KR20180009637A - 이종 스펙트럼 기반 혈당 추정 장치 및 방법 - Google Patents

이종 스펙트럼 기반 혈당 추정 장치 및 방법 Download PDF

Info

Publication number
KR20180009637A
KR20180009637A KR1020160091622A KR20160091622A KR20180009637A KR 20180009637 A KR20180009637 A KR 20180009637A KR 1020160091622 A KR1020160091622 A KR 1020160091622A KR 20160091622 A KR20160091622 A KR 20160091622A KR 20180009637 A KR20180009637 A KR 20180009637A
Authority
KR
South Korea
Prior art keywords
blood glucose
training
data
glucose profile
type
Prior art date
Application number
KR1020160091622A
Other languages
English (en)
Other versions
KR102655736B1 (ko
Inventor
이우창
김영훈
박진영
신의석
최우식
김성범
Original Assignee
삼성전자주식회사
고려대학교 산학협력단
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, 고려대학교 산학협력단 filed Critical 삼성전자주식회사
Priority to KR1020160091622A priority Critical patent/KR102655736B1/ko
Priority to US15/417,408 priority patent/US10952650B2/en
Priority to EP17163889.3A priority patent/EP3272280B1/en
Publication of KR20180009637A publication Critical patent/KR20180009637A/ko
Priority to US17/178,482 priority patent/US11771346B2/en
Priority to KR1020230156708A priority patent/KR102715508B1/ko
Application granted granted Critical
Publication of KR102655736B1 publication Critical patent/KR102655736B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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 or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration or pH-value ; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid or 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/04—Constructional details of apparatus
    • A61B2560/0475—Special features of memory means, e.g. removable memory cards
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0233—Special features of optical sensors or probes classified in A61B5/00
    • A61B2562/0238—Optical sensor arrangements for performing transmission measurements on body tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • A61B5/443—Evaluating skin constituents, e.g. elastin, melanin, water
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4884—Other medical applications inducing physiological or psychological stress, e.g. applications for stress testing

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Emergency Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Dermatology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)

Abstract

이종 스펙트럼 기반 혈당 추정 장치 및 방법이 개시된다. 일 양상에 따른 혈당 추정 모델 생성 장치는, 제1종 스펙트럼-혈당 프로파일 관계 모델을 기반으로 추정된 사용자의 혈당 프로파일 데이터를 획득하는 데이터 획득부와, 상기 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 측정하는 제2종 스펙트럼 측정부와, 상기 획득된 혈당 프로파일 데이터 및 상기 측정된 훈련용 제2종 스펙트럼 데이터를 기반으로 개인화된 혈당 추정 모델을 생성하는 프로세서를 포함할 수 있다.

Description

이종 스펙트럼 기반 혈당 추정 장치 및 방법{Heterogeneous spectrum-based blood sugar estimation apparatus and method}
혈당 추정 기술에 관한 것으로 특히, 이종 스펙트럼을 이용하여 혈당을 추정하는 장치 및 방법과 관련된다.
오늘날에는 개선된 생활 환경으로 인해 성인병이 증가하게 되었고, 이로 인해 사용자들은 종래에 비하여 건강에 더 높은 관심을 가지게 되었다. 그 중에서도 고혈압, 당뇨병 등과 같은 성인병은 점차 환자가 증가되고 있는 실정이다. 이러한 만성 질환 환자의 경우 병원 방문도 필요하지만 자신이 직접 주기적으로 혈압, 혈당량을 확인함으로써 수시로 자신의 상태를 추적 검사해야 하고 그에 대한 적절한 대응을 취해야 한다. 예를 들어, 당뇨병 환자들은 혈액 중의 혈당치를 주기적으로 측정하여 적절한 혈당치로 유지 조절하기 위해 하루에 약 6번 정도의 혈당을 모니터할 필요가 있다.
이에 따라 이들을 위한 혈압계, 혈당계, 인슐린 펌프 등의 휴대용 개인 의료 기기의 확산 속도가 증가하고 있다. 이러한 추세에 따라 상기와 같은 의료 기기 및 의료 서비스에 대한 표준화 작업이 활성화되고 있고, 이를 활용하는 개인 의료 기기와 서비스들이 보급되고 있다.
현재 혈당을 측정하는 의료 기기 중의 하나로 침습형 혈당계가 있다. 이러한 침습형 혈당계를 이용한 방식은 바늘을 피부아래로 침투시켜 직접 피를 채취한 후 혈당량을 검사하게 된다. 그러나 이러한 방식은 채혈하는 과정에서 환자는 매번 바늘을 찔렀을 때의 고통을 느낄 수 있으며, 바늘을 찌른 부위에 대한 감염의 부담도 따른다. 이와 같이 침습형 혈당계는 사용자에게 불편을 유발할 수 있으므로 바늘을 이용하지 않고 피부 아래의 세포간액의 혈당량을 측정할 수 있는 분광 분석법에 기반한 비침습형 혈당계가 개발되었다.
그러나, 비침습형 혈당계를 이용하더라도 칼리브레이션(calibration) 즉, 개인화된 혈당 추정 모델을 생성하기 위해서는 여전히 다수의 채혈 과정이 필요하다.
이종 스펙트럼을 이용하여 혈당을 추정하는 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 혈당 추정 모델 생성 장치는, 제1종 스펙트럼-혈당 프로파일 관계 모델을 기반으로 추정된 사용자의 혈당 프로파일 데이터를 획득하는 데이터 획득부와, 상기 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 측정하는 제2종 스펙트럼 측정부와, 상기 획득된 혈당 프로파일 데이터 및 상기 측정된 훈련용 제2종 스펙트럼 데이터를 기반으로 개인화된 혈당 추정 모델을 생성하는 프로세서를 포함할 수 있다.
제1종 스펙트럼은 라만 스펙트럼이고, 제2종 스펙트럼은 근적외선 스펙트럼일 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 생성될 수 있다.
상기 훈련용 혈당 프로파일 데이터는, 상기 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test)를 수행하여 획득될 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터를 정답(target)으로 하여 기계학습을 통하여 생성될 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답(target)으로 하여 기계 학습을 통하여 생성될 수 있다.
기계 학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나 일 수 있다.
상기 제2종 스펙트럼 측정부는, 사용자의 피부에 광을 조사하는 광원과, 사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 훈련용 제2종 스펙트럼 데이터를 측정하는 분광기를 포함할 수 있다.
상기 프로세서는, 기계 학습을 통하여 상기 개인화된 혈당 추정 모델을 생성할 수 있다.
상기 프로세서는, 상기 획득된 혈당 프로파일 데이터로부터 상기 측정된 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값을 산출하고, 상기 훈련용 제2종 스펙트럼 데이터를 입력으로 하고 상기 산출된 혈당값을 정답(target)으로 하여 기계 학습을 통하여 개인화된 혈당 추정 모델을 생성할 수 있다.
다른 양상에 따른 혈당 프로파일 추정 장치는, 제1종 스펙트럼-혈당 프로파일 관계 모델을 저장하는 저장부와, 사용자의 피부에 대한 제1종 스펙트럼 데이터를 측정하는 제1종 스펙트럼 측정부와, 상기 제1종 스펙트럼-혈당 프로파일 관계 모델 및 상기 측정된 제1종 스펙트럼 데이터를 기반으로 상기 사용자의 혈당 프로파일을 추정하는 프로세서를 포함할 수 있다.
제1종 스펙트럼은 라만 스펙트럼일 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 생성될 수 있다.
상기 훈련용 혈당 프로파일 데이터는 상기 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test)를 수행하여 획득될 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터를 정답(target)으로 하여 기계학습을 통하여 생성될 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답(target)으로 하여 기계학습을 통하여 생성될 수 있다.
기계 학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
상기 제1종 스펙트럼 측정부는, 사용자의 피부에 광을 조사하는 광원과, 사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 제1종 스펙트럼 데이터를 측정하는 분광기를 포함할 수 있다.
상기 프로세서는, 상기 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하여 기계학습을 통해 생성된 경우, 상기 측정된 제1종 스펙트럼 데이터를 상기 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 출력된 혈당 프로파일을 사용자의 혈당 프로파일로 추정할 수 있다.
상기 프로세서는, 상기 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답(target)으로 하여 기계학습을 통해 생성된 경우, 상기 측정된 제1종 스펙트럼 데이터를 상기 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 출력된 AUC 값을 기반으로 사용자의 혈당 프로파일을 추정할 수 있다.
상기 프로세서는, 기준 혈당 프로파일의 AUC 값이 상기 출력된 AUC 값이 되도록 상기 기준 혈당 프로파일을 조정하고, 상기 조정된 기준 혈당 프로파일의 데이터를 사용자의 혈당 프로파일 데이터로 추정할 수 있다.
또 다른 양상에 따른 혈당 추정 장치는, 개인화된 혈당 추정 모델을 저장하는 저장부와, 사용자의 피부에 대한 제2종 스펙트럼 데이터를 측정하는 제2종 스펙트럼 측정부와, 상기 측정된 제2종 스펙트럼 데이터 및 개인화된 혈당 추정 모델을 기반으로 상기 사용자의 혈당을 추정하는 프로세서를 포함하고, 상기 혈당 추정 모델은, 제1종 스펙트럼-혈당 프로파일 관계 모델을 기반으로 추정된 사용자의 혈당 프로파일 데이터 및 상기 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 기반으로 생성될 수 있다.
제1종 스펙트럼은 라만 스펙트럼이고, 제2종 스펙트럼은 근적외선 스펙트럼일 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 생성될 수 있다.
상기 훈련용 혈당 프로파일 데이터는 상기 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test)를 수행하여 획득될 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터를 정답(target)으로 하여 기계학습을 통하여 생성될 수 있다.
상기 제1종 스펙트럼-혈당 프로파일 관계 모델은, 상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답(target)으로 하여 기계 학습을 통하여 생성될 수 있다.
기계 학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
상기 제2종 스펙트럼 측정부는, 사용자의 피부에 광을 조사하는 광원과, 사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 제2종 스펙트럼 데이터를 측정하는 분광기를 포함할 수 있다.
상기 개인화된 혈당 추정 모델은, 기계학습을 통하여 생성될 수 있다.
제1종 스펙트럼을 기반으로 사용자의 혈당 프로파일을 추정하고, 제2종 스펙트럼을 기반으로 사용자의 혈당을 추정하기 위한 개인화된 혈당 추정 모델 생성에 추정된 혈당 프로파일을 이용함으로써, 혈당 추정의 정확성을 향상시킬 수 있다.
또한, 다수의 채혈 과정 없이 개인화될 혈당 추정 모델을 생성할 수 있다.
도 1은 이종(heterogeneous) 스펙트럼 기반 혈당 추정 장치의 일 실시예를 도시한 블록도이다.
도 2는 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치의 일 실시예를 도시한 블록도이다.
도 3은 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치의 다른 실시예를 도시한 블록도이다.
도 4는 혈당 프로파일 추정 장치의 일 실시예를 도시한 블록도이다.
도 5는 혈당 프로파일 추정 장치의 다른 실시예를 도시한 블록도이다.
도 6은 혈당 프로파일 데이터 추정 방법의 일 실시예를 설명하기 위한 예시도이다.
도 7은 혈당 추정 모델 생성 장치의 일 실시예를 도시한 블록도이다.
도 8은 혈당 추정 모델 생성 장치의 다른 실시예를 도시한 블록도이다.
도 9는 혈당 추정 장치의 일 실시예를 도시한 블록도이다.
도 10는 혈당 추정 장치의 다른 실시예를 도시한 블록도이다.
도 11은 이종(heterogeneous) 스펙트럼 기반 혈당 추정 방법의 일 실시예를 도시한 흐름도이다.
도 12는 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 방법의 일 실시예를 도시한 흐름도이다.
도 13은 혈당 프로파일 추정 방법의 일 실시예를 도시한 흐름도이다.
도 14는 혈당 추정 모델 생성 방법의 일 실시예를 도시한 흐름도이다.
도 15는 혈당 추정 방법의 일 실시예를 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 다라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 이종(heterogeneous) 스펙트럼 기반 혈당 추정 장치의 일 실시예를 도시한 블록도이다.
도 1을 참조하면, 이종 스펙트럼 기반 혈당 추정 장치(100)는 제1종 스펙트럼-혈당 프로파일 관계 모델 생성부(110), 혈당 프로파일 추정부(120), 혈당 추정 모델 생성부(130) 및 혈당 추정부(140)를 포함할 수 있다.
제1종 스펙트럼-혈당 프로파일 관계 모델 생성부(110)는 제1종 스펙트럼과 혈당 프로파일간의 관계를 정의하는 모델(이하, 제1종 스펙트럼-혈당 프로파일 관계 모델)을 생성할 수 있다. 이때, 제1종 스펙트럼은 피부에 대한 라만(Raman) 스펙트럼일 수 있고, 혈당 프로파일은 시간에 따른 혈당 추세(trend)일 수 있다.
일 실시예에 따르면, 제1종 스펙트럼-혈당 프로파일 관계 모델 생성부(110)는 피검체의 피부에 대한 훈련용 제1종 스펙트럼 데이터와 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 제1종 스펙트럼-혈당 프로파일 관계 모델을 생성할 수 있다. 이때, 훈련용 혈당 프로파일 데이터는 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test, OGTT)를 수행하여 획득된 데이터일 수 있다.
또한. 기계학습 알고리즘은 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 등을 포함할 수 있다. 그러나 이에 한정되는 것은 아니다.
혈당 프로파일 추정부(120)는 사용자의 혈당 프로파일 데이터를 추정할 수 있다.
일 실시예에 따르면, 혈당 프로파일 추정부(120)는 제1종 스펙트럼-혈당 프로파일 관계 모델을 이용하여 사용자의 혈당 프로파일 데이터를 추정할 수 있다. 예컨대, 혈당 프로파일 추정부(120)는 사용자의 피부에 대한 제1종 스펙트럼 데이터를 획득하고, 획득된 제1종 스펙트럼 데이터를 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 사용자의 혈당 프로파일 데이터를 추정할 수 있다.
혈당 추정 모델 생성부(130)는 개인화된 혈당 추정 모델을 생성할 수 있다.
일 실시예에 따르면, 혈당 추정 모델 생성부(130)는 사용자 피부에 대한 훈련용 제2종 스펙트럼 데이터와, 혈당 프로파일 추정부(120)에서 추정된 사용자의 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 개인화된 혈당 추정 모델을 생성할 수 있다. 이때, 제2종 스펙트럼은 근적외선(Near-Infrared, NIR) 스펙트럼일 수 있다.
예컨대, 혈당 추정 모델 생성부(130)는 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 입력으로 하고, 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값을 정답(target)으로 하여 기계학습을 통해 개인화된 혈당 추정 모델을 생성할 수 있다. 이때, 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값은 추정된 사용자의 혈당 프로파일 데이터로부터 산출될 수 있다.
혈당 추정부(140)는 사용자의 혈당을 추정할 수 있다.
일 실시예에 따르면, 혈당 추정부(140)는 개인화된 혈당 추정 모델을 이용하여 사용자의 혈당을 추정할 수 있다. 예컨대, 혈당 추정부(140)는 사용자의 피부에 대한 제2종 스펙트럼 데이터를 획득하고, 획득된 제2종 스펙트럼 데이터를 혈당 추정 모델에 입력하여 사용자의 혈당을 추정할 수 있다.
한편, 이종(heterogeneous) 스펙트럼 기반 혈당 추정 장치(100)는 하나의 소프트웨어 모듈로 구현되거나 하나의 하드웨어 칩 형태로 제작되어 하나의 전자 장치에 탑재되거나, 이종(heterogeneous) 스펙트럼 기반 혈당 추정 장치(100)를 구성하는 구성부(제1종 스펙트럼-혈당 프로파일 관계 모델 생성부(110), 혈당 프로파일 추정부(120), 혈당 추정 모델 생성부(130) 및 혈당 추정부(140)) 각각이 별개의 소프트웨어 모듈로 구현되거나 별개의 하드웨어 칩으로 제작되어 별개의 전자 장치에 탑재될 수 있다. 여기서, 전자 장치는 고정 단말 및 이동 단말을 포함할 수 있고, 고정 단말은 디지털 TV, 데스크탑 컴퓨터 등을 포함할 수 있고, 이동 단말은 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있다. 그러나 전자 장치는 상술한 예에 제한되지 않으며, 다양한 디바이스를 포함할 수 있다.
도 2는 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치의 일 실시예를 도시한 블록도이다. 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(200)는 도 1의 제1종 스펙트럼-혈당 프로파일 관계 모델 생성부(110)의 일 실시예일 수 있다.
도 2를 참조하면, 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(200)는 데이터 획득부(210) 및 프로세서(220)를 포함할 수 있다.
데이터 획득부(210)는 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 획득할 수 있다. 여기서, 제1종 스펙트럼은 라만 스펙트럼일 수 있다.
일 실시예에 따르면, 데이터 획득부(210)는 소정의 데이터베이스 또는 외부 장치로부터 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 획득할 수 있다. 이때, 훈련용 혈당 프로파일 데이터는 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test, OGTT)를 수행하여 획득된 데이터일 수 있다.
프로세서(220)는 획득된 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통해 제1종 스펙트럼-혈당 프로파일 관계 모델을 생성할 수 있다. 여기서 기계학습 알고리즘은 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시예에 따르면, 프로세서(220)는 훈련용 제1종 스펙트럼 데이터를 입력으로 하고, 훈련용 혈당 프로파일 데이터를 정답(target)으로 하여 기계학습을 통해 제1종 스펙트럼-혈당 프로파일 관계 모델을 생성할 수 있다.
다른 실시예에 따르면, 프로세서(220)는 훈련용 혈당 프로파일 데이터로부터 훈련용 혈당 프로파일의 AUC(Area Under the Curve) 값을 산출하고 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 산출된 AUC 값을 정답으로 하여 기계학습을 통해 제1종 스펙트럼-혈당 프로파일 관계 모델을 생성할 수 있다.
도 3은 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치의 다른 실시예를 도시한 블록도이다.
도 3를 참조하면, 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(300)는 도 2의 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(200)에 비하여, 입력부(310), 저장부(320), 통신부(330) 및 출력부(340)를 선택적으로 더 포함할 수 있다.
입력부(310)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(310)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad)(정압/정전), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
저장부(320)는 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(300)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 입/출력되는 데이터들을 저장할 수 있다. 또한, 저장부(320)는 생성된 제1종 스펙트럼-혈당 프로파일 관계 모델을 저장할 수 있다.
저장부(320)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등을 포함할 수 있다. 또한, 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(300)는 인터넷 상에서 저장부(320)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(330)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(330)는 입력부(310)를 통해 입력된 데이터, 프로세서(220)에서 생성된 제1종 스펙트럼-혈당 프로파일 관계 모델 등을 외부 장치로 전송하거나, 외부 장치로부터 제1종 스펙트럼-혈당 프로파일 관계 모델 생성을 위한 데이터를 수신할 수 있다.
이때, 외부 장치는 생성된 제1종 스펙트럼-혈당 프로파일 관계 모델을 사용하는 의료 장치, 결과물을 출력하기 위한 프린트, 또는 생성된 제1종 스펙트럼-혈당 프로파일 관계 모델과 관련된 데이터를 디스플레이하는 디스플레이 장치일 수 있다. 이외에도 외부 기기는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등 일 수 있으나, 이에 제한되지 않는다.
출력부(340)는 제1종 스펙트럼-혈당 프로파일 관계 모델 생성과 관련된 데이터 및 생성된 제1종 스펙트럼-혈당 프로파일 관계 모델과 관련된 데이터를 출력할 수 있다. 일 실시예에 따르면, 출력부(340)는 제1종 스펙트럼-혈당 프로파일 관계 모델 생성과 관련된 데이터 및 생성된 제1종 스펙트럼-혈당 프로파일 관계 모델과 관련된 데이터를 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 예컨대, 출력부(340)는 음성, 텍스트, 진동 등을 이용하여 제1종 스펙트럼-혈당 프로파일 관계 모델 생성과 관련된 데이터 및 생성된 제1종 스펙트럼-혈당 프로파일 관계 모델과 관련된 데이터를 출력할 수 있다. 이를 위해 출력부(340)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 4는 혈당 프로파일 추정 장치의 일 실시예를 도시한 블록도이다. 혈당 프로파일 추정 장치(400)는 도 1의 혈당 프로파일 추정부(120)의 일 실시예일 수 있다.
도 4를 참조하면, 혈당 프로파일 추정 장치(400)는 제1종 스펙트럼 측정부(410), 저장부(420) 및 프로세서(430)를 포함할 수 있다.
제1종 스펙트럼 측정부(410)는 사용자의 피부에 대한 제1종 스펙트럼(예컨대, 라만 스펙트럼) 데이터를 측정할 수 있다. 이를 위해 제1종 스펙트럼 측정부(410)는 사용자의 피부에 광을 조사하는 광원(411) 및 사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 제1종 스펙트럼 데이터를 측정하는 분광기(412)를 포함할 수 있다. 여기서 광원(411)은 발광 다이오드(light emitted diode, LED) 또는 레이저 다이오드(laser diode) 등을 포함할 수 있고, 분광기(412)는 포토 다이오드(photo diode), 포토 트랜지스터(photo transistor, PTr) 또는 전자 결합소자(charge-couple device, CCD) 등을 포함할 수 있다.
저장부(420)는 제1종 스펙트럼-혈당 프로파일 관계 모델을 저장할 수 있다. 이때, 제1종 스펙트럼-혈당 프로파일 관계 모델은 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하거나, 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 훈련용 혈당 프로파일의 AUC 값을 정답으로 하여 기계학습을 통해 생성될 수 있다.
또한, 저장부(420)는 혈당 프로파일 추정 장치(400)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 입/출력되는 데이터들을 저장할 수 있다.
저장부(420)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등을 포함할 수 있다. 또한, 혈당 프로파일 추정 장치(400)는 인터넷 상에서 저장부(420)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
프로세서(430)는 측정된 제1종 스펙트럼 데이터 및 저장된 제1종 스펙트럼-혈당 프로파일 관계 모델을 기반으로 사용자의 혈당 프로파일 데이터를 추정할 수 있다.
일 실시예에 따르면, 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하여 기계학습을 통해 생성된 경우, 제1종 스펙트럼-혈당 프로파일 관계 모델의 출력은 혈당 프로파일 데이터의 형태로 나타난다. 이 경우, 프로세서(430)는 측정된 제1종 스펙트럼 데이터를 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 출력된 혈당 프로파일 데이터를 사용자의 혈당 프로파일 데이터로 추정할 수 있다.
다른 실시예에 따르면, 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 혈당 프로파일의 AUC 값을 정답으로 하여 기계학습을 통해 생성된 경우, 제1종 스펙트럼-혈당 프로파일 관계 모델의 출력은 AUC의 형태, 즉 추정하고자 하는 사용자의 혈당 프로파일의 AUC 값으로 나타난다. 이 경우, 프로세서(430)는 측정된 제1종 스펙트럼 데이터를 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 출력된 AUC 값을 기반으로 사용자의 혈당 프로파일 데이터를 추정할 수 있다. 예컨대, 프로세서(430)는 기준 혈당 프로파일의 AUC 값이 출력된 AUC 값이 되도록 기준 혈당 프로파일을 조정(예컨대, 그래프 높낮이 조정 등)하고, 조정된 기준 혈당 프로파일을 사용자의 혈당 프로파일로 추정할 수 있다. 이때, 기준 혈당 프로파일은 다수 피검체의 혈당 프로파일을 가장 잘 표현할 수 있는 혈당 프로파일로서 실험적으로 도출될 수 있다.
도 5는 혈당 프로파일 추정 장치의 다른 실시예를 도시한 블록도이다.
도 5를 참조하면, 혈당 프로파일 추정 장치(500)는 도 4의 혈당 프로파일 추정 장치(400)에 비하여, 입력부(510), 통신부(520) 및 출력부(530)를 선택적으로 더 포함할 수 있다.
입력부(510)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(510)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad)(정압/정전), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
통신부(520)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(520)는 입력부(510)를 통해 입력된 데이터, 프로세서(430)에서 추정된 사용자의 혈당 프로파일 데이터 등을 외부 장치로 전송하거나, 외부 장치로부터 사용자의 혈당 프로파일 데이터를 추정하기 위한 데이터를 수신할 수 있다.
이때, 외부 장치는 추정된 혈당 프로파일 데이터를 사용하는 의료 장치, 결과물을 출력하기 위한 프린트, 또는 추정된 혈당 프로파일 데이터를 디스플레이하는 디스플레이 장치일 수 있다. 이외에도 외부 장치는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등 일 수 있으나, 이에 제한되지 않는다.
출력부(530)는 사용자의 혈당 프로파일 데이터 추정과 관련된 데이터 및 추정 결과 데이터를 출력할 수 있다. 일 실시예에 따르면, 출력부(530)는 사용자의 혈당 프로파일 데이터 추정과 관련된 데이터 및 추정 결과 데이터를 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 예컨대, 출력부(530)는 음성, 텍스트, 진동 등을 이용하여 사용자의 혈당 프로파일 데이터 추정과 관련된 데이터 및 추정 결과 데이터를 출력할 수 있다. 이를 위해 출력부(530)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 6은 혈당 프로파일 데이터 추정 방법의 일 실시예를 설명하기 위한 예시도이다.
전술한 바와 같이, 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 혈당 프로파일의 AUC 값을 정답으로 하여 기계학습을 통해 생성된 경우, 제1종 스펙트럼-혈당 프로파일 관계 모델의 출력은 AUC의 형태, 즉 추정하고자 하는 사용자의 혈당 프로파일의 AUC 값으로 나타난다. 이 경우, 혈당 프로파일 추정 장치(400)는 기준 혈당 프로파일의 AUC 값이 출력된 AUC 값이 되도록 기준 혈당 프로파일을 조정하고 조정된 기준 혈당 프로파일의 데이터를 사용자의 혈당 프로파일 데이터로 추정할 수 있다. 이때, 기준 혈당 프로파일의 조정은 기준 혈당 프로파일의 그래프 형태를 유지한 상태에서 그래프 높낮이를 조정함으로써 이루어질 수 있다.
도 6의 예에서, 측정된 사용자의 제1종 스펙트럼 데이터를 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력한 결과로서 Case 1은 제1종 스펙트럼-혈당 프로파일 관계 모델의 출력이 AUC = 90 인 경우를 나타내며, Case 2는 제1종 스펙트럼-혈당 프로파일 관계 모델의 출력이 AUC = 110인 경우를 나타낸다.
Case 1의 경우, 제1종 스펙트럼-혈당 프로파일 관계 모델의 출력 AUC 값 90이므로, 혈당 프로파일 추정 장치(400)는 기준 혈당 프로파일(610)의 AUC 값이 90이 되도록 기준 혈당 프로파일(610)을 조정하고 조정된 기준 혈당 프로파일(620)의 데이터를 사용자의 혈당 프로파일 데이터로 추정한다.
Case 2의 경우, 제1종 스펙트럼-혈당 프로파일 관계 모델의 출력 AUC 값 120이므로, 혈당 프로파일 추정 장치(400)는 기준 혈당 프로파일(610)의 AUC 값이 90이 되도록 기준 혈당 프로파일(610)을 조정하고 조정된 기준 혈당 프로파일(620)의 데이터를 사용자의 혈당 프로파일 데이터로 추정한다.
도 7은 혈당 추정 모델 생성 장치의 일 실시예를 도시한 블록도이다. 혈당 추정 모델 생성 장치(700)는 도 1의 혈당 추정 모델 생성부(130)의 일 실시예일 수 있다.
도 7을 참조하면, 혈당 추정 모델 생성 장치(700)는 데이터 획득부(710), 제2종 스펙트럼 측정부(720) 및 프로세서(730)를 포함할 수 있다.
데이터 획득부(710)는 사용자의 혈당 프로파일 데이터를 획득할 수 있다. 이때, 사용자의 혈당 프로파일 데이터는 제1종 스펙트럼-혈당 프로파일 관계 모델 및 사용자의 피부에 대한 제1종 스펙트럼 데이터를 기반으로 추정된 것으로 소정의 데이터베이스 또는 외부 장치로부터 획득될 수 있다. 여기서, 제1종 스펙트럼은 라만 스펙트럼일 수 있다.
한편, 제1종 스펙트럼-혈당 프로파일 관계 모델은 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하거나, 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 AUC 값을 정답으로 하여 기계학습을 통해 생성될 수 있다. 훈련용 혈당 프로파일 데이터는 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사를 수행하여 획득될 수 있다.
제2종 스펙트럼 측정부(720)는 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 측정할 수 있다. 여기서, 제2종 스펙트럼은 근적외선 스펙트럼일 수 있다. 이를 위해 제2종 스펙트럼 측정부(720)는 사용자의 피부에 광을 조사하는 광원(721) 및 사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 제2종 스펙트럼 데이터를 측정하는 분광기(722)를 포함할 수 있다. 여기서 광원(721)은 발광 다이오드(light emitted diode, LED) 또는 레이저 다이오드(laser diode) 등을 포함할 수 있고, 분광기(722)는 포토 다이오드(photo diode), 포토 트랜지스터(photo transistor, PTr) 또는 전자 결합소자(charge-couple device, CCD) 등을 포함할 수 있다.
프로세서(730)는 획득된 사용자의 혈당 프로파일 데이터 및 측정된 훈련용 제2종 스펙트럼 데이터를 기반으로 개인화된 혈당 추정 모델을 생성할 수 있다.
일 실시예에 따르면, 프로세서(730)는 사용자의 혈당 프로파일 데이터로부터 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값을 산출하고, 훈련용 제2종 스펙트럼 데이터를 입력으로 하고 산출된 혈당값을 정답(target)으로 하여 기계학습을 통하여 개인화된 혈당 추정 모델을 생성할 수 있다. 예컨대, 전술한 바와 같이 혈당 프로파일 데이터는 시간에 따른 혈당 추세를 나타내는 것이므로, 프로세서(730)는 사용자의 혈당 프로파일 데이터로부터 훈련용 제2종 스펙트럼 데이터를 측정한 시점에 대응하는 혈당값을 산출할 수 있다.
한편, 전술한 바와 같이, 기계학습 알고리즘은 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
도 8은 혈당 추정 모델 생성 장치의 다른 실시예를 도시한 블록도이다.
도 8을 참조하면, 혈당 추정 모델 생성 장치(300)는 도 7의 혈당 추정 모델 생성 장치(700)에 비하여, 입력부(810), 저장부(820), 통신부(830) 및 출력부(840)를 선택적으로 더 포함할 수 있다.
입력부(810)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(810)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad)(정압/정전), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
저장부(820)는 혈당 추정 모델 생성 장치(800)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 입/출력되는 데이터들을 저장할 수 있다. 또한, 저장부(820)는 생성된 개인화된 혈당 추정 모델을 저장할 수 있다.
저장부(820)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등을 포함할 수 있다. 또한, 혈당 추정 모델 생성 장치(800)는 인터넷 상에서 저장부(820)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(830)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(830)는 입력부(810)를 통해 입력된 데이터, 프로세서(730)에서 생성된 개인화된 혈당 추정 모델 등을 외부 장치로 전송하거나, 외부 장치로부터 개인화된 혈당 추정 모델 생성을 위한 데이터를 수신할 수 있다.
이때, 외부 장치는 생성된 개인화된 혈당 추정 모델을 사용하는 의료 장치, 결과물을 출력하기 위한 프린트, 또는 생성된 개인화된 혈당 추정 모델과 관련된 데이터를 디스플레이하는 디스플레이 장치일 수 있다. 이외에도 외부 기기는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등 일 수 있으나, 이에 제한되지 않는다.
출력부(840)는 개인화된 혈당 추정 모델 생성과 관련된 데이터 및 생성된 개인화된 혈당 추정 모델과 관련된 데이터를 출력할 수 있다. 일 실시예에 따르면, 출력부(840)는 개인화된 혈당 추정 모델 생성과 관련된 데이터 및 생성된 개인화된 혈당 추정 모델과 관련된 데이터를 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 예컨대, 출력부(840)는 음성, 텍스트, 진동 등을 이용하여 개인화된 혈당 추정 모델 생성과 관련된 데이터 및 생성된 개인화된 혈당 추정 모델과 관련된 데이터를 출력할 수 있다. 이를 위해 출력부(840)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 9는 혈당 추정 장치의 일 실시예를 도시한 블록도이다. 혈당 추정 장치(900)는 도 1의 혈당 추정부(140)의 일 실시예일 수 있다.
도 9를 참조하면, 혈당 추정 장치(900)는 제2종 스펙트럼 측정부(910), 저장부(920) 및 프로세서(930)를 포함할 수 있다.
제2종 스펙트럼 측정부(910)는 사용자의 피부에 대한 제2종 스펙트럼(예컨대, 근적외선 스펙트럼) 데이터를 측정할 수 있다. 이를 위해 제2종 스펙트럼 측정부(910)는 사용자의 피부에 광을 조사하는 광원(911) 및 사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 제2종 스펙트럼 데이터를 측정하는 분광기(912)를 포함할 수 있다. 여기서 광원(911)은 발광 다이오드(light emitted diode, LED) 또는 레이저 다이오드(laser diode) 등을 포함할 수 있고, 분광기(912)는 포토 다이오드(photo diode), 포토 트랜지스터(photo transistor, PTr) 또는 전자 결합소자(charge-couple device, CCD) 등을 포함할 수 있다.
저장부(920)는 개인화된 혈당 추정 모델을 저장할 수 있다. 이때, 개인화된 혈당 추정 모델은 제1종 스펙트럼-혈당 프로파일 관계 모델 및 사용자의 피부에 대한 제1종 스펙트럼 데이터를 기반으로 추정된 사용자의 혈당 프로파일 데이터와, 훈련용 제2종 스펙트럼 데이터를 기반으로 생성될 수 있다. 예컨대, 개인화된 혈당 추정 모델은 추정된 사용자의 혈당 프로파일 데이터로부터 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값을 산출하고, 훈련용 제2종 스펙트럼 데이터를 입력으로 하고 산출된 혈당값을 정답(target)으로 하여 기계학습을 통하여 생성될 수 있다.
한편, 제1종 스펙트럼-혈당 프로파일 관계 모델은 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하거나, 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 훈련용 혈당 프로파일의 AUC 값을 정답으로 하여 기계학습을 통해 생성될 수 있다.
또한, 저장부(920)는 혈당 추정 장치(900)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 입/출력되는 데이터들을 저장할 수 있다.
저장부(920)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등을 포함할 수 있다. 또한, 혈당 추정 장치(900)는 인터넷 상에서 저장부(920)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
프로세서(930)는 측정된 제2종 스펙트럼 데이터 및 저장된 개인화된 혈당 추정 모델을 기반으로 사용자의 혈당을 추정할 수 있다.
도 10는 혈당 추정 장치의 다른 실시예를 도시한 블록도이다.
도 10을 참조하면, 혈당 추정 장치(1000)는 도 9의 혈당 추정 장치(900)에 비하여, 입력부(1010), 통신부(1020) 및 출력부(1030)를 선택적으로 더 포함할 수 있다.
입력부(1010)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(1010)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad)(정압/정전), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
통신부(1020)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(1020)는 입력부(1010)를 통해 입력된 데이터, 프로세서(930)에서 추정된 사용자의 혈당 등을 외부 장치로 전송하거나, 외부 장치로부터 사용자의 혈당을 추정하기 위한 데이터를 수신할 수 있다.
이때, 외부 장치는 추정된 사용자의 혈당 데이터를 사용하는 의료 장치, 결과물을 출력하기 위한 프린트, 또는 추정된 혈당 데이터를 디스플레이하는 디스플레이 장치일 수 있다. 이외에도 외부 장치는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등 일 수 있으나, 이에 제한되지 않는다.
출력부(1030)는 사용자의 혈당 추정과 관련된 데이터 및 추정 결과 데이터를 출력할 수 있다. 일 실시예에 따르면, 출력부(1030)는 사용자의 혈당 추정과 관련된 데이터 및 추정 결과 데이터를 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 예컨대, 출력부(1030)는 음성, 텍스트, 진동 등을 이용하여 사용자의 혈당 추정과 관련된 데이터 및 추정 결과 데이터를 출력할 수 있다. 이를 위해 출력부(1030)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 11은 이종(heterogeneous) 스펙트럼 기반 혈당 추정 방법의 일 실시예를 도시한 흐름도이다.
도 1 및 도 11을 참조하면, 이종 스펙트럼 기반 혈당 추정 장치(100)는 훈련용 제1종 스펙트럼 데이터와 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 제1종 스펙트럼-혈당 프로파일 관계 모델을 생성할 수 있다(1110). 이때, 제1종 스펙트럼은 피부에 대한 라만(Raman) 스펙트럼일 수 있고, 혈당 프로파일은 시간에 따른 혈당 추세(trend)일 수 있다.
이종 스펙트럼 기반 혈당 추정 장치(100)는 생성된 제1종 스펙트럼-혈당 프로파일 관계 모델을 이용하여 사용자의 혈당 프로파일 데이터를 추정할 수 있다(1120). 예컨대, 이종 스펙트럼 기반 혈당 추정 장치(100)는 사용자의 피부에 대한 제1종 스펙트럼 데이터를 획득하고, 획득된 제1종 스펙트럼 데이터를 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 사용자의 혈당 프로파일 데이터를 추정할 수 있다.
이종 스펙트럼 기반 혈당 추정 장치(100)는 사용자 피부에 대한 훈련용 제2종 스펙트럼 데이터와 추정된 사용자의 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 개인화된 혈당 추정 모델을 생성할 수 있다(1130). 이때, 제2종 스펙트럼은 근적외선(Near-Infrared, NIR) 스펙트럼일 수 있다.
예컨대, 이종 스펙트럼 기반 혈당 추정 장치(100)는 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 입력으로 하고, 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값을 정답(target)으로 하여 기계학습을 통해 개인화된 혈당 추정 모델을 생성할 수 있다. 이때, 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값은 추정된 사용자의 혈당 프로파일 데이터로부터 산출될 수 있다.
이종 스펙트럼 기반 혈당 추정 장치(100)는 개인화된 혈당 추정 모델을 이용하여 사용자의 혈당을 추정할 수 있다(1140). 예컨대, 이종 스펙트럼 기반 혈당 추정 장치(100)는 사용자의 피부에 대한 제2종 스펙트럼 데이터를 획득하고, 획득된 제2종 스펙트럼 데이터를 혈당 추정 모델에 입력하여 사용자의 혈당을 추정할 수 있다.
도 12는 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 방법의 일 실시예를 도시한 흐름도이다.
도 2 및 도 12를 참조하면, 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(200)는 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 획득할 수 있다(1210). 여기서, 제1종 스펙트럼은 라만 스펙트럼일 수 있다.
예컨대, 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(200)는 소정의 데이터베이스 또는 외부 장치로부터 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 획득할 수 있다. 이때, 훈련용 혈당 프로파일 데이터는 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test, OGTT)를 수행하여 획득된 데이터일 수 있다.
제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(200)는 획득된 훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통해 제1종 스펙트럼-혈당 프로파일 관계 모델을 생성할 수 있다(1220). 예컨대, 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치(200)는 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답(target)으로 하거나, 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답으로 하여 기계학습을 통해 제1종 스펙트럼-혈당 프로파일 관계 모델을 생성할 수 있다.
도 13은 혈당 프로파일 추정 방법의 일 실시예를 도시한 흐름도이다.
도 4 및 도 13을 참조하면, 혈당 프로파일 추정 장치(400)는 사용자의 피부에 대한 제1종 스펙트럼 데이터를 측정할 수 있다(1310). 이때, 제1종 스펙트럼은 라만 스펙트럼일 수 있다.
혈당 프로파일 추정 장치(400)는 측정된 제1종 스펙트럼 데이터 및 저장된 제1종 스펙트럼-혈당 프로파일 관계 모델을 기반으로 사용자의 혈당 프로파일 데이터를 추정할 수 있다(1320). 이때, 제1종 스펙트럼-혈당 프로파일 관계 모델은 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하거나, 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 훈련용 혈당 프로파일의 AUC 값을 정답으로 하여 기계학습을 통해 생성될 수 있다.
일 실시예에 따르면, 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하여 기계학습을 통해 생성된 경우, 혈당 프로파일 추정 장치(400)는 측정된 제1종 스펙트럼 데이터를 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 출력된 혈당 프로파일 데이터를 사용자의 혈당 프로파일 데이터로 추정할 수 있다.
다른 실시예에 따르면, 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 혈당 프로파일의 AUC 값을 정답으로 하여 기계학습을 통해 생성된 경우, 혈당 프로파일 추정 장치(400)는 측정된 제1종 스펙트럼 데이터를 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 출력된 AUC 값을 기반으로 사용자의 혈당 프로파일 데이터를 추정할 수 있다.
도 14는 혈당 추정 모델 생성 방법의 일 실시예를 도시한 흐름도이다.
도 7 및 도 14를 참조하면, 혈당 추정 모델 생성 장치(700)는 사용자의 혈당 프로파일 데이터를 획득할 수 있다(1410). 이때, 사용자의 혈당 프로파일 데이터는 제1종 스펙트럼-혈당 프로파일 관계 모델 및 사용자의 피부에 대한 제1종 스펙트럼 데이터를 기반으로 추정된 것으로 소정의 데이터베이스 또는 외부 장치로부터 획득될 수 있다. 여기서, 제1종 스펙트럼은 라만 스펙트럼일 수 있다.
한편, 제1종 스펙트럼-혈당 프로파일 관계 모델은 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하거나, 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 AUC 값을 정답으로 하여 기계학습을 통해 생성될 수 있다. 훈련용 혈당 프로파일 데이터는 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사를 수행하여 획득될 수 있다.
혈당 추정 모델 생성 장치(700)는 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 측정할 수 있다(1420). 여기서, 제2종 스펙트럼은 근적외선 스펙트럼일 수 있다.
혈당 추정 모델 생성 장치(700)는 획득된 사용자의 혈당 프로파일 데이터 및 측정된 훈련용 제2종 스펙트럼 데이터를 기반으로 개인화된 혈당 추정 모델을 생성할 수 있다(1430). 예컨대, 혈당 추정 모델 생성 장치(700)는 사용자의 혈당 프로파일 데이터로부터 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값을 산출하고, 훈련용 제2종 스펙트럼 데이터를 입력으로 하고 산출된 혈당값을 정답(target)으로 하여 기계학습을 통하여 개인화된 혈당 추정 모델을 생성할 수 있다.
도 15는 혈당 추정 방법의 일 실시예를 도시한 흐름도이다.
도 9 및 도 15를 참조하면, 혈당 추정 장치(900)는 사용자의 피부에 대한 제2종 스펙트럼 데이터를 측정할 수 있다(1510). 이때, 제2종 스펙트럼은 근적외선 스펙트럼일 수 있다.
혈당 추정 장치(900)는 측정된 제2종 스펙트럼 데이터 및 저장된 개인화된 혈당 추정 모델을 기반으로 사용자의 혈당을 추정할 수 있다(1520). 이때, 개인화된 혈당 추정 모델은 제1종 스펙트럼-혈당 프로파일 관계 모델 및 사용자의 피부에 대한 제1종 스펙트럼 데이터를 기반으로 추정된 사용자의 혈당 프로파일 데이터와, 훈련용 제2종 스펙트럼 데이터를 기반으로 생성될 수 있다. 예컨대, 개인화된 혈당 추정 모델은 추정된 사용자의 혈당 프로파일 데이터로부터 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값을 산출하고, 훈련용 제2종 스펙트럼 데이터를 입력으로 하고 산출된 혈당값을 정답(target)으로 하여 기계학습을 통하여 생성될 수 있다.
한편, 제1종 스펙트럼-혈당 프로파일 관계 모델은 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하거나, 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 훈련용 혈당 프로파일의 AUC 값을 정답으로 하여 기계학습을 통해 생성될 수 있다.
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 이종 스펙트럼 기반 혈당 추정 장치
110: 제1종 스펙트럼-혈당 프로파일 관계 모델 생성부
120: 혈당 프로파일 추정부
130: 혈당 추정 모델 생성부
140: 혈당 추정부
200, 300: 제1종 스펙트럼-혈당 프로파일 관계 모델 생성 장치
210, 710: 데이터 획득부
220, 430, 730, 930: 프로세서
310, 510, 810, 1010: 입력부
320, 420, 820, 920: 저장부
330, 520, 830, 1020: 통신부
340, 530, 840, 1030: 출력부
400, 500: 혈당 프로파일 추정 장치
410: 제1종 스펙트럼 측정부
411, 721, 911: 광원
412, 722, 922: 분광기
700, 800: 혈당 추정 모델 생성 장치
720, 910: 제2종 스펙트럼 측정부
900, 1000: 혈당 추정 장치

Claims (30)

  1. 제1종 스펙트럼-혈당 프로파일 관계 모델을 기반으로 추정된 사용자의 혈당 프로파일 데이터를 획득하는 데이터 획득부;
    상기 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 측정하는 제2종 스펙트럼 측정부; 및
    상기 획득된 혈당 프로파일 데이터 및 상기 측정된 훈련용 제2종 스펙트럼 데이터를 기반으로 개인화된 혈당 추정 모델을 생성하는 프로세서; 를 포함하는,
    혈당 추정 모델 생성 장치.
  2. 제1항에 있어서,
    제1종 스펙트럼은 라만 스펙트럼이고,
    제2종 스펙트럼은 근적외선 스펙트럼인,
    혈당 추정 모델 생성 장치.
  3. 제1항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 생성되는,
    혈당 추정 모델 생성 장치.
  4. 제3항에 있어서,
    상기 훈련용 혈당 프로파일 데이터는 상기 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test)를 수행하여 획득되는,
    혈당 추정 모델 생성 장치.
  5. 제3항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터를 정답(target)으로 하여 기계학습을 통하여 생성되는,
    혈당 추정 모델 생성 장치.
  6. 제3항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답(target)으로 하여 기계 학습을 통하여 생성되는,
    혈당 추정 모델 생성 장치.
  7. 제3항에 있어서,
    기계 학습 알고리즘은,
    부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나인,
    혈당 추정 모델 생성 장치.
  8. 제1항에 있어서,
    상기 제2종 스펙트럼 측정부는,
    사용자의 피부에 광을 조사하는 광원; 및
    사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 훈련용 제2종 스펙트럼 데이터를 측정하는 분광기; 를 포함하는,
    혈당 추정 모델 생성 장치.
  9. 제1항에 있어서,
    상기 프로세서는,
    기계 학습을 통하여 상기 개인화된 혈당 추정 모델을 생성하는,
    혈당 추정 모델 생성 장치.
  10. 제9항에 있어서,
    상기 프로세서는,
    상기 획득된 혈당 프로파일 데이터로부터 상기 측정된 훈련용 제2종 스펙트럼 데이터에 대응하는 혈당값을 산출하고,
    상기 훈련용 제2종 스펙트럼 데이터를 입력으로 하고 상기 산출된 혈당값을 정답(target)으로 하여 기계 학습을 통하여 개인화된 혈당 추정 모델을 생성하는,
    혈당 추정 모델 생성 장치.
  11. 제1종 스펙트럼-혈당 프로파일 관계 모델을 저장하는 저장부;
    사용자의 피부에 대한 제1종 스펙트럼 데이터를 측정하는 제1종 스펙트럼 측정부; 및
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델 및 상기 측정된 제1종 스펙트럼 데이터를 기반으로 상기 사용자의 혈당 프로파일을 추정하는 프로세서; 를 포함하는,
    혈당 프로파일 추정 장치.
  12. 제11항에 있어서,
    제1종 스펙트럼은 라만 스펙트럼인,
    혈당 프로파일 추정 장치.
  13. 제11항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 생성되는,
    혈당 프로파일 추정 장치.
  14. 제13항에 있어서,
    상기 훈련용 혈당 프로파일 데이터는 상기 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test)를 수행하여 획득되는,
    혈당 프로파일 추정 장치.
  15. 제13항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터를 정답(target)으로 하여 기계학습을 통하여 생성되는,
    혈당 프로파일 추정 장치.
  16. 제13항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답(target)으로 하여 기계학습을 통하여 생성되는,
    혈당 프로파일 추정 장치.
  17. 제13항에 있어서,
    기계 학습 알고리즘은,
    부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나인,
    혈당 프로파일 추정 장치.
  18. 제11항에 있어서,
    상기 제1종 스펙트럼 측정부는,
    사용자의 피부에 광을 조사하는 광원; 및
    사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 제1종 스펙트럼 데이터를 측정하는 분광기; 를 포함하는,
    혈당 프로파일 추정 장치.
  19. 제11항에 있어서,
    상기 프로세서는,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터를 정답으로 하여 기계학습을 통해 생성된 경우, 상기 측정된 제1종 스펙트럼 데이터를 상기 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 출력된 혈당 프로파일을 사용자의 혈당 프로파일로 추정하는,
    혈당 프로파일 추정 장치.
  20. 제11항에 있어서,
    상기 프로세서는,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델이 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답(target)으로 하여 기계학습을 통해 생성된 경우, 상기 측정된 제1종 스펙트럼 데이터를 상기 제1종 스펙트럼-혈당 프로파일 관계 모델에 입력하여 출력된 AUC 값을 기반으로 사용자의 혈당 프로파일을 추정하는,
    혈당 프로파일 추정 장치.
  21. 제20항에 있어서,
    상기 프로세서는,
    기준 혈당 프로파일의 AUC 값이 상기 출력된 AUC 값이 되도록 상기 기준 혈당 프로파일을 조정하고, 상기 조정된 기준 혈당 프로파일의 데이터를 사용자의 혈당 프로파일 데이터로 추정하는,
    혈당 프로파일 추정 장치.
  22. 개인화된 혈당 추정 모델을 저장하는 저장부;
    사용자의 피부에 대한 제2종 스펙트럼 데이터를 측정하는 제2종 스펙트럼 측정부; 및
    상기 측정된 제2종 스펙트럼 데이터 및 개인화된 혈당 추정 모델을 기반으로 상기 사용자의 혈당을 추정하는 프로세서; 를 포함하고,
    상기 혈당 추정 모델은,
    제1종 스펙트럼-혈당 프로파일 관계 모델을 기반으로 추정된 사용자의 혈당 프로파일 데이터 및 상기 사용자의 피부에 대한 훈련용 제2종 스펙트럼 데이터를 기반으로 생성되는,
    혈당 추정 장치.
  23. 제22항에 있어서,
    제1종 스펙트럼은 라만 스펙트럼이고,
    제2종 스펙트럼은 근적외선 스펙트럼인,
    혈당 추정 장치.
  24. 제22항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    훈련용 제1종 스펙트럼 데이터 및 훈련용 혈당 프로파일 데이터를 기반으로 기계학습을 통하여 생성되는,
    혈당 추정 장치.
  25. 제24항에 있어서,
    상기 훈련용 혈당 프로파일 데이터는 상기 훈련용 제1종 스펙트럼 데이터가 측정된 피검체에 대해 경구당부하검사(Oral Glucose Tolerance Test)를 수행하여 획득되는,
    혈당 추정 장치.
  26. 제24항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터를 정답(target)으로 하여 기계학습을 통하여 생성되는,
    혈당 추정 장치.
  27. 제24항에 있어서,
    상기 제1종 스펙트럼-혈당 프로파일 관계 모델은,
    상기 훈련용 제1종 스펙트럼 데이터를 입력으로 하고 상기 훈련용 혈당 프로파일 데이터로부터 산출된 AUC(Area Under the Curve) 값을 정답(target)으로 하여 기계 학습을 통하여 생성되는,
    혈당 추정 장치.
  28. 제24항에 있어서,
    기계 학습 알고리즘은,
    부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나인,
    혈당 추정 장치.
  29. 제22항에 있어서,
    상기 제2종 스펙트럼 측정부는,
    사용자의 피부에 광을 조사하는 광원; 및
    사용자의 피부로부터 흡수, 산란 또는 반사된 광을 검출하여 제2종 스펙트럼 데이터를 측정하는 분광기; 를 포함하는,
    혈당 추정 장치.
  30. 제22항에 있어서,
    상기 개인화된 혈당 추정 모델은,
    기계학습을 통하여 생성되는,
    혈당 추정 장치.
KR1020160091622A 2016-07-19 2016-07-19 이종 스펙트럼 기반 혈당 추정 장치 및 방법 KR102655736B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020160091622A KR102655736B1 (ko) 2016-07-19 2016-07-19 이종 스펙트럼 기반 혈당 추정 장치 및 방법
US15/417,408 US10952650B2 (en) 2016-07-19 2017-01-27 Apparatus and method for estimating blood sugar based on heterogeneous spectrums
EP17163889.3A EP3272280B1 (en) 2016-07-19 2017-03-30 Apparatus and method for estimating blood sugar based on heterogeneous spectrums
US17/178,482 US11771346B2 (en) 2016-07-19 2021-02-18 Apparatus and method for estimating blood sugar based on heterogeneous spectrums
KR1020230156708A KR102715508B1 (ko) 2016-07-19 2023-11-13 이종 스펙트럼 기반 혈당 추정 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160091622A KR102655736B1 (ko) 2016-07-19 2016-07-19 이종 스펙트럼 기반 혈당 추정 장치 및 방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230156708A Division KR102715508B1 (ko) 2016-07-19 2023-11-13 이종 스펙트럼 기반 혈당 추정 장치

Publications (2)

Publication Number Publication Date
KR20180009637A true KR20180009637A (ko) 2018-01-29
KR102655736B1 KR102655736B1 (ko) 2024-04-05

Family

ID=58464309

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020160091622A KR102655736B1 (ko) 2016-07-19 2016-07-19 이종 스펙트럼 기반 혈당 추정 장치 및 방법
KR1020230156708A KR102715508B1 (ko) 2016-07-19 2023-11-13 이종 스펙트럼 기반 혈당 추정 장치

Family Applications After (1)

Application Number Title Priority Date Filing Date
KR1020230156708A KR102715508B1 (ko) 2016-07-19 2023-11-13 이종 스펙트럼 기반 혈당 추정 장치

Country Status (3)

Country Link
US (2) US10952650B2 (ko)
EP (1) EP3272280B1 (ko)
KR (2) KR102655736B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190135833A (ko) 2018-05-29 2019-12-09 주식회사 완판고 고정식 생체 모니터링 시스템 및 그 동작 방법
KR20210015045A (ko) 2019-07-31 2021-02-10 서울대학교산학협력단 혈당측정장치 및 이를 이용하는 혈당측정시스템
JP2021529315A (ja) * 2018-07-11 2021-10-28 アイセンス，インコーポレーテッド 人工知能ディープラーニング学習を利用した生体測定物濃度測定方法
KR20210158168A (ko) * 2020-06-23 2021-12-30 후아메디컬 주식회사 근적외선을 이용한 비채혈식 혈당측정기 및 이를 이용한 혈당 측정 방법
US11399746B2 (en) 2019-05-02 2022-08-02 Samsung Electronics Co., Ltd. Personalized bio-information correcting apparatus and method
KR102688727B1 (ko) * 2023-11-08 2024-07-25 안우진 생체 데이터 측정을 통한 개인 맞춤형 스마트 혈당 케어 모니터링 시스템, 방법 및 이를 이용한 애플리케이션

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102627145B1 (ko) 2018-08-08 2024-01-18 삼성전자주식회사 스펙트럼 측정 장치 및 방법
CN109065176B (zh) * 2018-08-20 2020-11-10 清华-伯克利深圳学院筹备办公室 一种血糖预测方法、装置、终端和存储介质
CN109330607A (zh) * 2018-08-29 2019-02-15 桂林永成医疗科技有限公司 基于微创血糖值校准的无创血糖检测方法及其检测装置
US11756663B2 (en) * 2020-07-27 2023-09-12 Kpn Innovations, Llc. Method of and system for determining a prioritized instruction set for a user

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030031597A1 (en) 2001-08-03 2003-02-13 Waseda University Apparatus for measuring glucose concentration
US20040039271A1 (en) * 2000-09-26 2004-02-26 Blank Thomas B. Method and apparatus for control of skin perfusion for indirect glucose measurement
JP2008005988A (ja) * 2006-06-28 2008-01-17 Jasco Corp 血糖値分析方法、及び血糖値分析装置
US20120035442A1 (en) * 2010-08-05 2012-02-09 Ishan Barman Portable raman diagnostic system
US20170014056A1 (en) * 2015-07-19 2017-01-19 Sanmina Corporation System and method for glucose monitoring

Family Cites Families (52)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6544193B2 (en) * 1996-09-04 2003-04-08 Marcio Marc Abreu Noninvasive measurement of chemical substances
US6721582B2 (en) * 1999-04-06 2004-04-13 Argose, Inc. Non-invasive tissue glucose level monitoring
US20030176775A1 (en) 1998-10-13 2003-09-18 Medoptix, Inc. Cleaning kit for an infrared glucose measurement system
US20050233459A1 (en) 2003-11-26 2005-10-20 Melker Richard J Marker detection method and apparatus to monitor drug compliance
WO2002003857A2 (en) * 2000-07-11 2002-01-17 Lightouch Medical, Inc. Method of tissue modulation for noninvasive measurement of an analyte
US20040197846A1 (en) 2001-01-18 2004-10-07 Linda Hockersmith Determination of glucose sensitivity and a method to manipulate blood glucose concentration
IL156844A0 (en) * 2001-01-26 2004-02-08 Sensys Medical Inc Noninvasive measurement of glucose through the optical properties of tissue
US7139598B2 (en) * 2002-04-04 2006-11-21 Veralight, Inc. Determination of a measure of a glycation end-product or disease state using tissue fluorescence
US6790179B2 (en) * 2001-08-01 2004-09-14 Johnson & Johnson Consumer Companies, Inc. Method of examining and diagnosing skin health
US6862534B2 (en) * 2001-12-14 2005-03-01 Optiscan Biomedical Corporation Method of determining an analyte concentration in a sample from an absorption spectrum
US7009180B2 (en) * 2001-12-14 2006-03-07 Optiscan Biomedical Corp. Pathlength-independent methods for optically determining material composition
IL163538A0 (en) * 2002-03-08 2005-12-18 Sensys Medical Inc Compact apparatus for noninvasive measurement of glucose through nearinfrared spectroscopy
US7233817B2 (en) * 2002-11-01 2007-06-19 Brian Yen Apparatus and method for pattern delivery of radiation and biological characteristic analysis
AU2003287735A1 (en) * 2002-11-12 2004-06-03 Argose, Inc. Non-invasive measurement of analytes
US20040225206A1 (en) * 2003-05-09 2004-11-11 Kouchnir Mikhail A. Non-invasive analyte measurement device having increased signal to noise ratios
US20060224057A1 (en) * 2003-10-21 2006-10-05 Oculir, Inc. Methods for non-invasive analyte measurement
US8036727B2 (en) * 2004-08-11 2011-10-11 Glt Acquisition Corp. Methods for noninvasively measuring analyte levels in a subject
US7254429B2 (en) * 2004-08-11 2007-08-07 Glucolight Corporation Method and apparatus for monitoring glucose levels in a biological tissue
CN101557758B (zh) 2005-03-25 2015-01-07 Cnoga控股有限公司 用于测量化学浓度、化学饱和度和生物物理参数的光学传感器装置和图象处理单元
US8355767B2 (en) * 2005-04-27 2013-01-15 Massachusetts Institute Of Technology Raman spectroscopy for non-invasive glucose measurements
US9103793B2 (en) * 2005-07-22 2015-08-11 Massachusetts Institute Of Technology Intrinsic Raman spectroscopy
KR100694598B1 (ko) 2005-10-28 2007-03-13 삼성전자주식회사 혈당 측정에서 헤모글로빈의 영향을 보상하는 비침습적생체 측정 시스템 및 방법
JP4947440B2 (ja) * 2005-11-10 2012-06-06 バイオボーション・アーゲー 身体組織中のグルコース・レベルを割り出すための装置
EP2399516B1 (en) * 2005-11-30 2017-03-01 Toshiba Medical Systems Corporation Method for noninvasive measurement of glucose and apparatus for noninvasive measurement of glucose
JP2009521972A (ja) * 2005-12-28 2009-06-11 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 被検体のスキンハイドレーションを測定するための非侵襲性システム及び方法
US20070232873A1 (en) * 2006-03-16 2007-10-04 The Board Of Regents Of The University Of Texas Syatem Noninvasive, accurate glucose monitoring with oct by using tissue warming and temperature control
DE102006020720A1 (de) * 2006-05-04 2007-11-08 Robert Bosch Gmbh Interferometrische Messvorrichtung zur optischen Messung an Hautstrukturen
DE102006036920B3 (de) * 2006-08-04 2007-11-29 Nirlus Engineering Ag Verfahren zur Messung der Glukosekonzentration in pulsierendem Blut
KR100775669B1 (ko) 2006-10-11 2007-11-16 주식회사 비엔엠 팔목 휴대용 무채혈 혈당측정 장치
US20090156915A1 (en) * 2009-02-13 2009-06-18 Bill Cross Glucose Monitor and Method of Use Thereof
US20110028806A1 (en) * 2009-07-29 2011-02-03 Sean Merritt Reflectance calibration of fluorescence-based glucose measurements
KR101661287B1 (ko) 2010-02-16 2016-09-29 엘지전자 주식회사 무채혈 혈당측정방법 및 상기 무채혈 혈당측정방법을 이용한 무채혈 혈당측정장치
US9339194B2 (en) * 2010-03-08 2016-05-17 Cernoval, Inc. System, method and article for normalization and enhancement of tissue images
JP2012108112A (ja) 2010-10-27 2012-06-07 Arkray Inc ＨｂＡ１ｃ測定結果の表示方法、表示装置、及び表示プログラム
US20130003044A1 (en) * 2010-12-14 2013-01-03 Chemlmage Corporation System and Method for Raman Based Chronic Exposure Detection
WO2012087319A2 (en) * 2010-12-22 2012-06-28 Verifica-Bg Inc. Method and apparatus for in vivo optical measurement of blood glucose concentration
US9636041B2 (en) * 2011-01-28 2017-05-02 Bar Ilan University Method and system for non-invasively monitoring biological or biochemical parameters of individual
US20130090537A1 (en) * 2011-10-07 2013-04-11 2M Engineering Limited Blood glucose sensor
SG11201404625YA (en) 2012-02-21 2014-10-30 Mc Professional Oü A formula and method for monitoring individual metabolic response and for generating predictive medical metrics
US10188325B2 (en) * 2012-03-09 2019-01-29 Rinat O. Esenaliev Wearable, noninvasive glucose sensing methods and systems
US8843186B2 (en) * 2012-11-21 2014-09-23 Folim G. Halaka Non-invasive reagentless glucose determination
JP5834192B2 (ja) * 2013-01-25 2015-12-16 パナソニックＩｐマネジメント株式会社 生体内における被検物質の濃度を計測する計測方法、および、計測装置
WO2014137357A1 (en) 2013-03-08 2014-09-12 Alethus, Inc. Optically discriminative detection of matters in tissues and turbid media and applications for non-invasive assay
WO2015009970A1 (en) * 2013-07-18 2015-01-22 Erythron Llc Spectroscopic measurements with parallel array detector
US10441201B2 (en) * 2013-08-27 2019-10-15 The Trustees Of Princeton Univerisity Noninvasive mid-infrared in vivo glucose sensor
JP2017506376A (ja) 2013-11-29 2017-03-02 モティヴ・インコーポレーテッドMotiv Inc. ウェアラブルコンピューティングデバイス
JP6291875B2 (ja) * 2014-01-31 2018-03-14 セイコーエプソン株式会社 血糖値計測装置及び血糖値計測方法
WO2015156965A1 (en) * 2014-04-10 2015-10-15 Dexcom, Inc. Glycemic urgency assessment and alerts interface
US20160029963A1 (en) * 2014-07-29 2016-02-04 Elwha Llc Medically active toys
KR102290280B1 (ko) * 2014-08-25 2021-08-17 삼성전자주식회사 비침습 생체 측정 장치 및 방법과 대사증후군 진단 장치 및 방법
KR102372083B1 (ko) * 2015-03-02 2022-03-08 삼성전자주식회사 생체 센서 및 이를 포함하는 생체 분석 시스템
KR102515831B1 (ko) * 2016-07-21 2023-03-29 삼성전자주식회사 스펙트럼 획득 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040039271A1 (en) * 2000-09-26 2004-02-26 Blank Thomas B. Method and apparatus for control of skin perfusion for indirect glucose measurement
US20030031597A1 (en) 2001-08-03 2003-02-13 Waseda University Apparatus for measuring glucose concentration
JP2008005988A (ja) * 2006-06-28 2008-01-17 Jasco Corp 血糖値分析方法、及び血糖値分析装置
US20120035442A1 (en) * 2010-08-05 2012-02-09 Ishan Barman Portable raman diagnostic system
US20170014056A1 (en) * 2015-07-19 2017-01-19 Sanmina Corporation System and method for glucose monitoring

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190135833A (ko) 2018-05-29 2019-12-09 주식회사 완판고 고정식 생체 모니터링 시스템 및 그 동작 방법
JP2021529315A (ja) * 2018-07-11 2021-10-28 アイセンス，インコーポレーテッド 人工知能ディープラーニング学習を利用した生体測定物濃度測定方法
US11399746B2 (en) 2019-05-02 2022-08-02 Samsung Electronics Co., Ltd. Personalized bio-information correcting apparatus and method
KR20210015045A (ko) 2019-07-31 2021-02-10 서울대학교산학협력단 혈당측정장치 및 이를 이용하는 혈당측정시스템
KR20210158168A (ko) * 2020-06-23 2021-12-30 후아메디컬 주식회사 근적외선을 이용한 비채혈식 혈당측정기 및 이를 이용한 혈당 측정 방법
KR102688727B1 (ko) * 2023-11-08 2024-07-25 안우진 생체 데이터 측정을 통한 개인 맞춤형 스마트 혈당 케어 모니터링 시스템, 방법 및 이를 이용한 애플리케이션

Also Published As

Publication number Publication date
KR102715508B1 (ko) 2024-10-11
KR20230160759A (ko) 2023-11-24
KR102655736B1 (ko) 2024-04-05
US11771346B2 (en) 2023-10-03
US10952650B2 (en) 2021-03-23
US20180020958A1 (en) 2018-01-25
EP3272280A1 (en) 2018-01-24
US20210196159A1 (en) 2021-07-01
EP3272280B1 (en) 2019-07-31

Similar Documents

Publication Publication Date Title
KR102715508B1 (ko) 이종 스펙트럼 기반 혈당 추정 장치
US11642086B2 (en) Apparatus and method for correcting error of bio-information sensor, and apparatus and method for estimating bio-information
US11617523B2 (en) Apparatus and method for estimating biological component
US11291374B2 (en) Apparatus and method for estimating bio-information
US11175278B2 (en) Bio-information estimation apparatus and bio-information estimation method
US10485472B2 (en) Apparatus and method for estimating skin condition
US11517223B2 (en) Apparatus and method for estimating blood glucose
US11998321B2 (en) System and a method for automatically managing continuous glucose monitoring measurements indicative of glucose level in a bodily fluid
US11925462B2 (en) System and method for analyzing glucose monitoring data indicative of a glucose level, and a computer program product
KR102638310B1 (ko) 분석 물질의 농도 추정 장치 및 방법
US20200113453A1 (en) Apparatus and method for estimating blood pressure
US20220079477A1 (en) Noninvasive intelligent glucometer
KR102658237B1 (ko) 분석 물질의 혈중 농도 추정 장치 및 방법과, 모델 생성 장치 및 방법
KR20210050967A (ko) 분석 물질의 농도 추정 장치 및 방법과, 캘리브레이션 방법
US20220233149A1 (en) Apparatus and method for estimating body component
KR20220025378A (ko) 대상 신호 스펙트럼 획득 장치 및 방법
KR20200100997A (ko) 분석 물질의 농도 추정 장치 및 방법
KR20180049721A (ko) 생체 성분 측정 장치 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant