KR20170035675A

KR20170035675A - 분석물질 농도 예측 방법 및 장치

Info

Publication number: KR20170035675A
Application number: KR1020150134872A
Authority: KR
Inventors: 최선명; 박진영
Original assignee: 삼성전자주식회사
Priority date: 2015-09-23
Filing date: 2015-09-23
Publication date: 2017-03-31
Also published as: US20170079565A1; CN107007254A; EP3150122A1; US20210076995A1; US10881333B2; CN107007254B; JP2017060753A; JP6783596B2; KR102443262B1; EP3150122B1

Abstract

분석물질에 대한 복수의 체내 스펙트럼을 획득하는 단계, 분석물질의 농도가 실질적으로 변하지 않는 구간 및 복수의 체내 스펙트럼을 바탕으로 분석물질에 대한 농도 예측 알고리즘의 학습 구간을 결정하는 단계, 그리고 학습 구간에 대한 학습 결과 및 분석물질의 고유 스펙트럼을 바탕으로 농도 예측 알고리즘을 이용하여 분석물질의 농도를 예측하는 단계를 통해 인체에 포함된 분석물질의 농도를 예측하는 방법 및 장치가 제공된다.

Description

분석물질 농도 예측 방법 및 장치{Method and apparatus for predicting analyte concentration}

본 발명은 생체신호로부터 체내에 포함된 분석물질의 농도를 예측하는 방법 및 장치에 관한 것이다.

생체신호로부터 체내의 분석물질의 농도를 예측하기 위해, 부분 최소 제곱(partial least squares, PLS) 알고리즘 또는 순 분석물질 신호(net analyte signal, NAS) 알고리즘이 사용될 수 있다. 그리고, 위와 같은 체내 분석물질의 농도를 예측하기 위한 알고리즘에서는, 실험 대상(test subject)에 대해 적외선 등의 전자기파를 투사한 후 전자기파와 분석물질 간의 상호 작용의 결과로 획득된 체내 스펙트럼을 이용할 수 있다. 이때 체내 스펙트럼은 적외선 분광법(infra-red spectroscopy), 라만 분광법(Raman spectroscopy) 등의 광학적 방법을 통해 획득될 수 있다.

PLS 알고리즘은, 실험 등을 통해 얻은 데이터를 활용하여 다변량 입력변수(독립변수)와 출력변수(종속변수)간에 상관관계를 구하는 통계적 모델링 도구로서, 본 알고리즘을 생체신호분석에 적용할 경우 분석물질의 농도에 따른 스펙트럼 변화를 학습하여 특정 시각의 분석물질 농도를 생체신호로부터 예측할 수 있다. PLS 알고리즘은 생체신호로부터 분석물질 농도를 예측하기 위하여 복수의 시각의 분석물질 농도와 해당 시각에서의 스펙트럼을 필요로 하며, 예측능력 감소를 막기 위하여 분석물질의 농도변화에 대한 스펙트럼 변화를 주기적으로 재학습해야한다.

NAS 알고리즘은, 분석물질의 고유 스펙트럼, 그리고 분석물질 농도변화와 무관한 스펙트럼 변화요인을 학습하여 분석물질의 농도를 예측하는 알고리즘이다. NAS 알고리즘을 생체신호분석에 적용할 경우, 실험으로부터 얻은 분석물질 고유 스펙트럼과, 분석물질의 농도가 일정하게 유지되는 시간 구간에서 분석물질 농도변화 이외의 스펙트럼 변화요인을 학습하고, 이를 이용하여 다른 시각에서의 분석물질 농도를 해당 시각에서의 스펙트럼으로부터 예측할 수 있다. 즉 NAS 알고리즘은, 분석물질의 농도변화가 없는 구간(학습구간)에서의 스펙트럼 변화는 분석물질 농도변화에 의한 것이 아님을 학습하고, 학습내용과 분석물질 고유 스펙트럼을 이용하여 학습구간 이외의 시간구간(예측구간)에 대한 분석물질 농도를 예측한다. 이때 학습구간과 예측구간에서의 생체신호 변화요인이 서로 같을 경우 분석물질 농도예측 정확도가 높다. 하지만 불필요한 학습, 즉 예측구간에서 발생되지 않는 생체신호 변화요인을 학습구간에서 추가적으로 학습할 경우 농도예측 정확도는 감소하게 된다. 그리고 학습하지 않은 생체신호 변화요인이 예측구간에서 발생할 경우에도 농도예측 정확도가 감소한다. 그러므로 이러한 외부변인을 통제하는 것은 농도예측 정확도 향상을 위해 매우 중요하다. 종래 NAS 알고리즘의 예측 정확도를 높이기 위한 몇몇 기술이 제시된 바 있지만, 외부변인을 효과적으로 통제할 수 있는 방법은 연구된 바 없다.

본 발명이 이루고자 하는 과제는, NAS 알고리즘 등 분석물질의 농도가 비교적 일정하게 유지되는 구간의 스펙트럼 변화를 학습하여 분석물질의 농도를 예측하는 알고리즘에서, 스펙트럼 상호 유사성 계산을 통해 유사구간을 분류하고, 각각의 유사구간에서 분석물질 농도 유지구간을 이용하여 학습구간을 결정한 뒤, 각 학습구간을 이용해서 해당 학습구간이 있는 유사구간에서의 분석물질 농도를 예측 하는 방법 및 장치를 제공하는 것이다.

본 발명의 한 실시예에 따르면, 체내에 포함된 분석물질의 농도를 예측하는 방법이 제공된다. 상기 분석물질 농도 예측 방법은, 분석물질에 대한 복수의 체내 스펙트럼을 획득하는 단계, 분석물질의 농도가 실질적으로 변하지 않는 구간 및 복수의 체내 스펙트럼을 바탕으로 분석물질에 대한 농도 예측 알고리즘의 학습 구간을 결정하는 단계, 그리고 학습 구간에 대한 학습 결과 및 분석물질의 고유 스펙트럼을 바탕으로 농도 예측 알고리즘을 이용하여 분석물질의 농도를 예측하는 단계를 포함한다.

상기 분석물질 농도 예측 방법에서 분석물질은 포도당, 요소, 젖산, 트리글리세리드, 단백질, 콜레스테롤 또는 에탄올 중 적어도 하나일 수 있다.

상기 분석물질 농도 예측 방법에서 분석물질은 포도당이고, 분석물질의 농도가 실질적으로 변하지 않는 구간은 공복 구간일 수 있다.

상기 분석물질 농도 예측 방법에서 체내 스펙트럼은 적외선의 흡수 스펙트럼 또는 반사 스펙트럼 중 하나일 수 있다.

상기 분석물질 농도 예측 방법에서 체내 스펙트럼은 단일 파장 전자기파의 산란 스펙트럼일 수 있다.

상기 분석물질 농도 예측 방법에서 획득하는 단계는, 미리 설정된 시간 간격에 따라 연속적으로 복수의 체내 스펙트럼을 획득하는 단계를 포함할 수 있다.

상기 분석물질 농도 예측 방법에서 농도 예측 알고리즘은 NAS 알고리즘일 수 있다.

상기 분석물질 농도 예측 방법에서 학습 구간을 결정하는 단계는, 복수의 체내 스펙트럼 사이의 유사도를 계산하는 단계, 유사도가 높은 구간을 유사 구간으로 결정하는 단계, 분석물질의 농도가 실질적으로 변하지 않는 구간과 유사 구간이 겹치는 구간을 학습 구간으로 결정하는 단계를 포함할 수 있다.

상기 분석물질 농도 예측 방법에서 유사도를 계산하는 단계는, 복수의 체내 스펙트럼 중 상호 유사도를 계산할 적어도 두 개의 스펙트럼에 대해 기준선을 정렬하는 단계, 그리고 기준선이 정렬된 적어도 두 개의 체내 스펙트럼 사이의 차이를 계산하는 단계를 포함할 수 있다.

상기 분석물질 농도 예측 방법에서 예측하는 단계는, 학습 구간의 길이가 미리 설정된 구간 길이보다 긴 경우에, 학습 구간을 포함하는 유사 구간에 대한 분석물질의 농도를 예측하는 단계를 포함할 수 있다.

상기 분석물질 농도 예측 방법에서 예측하는 단계는, 학습 구간의 길이가 미리 설정된 길이보다 짧을 경우에, 학습 구간을 포함하는 유사 구간에서 추가적으로 학습 구간을 결정하는 단계를 포함할 수 있다.

상기 분석물질 농도 예측 방법에서 예측하는 단계는, 학습 구간의 길이가 미리 설정된 길이보다 짧을 경우에, 농도 예측 불가를 알리는 메시지를 사용자에게 표시하는 단계를 포함할 수 있다.

상기 분석물질 농도 예측 방법에서 분석물질은, 인체, 동물, 포유류, 비포유류 또는 미생물 중 하나에 포함된 분석물질일 수 있다.

본 발명의 다른 실시예에 따르면, 체내에 포함된 분석물질의 농도 예측 장치가 제공된다. 상기 농도 예측 장치는, 적어도 하나의 프로세서, 그리고 메모리를 포함하며, 적어도 하나의 프로세서는 메모리에 저장된 적어도 하나의 프로그램을 실행하여, 분석물질에 대한 복수의 체내 스펙트럼을 획득하는 단계, 분석물질의 농도가 실질적으로 변하지 않는 구간 및 복수의 체내 스펙트럼을 바탕으로 분석물질에 대한 농도 예측 알고리즘의 학습 구간을 결정하는 단계, 그리고 학습 구간에 대한 학습 결과 및 분석물질의 고유 스펙트럼을 바탕으로 농도 예측 알고리즘을 이용하여 분석물질의 농도를 예측하는 단계를 수행한다.

상기 농도 예측 장치에서 분석물질은 포도당, 요소, 젖산, 트리글리세리드, 단백질, 콜레스테롤 또는 에탄올 중 적어도 하나일 수 있다.

상기 농도 예측 장치에서 분석물질은 포도당이고, 분석물질의 농도가 실질적으로 변하지 않는 구간은 공복 구간일 수 있다.

상기 농도 예측 장치에서 체내 스펙트럼은 적외선의 흡수 스펙트럼 또는 반사 스펙트럼 중 하나일 수 있다.

상기 농도 예측 장치에서 체내 스펙트럼은 단일 파장 전자기파의 산란 스펙트럼일 수 있다.

상기 농도 예측 장치에서 적어도 하나의 프로세서는 획득하는 단계를 수행할 때, 미리 결정된 시간 간격으로 연속적으로 복수의 체내 스펙트럼을 획득하는 단계를 수행할 수 있다.

상기 농도 예측 장치에서 농도 예측 알고리즘은 NAS 알고리즘일 수 있다.

상기 농도 예측 장치에서 적어도 하나의 프로세서는 학습 구간을 결정하는 단계를 수행할 때, 복수의 체내 스펙트럼 사이의 유사도를 계산하는 단계, 유사도가 높은 구간을 유사 구간으로 결정하는 단계, 그리고 분석물질의 농도가 실질적으로 변하지 않는 구간과 유사 구간이 겹치는 구간을 학습 구간으로 결정하는 단계를 수행할 수 있다.

상기 농도 예측 장치에서 적어도 하나의 프로세서는 유사도를 계산하는 단계를 수행할 때, 복수의 체내 스펙트럼 중 상호 유사도를 계산할 적어도 두 개의 스펙트럼에 대해 기준선을 정렬하는 단계, 그리고 기준선이 정렬된 적어도 두 개의 체내 스펙트럼 사이의 차이를 계산하는 단계를 수행할 수 있다.

상기 농도 예측 장치에서 적어도 하나의 프로세서는 예측하는 단계를 수행할 때, 학습 구간의 길이가 미리 설정된 구간 길이보다 긴 경우에, 학습 구간을 포함하는 유사 구간에 대한 분석물질의 농도를 예측하는 단계를 수행할 수 있다.

상기 농도 예측 장치에서 적어도 하나의 프로세서는 예측하는 단계를 수행할 때, 학습 구간의 길이가 미리 설정된 길이보다 짧을 경우에, 학습 구간을 포함하는 유사 구간에서 추가적으로 학습 구간을 결정하는 단계를 수행할 수 있다.

상기 농도 예측 장치에서 적어도 하나의 프로세서는 예측하는 단계를 수행할 때, 학습 구간의 길이가 미리 설정된 길이보다 짧을 경우에, 농도 예측 불가를 알리는 메시지를 사용자에게 표시하는 단계를 수행할 수 있다.

상기 농도 예측 장치에서 분석물질은, 인체, 동물, 포유류, 비포유류 또는 미생물 중 하나에 포함된 분석물질일 수 있다.

상기 농도 예측 장치는, 유무선 네트워크를 통해 적외선 센서 또는 레이저 센서로부터 복수의 체내 스펙트럼을 수신하는 통신부를 더 포함할 수 있다.

상기 농도 예측 장치는, 인체로 적외선을 조사하여 복수의 체내 스펙트럼을 생성하는 적외선 센서를 더 포함할 수 있다.

상기 농도 예측 장치는, 인체로 레이저를 조사하여 복수의 체내 스펙트럼을 생성하는 레이저 센서를 더 포함할 수 있다.

본 발명의 한 실시예에 따르면, 생체신호 간 유사도 계산을 통해 측정위치변경 등의 외부변인 발생지점을 판단하여 외부변인이 발생되지 않는 구간, 즉 생체신호 유사구간을 결정하고, 각각의 유사구간 내에서 분석물질 농도가 변하지 않는 구간을 학습구간으로 하여, 이를 이용해 해당 유사구간에 대한 분석물질 농도를 예측함으로써, 분석물질 농도가 정확하게 예측될 수 있다.

도 1은 본 발명의 한 실시예에 따른 분석물질의 농도를 예측하는 농도 예측 장치를 나타낸 블록도이다.
도 2는 본 발명의 한 실시예에 따른 혈당 예측 방법을 나타낸 흐름도이다.
도 3a 및 도 3b는 본 발명의 한 실시예에 따른 공복 구간에서 발생할 수 있는 외부변인을 나타낸 도면이다.
도 4는 본 발명의 한 실시예에 따른 혈당 예측 알고리즘의 학습 구간 결정 방법을 나타낸 흐름도이다.
도 5는 본 발명의 한 실시예에 따른 체내 스펙트럼 간 유사도 분석 방법을 나타낸 그래프이다.
도 6은 본 발명의 한 실시예에 따른 체내 스펙트럼 간에 계산된 유사도를 나타낸 그래프이다.
도 7a 및 도 7b는 본 발명의 한 실시예에 따른 체내 스펙트럼 간 유사도를 바탕으로 결정된 유사 구간을 나타낸 도면이다.
도 8은 본 발명의 한 실시예에 따른 공복 구간을 나타낸 그래프이다.
도 9는 본 발명의 한 실시예에 따라 결정된 학습 구간을 나타낸 그래프이다.
도 10은 본 발명의 한 실시예에 따른 농도 예측 알고리즘의 수행 결과를 나타낸 그래프이다.
도 11a 및 도 11b는 본 발명의 한 실시예에 따른 혈당 예측 결과 및 실제 혈당값을 나타낸 그래프이다.
도 12a 모든 공복 구간을 학습 구간으로 결정한 경우에 비교된 쥐의 동맥 혈당을 나타낸 그래프이다.
도 12b는 본 발명의 한 실시예에 따른 농도 예측 장치에서 예측한 쥐의 동맥 혈당이 비교된 그래프이다.
도 13은 본 발명의 다른 실시예에 따른 분석물질의 농도를 예측하는 농도 예측 장치를 나타낸 블록도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

도 1은 본 발명의 한 실시예에 따른 분석물질의 농도를 예측하는 농도 예측 장치를 나타낸 블록도이다.

본 발명의 한 실시예에 따른 농도 예측 장치(100)는, 분석물질 농도 예측 알고리즘을 이용하여 체내 스펙트럼(in vivo spectrum)을 분석함으로써, 분석물질의 농도를 예측할 수 있다. 이때, 체내 스펙트럼은, 생체에 대해 적외선 또는 레이저가 투과(transmission) 또는 확산 반사(diffuse reflectance)된 후 분석물질에 의해 흡수 또는 산란됨으로써 생성될 수 있고, 미리 설정된 시간 간격에 따라 연속적으로 획득될 수 있다. 이렇게 획득된 체내 스펙트럼은 적외선 분광법(infra-red spectroscopy) 또는 라만 분광법(Raman spectroscopy) 등을 통해 획득된 후 농도 예측 알고리즘에 적용될 수 있다. 그리고, 본 발명의 한 실시예에 따른 농도 예측 장치(100)는, 인체, 동물, 포유류, 비포유류 및 미생물의 체내에 포함된 분석물질의 농도를 예측할 수 있다. 또한, 체내에 포함된 분석물질은, 포도당(glucose), 요소(urea), 젖산(lactate), 트리글리세리드(triglyceride), 단백질(protein), 콜레스테롤(cholesterol) 및 에탄올(ethanol) 중 적어도 하나가 될 수 있다.

본 발명의 한 실시예에서 체내 분석물질이 포도당인 경우 분석물질의 농도는 혈당을 나타낼 수 있고, 분석물질 농도가 실질적으로 일정하게 유지되는 시간 구간으로 공복 구간이 적용될 수 있으며, 포도당의 경우 근적외선(near infra-red, NIR) 또는 중간 적외선(middle infra-red, MIR)이 체내 스펙트럼 생성에 사용될 수 있다.

도 1을 참조하면, 본 발명의 한 실시예에 따른 농도 예측 장치(100)는, 구간 결정부(110), 학습부(120) 및 농도 예측부(130)를 포함한다.

구간 결정부(110)는, 연속적으로 획득된 복수의 체내 스펙트럼 간에 계산된 유사도를 바탕으로 유사 구간을 분류하고, 각각의 유사 구간 내에서 분석물질의 농도가 실질적으로 일정하게 유지되는 구간(예를 들어, 공복 구간과 같이 포도당 등의 분석물질이 인체 내부로 유입되지 않는 구간)을 고려하여 학습 구간을 결정할 수 있다. 구간 결정부(110)는 학습 구간의 길이가 미리 설정된 구간 길이보다 짧은 경우, 농도 예측이 불가능하다고 판단하고 농도 예측 장치(100)에 포함된 인터페이스 등을 통해 사용자에게 농도 예측 불가를 알리는 메시지를 표시할 수 있다.

학습부(120)는, 구간 결정부 (110)에서 결정된 각 학습 구간의 체내 스펙트럼을 바탕으로 분석물질 농도변화와 무관한 스펙트럼 변화요인을 학습한다. 이때, 학습부(120)는, 주 성분 분석(Principal Component Analysis, PCA) 방법 등을 이용하여 분석물질의 농도 변화와 무관한 스펙트럼 변화요인을 학습할 수 있다.

농도 예측부(130)는, 학습 구간에 대한 학습 결과(예를 들어, 각 학습 구간에서 학습된 스펙트럼 변화요인) 및 분석물질의 고유 스펙트럼을 이용하여 유사 구간에서의 분석물질 농도를 예측한다. 본 발명의 한 실시예에 따른 농도 예측부(130)는, 최소 자승법(least square method) 을 이용하여 분석물질의 체내 농도를 예측할 수 있다. 이후, 농도 예측부(130)는 통신부(140)를 통해 분석물질의 농도를 예측한 결과를 전달할 수 있고, 또는 농도 예측 장치(100)에 포함된 인터페이스 등을 통해 농도 예측 결과를 사용자에게 표시할 수 있다.

NAS 알고리즘이 혈당 예측에 사용되는 경우, 농도 예측 장치는 공복 구간의 체내 스펙트럼 변화가 혈당량 변화에 따른 것이 아님을 학습하고 체내 스펙트럼의 변화를 분석하여, 학습구간 이외의 구간(예를 들어, 유사 구간 내의 예측 구간)에서의 혈당(즉, 분석물질 농도)을 예측할 수 있다. 이때, 공복 구간 전체가 학습 구간으로 결정되면, 공복 구간 중 체내 스펙트럼이 획득된 위치의 변화에 따른 외부변인 등 공복 구간에서 발생한 변인이 그대로 혈당 예측에 반영될 수 있기 때문에 농도 예측의 정확도가 떨어질 수 있다. 본 발명의 한 실시예에 따른 농도 예측 장치는 체내 스펙트럼 간 유사도를 이용하여 스펙트럼 획득 위치의 변화 등 외부변인 발생시각을 판단하고, 이를 바탕으로 학습 구간 및 예측 구간(유사 구간에서 학습 구간이 아닌 구간)을 정밀하게 한정함으로써 농도 예측의 정확도를 높일 수 있다.

한편, 체내 스펙트럼이 농도 예측 장치의 외부에 위치한 광학 센서에서 생성되는 경우, 본 발명의 한 실시예에 따른 농도 예측 장치(100)는, 광학 센서로부터 유/무선 네트워크를 통해 체내 스펙트럼을 획득할 수 있는 통신부(140)를 더 포함할 수 있다. 그리고 통신부(140)는 농도 예측 장치(100)의 외부로 유무선 통신을 통해 분석물질의 농도를 예측한 결과를 전송할 수 있다.

또는, 본 발명의 다른 실시예에 따른 농도 예측 장치(100)는, 광학 센서(150)를 더 포함하여 체내 스펙트럼을 직접 획득할 수 있다.

본 발명의 한 실시예에 따른 농도 예측 장치는, 프로세서(processor), 메모리(memory), 그리고 송수신부(transceiver)를 통해 동작될 수 있다. 메모리는 프로세서와 연결되어 프로세서를 구동하기 위한 다양한 정보를 저장할 수 있다. 송수신부는 프로세서와 연결되어 단말 또는 서버 등과 유무선 신호를 송수신 할 수 있다. 프로세서는 본 발명의 실시예에서 제안한 기능, 과정, 또는 방법을 구현할 수 있다. 본 발명의 실시예에 따른 농도 예측 장치의 동작은 프로세서에 의해 구현될 수 있다.

본 발명의 실시예에서 메모리는 프로세서의 내부 또는 외부에 위치할 수 있고, 메모리는 이미 알려진 다양한 수단을 통해 프로세서와 연결될 수 있다. 메모리는 다양한 형태의 휘발성 또는 비휘발성 저장 매체이며, 예를 들어, 메모리는 읽기 전용 메모리(read-only memory, ROM) 또는 랜덤 액세스 메모리(random access memory, RAM)를 포함할 수 있다.

도 2는 본 발명의 한 실시예에 따른 혈당 예측 방법을 나타낸 흐름도이다.

도 2를 참조하면, 먼저 인체 내부의 분석물질에 대하여 복수의 체내 스펙트럼이 연속적으로 획득된다(S201). 이때 복수의 체내 스펙트럼은 생체의 외부에서 미리 설정된 시간 간격에 따라 연속적으로 획득될 수 있다.

이후, 구간 결정부(110)는, 스펙트럼 간 유사도 및 분석물질의 분석물질의 농도가 비교적 일정하게 유지되는 구간을 바탕으로, 농도 예측 알고리즘을 위한 학습 구간을 결정한다(S202). 이때, 본 발명의 한 실시예에 따른 구간 결정부(110)는, 복수의 체내 스펙트럼 간의 유사도를 바탕으로 외부변인 발생시점을 판단할 수 있으므로, 분석물질 농도예측에 영향을 줄 수 있는 외부변인을 효과적으로 통제할 수 있다.

도 3a 및 도 3b는 본 발명의 한 실시예에 따른 공복 구간에서 발생할 수 있는 외부변인을 나타낸 도면이다.

도 3a 및 도 3b는 가로축이 시간, 세로축이 혈당값인 그래프로서, 그래프의 실선은 시간에 따른 혈당 변화를 나타내고 있다. 즉, 도 3a 및 도 3b는 분석물질이 포도당이고, 분석물질 농도는 혈당인 그래프이다.

도 3a를 참조하면, 본 발명의 한 실시예에 따른 농도 예측 장치의 사용자의 혈당 수치는 식사 시점 이후에 증가하고 있고, 분석물질의 농도 변화가 실질적으로 없는 구간, 즉 공복 구간은 식사 이전의 시간 구간으로 결정될 수 있다.

이때, 공복 구간 중 체내 스펙트럼의 측정 위치 변경, 피부 세척 등의 변인으로 인해 공복 구간에서 체내 스펙트럼의 큰 변화가 유발될 수 있다. 그리고, 공복 구간 중 발생한 변인에 따라 학습 구간의 길이가 변경될 수 있다.

도 3b를 참조하면, 체내 스펙트럼의 측정 위치가 변경된 경우 학습 구간은 공복 구간보다 짧은 구간(구간 ①)으로 변경되었고, 이후 체내 스펙트럼의 측정 위치가 세척되면 학습 구간은 더 짧아질 수 있다(구간 ②). 한편, 공복 구간에서 변인이 발생한 시점이 식사 시점과 너무 가까워서 학습 구간이 지나치게 짧은 경우(구간 ③), 학습 구간 부족으로 인해 혈당 예측에 실패할 수 있다. 즉, 학습 구간의 길이가 미리 설정된 구간 길이보다 짧다면 학습 구간을 포함하는 유사 구간에 대한 분석물질의 농도 예측이 불가능한 것으로 판단될 수 있는데, 농도 예측부(130)는 학습 구간의 길이가 미리 설정된 구간 길이보다 긴 경우에 학습 구간을 포함하는 유사 구간에 대한 분석물질의 농도를 예측할 수 있기 때문이다. 이때 구간 결정부(110)는 학습 구간의 길이가 미리 설정된 구간 길이보다 짧기 때문에 농도 예측이 불가능하다는 것을 농도 예측 장치의 인터페이스 등을 통해 사용자에게 알릴 수 있다. 만약 식사 시점 이후에도 스펙트럼 간 유사성 분석을 통해 유사 구간에서 학습 구간(구간 ④)을 추가로 결정할 수 있다면 유사 구간의 혈당 예측이 가능할 수 있다. 위와 같이, 체내 스펙트럼의 측정 위치 변경 또는 피부 세척 등의 외부변인이 혈당예측에 영향을 줄 수 있으므로, 본 발명의 한 실시예에 따른 구간 결정부(110)는 스펙트럼의 유사도를 바탕으로 유사 구간(외부변인이 없는 연속된 구간)을 결정하여 외부변인을 제거할 수 있다.

도 4는 본 발명의 한 실시예에 따른 혈당 예측 알고리즘의 학습 구간 결정 방법을 나타낸 흐름도이고, 도 5는 본 발명의 한 실시예에 따른 체내 스펙트럼 간 유사도 분석 방법을 나타낸 그래프이며, 도 6은 본 발명의 한 실시예에 따른 체내 스펙트럼 간에 계산된 유사도를 나타낸 그래프이다.

먼저 본 발명의 한 실시예에 따른 농도 예측 장치의 구간 결정부(110)는, 측정위치변경 등의 외부변인을 혈당 예측에서 제거하기 위해, 체내 스펙트럼 사이의 유사도를 계산한다(S401). 그리고 구간 결정부(110)는 계산된 유사도를 바탕으로 유사 구간을 분류한다(S402). 즉, 본 발명의 한 실시예에 따른 구간 결정부(110)는 유사 구간의 분류를 통해 외부변인이 발생된 지점을 찾을 수 있다. 즉, 체내 스펙트럼의 유사 구간은 외부변인 발생지점을 기준으로 분류될 수 있다. 이후, 구간 결정부(110)는, 각 유사 구간에서 분석물질 농도가 실질적으로 변하지 않는 구간을 학습 구간으로 결정한다(S403). 즉, 본 발명의 한 실시예에 따른 학습 구간은, 유사 구간과 분석물질의 농도가 실질적으로 변하지 않는 구간(예를 들어, 공복 구간)이 서로 겹치는 구간으로 결정될 수 있다.

본 발명의 한 실시예에서, 체내 스펙트럼 간 상호 유사도는, 연속적으로 획득된 체내 스펙트럼에 대하여 스펙트럼 간 일대일 비교를 통해 계산될 수 있다.

도 5 내지 도 11은, 쥐를 대상으로 한 혈당 예측의 결과를 나타낸 그래프이다. 본 발명의 한 실시예에 따른 혈당 예측에서 쥐의 동맥혈관에 고농도 포도당 수용액이 주입되어 혈당변화가 발생되었고, 피부에 대한 적외선 스펙트럼은 1.2분 간격으로 측정되었다.

도 5의 왼쪽 그래프 및 오른쪽 그래프의 가로축은 체내 스펙트럼의 주파수를 나타내고, 세로축은 체내 스펙트럼의 세기를 나타낸다. 도 5를 참조하면, 왼쪽 그래프는 서로 다른 시각에 측정된 2개의 적외선 스펙트럼을 나타낸 그래프이고, 오른쪽 그래프는 해당 스펙트럼의 유사도 계산을 위해 기준선(baseline)이 정렬된 스펙트럼 그래프이다. 즉, 본 발명의 한 실시예에서 그 체내 스펙트럼의 유사도 계산을 위해 각 체내 스펙트럼은 기준선이 정렬된 후, 두 체내 스펙트럼의 차이값을 바탕으로 유사도가 계산될 수 있다. 본 발명의 다른 실시예에 따르면, 스펙트럼의 기준선 정렬 후 스펙트럼 간 차이값 계산 이외에 외부 변인으로 인한 스펙트럼 변화를 나타낼 수 있는 다른 계산방법도 적용될 수 있다.

도 6을 참조하면, 가로축 및 세로축은 연속적으로 측정된 스펙트럼 중 상호 유사성을 계산할 두 개 스펙트럼의 측정 시각을 나타내고, 계산된 유사도는 음영을 통해 표시되어 있다. 예를 들어, 1시에 측정된 체내 스펙트럼은 대략 0~2시 사이에 측정된 체내 스펙트럼과는 서로 유사하지만, 2~7시 사이에 측정된 체내 스펙트럼과는 서로 비유사하다. 또한, 5시에 측정된 체내 스펙트럼은 0~3시 사이에 측정된 체내 스펙트럼과는 서로 비유사하지만, 대략 3~7시 사이에 측정된 체내 스펙트럼과는 유사하다.

이후, 본 발명의 한 실시예에 따른 농도 예측 장치의 구간 결정부(110)는, 계산된 유사도를 바탕으로 유사 구간을 결정한다. 도 7a 및 도 7b는 본 발명의 한 실시예에 따른 체내 스펙트럼 간 유사도를 바탕으로 결정된 유사 구간을 나타낸 도면이다.

도 7a는 1시에 측정된 체내 스펙트럼과 다른 시각에 측정된 체내 스펙트럼 간 차이를 나타낸 그래프이고, 도 7b는 5시에 측정된 체내 스펙트럼과 다른 시각에 측정된 체내 스펙트럼 간 차이를 나타낸 그래프이다. 도 7a 및 도 7b 에서 가로축은 체내 스펙트럼의 측정 시각을 나타내고 도 7a의 세로축은 1시에 측정된 체내 스펙트럼과 다른 시각에 측정된 체내 스펙트럼 간 차이를 나타내며, 도 7b의 세로축은 5시에 측정된 체내 스펙트럼과 다른 시각에 측정된 체내 스펙트럼 간 차이를 나타낸다.

도 7a를 참조하면, 1시에 측정된 체내 스펙트럼은 대략 0시 20분~2시 사이에 측정된 다른 체내 스펙트럼과 유사하기 때문에 0시 20분경부터 2시 사이의 구간이 유사 구간으로 결정될 수 있다. 또한, 도 7b를 참조하면, 5시에 측정된 체내 스펙트럼은 대략 3시 20분~6시 55분 사이에 측정된 다른 체내 스펙트럼과 유사하기 때문에 대략 3시 20분~6시 55분 사이의 시간 구간이 체내 스펙트럼 간 유사도가 높은 유사 구간으로 결정될 수 있다. 이때, 유사 구간 결정 시 미리 설정된 문턱값에 따라 유사도가 변경될 수 있다. 그리고, 유사구간 결정 시 스펙트럼 이외에 피부 임피던스, 온도, 압력 등과 같은 생체신호가 추가적으로 사용될 수 있다.

이후, 본 발명의 한 실시 예에 따른 구간 결정부(110)는 유사 구간 및 분석물질의 농도가 실질적으로 변하지 않는 구간이 서로 겹치는 구간을 학습 구간으로 결정할 수 있다.

도 8은 본 발명의 한 실시예에 따른 공복 구간을 나타낸 그래프이고, 도 9는 본 발명의 한 실시예에 따라 결정된 학습 구간을 나타낸 그래프이다.

도 8을 참조하면, 도 8의 실선은 시간의 변화에 따른 혈당 변화를 나타낸 그래프이고, 도 8에서 혈당(즉, 포도당의 체내 농도)이 실질적으로 변하지 않는 구간이 공복 구간으로 결정될 수 있다. 이때, 본 발명의 한 실시예에 따른 농도 예측 장치의 사용자는, 직접 공복 구간을 측정하여 농도 예측 장치로 입력할 수 있고, 이때 공복 구간은 사용자의 생활주기에 따라 미리 결정된 시간 구간으로 입력될 수도 있다. 도 8에 도시된 공복 구간은 대략 1~3시 및 6~6.5시이다.

그리고 도 9를 참조하면, 분석물질의 농도가 실질적으로 변하지 않는 구간 및 체내 스펙트럼이 상호 유사한 유사 구간이 겹치는 학습 구간은, 약 1~2시(제1 학습 구간), 약 2.5~3시(제2 학습 구간), 그리고 약 6~6.5시(제3 학습 구간)이다.

한편, 본 발명의 한 실시예에 따라 결정된 학습 구간은 NAS 알고리즘뿐만 아니라, 분석물질의 농도가 실질적으로 변하지 않는 구간의 체내 스펙트럼 변화가 분석물질에 의한 것이 아님을 학습하여 분석물질의 농도를 예측하는 다른 알고리즘에도 적용될 수 있다.

다시 도 1 및 도 2를 참고하면, 본 발명의 한 실시예에 따른 학습부(120)는 각 학습 구간에 대한 학습을 수행한다(S203). 예를 들어 학습부(120)는, 각 학습 구간의 체내 스펙트럼을 바탕으로 분석물질의 농도 변화와 무관한 스펙트럼 변화 요인을 학습할 수 있다. 그리고 본 발명의 한 실시 예에 따른 농도 예측부(130)는, 학습 구간에 대한 학습 결과 및 분석물질의 고유 스펙트럼을 바탕으로 유사 구간에 대한 분석 물질 농도를 예측한다(S204).

도 10은 본 발명의 한 실시예에 따른 농도 예측 알고리즘의 수행 결과를 나타낸 그래프이다.

도 10을 참조하면, 각 학습 구간(제1, 2 및 3 학습 구간)에 대한 농도 예측 알고리즘의 수행 결과를 나타내는 3개의 그래프가 도시되어 있다. 도 10에 도시된 각 그래프는 해당 학습 구간을 포함하는 유사구간에서만 유효하므로, 유사 구간을 바탕으로 각 그래프를 조합하면 분석물질 농도의 최종 예측 결과를 얻을 수 있다.

도 11a 및 도 11b는 본 발명의 한 실시예에 따른 혈당 예측 결과 및 실제 혈당값을 나타낸 그래프이다.

도 11a 및 도 11b에서 가로축은 시간축이고, 세로축은 혈당이며, 각 도면에는 예측 혈당의 시간 변화와 실제 혈당의 시간 변화가 나타나 있다. 도 11a에서 약 0시~0시 20분, 약 2~2.5시 및 약 6.5~8시 구간은 학습 구간 부족으로 혈당 예측이 어려운 부분이다. 그리고, 도 11b는 동맥-피부 간 혈당 변화 지연 현상을 바탕으로 도 11a에 +15분 시간지연을 적용한 결과이다. 즉, 동맥에서의 혈당 변화가 피부 조직에 반영되기 위해서 15분 정도의 지연이 있으므로, 이를 반영하면 도 11b와 같이 혈당 17mM/dL 미만 영역에서 실제 혈당 그래프와 일치하는 결과를 얻을 수 있다.

도 12a 모든 공복 구간을 학습 구간으로 결정한 경우에 비교된 쥐의 동맥 혈당을 나타낸 그래프이고, 도 12b는 본 발명의 한 실시예에 따른 농도 예측 장치에서 예측한 쥐의 동맥 혈당이 비교된 그래프이다.

도 12a 및 도 12b의 가로축은 직접 측정된 17mM/dL 미만의 동맥 혈당이고, 세로축은 17mM/dL 미만의 범위에서 예측된 동맥 혈당이다. 즉, 도 12a 및 도 12b에서 비교 결과를 나타내는 작은 원이 y=x 직선의 주변에 모여 있을수록 예측된 동맥 혈당이 실제 동맥 혈당과 일치함을 나타내고 농도 예측 방법의 우수함을 증명할 수 있다.

도 12a를 참조하면, 모든 공복 구간을 학습 구간으로 결정한 경우 예측된 동맥 혈당이 실제 동맥 혈당과 다소 차이를 보이고 있다. 하지만 도 12b를 참조하면, 본 발명의 한 실시예에 따른 농도 예측 장치에서 유사 구간 및 공복 구간을 바탕으로 학습 구간을 정교하게 결정한 결과, 예측된 동맥 혈당이 실제 동맥 혈당과 혈당 수치 17mM/dL 안에서 상당히 유사한 것을 보이고 있다. 즉, 도 12b는 본 발명의 한 실시예에 따른 농도 예측 장치는 기존의 농도 예측 방법에 비해 매우 정확한 농도 예측을 수행할 수 있음을 보이고 있다.

위와 같이, 본 발명의 한 실시예에 따른 분석물질의 농도 예측 장치는 체내 스펙트럼 간 유사도 계산을 통해 스펙트럼 유사 구간을 결정한 뒤, 결정한 유사 구간과 분석물질 농도가 일정하게 유지되는 구간을 고려하여 학습 구간을 결정함으로써, 체내 분석물질의 농도를 예측함에 있어 외부변인을 효과적으로 통제할 수 있다. 또한, 본 발명의 한 실시예에 따른 농도 예측 장치는 결정된 학습 구간을 포함하는 유사 구간에서의 분석물질 농도를 예측함으로써, 농도 예측의 정확도를 향상시킬 수 있다.

도 13은 본 발명의 다른 실시예에 따른 분석물질의 농도를 예측하는 농도 예측 장치를 나타낸 블록도이다.

도 13을 참조하면, 본 발명의 한 실시예에 따른 상호작용 네트워크 분석 장치(1300)는, 프로세서(processor)(1310) 및 메모리(memory)(1320)를 포함한다. 프로세서(1310)는 본 발명의 실시예에서 제안한 기능, 과정, 또는 방법을 구현할 수 있다. 메모리(1320)는 프로세서(1310)와 연결되어 프로세서(1310)를 구동하기 위한 다양한 정보 또는 프로세서(1310)에 의해 실행되는 적어도 하나의 프로그램을 저장할 수 있다. 즉, 본 발명의 실시예에 따른 상호작용 네트워크 분석 장치(1300)의 동작은 프로세서(1310)에 의해 구현될 수 있다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims

체내에 포함된 분석물질의 농도를 예측하는 방법으로서,
상기 분석물질에 대한 복수의 체내 스펙트럼을 획득하는 단계,
상기 분석물질의 농도가 실질적으로 변하지 않는 구간 및 상기 복수의 체내 스펙트럼을 바탕으로 상기 분석물질에 대한 농도 예측 알고리즘의 학습 구간을 결정하는 단계, 그리고
상기 학습 구간에 대한 학습 결과 및 분석물질의 고유 스펙트럼을 바탕으로 상기 농도 예측 알고리즘을 이용하여 상기 분석물질의 농도를 예측하는 단계
를 포함하는 분석물질 농도 예측 방법.
제1항에서,
상기 분석물질은 포도당, 요소, 젖산, 트리글리세리드, 단백질, 콜레스테롤 또는 에탄올 중 적어도 하나인, 분석물질 농도 예측 방법.
제1항에서,
상기 분석물질은 포도당이고, 상기 분석물질의 농도가 실질적으로 변하지 않는 구간은 공복 구간인, 분석물질 농도 예측 방법.
제1항에서,
상기 체내 스펙트럼은 적외선의 흡수 스펙트럼 또는 반사 스펙트럼 중 하나인, 분석물질 농도 예측 방법.
제1항에서,
상기 체내 스펙트럼은 단일 파장 전자기파의 산란 스펙트럼인, 분석물질 농도 예측 방법.
제1항에서,
상기 획득하는 단계는,
미리 설정된 시간 간격에 따라 연속적으로 상기 복수의 체내 스펙트럼을 획득하는 단계를 포함하는, 분석물질 농도 예측 방법.
제1항에서,
상기 농도 예측 알고리즘은 순 분석물질 신호(net analyte signal, NAS) 알고리즘인, 분석물질 농도 예측 방법.
제1항에서,
상기 학습 구간을 결정하는 단계는,
상기 복수의 체내 스펙트럼 사이의 유사도를 계산하는 단계,
상기 유사도가 높은 구간을 유사 구간으로 결정하는 단계,
상기 분석물질의 농도가 실질적으로 변하지 않는 구간과 상기 유사 구간이 겹치는 구간을 상기 학습 구간으로 결정하는 단계
를 포함하는, 분석물질 농도 예측 방법.
제8항에서,
상기 유사도를 계산하는 단계는,
상기 복수의 체내 스펙트럼 중 상호 유사도를 계산할 적어도 두 개의 스펙트럼에 대해 기준선을 정렬하는 단계, 그리고
상기 기준선이 정렬된 상기 적어도 두 개의 체내 스펙트럼 사이의 차이를 계산하는 단계
를 포함하는, 분석물질 농도 예측 방법.
제1항에서,
상기 예측하는 단계는,
상기 학습 구간의 길이가 미리 설정된 구간 길이보다 긴 경우에, 상기 학습 구간을 포함하는 유사 구간에 대한 상기 분석물질의 농도를 예측하는 단계를 포함하는, 분석물질 농도 예측 방법.
제1항에서,
상기 예측하는 단계는,
상기 학습 구간의 길이가 미리 설정된 길이보다 짧을 경우에, 상기 학습 구간을 포함하는 유사 구간에서 추가적으로 학습 구간을 결정하는 단계를 포함하는, 분석물질 농도 예측 방법.
제1항에서,
상기 예측하는 단계는,
상기 학습 구간의 길이가 미리 설정된 길이보다 짧을 경우에, 농도 예측 불가를 알리는 메시지를 사용자에게 표시하는 단계를 포함하는, 분석물질 농도 예측 방법.
제1항에서,
상기 분석물질은, 인체, 동물, 포유류, 비포유류 또는 미생물 중 하나에 포함된 분석물질인, 분석물질 농도 예측 방법.
체내에 포함된 분석물질의 농도 예측 장치로서,
적어도 하나의 프로세서, 그리고
메모리
를 포함하며,
상기 적어도 하나의 프로세서는 상기 메모리에 저장된 적어도 하나의 프로그램을 실행하여,
상기 분석물질에 대한 복수의 체내 스펙트럼을 획득하는 단계,
상기 분석물질의 농도가 실질적으로 변하지 않는 구간 및 상기 복수의 체내 스펙트럼을 바탕으로 상기 분석물질에 대한 농도 예측 알고리즘의 학습 구간을 결정하는 단계, 그리고
상기 학습 구간에 대한 학습 결과 및 분석물질의 고유 스펙트럼을 바탕으로 상기 농도 예측 알고리즘을 이용하여 상기 분석물질의 농도를 예측하는 단계
를 수행하는 농도 예측 장치.
제14항에서,
상기 분석물질은 포도당, 요소, 젖산, 트리글리세리드, 단백질, 콜레스테롤 또는 에탄올 중 적어도 하나인, 농도 예측 장치.
제14항에서,
상기 분석물질은 포도당이고, 상기 분석물질의 농도가 실질적으로 변하지 않는 구간은 공복 구간인, 농도 예측 장치.
제14항에서,
상기 체내 스펙트럼은 적외선의 흡수 스펙트럼 또는 반사 스펙트럼 중 하나인, 농도 예측 장치.
제14항에서,
상기 체내 스펙트럼은 단일 파장 전자기파의 산란 스펙트럼인, 농도 예측 장치.
제14항에서,
상기 적어도 하나의 프로세서는 상기 획득하는 단계를 수행할 때,
미리 결정된 시간 간격으로 연속적으로 상기 복수의 체내 스펙트럼을 획득하는 단계를 수행하는, 농도 예측 장치.
제14항에서,
상기 농도 예측 알고리즘은 순 분석물질 신호(net analyte signal, NAS) 알고리즘인, 농도 예측 장치.
제14항에서,
상기 적어도 하나의 프로세서는 상기 학습 구간을 결정하는 단계를 수행할 때,
상기 복수의 체내 스펙트럼 사이의 유사도를 계산하는 단계,
상기 유사도가 높은 구간을 유사 구간으로 결정하는 단계, 그리고
상기 분석물질의 농도가 실질적으로 변하지 않는 구간과 상기 유사 구간이 겹치는 구간을 상기 학습 구간으로 결정하는 단계를 수행하는, 농도 예측 장치.
제21항에서,
상기 적어도 하나의 프로세서는 상기 유사도를 계산하는 단계를 수행할 때,
상기 복수의 체내 스펙트럼 중 상호 유사도를 계산할 적어도 두 개의 스펙트럼에 대해 기준선을 정렬하는 단계, 그리고
상기 기준선이 정렬된 상기 적어도 두 개의 체내 스펙트럼 사이의 차이를 계산하는 단계를 수행하는, 농도 예측 장치.
제14항에서,
상기 적어도 하나의 프로세서는 상기 예측하는 단계를 수행할 때,
상기 학습 구간의 길이가 미리 설정된 구간 길이보다 긴 경우에, 상기 학습 구간을 포함하는 유사 구간에 대한 상기 분석물질의 농도를 예측하는 단계를 수행하는, 농도 예측 장치.
제14항에서,
상기 적어도 하나의 프로세서는 상기 예측하는 단계를 수행할 때,
상기 학습 구간의 길이가 미리 설정된 길이보다 짧을 경우에, 상기 학습 구간을 포함하는 유사 구간에서 추가적으로 학습 구간을 결정하는 단계를 수행하는, 농도 예측 장치.
제14항에서,
상기 적어도 하나의 프로세서는 상기 예측하는 단계를 수행할 때,
상기 학습 구간의 길이가 미리 설정된 길이보다 짧을 경우에, 농도 예측 불가를 알리는 메시지를 사용자에게 표시하는 단계를 수행하는, 농도 예측 장치.
제14항에서,
상기 분석물질은, 인체, 동물, 포유류, 비포유류 또는 미생물 중 하나에 포함된 분석물질인, 농도 예측 장치.
제14항에서,
유무선 네트워크를 통해 적외선 센서 또는 레이저 센서로부터 상기 복수의 체내 스펙트럼을 수신하는 통신부
를 더 포함하는 농도 예측 장치.
제14항에서,
상기 인체로 적외선을 조사하여 상기 복수의 체내 스펙트럼을 생성하는 적외선 센서
를 더 포함하는 농도 예측 장치.
제14항에서,
상기 인체로 레이저를 조사하여 상기 복수의 체내 스펙트럼을 생성하는 레이저 센서
를 더 포함하는 농도 예측 장치.