KR20190022151A - 비접촉 생체 신호 검출 방법 및 장치 - Google Patents
비접촉 생체 신호 검출 방법 및 장치 Download PDFInfo
- Publication number
- KR20190022151A KR20190022151A KR1020170108074A KR20170108074A KR20190022151A KR 20190022151 A KR20190022151 A KR 20190022151A KR 1020170108074 A KR1020170108074 A KR 1020170108074A KR 20170108074 A KR20170108074 A KR 20170108074A KR 20190022151 A KR20190022151 A KR 20190022151A
- Authority
- KR
- South Korea
- Prior art keywords
- signal
- frequency
- pulse
- feature
- detecting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 210000001260 vocal cord Anatomy 0.000 claims abstract description 14
- 238000012880 independent component analysis Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000005236 sound signal Effects 0.000 claims 2
- 239000000284 extract Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted 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
- A61B5/02—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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Cardiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Psychiatry (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
비접촉 생체 신호 검출 방법 및 장치가 개시된다. 일 실시예에 따른 심장 박동 검출 방법은 음성 신호(speech signal)를 수신하는 단계와, 상기 음성 신호로부터 성대(vocal cord)의 특성이 반영된 복수의 특징 신호(feature signal)들을 추출(extract)하는 단계와, 상기 복수의 특징 신호들에 기초하여 생체 신호를 검출하는 단계를 포함한다.
Description
아래 실시예들은 비접촉 상태로 생체 신호를 검출하는 방법 및 장치에 관한 것이다.
호흡, 체온, 심장 박동과 같이 사람의 활력 징후를 나타내는 바이탈 사인(vital sign)은 의료 행위에 있어서 가장 중요하고 필수적으로 측정되어야 하는 신호이다.
그 중 심장 박동은 의료 목적뿐만 아니라 피트니스 및 웰니스 응용에 있어서도 중요한 지표로 사용될 수 있다. 심장 박동을 측정하기 위해서는 기기의 전극 등을 직접 신체에 접촉시켜야 한다.
기존에는 신호 전극을 직접 몸에 부착시킨 후 ECG(electrocardiogram) 신호를 통해 심장 박동을 측정하거나, 신체에 특정 파장의 빛을 인가하여 혈관의 산소 포화도를 측정하여 심장 박동수를 얻는 방법을 이용하였다.
그러나, 기기의 직접적인 신체 접촉을 통해 심장 박동을 측정하는 방법은 사용자의 움직임에 민감하게 영향을 받기 때문에 사용자는 측정 중에 정적인 자세를 유지해야만 한다. 이는 사용상에 큰 불편을 주고 있다.
실시예들은 신체에 접촉하지 않고 생체 신호를 검출하는 기술을 제공할 수 있다.
일 실시예에 따른 생체 신호 검출 장치는, 음성 신호(speech signal)를 수신하는 단계와, 상기 음성 신호로부터 성대(vocal cord)의 특성이 반영된 복수의 특징 신호(feature signal)들을 추출(extract)하는 단계와, 상기 복수의 특징 신호들에 기초하여 생체 신호를 검출하는 단계를 포함한다.
상기 음성 신호는, 모음 신호를 포함할 수 있다.
상기 추출하는 단계는, 상기 음성 신호를 주파수 영역 신호인 스펙트로그램(spectrogram)으로 변환하는 단계와, 상기 스펙트로그램으로부터 인간의 발성 신호의 세기가 도드라지게 나타나는 주파수인 포먼츠(formants) 주파수를 획득하는 단계와, 상기 스펙트로그램 및 상기 포먼츠 주파수에 기초하여 상기 복수의 특징 신호들을 획득하는 단계를 포함할 수 있다.
상기 변환하는 단계는, STFT(Short Term Fourier Transform) 또는 MFCC(Mel Frequency Cepstrum Coefficients) 방법을 사용하여 상기 음성 신호를 상기 스펙트로그램으로 변환하는 단계를 포함할 수 있다.
상기 검출하는 단계는, 상기 복수의 특징 신호들을 필터링하는 단계와, 필터링된 복수의 특징 신호들에 기초하여 맥박 신호를 추출하는 단계와, 상기 맥박 신호에 기초하여 상기 생체 신호로서 맥박수를 획득하는 단계를 포함할 수 있다.
상기 맥박 신호를 추출하는 단계는, BSS(Blind Source Separation) 방법 또는 인공 신경망(Artificial Neural Network)에 기반한 머신 러닝(machine learning)을 이용하여 상기 필터링된 복수의 특징 신호들로부터 상기 맥박 신호를 추출하는 단계를 포함할 수 있다.
상기 BSS 방법은, ICA(Independent Component Analysis) 및 PCA(Principal Components Analysis)를 포함할 수 있다.
일 실시예에 따른 생체 신호 검출 장치는, 음성 신호(speech signal)를 수신하는 수신기와, 상기 음성 신호로부터 성대의 특성이 반영된 복수의 특징 신호(feature signal)들을 추출(extract)하고, 상기 복수의 특징 신호들에 기초하여 생체 신호를 검출하는 컨트롤러를 포함한다.
상기 컨트롤러는, 상기 음성 신호로부터 성대의 특성이 반영된 상기 복수의 특징 신호(feature signal)들을 추출(extract)하는 특징 신호 추출기와, 상기 복수의 특징 신호들에 기초하여 상기 생체 신호를 검출하는 생체 신호 검출기를 포함할 수 있다.
상기 음성 신호는, 모음 신호를 포함할 수 있다.
상기 특징 신호 추출기는, 상기 음성 신호를 주파수 영역 신호인 스펙트로그램(spectrogram)으로 변환하는 변환기와, 상기 스펙트로그램으로부터 인간의 발성 신호의 세기가 도드라지게 나타나는 주파수인 포먼츠(formants) 주파수를 획득하는 포먼츠 주파수 획득기와, 상기 스펙트로그램 및 상기 포먼츠 주파수에 기초하여 상기 복수의 특징 신호들을 획득하는 특징 신호 획득기를 포함할 수 있다.
상기 변환기는, STFT(Short Term Fourier Transform) 또는 MFCC(Mel Frequency Cepstrum Coefficients) 방법을 사용하여 상기 음성 신호를 상기 스펙트로그램으로 변환할 수 있다.
상기 생체 신호 검출기는, 상기 복수의 특징 신호들을 필터링하는 필터와, 필터링된 복수의 특징 신호들에 기초하여 맥박 신호를 추출하는 맥박 신호 추출기와, 상기 맥박 신호에 기초하여 상기 생체 신호로서 맥박수를 획득하는 맥박수 변환기를 포함할 수 있다.
상기 맥박 신호 추출기는, BSS(Blind Source Separation) 방법 또는 인공 신경망(Artificial Neural Network)에 기반한 머신 러닝(machine learning)을 이용하여 상기 필터링된 복수의 특징 신호들로부터 상기 맥박 신호를 추출할 수 있다.
상기 BSS 방법은, ICA(Independent Component Analysis) 및 PCA(Principal Components Analysis)를 포함할 수 있다.
도 1은 일 실시예에 따른 생체 신호 검출 장치의 개략적인 블록도를 나타낸다.
도 2는 도 1에 도시된 컨트롤러의 개략적인 블록도를 나타낸다.
도 3은 도 2에 도시된 특징 신호 추출기의 개략적인 블록도를 나타낸다.
도 4는 도 2에 도시된 생체 신호 검출기의 개략적인 블록도를 나타낸다.
도 5는 도 1에 도시된 생체 신호 검출 장치의 동작의 예시를 나타낸다.
도 6a는 도 2에 도시된 컨트롤러의 동작의 순서도를 나타낸다.
도 6b는 도 3에 도시된 특징 신호 추출기의 동작의 순서도를 나타낸다.
도 6c는 도 4에 도시된 생체 신호 검출기의 동작의 순서도를 나타낸다.
도 2는 도 1에 도시된 컨트롤러의 개략적인 블록도를 나타낸다.
도 3은 도 2에 도시된 특징 신호 추출기의 개략적인 블록도를 나타낸다.
도 4는 도 2에 도시된 생체 신호 검출기의 개략적인 블록도를 나타낸다.
도 5는 도 1에 도시된 생체 신호 검출 장치의 동작의 예시를 나타낸다.
도 6a는 도 2에 도시된 컨트롤러의 동작의 순서도를 나타낸다.
도 6b는 도 3에 도시된 특징 신호 추출기의 동작의 순서도를 나타낸다.
도 6c는 도 4에 도시된 생체 신호 검출기의 동작의 순서도를 나타낸다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 “연결되어” 있다거나 “접속되어” 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 “직접 연결되어” 있다거나 “직접 접속되어” 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 “~사이에”와 “바로~사이에” 또는 “~에 직접 이웃하는” 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, “포함하다” 또는 “가지다” 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 생체 신호 검출 장치의 개략적인 블록도를 나타낸다.
도 1을 참조하면, 생체 신호 검출 장치(10)는 전극이나 기기의 다른 일부가 인체와 접촉하지 않은 상태로 인간의 생체 신호를 측정할 수 있다. 심장 박동 검출 장치(10)는 음성 신호를 이용하여 인간의 생체 신호를 측정할 수 있다.
생체 신호는 인체의 생체 현상을 다양한 센서의 침습적(invasive) 또는 비침습적(non-invasive)인 방법으로 계측한 신호를 의미할 수 있다. 생체 신호는 생체 전기 신호, 생체 임피던스 신호, 생체 음향 신호, 생체 자기 신호, 생체 역학 신호 및 생화학 신호를 포함할 수 있다.
생체 전기 신호는 심전도(electrocardiogram), 뇌전도(electroencephalogram), 안구전도(electrooculogram) 및 근전도(electromyogram)를 포함할 수 있다.
생체 신호 검출 장치(10)는 음성 신호를 이용하여 인간의 심박수(heart rate) 또는 맥박수(pulse rate)을 측정할 수 있다.
생체 신호 검출 장치(10)는 거동이 불편하거나, 다른 행위로 인하여 거동이 어려운 인간의 생체 신호를 검출할 수 있다. 예를 들어, 생체 신호 검출 장치(10)는 비접촉 상태로 노약자, 어린이 및 운전자 등의 생체 신호를 검출할 수 있다.
생체 신호 검출 장치(10)는 PC(personal computer), 데이터 서버, 또는 휴대용 장치 내에 구현될 수 있다.
휴대용 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 또는 스마트 디바이스(smart device)로 구현될 수 있다. 스마트 비다이스는 스마트 와치(smart watch), 스마트 밴드(smart band), 또는 스마트 링(smart ring)으로 구현될 수 있다.
생체 신호 검출 장치(10)는 수신기(100) 및 컨트롤러(200)를 포함한다.
수신기(100)는 음성 신호(speech signal)를 수신할 수 있다. 수신기가 수신하는 음성 신호는 모음 신호(vowel signal)를 포함할 수 있다. 모음 신호는 모음 소리로 이루어진 음성 신호를 의미할 수 있다.
수신기(100)는 마이크를 포함할 수 있다. 수신기(100)가 수신하는 신호는 디지털 신호 및 아날로그 신호를 포함할 수 있다. 수신기(100)가 수신하는 신호는 시간 영역(time domain) 신호를 포함할 수 있다.
수신기(100)는 수신한 신호를 컨트롤러(200)로 출력할 수 있다.
컨트롤러(200)는 음성 신호로부터 성대의 특성이 반영된 복수의 특징 신호(feature signal)들을 추출(extract)하고, 복수의 특징 신호들에 기초하여 생체 신호를 검출할 수 있다.
컨트롤러(200)는 인간의 음성 신호로부터 포먼츠(formants) 주파수를 찾아낼 수 있다. 컨트롤러(200)는 포먼츠 주파수에 기초하여 생체 신호를 검출할 수 있다.
컨트롤러(200)는 포먼츠 주파수의 변조를 이용하여 음성 신호의 포먼츠 주파수를 찾아내고, 포먼츠 주파수에서의 시간에 따른 신호 세기를 검출해냄으로써 심박수를 측정할 수 있다.
도 2는 도 1에 도시된 컨트롤러의 개략적인 블록도를 나타낸다.
도 2를 참조하면, 컨트롤러(100)는 특징 신호 추출기(210) 및 생체 신호 검출기(230)를 포함할 수 있다.
특징 신호 추출기(210)는 음성 신호로부터 성대(vocal cord)의 특성이 반영된 복수의 특징 신호(feature signal)들을 추출(extract)할 수 있다.
인간이 모음 신호를 일정 시간 발성하면, 인간의 음성 신호 내에 인간이 가진 성대의 구조적 특성에 따라 특정 주파수 대역에 대응하는 음성 신호가 나타날 수 있다. 즉, 음성 신호에는 맥박수와 같은 생체 신호가 인터모듈레이션(intermodulation) 되어있을 수 있다.
포먼츠(formants)는 인간이 발생시킨 음성 신호 중 세기가 도드라지게 나타나는 주파수 대역을 의미할 수 있다. 포먼츠 주파수는 발성자의 성대 모양에 영향을 받을 수 있다. 포먼츠 주파수는 각 개인마다 고유한 주파수 대역을 가질 수 있다.
심장 박동이 발생할 때마다, 성대 근처의 경동맥에 진동이 발생하면서 성대의 모양이 미세하게 변할 수 있다. 성대의 모양이 변화하면 포먼츠 주파수가 미세하게 변조될 수 있다. 특징 신호 추출기(210)는 미세하게 변조된 포먼츠 주파수를 이용하여 특징 신호를 추출할 수 있다.
특징 신호 추출기(210)는 음성 신호로부터 포먼츠 주파수를 찾아내고, 포먼츠 주파수에 기초하여 복수의 특징 신호를 추출할 수 있다. 특징 신호 추출기(210)는 추출한 복수의 특징 신호를 생체 신호 검출기(230)로 출력할 수 있다.
생체 신호 검출기(230)는 복수의 특징 신호들에 기초하여 생체 신호를 검출할 수 있다. 생체 신호 검출기(230)는 복수의 특징 신호를 필터링하여 검출하고자 하는 생체 신호와 연관된 신호만을 분류함으로써 생체 신호를 검출할 수 있다.
도 3은 도 2에 도시된 특징 신호 추출기의 개략적인 블록도를 나타낸다.
도 3을 참조하면, 특징 신호 추출기(210)는 변환기(211), 포먼츠 주파수 획득기(213) 및 특징 신호 획득기(215)를 포함할 수 있다.
변환기(211)는 시간 영역 신호를 주파수 영역 신호로 변환할 수 있다. 변환기는 푸리에 변환(fourier transform)을 통해 시간 영역 신호를 주파수 영역 신호로 변환할 수 있다.
변환기(211)는 음성 신호를 주파수 영역 신호인 스펙트로그램(spectrogram)으로 변환할 수 있다. 변환기(211)는 음성 신호를 주파수 영역으로 변환함으로써 주파수와 진폭의 시간에 따른 변화를 보여주는 스펙트로그램을 획득할 수 있다.
스펙트로그램은 주파수 및 진폭의 시간에 따른 변화를 나타낼 수 있다.
변환기(211)는 STFT(Short Term Fourier Transform) 또는 MFCC(Mel Frequency Cepstrum Coefficients) 방법을 사용하여 음성 신호를 스펙트로그램으로 변환할 수 있다.
변환기(211)는 스펙트로그램을 포먼츠 주파수 획득기(213)로 출력할 수 있다.
포먼츠 주파수 획득기(213)는 스펙트로그램으로부터 인간의 발성 신호의 세기가 도드라지게 나타나는 주파수인 포먼츠(formants) 주파수를 획득할 수 있다.
포먼츠 주파수 획득기(213)는 스펙트로그램에서의 신호의 세기를 이용하여 사람마다 존재하는 포먼츠 주파수 대역을 찾아낼 수 있다.
특징 신호 획득기(215)는 스펙트로그램 및 포먼츠 주파수에 기초하여 복수의 특징 신호를 획득할 수 있다. 특징 신호 획득기(215)는 포먼츠 주파수 대역에서 시간에 따른 신호의 세기를 나타내는 복수의 특징 신호들을 획득할 수 있다.
도 4는 도 2에 도시된 생체 신호 검출기의 개략적인 블록도를 나타낸다.
도 4를 참조하면, 생체 신호 검출기(230)는 필터(231), 맥박 신호 추출기(233) 및 맥박수 변환기(235)를 포함할 수 있다.
필터(231)는 복수의 특징 신호를 필터링할 수 있다. 필터(231)는 특정 대역의 주파수 만을 필터링할 수 있다. 예를 들어, 필터(231)는 복수의 특징신호들로부터 맥박 주파수를 포함하는 10Hz 이상 150Hz 이하인 신호를 필터링할 수 있다.
필터(231)는 필터링한 복수의 특징 신호를 맥박 신호 추출기(233)로 출력할 수 있다.
맥박 신호 추출기(233)는 필터링된 복수의 특징 신호들에 기초하여 맥박 신호를 추출할 수 있다.
맥박 신호 추출기(233)는 BSS(Blind Source Separation or Blind Signal Separation) 방법 또는 인공 신경망(Artificial Neural Network)에 기반한 머신 러닝(machine learning)을 이용하여 필터링된 복수의 특징 신호로부터 맥박 신호를 추출할 수 있다.
맥박 신호 추출기(233)는 필터링된 복수의 특징 신호들로부터 연관성(correlation)이 없는 신호들을 분류함으로써, 검출하고자 하는 신호와 연관된 신호를 추출할 수 있다. 예를 들어, 맥박 신호 추출기(233)는 필터링된 복수의 특징 신호로부터 맥박수와 연관된 맥박 신호를 추출할 수 있다.
BSS 방법은, ICA(Independent Component Analysis) 및 PCA(Principal Components Analysis)를 포함할 수 있다. 맥박 신호 추출기(233)는 BSS 방법을 이용하여 복수의 채널 신호를 획득할 수 있고, 복수의 채널 신호로부터 검출하고자 하는 신호와 연관된 신호를 추출할 수 있다.
예를 들어, 맥박 신호 추출기(233)는 BSS 방법을 이용하여 잡음 신호를 제거하고 검출하고자 하는 신호만을 추출할 수 있다. 맥박 신호 추출기(233)는 필터링된 복수의 특징 신호로부터 불필요한 신호들을 제거하여 맥박 신호를 추출할 수 있다.
맥박 신호 추출기(233)는 인공 신경망에 기반한 머신 러닝을 이용하여, 인공신경망을 학습시킴으로써 검출하고자 하는 신호와 연관된 신호를 추출할 수 있다.
맥박 신호 추출기(233)는 주파수 정보에 기초하여 검출하고자 하는 생체 신호를 추출할 수 있다. 예를 들어, 맥박 신호 추출기(233)는 사람의 맥박수가 50bpm에서 100bpm 사이인 점을 고려하여 맥박 신호를 추출할 수 있다.
맥박수 변환기(235)는 맥박 신호에 기초하여 생체 신호로서 맥박수를 획득할 수 있다. 맥박수 변환기(235)는 맥박 신호 추출기(233)가 추출한 생체 신호로부터 검출결과를 획득할 수 있다. 예를 들어, 맥박수 변환기(235)는 맥박 신호로부터 맥박수를 검출할 수 있다.
맥박수 변환기(235)는 bpm(beats per minute)단위로 검출한 맥박수를 출력할 수 있다.
도 5는 도 1에 도시된 생체 신호 검출 장치의 동작의 예시를 나타낸다.
도 5를 참조하면, 마이크를 포함하는 수신기(100)는 모음 신호를 수신하여 변환기(211)로 출력할 수 있다. 모음 신호는 시간 영역 신호일 수 있다. 마이크는 모음 신호를 디지털 신호로 변환하여 변환기(211)로 출력할 수 있다.
모음 신호는 검출하고자 하는 생체 신호가 인터모듈레이션된 신호일 수 있다.
변환기(211)는 STFT 또는 MFCC를 이용하여 모음 신호를 주파수 영역 신호로 변환할 수 있다. 또한, 변환기(211)는 주파수 영역 신호인 스펙트로그램을 획득할 수 있다.
도 5의 예시에서 포먼츠 추출기는 포먼츠 주파수 획득기(213) 및 특징 신호 획득기(215)의 동작을 수행할 수 있다. 포먼츠 추출기는 스펙트로그램으로부터 포먼츠 주파수를 찾아내고, 포먼츠 주파수에 대응하는 신호들을 분류함으로써 복수의 특징 신호들을 획득할 수 있다.
포먼츠 주파수는 각 개인마다 고유한 대역의 주파수를 가질 수 있다.
포먼츠 추출기는 복수의 특징 신호들을 필터(231)로 출력할 수 있다. 필터(231)는 복수의 특징 신호들에 대하여 검출하고자 하는 신호가 포함된 주파수 대역에 대응하는 신호만을 필터링할 수 있다. 예를 들어, 필터(231)는 맥박 신호에 대응되는 주파수 대역인 10Hz이상 150Hz이하의 주파수 대역에 대응하는 신호를 필터링할 수 있다.
맥박 신호 추출기(233)는 필터링된 복수의 특징 신호를 이용하여 맥박 신호를 추출할 수 있다. 도 5의 예시에서는 BSS를 이용하여 맥박 신호를 추출하였지만, 인공 신경망에 기반한 머신 러닝을 통해서도 맥박 신호를 추출할 수 있다.
맥박 신호 추출기(233)는 필터링된 복수의 특징 신호로부터 검출하고자 하는 생체 신호만을 분류할 수 있다. 맥박 신호 추출기(233)가 추출할 수 있는 신호는 맥박 신호에 한정되지 않고, 다른 류의 생체신호를 포함할 수 있다.
맥박 신호 추출기(233)는 맥박 신호를 맥박수 변환기(235)로 출력할 수 있다.
맥박수 변환기(235)는 맥박 신호로부터 맥박수를 검출할 수 있다. 맥박수 변환기(235)는 bpm 단위로 맥박수를 출력할 수 있다.
도 6a는 도 2에 도시된 컨트롤러의 동작의 순서도를 나타내고, 도 6b는 도 3에 도시된 특징 신호 추출기의 동작의 순서도를 나타내고, 도 6c는 도 4에 도시된 생체 신호 검출기의 동작의 순서도를 나타낸다.
도 6a를 참조하면, 특징 신호 추출기(210)는 음성 신호로부터 복수의 특징 신호들을 추출할 수 있다(S610).
생체 신호 검출기(230)는 복수의 특징 신호에 기초하여 맥박수를 검출할 수 있다(S630). 생체 신호 검출기(230)가 검출하는 신호는 맥박수에 한정되지 않고, 다양한 생체 신호를 포함할 수 있다.
도 6b를 참조하면, 변환기(211)는 음성 신호를 스펙트로그램으로 변환할 수 있다(S611). 변환기(211)는 푸리에 변환을 통해 음성 신호를 시간 영역에서 주파수 영역으로 변환하여 스펙트로그램을 획득할 수 있다. 예를 들어, 변환기(211)는 STFT 또는 MFCC를 이용하여 음성 신호로부터 스펙트로그램을 획득할 수 있다.
포먼츠 주파수 획득기(213)는 스펙트로그램으로부터 포먼츠 주파수를 획득할 수 있다(S613). 포먼츠 주파수 획득기(213)는 스펙트로그램에서 신호의 세기를 이용하여 포먼츠 주파수를 획득할 수 있다.
특징 신호 획득기(215)는 스펙트로그램 및 포먼츠 주파수에 기초하여 복수의 특징 신호들을 획득할 수 있다(S615). 특징 신호 획득기(215)는 스펙트로그램에서 포먼츠 주파수 대역에 해당하는 신호만을 분리함으로써 복수의 특징 신호들을 획득할 수 있다. 각각의 특징 신호들은 시간에 따른 신호의 세기로 표현될 수 있다.
특징 신호 획득기(215)는 복수의 특징 신호를 필터(231)로 출력할 수 있다.
도 6c를 참조하면, 필터(231)는 복수의 특징 신호들을 필터링할 수 있다(S631). 필터(231)는 주파수 필터일 수 있다. 필터(231)는 검출하려는 생체 신호가 존재하는 주파수 대역에 해당하는 신호만을 필터링할 수 있다. 예를 들어, 필터(231)는 맥박 주파수에 대응하는 10Hz 이상 150Hz에 대응하는 신호들을 필터링 할 수 있다.
맥박 신호 추출기(233)는 필터링된 복수의 특징 신호에 기초하여 맥박 신호를 추출할 수 있다(S633). 맥박 신호 추출기(233)는 BSS 방법 또는 인공 신경망에 기반한 머신 러닝을 통해서 맥박 신호를 추출할 수 있다.
맥박 신호 추출기(233)는 필터링된 복수의 특징 신호로부터 검출하고자 하는 생체 신호와 연관된 신호들만을 분리시킴으로써 생체 신호와 연관된 신호를 추출할 수 있다. 예를 들어, 맥박 신호 추출기(233)는 필터링된 복수의 특징 신호로부터 맥박 신호를 추출할 수 있다.
맥박수 변환기(235)는 맥박 신호에 기초하여 맥박수를 획득할 수 있다(S635). 맥박수 변환기(235)는 맥박 신호로부터 bpm 단위의 맥박수를 획득할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 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 실시예를 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (15)
- 음성 신호(speech signal)를 수신하는 단계;
상기 음성 신호로부터 성대(vocal cord)의 특성이 반영된 복수의 특징 신호(feature signal)들을 추출(extract)하는 단계;
상기 복수의 특징 신호들에 기초하여 생체 신호를 검출하는 단계
를 포함하는 생체 신호 검출 방법.
- 제1항에 있어서,
상기 음성 신호는,
모음 신호를 포함하는
생체 신호 검출 방법.
- 제1항에 있어서,
상기 추출하는 단계는,
상기 음성 신호를 주파수 영역 신호인 스펙트로그램(spectrogram)으로 변환하는 단계;
상기 스펙트로그램으로부터 인간의 발성 신호의 세기가 도드라지게 나타나는 주파수인 포먼츠(formants) 주파수를 획득하는 단계; 및
상기 스펙트로그램 및 상기 포먼츠 주파수에 기초하여 상기 복수의 특징 신호들을 획득하는 단계
를 포함하는 생체 신호 검출 방법.
- 제3항에 있어서,
상기 변환하는 단계는,
STFT(Short Term Fourier Transform) 또는 MFCC(Mel Frequency Cepstrum Coefficients) 방법을 사용하여 상기 음성 신호를 상기 스펙트로그램으로 변환하는 단계
를 포함하는 생체 신호 검출 방법.
- 제1항에 있어서,
상기 검출하는 단계는,
상기 복수의 특징 신호들을 필터링하는 단계;
필터링된 복수의 특징 신호들에 기초하여 맥박 신호를 추출하는 단계; 및
상기 맥박 신호에 기초하여 상기 생체 신호로서 맥박수를 획득하는 단계
를 포함하는 생체 신호 검출 방법.
- 제5항에 있어서,
상기 맥박 신호를 추출하는 단계는,
BSS(Blind Source Separation) 방법 또는 인공 신경망(Artificial Neural Network)에 기반한 머신 러닝(machine learning)을 이용하여 상기 필터링된 복수의 특징 신호들로부터 상기 맥박 신호를 추출하는 단계
를 포함하는 생체 신호 검출 방법.
- 제5항에 있어서,
상기 BSS 방법은,
ICA(Independent Component Analysis) 및 PCA(Principal Components Analysis)를 포함하는
생체 신호 검출 방법.
- 음성 신호(speech signal)를 수신하는 수신기; 및
상기 음성 신호로부터 성대의 특성이 반영된 복수의 특징 신호(feature signal)들을 추출(extract)하고, 상기 복수의 특징 신호들에 기초하여 생체 신호를 검출하는 컨트롤러
를 포함하는 생체 신호 검출 장치.
- 제8항에 있어서,
상기 컨트롤러는,
상기 음성 신호로부터 성대의 특성이 반영된 상기 복수의 특징 신호(feature signal)들을 추출(extract)하는 특징 신호 추출기; 및
상기 복수의 특징 신호들에 기초하여 상기 생체 신호를 검출하는 생체 신호 검출기
를 포함하는 생체 신호 검출 장치.
- 제8항에 있어서,
상기 음성 신호는,
모음 신호를 포함하는
생체 신호 검출 장치.
- 제9항에 있어서,
상기 특징 신호 추출기는,
상기 음성 신호를 주파수 영역 신호인 스펙트로그램(spectrogram)으로 변환하는 변환기;
상기 스펙트로그램으로부터 인간의 발성 신호의 세기가 도드라지게 나타나는 주파수인 포먼츠(formants) 주파수를 획득하는 포먼츠 주파수 획득기; 및
상기 스펙트로그램 및 상기 포먼츠 주파수에 기초하여 상기 복수의 특징 신호들을 획득하는 특징 신호 획득기
를 포함하는 생체 신호 검출 장치.
- 제11항에 있어서,
상기 변환기는,
STFT(Short Term Fourier Transform) 또는 MFCC(Mel Frequency Cepstrum Coefficients) 방법을 사용하여 상기 음성 신호를 상기 스펙트로그램으로 변환하는
생체 신호 검출 장치.
- 제9항에 있어서,
상기 생체 신호 검출기는,
상기 복수의 특징 신호들을 필터링하는 필터;
필터링된 복수의 특징 신호들에 기초하여 맥박 신호를 추출하는 맥박 신호 추출기; 및
상기 맥박 신호에 기초하여 상기 생체 신호로서 맥박수를 획득하는 맥박수 변환기
를 포함하는 생체 신호 검출 장치.
- 제13항에 있어서,
상기 맥박 신호 추출기는,
BSS(Blind Source Separation) 방법 또는 인공 신경망(Artificial Neural Network)에 기반한 머신 러닝(machine learning)을 이용하여 상기 필터링된 복수의 특징 신호들로부터 상기 맥박 신호를 추출하는
생체 신호 검출 장치.
- 제14항에 있어서,
상기 BSS 방법은,
ICA(Independent Component Analysis) 및 PCA(Principal Components Analysis)를 포함하는
생체 신호 검출 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170108074A KR101963962B1 (ko) | 2017-08-25 | 2017-08-25 | 비접촉 생체 신호 검출 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170108074A KR101963962B1 (ko) | 2017-08-25 | 2017-08-25 | 비접촉 생체 신호 검출 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190022151A true KR20190022151A (ko) | 2019-03-06 |
| KR101963962B1 KR101963962B1 (ko) | 2019-03-29 |
Family
ID=65761265
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170108074A KR101963962B1 (ko) | 2017-08-25 | 2017-08-25 | 비접촉 생체 신호 검출 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101963962B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102216160B1 (ko) * | 2020-03-05 | 2021-02-16 | 가톨릭대학교 산학협력단 | 음성 및 연하 장애를 유발하는 질환 진단 장치 및 그 판단 방법 |
| KR20210076594A (ko) * | 2019-12-16 | 2021-06-24 | 서울대학교병원 | 수치 데이터를 이용한 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4039754A (en) * | 1975-04-09 | 1977-08-02 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Speech analyzer |
| US5271397A (en) * | 1989-09-08 | 1993-12-21 | Cochlear Pty. Ltd. | Multi-peak speech processor |
| US20030167077A1 (en) * | 2000-08-21 | 2003-09-04 | Blamey Peter John | Sound-processing strategy for cochlear implants |
| KR20110017559A (ko) * | 2009-08-14 | 2011-02-22 | 에스케이 텔레콤주식회사 | 감정 분석 방법 및 장치 |
-
2017
- 2017-08-25 KR KR1020170108074A patent/KR101963962B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4039754A (en) * | 1975-04-09 | 1977-08-02 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Speech analyzer |
| US5271397A (en) * | 1989-09-08 | 1993-12-21 | Cochlear Pty. Ltd. | Multi-peak speech processor |
| US20030167077A1 (en) * | 2000-08-21 | 2003-09-04 | Blamey Peter John | Sound-processing strategy for cochlear implants |
| KR20110017559A (ko) * | 2009-08-14 | 2011-02-22 | 에스케이 텔레콤주식회사 | 감정 분석 방법 및 장치 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210076594A (ko) * | 2019-12-16 | 2021-06-24 | 서울대학교병원 | 수치 데이터를 이용한 수면무호흡증 예측 모델의 생성 방법 및 이 모델을 이용한 수면무호흡증 예측 방법 |
| KR102216160B1 (ko) * | 2020-03-05 | 2021-02-16 | 가톨릭대학교 산학협력단 | 음성 및 연하 장애를 유발하는 질환 진단 장치 및 그 판단 방법 |
| WO2021177730A1 (ko) * | 2020-03-05 | 2021-09-10 | 가톨릭대학교 산학협력단 | 음성 및 연하 장애를 유발하는 질환 진단 장치 및 그 진단 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101963962B1 (ko) | 2019-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abhang et al. | Introduction to EEG-and speech-based emotion recognition | |
| Espinoza et al. | Glottal aerodynamic measures in women with phonotraumatic and nonphonotraumatic vocal hyperfunction | |
| Lin et al. | Advanced artificial intelligence in heart rate and blood pressure monitoring for stress management | |
| Knapp et al. | Physiological signals and their use in augmenting emotion recognition for human–machine interaction | |
| EP2371286B1 (en) | Organism fatigue evaluation device and organism fatigue evaluation method | |
| KR20170087855A (ko) | 적어도 부분적으로 펄스 파형에 기반하는 자동화 진단 | |
| Mishra et al. | Characterization of $ S_1 $ and $ S_2 $ heart sounds using stacked autoencoder and convolutional neural network | |
| US10765332B2 (en) | Detection of the heartbeat in cranial accelerometer data using independent component analysis | |
| JP2019516416A (ja) | 心血管特性抽出装置及び方法 | |
| Chiang | Ecg-based mental stress assessment using fuzzy computing and associative petri net | |
| Maaoui et al. | Automatic human stress detection based on webcam photoplethysmographic signals | |
| Tadi et al. | Comprehensive analysis of cardiogenic vibrations for automated detection of atrial fibrillation using smartphone mechanocardiograms | |
| KR101963962B1 (ko) | 비접촉 생체 신호 검출 방법 및 장치 | |
| JP2017188097A (ja) | 意思創発装置、意思創発方法および意思創発プログラム | |
| WO2018180330A1 (ja) | 感情推定装置 | |
| Saia et al. | Influencing brain waves by evoked potentials as biometric approach: taking stock of the last six years of research | |
| Sandulescu et al. | Mobile app for stress monitoring using voice features | |
| Qaisar et al. | Advances in Non-Invasive Biomedical Signal Sensing and Processing with Machine Learning | |
| KR20210031281A (ko) | 생체정보 추정 장치 및 방법 | |
| EP3850639A1 (en) | System and methods for consciousness evaluation in non-communcating subjects | |
| Chaptoukaev et al. | Stressid: a multimodal dataset for stress identification | |
| Ye et al. | Techniques in pattern recognition for school bullying prevention: Review and outlook | |
| JP2020076923A5 (ko) | ||
| Vu et al. | Detection of activities during newborn resuscitation based on short-time energy of acceleration signal | |
| Miltiadous et al. | An experimental protocol for exploration of stress in an immersive VR scenario with EEG |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |