KR20130142570A - 적외선 영상을 이용한 생체 신호 측정 방법 및 장치 - Google Patents
적외선 영상을 이용한 생체 신호 측정 방법 및 장치 Download PDFInfo
- Publication number
- KR20130142570A KR20130142570A KR1020120065887A KR20120065887A KR20130142570A KR 20130142570 A KR20130142570 A KR 20130142570A KR 1020120065887 A KR1020120065887 A KR 1020120065887A KR 20120065887 A KR20120065887 A KR 20120065887A KR 20130142570 A KR20130142570 A KR 20130142570A
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- infrared image
- biosignal
- database
- bio
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000000605 extraction Methods 0.000 claims abstract 2
- 238000012880 independent component analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 abstract description 9
- 238000000691 measurement method Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 238000013186 photoplethysmography Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000017531 blood circulation Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000008399 tap water Substances 0.000 description 2
- 235000020679 tap water Nutrition 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000003792 cranial nerve Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010237 hybrid technique Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 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
- A61B5/02—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
- A61B5/026—Measuring blood flow
- A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Psychiatry (AREA)
- Hematology (AREA)
- Cardiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명은 신호의 통계적 특성에 기반한 생체 신호 판별 기준을 이용하여 선택적으로 생체 신호를 추출할 수 있는 적외선 영상을 이용한 생체 신호 측정 방법 및 장치에 관한 것이다.
본 발명의 일실시예에 의한 적외선 영상을 이용한 생체 신호 측정 방법은 적외선 카메라에 의해 촬영된 적외선 영상을 입력받는 단계; 상기 입력된 적외선 영상의 유효 영역을 소정 개수의 블록으로 분할하고, 상기 분할된 각 블록으로부터 신호를 추출하는 단계; 및 상기 추출된 신호를 데이터베이스에 저장된 신호의 통계적 특성에 기반한 생체 신호 판별 기준에 근거하여 생체 신호와 노이즈로 분류하는 단계를 포함할 수 있다.
본 발명의 일실시예에 의한 적외선 영상을 이용한 생체 신호 측정 방법은 적외선 카메라에 의해 촬영된 적외선 영상을 입력받는 단계; 상기 입력된 적외선 영상의 유효 영역을 소정 개수의 블록으로 분할하고, 상기 분할된 각 블록으로부터 신호를 추출하는 단계; 및 상기 추출된 신호를 데이터베이스에 저장된 신호의 통계적 특성에 기반한 생체 신호 판별 기준에 근거하여 생체 신호와 노이즈로 분류하는 단계를 포함할 수 있다.
Description
본 발명은 적외선 영상을 이용한 생체 신호 측정 방법 및 장치에 관한 것으로, 보다 상세하게는 신호의 통계적 특성에 기반한 생체 신호 판별 기준을 이용하여 선택적으로 생체 신호를 추출할 수 있는 적외선 영상을 이용한 생체 신호 측정 방법 및 장치에 관한 것이다.
광혈류 측정법(Photoplethysmography, PPG) 은 빛을 측정 대상 혹은 부위에 조사하였을 때, 반사나 흡수, 산란되는 정도를 판단하여 생체 신호를 추정하는 기술을 의미한다. PPG에서는 적외선, 가시광선, 레이저 등 다양한 측정 매체가 존재한다.
일반적으로, 광혈류측정 센서(Photoplethysmography)는 인체의 특정 부위, 일 예로 손가락 끝에 빛을 통과시켜 혈류량의 흐름을 감지해서 맥박수 및 호흡수를 검출할 수 있는 센서이다.
PPG의 일례로 적외선을 이용하여 생체 신호를 측정하는 방법이 있다. 예를 들어, 적외선을 이용하여 생체 신호(체지방이나 맥박 등)을 측정하는 방법에 대한 연구는 지속적으로 이루어지고 있다.
하지만, 기존의 측정법에서는 멜라닌 분포와 같은 빛의 산란 및 반사에 영향을 주는 요인에 대하여 측정자들 간의 차이를 고려하지 않았다. 또한, 신호의 세기에 기반을 둔 생체 신호 추정을 함으로써, 일관성 있는 생체 신호 측정 기준을 도출하기 힘들었다.
따라서 개인차 및 외부 환경 변화에 강인한 생체 신호 측정에 대한 연구가 필요한 실정이다.
본 발명의 목적은 입력된 적외선 영상에 대해 신호의 통계적 특성에 기반한 생체 신호 판별 기준을 이용하여 생체 신호를 측정할 수 있는 적외선 영상을 이용한 생체 신호 측정 방법 및 장치를 제공하는 데 있다.
상기 목적을 달성하기 위해 본 발명의 일실시예에 의하면, 적외선 카메라에 의해 촬영된 적외선 영상을 입력받는 단계; 상기 입력된 적외선 영상의 유효 영역을 소정 개수의 블록으로 분할하고, 상기 분할된 각 블록으로부터 신호를 추출하는 단계; 및 상기 추출된 신호를 데이터베이스에 저장된 신호의 통계적 특성에 기반한 생체 신호 판별 기준에 근거하여 생체 신호와 노이즈로 분류하는 단계를 포함하는 적외선 영상을 이용한 생체 신호 측정 방법이 제공된다.
상기 목적을 달성하기 위해 본 발명의 일실시예에 의하면, 적외선 영상을 입력받는 영상 입력부; 상기 입력된 적외선 영상의 유효 영역을 소정 개수의 블록으로 분할하고, 상기 분할된 각 블록으로부터 신호를 추출하는 신호 추출부; 신호의 통계적 특성에 기반한 생체 신호 판별 기준이 저장된 데이터베이스; 상기 추출된 신호를 데이터베이스에 저장된 상기 생체 신호 판별 기준에 근거하여 생체 신호와 노이즈로 분류하는 신호 분류부; 및 상기 영상 입력부, 상기 신호 추출부, 상기 데이터베이스, 및 상기 신호 분류부를 제어하는 제어부를 포함하는 적외선 영상을 이용한 생체 신호 측정 장치가 제공된다.
본 발명의 일실시예에 의한 적외선 영상을 이용한 생체 신호 측정 방법 및 장치는 신호의 통계적 특성에 기반한 생체 신호 판별 기준을 이용하여 생체 신호를 추정함으로써, 일관성 있는 생체 신호 측정이 가능하다.
본 발명의 일실시예에 의한 적외선 영상을 이용한 생체 신호 측정 방법 및 장치는 복잡한 장비 없이 원거리에서 촬영된 적외선 영상만으로도 생체 신호 추정이 가능하다.
도 1은 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 장치의 블록도이다.
도 2는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 입력된 적외선 영상에서 신호를 추출하는 일례를 나타내는 도면이다.
도 4는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 생체 신호 판별 기준을 결정하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 생체 신호의 주기를 판단하는 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 입력된 적외선 영상에서 신호를 추출하는 일례를 나타내는 도면이다.
도 4는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 생체 신호 판별 기준을 결정하는 방법을 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 생체 신호의 주기를 판단하는 방법을 설명하기 위한 도면이다.
이하, 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법 및 장치에 대해 도면을 참조하여 설명하기로 하겠다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 장치의 블록도이다.
도시된 바와 같이, 생체 신호 측정 장치(100)는 영상 입력부(110), 신호 추출부(120), 데이터베이스(130), 신호 분류부(140), 생체 신호 추정부(150), 및 제어부(160)를 포함할 수 있다. 그러나, 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소로 상기 생체 신호 측정 장치(100)가 구성될 수도 있고, 그보다 적은 구성요소에 의해서도 생체 신호 측정 장치(100)가 구성될 수 있다.
영상 입력부(110)는 적외선 카메라에 의해 촬영된 적외선 영상을 입력받을 수 있다. 상기 적외선 카메라는 디지털 카메라, CCTV(closed circuit television), 적외선 조명이 장착된 카메라 등을 포함할 수 있다. 상기 영상 입력부(110)는 상기 적외선 카메라의 형태로 구현될 수도 있고, 상기 적외선 카메라와 별도로 구현될 수도 있다.
신호 추출부(120)는 입력된 적외선 영상으로부터 소정의 신호를 추출할 수 있다. 또한, 신호 추출부(120)는 데이터베이스(130)에 저장된 적외선 영상으로부터 신호를 추출하거나 혈류랑, 심박수, 호흡수 등의 바이오 피드백 신호를 바이오 피드백 신호를 추출할 수 있다.
예를 들어, 신호 추출부(120)는 적외선 영상에서 픽셀값의 강도나 또는 픽셀값의 변화율에 근거하여 유효 영역을 추출하고, 추출된 유효 영역을 소정 개수의 블록으로 분할하여, 분할된 블록마다 신호를 추출할 수 있다.
데이터베이스(130)에는 신호의 통계적 특성에 기반한 생체 신호 판별 기준이 저장될 수 있다. 상기 신호의 통계적 특성은 신호의 페이즈(Phase), 첨도, 왜도, 분산, 엔트로피, 및 극점의 간격 등을 포함할 수 있다. 첨도는 돗수분포 또는 돗수곡선이 가진 첨예의 정도를 나타내는 척도를 말하고, 왜도는 확률분포 곡선의 비대칭 정도를 나타내는 측도를 말한다. 상기 생체 신호 판별 기준은 기계 학습을 통해 결정될 수 있다.
생체 신호 분류부(140)는 입력된 적외선 영상으로부터 추출된 신호를 상기 데이터베이스(130)에 저장된 생체 신호 판별 기준에 근거하여 생체 신호와 노이즈로 분률할 수 있다.
생체 신호 추정부(150)는 생체 신호로 분류된 신호를 주파수 분석하여, 생체 신호를 주기를 추정할 수 있다. 예를 들어, 생체 신호 추정부(150)는 생체 신호를 주파수 영역의 신호로 변환하고, 상기 변환된 주파수 영역의 신호에 대해 소정 주파수 영역 범위 내에서 가장 강한 강도를 가지는 주파수를 선택할 수 있다. 그리고 생체 신호 추정부(150)는 상기 선택된 주파수를 상기 독립 성분의 생체 신호 주기로 판단할 수 있다.
제어부(160)는 상기 영상 입력부(110), 신호 추출부(120), 데이터베이스(130), 신호 분류부(140), 생체 신호 추정부(150)를 전반적으로 제어할 수 있다.
도 2는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법을 나타내는 흐름도이다.
영상 입력부(110)는 적외선 영상의 입력을 수신할 수 있다(S210). 상기 적외선 영상은 적외선 카메라에 의해 촬영된 신체 부위에 대한 영상을 의미할 수 있다. 상기 적외선 카메라는 디지털 카메라, CCTV(closed circuit television), 적외선 조명이 장착된 카메라 등을 포함할 수 있다. 그리고 적외선 영상으로 촬영되는 신체 부위는 손, 발, 팔, 다리, 얼굴 등을 포함할 수 있다.
신호 추출부(120)는 입력된 적외선 영상으로부터 소정 신호를 추출할 수 있다(S220). 상기 신호 추출 단계는 소정의 단계로 구성될 수 있다.
도 3은 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 입력된 적외선 영상에서 신호를 추출하는 일례를 나타내는 도면이다.
신호 추출부(120)는 입력된 적외선 영상에서 픽셀값의 강도 또는 변화율 등을 이용하여 유효 영역을 추출할 수 있다. 본 명세서에서 유효 영역이라 함은 비신체 부위 또는 신체 부위 중 생체 신호에 대한 정보가 적은 부분을 의미할 수 있다. 신호 추출부(120)는 입력된 적외선 영상의 초기 프레임(예: 1프레임부터 30프레임까지)에 픽셀값의 강도나 변화율이 소정값 이상인 픽셀을 유효 영역으로 선택할 수 있다. 초기 프레임에서 유효 영역을 선택하는 이유는 생체 신호를 실시간적으로 측정하기 위함이다.
신호 추출부(120)는 선택된 픽셀을 모아 하나의 영역을 구성하고, 패터매칭 기법을 이용하여 전체 프레임에서 동일한 영역을 검색할 수 있다. 패턴 매칭 기법은 두 패턴(특징)을 비교하여 동일한지 여부를 가늠하는 기법으로, 2D-cross correlation 방법이 있다.
상기 신호 추출부(120)는 동일한 영역으로 검색된 영역을 소정 개수의 블록으로 분할할 수 있다(S221). 상기 블록은 n X n 개의 픽셀로 이루어질 수 있다.
상기 신호 추출부(120)는 상기 분할된 블록 내의 픽셀의 평균값을 산출하여, 산출된 평균값을 상기 블록의 대표값으로 결정할 수 있다. 그리고 상기 신호 추출부(120)는 각 프레임에서 동일한 블록이 가지는 대표값을 이용하여 하나의 시계열 신호를 생성할 수 있다(S222). 이러한 신호는 블록의 개수만큼 생성될 수 있다.
상기 신호 추출부(120)는 주파수 분석을 이용한 주파수 분포, 신호 강도의 평균값, 페이즈 변화율 중 적어도 하나를 고려하여 상기 블록의 개수만큼 생성된 신호 중 일부를 선택할 수 있다.
상기 신호 추출부(120)는 선택된 신호에서 독립 성분 분석법(Independent Component Analysis)을 이용하여 독립 성분을 추출할 수 있다(S223). 상기 독립 성분 분석법은 바이오메디컬 및 신호 처리 분야에서 대표적으로 사용되는 신호 분석법이다. 독립 성분 분석법은 관측(혹은 측정)을 통해 얻은 신호에 목표가 되는 정보 외에 노이즈 및 기타 신호가 포함되었다고 고려될 때, 목표가 되는 신호를 얻기 위하여, 관측된 신호를 표현할 수 있는 최소 단위의 신호(독립 성분)으로 분리시키는 방법이다.
신호 분류부(140)는 독립 성분 분석법에 의해 추출된 독립 신호 성분을 데이터베이스(130)에 저장된 생체 신호 판별 기준에 근거하여 생체 신호와 노이즈로 분류할 수 있다(S230). 상기 생체 신호 판별 기준은 신호의 통계적 특성(예: 통계적 특징의 조합)에 기반하여 결정될 수 있다. 신호의 통계적 특성은 신호의 페이즈(Phase), 첨도, 왜도, 분산, 엔트로피, 및 극점의 간격 등을 포함할 수 있다. 신호 분류부(140)는 하기에 설명될 특징 조합을 기반으로 생체 신호와 노이즈의 분류를 수행하고, 분류된 신호 중 하나를 생체 신호로 선택할 수 있다.
생체 신호와 노이즈의 분류하기 위한 방법으로 Support vector machine, K-means clustering, Artificial neural network, Hierarchical clustering, Decisiion tree, Random forest 등의 비-교사 학습 기법 등이 있다.
교사라 함은 학습할 데이터에 대하여 참고할 결과가 존재하는 것이다. 결과에 맞게 최상의 결과가 나오도록 학습시키는 것을 교사 학습이라고 한다.
또한, 비교사라 함은 참고할 결과가 없을 때를 의미한다. 데이터의 분포를 이용하여, 분류된 집합 간의 거리가 최대가 되는 결과를 도출하는 것을 비교사 학습이라고 한다.
Support vector machine은 교사 학습 기법 중 하나로, 고차원의 특징 벡터를 가지는 데이터에 대하여 초평면의 결정 경계를 찾는 방법이다. 집합들과 초평면(분류 방정식) 사이의 거리를 계산했을 때, 각 집합에서의 거리가 가장 큰 초평면을 분류의 기준으로 삼을 수 있다.
K-평균 클러스터링(k-means clustering)은 비교사 학습 기법 중 하나로 데이터를 특정 분류로 구분하고 싶으나, 정확한 분류 결과를 모를 때 사용될 수 있다. 데이터 내에서 랜덤하게 K개의 중심점을 잡고 중심점을 기준으로 가장 가까운 데이터를 같은 집합으로 묶는다. 모든 데이터가 집합에 포함되면, 집합내의 데이터의 평균값으로 중심점을 갱신하고, 상기의 작업을 중심값의 변화가 없을 때까지 반복하는 방법이다.
인공 신경망(Artificial neural network)은 비교사 및 교사 학습 기법 중 하나로, 뇌 신경의 구조에서 뉴론의 개념을 가져와, 최소 단위의 계산 구조를 복합적으로 구성하여, 여러 가지 계산을 수행할 수 있는 방법이다. 분류, 회귀, 예측 등 다양한 분야에 적용 가능하다.
Hierachical clustering은 비교사 학습 기법 중 하나로, 모든 데이터를 포함하는 분포를 제1 집합으로 보았을 때, 데이터 간의 응집 정도를 따져서 반복적으로 집합을 쪼개 나가는 방법이다. 데이터가 유효한 수준의 분포를 지닐 때까지 반복적으로 집합을 나눌 수 있다.
Decision tree, 및 Random forest는 학습 기법 중 하나로, 문제에 대해서 반복적인 이진 분류를 통해 여러 개의 패턴을 분류하는 것이 가능하다. Random forest는 Decision tree를 여러 개를 합쳐서 사용하는 방법으로, 기존의 Decision tree가 가지는 단점을 개선하였다.
한편, 이하에서는 생체 신호 판별 기준을 결정하는 방법에 대해 좀 더 상세히 설명하도록 하겠다.
데이터베이스(130)에는 생체 신호 판별 기준을 마련하기 위해 기준 적외선 영상 및 바이오 피드백 신호가 저장될 수 있다. 상기 기준 적외선 영상 및 바이오 피드백 신호는 소정 시간 동안(예: 1분) 동시에 촬영될 수 있다.
신호 추출부(120)는 상기 기준 적외선 영상에서 S220 단계에서 이용된 방식과 동일한 방식으로 신호를 추출하고, 상기 추출된 신호에서 시계열 특징과 주파수 영역의 특징을 계산할 수 있다. 시계열 특징은 페이즈, 첨도, 왜도, 분산, 엔트로피, 극점의 간격 등을 포함할 수 있고, 주파수 영역의 특징은 첨도, 왜도, 분산, 엔트로피 등을 포함할 수 있다.
한편, 신호 추출부(120)는 상기 바이오 피드백 신호에서도 시계열 특징과 주파수 영역을 특징을 계산할 수 있다.
그리고 신호 분류부(140)는 바이오 피드백 신호와 기준 적외선 영상으로부터 추출된 시계열 특징 또는 주파수 영역의 특징을 이용하여 신호 간의 유사도를 계산할 수 있다.
예를 들어, 상기 기준 적외선 영상에서 추출된 신호 및 바이오피드백 신호를 대상으로 주파수 영역 중 1~4Hz 구간에서 가장 강한 강도를 가지는 주파수를 찾으며, 이 주파수를 기준으로 바이오피드백 신호와 유사한 독립 성분(기준 적외선 영상에서 추출된 신호의 독립 성분)들과 그렇지 않은 독립성분(기준 적외선 영상에서 추출된 신호의 독립 성분)들로 분류한다.
신호 분류부(140)는 순사 특징 선택법(sequential feature selection method)을 사용하여 모든 특징들의 조합에 대하여 두 측정(기준 적외선 영상으로 추출된 특징 및 바이오 피드백 신호로부터 추출된 특징) 간의 유사도를 판단할 수 있다. 순사 특징 선택법 모든 특징 조합에 대해서 분류를 통해 정확도를 바탕으로 특징 조합을 찾는 방법을 말한다.
상기 특징 조합의 선택은 바이오 피드백 신호 및 기준 적외선 영상으로부터 추출된 신호를 포함하고 있는 데이터베이스(130)에서 생체 신호 판별에 용이한 특징들을 선택하는 단계이다. 즉, 생체 신호와 노이즈에 대한 분류를 수행하면서 가장 잘(정확하게) 분류되는 특징을 선택하는 것이다.
만약, 특징이 5개가 있다고 가정하면, 특징들의 조합의 경우의 수(순열 조합, 5 팩토리얼(factorial) 만큼의 조합)에 대해서 해당 특징을 기준으로 했을 때, 노이즈와 생체 신호 분류를 수행한다. 모든 경우에 대해서 정확도를 계산하게 되고, 그 중에서 가장 정확도가 높게 나온 특징 조합이 선택될 수 있다. 그리고 선택 특징 조합에 근거하여 생체 신호 판별 기준이 결정될 수 있다.
도 4는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 생체 신호 판별 기준을 결정하는 방법을 설명하기 위한 도면이다.
도시된 바와 같이, 적합한 특징 조합은 클래스 1의 신호와 클래스 2의 신호를 분류하기 위한 기준이 될 수 있다. 상기 클래스 1의 신호와 상기 클래스 2의 신호를 분류하기 위한 기준이 생체 신호 판별 기준이 될 수 있다. 상기 생체 신호 판별 기준은 기계 학습을 통해 결정될 수 있다.
상기 적합한 특징 조합을 위한 선택 기법으로 Wrapper 기법, Filter 기법, Hybrid 기법 등이 있다.
Wrapper 기법은 데이터의 패턴(혹은 분포, 분류)를 판단하는데 최적이 되는 특징들의 조합을 찾는 기법으로, 기계 학습 기법을 기반으로 모든 특징 조합에 대하여 반복적인 테스트를 통해, 최적의 조합을 찾는 것을 말한다.
Filter 기법은 데이터의 패턴(혹은 분포, 분류 )를 판단하는데 적합한 개별 특징들은 찾는 방법으로, 특징이 가지는 분류력을 계산(Entropy 등의 여러 계산법이 존재)하여, 분류력이 좋은 특징들은 선별하는 것을 말한다. Wrapper 기법과 다르게 조합을 찾지는 않는다.
Hybrid 기법은 Wrapper 기법 및 Filter 기법을 함께 사용하는 방법으로, Wrapper 기법은 계산 시간이 많이 걸리는 단점이 있고, Filter 기법은 계산 시간은 짧으나, 특징 간의 조합을 제대로 고려하지 못하여, 이를 보안하고자 두 방법을 융합하여 사용하는 것을 말한다.
생체 신호 추정부(150)는 상기와 같은 방법에 의해 생체 신호로 분류된 신호를 주파수 분석을 수행하여 생체 신호의 주기를 추정할 수 있다(S240).
생체 신호 추정부(150)는 생체 신호로 분류된 신호를 시간-주파수 분석법을 이용하여 주파수 영역의 신호로 변환할 수 있다. 상기 시간-주파수 분석법은 short time Fourier transform, Wigner-Ville distribution, Smoothed pseudo Wigner-Ville distribution 등을 포함할 수 있다.
Short-time Fourier transform은 시간-주파수 분석법 중 하나로, 전체 시간 영역을 여러 개의 블록으로 나누고, 블록마다 Fourier transform을 수행하는 방법이다.
Wigner-ville distribution, 및 Smoothed pseudo Wigner-Ville distribution은 시간-주파수 분석법의 기법 중 하나로, 시간-주파수 해상도가 높아, 시간에 따른 주파수 변화를 보기 용이하게 해준다. Smoothed pseudo 방법은 Wigner-Ville distribution을 개선 보안한 것으로 주파수 간섭으로 인한 오 분석을 줄인 방법이다.
생체 신호 추정부(150)는 주파수 분석법을 통해 주파수 영역의 신호로 변환된 신호를 이용하여 생체 신호의 주기를 판단할 수 있다.
도 5는 본 발명의 일실시예와 관련된 적외선 영상을 이용한 생체 신호 측정 방법에서 생체 신호의 주기를 판단하는 방법을 설명하기 위한 도면이다.
생체 신호 추정부(150)는 변환된 주파수 영역의 신호에 소정 주파수 영역 범위 내에서 가장 강한 강도를 가지는 주파수를 선택하여, 상기 선택된 주파수를 생체 신호의 주기로 판단할 수 있다.
전술한 바와 같이, 본 발명의 일실시예에 의한 적외선 영상을 이용한 생체 신호 측정 방법 및 장치는 신호의 통계적 특성에 기반한 생체 신호 판별 기준을 이용하여 생체 신호를 추정함으로써, 일관성 있는 생체 신호 측정이 가능하다.
또한, 본 발명의 일실시예에 의한 적외선 영상을 이용한 생체 신호 측정 방법 및 장치는 복잡한 장비 없이 원거리에서 촬영된 적외선 영상만으로도 생체 신호 추정이 가능하다.
상술한 적외선 영상을 이용한 생체 신호 측정 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다. 이때, 컴퓨터로 판독 가능한 기록매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 한편, 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터로 판독 가능한 기록매체에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(Magnetic Media), CD-ROM, DVD와 같은 광기록 매체(Optical Media), 플롭티컬 디스크(Floptical Disk)와 같은 자기-광 매체(Magneto-Optical Media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
한편, 이러한 기록매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다.
또한, 프로그램 명령에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
상기와 같이 설명된 적외선 영상을 이용한 생체 신호 측정 방법 및 장치는 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
100: 생체 신호 측정 장치
110: 영상 입력부
120: 신호 추출부
130: 데이터베이스
140: 신호 분류부
150: 생체 신호 추정부
160: 제어부
110: 영상 입력부
120: 신호 추출부
130: 데이터베이스
140: 신호 분류부
150: 생체 신호 추정부
160: 제어부
Claims (10)
- 적외선 카메라에 의해 촬영된 적외선 영상을 입력받는 단계;
상기 입력된 적외선 영상의 유효 영역을 소정 개수의 블록으로 분할하고, 상기 분할된 각 블록으로부터 신호를 추출하는 단계; 및
상기 추출된 신호를 데이터베이스에 저장된 신호의 통계적 특성에 기반한 생체 신호 판별 기준에 근거하여 생체 신호와 노이즈로 분류하는 단계를 포함하는 것을 특징으로 하는 적외선 영상을 이용한 생체 신호 측정 방법. - 제 1 항에 있어서, 상기 적외선 영상을 이용한 생체 신호 측정 방법은
상기 생체 신호 판별 기준에 근거하여 생체 신호로 판별된 상기 독립 성분을 주파수 영역의 신호로 변환하는 단계;
상기 변환된 주파수 영역의 신호에 대해 소정 주파수 영역 범위 내에서 가장 강한 강도를 가지는 주파수를 선택하는 단계; 및
상기 선택된 주파수를 상기 독립 성분의 생체 신호 주기로 판단하는 단계를 더 포함하는 것을 특징으로 하는 적외선 영상을 이용한 생체 신호 측정 방법. - 제 1 항에 있어서, 상기 생체 신호 판별 기준은
상기 데이터베이스에 저장된 적외선 영상에서 추출된 신호의 특징과 상기 데이터베이스에 저장된 바이오 피드백 신호의 특징의 유사도 계산에 근거하여 결정되는 것을 특징으로 하는 적외선 영상을 이용한 생체 신호 측정 방법. - 제 3 항에 있어서, 상기 저장된 적외선 영상에서 추출된 신호의 특징 및 상기 데이터베이스에 저장된 바이오 피드백 신호의 특징은
페이즈(Phase), 첨도, 왜도, 분산, 엔트로피, 및 극점의 간격 중 적어도 하나를 포함하는 것을 적외선 영상을 이용한 생체 신호 측정 방법. - 제 1 항에 있어서, 상기 각 블록으로부터 신호를 추출하는 단계는
상기 입력된 적외선 영상의 픽셀값에 근거하여 유효 영역을 선택하는 단계;
상기 선택된 유효 영역을 기반으로 모든 프레임에 대해 패턴매치 기법을 이용하여 동일한 영역을 검색하는 단계;
상기 검색된 동일 영역을 소정 개수의 블록으로 분할하는 단계;
상기 분할된 블록으로부터 시계열 신호를 추출하는 단계; 및
독립 성분 분석법을 이용하여 상기 시계열 신호를 독립된 신호 성분으로 추출하는 단계를 포함하는 것을 특징으로 하는 적외선 영상을 이용한 생체 신호 측정 방법. - 적외선 영상을 입력받는 영상 입력부;
상기 입력된 적외선 영상의 유효 영역을 소정 개수의 블록으로 분할하고, 상기 분할된 각 블록으로부터 신호를 추출하는 신호 추출부;
신호의 통계적 특성에 기반한 생체 신호 판별 기준이 저장된 데이터베이스;
상기 추출된 신호를 데이터베이스에 저장된 상기 생체 신호 판별 기준에 근거하여 생체 신호와 노이즈로 분류하는 신호 분류부; 및
상기 영상 입력부, 상기 신호 추출부, 상기 데이터베이스, 및 상기 신호 분류부를 제어하는 제어부를 포함하는 것을 특징으로 하는 적외선 영상을 이용한 생체 신호 측정 장치. - 제 6 항에 있어서,
상기 생체 신호 측정 장치는 생체 신호 추정부를 더 포함하되,
상기 생체 신호 추정부 상기 생체 신호 판별 기준에 근거하여 생체 신호로 판별된 상기 독립 성분을 주파수 영역의 신호로 변환하고, 상기 변환된 주파수 영역의 신호에 대해 소정 주파수 영역 범위 내에서 가장 강한 강도를 가지는 주파수를 선택하고, 상기 선택된 주파수를 상기 독립 성분의 생체 신호 주기로 판단하는 것을 특징으로 하는 적외선 영상을 이용한 생체 신호 측정 장치. - 제 6 항에 있어서, 상기 생체 신호 판별 기준은
상기 데이터베이스에 저장된 적외선 영상에서 추출된 신호의 특징과 상기 데이터베이스에 저장된 바이오 피드백 신호의 특징의 유사도 계산에 근거하여 결정되는 것을 특징으로 하는 적외선 영상을 이용한 생체 신호 측정 장치. - 제 8 항에 있어서, 상기 저장된 적외선 영상에서 추출된 신호의 특징 및 상기 데이터베이스에 저장된 바이오 피드백 신호의 특징은
페이즈(Phase), 첨도, 왜도, 분산, 엔트로피, 및 극점의 간격 중 적어도 하나를 포함하는 것을 적외선 영상을 이용한 생체 신호 측정 장치. - 제 6 항에 있어서, 상기 신호 추출부는
상기 입력된 적외선 영상의 픽셀값에 근거하여 유효 영역을 선택하고, 상기 선택된 유효 영역을 기반으로 모든 프레임에 대해 패턴매치 기법을 이용하여 동일한 영역을 검색하고, 상기 검색된 동일 영역을 소정 개수의 블록으로 분할하고, 상기 분할된 블록으로부터 시계열 신호를 추출하고, 독립 성분 분석법을 이용하여 상기 시계열 신호를 독립된 신호 성분으로 추출하는 것을 특징으로 하는 적외선 영상을 이용한 생체 신호 측정 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120065887A KR101413853B1 (ko) | 2012-06-20 | 2012-06-20 | 적외선 영상을 이용한 생체 신호 측정 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120065887A KR101413853B1 (ko) | 2012-06-20 | 2012-06-20 | 적외선 영상을 이용한 생체 신호 측정 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130142570A true KR20130142570A (ko) | 2013-12-30 |
| KR101413853B1 KR101413853B1 (ko) | 2014-07-01 |
Family
ID=49986142
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020120065887A KR101413853B1 (ko) | 2012-06-20 | 2012-06-20 | 적외선 영상을 이용한 생체 신호 측정 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101413853B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160100140A (ko) * | 2015-02-13 | 2016-08-23 | 삼성전자주식회사 | 생체 신호를 측정하는 방법 및 장치 |
| KR20200047128A (ko) * | 2018-10-26 | 2020-05-07 | 국방과학연구소 | 부상자 분류 방법 및 그 방법을 수행하는 구조 로봇 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102619981B1 (ko) | 2016-02-02 | 2024-01-02 | 삼성전자주식회사 | 근전도 신호를 이용한 동작 분류 방법 및 장치 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2671561A1 (en) * | 2006-11-03 | 2008-05-08 | Snowflake Technologies Corporation | Method and apparatus for extraction and matching of biometric detail |
| JP4613261B2 (ja) | 2008-12-26 | 2011-01-12 | コニカミノルタセンシング株式会社 | 生体情報信号処理装置、生体情報信号処理方法および生体情報測定装置 |
-
2012
- 2012-06-20 KR KR1020120065887A patent/KR101413853B1/ko active IP Right Grant
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160100140A (ko) * | 2015-02-13 | 2016-08-23 | 삼성전자주식회사 | 생체 신호를 측정하는 방법 및 장치 |
| KR20200047128A (ko) * | 2018-10-26 | 2020-05-07 | 국방과학연구소 | 부상자 분류 방법 및 그 방법을 수행하는 구조 로봇 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101413853B1 (ko) | 2014-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rubin et al. | Recognizing abnormal heart sounds using deep learning | |
| Sun et al. | A hierarchical neural network for sleep stage classification based on comprehensive feature learning and multi-flow sequence learning | |
| JP6521845B2 (ja) | 心拍に連動する周期的変動の計測装置及び計測方法 | |
| KR20160078208A (ko) | 생체 인증 장치 및 방법 | |
| CN111259895B (zh) | 一种基于面部血流分布的情感分类方法及系统 | |
| Al-Assaf | Surface myoelectric signal analysis: dynamic approaches for change detection and classification | |
| US20220240789A1 (en) | Estimation apparatus, method and program | |
| Gupta et al. | Exploring the feasibility of face video based instantaneous heart-rate for micro-expression spotting | |
| Qian et al. | Decision-level fusion of EEG and pupil features for single-trial visual detection analysis | |
| KR101413853B1 (ko) | 적외선 영상을 이용한 생체 신호 측정 방법 및 장치 | |
| CN116348042A (zh) | 用於量化注意力的方法及系統 | |
| KR20030066512A (ko) | 노이즈에 강인한 저용량 홍채인식 시스템 | |
| CN112869743B (zh) | 一种考虑认知分心的运动起始意图神经解析方法 | |
| JP6817782B2 (ja) | 脈拍検出装置及び脈拍検出方法 | |
| CN110602978A (zh) | 从视频序列中提取生理信息的系统和方法 | |
| He et al. | Remote photoplethysmography heart rate variability detection using signal to noise ratio bandpass filtering | |
| Jindal | MobileSOFT: U: A deep learning framework to monitor heart rate during intensive physical exercise | |
| CN112790750A (zh) | 一种基于视频眼动和心率分析的恐惧紧张情绪识别方法 | |
| Elgharabawy et al. | Decoding of finger movement using kinematic model classification and regression model switching | |
| Yang et al. | Heart rate estimation from facial videos based on convolutional neural network | |
| CN112168167B (zh) | 一种脑磁图单次听觉诱发信号检测方法及电子装置 | |
| Makinana et al. | Quality parameter assessment on iris images | |
| KR102155134B1 (ko) | Emg 신호에 기반한 보행패턴을 이용한 사용자 인식 장치 및 방법 | |
| KR101583774B1 (ko) | 공포 심리 분석 시스템 및 방법 | |
| Boubchir et al. | Effectiveness of combined time-frequency imageand signal-based features for improving the detection and classification of epileptic seizure activities in EEG signals |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20170328 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20180406 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20190411 Year of fee payment: 6 |