KR20170054352A - 지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치 - Google Patents

Abstract

데이터 처리 장치가 제공된다. 일실시예에 따른 장치는 오브젝트에 반복 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 제1 센서, 상기 심폐소생술에 연관되는 및 제2 파라미터를 측정하는 제2 센서, 및 상기 제1 파라미터와 상기 제2 파라미터 사이의 상관 관계를 예측모델로 구축하는 처리부를 포함할 수 있다.

Description

지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치{APPARATUS OF GENERATING predictive model BASED Supervised Learning AND APPARATUS AND METHOD OF TRAINNING CARDIOPULMONARY RESUSCITATION USING THE predictive model}

심폐소생술 훈련 장치 및 그 동작 방법에 연관되며, 보다 특정하게는 저가형 심폐소생술 훈련 장치에서도 측정된 값을 이용하여 훈련 피드백을 제공할 수 있는 장치에 연관된다.

북미, 유럽 등을 중심으로 하여 전세계적으로 심폐소생술과 관련한 교육의 필요성이 대두되고 있다. 심폐소생술은 인공호흡과 심장 압박을 동시에 하는 처치법을 의미하는데, 심폐소생술 단계에서 압박과 호흡의 시행은 매우 중요한 과정이다. 심폐소생술은 빠른 시간 내에 수행하는 것뿐만 아니라, 적절한 깊이의 압박과 호흡량을 생성하는 것이 심정지 환자의 생존률을 높이는데 크게 기여한다. 이를 위해, 학교나 기업 등에서는 심폐소생술 관련 교육을 적극적으로 하는 추세이다.

심폐소생술의 교육과정은 심폐소생술이 가능한 마네킨(또는 더미)을 통해 주로 이루어진다. 훈련생의 압박과 호흡 시행 시 정밀하고 신속한 값 측정에 의한 풍부한 피드백 제공은 학습 효과를 높여 실제 응급 상황에서 심폐소생술 대처능력을 기르는데 기여할 수 있다. 하지만 심폐소생술 교육시 주로 활용되는 저가 마네킨 모델은 제조사들마다 조금씩 상이한 속성을 지니며, 동일한 모델이라도 시간이나 관리 정도에 따라 달라질 수 있다.

또한, 심폐소생술 교육에서는, 스위치나 기구물을 활용하여 이산 값을 측정하거나 매번 센싱 후 복잡한 계산 과정을 통해 결과 값을 제공한다. 따라서 센싱 후 일정시간이 지연된 후에 결과 값을 제공한다. 즉, 센싱과 결과 값의 제공이 실시간으로 이뤄지지 않아 적절한 시기에 훈련생에게 피드백을 제공할 수 없다. 또한, 한 명의 교육자는 다수의 훈련생의 훈련 동작들을 모두 면밀히 모니터링 할 수 없다.

일실시예에 따른 데이터 처리 장치는, 오브젝트에 반복 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 제1 센서, 상기 심폐소생술에 연관되는 및 제2 파라미터를 측정하는 제2 센서, 및 상기 제1 파라미터와 상기 제2 파라미터 사이의 상관 관계를 예측모델로 구축하는 처리부를 포함한다.

일실시예에 따른 상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력에 대응하고, 상기 제2 파라미터는 상기 압력에 기인하여 상기 오브젝트의 일측이 압착되는 가속도에 대응한다.

일실시예에 따른 상기 처리부는, 상기 압력의 방향성을 고려하여 압박 주기 내 힘 값의 변위를 계산하여 힘 값을 계산한다.

일실시예에 따른 상기 처리부는, 상기 가속도를 적분하여 속도를 산출하고, 산출된 속도를 적분하여 깊이를 산출하며, 상기 산출된 깊이에 따른 거리 변위에 기초하여 깊이 값을 산출한다.

일실시예에 따른 상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압에 대응하고, 상기 제2 파라미터는 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량에 대응한다.

일실시예에 따른 심폐소생술 훈련 장치는 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 센서, 및 상기 제1 파라미터와 심폐소생술에 연관되는 제2 파라미터 사이의 상관 관계를 학습하여 구축된 예측모델을 이용하여, 상기 심폐소생술에 연관되는 제2 파라미터를 추정하는 처리부를 포함한다.

일실시예에 따른 상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력에 대응하고, 상기 제2 파라미터는 상기 압력에 기인하여 상기 오브젝트의 일측이 압착되는 깊이 값에 대응한다.

일실시예에 따른 상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압에 대응하고, 상기 제2 파라미터는 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량에 대응한다.

일실시예에 따른 상기 심폐소생술 훈련 장치는 오브젝트의 일측에서 탈착 가능한 패치형 디바이스를 포함한다.

일실시예에 따른 심폐소생술 훈련 장치 동작 방법은 센서에서, 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 단계, 및 처리부에서, 상기 제1 파라미터와 심폐소생술에 연관되는 제2 파라미터 사이의 상관 관계를 학습하여 구축된 예측모델을 이용하여, 상기 심폐소생술에 연관되는 제2 파라미터를 추정하는 단계를 포함한다.

일실시예에 따른 상기 제1 파라미터를 측정하는 단계는, 상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력을 측정하는 단계를 포함하고, 상기 제2 파라미터를 추정하는 단계는, 상기 측정된 압력에 기인하여 상기 오브젝트의 일측이 압착되는 깊이 값을 추정하는 단계를 포함한다.

일실시예에 따른 상기 제1 파라미터를 측정하는 단계는, 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압을 측정하는 단계를 포함하고, 상기 제2 파라미터를 추정하는 단계는, 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량을 추정하는 단계를 포함한다.

일실시예에 따른 상기 센서는 오브젝트의 일측에서 탈착 가능한 패치형 디바이스를 포함한다.

일부실시예에 따르면, 심폐소생술 훈련에 따른 결과값을 연산하기 위한 과정을 줄여 심폐소생술 훈련 시 실시간의 피드백이 가능하다. 또한, 심폐소생술 훈련 시 마네킨 모델에 관계없이 연속적이고 일관된 데이터 측정이 가능하다. 나아가 정밀하고 신속한 값 측정에 의한 풍부한 피드백 제공으로 인해 심폐소생술 훈련에 따른 학습 효과 향상이 가능하다.

도 1은 일실시예에 따른 예측모델을 구축하는 데이터 처리 장치를 설명하는 도면이다.
도 2는 일실시예에 따른 예측모델을 이용하는 심폐소생술 훈련 장치를 설명하는 도면이다.
도 3은 일실시예에 따른 데이터 처리 장치의 동작과 심폐소생술 훈련 장치의 동작을 설명하는 흐름도이다.
도 4는 일실시예에 따른 예측모델 중 힘-깊이 선형 예측모형을 산출하는 방법을 설명하는 흐름도이다.
도 5는 도 4에서 산출된 힘-깊이 선형 예측모형을 설명하는 도면이다.
도 6은 일실시예에 따른 예측모델 중 기압-호흡량 선형 예측모형을 산출하는 방법을 설명하는 흐름도이다.
도 7은 도 6에서 산출된 기압-호흡량 선형 예측모형을 설명하는 도면이다.

이하에서, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 이러한 실시예들에 의해 권리범위가 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

아래 설명에서 사용되는 용어는, 연관되는 기술 분야에서 일반적이고 보편적인 것으로 선택되었으나, 기술의 발달 및/또는 변화, 관례, 기술자의 선호 등에 따라 다른 용어가 있을 수 있다. 따라서, 아래 설명에서 사용되는 용어는 기술적 사상을 한정하는 것으로 이해되어서는 안 되며, 실시예들을 설명하기 위한 예시적 용어로 이해되어야 한다.

또한 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세한 그 의미를 기재할 것이다. 따라서 아래 설명에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가지는 의미와 명세서 전반에 걸친 내용을 토대로 이해되어야 한다.

도 1은 일실시예에 따른 예측모델을 구축하는 데이터 처리 장치(100)를 설명하는 도면이다.

일실시예에 따른 데이터 처리 장치(100)는 심폐소생술의 교육 이전에 기계 학습의 한 방법인 지도학습을 적용하여 예측모델을 구축할 수 있다. 예를 들어, 데이터 처리 장치(100)는 특정 오브젝트에 대한 훈련 데이터들로부터 각각 압박 깊이와 호흡량과 관련된 예측모델을 생성할 수 있다.

구축된 예측모델은 해당 심폐소생술의 보정함수로 기록되어 실제 시행 단계인 교육 상황에서 훈련생의 시행에 대해 연속적이고 일관성 있는 깊이와 호흡량을 즉각적으로 제공할 수 있다. 또한, 예측모델이 오브젝트 별로 구축되기 때문에 각 오브젝트의 자체 특정이 반영될 수 있다.

이를 위해, 일실시예에 따른 데이터 처리 장치(100)는 제1 센서(110), 제2 센서(120), 및 처리부(130)를 포함할 수 있다.

먼저, 제1 센서(110)는 오브젝트에 반복 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하고, 제2 센서(120)는 심폐소생술에 연관되는 및 제2 파라미터를 측정한다.

처리부(130)는 제1 파라미터와 제2 파라미터 사이의 상관 관계를 예측모델로 구축할 수 있다.

일례로, 제1 파라미터는 심폐소생술에 연관되어 오브젝트에 가해지는 압력에 대응하고, 제2 파라미터는 압력에 기인하여 오브젝트의 일측이 압착되는 가속도에 대응할 수 있다. 즉, 제1 파라미터는 일정 횟수 이상으로 반복되는 심폐소생술에 의한 힘(pressure)을 포함할 수 있고, 제2 파라미터는 힘에 의해 오브젝트의 일측, 예를 들어 더미의 흉부가 압착되는 가속도를 포함할 수 있다. 가속도에 의해 깊이 값을 산출할 수 있기 때문에, 제2 파라미터를 더미의 흉부가 압착되는 깊이 값으로 해석할 수도 있다.

보다 구체적으로, 처리부(130)는 예측모델의 구축을 위해 제1 파라미터에 압력의 방향성을 고려하여 압박 주기 내 힘 값의 변위를 계산하여 힘 값을 계산할 수 있다. 또한, 처리부(130)는 가속도를 적분하여 속도를 산출하고, 산출된 속도를 적분하여 깊이를 산출하며, 산출된 깊이에 따른 거리 변위에 기초하여 깊이 값을 산출할 수 있다.

처리부(130)는 산출된 힘 값 및 깊이 값을 이용하여 예측모델을 구축할 수 있다. 이렇게 생성된 예측모델은 힘-깊이 선형 예측모형을 포함할 수 있다.

한편, 제1 파라미터는 심폐소생술에 연관되어 오브젝트에 인가되는 기압에 대응하고, 제2 파라미터는 기압에 기인하여 오브젝트의 일측, 예를 들어 더미의 흉부가 부풀어 오르는 호흡량에 대응할 수 있다.

이 경우, 처리부(130)는 압력 대신에 기압을 이용하고, 깊이 값 대신에 호흡량을 이용하여 기압-호흡량 선형 예측모형을 포함하는 예측모델을 생성할 수 있다. 예를 들어, 예측모델은 심폐소생술의 대상자에 대한 연령대, 성별 등에 따라 구분될 수 있다. 구체적으로, 30대의 성인 남성의 예측모델과 10대 여성의 예측모델은 서로 구분되어 생성될 수 있다. 예를 들어, 처리부(130)는 10대 여성의 예측모델에 가중치를 적용하여 30대의 성인 남성의 예측모델을 생성할 수 있다.

도 2는 일실시예에 따른 예측모델을 이용하는 심폐소생술 훈련 장치를 설명하는 도면이다.

일실시예에 따른 심폐소생술 훈련 장치(200)는 구축한 예측모델을 이용하여, 심폐소생술 훈련에 따른 결과값을 연산하는 과정을 줄여 심폐소생술 훈련 시 실시간의 피드백이 가능할 수 있게 한다. 또한, 일실시예에 따른 심폐소생술 훈련 장치(200)는 심폐소생술 훈련 시 마네킨 모델에 관계없이 연속적이고 일관된 데이터 측정이 가능하고, 정밀하고 신속한 값 측정에 의한 풍부한 피드백 제공으로 인해 심폐소생술 훈련에 따른 학습 효과를 높일 수 있다.

이를 위해, 일실시예에 따른 심폐소생술 훈련 장치(200)는 센서(210) 및 처리부(220)를 포함할 수 있다.

센서(210)는 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정한다. 이에, 처리부(220)는 기구축된 예측모델을 이용하여, 심폐소생술에 연관되는 제2 파라미터를 추정할 수 있다. 예측모델은 제1 파라미터와 심폐소생술에 연관되는 제2 파라미터 사이의 상관 관계를 학습하여 구축된 것으로서, 측정된 제1 파라미터에 상응하는 제2 파라미터를 제공한다.

예측모델은 저장부(230)에 기록 후 유지될 수 있고, 저장부(230)는 로컬의 메모리 또는 외부의 데이터베이스의 형태로 구현될 수 있다.

다시 말해, 예측모델을 이용하여 제1 파라미터에 상응하는 제2 파라미터를 추정하기 때문에 제2 파라미터 연산과정을 생략할 수 있다.

일례로, 제1 파라미터는 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력에 대응하고, 제2 파라미터는 압력에 기인하여 오브젝트의 일측이 압착되는 깊이 값에 대응할 수 있다. 즉, 압력 센서만을 이용하여 심폐소생술시 발생하는 훈련생의 힘 값을 측정하고, 측정된 힘 값을 제1 파라미터로 하여 예측모델에서 제2 파라미터인 깊이 값을 추정할 수 있다.

다른 일례로, 제1 파라미터는 심폐소생술에 연관되어 오브젝트에 인가되는 기압에 대응하고, 제2 파라미터는 기압에 기인하여 오브젝트의 일측이 부풀어 오르는 호흡량에 대응할 수 있다.

일실시예에 따른 심폐소생술 훈련 장치(200)는 추정된 깊이 값이 적절한 범위 내의 데이터인지를 확인하여 훈련생의 훈련 과정을 반복하거나 종료할 수 있다. 또한, 적절한 범위 내의 데이터인지를 훈련생에게 피드백 함으로써, 훈련생으로 하여금 교육에 따른 흥미를 향상시킬 수 있다.

일실시예에 따른 심폐소생술 훈련 장치(200)는 오브젝트의 일측에서 탈착 가능한 패치형 디바이스의 형태로 구현될 수 있다.

도 3은 일실시예에 따른 데이터 처리 장치의 동작과 심폐소생술 훈련 장치의 동작을 설명하는 흐름도이다.

일실시예에 따른 데이터 처리 장치에서는 심폐소생술에 연관되는 제1 파라미터를 측정하고(단계 301), 상기 측정된 제1 파라미터에 상응하여 제2 파라미터를 측정할 수 있다(단계 302). 또한, 데이터 처리 장치에서는 제1 파라미터와 제2 파라미터 사이의 상관 관계를 예측모델로 구축할 수 있다(단계 303).

일례로, 데이터 처리 장치에서는 오브젝트에 발생하는 제1 파라미터를 이용하여 심폐소생술에 연관되는 압력 변위를 측정하고, 오브젝트에 발생하는 제2 파라미터를 측정하여 거리 변위를 계산할 수 있다. 또한, 계산된 압력 변위에 상응하는 힘 값 및 계산된 거리 변위에 상응하는 깊이 값을 계산하고, 이를 미리 지정된 회수 이상으로 반복하여 힘 값 및 깊이 값에 의한 예측모델을 구축할 수 있다.

만약, 데이터 처리 장치에서 제1 파라미터로서 기압을 측정하고, 제2 파라미터로서 호흡량을 측정하였다면, 데이터 처리 장치는 기압-호흡량 정보가 포함된 예측모델을 구축할 수 있다.

단계 301 내지 단계 303을 통해 데이터 처리 장치에서 예측모델을 구축할 수 있다.

심폐소생술 훈련 장치에서, 구축된 예측모델을 심폐소생술 훈련에 이용할 수 있다.

구체적으로, 심폐소생술 훈련 장치는 센싱 정보가 수집되면, 생성된 예측모델을 로드할 수 있다(단계 304). 예를 들어, 심폐소생술 훈련 장치는 센서를 통해 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 경우, 기구축된 예측모델을 로드할 수 있다.

일례로, 예측모델은 로컬 메모리에 기록될 수 있고, 유무선 네트워크를 통해 외부의 데이터베이스에 기록될 수도 있다.

다음으로, 심폐소생술 훈련 장치는 예측모델을 이용하여 깊이 값 및 호흡량 중에서 적어도 하나를 추출할 수 있다(단계 305).

만약, 측정한 제1 파라미터가 압력 센서에 의한 압력(힘 값)인 경우, 심폐소생술 훈련 장치는 예측모델을 이용하여 압력에 상응하는 깊이 값을 추출할 수 있다. 또한, 측정한 제1 파라미터가 기압 센서에 의한 기압인 경우, 심폐소생술 훈련 장치는 예측모델을 이용하여 기압에 상응하는 호흡량을 추출할 수 있다.

도 4는 일실시예에 따른 예측모델 중 힘-깊이 선형 예측모형을 산출하는 방법을 설명하는 흐름도이다.

제1 파라미터는 심폐소생술에 연관되어 오브젝트에 가해지는 압력에 대응하고, 제2 파라미터는 압력에 기인하여 오브젝트의 일측이 압착되는 가속도인 경우, 예측모델은 힘-깊이 선형 예측모형을 포함할 수 있다.

구체적으로, 데이터 처리 장치의 동작 방법은 훈련생에 의해 시행되는 압박(401)에 응답하여, 압력 변위에 의한 힘 값을 제1 파라미터로 산출할 수 있다(단계 402). 또한, 데이터 처리 장치의 동작 방법은 압박(단계 401)에 응답하여, 가속도 값의 적분을 통해 속도를 산출하고(단계 403), 산출된 속도의 적분에 의한 깊이를 산출하며(단계 404), 산출된 깊이를 이용하여 더미의 흉부가 압착되는 깊이 값을 산출할 수 있다(단계 405).

압박 시행 시, 데이터 처리 장치의 동작 방법은 압력 센서로부터 측정되는 힘 값과 3축 가속도 센서로부터 측정되는 각 축에 대한 가속도를 산출할 수 있다. 또한, 방향성을 고려하여 압박 주기를 구분하고 주기 내 힘 값의 변위, 예를 들어 최고값과 최저값의 차를 계산하여 깊이 값 산출에 이용할 수 있다.

데이터 처리 장치의 동작 방법은 단계 402 내지 단계 405의 과정을 미리 지정된 횟수 이상으로 반복할 수 있다. 일례로, 도면부호 406과 같이 단계 402 내지 단계 405의 과정을 30회 이상 반복할 수 있다.

단계 406의 반복 과정이 종료되면, 데이터 처리 장치의 동작 방법은 힘-깊이 데이터를 획득하고(단계 408), 이를 기반으로 힘-깊이 선형 예측 모형을 산출할 수 있다(단계 408).

도 5는 도 4에서 산출된 힘-깊이 선형 예측모형(500)을 설명하는 도면이다.

도 4의 단계 402 내지 단계 405와 같이, 압박에 상응하는 학습이 진행될 때마다 2차원 훈련 데이터가 하나씩 생성되며 통계적으로 충분한 수의 데이터를 수집하기까지 반복한 결과, 힘-깊이 선형 예측모형(500)이 산출될 수 있다. 힘-깊이 선형 예측모형(500)은 선형 회귀 분석 방법에 의해 충분한 이차원 데이터로부터 예측될 수 있고, 예를 들어 최소자승법(least-square) 등이 사용될 수 있다.

이후 훈련의 시행 단계에는, 해당 마네킨에 상응하는 힘-깊이 선형 예측모형(500)을 언제든지 로드하여 활용할 수 있다. 따라서, 힘-깊이 선형 예측모형(500)을 이용해서 실제 교육시 압력 센서에 의한 힘 값만으로 대응되는 깊이 값을 실시간으로 획득할 수 있다.

또한, 센싱된 힘 값이 힘-깊이 선형 예측모형(500) 중 도면부호 510에 해당하는지를 판단함으로써, 현재 통용되는 적정 심폐소생술에 따른 압박 기준에 따른 평가가 용이하다.

도 6은 일실시예에 따른 예측모델 중 기압-호흡량 선형 예측모형을 산출하는 방법을 설명하는 흐름도이다.

제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압에 대응하고, 제2 파라미터는 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량에 대응될 수 있다. 이 경우, 예측모델은 기압-호흡량 선형 예측모형을 포함할 수 있다.

구체적으로, 데이터 처리 장치의 동작 방법은 훈련생에 의해 시행되는 호흡(601)에 응답하여, 적정 호흡량 내의 공기를 오브젝트에 주입할 수 있다(단계 602).

샘플 데이터 획득을 위한 호흡은 공기주입기 또는 심폐소생술 전문가의 실제 호흡 등의 형태로 수행될 수 있다.

이에, 데이터 처리 장치의 동작 방법은 센서를 통해 오브젝트에 주입된 공기에 의합 기압을 측정한다(단계 603). 기압을 측정하기 위해, 데이터 처리 장치의 동작 방법은 단일 기압 센서를 사용하며 이는 마네킨 내부의 호흡팩과 연결되어 호흡팩 내부의 기압을 측정할 수 있도록 부착될 수 있다.

데이터 처리 장치의 동작 방법은 샘플 데이터의 획득을 위해 단계 601 내지 603의 과정을 반복하고(단계 605), 30회 이상 반복한 결과 기압-호흡량 데이터를 획득한다(단계 604).

이후, 데이터 처리 장치의 동작 방법은 상기 획득한 기압-호흡량 데이터를 이용하여 기압-호흡량 선형 예측 모형을 산출할 수 있다(단계 606).

도 7은 도 6에서 산출된 기압-호흡량 선형 예측모형(700)을 설명하는 도면이다.

도 6의 단계 601 내지 단계 603와 같이, 호흡에 상응하는 학습이 진행될 때마다 2차원 훈련 데이터가 하나씩 생성되며 통계적으로 충분한 수의 데이터를 수집하기까지 반복할 수 있다. 이 결과, 데이터 처리 장치의 동작 방법은 기압-호흡량 선형 예측모형(700)을 산출할 수 있다. 기압-호흡량 선형 예측모형(700)은 선형 회귀 분석 방법에 의해 충분한 이차원 데이터로부터 예측될 수 있고, 예를 들어 최소자승법(least-square) 등이 사용될 수 있다. 또한, 호흡량 센싱에서 선형 모형을 사용하는 이유는 실제 교육에서 사용자에 의한 호흡 측정시 계산량을 줄이고 일관성 있는 호흡 피드백을 제공할 수 있다.

이후 훈련의 시행 단계에는, 기압-호흡량 선형 예측모형(700)을 이용해서 실제 교육시 기압 센서에 의해 수집된 기압만으로 대응되는 호흡량을 실시간으로 획득할 수 있다.

본 발명에 따르면, 심폐소생술 훈련에 따른 결과값을 연산하기 위한 과정을 줄여 심폐소생술 훈련 시 실시간의 피드백이 가능하다. 뿐만 아니라, 심폐소생술 훈련 시 마네킨 모델에 관계없이 연속적이고 일관된 데이터 측정이 가능하고, 정밀하고 신속한 값 측정에 의한 풍부한 피드백 제공으로 인해 심폐소생술 훈련에 따른 학습 효과를 높일 수 있다.

본 발명의 일실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 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. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (1)

1. 오브젝트에 반복 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 제1 센서;
   상기 심폐소생술에 연관되는 및 제2 파라미터를 측정하는 제2 센서; 및
   상기 제1 파라미터와 상기 제2 파라미터 사이의 상관 관계를 예측모델로 구축하는 처리부
   를 포함하는 데이터 처리 장치.

Images