또는 구조에 대응하여 변경될 수 있다는 것은 당해 기술 분야에서 통상의 지식을 가진 자에게 용이하게 이해될 것이다.
도 3은 복수의 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 이는 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 도 3에 기재된 순서를 변경하여 실행하거나 복수의 단계 중 하나 이상의 단계를 병렬적으로 실행하는 것으로 다양하게 수정 및 변형하여 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 개시가 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.
100: 시스템 110: 연속혈당측정장치
120: 사용자의 단말기 130: 혈당 예측 장치
131: 통신부 132: 메모리
133: 프로세서 134: 표시부
120: 사용자의 단말기 130: 혈당 예측 장치
131: 통신부 132: 메모리
133: 프로세서 134: 표시부
Claims (10)
- 연속혈당측정장치 및 사용자의 단말기와 통신을 수행하는 통신부; 및
상기 연속혈당측정장치의 혈당 예측과 관련된 동작을 제어하는 프로세서; 를 포함하고,
상기 프로세서는,
상기 통신부를 통해 상기 연속혈당측정장치로부터 획득된 연속혈당데이터를 수신하고,
상기 연속혈당데이터를 기 설정된 시간 단위로 분절하며,
상기 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간하고,
상기 사용자의 단말기가 혈당 예측 데이터를 요청한 경우, 상기 사용자의 단말기로부터 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 수신하며,
상기 보간된 혈당 데이터, 상기 웨어러블 디바이스의 데이터, 및 상기 사용자 라이프로그 데이터를 인공지능 모델에 입력하고, 상기 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하며,
상기 사용자 활동 예측 데이터별 혈당 예측 데이터를 상기 사용자의 단말기 상에 표시하되,
상기 보간된 혈당 데이터는, 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 및 평균 혈당이고,
상기 웨어러블 디바이스의 데이터는, 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수이며,
상기 사용자 라이프로그 데이터는, 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보이고,
상기 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력할 때, 사용자 활동 예측 데이터의 운동 스파이크 패턴 또는 알코올 패턴 별로 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 하는, 연속 혈당 측정을 이용한 혈당 예측 장치. - 삭제
- 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 프로세서는,
상기 운동 스파이크 패턴이, 운동을 종료하고 30분까지, 혈당이 30mg/dL에서 50mg/dL 이상 급격하게 상승하는 경우, 상기 운동 스파이크 패턴에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고,
상기 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며,
상기 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 상기 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 하는, 연속 혈당 측정을 이용한 혈당 예측 장치. - 제1항에 있어서,
상기 프로세서는,
상기 알코올 패턴이, 음주후 2시간 이내, 혈당에 스파이크가 없이 유지되는 경우, 상기 알코올 패턴에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고,
상기 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며,
상기 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 상기 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 하는, 연속 혈당 측정을 이용한 혈당 예측 장치. - 혈당 예측 장치에 의해 수행되는 연속 혈당 측정을 이용한 혈당 예측 방법에 있어서,
연속혈당측정장치로부터 획득된 연속혈당데이터를 수신하는 단계;
상기 연속혈당데이터를 기 설정된 시간 단위로 분절하는 단계;
상기 분절된 혈당데이터를 modified akima 보간법을 이용하여 보간하는 단계;
사용자의 단말기가 혈당 예측 데이터를 요청한 경우, 상기 사용자의 단말기로부터 웨어러블 디바이스의 데이터 및 사용자 라이프로그 데이터를 수신하는 단계;
상기 보간된 혈당 데이터, 상기 웨어러블 디바이스의 데이터, 및 상기 사용자 라이프로그 데이터를 인공지능 모델에 입력하고, 상기 인공지능 모델을 기반으로 학습하여 분석한 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 단계; 및
상기 사용자 활동 예측 데이터별 혈당 예측 데이터를 상기 사용자의 단말기 상에 표시하는 단계; 를 포함하되,
상기 보간된 혈당 데이터는, 혈당의 변화량, 변화 속도, 변화 기울기, 최고점, 최저점, 및 평균 혈당이고,
상기 웨어러블 디바이스의 데이터는, 심박수, 핸드폰 사용시간, 수면시작시간, 기상시간, 운동시작시간, 운동종료시간, 및 시간별 걸음수이며,
상기 사용자 라이프로그 데이터는, 식단 입력 기록 정보, 음식 이미지 촬영 시각, 운동 입력 기록 정보, 간헐적 단식 입력 기록 정보, 수분 기록 정보, 영양제 섭취 기록 정보, 컨디션 정보, 및 메모 기록 정보이고,
상기 출력 단계는, 사용자 활동 예측 데이터의 운동 스파이크 패턴 또는 알코올 패턴 별로 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 하는, 방법. - 제8항에 있어서,
상기 출력 단계는,
상기 운동 스파이크 패턴이, 운동을 종료하고 30분까지, 혈당이 30mg/dL에서 50mg/dL 이상 급격하게 상승하는 경우, 상기 운동 스파이크 패턴에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고,
상기 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며,
상기 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 상기 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 하는, 방법. - 제8항에 있어서,
상기 출력 단계는,
상기 알코올 패턴이, 음주후 2시간 이내, 혈당에 스파이크가 없이 유지되는 경우, 상기 알코올 패턴에 연계된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 산출하고,
상기 산출된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기 설정된 각각의 보정 점수로 보정하며,
상기 보정된 각각의 24시간 혈당 점수 또는 각각의 2시간 혈당 점수를 기반으로, 상기 보정된 사용자 활동 예측 데이터별 혈당 예측 데이터를 출력하는 것을 특징으로 하는, 방법.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20230163794 | 2023-11-22 | ||
KR1020230163794 | 2023-11-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102664489B1 true KR102664489B1 (ko) | 2024-05-14 |
Family
ID=91075847
Family Applications (5)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230167134A KR102664489B1 (ko) | 2023-11-22 | 2023-11-27 | 디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법 |
KR1020230167135A KR102664490B1 (ko) | 2023-11-22 | 2023-11-27 | 디지털 서비스 기반의 개인별 추천 음식 정보와 비추천 음식 정보를 제공하는 장치, 방법 및 프로그램 |
KR1020230176880A KR102667391B1 (ko) | 2023-11-22 | 2023-12-07 | 디지털 서비스 기반의 코호트를 활용한 음식 섭취 및 활동별 혈당 변화량 예측 장치, 방법 및 프로그램 |
KR1020230178868A KR102664491B1 (ko) | 2023-11-22 | 2023-12-11 | 디지털 서비스 기반의 유저별 활동 패턴에 따른 혈당 코칭 정보 제공 장치, 방법 및 프로그램 |
KR1020240004028A KR102667400B1 (ko) | 2023-11-22 | 2024-01-10 | 디지털 서비스 기반의 코호트를 활용한 혈당 스파이크 원인 추측 장치, 방법 및 프로그램 |
Family Applications After (4)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230167135A KR102664490B1 (ko) | 2023-11-22 | 2023-11-27 | 디지털 서비스 기반의 개인별 추천 음식 정보와 비추천 음식 정보를 제공하는 장치, 방법 및 프로그램 |
KR1020230176880A KR102667391B1 (ko) | 2023-11-22 | 2023-12-07 | 디지털 서비스 기반의 코호트를 활용한 음식 섭취 및 활동별 혈당 변화량 예측 장치, 방법 및 프로그램 |
KR1020230178868A KR102664491B1 (ko) | 2023-11-22 | 2023-12-11 | 디지털 서비스 기반의 유저별 활동 패턴에 따른 혈당 코칭 정보 제공 장치, 방법 및 프로그램 |
KR1020240004028A KR102667400B1 (ko) | 2023-11-22 | 2024-01-10 | 디지털 서비스 기반의 코호트를 활용한 혈당 스파이크 원인 추측 장치, 방법 및 프로그램 |
Country Status (1)
Country | Link |
---|---|
KR (5) | KR102664489B1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008229331A (ja) * | 2007-03-20 | 2008-10-02 | Lifescan Inc | 血糖症管理用の伝達媒体 |
KR20090117153A (ko) | 2008-05-08 | 2009-11-12 | 가톨릭대학교 산학협력단 | 임상의사결정지원시스템이 적용된 반자동화 혈당관리시스템 및 그 방법 |
JP2012081166A (ja) * | 2010-10-14 | 2012-04-26 | Seiko Epson Corp | 血糖値予測システム |
KR20210008267A (ko) * | 2019-07-12 | 2021-01-21 | 동국대학교 산학협력단 | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 |
JP2022153288A (ja) * | 2021-03-29 | 2022-10-12 | 日清食品ホールディングス株式会社 | 血糖値推定装置、血糖値推定方法及びプログラム |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2936774C (en) * | 2014-04-10 | 2024-02-06 | Dexcom, Inc. | Glycemic urgency assessment and alerts interface |
KR102486823B1 (ko) * | 2016-10-19 | 2023-01-10 | 삼성전자주식회사 | 혈당 관리 서비스를 제공하기 위한 전자 장치 및 방법 |
KR20220016487A (ko) * | 2019-05-31 | 2022-02-09 | 인포메드 데이터 시스템즈 아이엔씨 디/비/에이 원 드롭 | 생체 모니터링 및 혈당 예상을 위한 시스템들, 및 연관된 방법들 |
KR102297367B1 (ko) * | 2019-08-28 | 2021-09-03 | (주)이노맥스글로벌 | 생체정보 수집 및 온라인 문진을 이용한 건강관리케어 서비스 제공 서버 |
KR20210062470A (ko) * | 2019-11-21 | 2021-05-31 | (주)휴레이포지티브 | 건강상태 및 식습관 패턴 정보를 반영한 맞춤형 식단 추천 서비스 |
EP3896700A1 (en) * | 2020-04-17 | 2021-10-20 | Perfood GmbH | Improved method for determining blood glucose responses |
JP6918394B1 (ja) * | 2021-03-02 | 2021-08-11 | Ssst株式会社 | 生体情報演算システム |
KR20230059360A (ko) * | 2021-10-26 | 2023-05-03 | 주식회사 네오드림스 | 비식별화된 개인건강정보를 활용하여 맞춤형서비스를 제공하는 시스템 및 방법 |
KR20230083520A (ko) * | 2021-12-03 | 2023-06-12 | 주식회사 디이프 | 혈당 반응값을 활용한 식이 추천 시스템 및 그 방법 |
KR102405677B1 (ko) * | 2022-02-24 | 2022-06-08 | 주식회사 필라이즈 | 인공지능을 이용한 이미지 인식 기반 맞춤형 건강기능식품 정보를 제공하는 방법, 장치 및 시스템 |
-
2023
- 2023-11-27 KR KR1020230167134A patent/KR102664489B1/ko active IP Right Grant
- 2023-11-27 KR KR1020230167135A patent/KR102664490B1/ko active IP Right Grant
- 2023-12-07 KR KR1020230176880A patent/KR102667391B1/ko active IP Right Grant
- 2023-12-11 KR KR1020230178868A patent/KR102664491B1/ko active IP Right Grant
-
2024
- 2024-01-10 KR KR1020240004028A patent/KR102667400B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008229331A (ja) * | 2007-03-20 | 2008-10-02 | Lifescan Inc | 血糖症管理用の伝達媒体 |
KR20090117153A (ko) | 2008-05-08 | 2009-11-12 | 가톨릭대학교 산학협력단 | 임상의사결정지원시스템이 적용된 반자동화 혈당관리시스템 및 그 방법 |
JP2012081166A (ja) * | 2010-10-14 | 2012-04-26 | Seiko Epson Corp | 血糖値予測システム |
KR20210008267A (ko) * | 2019-07-12 | 2021-01-21 | 동국대학교 산학협력단 | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 |
JP2022153288A (ja) * | 2021-03-29 | 2022-10-12 | 日清食品ホールディングス株式会社 | 血糖値推定装置、血糖値推定方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
KR102667391B1 (ko) | 2024-05-23 |
KR102664491B1 (ko) | 2024-05-14 |
KR102664490B1 (ko) | 2024-05-17 |
KR102667400B1 (ko) | 2024-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574742B2 (en) | Diabetes management therapy advisor | |
US20220215930A1 (en) | A system and a method for heal th and diet management and nutritional monitoring | |
KR102400740B1 (ko) | 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법 | |
US20190252058A1 (en) | Generating personalized nutritional recommendations using predicted values of biomarkers | |
US20100075353A1 (en) | Method And Glucose Monitoring System For Monitoring Individual Metabolic Response | |
US20150235566A1 (en) | Information system for nutritional substances | |
CN108141714B (zh) | 移动健康应用的个性化、同伴衍生消息的自动构建的装置和方法 | |
CN109074867A (zh) | 用于提供汇总和连续学习以改善健康结果的系统和方法 | |
JP7181900B2 (ja) | 患者プロファイルに基づくインスリン滴定アルゴリズム | |
CN111081347B (zh) | 一种慢性病患者的食谱推荐方法 | |
US20220230730A1 (en) | Recipe recommendation method and device, computing device and storage medium | |
CN101827553A (zh) | 用于存储一系列测量结果的方法 | |
US20150164343A1 (en) | Management systems and methods for managing physiology data measurement | |
JP2023020789A (ja) | プログラム、方法、およびシステム | |
Rodríguez-Rodríguez et al. | Feature selection for blood glucose level prediction in type 1 diabetes mellitus by using the sequential input selection algorithm (SISAL) | |
CN108597572A (zh) | 一种智能健康规划系统 | |
CN115662617B (zh) | 基于cgm的结果病情预测系统及其预测方法 | |
KR102664489B1 (ko) | 디지털 서비스 기반의 연속 혈당 측정을 이용한 혈당 예측 장치, 방법 | |
US20230162859A1 (en) | Improved method for determining blood glucose responses | |
Doyle et al. | I. Glucose control strategies for treating type 1 diabetes mellitus | |
CN112435733A (zh) | 健康饮食管控方法、系统、健康饮食管控平台及存储介质 | |
KR102431226B1 (ko) | 인공지능 기반의 개인 맞춤형 영양 관리 서비스 제공 방법 및 장치 | |
JP6330966B1 (ja) | インスリン投与量調整装置およびインスリン投与量調整方法 | |
JP2023513805A (ja) | 意思決定サポートおよび治療投与システム | |
Macas et al. | Particle swarm optimization based adaptable predictor of glycemia values |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |