KR20190053011A - 신체적 안정 판단 시스템 및 방법 - Google Patents

신체적 안정 판단 시스템 및 방법 Download PDF

Info

Publication number
KR20190053011A
KR20190053011A KR1020170148949A KR20170148949A KR20190053011A KR 20190053011 A KR20190053011 A KR 20190053011A KR 1020170148949 A KR1020170148949 A KR 1020170148949A KR 20170148949 A KR20170148949 A KR 20170148949A KR 20190053011 A KR20190053011 A KR 20190053011A
Authority
KR
South Korea
Prior art keywords
data
user
activity
sleep
area
Prior art date
Application number
KR1020170148949A
Other languages
English (en)
Other versions
KR102004052B1 (ko
Inventor
황상호
강원석
윤상훈
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020170148949A priority Critical patent/KR102004052B1/ko
Priority to US16/183,759 priority patent/US11103196B2/en
Publication of KR20190053011A publication Critical patent/KR20190053011A/ko
Application granted granted Critical
Publication of KR102004052B1 publication Critical patent/KR102004052B1/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
    • A61B5/72—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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • 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
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • 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
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • A61B5/4806—Sleep evaluation
    • A61B5/4815—Sleep quality

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pulmonology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

일 실시예에 따른 신체적 안정 판단 시스템은, 사용자의 수면 정보, 활동 정보 및 심박 정보를 수집하는 웨어러블 디바이스; 상기 수면 정보를 기반으로, 상기 활동 정보 및 심박 정보를 수면 영역의 데이터 및 활동 영역의 데이터로 구분하는 데이터 전처리부; 및 상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 사용자의 수면 상태, 활동 강도 또는 심박 상태를 산출하는 데이터 가공부;를 포함하고, 상기 수면 영역의 데이터는 상기 데이터 가공부에서 상기 사용자의 수면 상태를 산출하기 위해 사용되고, 상기 활동 영역의 데이터는 상기 데이터 가공부에서 상기 사용자의 활동 강도 또는 심박 상태를 산출하기 위해 사용될 수 있다.

Description

신체적 안정 판단 시스템 및 방법{APPARATUS AND METHOD FOR PREDICTING PHYSICAL STABILITY}
본 발명은 신체적 안정 판단 시스템 및 방법에 관한 것으로서, 보다 상세하게는 수면 정보, 활동 정보, 또는 심박 정보를 활용하여 사용자(예를 들어, 작업자 또는 근로자)의 신체적 안정 정도를 판단할 수 있는 신체적 안정 판단 시스템 및 방법에 관한 것이다.
위험한 요소가 따르는 근무 환경에서는 근로자의 신체적 안정이 무엇보다 중요하다. 신체적 안정도가 떨어져 발생되는 집중력 하락은 인명 및 재산상의 피해로 이어질 수 있다. 하지만 지금까지 산업 현장에서 근로자에 대한 신체적 안정에 대한 판단은 오로지 관리자 또는 동료의 주관적인 판단에 의해서만 이루어지고 있으며, 이러한 시각적으로만 판단하는 것은 정확도가 떨어진다.
예를 들어, KR10-2011-0120261에는 '작업자의 신체활동량 및 종합스트레스지수 예측 시스템'에 대하여 개시되어 있다.
일 실시예에 따른 목적은 전날 수면 상태, 현재 활동 상태, 안정상태의 심박 상태 등의 다양한 정보를 활용하여 근로자 또는 작업자에 대한 신체적 안정 정도를 판단할 수 있는 신체적 안정 판단 시스템 및 방법을 제공하는 것이다.
일 실시예에 따른 목적은 판단된 신체적 안정 정도에 따라 근로자가 현재 수행할 수 있는 직무의 난이도를 결정할 수 있어 집중력 하락으로 인한 인명 및 재산상의 피해를 예방할 수 있는 신체적 안정 판단 시스템 및 방법을 제공하는 것이다.
일 실시예에 따른 목적은 웨어러블 디바이스에서 수집된 시계열 데이터에 대한 전처리 및 수식에 의한 가공을 수행한 뒤 준-지도학습을 통하여 신체적 안정 등급의 신뢰도를 향상시킬 수 있는 신체적 안정 판단 시스템 및 방법을 제공하는 것이다.
일 실시예에 따른 목적은 작업 전에 근로자의 상태를 판단할 수 있어, 고위험 업무 상황 특히 수행시작시점에서 연속적으로 혹은 지속적으로 업무를 할 수밖에 없는 직업군에서 유용하게 활용될 수 있고, 작업을 수행하기 전 근로자 또는 교육생 등(여러 분야에 적용될 수 있음)이 해당 작업을 수행하기 적절한 신체적 안정을 유지하고 있는지를 예측할 수 있는 신체적 안정 판단 시스템 및 방법을 제공하는 것이다.
상기 목적을 달성하기 위한 일 실시예에 따른 신체적 안정 판단 시스템은, 사용자의 수면 정보, 활동 정보 및 심박 정보를 수집하는 웨어러블 디바이스; 상기 수면 정보를 기반으로, 상기 활동 정보 및 심박 정보를 수면 영역의 데이터 및 활동 영역의 데이터로 구분하는 데이터 전처리부; 및 상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 사용자의 수면 상태, 활동 강도 또는 심박 상태를 산출하는 데이터 가공부;를 포함하고, 상기 수면 영역의 데이터는 상기 데이터 가공부에서 상기 사용자의 수면 상태를 산출하기 위해 사용되고, 상기 활동 영역의 데이터는 상기 데이터 가공부에서 상기 사용자의 활동 강도 또는 심박 상태를 산출하기 위해 사용될 수 있다.
일 측에 의하면, 상기 수면 정보는 복수 개의 수면 영역 및 복수 개의 활동 영역을 포함하고, 상기 데이터 전처리부에서는 상기 복수 개의 수면 영역 중 가장 긴 수면 영역 이후에 나타나는 활동 영역이 상기 활동 영역의 데이터로 선택되고, 상기 가장 긴 수면 영역 이전에 나타나는 활동 영역은 제거 또는 무시될 수 있다.
일 측에 의하면, 상기 데이터 가공부에서, 상기 사용자의 수면 상태는 아래의 식에 의해 산출되고,
수면 상태 = (NREM 구간의 길이)/(권고 수면시간 X 0.75)
이때, 상기 NREM 구간의 길이는 상기 수면 영역 중 심박 변화율이 낮은 구간의 합으로 결정되고, 상기 권고 수면시간은 연령별 최소 권장 수면 시간 데이터로부터 결정될 수 있다.
일 측에 의하면, 상기 수면 영역 중 심박 변화율이 낮은 구간은 상기 심박 정보의 분산이 기준 분산 이하인 구간으로 판정되고, 상기 기준 분산은 아래의 식에 의해 결정되고,
μ = (HR안정 X 0.1)2
이때, HR안정은 안정상태의 심박 정보로서, 상기 웨어러블 디바이스에 의해 수집될 수 있다.
일 측에 의하면, 상기 데이터 가공부에서, 상기 사용자의 활동 강도는 아래의 식에 의해 산출되고,
활동 강도 = (HR현재 - HR안정)/(HR최대 - HR안정)
이때, 상기 HR현재 및 HR안정은 상기 웨어러블 디바이스에 의해 수집되고, 상기 HR최대는 208 - 0.7 X 사용자의 연령이 될 수 있다.
일 측에 의하면, 상기 사용자의 활동 강도는 일정 시간 단위로 산출되고, 전체 활동 영역에서의 평균 활동 강도는 아래의 식에 의해 산출되고,
Figure pat00001
이때, n은 활동 강도의 산출 횟수가 될 수 있다.
일 측에 의하면, 상기 데이터 가공부에서, 상기 사용자의 심박 상태는 아래의 식에 의해 산출되고,
심박 상태 = (NZ)/(BZ + NZ + TZ)
이때, 상기 NZ는 정상 심박 구간의 시간이고,
상기 BZ는 서맥 구간의 시간이고,
상기 TZ는 빈맥 구간의 시간이다.
일 측에 의하면, 상기 데이터 가공부에서 산출된 상기 사용자의 수면 상태, 활동 강도 또는 심박 상태로부터 머신 러닝에 의해서 사용자의 신체적 안정 정도를 판단하는 판단부를 더 포함할 수 있다.
일 측에 의하면, 특정 직업군에 종사하는 사용자의 신체적 안정 판단 값에는 라벨이 포함되어, 상기 라벨이 포함된 학습 데이터 및 상기 라벨이 비포함된 학습 데이터를 활용하여 상기 판단부는 준-지도학습(Semi-Supervised Learning)을 수행하여 상기 사용자의 신체적 안정 정도를 판단할 수 있다.
일 측에 의하면, 상기 판단부에서 판단된 사용자의 신체적 안정 판단 값을 전송하는 데이터 전송부; 및 상기 데이터 전송부를 통해서 상기 사용자의 신체적 안정 판단 값이 전송되는 모니터링부;를 더 포함할 수 있다.
상기 목적을 달성하기 위한 일 실시예에 따른 신체적 안정 판단 방법은, 사용자의 수면 정보, 활동 정보 및 심박 정보를 수집하는 단계; 상기 사용자의 수면 정보에 기반하여 상기 활동 정보 및 상기 심박 정보를 수면 영역의 데이터 및 활동 영역의 데이터로 구분하는 단계; 상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 상기 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출하는 단계; 및 상기 사용자의 수면 상태, 활동 강도 및 심박 상태로부터 사용자의 신체적 안정을 판단하는 단계;를 포함하고, 상기 수면 영역의 데이터는 사용자의 수면 상태를 산출하기 위해 사용되고, 상기 활동 영역의 데이터는 사용자의 활동 강도 및 심박 상태를 산출하기 위해서 사용될 수 있다.
일 측에 의하면, 상기 사용자의 수면 정보에 기반하여 상기 활동 정보 및 상기 심박 정보를 수면 영역의 데이터 및 활동 영역의 데이터로 구분하는 단계에서, 가장 긴 수면 영역 이후에 나타나는 활동 영역만이 상기 활동 영역의 데이터로 생성되고 가장 긴 수면 영역 이전에 나타나는 활동 영역의 데이터는 제거될 수 있다.
일 측에 의하면, 상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 상기 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출하는 단계에서, 상기 사용자의 수면 상태는 아래의 식에 의해 산출되고,
수면 상태 = (NREM 구간의 길이)/(권고 수면시간 X 0.75)
이때, 상기 NREM 구간의 길이는 상기 수면 영역 중 심박 변화율이 낮은 구간의 합으로 결정되고, 상기 권고 수면시간은 연령별 최소 권장 수면 데이터로부터 결정될 수 있다.
일 측에 의하면, 상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 상기 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출하는 단계에서, 상기 사용자의 활동 강도는 아래의 식에 의해 산출되고,
활동 강도 = (HR현재 - HR안정)/(HR최대 - HR안정)
이때, 상기 HR최대는 208 - 0.7 X 사용자의 연령이 될 수 있다.
일 측에 의하면, 상기 수면 영역의 데이터 및 활동 영역의 데이터로부터 상기 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출하는 단계에서, 상기 사용자의 심박 상태는 아래의 식에 의해 산출되고,
심박 상태 = (NZ)/(BZ + NZ + TZ)
이때, 상기 NZ는 정상 심박 구간의 시간이고,
상기 BZ는 서맥 구간의 시간이고,
상기 TZ는 빈맥 구간의 시간이 될 수 있다.
일 측에 의하면, 상기 사용자의 수면 상태, 활동 강도 및 심박 상태로부터 사용자의 신체적 안정을 판단하는 단계에서, 특정 직업군에 종사하는 사용자의 신체적 안정 판단 값에는 라벨이 포함되어, 상기 라벨이 포함된 학습 데이터 및 상기 라벨이 비포함된 학습 데이터를 활용하여 준-지도학습(Semi-Supervised Learning)을 수행하여 상기 사용자의 신체적 안정 정도를 판단할 수 있다.
일 실시예에 따른 신체적 안정 판단 시스템 및 방법에 의하면, 전날 수면 상태, 현재 활동 상태, 안정상태의 심박 상태 등의 다양한 정보를 활용하여 근로자 또는 작업자에 대한 신체적 안정 정도를 판단할 수 있다.
일 실시예에 따른 신체적 안정 판단 시스템 및 방법에 의하면, 판단된 신체적 안정 정도에 따라 근로자가 현재 수행할 수 있는 직무의 난이도를 결정할 수 있어 집중력 하락으로 인한 인명 및 재산상의 피해를 예방할 수 있다.
일 실시예에 따른 신체적 안정 판단 시스템 및 방법에 의하면, 웨어러블 디바이스에서 수집된 시계열 데이터에 대한 전처리 및 수식에 의한 가공을 수행한 뒤 준-지도학습을 통하여 신체적 안정 등급의 신뢰도를 향상시킬 수 있다.
일 실시예에 따른 신체적 안정 판단 시스템 및 방법에 의하면, 작업 전에 근로자의 상태를 판단할 수 있어, 고위험 업무 상황 특히 수행시작시점에서 연속적으로 혹은 지속적으로 업무를 할 수밖에 없는 직업군에서 유용하게 활용될 수 있고, 작업을 수행하기 전 근로자 또는 교육생 등(여러 분야에 적용될 수 있음)이 해당 작업을 수행하기 적절한 신체적 안정을 유지하고 있는지를 예측할 수 있다.
도 1은 일 실시예에 따른 신체적 안정 판단 시스템을 도시한다.
도 2(a) 및 (b)는 데이터 전처리부에서 시계열 데이터를 도시한다.
도 3은 NREM 구간 탐색을 도시한다.
도 4는 일 실시예에 따른 신체적 안정 판단 방법을 나타내는 순서도이다.
도 5는 일 실시예에 따른 신체적 안정 판단 과정을 도시한다.
이하, 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 실시예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 실시예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 실시예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
어느 하나의 실시예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시예에 기재한 설명은 다른 실시예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 신체적 안정 판단 시스템을 도시하고, 도 2(a) 및 (b)는 데이터 전처리부에서 시계열 데이터를 도시하고, 도 3은 NREM 구간 탐색을 도시한다.
도 1을 참조하여, 일 실시예에 따른 신체적 안정 판단 시스템(10)은 웨어러블 디바이스(100), 데이터 전처리부(200), 데이터 가공부(300), 판단부(400), 데이터 전송부(500) 및 모니터링부(600)를 포함할 수 있다.
상기 일 실시예에 따른 신체적 안정 판단 시스템(10)은 크게 웨어러블 디바이스(100), (데이터 전처리부(200), 데이터 가공부(300), 판단부(400) 및 데이터 전송부(500)로 구성된) 서버, 및 모니터링부(600)를 포함할 수 있다.
상기 웨어러블 디바이스(100)는 웨어러블 디바이스(100)를 신체에 착용하고 있는 사용자(예를 들어, 근로자, 작업자 등)의 수면 정보, 활동 정보 또는 심박 정보를 수집할 수 있다.
이때, 웨어러블 디바이스(100)에서 수집된 사용자의 수면 정보, 활동 정보 또는 심박 정보는 신체적 안정을 판단하기 위해 활용될 수 있는 데이터이다.
구체적으로, 웨어러블 디바이스(100)는 웨어러블 디바이스(100)에 구비된 다양한 센서를 통해서 사용자의 걸음 수(steps), 수면, 심박도(HR), 안정상태의 심박도(HR안정)에 해당하는 시계열 데이터를 수집할 수 있다.
예를 들어, 수집되는 시계열 데이터는 1분 단위로 수집될 수 있다.
특히, 사용자의 수면 정보는 현재 수면 여부를 의미하고, 활동 중일 때는 0이고 수면 중일 때는 1로 된다.
이와 같이 웨어러블 디바이스(100)에서 수집된 사용자의 수면 정보, 활동 정보 또는 심박 정보는 모두 데이터베이스에 저장된다. 상기 데이터베이스는 웨어러블 디바이스(100)에 내장되거나, 웨어러블 디바이스(100) 외부에 배치되어 웨어러블 디바이스(100)와 유선 또는 무선 통신 가능하게 구성될 수 있다.
전술된 바와 같이 데이터베이스 내에 저장된 웨어러블 디바이스(100)에서 수집된 사용자의 수면 정보, 활동 정보 및 심박 정보는 데이터 전처리부(200)에 전달될 수 있다.
구체적으로, 사용자의 신체 안정을 판단하기 위해서 데이터베이스에서 검색되는 사용자의 수면 정보, 활동 정보 또는 심박 정보의 범위는 위험 정도가 있는 작업(또는 높은 집중력을 필요로 하는 작업)을 시작하기 전 24시간 동안이다. 이는 사용자의 신체적 안정을 모니터링하기 위한 윈도우 크기 또는 모니터링 윈도우의 크기가 24시간이라는 것을 의미한다.
따라서 데이터베이스 내에 저장된 웨어러블 디바이스(100)에서 수집된 사용자의 수면 정보, 활동 정보 및 심박 정보 중 모니터링 윈도우의 크기에 해당되는 정보가 데이터 전처리부(200)에 전달될 수 있다.
도 2(a)를 참조하여, 웨어러블 디바이스(100)에서 수집된 사용자의 수면 정보에 대한 시계열 데이터는 다음과 같이 될 수 있다. 전날 14:00부터 22:34 사이에서 1차 활동 영역이 나타나고, 22:34부터 02:04 사이에서 1차 수면 영역이 나타나고, 02:04부터 02:27 사이에서 2차 활동 영역이 나타나고, 02:27부터 06:58 사이에서 2차 수면 영역이 나타나고, 06:58부터 14:00 사이에서 3차 활동 영역이 나타날 수 있다.
전술된 바와 같이 사용자가 수면 중일 때는 수면 영역으로 나타나고 사용자가 활동 중일 때 또는 비수면 중일 때는 활동 영역으로 나타날 수 있다.
이와 같이 웨어러블 디바이스(100)에서 수집된 사용자의 수면 정보에 기반하여 웨어러블 디바이스(100)에서 수집된 사용자의 활동 정보 및 심박 정보가 수면 영역의 데이터 및 활동 영역의 데이터로 구분될 수 있다.
이후에, 수면 영역의 시계열 데이터는 데이터 가공부(300)에서 사용자의 수면에 대한 상태를 판단하기 위해 사용되고, 활동 영역의 시계열 데이터는 데이터 가공부(300)에서 사용자의 활동 강도 및 심박 상태를 판단하기 위해 사용될 수 있다.
또한, 사용자의 수면 상태(잠깐 깸 또는 낮잠 등의 이유로)에 따라서 수면 정보에 대한 시계열 데이터는 복수 개의 수면 영역 및 복수 개의 활동 영역을 포함할 수 있다.
이러한 복수 개의 활동 영역들을 1개의 활동 영역으로 나타내기 위해서, 데이터 전처리부(200)에서 사용자의 활동 정보 및 심박 정보를 전처리할 수 있다.
구체적으로, 수면 영역의 경우 모니터링 윈도우 내에 있는 모든 수면 영역을 고려하지만, 활동 영역의 경우 모니터링 윈도우 내에서 가장 긴 수면 영역을 주(main) 수면 영역으로 해서 그 이후에 나타나는 활동 영역만 포함시키고, 가장 긴 수면 영역 이전에 나타나는 활동 영역은 신체적 안정 판단에 사용되지 않을 수 있다.
다시 말해서, 활동 전 수면 시간과 당일 활동 시간만이 신체적 안정 판단을 위해서 사용되고, 전날 활동 시간(수면 전 활동 시간)은 신체적 안정 판단을 위해서 사용되지 않을 수 있다.
특히, 도 2(b)에 도시된 바와 같이, 복수 개의 활동 영역 중에서 14:00부터 22:34 사이에서 나타난 1차 활동 영역 및 02:04부터 02:27 사이에서 나타난 2차 활동 영역은 무시 또는 제거될 수 있다.
이에 따라서, 웨어러블 디바이스(100)에서 수집된 사용자의 활동 정보 및 심박 정보에 대한 시계열 데이터 중 14:00부터 22:34 사이에서 수집된 정보 및02:04부터 02:27 사이에서 수집된 정보가 무시 또는 제거될 수 있다.
이와 같이 웨어러블 디바이스(100)에서 수집된 사용자의 수면 정보에 기반해서 웨어러블 디바이스(100)에서 수집된 사용자의 활동 정보 및 심박 정보는 사용자의 신체적 안정을 판단하기에 적합하도록 데이터 전처리부(200)에서 전처리, 예를 들어 선택, 필터링 및 머지(merge)될 수 있다.
전술된 바와 같이, 데이터 전처리부(200)에서 전처리된 데이터는, 사용자의 신체적 안정을 판단하기 위해서 데이터 가공부(300)에 전달될 수 있다.
이때, 데이터 가공부(300)에서는 데이터 전처리부(200)에서 전처리된 데이터에 기초하여 사용자의 수면 상태, 활동 강도, 또는 심박 상태를 산출할 수 있다.
특히, 전처리된 데이터 중 수면 영역의 데이터, 예를 들어 수면 영역에서의 활동 정보 및 심박 정보는 사용자의 수면 상태를 예측 또는 산출하기 위해서 사용될 수 있고, 전처리된 데이터 중 활동 영역의 데이터, 예를 들어 활동 영역에서의 활동 정보 및 심박 정보는 사용자의 심박 상태 및 활동 강도를 예측 또는 산출하기 위해서 사용될 수 있다.
구체적으로, 데이터 가공부(300)에서 사용자의 수면 상태는 다음과 같이 산출될 수 있다.
사용자의 수면 상태는 수면 효율을 고려해서 권고 수면 시간의 깊은 수면을 기준으로 해서 사용자의 깊은 수면 비율로 나타낸다. 이하의 [표 1]은 연령에 따른 최소 권장 수면 시간 데이터를 나타낸다.
연령 최소 권장 수면 시간
14-17y 8 시간
18-25y 7 시간
26-64y 7 시간
≥65 6 시간
일반적으로 수면 사이클은 wake, REM, NREM(1,2,3,4단계)로 구성되는데, 데이터 가공부(300)에서는 이 중 몸의 회복과 관련되어 있는 NREM 단계만 사용한다. 상기 NREM 단계(nonrapid eye movement sleep)는 뇌전도 상에서 δ파와 같은 늦은 진동수의 뇌파가 우세하게 나타나는 시기의 수면을 말하며, 깊이 잠든 상태를 말한다.
전체 수면시간 중 25%는 REM수면에 해당하므로, 권장 NREM 비율은 아래의 식으로부터 산출될 수 있다.
권고 NREM 비율 = 권고 수면시간 X 0.75
또한, NREM 구간에서는 심박 변화율이 떨어지므로, 사용자의 NREM 수면량은 수면 영역 중 심박 변화율이 낮은 구간의 합으로 산출될 수 있다.
이때, 수면 영역 중 심박 변화율이 낮은 구간은 웨어러블 디바이스(100)에서 측정된 심박도의 분산이 기준 분산 이하인 구간으로 판정될 수 있다.
특히, 도 3을 참조하여, 수면 영역에서 NREM 구간을 판정할 수 있으며, NREM 구간을 판정하기 위해서 일정한 크기의 윈도우를 사용하고 있고, 웨어러블 디바이스(100)에서 측정된 심박 정보, 특히 심박도의 분산이 기준 분산 이하인 구간을 판정할 수 있다. 이때 기준 분산은 아래의 식에 의해 결정될 수 있다.
μ = (HR안정 X 0.1)2
이때, HR안정는 안정 시 심박 정보로서, 웨어러블 디바이스(100)에 의해 수집된 심박 정보 중 하나이다.
한편, 수면 영역의 시계열 데이터 중 NREM 구간의 길이(또는 NREM 수면량) 는 사용자의 수면 상태를 판별하기 위해서 사용되고, 사용자의 수면 상태는 아래의 식에 의해서 비율의 형태로 표현될 수 있다.
수면 상태 = (NREM 구간의 길이)/(권고 수면시간 X 0.75)
전술된 바와 같이, NREM 구간의 길이는 수면 영역의 시계열 데이터 중 심박 변화율이 낮은 구간의 합으로 결정되고, 권고 수면 시간은 연령별 최소 권장 수면 데이터로부터 결정될 수 있다.
이때, 수면 상태의 최대값은 100이고, 위 식에 의해서 산출된 수면 상태의 값이 100을 초과하는 경우, 수면 상태의 값이 100으로 조정될 수 있다.
이와 같이 데이터 가공부(300)에서 사용자의 수면 상태는 웨어러블 디바이스(100)에서 수집된 수면 정보 및 심박 정보를 활용하는데, 특히 데이터 전처리부(200)에서 구분된 수면 영역의 데이터 중 심박 정보에 대한 데이터를 활용하여 산출될 수 있다.
또한, 데이터 가공부(300)에서 사용자의 활동 강도는 다음과 같이 산출될 수 있다.
구체적으로, 사용자의 활동 강도는 카보넨(Karvonen) 공식을 역으로 활용하여 산출될 수 있다.
일반적인 운동량에 따른 카보넨 공식은 다음과 같다.
HR권고 = ((HR최대 - HR안정) X 운동강도(%)) + HR안정
이로부터 사용자의 활동 강도는 아래의 식에 의해 산출될 수 있다.
활동 강도 = (HR현재 - HR안정)/(HR최대 - HR안정)
이때, 활동 강도는 1분 단위로 측정될 수 있다.
특히, HR현재 및 HR안정은 웨어러블 디바이스(100)에 의해 수집될 수 있다.
반면, HR최대는 아래의 식에 의해 산출될 수 있다.
HR최대 = 208 - 0.7 X (사용자의 연령)
예를 들어, 사용자의 연령이 30살이라면 HR최대는 177이 될 수 있다.
따라서 전체 활동 영역에서의 평균 활동 강도는 아래의 식에 의해서 산출될 수 있다.
Figure pat00002
이와 같이 사용자의 활동 강도는 웨어러블 디바이스(100)에서 수집된 수면 정보 및 심박 정보를 활용하는데, 특히 데이터 전처리부(200)에서 구분되고 선택된 활동 영역의 데이터 중 심박 정보에 대한 데이터를 활용하여 산출될 수 있다.
한편, 데이터 가공부(300)에서 사용자의 심박 상태는 다음과 같이 산출될 수 있다.
사용자의 심박 상태는 저 활동 구간(예를 들어, 휴식 상황)에서의 정상 심박도의 비율로 나타낼 수 있다. 일반 성인(사용자)의 경우, 안정 시 정상 심박도는 1분에 50(혹은 60) - 100회에 해당한다. 따라서 안정 시 정상 심박도가 60 미만인 경우에는 서맥, 100 초과인 경우에는 빈맥으로 진달할 수 있다.
서맥의 경우 졸음, 실신 등의 상황이 발생할 수 있으며, 빈맥의 경우 어지럼증 등의 현상이 일어날 수 있으므로, 작업 시 위험할 수 있다.
또한, 저 활동 구간은 걸음 수(step)가 10 미만인 구간이 총 5분 이상 측정되고, 그 이후 역시 걸음 수(step)가 10 미만인 구간을 의미한다. 따라서 걸음 수(step)가 10 미만인 5분 이후 휴식 시간에 측정된 심박 정보를 활용한다.
따라서 사용자의 심박 상태(예를 들어, 정상 심박도(HR정상)의 비율)은 아래의 식에 의해 산출될 수 있다.
심박 상태 = (NZ)/(BZ + NZ + TZ)
이때, NZ는 정상 심박 구간(심박도가 50 내지 100bpm)의 시간이고,
BZ는 서맥 구간(심박도가 50bpm 미만)의 시간이고,
TZ는 빈맥 구간(심박도가 100bpm 초과)의 시간이다.
이와 같이 사용자의 심박 상태는 웨어러블 디바이스(100)에서 수집된 수면 정보, 심박 정보 및 활동 정보를 활용하는데, 특히 데이터 전처리부(200)에서 구분되고 선택된 활동 영역의 데이터 중 심박 정보에 대한 데이터 및 활동 정보에 대한 데이터를 활용하여 산출될 수 있다.
구체적으로, 활동 영역의 데이터 중 활동 정보에 대한 데이터는 저 활동 구간을 판정하기 위해서 활용되고, 활동 영역의 데이터 중 심박 정보에 대한 데이터는 정상 심박도의 비율을 산출하기 위해서 또는 NZ, BZ 및 TZ를 산출하기 위해서 활용될 수 있다.
또한, 전술된 바와 같이 데이터 가공부(300)는 수식에 의해서 사용자의 수면 상태, 활동 강도 또는 심박 상태를 비율로 산출하므로 사용자의 활동량에 대해서 정확하게 판단할 수 있고, 사용자의 신체적 안정 정도를 보다 신뢰성 있게 판단하는 데 도움이 될 수 있다.
한편, 데이터 가공부(300)에서 산출된 사용자의 수면 상태, 활동 강도 또는 심박 상태는 판단부(400)에 전달될 수 있다.
상기 판단부(400)는 데이터 가공부(300)에서 산출된 사용자의 수면 상태, 활동 강도 및 심박 상태를 활용하여 사용자의 신체적 안정 정도를 판단할 수 있다.
이때, 사용자의 신체적 안정 정도는 머신 러닝에 의해서 이루어질 수 있다.
판단부(400)에서 판단된 신체적 안정의 단계는 예를 들어, 탁월, 우수, 부족의 3가지의 단계로 구성될 수 있다.
구체적으로 판단부(400)에서는 데이터 가공부(300)에서 산출된 사용자의 수면 상태, 활동 강도 또는 심박 상태를 머신 러닝의 학습 데이터로 활용할 수 있다. 이때, 모든 데이터 중 활동 영역 또는 수면 영역에서 결측치가 30% 이상인 데이터들은 머신 러닝에서의 정확도를 위해서 학습 데이터로 활용하지 않을 수 있다. 상기 결측치는 심박도의 결측치이며, 심박도가 측적되지 않는 시간이 30% 이상인 데이터들은 학습 데이터로 활용되지 않음을 의미한다.
또한, 신체적 안정의 정확도를 높이기 위해서, 학습 데이터들 중에 일부에는 또는 의사 또는 감독관 등 신체적 안정을 비교적 정확히 판단할 수 있는 직업군의 사람들의 신체적 안정 판단 값에는 라벨로 포함되어 있을 수 있다. 반면, 의사 또는 감독관 등을 제외한 다른 직업군의 사람들의 신체적 안정 판단 값에는 라벨이 포함되지 않을 수 있다.
이때, 라벨이 포함된 데이터와 기존의 라벨이 없는 데이터를 함께 활용하여 준-지도학습(semi-supervised learning)을 수행할 수 있다.
이후에 머신 러닝에 의해서 클러스터링이 이루어지면, 이를 기준으로 사용자의 신체적 안정 정도가 판단될 수 있다. 더 나아가, 데이터 베이스 내에 일정량의 데이터가 수집되면 다시 준-지도학습을 수행해서 사용자의 신체적 안정 정도가 다시 판단될 수 있다.
이와 같이 판단부(400)에서 판단된 사용자의 신체적 안정 판단 값은 데이터베이스 내에 저장되거나, 데이터 전송부(500)를 통해서 모니터링부(600)에 전송될 수 있다.
이때, 데이터 전송부(500)는 유선 또는 무선 통신을 통해서 데이터베이스로부터 모니터링부(600)에 데이터를 전송할 수 있고, 모니터링부(600)는 판단부(400)에서 판단된 사용자의 신체적 안정 판단 값을 사용자에게 알려줄 수 있다.
더 나아가, 판단부(400)에서는 사용자의 신체적 안정 판단 값에 따른 추천 작업 정보가 추가적으로 생성되어, 모니터링부(600)를 통해서 사용자에게 추천 작업 정보가 제공될 수 있다.
예를 들어, 사용자의 신체적 안정 판단 값이 '우수'인 경우, 추천 작업 정보는 '작업 강도가 약한 일'을 포함할 수 있고, 사용자의 신체적 안정 판단 값이 '탁월'인 경우, 추천 작업 정보는 '작업 강도가 강한 일(또는 고도의 집중력이 필요한 일)'을 포함할 수 있고, 사용자의 신체적 안정 판단 값이 '부족'인 경우, 추천 작업 정보는 작업 대신 휴식이 될 수 있다.
이와 같이 일 실시예에 따른 신체적 안정 판단 시스템은, 전날 수면 상태, 현재 활동 상태, 안정상태의 심박 상태 등의 다양한 정보를 활용하여 근로자 또는 작업자에 대한 신체적 안정 정도를 판단할 수 있고, 작업 전에 근로자의 상태를 판단할 수 있어, 고위험 업무 상황 특히 수행시작시점에서 연속적으로 혹은 지속적으로 업무를 할 수밖에 없는 직업군에서 유용하게 활용될 수 있고, 작업을 수행하기 전 근로자 또는 교육생 등(여러 분야에 적용될 수 있음)이 해당 작업을 수행하기 적절한 신체적 안정을 유지하고 있는지를 예측할 수 있다.
이상 일 실시예에 따른 신체적 안정 판단 시스템에 대하여 설명되었으며, 이하에서는 일 실시예에 따른 신체적 안정 판단 방법에 대하여 설명된다.
도 4는 일 실시예에 따른 신체적 안정 판단 방법을 나타내는 순서도이고, 도 5는 일 실시예에 따른 신체적 안정 판단 과정을 도시한다.
도 4 또는 5를 참조하여, 다음과 같이 사용자의 신체적 안정이 판단될 수 있다.
우선, 사용자의 수면 정보, 활동 정보 및 심박 정보를 수집한다(S10).
구체적으로, 사용자는 웨어러블 디바이스를 착용하고, 웨어러블 디바이스에 구비된 다양한 센서를 통해서 사용자의 수면 정보, 활동 정보 및 심박 정보를 수집할 수 있다.
그런 다음, 사용자의 수면 정보에 기반하여 활동 정보 및 심박 정보를 수면 영역의 데이터 및 활동 영역의 데이터로 구분한다(S20).
구체적으로, 사용자의 수면 정보는 복수 개의 수면 영역 및 복수 개의 활동 영역을 포함하고, 사용자의 수면 정보를 기반으로 하여 복수 개의 수면 영역 및 복수 개의 활동 영역이 구분될 수 있다.
이때, 복수 개의 수면 영역 중 가장 긴 수면 영역 이후에 나타나는 활동 영역만을 고려하고, 그 외의 활동 영역은 무시하기 위해서, 복수 개의 수면 영역 중 가장 긴 수면 영역 이전에 나타나는 활동 영역은 제거하거나 무시한다.
이와 같이 수면 영역이 머지(merge)되고, 활동 영역이 머지(merge)되고, 일부 데이터, 예를 들어 복수 개의 수면 영역 중 가장 긴 수면 영역 이전에 나타나는 활동 영역에 대한 데이터는 제거된다.
이에 의해서, 수면 영역의 데이터, 즉 수면 영역에서의 활동 정보 및 심박 정보는 사용자의 수면 상태를 산출하기 위해서 사용되고, 활동 영역의 데이터, 즉 가장 긴 수면 영역 이후에 나타나는 활동 영역에서의 활동 정보 및 심박 정보는 사용자의 활동 강도 및 심박 상태를 산출하기 위해서 사용될 수 있다.
이후, 수면 영역의 데이터 및 활동 영역의 데이터로부터 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출한다(S30).
구체적으로, 사용자의 수면 상태, 예를 들어 사용자의 전날 수면 상태는 아래의 식에 의해서 산출될 수 있다.
수면 상태 = (NREM 구간의 길이)/(권고 수면시간 X 0.75)
이때, NREM 구간의 길이는 수면 영역 중 심박 변화율이 낮은 구간의 합으로 결정되고, 권고 수면시간은 연령별 최소 권장 수면 데이터로부터 결정될 수 있다.
따라서, 수면 영역에서의 심박 정보를 활용하여 사용자의 수면 상태를 예측할 수 있다.
또한, 사용자의 활동 강도, 예를 들어 사용자의 현재 활동 강도는 아래의 식에 의해서 산출될 수 있다.
활동 강도 = (HR현재 - HR안정)/(HR최대 - HR안정)
이때, HR최대는 208 - 0.7 X 사용자의 연령이고,
HR현재는 웨어러블 디바이스에서 측정된 사용자의 현재의 심박 정보가 되고, HR안정는 웨어러블 디바이스에서 이전에 측정된 사용자의 안정상태의 심박 정보가 될 수 있다.
또한, 사용자의 심박 상태, 예를 들어 저 활동 구간에서의 정상 심박도 비율은 아래의 식에 의해서 산출될 수 있다.
심박 상태 = (NZ)/(BZ + NZ + TZ)
이때, NZ는 정상 심박 구간(심박도가 50 내지 100bpm)의 시간이고,
BZ는 서맥 구간(심박도가 50bpm 미만)의 시간이고,
TZ는 빈맥 구간(심박도가 100bpm 초과)의 시간이다.
구체적으로, 사용자의 저 활동 구간은 활동 영역의 데이터 중 활동 정보에 대한 데이터에 기초하여 판단되고, 정상 심박도 비율은 활동 영역의 데이터 중 심박 정보에 대한 데이터에 기초하여 산출될 수 있다.
마지막으로, 이전에 산출된 사용자의 수면 상태, 활동 강도 및 심박 상태로부터 사용자의 신체적 안정을 판단한다(S40).
이때, 사용자의 신체적 안정 정도는 머신 러닝에 의해서 이루어질 수 있다. 예를 들어, 신체적 안정의 단계는 예를 들어, 탁월, 우수, 부족의 3가지의 단계로 구성될 수 있다. 따라서 사용자의 수면 상태, 활동 강도 및 심박 상태를 학습 데이터로 하여 머신 러닝을 통해서 사용자의 신체적 안정 정도가 탁월, 우수, 부족 중 하나로 판단될 수 있다.
이때, 모든 데이터 중 활동 영역 또는 수면 영역에서 결측치가 30% 이상인 데이터들은 머신 러닝에서의 정확도를 위해서 학습 데이터로 활용하지 않을 수 있다. 상기 결측치는 심박도의 결측치이며, 심박도가 측적되지 않는 시간이 30% 이상인 데이터들은 학습 데이터로 활용되지 않음을 의미한다.
또한, 신체적 안정의 정확도를 높이기 위해서, 학습 데이터들 중에 일부에는 또는 의사 또는 감독관 등 신체적 안정을 비교적 정확히 판단할 수 있는 직업군의 사람들의 신체적 안정 판단 값에는 라벨로 포함되어 있을 수 있다. 반면, 의사 또는 감독관 등을 제외한 다른 직업군의 사람들의 신체적 안정 판단 값에는 라벨이 포함되지 않을 수 있다.
이때, 라벨이 포함된 데이터와 기존의 라벨이 없는 데이터를 함께 활용하여 준-지도학습(semi-supervised learning)을 수행할 수 있다.
이와 같이 일 실시예에 따른 신체적 안정 판단 방법은, 웨어러블 디바이스에서 수집된 시계열 데이터에 대한 전처리 및 수식에 의한 가공을 수행한 뒤 준-지도학습을 통하여 신체적 안정 등급의 신뢰도를 향상시킬 수 있고, 신체적 안정 정도에 따라 근로자가 현재 수행할 수 있는 직무의 난이도를 결정할 수 있어 집중력 하락으로 인한 인명 및 재산상의 피해를 예방할 수 있다.
이상과 같이 본 발명의 실시예에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 청구범위뿐 아니라 이 청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
10: 신체적 안정 판단 시스템
100: 웨어러블 디바이스
200: 데이터 전처리부
300: 데이터 가공부
400: 판단부
500: 데이터 전송부
600: 모니터링부

Claims (16)

  1. 사용자의 수면 정보, 활동 정보 및 심박 정보를 수집하는 웨어러블 디바이스;
    상기 수면 정보를 기반으로, 상기 활동 정보 및 심박 정보를 수면 영역의 데이터 및 활동 영역의 데이터로 구분하는 데이터 전처리부; 및
    상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 사용자의 수면 상태, 활동 강도 또는 심박 상태를 산출하는 데이터 가공부;
    를 포함하고,
    상기 수면 영역의 데이터는 상기 데이터 가공부에서 상기 사용자의 수면 상태를 산출하기 위해 사용되고, 상기 활동 영역의 데이터는 상기 데이터 가공부에서 상기 사용자의 활동 강도 또는 심박 상태를 산출하기 위해 사용되는 신체적 안정 판단 시스템.
  2. 제1항에 있어서,
    상기 수면 정보는 복수 개의 수면 영역 및 복수 개의 활동 영역을 포함하고, 상기 데이터 전처리부에서는 상기 복수 개의 수면 영역 중 가장 긴 수면 영역 이후에 나타나는 활동 영역이 상기 활동 영역의 데이터로 선택되고, 상기 가장 긴 수면 영역 이전에 나타나는 활동 영역은 제거 또는 무시되는 신체적 안정 판단 시스템.
  3. 제1항에 있어서,
    상기 데이터 가공부에서,
    상기 사용자의 수면 상태는 아래의 식에 의해 산출되고,
    수면 상태 = (NREM 구간의 길이)/(권고 수면시간 X 0.75)
    이때, 상기 NREM 구간의 길이는 상기 수면 영역 중 심박 변화율이 낮은 구간의 합으로 결정되고, 상기 권고 수면시간은 연령별 최소 권장 수면 시간 데이터로부터 결정되는 신체적 안정 판단 시스템.
  4. 제3항에 있어서,
    상기 수면 영역 중 심박 변화율이 낮은 구간은 심박 정보의 분산이 기준 분산 이하인 구간으로 판정되고,
    상기 기준 분산은 아래의 식에 의해 결정되고,
    μ = (HR안정 X 0.1)2
    이때, HR안정은 안정상태의 심박 정보로서, 상기 웨어러블 디바이스에 의해 수집되는 신체적 안정 판단 시스템.
  5. 제1항에 있어서,
    상기 데이터 가공부에서,
    상기 사용자의 활동 강도는 아래의 식에 의해 산출되고,
    활동 강도 = (HR현재 - HR안정)/(HR최대 - HR안정)
    이때, 상기 HR현재 및 HR안정은 상기 웨어러블 디바이스에 의해 수집되고,
    상기 HR최대는 208 - 0.7 X 사용자의 연령인 신체적 안정 판단 시스템.
  6. 제5항에 있어서,
    상기 사용자의 활동 강도는 일정 시간 단위로 산출되고,
    전체 활동 영역에서의 평균 활동 강도는 아래의 식에 의해 산출되고,
    Figure pat00003

    이때, n은 활동 강도의 산출 횟수인 신체적 안정 판단 시스템.
  7. 제1항에 있어서,
    상기 데이터 가공부에서,
    상기 사용자의 심박 상태는 아래의 식에 의해 산출되고,
    심박 상태 = (NZ)/(BZ + NZ + TZ)
    이때, 상기 NZ는 정상 심박 구간의 시간이고,
    상기 BZ는 서맥 구간의 시간이고,
    상기 TZ는 빈맥 구간의 시간인 신체적 안정 판단 시스템.
  8. 제1항에 있어서,
    상기 데이터 가공부에서 산출된 상기 사용자의 수면 상태, 활동 강도 또는 심박 상태로부터 머신 러닝에 의해서 사용자의 신체적 안정 정도를 판단하는 판단부를 더 포함하는 신체적 안정 판단 시스템.
  9. 제8항에 있어서,
    특정 직업군에 종사하는 사용자의 신체적 안정 판단 값에는 라벨이 포함되어, 상기 라벨이 포함된 학습 데이터 및 상기 라벨이 비포함된 학습 데이터를 활용하여 상기 판단부는 준-지도학습(Semi-Supervised Learning)을 수행하여 상기 사용자의 신체적 안정 정도를 판단하는 신체적 안정 판단 시스템.
  10. 제8항에 있어서,
    상기 판단부에서 판단된 사용자의 신체적 안정 판단 값을 전송하는 데이터 전송부; 및
    상기 데이터 전송부를 통해서 상기 사용자의 신체적 안정 판단 값이 전송되는 모니터링부;
    를 더 포함하는 신체적 안정 판단 시스템.
  11. 사용자의 수면 정보, 활동 정보 및 심박 정보를 수집하는 단계;
    상기 사용자의 수면 정보에 기반하여 상기 활동 정보 및 상기 심박 정보를 수면 영역의 데이터 및 활동 영역의 데이터로 구분하는 단계;
    상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 상기 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출하는 단계; 및
    상기 사용자의 수면 상태, 활동 강도 및 심박 상태로부터 사용자의 신체적 안정을 판단하는 단계;
    를 포함하고,
    상기 수면 영역의 데이터는 사용자의 수면 상태를 산출하기 위해 사용되고, 상기 활동 영역의 데이터는 사용자의 활동 강도 및 심박 상태를 산출하기 위해서 사용되는 신체적 안정 판단 방법.
  12. 제11항에 있어서,
    상기 사용자의 수면 정보에 기반하여 상기 활동 정보 및 상기 심박 정보를 수면 영역의 데이터 및 활동 영역의 데이터로 구분하는 단계에서, 가장 긴 수면 영역 이후에 나타나는 활동 영역만이 상기 활동 영역의 데이터로 생성되고 가장 긴 수면 영역 이전에 나타나는 활동 영역의 데이터는 제거되는 신체적 안정 판단 방법.
  13. 제11항에 있어서,
    상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 상기 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출하는 단계에서,
    상기 사용자의 수면 상태는 아래의 식에 의해 산출되고,
    수면 상태 = (NREM 구간의 길이)/(권고 수면시간 X 0.75)
    이때, 상기 NREM 구간의 길이는 상기 수면 영역 중 심박 변화율이 낮은 구간의 합으로 결정되고, 상기 권고 수면시간은 연령별 최소 권장 수면 데이터로부터 결정되는 신체적 안정 판단 방법.
  14. 제11항에 있어서,
    상기 수면 영역의 데이터 및 상기 활동 영역의 데이터로부터 상기 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출하는 단계에서,
    상기 사용자의 활동 강도는 아래의 식에 의해 산출되고,
    활동 강도 = (HR현재 - HR안정)/(HR최대 - HR안정)
    이때, 상기 HR최대는 208 - 0.7 X 사용자의 연령인 신체적 안정 판단 방법.
  15. 제11항에 있어서,
    상기 수면 영역의 데이터 및 활동 영역의 데이터로부터 상기 사용자의 수면 상태, 활동 강도 및 심박 상태를 산출하는 단계에서,
    상기 사용자의 심박 상태는 아래의 식에 의해 산출되고,
    심박 상태 = (NZ)/(BZ + NZ + TZ)
    이때, 상기 NZ는 정상 심박 구간의 시간이고,
    상기 BZ는 서맥 구간의 시간이고,
    상기 TZ는 빈맥 구간의 시간인 신체적 안정 판단 방법.
  16. 제11항에 있어서,
    상기 사용자의 수면 상태, 활동 강도 및 심박 상태로부터 사용자의 신체적 안정을 판단하는 단계에서,
    특정 직업군에 종사하는 사용자의 신체적 안정 판단 값에는 라벨이 포함되어, 상기 라벨이 포함된 학습 데이터 및 상기 라벨이 비포함된 학습 데이터를 활용하여 준-지도학습(Semi-Supervised Learning)을 수행하여 상기 사용자의 신체적 안정 정도를 판단하는 신체적 안정 판단 방법.
KR1020170148949A 2017-11-09 2017-11-09 신체적 안정 판단 시스템 및 방법 KR102004052B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170148949A KR102004052B1 (ko) 2017-11-09 2017-11-09 신체적 안정 판단 시스템 및 방법
US16/183,759 US11103196B2 (en) 2017-11-09 2018-11-08 Apparatus and method for predicting physical stability

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170148949A KR102004052B1 (ko) 2017-11-09 2017-11-09 신체적 안정 판단 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20190053011A true KR20190053011A (ko) 2019-05-17
KR102004052B1 KR102004052B1 (ko) 2019-07-25

Family

ID=66431602

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170148949A KR102004052B1 (ko) 2017-11-09 2017-11-09 신체적 안정 판단 시스템 및 방법

Country Status (2)

Country Link
US (1) US11103196B2 (ko)
KR (1) KR102004052B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020092804A (ja) * 2018-12-12 2020-06-18 日本電信電話株式会社 活動状態解析装置、活動状態解析方法、および活動状態解析システム
JP7286507B2 (ja) * 2019-10-09 2023-06-05 株式会社日立製作所 作業者管理装置、及び作業者管理方法
KR102319502B1 (ko) 2020-03-10 2021-11-02 한국표준과학연구원 웨어러블 수면 모니터링 시스템 및 그 제어방법
CN116392085B (zh) * 2023-06-06 2023-09-12 安徽星辰智跃科技有限责任公司 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012235920A (ja) * 2011-05-12 2012-12-06 Hitachi Ltd 生体データ処理システム、及び、生体データ処理方法
KR20140058441A (ko) * 2011-05-18 2014-05-14 브이-워치 에스에이 개인의 수면 및 수면 단계들을 결정하기 위한 시스템 및 방법
KR20150101179A (ko) * 2014-02-26 2015-09-03 고려대학교 산학협력단 It 기반 일주기 생체리듬 관리 시스템 및 그 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4975249B2 (ja) * 2002-10-09 2012-07-11 ボディーメディア インコーポレイテッド 生理学的情報及び／又はコンテキストパラメータを用いて個人の状態パラメータを測定する装置
JP4954792B2 (ja) 2007-05-24 2012-06-20 セイコーインスツル株式会社 速度計
KR101306528B1 (ko) 2010-11-17 2013-09-09 서울대학교산학협력단 작업자의 신체활동량 및 종합스트레스지수 예측 시스템
JP6180078B2 (ja) 2012-04-23 2017-08-16 テルモ株式会社 運動量測定装置、運動量測定システム及び運動量測定方法
EP2892421A1 (en) * 2012-09-04 2015-07-15 Whoop, Inc. Systems, devices and methods for continuous heart rate monitoring and interpretation
CN107111670A (zh) 2014-11-12 2017-08-29 皇家飞利浦有限公司 用于量化并监测对象的虚弱的方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012235920A (ja) * 2011-05-12 2012-12-06 Hitachi Ltd 生体データ処理システム、及び、生体データ処理方法
KR20140058441A (ko) * 2011-05-18 2014-05-14 브이-워치 에스에이 개인의 수면 및 수면 단계들을 결정하기 위한 시스템 및 방법
KR20150101179A (ko) * 2014-02-26 2015-09-03 고려대학교 산학협력단 It 기반 일주기 생체리듬 관리 시스템 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
한지호 외 4명, "준감독 학습 알고리즘을 위한 능동적 레이블 데이터 선택", 2013년 09월, Journal of IKEEE.Vol.17,No.3, pp.254∼259* *

Also Published As

Publication number Publication date
KR102004052B1 (ko) 2019-07-25
US11103196B2 (en) 2021-08-31
US20190142347A1 (en) 2019-05-16

Similar Documents

Publication Publication Date Title
KR102004052B1 (ko) 신체적 안정 판단 시스템 및 방법
US11568993B2 (en) System and method of predicting a healthcare event
JP7550410B2 (ja) 体調評価方法、熱中症発症リスク評価方法、および、プログラム
US9801553B2 (en) System, method, and computer program product for the real-time mobile evaluation of physiological stress
US20210401377A1 (en) Illness Detection Based on Modifiable Behavior Predictors
US20150223743A1 (en) Method for monitoring a health condition of a subject
KR101959615B1 (ko) 스마트폰 어플리케이션을 통한 근로자 건강관리 방법
US20160100792A1 (en) Sleep state determination apparatus, sleep state determination method, and sleep management system
KR20160091694A (ko) 운동 가이드 정보를 제공하는 방법, 장치 및 시스템
CN113951818A (zh) 用于睡眠监测的设备和方法
US9070317B2 (en) Device and method of automatic display brightness control
US9486161B2 (en) Information processing system and method
KR20190105163A (ko) 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
US11013424B2 (en) Heart rate monitoring device, system, and method for increasing performance improvement efficiency
KR101962002B1 (ko) 생체신호 기반의 안전관리 작업복을 이용한 근로자 건강관리 모니터링 방법
JP2020113117A (ja) 集団環境評価方法ならびに集団環境評価システム
US20180310867A1 (en) System and method for stress level management
US20200060546A1 (en) A System and Method for Monitoring Human Performance
JP6304050B2 (ja) 生体状態推定装置
KR101883008B1 (ko) 낙상 예측 또는 감지 장치 및 그를 위한 방법
JP2021041088A (ja) 電子装置及び方法
CN107495947A (zh) 一种血压动态分析方法及血压测量装置
KR20200072172A (ko) 인지 능력 평가 방법, 이의 시스템 및 이를 위한 웨어러블 디바이스
JP2021122580A (ja) 体調評価方法、および、体調評価システム
Choi et al. Explainable sleep quality evaluation model using machine learning approach

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