KR20160094265A - 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법 - Google Patents

컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법 Download PDF

Info

Publication number
KR20160094265A
KR20160094265A KR1020150185179A KR20150185179A KR20160094265A KR 20160094265 A KR20160094265 A KR 20160094265A KR 1020150185179 A KR1020150185179 A KR 1020150185179A KR 20150185179 A KR20150185179 A KR 20150185179A KR 20160094265 A KR20160094265 A KR 20160094265A
Authority
KR
South Korea
Prior art keywords
feature
hypothesis
data points
distribution
feature data
Prior art date
Application number
KR1020150185179A
Other languages
English (en)
Inventor
아시프 칼락
매튜 씨. 위긴스
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Publication of KR20160094265A publication Critical patent/KR20160094265A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • 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
    • A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
    • 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
    • A61B5/02405—Determining heart rate variability
    • 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
    • A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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
    • A61B5/7203—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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/483—Physical analysis of biological material
    • G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—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
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Cardiology (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Optics & Photonics (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Hematology (AREA)
  • Food Science & Technology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Urology & Nephrology (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Power Engineering (AREA)
  • Vascular Medicine (AREA)
  • Quality & Reliability (AREA)

Abstract

본 발명에 따른 컴퓨팅 장치는, 머신 인스트럭션들(machine instructions)을 저장하는 메모리, 및 상기 메모리에 연결되고, 특징 데이터 포인트들(feature data points)을 수신하도록, 사전에 결정된 범위를 만족하는 상기 특징 데이터 포인트들의 어느 하나의 특징 데이터 포인트로부터 특징을 추출하도록, 상기 특징이 제 1 가설 분포(hypothesis distribution)를 갖는 사전에 결정된 가설 분포들 각각에 대응하는 지를 판별하기 위하여 가설 테스트들을 수행하도록, 및 만일 상기 특징이 상기 제 1 가설 분포에 대응한다면 상기 특징을 실제 특징의 정규화된 추정치로 정규화하도록, 상기 머신 인스트럭션들을 실행하는 프로세서를 포함한다.

Description

컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법{COMPUTING DEVICE AND METHOD FOR ANALYZING BIOPHYSIOLOGICAL RATE FEATURES THEREOF}
본 발명은 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법에 관한 것이다.
데이터 분석은, 일반적으로 목적을 갖는 데이터를 수집하고, 세정하고, 처리하고, 변환하고, 그리고 모델링하는 과정을 포함할 수 있다. 여기서 목적은, 예를 들어, 정확하게 데이터를 설명하거나, 데이터 중에서 유용한 정보 혹은 특징들을 발견하거나, 결론들을 제안하거나, 혹은 의사 결정을 지원하는 것일 수 있다. 데이터 분석은, 일반적으로 데이터를 설명하고, 압축하고, 묘사하고 및 평가하는데 통계적 혹은 논리적인 기술들을 시스템적으로 적용하는 것을 포함한다. 다양한 분석 기술들은 관찰된 데이터에 내재된 관련없는 노이즈 및 불확실성으로부터 관심있는 신호 혹은 현상을 구별시키는데 유용하다.
센서 데이터 융합 기술들은, 복수의 센서들로부터 관측된 데이터로부터, 이용가능한 콘텍스트처럼, 공간-시간 데이터 집적을 채용하고, 중복 및 보안 정보를 이용하는 높은 수준의 정보를 제공한다. 예비 데이터 분석은, 종종 부정확한 데이터를 식별하고, 제거하는 특이점 검출 시도를 위하여 정량적 데이터 방식을 적용한다. 추가적으로, 이러한 통계적 평균, 중앙값, 편차 또는 표준 편차 등의 통계는, 데이터를 해석하는데 도움을 주도록 발생될 수 있다. 덧붙여, 데이터 시각화는, 데이터를 포함한 정보에 관한 통찰력을 제공하는 그래픽 포맷에서 데이터를 검사하는데 이용될 수 있다.
본 발명의 목적은 생리적 레이트 특징들을 보다 정확하게 분석하는 컴퓨팅 장치 및 그것의 방법을 제공하는 데 있다.
본 발명의 실시 예에 따른 장치는, 머신 인스트럭션들(machine instructions)을 저장하는 메모리, 및 상기 메모리에 연결되고, 특징 데이터 포인트들(feature data points)을 수신하도록, 사전에 결정된 범위를 만족하는 상기 특징 데이터 포인트들의 어느 하나의 특징 데이터 포인트로부터 특징을 추출하도록, 상기 특징이 제 1 가설 분포(hypothesis distribution)를 갖는 사전에 결정된 가설 분포들 각각에 대응하는 지를 판별하기 위하여 가설 테스트들을 수행하도록, 및 만일 상기 특징이 상기 제 1 가설 분포에 대응한다면 상기 특징을 실제 특징의 정규화된 추정치로 정규화 하도록, 상기 머신 인스트럭션들을 실행하는 프로세서를 포함한다.
실시 예에 있어서, 상기 프로세서는, 상기 특징 데이터 포인트들의 제 1 서브셋(subset)에 연관된 변화 레이트를 판별하도록, 그리고 상기 변화 레이트가 사전에 결정된 레이트 제한값 밖에 있다고 판별된 것에 응답하여 상기 특징 데이터 포인트들에서 적어도 하나를 제거하도록, 상기 머신 인스트럭션들을 더 실행할 수 있다.
실시 예에 있어서, 상기 사전에 결정된 레이트 제한값은, 시간적으로 상기 제 1 서브셋보다 앞서는 상기 특징 데이터 포인트들의 제 2 서브셋에 근거로 한 신뢰 구간(confidence interval)을 포함할 수 있다.
실시 예에 있어서, 상기 프로세서는, 특징 데이터 포인트들의 필터링된 서브셋을 만들기 위하여 상기 특징 데이터 포인트들의 제 1 서브셋을 변조하도록 상기 머신 인스트럭션들을 더 실행할 수 있다.
실시 예에 있어서, 상기 프로세서는, 특징 데이터 포인트들의 상기 필터링된 서브셋을 만들기 위하여 칼만 필터(Kalman filter)를 구현하도록 상기 머신 인스트럭션들을 더 실행할 수 있다.
실시 예에 있어서, 상기 제 1 가설 분포는 최근에 정규화된 추정치들의 통계적인 평균을 나타낼 수 있다.
실시 예에 있어서, 상기 프로세서는, 제 2 가설 분포에 대응하는 상기 특징에 근거로 하여 상기 특징을 변조하도록, 그리고 상기 변조된 특징을 상기 제 2 가설 분포에 대응하는 상기 특징에 근거로 하여 실제 특징의 정규화된 추정치로써 자격을 부여하도록 상기 머신 인스트럭션들을 실행하고, 상기 가설 분포들은 상기 제 2 가설 분포를 포함할 수 있다.
실시 예에 있어서, 상기 제 2 가설은 최근에 정규화된 복수의 추정치들의 통계적인 평균의 절반을 나타낼 수 있다.
실시 예에 있어서, 상기 프로세서는, 상기 특징이 제 3 가설 분포에 대응할 때, 상기 특징을 거절하도록 상기 머신 인스트럭션들을 실행하고, 상기 가설 분포들은 상기 제 3 가설 분포를 더 포함하고, 상기 제 3 가설 분포는 상기 실제 특징에 연관되지 않는 아티팩트(artifact)를 나타낼 수 있다.
본 발명의 실시 예에 따른 장치의 방법은, 특징 데이터 포인트들을 수신하는 단계, 사전에 결정된 범위를 만족하는 상기 특징 데이터 포인트들의 특징 데이터 포인트로부터 특징을 추출하는 단계, 상기 특징이 제 1 가설 분포를 갖는 사전에 결정된 가설 분포들 각각에 대응하는 지 혹은 대응하지 않는 지를 판별하도록, 가설 테스트들을 수행하는 단계, 및 상기 특징이 상기 제 1 가설 분포에 대응할 때, 상기 특징을 실제 특징의 정규화된 추정치로써 정규화시키는 단계를 포함한다.
본 발명의 실시 예에 따른 컴퓨터 프로그램 제품은, 프로세서에 의해 실행될 인스트럭션들로 인코딩된 비일시적인 컴퓨터 판독 저장 매체를 포함하고, 상기 인스트럭션들은, 특징 데이터 포인트들을 수신하는 단계, 사전에 결정된 범위를 만족하는 상기 특징 데이터 포인트들의 특징 데이터 포인트로부터 특징을 추출하는 단계, 상기 특징이 제 1 가설 분포를 갖는 사전에 결정된 가설 분포들 각각에 대응하는 지 혹은 대응하지 않는 지를 판별하도록, 가설 테스트들을 수행하는 단계, 및 상기 특징이 상기 제 1 가설 분포에 대응할 때 실제 특징의 정규화된 추정치로써 상기 특징을 정규화시키는 단계를 실행하도록 구현된다.
본 발명의 실시 예에 따른 컴퓨팅 장치 및 그것의 방법은, 복수의 가설들 모델들을 이용하여 생리적 레이트 특징들을 보다 정확하게 분석할 수 있다.
도 1은 본 발명의 실시 예에 따른 생리적 주기 데이터 분석기를 보여주는 블록도이다.
도 2는 본 발명의 실시 예에 따른 생리적 주기 데이터를 분석하는데 이용되는 멀티플-모델 적응형 추정 방법을 예시적으로 보여주는 흐름도이다.
도 3은 본 발명의 실시 예에 따른 특징 데이터에 관한 통계적 간섭을 수행하는 것에 사용하기 위한 통계적 가설을 예시적으로 지시하는 그래프를 보여주는 도면이다.
도 4a는 본 발명의 실시 예에 따른 생리적 주기 데이터를 분석하는 예시적인 방법을 보여주는 흐름도이다.
도 4b는 본 발명의 다른 실시 예에 따른 생리적 주기 데이터를 분석하는 예시적인 방법을 보여주는 흐름도이다.
도 4c는 본 발명의 또 다른 실시 예에 따른 생리적 주기 데이터를 분석하는 예시적인 방법을 보여주는 흐름도이다.
도 5는 본 발명의 실시 예에 따른 생리적 주기 데이터 분석기를 채용하는 컴퓨팅 시스템을 예시적으로 보여주는 도면이다.
아래에서는 도면들을 이용하여 본 발명의 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있을 정도로 본 발명의 내용을 명확하고 상세하게 기재할 것이다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 혹은 대체물을 포함한다.
일반적으로, 통계 가설(hypothesis) 테스트, 혹은 확증 데이터(confirmatory data) 분석)은, 결과가 신뢰 구간(confidence interval) 혹은 임계 확률(threshold probability)에 근거로 하여 중요한지를 판별하기 위하여 통계적 추론(statistical inference)을 사용한다. 모델 선택 기술들은, 다수의 가설 중 가장 적절한 모델을 결정하기 위해 사용될 수 있다. 결정 이론(decision theory) 및 치-스퀘어(chi-square) 테스트를 갖는 최적화 기술은, 복수의 모델들 중 최선을 선택하는데 이용될 수있다. 통계적 추론 방법은, 제한되는 것은 아니지만, 아카이케(Akaike) 정보 기준(AIC), 베이지안(Bayersian) 정보 기준(BIC), 집중 정보 기준 (focused information criterion, FIC), 편차(deviance) 정보 기준 (DIC), 및 한난 -퀸(Hannan-Quinn) 정보 기준(HQC)를 포함할 수 있다.
photoplethysmogram(PPG)는 광학적 얻어진 plethysmogram 혹은 유기체의 체적 측정이다. 맥박 산소 측정기, PPG 센서의 종류는, 광의 적어도 하나의 컬러를 가진 피부를 밝히고, 그리고, 각 파장에서의 광 흡수에 변화를 측정한다. PPG 센서는, LED(light emitting diode) 같은 광 방출기를 이용하여 피부를 조명하고, 그리고 예를 들어, 손가락 혹은 귓불 같은 상대적으로 얇은 신체를 통하여 전송되는 빛의 양을 측정하거나 혹은 포토다이오드와 같이 포토검출기를 이용하여 피부로부터 반사된 빛의 양을 측정한다. PPG 센서들은, 호흡과 심박수, 혈중 산소 포화도, 저 혈량 및 다른 순환 상태를 모니터링 하는데 사용되어 왔다.
종래 PPGs는, 일반적으로, 예를 들어, 부피 변화가 심장의 연속적인 심장 사이클의 압력 펄스에 대응하여 검출하는데 사용되는, 피부 진피 및 피하 조직의 혈액의 관류를 모니터한다. 만일, PPG가 피부에 압축되지 않고 부착되었다면, 부 압력 피크(secondary pressure peak)는 정맥총으로부터 알 수 있다. 마이크로컨트롤러는, 분당 심장 박동(beats per minute, bpm)을 카운트하기 위하여 파형 신호의 피크를 처리 및 계산한다.
하지만, 예를 들어, 모션 아티팩트들(motion artifacts) 및 전기 신호 오염을 가지는 목표 특징들(desired features)에 무관한 소스들로부터의 신호 노이즈는, PPG 센서 측정의 정확성에 영향을 미치는 제한 인자로 증명되어 있다. 목표 특징들에 무관한 소스들로부터 신호 노이즈가 임상 환경(clinical environment)에서 제거되는 동안에, 이 신호 노이즈는, 운동과 같은 자유로운 생활 환경에서 PPG 센서의 판독에 바람직하지 않은 영향을 야기할 수 있다. 결과적으로, 자유로운 생활 환경에서 PPG 센서 판독을 사용할 때, 기존의 데이터 분석 방법론은 결점을 가질 수 있다.
도 1은 본 발명의 실시 예에 따른 생리적 주기 데이터 분석기를 보여주는 블록도이다. 도 1을 참조하면, 생리적 주기 데이터 분석기(10)는 특징(feature) 수신기(12), 레이트 계산기(14), 아웃라이어(outlier) 제거기(16), 최근 레이트 계산기(18), 레이트 필터(20), 레이트 변화 계산기(22), 바이오시멘틱 바이너리 퀄리파이어(biosemantic binary qualifier, 24), 특징 모디파이어(feature modifier, 26), 필터 발생기(28)를 포함할 수 있다.
특징 수신기(12)는, 제한되지 않지만, 심박수(heart rate, HR), 호흡 속도, 혈액 솔루션 농도(fluid solution concentration), 및 신체 움직임을 갖는 대상을 모니터링 하는 다양한 센서들로부터 동시에 복수의 데이터 포인트들을 입력 받도록 구현될 수 있다. 여기서 대상은, 제한되지 않지만, 사람, 동물, 및 생명체 포함할 수 있다. 데이터 포인트들은 동일한 기본 센서들 혹은 서로 다른 센서들의 서로 다른 특징들로부터 도출된 복수의 소스들로부터 데이터 융합을 포함할 수 있다.
예를 들어, 데이터 포인트들은 펄스 산소측정기와 같은 PPG(photoplethysmogram)을 이용하여 시간에 걸쳐 관찰된 대상의 심장 박동 및 호흡 속도에 관련된 특징 데이터를 포함할 수 있다. 실시 예에 있어서, PPG 센서 및 생리적 주기 데이터 분석기는 웨어러블 장치에 내장될 수 있다. 여기서 웨어러블 장치는, 대상의 머리, 발, 손가락, 및 손목에 체결될 수 있다.
특징 수신기(12)는 모니터링된 특징 데이터 포인트들을 정렬하고, 순서에 맞게, 예를 들어, 특징별(feature-by-feature) 데이터 포인트들을 배치할 수 있다. 특징 수신기(12)는 동기 시간 출력과 함께 각각의 정렬된 데이터 포인트를 출력할 수 있다.
레이트 계산기(14)는, 연속적인 최근 데이터 포인트들을 근거로 하여 현재의 특징을 계산하기 위하여 가장 최근의 데이터 포인트 및 대응하는 시간 출력을 이용할 수 있다.
아웃라이어 제거기(16)는, 현재의 특징 레이트가, 예를 들어 최대 및 최소 레이트 제한들과 같은 특징들에 대하여 사전에 결정된 생물학적 제한들의 집합 내에 근거로 한 수용 가능한 범위 내에 있는 지 여부를 판별할 수 있다. 수용 가능한 범위 밖의 현재의 특징 레이트는 추가 계산들에 이용되지 않는다.
최근 레이트 계산기(18)는 업데이트된 최근 특징 레이트를 계산하도록 시간의 타겟 윈도우 동안에 수용 가능한 범위 내에 연속적인 현재의 특징 레이트들을 이용할 수 있다.
아웃라이어 제거기(16)는 생리적인 제한들에 근거로 하여 가설에 제약들을 부과할 수 있다. 예를 들어, 최소 제한(minHR) 및 최대 제한(maxHR)은 인간 심장 박동의 현실적으로 예상된 범위를 근거로 할 수 있다. 유사하게, 최근에 관측된 심박수 값(uRecent) 중심으로 상대적으로 최소 및 최대 제한들(+/-deltaHR)은 샘플링 시간에 따른 심박의 변화 레이트에 대하여 생리적 한계들에 근거로 할 수 있다.
레이트 필터(20)는 아래에서 상세하게 설명될 바이오시맨틱 바이너리 퀄리파이어(24)로부터 정규화된(qualified) 특징 데이터(feature data)에 대한 통계적인 계산들을 수행할 수 있다.
도 2는 본 발명의 실시 예에 따른 생리적 주기 데이터를 분석하는데 이용되는 멀티플-모델 적응형 추정(multiple-model adaptive estimation, MMAE) 방법을 예시적으로 보여주는 흐름도이다. MMAE(30)는 정규화된 특징 데이터를 분석하기 위하여 레이트 필터(20)에 의해 구현될 수 있다. 실시 예에 있어서, 레이트 필터(20)는 각각 서로 다른 모델에 근거로 한, 복수의 칼만(Kalman) 필터들을 포함할 수 있다.
예를 들어, 제 1 칼만 필터(32)는 제 1 모델에 근거로 하고, 제 2 칼만 필터(34)는 제 2 모델에 근거로 하고, 제 3 칼만 필터(36)는 제 3 모델에 근거로 하고, 및 제 4 칼만 필터(38)는 제 4 모델에 근거로 할 수 있다. 선택적으로, 통계적인 계산들은 입력 스트림들로부터 데이터에 부가된 가중치들을 구현할 수 있다. 예를 들어, 이러한 가중치들은 다른 스트림의 정보에 대하여 한 스트림으로부터 출력되는 정보를 위한 선호도를 지시한다. 레이트 변화 계산기(22)는 필터링 되고 정규화된 레이트들에 관하여 변화의 현재 레이트들을 연속적으로 계산할 수 있다.
가설 레벨에서의 데이터 융합은, Hanlon 및 P.S. Maybaek에 의해 칼만 필터의 콘텍스트("Multiple-Model Adaptive Estimation Using a Residual Correlation Kalman Filter Bank" IEEE Transactions on Aerospace and Electronics Systems, Vol. AES-36, No.2, April 2000, pp. 393-406) 에서 설명된 일반적인 MMAE 프레임워크(framework)에서 이용된 것과 동등한 접근에 따른다. 칼만 필터 추정은 시스템이 상태의 추정 및 불확실성을 포함할 수 있다. 실시 예에 있어서, 시스템 행동의 선택적인 가설에 연관된 분산점(unscented) 칼만 필터는, Simon J. Julier 및 Jeffrey K. Uhlmann에 의해 설명된("A new extension of the Kalman filter to nonlinear systems", lnt. Symp. Aerospace/Defense Sensing, Simul. and Controls, Vol. 3, pp. 182, 1997) 입력의 결정적 샘플링으로부터 분포를 명시적으로 일치시키는데 사용될 수 있다.
바이오시맨틱 바이너리 퀄리파이어(24)는, 학습된 확률 모델들과 호환성을 기반으로, 각 입력 특징에 대한 바이너리 선택 기준에 근거로 하여, 정규화된 데이터를 판별하거나 혹은 데이터를 정규화할 수 있다. 심지어 특징 데이터에서 큰 편파의 분획 혹은 불확실성이 존재하더라도, 바이너리 선택 접근은 입력 데이터를 제어할 수 있다. 예를 들어, 바이오시맨틱 바이너리 퀄리파이어(24)는 최대 우도 결정 엔진(maximum likelihood decision engine)을 포함할 수 있다. 바이오시맨틱 바이너리 퀄리파이어(24)는 출력으로 정규화된 데이터를 발생할 수 있다.
실시 예에 있어서, 바이오시맨틱 바이너리 퀄리파이어(24)는 가설 테스팅 방법(40)을 수행하기 위하여 변화의 필터링된 혹은 언필터링된 레이트들과 함께 최근 레이트를 이용할 수 있다. 복수의 가설 모델들은 관측된 데이터 포인들 각각을 위해 고려될 수 있고, 데이터 포인트를 수용하는 결정은 각 가설을 위한 결정 규칙에 근거로 하여 만들어질 수 있다. 모델 가설들(model hypotheses)은 변화 레이트들과 생리적인 제약들에 근거한 입력들의 값들에 대한 하드 제한들(hard limits) 모두에 대한 생리적 제한들을 통합할 수 있다. 각 가설은 가설의 특성에 의존하는 서로 다른 입력 특징을 변환시킬 수 있다.
도 3은 본 발명의 실시 예에 따른 특징 데이터에 관한 통계적 간섭을 수행하는 것에 사용하기 위한 통계적 가설을 예시적으로 지시하는 그래프를 보여주는 도면이다. 도 3을 참조하면, 그래프(50)는 다양한 실시 예에 따른 테스트 가설을 도시하고 있다. 윈도우된 레이트들의 평균 및 표준 편차와 같은 특정 시간 윈도우에 대한 윈도우 통계를 근거로 하여, 복수의 가설 확률 모델들은 훈련되거나 개발될 수 있다. 실시 예에 있어서, 테스트 가설들은 이산 확률 분포들(discrete expected probability models)로 구성될 수 있다. 예를 들어, 이산 확률 분포들은, 최근 분포(52), 트라이얼(trial) 분포(540, 및 아티팩트(artifact) 분포(56)를 포함할 수 있다.
도 3을 다시 참조하면, 결정 질문은 "새로운 비트(beat, 58)가 합법적인 심박수(hear rate, HR)로 수용해야 하는가?"이다. 심박수(HR)에 대해 두 가지 예시적인 가설들이 개발되어 왔다.
제 1 가설에 대응하는 최근 분포(52)는 측정된 입력 특징이 최근 관측된 심박수로 구성되었다고 추정할 수 있다. 제 2 가설에 대응하는 트라이얼 분포(54)는 측정된 입력 특징이 손상되고, 최근에 관측된 심박수의 절반으로 구성된다고 추정할 수 있다. 제 2 가설은 신호 손상의 특수한 종류에 연관될 수 있다. 여기서 신호 손상은, 실제 심박수의 정확도를 크게 떨어뜨리는 심박수의 절반에 대한 정확한 추정치를 제공 할 수 있다. 제 3 가설에 대응하는 추가적인 가설들은, 예를 들어, 입력 데이터 스트림의 특성들에 근거로 한 것들이 포함될 수 있다.
바이오시맨틱 바이너리 퀄리파이어(24)는 확률 테스트의 근거로 한 가설들 각각을 테스트할 수 있다. 예를 들어, 제 1 가설의 경우에서, 최근 분포(52) 및 후보 포인트(58)가 이용가능 할 수 있다. 따라서, 이러한 분포로부터 유도된 포인트의 사후 우도(posteriori likelihood)의 계산은, 연관된 현재의 가설의 사후 우도에 사용될 수 있다.
각 가설은 널(null) 가설에 대한 자기 자신의 테스트에 근거로 하여 독립적으로 간주될 수 있다. 예를 들어, 가설은 LLR(log-likelihood ratio) 테스트에서 문턱값을 초과하였는지, 혹은 가설에 관련된 분포에 대한 친화력이 임계값을 초과하였는지에 근거로 할 수 있다.
이후에, 널 가설을 극복하는 모든 가설들은 가설들 중에서 선험적 랭킹에 근거로 하여 랭크되고, 최고로 랭크된 것이 선택될 수 있다. 이는 다양한 가설 종류들이 고려될 수 있다는 장점을 갖는다. 다양한 가설 종류들 중 몇몇은 우도가 계산될 수 있는 명시적인 확률 모델을 갖고, 나머지는 명시적인 확률 모델을 가지지 않는 논리적 트리거를 사용할 수 있다.
따라서, 이러한 통계들은 서로 다른 데이터 소스들 사이에서 결합될 수 있고, 가설들 각각에 인가될 수 있다. 대안으로, 별도의 통계는 각각의 데이터 종류에 연관되어 계산될 수 있고, 이러한 것들은 선택적으로 서로 다른 가설들에 부착될 수 있다.
모든 가설들이 명시적인 확률을 갖는 다른 실시 예에 있어서, 가설 선택은 계산된 가설 각각의 상대적인 우도를 계산함으로써, 그리고 정정되어 가장 가능성이 높은 가설을 선택함으로써 수행될 수 있다. 이는 후보 포인트를 수용하거나 거절하도록 아래에서 설명된 특정 로직을 트리거할 수 있다.
예를 들어, 특징 데이터 포인트는, 최근 분포(52)에 연관된 가설에 대해 상대적으로 높은 상관 관계에 근거로 하여, 측정된 것으로 수용될 수 있다. 반면에, 특징 모디파이어(26)는, 트라이얼 분포(54)에 연관된 가설에 대해 상대적으로 높은 상관 관계에 근거로 하여 수용되기 전에, 특징 데이터를 변조할 수 있다. 한편, 특징 데이터 포인트는, 아티팩트 분포(50)에 연관된 가설에 대한 상대적으로 높은 상관 관계에 근거로 하여, 출력 스트림으로부터 떨어질 수 있다.
필터 발생기(28)는 레이트 필터(20)를 업데이트 할 수 있고, 그리고 모델 가설을 개선하도록 바이오시맨틱 바이너리 퀄리파이어(24)에 피드백을 제공할 수 있다. 모델 가설들은, 수집된 정보의 시간 민감도에 연관된 불확실성의 증가를 계산하는 확률 계산 과정들이다. 만일, 최근 특징 데이터가 설명되지 않을 경우, 불확실성이 증가 될 수 있다.
실시 예에 있어서, 통계 계산은 Langevin 보정(correction)을 구현할 수 있다. 이는, 시간 간격 주기를 갖는 모델 분산을 성장시킴으로써 데이터의 시간 값을 고려하여 확률 모델을 변조할 수 있다. 실시 예에 있어서, 브라운 운동(Brownan motion)의 물리적 모델들에 근거로 한 Langevin 모델은, 시간에 선형적으로 모델 분산을 성장할 수 있다.
도 4a 내지 도 4c는 본 발명의 실시 예에 따른 생리적 주기 데이터를 분석하는 예시적인 방법들을 보여주는 흐름도들이다. 본 발명에 설명된 방법을 이용하여 분석될 수 있는 생리적 주기 데이터의 실시 예들은, 심박수(HR), 호흡 속도, 혈액 솔루션 농도, 및 신체 움직임을 포함할 수 있다. 본 발명의 방법은 시간에 대하여 생리 특징에 관한 특징 데이터의 하나의 이상의 스트림들을 처리할 수 있고, 정규화된 데이터의 싱글 스트림을 출력할 수 있다.
도 4a을 참조하면, 60 단계에서, 입력 데이터 트랙들(62, 64, 65)은 특징별로 순서대로 공급될 수 있다. 실시 예에 있어서, 특징들은, 인터비트(interbeat)수, 호흡 속도, 공정 속도, 및 생체 센서로부터 출력된 주기적 신호 등을 포함할 수 있다. 특징 데이터 스트림은, 68 단계의 감지된 이벤트와 70 단계의 대응하는 시간으로 분리될 수 있다. 70 단계에서 출력 시간은 도 4b에서 계속되는 공정에 나타난다. 72 단계에서 출력 레이트 및/혹 출력 트라이얼 레이트는 도 4b 및 도 4c를 계속하는 공정들에 나타난다. 72 단계에서, 감지된 이벤트에 연관된 현재 레이트(thisRate)과 통계 가설에 연관된 트라이얼 레이트(trialRate)는 각각 68 단계의 이벤트에 근거로 하여 계산될 수 있다.
74 단계에서, 특징들에 관한 고정되거나 절대적인 생리적 제한들의 집합이 입력된다. 76 단계에서, 생리적 제한들에 의해 정의된 범위 내에 72 단계의 레이트 및/혹은 트라이얼 레이트가 발견되는 지에 관한 판별 동작이 수행된다. 만일, 76 단계에서, 72 단계의 레이트 및/혹 트라이얼 레이트가 수용 가능한 범위 내에 발견된다면, 80 단계에서, 도 4b의 공정이 계속된다. 반면에, 78 단계에서, 72 단계의 수용 가능 범위 밖의 레이트 및/혹 트라이얼 레이트는 포기한다. 80 단계에서 도 4b의 공정으로 생리적 제한들이 제공된다.
도 4b를 참조하면, 76 단계에서, 72 단계의 레이트 및/혹 트라이얼 레이트가 수용 가능한 범위 내에 존재한다면, 80 단계에서, 시간의 트레일링 윈도우에 관하여 통계를 근거로 한 최근 레이트가, 도 4a에서 72 단계의 레이트 및 70 단계의 시간에 근거로 하여 업데이트 된다. 도 4a의 76 단계에서 수용 가능한 범위 밖의 데이터 포인트들은 입력으로부터 최근 레이트로 조정된다. 82 단계에서, 72 단계의 레이트의 변화의 현재 레이트가 계산되고, 84 단계에서, 델타 레이트(deltaRate)가 결과로 출력된다. 86 단계에서, 시간의 고정된 윈도우에서 계산된 최근 레이트는 버퍼에 저장된다.
76 단계에서 제공된 절대 제한들에 더하여, 본 발명의 방법은 또한 수용 가능한 변화 레이트를 초과한 조건들을 검출할 수 있다. 동적 제한은 신뢰 구간과 같은 최근 시간 윈도우의 통계에 의해 계산된다. 예를 들어, 90% 신뢰 구간, 92% 신뢰 구간, 혹은 95 % 신뢰 구간은 이전 윈도우에 관하여 확률 모델에 근거로 하여 적절하게 제공된다.
도 4c로부터 통계적인 피드백 데이터는 최근 레이트 필터(recentRateFilter)을 변조하는데 이용될 수 있다. 통계적인 피드백 데이터는 도 4b에서 설명된 바와 같이 시간 윈도우에서 계산되고, 버퍼(88)에 저장된다. 예를 들어, 최근 필터는 복수의 칼만 필터들을 포함할 수 있다. 88 단계에서, 도 4a에서 상단으로 진입하는 서로 다른 스트림들 중에서 데이터 융합은, 최근 윈도우에서 통계 계산으로 관리된다. 90 단계에서, 도 4b을 참조하면, 88 단계의 최근 레이트 필터의 현재 레이트 변화들 및 트라이얼 레이트(82)가 계산된다. 92 단계에서 그 결과로 델타 레이트(deltaRateFilt)가 출력된다.
94 단계에서, 74 단계의 생리적 제한들, 86 단계의 최근 레이트, 84 단계의 델타 레이트, 92 단계의 필터 데이터 레이트 및 트라이얼 델타 필터 레이트, 및 도 4c로부터 출력된 통계적 피드백 데이터를 근거로 한 이벤트 타입을 결정하기 위하여, 통계적 가설 테스트 및 데이터 융합은 최대 우도 결정 엔진 (biosemBinaryQualifier, BBQ)에 의해 수행될 수 있다. 96 단계에서, 결과로써 이벤트 타입이 도 4c의 공정으로 전달될 수 있다.
96 단계의 이벤트 타입에 근거로 하여, 도 4c를 참조하면, 100 단계에서, 판별 로직은 가설 카테고리를 판별할 수 있다. 예를 들어, 타입 0, 타입 1, 타입 2이다. 실시 예에 있어서, 판별 규칙(판별 로직)는 "새로운 관측 특징 비트(beat)를 합법적으로 수용하겠는가?"와 같은 질문으로 프레임될 수 있다. 이러한 질문은 통계적으로 답변될 수 있다. 예를 들어, 특징들이 각 가설의 어떠한 신뢰 구간 내에 놓여 있는 지를 통계적으로 대답하거나, 각 가설에 연관된 카이 제곱 통계(chi-squared statistic)을 계산함으로써 선택적으로 대답할 수 있다.
96 단계의 이벤트 타입이 가설 카테고리 0에 속한다고 판별되면, 102 단계에서, 이벤트 타입에 관하여 추후 동작이 수행되지 않는다. 만일, 96 단계의 이벤트 타입이 가설 카테고리 1에 속한다고 판별되면, 104 단계에서 변조 없이 특징이 통과될 것이다. 만일, 96 단계의 이벤트 타입이 가설 카테고리 2에 속한다고 판별되면, 106 단계에서 특징은 적합한 모델에 따라 변조될 수 있다.
108 단계에서, 104 단계 및 106 단계의 특징 출력들은 타임스탬프(timestamp)를 갖는 정규화된 특징을 발생하도록 도 4a의 70 단계의 시간과 결합할 수 있다. 110 단계에서, 이러한 타임스탬프의 결과는 사후정규화된 특징을 포함하여 출력으로 전송될 수 있다. 선택적으로, 대응하는 가중치가 출력에 포함될 수 있다.
추가로, 다른 실시 예에 있어서, 최종 결과는, 응답 비용이 필요하겠지만 정밀도를 향상시키기 위하여 임시적으로 평활하게 될 수 있다. 예를 들어, 특징 스트림은 다양한 데이터 평활 접근들을 이용하여 추정될 수 있다. 예를 들어, 데이터 평활 접근들은 박스카(boxcar) 이동 평균 필터, 지수 이동 평균 필터 등과 같은 것을 포함할 수 있다. 예를 들어, 정규화된 특징 스트림 및 평활화된 특징 스트림은, 특징 데이터 스트림에 의해 표현된 측정 심박수 데이터에 근거로 한 시간에 대한 대상의 실제 심박수의 2 개의 추정치들을 제공할 수 있다.
112 단계에서, 통계 데이터는 대응하는 시간 윈도우에 관련된 정규화된 특징을 근거로 하여 계산될 수 있다. 필터 기준은 도 4b의 88 단계의 최근 레이트 필터를 업데이트 하도록 개선될 것이다. 예를 들어, Langevin 보정은 데이터 스트림들에서 시간 간격들을 위하여 만들어진다. 실시 예에 있어서, 112 단계에서 요구된 필터링 기준 모두가 판별될 수 있다. 114 단계에서, 추론 출력은 버퍼로 전송될 수 있다. 여기서 버퍼는 각 타임스탬프에 대응하는 시간 윈도우에 대한 정규화된 특징 평균 및 표준 편차와 같은 통계들을 포함할 수 있다. 윈도우된 통계들은 정규화된 특징 스트림에 대한 신뢰 계수를 발생하는데 사용될 수 있다.
도 5는 본 발명의 실시 예에 따른 생리적 주기 데이터 분석기를 채용하는 컴퓨팅 장치를 예시적으로 보여주는 도면이다. 도 5를 참조하면, 컴퓨팅 장치(120)는 도 1의 생리적 주기 데이터 분석기(10)에 구현될 수 있다. 컴퓨팅 장치(120)는 프로세서(122), 메모리(124), 입출력 장치(I/O, 126), 스토리지(128) 및 네트워크 인터페이스(130)를 포함할 수 있다. 컴퓨팅 장치(120)의 다양한 구성들은 로컬 데이터 링크(132)에 의해 연결될 수 있다. 예를 들어, 로컬 데이터 링크(132)는 어드레스 버스, 데이터 버스, 직렬 버스, 병렬 버스, 혹은 그것들의 조합으로 결합될 수 있다.
컴퓨팅 장치(120)는 도 1의 생리적 주기 데이터를 분석하는 방법을 구현하기 위하여 사용될 수 있다. 스토리지(128) 혹은 컴퓨팅 장치(120)에 연결된 주변 저장 구성과 같은 컴퓨터 저장 매체에 저장된 프로그래밍 코드, 이와 같은 소스 코드, 오브젝트 코드 혹은 실행 코드는 메모리(124)에 로딩될 수 있고, 도 1의 생리적 주기 데이터 분석하는 방법의 기능들을 수행하도록 순서대로 프로세서(122)에 의해 실행될 수 있다.
본 발명의 실시 예에 따른 플로우챠트 설명들, 혹은 블록 다이어그램들, 그것들의 조합들은 컴퓨터 프로그램 명령들에 의해 구현될 수 있다. 이러한 명령들은 범용 컴퓨터, 특수 목적 컴퓨터, 혹은 기타 프로그램 가능한 데이터 프로세싱 장치의 프로세서에 제공될 수 있다. 프로세서에 의해 실행될 때, 명령들은 다이어그램들의 각 블록 혹은 그것들의 조합에서, 기능들, 활동들 혹은 특수한 이벤트들을 구현하기 위한 수단들을 발생할 수 있다.
이와 관련하여, 플로우챠트의 각 블록 혹은 블록 다이어그램들은 모듈, 세그먼트, 혹은 코드의 일부에 대응할 수 있다. 여기서 코드의 일부는 특수한 논리 기능을 구현하기 위한 하나 이상의 명령어들을 포함할 수 있다. 한편, 임의의 블록과 연관된 기능은 도면들에 언급된 순서를 벗어날 수도 있다. 예를 들어, 두 개의 블록들이 연속적으로 도시되어 있지만, 실제로는 동시에 수행되거나 때로는 반대로 수행될 수도 있다.
당업자는 본 발명의 기술 사상을 장치, 시스템, 방법 혹은 컴퓨터 프로그램 제품으로 구현할 수 있다고 이해되어야 할 것이다. 따라서, 본 발명에 따른, 회로들, 모듈들, 구성들 혹은 시스템들로 언급된 것들은 하드웨어로 구현되거나 소프트웨어(펌웨어, 상주 소프트웨어, 마이크로코드 포함)로 구현되거나, 혹은 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 하드웨어와 소프트웨어의 조합은, 컴퓨터 읽기가능한 프로그램 코드를 갖는 컴퓨터 읽기 가능 매체에 구현된 컴퓨터 프로그램 제품을 포함할 수 있다.
한편, 상술 된 본 발명의 내용은 발명을 실시하기 위한 구체적인 실시 예들에 불과하다. 본 발명은 구체적이고 실제로 이용할 수 있는 수단 자체뿐 아니라, 장차 기술로 활용할 수 있는 추상적이고 개념적인 아이디어인 기술적 사상을 포함할 것이다.
10: 생리적 주기 데이터 분석기
12: 특징 수신기
14: 레이트 계산기
16: 아웃라이어 제거기
18: 최근 레이트 계산기
20: 레이트 필터
22: 레이트 변화 계산기
24: 바이오시멘틱 바이너리 퀄리파이어
26: 특징 모디파이어
28: 필터 발생기
120: 컴퓨팅 장치

Claims (10)

  1. 머신 인스트럭션들(machine instructions)을 저장하는 메모리; 및
    상기 메모리에 연결되고, 특징 데이터 포인트들(feature data points)을 수신하도록, 사전에 결정된 범위를 만족하는 상기 특징 데이터 포인트들의 어느 하나의 특징 데이터 포인트로부터 특징을 추출하도록, 상기 특징이 제 1 가설 분포(hypothesis distribution)를 갖는 사전에 결정된 가설 분포들 각각에 대응하는 지를 판별하기 위하여 가설 테스트들을 수행하도록, 및 만일 상기 특징이 상기 제 1 가설 분포에 대응한다면 상기 특징을 실제 특징의 정규화된 추정치로 정규화 하도록, 상기 머신 인스트럭션들을 실행하는 프로세서를 포함하는 컴퓨팅 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는,
    상기 특징 데이터 포인트들의 제 1 서브셋(subset)에 연관된 변화 레이트를 판별하도록, 그리고 상기 변화 레이트가 사전에 결정된 레이트 제한값 밖에 있다고 판별된 것에 응답하여 상기 특징 데이터 포인트들에서 적어도 하나를 제거하도록, 상기 머신 인스트럭션들을 더 실행하는 컴퓨팅 장치.
  3. 제 2 항에 있어서,
    상기 사전에 결정된 레이트 제한값은, 시간적으로 상기 제 1 서브셋보다 앞서는 상기 특징 데이터 포인트들의 제 2 서브셋에 근거로 한 신뢰 구간(confidence interval)을 포함하는 컴퓨팅 장치.
  4. 제 1 항에 있어서,
    상기 프로세서는,
    특징 데이터 포인트들의 필터링된 서브셋을 만들기 위하여 상기 특징 데이터 포인트들의 제 1 서브셋을 변조하도록 상기 머신 인스트럭션들을 더 실행하는 컴퓨팅 장치.
  5. 제 4 항에 있어서,
    상기 프로세서는,
    특징 데이터 포인트들의 상기 필터링된 서브셋을 만들기 위하여 칼만 필터(Kalman filter)를 구현하도록 상기 머신 인스트럭션들을 더 실행하는 컴퓨팅 장치.
  6. 제 1 항에 있어서,
    상기 제 1 가설 분포는 최근에 정규화된 추정치들의 통계적인 평균을 나타내는 컴퓨팅 장치.
  7. 제 1 항에 있어서,
    상기 프로세서는,
    제 2 가설 분포에 대응하는 상기 특징에 근거로 하여 상기 특징을 변조하도록, 그리고 상기 변조된 특징을 상기 제 2 가설 분포에 대응하는 상기 특징에 근거로 하여 실제 특징의 정규화된 추정치로써 자격을 부여하도록 상기 머신 인스트럭션들을 실행하고,
    상기 가설 분포들은 상기 제 2 가설 분포를 포함하는 컴퓨팅 장치.
  8. 제 7 항에 있어서,
    상기 제 2 가설은 최근에 정규화된 복수의 추정치들의 통계적인 평균의 절반을 나타내는 컴퓨팅 장치.
  9. 제 1 항에 있어서,
    상기 프로세서는,
    상기 특징이 제 3 가설 분포에 대응할 때, 상기 특징을 거절하도록 상기 머신 인스트럭션들을 실행하고,
    상기 가설 분포들은 상기 제 3 가설 분포를 더 포함하고,
    상기 제 3 가설 분포는 상기 실제 특징에 연관되지 않는 아티팩트(artifact)를 나타내는 컴퓨팅 장치.
  10. 컴퓨팅 장치의 방법에 있어서:
    특징 데이터 포인트들을 수신하는 단계;
    사전에 결정된 범위를 만족하는 상기 특징 데이터 포인트들의 특징 데이터 포인트로부터 특징을 추출하는 단계;
    상기 특징이 제 1 가설 분포를 갖는 사전에 결정된 가설 분포들 각각에 대응하는 지 혹은 대응하지 않는 지를 판별하도록, 가설 테스트들을 수행하는 단계; 및
    상기 특징이 상기 제 1 가설 분포에 대응할 때, 상기 특징을 실제 특징의 정규화된 추정치로써 정규화시키는 단계를 포함하는 방법.
KR1020150185179A 2015-01-30 2015-12-23 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법 KR20160094265A (ko)

Applications Claiming Priority (8)

Application Number Priority Date Filing Date Title
US201562110263P 2015-01-30 2015-01-30
US62/110,263 2015-01-30
US201562112032P 2015-02-04 2015-02-04
US62/112,032 2015-02-04
US201562113092P 2015-02-06 2015-02-06
US62/113,092 2015-02-06
US14/924,565 2015-10-27
US14/924,565 US20160223514A1 (en) 2015-01-30 2015-10-27 Method for denoising and data fusion of biophysiological rate features into a single rate estimate

Publications (1)

Publication Number Publication Date
KR20160094265A true KR20160094265A (ko) 2016-08-09

Family

ID=56552652

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020150185179A KR20160094265A (ko) 2015-01-30 2015-12-23 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법
KR1020160010745A KR20160094317A (ko) 2015-01-30 2016-01-28 주기성 추정 장치 및 그것의 심혈관 기능 판별 방법
KR1020160010748A KR102532764B1 (ko) 2015-01-30 2016-01-28 생리적 레이트 추정 장치 및 그것의 방법

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020160010745A KR20160094317A (ko) 2015-01-30 2016-01-28 주기성 추정 장치 및 그것의 심혈관 기능 판별 방법
KR1020160010748A KR102532764B1 (ko) 2015-01-30 2016-01-28 생리적 레이트 추정 장치 및 그것의 방법

Country Status (3)

Country Link
US (3) US20160223514A1 (ko)
KR (3) KR20160094265A (ko)
CN (3) CN105832289B (ko)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI547265B (zh) * 2015-06-01 2016-09-01 原相科技股份有限公司 光學式呼吸率偵測裝置及其偵測方法
US11771375B2 (en) 2014-09-26 2023-10-03 Pixart Imaging Inc. Respiration rate detection device and breath detection device adopting motion denoising
CN109937002B (zh) * 2016-11-14 2021-10-22 纽洛斯公司 用于基于相机的心率跟踪的系统和方法
KR101809149B1 (ko) 2016-11-25 2017-12-14 한국과학기술연구원 순환계질환 발생잠재도를 판단하는 장치 및 그 방법
TW201838584A (zh) 2017-04-18 2018-11-01 原相科技股份有限公司 能夠消除或避免偏移干擾而可準確量測生理特徵的電子裝置及方法
CN113558596A (zh) * 2017-04-27 2021-10-29 原相科技股份有限公司 量测生理特征的方法
US10973423B2 (en) * 2017-05-05 2021-04-13 Samsung Electronics Co., Ltd. Determining health markers using portable devices
CN107157475B (zh) * 2017-05-11 2020-08-25 陈一昕 心电图数据的显示方法和终端设备
US10959626B2 (en) 2017-06-30 2021-03-30 Samsung Electronics Co., Ltd. Self-powered wearable for continuous biometrics monitoring
US11457855B2 (en) * 2018-03-12 2022-10-04 Persyst Development Corporation Method and system for utilizing empirical null hypothesis for a biological time series
EP3897355A1 (en) * 2018-12-18 2021-10-27 Koninklijke Philips N.V. System and method for detecting fluid accumulation
EP3669757A1 (en) * 2018-12-18 2020-06-24 Koninklijke Philips N.V. System and method for detecting fluid accumulation
CN110338776B (zh) * 2019-07-11 2022-04-01 无锡金童科技有限公司 基于cmos集成电路技术的ppg信号采集芯片及装置
CN111189882B (zh) * 2020-01-14 2022-03-08 天津大学 一种基于相空间拓扑因果的两相流瞬时分相持率预测方法
CN113243900B (zh) * 2021-04-18 2023-05-05 南京理工大学 一种视频心率检测的rPPG信号预处理方法及系统
CN113273986B (zh) * 2021-05-19 2021-12-21 于杨 一种心率变异性分析方法、装置、智能终端及存储介质

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5810014A (en) * 1997-03-25 1998-09-22 Davis; Dennis W. Method and system for detection of physiological conditions
US6487523B2 (en) * 1999-04-07 2002-11-26 Battelle Memorial Institute Model for spectral and chromatographic data
US6636852B2 (en) * 2000-02-29 2003-10-21 Oracle International Corporation Income planner for corporate sales agents
CN1336156A (zh) * 2001-08-07 2002-02-20 沈宁 矢量心电图仪
US7054679B2 (en) 2001-10-31 2006-05-30 Robert Hirsh Non-invasive method and device to monitor cardiac parameters
US7200270B2 (en) * 2001-12-13 2007-04-03 Kabushiki Kaisha Toshiba Pattern recognition apparatus and method using distributed model representation of partial images
WO2005017816A1 (en) * 2003-07-24 2005-02-24 University Of Rochester System and method for image sensing and processing
CN100472555C (zh) * 2004-02-04 2009-03-25 皇家飞利浦电子股份有限公司 用于利用数据融合和假设检验来检测icu患者记录中的伪像的方法和系统
US7996075B2 (en) * 2004-10-20 2011-08-09 Cardionet, Inc. Monitoring physiological activity using partial state space reconstruction
US7680748B2 (en) * 2006-02-02 2010-03-16 Honda Motor Co., Ltd. Creating a model tree using group tokens for identifying objects in an image
US7729753B2 (en) * 2006-03-14 2010-06-01 Cardionet, Inc. Automated analysis of a cardiac signal based on dynamical characteristics of the cardiac signal
US8388543B2 (en) * 2007-05-16 2013-03-05 The Research Foundation Of State University Of New York Photoplethysmography apparatus and method employing high resolution estimation of time-frequency spectra
WO2009043028A2 (en) * 2007-09-28 2009-04-02 Tiax Llc Measurement of physiological signals
CN101642399B (zh) * 2008-12-16 2011-04-06 中国科学院声学研究所 一种基于频率调制信息的人工耳蜗语音处理方法及处理器
US20110231356A1 (en) * 2009-07-01 2011-09-22 Quantum Leap Research, Inc. FlexSCAPE: Data Driven Hypothesis Testing and Generation System
US20120185424A1 (en) * 2009-07-01 2012-07-19 Quantum Leap Research, Inc. FlexSCAPE: Data Driven Hypothesis Testing and Generation System
CN101620504B (zh) * 2009-08-12 2011-09-28 北京红旗中文贰仟软件技术有限公司 一种办公套件中矢量化轨迹识别的方法及装置
KR20130057998A (ko) * 2010-04-08 2013-06-03 더 리젠츠 오브 더 유니버시티 오브 캘리포니아 생물학적 리듬 장애의 검출, 진단 및 처치를 위한 방법, 시스템 및 장치
US9213938B2 (en) * 2010-06-22 2015-12-15 University Of Florida Research Foundation, Inc. Systems and methods for estimating pose
JP2012019966A (ja) 2010-07-15 2012-02-02 Nippon Koden Corp ノイズ除去方法及びパルスフォトメータ
KR20120019396A (ko) * 2010-08-24 2012-03-06 삼성전자주식회사 Ｐｈｄ 표준 및 비표준 데이터를 통합 관리하는 단말기 및 서버
US9480432B2 (en) * 2010-10-08 2016-11-01 Koninklijke Philips N.V. Processing of periodic physiological signals
CN101972148B (zh) * 2010-11-19 2011-11-16 哈尔滨工业大学 基于经验模态分解的近红外脑功能检测的扰动消除方法
CN102379694B (zh) * 2011-10-12 2014-07-16 中国科学院苏州纳米技术与纳米仿生研究所 心电图r波检测方法
US20140114609A1 (en) * 2012-10-23 2014-04-24 Hewlett-Packard Development Company, L.P. Adaptive analysis of signals
CN103479349B (zh) * 2013-09-25 2017-02-01 深圳市理邦精密仪器股份有限公司 心电信号数据获取及处理方法和系统
CN103876783A (zh) * 2014-03-10 2014-06-25 续嘉 可用于监测女性生理周期的可穿戴设备及监测方法
CN103892826B (zh) * 2014-04-11 2016-01-13 北京麦迪克斯科技有限公司 基于心电图的心率分析方法及设备
WO2016061466A1 (en) * 2014-10-17 2016-04-21 Brandeis University System and method for differential analysis

Also Published As

Publication number Publication date
CN105832289B (zh) 2020-12-04
US20160220192A1 (en) 2016-08-04
CN105844075A (zh) 2016-08-10
US10478129B2 (en) 2019-11-19
KR20160094318A (ko) 2016-08-09
US20160220191A1 (en) 2016-08-04
US10405803B2 (en) 2019-09-10
KR20160094317A (ko) 2016-08-09
CN105844612A (zh) 2016-08-10
CN105832289A (zh) 2016-08-10
US20160223514A1 (en) 2016-08-04
KR102532764B1 (ko) 2023-05-16

Similar Documents

Publication Publication Date Title
KR20160094265A (ko) 컴퓨팅 장치 및 그것의 생리적 레이트 특징들을 분석하는 방법
EP2992820B1 (en) Measuring blood pressure
CN109381175B (zh) 估计心率的方法和对应系统
Andreotti et al. Non-invasive fetal ECG signal quality assessment for multichannel heart rate estimation
EP3295869B1 (en) Feature extraction apparatus and method for biometric information detection, biometric information detection apparatus, and wearable device
Tazarv et al. A deep learning approach to predict blood pressure from ppg signals
EP3669768B1 (en) A method for generating a model for generating a synthetic ecg and a method and system for analysis of heart activity
EP3626167A1 (en) A method of generating a model for heart rate estimation from a photoplethysmography signal and a method and a device for heart rate estimation
US10368792B2 (en) Method for detecting deception and predicting interviewer accuracy in investigative interviewing using interviewer, interviewee and dyadic physiological and behavioral measurements
GB2488316A (en) Method for determining respiration rate from uncorrupted signal segments
CN106798552A (zh) 具有状态序列优化的心率估计设备
Yang et al. Estimation and validation of arterial blood pressure using photoplethysmogram morphology features in conjunction with pulse arrival time in large open databases
CN111588367A (zh) 心率检测方法、装置及计算机可读存储介质
Roy et al. BePCon: A photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning
Hao et al. Adaptive r-peak detection algorithm based on brown exponential smoothing model
US20230263400A1 (en) System and method for filtering time-varying data for physiological signal prediction
CN111278353A (zh) 一种生命体征信号噪声的检测方法与系统
CN116502124A (zh) 脉搏波信号的质量评估方法及装置、计算机可读存储介质
US20210375473A1 (en) Systems and methods for hypertension monitoring
JP2020048622A (ja) 生体状態推定装置
Madhan Mohan et al. Spot measurement of heart rate based on morphology of PhotoPlethysmoGraphic (PPG) signals
Mansourian et al. Fetal QRS extraction from single-channel abdominal ECG using adaptive improved permutation entropy
Nallathambi et al. Pulse based signal processing for systolic peak recognition
EP4094682A1 (en) Method, apparatus and computer program product for analysing a pulse wave signal
Gupta et al. PPG-based end-to-end framework for cuffless blood pressure estimation using CNN-LSTM