KR20190062148A

KR20190062148A - 수면 분석 방법 및 이를 이용한 수면 분석 디바이스

Info

Publication number: KR20190062148A
Application number: KR1020180099304A
Authority: KR
Inventors: 이은; 이상은
Original assignee: 연세대학교 산학협력단
Priority date: 2017-11-27
Filing date: 2018-08-24
Publication date: 2019-06-05
Also published as: KR102053604B1

Abstract

본 명세서에서는 사용자에 대하여 비수면 상태 데이터 및 수면 상태 데이터를 웨어러블 디바이스로부터 수신하고, 비수면 상태 데이터 및 수면 상태 데이터를 기초로 수면의 영향 요인을 평가하도록 구성된 수면 평가 모델을 이용하여, 사용자에 대한 수면의 영향 요인을 평가하도록 구성된, 수면 분석 방법 및 이를 이용한 수면 분석 디바이스가 제공된다.

Description

수면 분석 방법 및 이를 이용한 수면 분석 디바이스{METHOD FOR SLEEPING ANALYSIS AND DEVICE FOR SLEEPING ANALYSIS USING THE SAME}

본 발명은 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에 관한 것으로, 보다 구체적으로 사용자에 대하여 수면의 영향 요인을 평가하고 수면의 질을 예측하기 위한 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에 관한 것이다.

수면은 인간의 삶에서 약 1/3을 차지하며, 에너지 저장 및 회복뿐만 아니라 호르몬 분비, 기억 응고화 등 중요한 역할을 수행한다. 수면이 부족하거나 숙면을 취하지 못하면 정신활동이 흐려지고 몸도 둔감해진다. 현대사회에서는 인구의 노령화, 스트레스 증가, 노화, 수면주기변화와 같은 환경적 요인으로 인한 수면 장애를 호소하는 사람이 증가하고 있다.

나아가, 수면은 우울증과 같은 정신 질환과도 연관된 것으로 보고되어 왔다. 예를 들어 정신 질환 증세가 있거나 이의 정도가 심해질 경우 수면의 상태가 나빠질 수 있다. 또한, 정신 질환의 정도가 개선될 경우, 이에 대한 지표로 수면 상태의 개선이 나타날 수 있다. 이처럼, 수면 상태는 정신 질환의 정도, 예후, 또는 치료 효과와 관련하여 중요한 정보로 이용될 수 있다.

이에, 수면 장애의 치료에 있어서, 개개인에 대하여 수면 상태를 정확하게 분석하고, 수면에 영향을 주는 요소가 무엇인지 파악하는 것은 중요한 요소일 수 있다.

한편, 수면 장애는 잠자는 동안 발생하기 때문에 본인조차 증상을 파악하기가 어렵다. 뿐만 아니라 수면 장애를 정확하게 진단하기 위해, 수면 동안의 뇌파, 근육 움직임, 호흡, 심전도, 산소 포화도 등을 종합적으로 검사하는 수면다원검사 (polysomnography) 가 이용될 수 있지만, 고가의 분석 비용 때문에 검사와 치료가 어려운 상황이다. 나아가, 이와 같은 수면 분석 방법은 에러로 인한 불확실성으로 인해 가정에서 수행되기 적합하지 않고, 다수의 전극이 사용자의 머리에 부착되어야만 한다.

이에 따라, 장비 기반의 수면 분석 방법은 환자에게 큰 부담을 줄 수 있다. 나아가, 이러한 요인들은 수면 분석에 있어서 상당수의 환자가 불안정한 경험으로 인지할 수 있어, 분석 결과에 영향을 미칠 수 있다.

이에 따라, 이상의 한계를 극복하고 효과적으로 수면의 질을 분석할 수 있는 시스템에 대한 개발이 요구되고 있는 실정이다. 특히, 수면 장애를 갖는 사용자에 대하여 수면의 질을 분석하고, 이에 대한 원인을 분석하여 사용자에게 제공하기 위한 수면 분석 방법 및 디바이스의 개발은 수면 장애의 예방, 진단 나아가, 치료에 있어서 매우 중요할 수 있다.

발명의 배경이 되는 기술은 본 발명에 대한 이해를 보다 용이하게 하기 위해 작성되었다. 발명의 배경이 되는 기술에 기재된 사항들이 선행기술로 존재한다고 인정하는 것으로 이해되어서는 안 된다.

한편, 웨어러블 디바이스 (wearable device) 는 스마트 밴드, 스마트 워치, 웨어러블 글래스 등의 형태로 사용되고 있으며, 웨어러블 디바이스에 구비된 센서를 이용하여 생체리듬을 감지하고, 이를 이용한 서비스가 제공되고 있다.

웨어러블 디바이스를 활용하는 일 예로, 사용자의 수면 상태를 감지하여 수면의 패턴을 분석함으로써 사용자가 양질의 수면 시간을 보냈는지를 판단할 수 있다. 이때, 웨어러블 디바이스는 자체에 구비된 센서를 이용하여 사용자의 체온, 맥박 등에 관한 정보를 측정하고, 이를 기반으로 사용자의 수면 상태를 분석한다.

하지만, 종래의 웨어러블 디바이스는 측정할 수 있는 데이터의 종류와 양이 제한적이고, 수행할 수 있는 기능도 한정적인 문제점이 있다. 또한, 수면 상태를 측정하기 위해서는 수면이 시작될 때와 종료될 때 사용자가 웨어러블 디바이스의 모드 시작 및 종료에 대한 제어 명령을 직접 입력해야 되는 불편함이 있으며, 이와 같은 입력과정을 수면 직전과 직후에 수행해야 되므로 사용자는 수면의 몰입도가 떨어져 오히려 숙면을 취할 수 없는 역효과가 발생할 수 있다. 그리고, 웨어러블 디바이스에서 측정된 데이터만을 사용하여 수면 상태를 분석하는 경우, 오류가 발생할 여지가 증가한다. 예를 들어, 명상을 하고 있거나, 한쪽 팔만을 부분적으로 사용하여 책을 읽고 있는 등의 상황에서는 각성상태를 수면 상태로 착각하는 경우가 발생한다.

이에, 웨어러블 디바이스를 이용한 수면 분석 시스템은 사용자의 수면의 질을 예측하고, 특히 수면 장애를 갖는 사용자의 수면 장애 요인을 평가하는 새로운 기술이 요구될 수 있다.

한편, 본 발명의 발명자들은 수면 장애와 관련하여, 비수면 상태에서의 활동, 주변 환경 및 불안감등에 주목하였고, 이러한 요인들이 수면 장애와 연관되어 있음을 인식할 수 있었다.

나아가, 본 발명의 발명자들은 수면의 질에 대하여 예측의 정확도를 높이고 수면의 장애 요인 분석을 위해, 사용자의 수면의 질과 연관된 상태 데이터에 의해 학습된 평가 모델을 이용할 수 있음을 인지하였다.

그 결과, 본 발명의 발명자들은 사용자에 대하여 비수면 상태에서의 시간대별 활동량, 조도의 정도, 맥박의 변화, 상태 및 모드전환 등의 데이터 및 이를 기초로 수면 장애 요인을 분석하고 수면의 질을 예측할 수 있는, 새로운 수면 분석 시스템을 개발하기에 이르렀다.

이에, 본 발명이 해결하고자 하는 과제는, 사용자로부터 비수면 상태에서의 데이터를 웨어러블 디바이스로부터 수신하고, 수면의 질 예측 모델 및 수면 평가 모델을 이용하여 이를 기초로 수면의 질을 예측하고, 수면 장애 요인을 평가하는 수면 분석 방법 및 이를 이용한 수면 분석 디바이스를 제공하는 것이다.

본 발명이 해결하고자 하는 과제는, 사용자로부터 미리 결정된 기간마다 수면과 연관된 수면 기록 데이터를 직접 입력 받고, 수면의 질 예측 모델 및 수면 평가 모델을 이용하여 수면 기록 데이터를 기초로 수면의 질을 예측하고, 수면 장애 요인을 평가하는 수면 분석 방법 및 이를 이용한 수면 분석 디바이스를 제공하는 것이다.

본 발명의 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

전술한 바와 같은 과제를 해결하기 위해 본 발명의 일 실시예에 따른 수면 분석 방법이 제공된다. 본 발명의 수면 분석 방법은, 사용자에 대하여 비수면 상태 데이터 및 수면 상태 데이터를 웨어러블 디바이스로부터 수신하는 단계, 비수면 상태 데이터 및 수면 상태 데이터를 기초로 수면의 영향 요인을 평가하도록 구성된 수면 평가 모델을 이용하여, 사용자에 대한 수면의 영향 요인을 평가하는 단계를 포함한다.

본 발명의 특징에 따르면, 수신하는 단계는 복수의 시간 분위로 비수면 상태 데이터 및 수면 상태 데이터 각각을 수신하는 단계를 포함할 수 있고, 수면의 영향 요인을 평가하는 단계는 수면 평가 모델을 이용하여, 복수의 시간 분위로 수신된 비수면 상태 데이터 및 수면 상태 데이터를 기초로, 시간 분위에 따른 수면의 영향 요인을 평가하는 단계를 포함할 수 있다.

본 발명의 다른 특징에 따르면, 수면의 영향 요인을 평가하는 단계는, 시간 분위에 따른 수면의 영향 요인에 대한 상대적 또는, 절대적 수면 영향 정도를 산출하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 수면 분석 방법은, 시간 분위에 따른 수면의 영향 요인에 대응하는 수면 영향 정도와 비례한 면적 크기를 갖도록 구성된 수면 영향도를 생성하는 단계, 및 수면 영향도를 제공하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 수면 분석 방법은, 시간 분위에 따른 수면의 영향 요인에 대응하는 수면 영향 정도와 비례한 분포 정도를 갖도록 구성된 수면 영향 분포도를 생성하는 단계, 및 수면 영향 분포도를 제공하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 수신하는 단계는 복수의 일자 각각에 대하여, 복수의 시간 분위로 비수면 상태 데이터 및 수면 상태 데이터를 수신하는 단계를 포함할 수 있다. 나아가, 시간 분위에 따른 수면의 영향 요인을 평가하는 단계는 수면 평가 모델을 이용하여, 복수의 일자 각각에 대한, 복수의 시간 분위로 수신된 비수면 상태 데이터 및 수면 상태 데이터를 기초로, 시간 분위에 따른 수면의 영향 요인을 평가하는 단계를 포함할 수 있다. 또한, 수면 분석 방법은, 복수의 일자 중 선택된 특정 일자를 수신하는 단계, 특정 일자에 대응하는 시간 분위에 따른 수면의 영향 요인을 제공하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 수신하는 단계는, 미리 결정된 기간에 대한 비수면 상태 데이터 및 수면 상태 데이터를 웨어러블 디바이스로부터 수신하는 단계를 포함할 수 있다. 나아가, 수면 분석 방법은, 미리 결정된 기간에 대한 비수면 상태 데이터 및 수면 상태 데이터 각각에 대한 시계열 상태 분석도를 생성하는 단계, 시계열 상태 분석도를 제공하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 수면 분석 방법은 수신하는 단계 이후에 수행되는, 비수면 상태 데이터 및 수면 상태 데이터 각각에 대하여 특징 (feature) 변수를 추출하는 단계를 더 포함할 수 있다. 나아가, 수면의 영향 요인을 평가하는 단계는, 비수면 상태 데이터 및 수면 상태 데이터 각각에 대한 특징 변수를 기초로, 수면 평가 모델을 이용하여 사용자에 대한 수면의 영향 요인을 평가하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 수면 분석 방법은, 비수면 상태 데이터를 기초로 수면의 질을 예측하도록 구성된 수면의 질 예측 모델을 이용하여, 사용자의 수면의 질을 예측하는 단계 및 예측된 수면의 질을 복수의 수준으로 제공하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 수면의 영향 요인을 평가하는 단계는, 수면 상태 데이터를 기초로 사용자의 수면 효율도 (sleep efficiency) 를 산출하는 단계를 더 포함할 수 있다.

본 발명의 또 다른 특징에 따르면, 비수면 상태 데이터는, 사용자의 비수면 상태에서 웨어러블 디바이스에 의해 측정된 활동량, 조도량, 심박수 및 HRV로 이루어진 그룹 중 선택된 적어도 하나일 수 있다.

본 발명의 또 다른 특징에 따르면, 수면 상태 데이터는 웨어러블 디바이스에 의해 사용자의 수면 상태에서 측정된, 수면 시 측정 데이터 및 사용자로부터 미리 결정된 기간 마다 입력되는 수면 기록 데이터를 포함할 수 있다. 이때, 수면 시 측정 데이터는, 사용자의 수면 상태에서 측정된 HRV, 심박수, 조도량 및 수면 활동량으로 이루어진 그룹 중 적어도 하나일 수 있다. 나아가, 수면 기록 데이터는, 사용자로부터 입력된 날짜, 이름, 성별, 나이, 당일 일어난 시간, 전날 잠든 시간, 전날 수면의 질, 당일 개운함 정도, 웨어러블 디바이스의 미착용기간, 카페인 섭취량, 알코올 섭취량, 낮잠 여부 및 BMI 중 선택된 적어도 하나일 수 있다.

전술한 바와 같은 과제를 해결하기 위해 본 발명의 일 실시예에 따른 수면 분석 디바이스가 제공된다. 본 발명의 수면 분석 디바이스는, 웨어러블 디바이스로부터 사용자에 대하여 비수면 상태 데이터 및 수면 상태 데이터를 수신하도록 구성된 수신부, 및 수신부와 연결된 프로세서를 포함한다. 이때, 프로세서는, 비수면 상태 데이터 및 수면 상태 데이터를 기초로 수면의 영향 요인을 평가하도록 구성된 수면 평가 모델을 이용하여 사용자에 대한 수면의 영향 요인을 평가하도록 구성된다.

본 발명의 특징에 따르면, 수신부는 복수의 시간 분위로 비수면 상태 데이터 및 수면 상태 데이터 각각을 수신하도록 구성되고, 프로세서는 수면 평가 모델을 이용하여, 복수의 시간 분위로 수신된 비수면 상태 데이터 및 수면 상태 데이터를 기초로 시간 분위에 따른 수면의 영향 요인을 평가하도록 더 구성될 수 있다.

본 발명의 다른 특징에 따르면, 프로세서는 시간 분위에 따른 수면의 영향 요인에 대한 상대적 또는, 절대적 수면 영향 정도를 산출하도록 더 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 프로세서는, 시간 분위에 따른 수면의 영향 요인에 대응하는 수면 영향 정도와 비례한 면적 크기를 갖도록 구성된 수면 영향도를 생성하고, 수면 영향도를 제공하도록 더 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 프로세서는, 시간 분위에 따른 수면의 영향 요인에 대응하는 수면 영향 정도와 비례한 분포 정도를 갖도록 구성된 수면 영향 분포도를 생성하고, 수면 영향 분포도를 제공하도록 더 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 수신부는, 복수의 일자 각각에 대하여, 복수의 시간 분위로 비수면 상태 데이터 및 수면 상태 데이터, 및 복수의 일자 중 선택된 특정 일자를 수신하도록 더 구성될 수 있다. 프로세서는, 수면 평가 모델을 이용하여, 복수의 일자 각각에 대한, 복수의 시간 분위로 수신된 비수면 상태 데이터 및 수면 상태 데이터를 기초로, 시간 분위에 따른 수면의 영향 요인을 평가하고, 특정 일자에 대응하는 시간 분위에 따른 수면의 영향 요인을 제공하도록 더 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 수신부는, 미리 결정된 기간에 대한 비수면 상태 데이터 및 수면 상태 데이터를 웨어러블 디바이스로부터 수신하도록 더 구성될 수 있다. 나아가, 프로세서는, 미리 결정된 기간에 대한 비수면 상태 데이터 및 수면 상태 데이터 각각에 대한 시계열 상태 분석도를 생성하고, 시계열 상태 분석도를 제공하도록 더 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 프로세서는, 비수면 상태 데이터를 기초로 수면의 질을 예측하도록 구성된 수면의 질 예측 모델을 이용하여, 사용자의 수면의 질을 예측하고, 예측된 수면의 질을 복수의 수준으로 제공하도록 더 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 프로세서는, 수면 상태 데이터를 기초로 사용자의 수면 효율도를 산출하도록 더 구성될 수 있다.

본 발명의 또 다른 특징에 따르면, 프로세서는 비수면 상태 데이터 및 수면 상태 데이터 각각에 대하여 특징 변수를 추출하도록 더 구성될 수 있다. 나아가, 수면 평가 모델은 비수면 상태 데이터 및 수면 상태 데이터 각각에 대한 특징 변수를 기초로 사용자에 대한 수면의 영향 요인을 평가하도록 더 구성될 수 있다.

이하, 실시예를 통하여 본 발명을 보다 상세히 설명한다. 다만, 이들 실시예는 본 발명을 예시적으로 설명하기 위한 것에 불과하므로 본 발명의 범위가 이들 실시예에 의해 한정되는 것으로 해석되어서는 아니된다.

본 발명은, 수면의 질과 연관 있을 수 있는 비수면 상태에서 측정된 생체 데이터를 기초로 수면을 평가하도록 구성된 수면 평가 모델 및 수면을 예측하도록 구성된 수면의 질 예측 모델을 이용한 수면 분석방법 및 이를 이용한 수면 분석 디바이스를 제공하여, 사용자의 수면 장애에 대한 정확한 원인 분석이 가능할 수 있다. 그 결과, 본 발명은 분석 결과에 따른 개인 맞춤형 처방을 제공할 수 있는 효과가 있다.

즉, 본 발명은 웨어러블 디바이스로부터 측정된 비수면 상태 데이터, 보다 구체적으로 낮 동안의 수면 변수를 기초로 하여 사용자의 수면에 영향을 끼치는 요소들을 평가하여 제공할 수 있고, 수면의 질을 예측하여 제공할 수 있다.

이에, 본 발명은 종래의 수면 분석 시스템이 갖는 고가의 분석비용, 사용자가 겪는 불편함 등과 같은 문제를 해결할 수 있는 효과가 있다.

본 발명은 비수면 상태 데이터와 함께 사용자로부터 직접 입력 받은 수면 기록 데이터, 예를 들어 카페인 섭취량, 알코올 섭취량, 잠든 시간, 개운함의 정도 등의 요소들을 더 고려하여 수면의 질을 예측함에 따라, 다양한 생활 패턴을 갖는 복수의 사용자에 대하여 높은 정확도 및 민감도로 수면에 영향 요인을 평가하고 수면의 질을 예측할 수 있는 효과가 있다.

본 발명은 수면 상태에서 측정된 생체 데이터를 기초로 사용자의 수면의 효율도를 산출할 수 있고 수면 평가 모델을 이용한 수면 분석 방법 및 이를 이용한 수면 분석 디바이스를 제공하여, 수면의 질이 나쁠 경우 이에 대한 원인 및 나아가 진단 피드백을 제공할 수 있는 효과가 있다.

보다 구체적으로 본 발명은, 웨어러블 디바이스가 제공하는 생체 신호 데이터를 이용하여 수면 효율도를 산출하고 수면의 질과 연관된 생체 데이터를 기초로 학습된 수면 평가 모델을 이용하여 사용자에게 수면의 질과 연관된 수면 분석 정보를 제공할 수 있는 효과가 있다.

이에, 본 발명은 수면 장애를 갖는 사용자에 대하여 불면의 원인을 인지하고, 이를 개선할 수 있도록 정보를 제공할 수 있는 효과가 있다.

본 발명에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.

도 1은 본 발명의 일 실시예에 따른, 수면 분석 방법 및 이를 이용한 수면 분석 디바이스기반의 수면 분석 시스템을 도시한 것이다.
도 2는 본 발명의 일 실시예에 따른, 수면 분석 디바이스의 구성을 예시적으로 도시한 것이다.
도 3 및 4는 본 발명의 다양한 실시예에 따른, 수면 분석 방법에 대한 절차를 예시적으로 도시한 것이다.
도 5a는 본 발명의 일 실시예에 따른 수면 분석 방법에 따라 수신된, 사용자의 상태 데이터가 나타나는 화면을 예시적으로 도시한 것이다.
도 5b는 본 발명의 일 실시예에 따른 수면 분석 방법에 따라 생성된, 사용자의 시계열 상태 분석도가 나타나는 화면을 예시적으로 도시한 것이다.
도 5c는 본 발명의 일 실시예에 따른 수면 분석 방법에 따라 평가된 수면 영향 요인 및 예측된 수면의 질이 나타나는 화면을 예시적으로 도시한 것이다.
도 6a는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 시스템에서 이용되는, 웨어러블 디바이스로부터 획득된 비수면 상태 데이터를 도시한 것이다.
도 6b는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에서 이용되는, 웨어러블 디바이스로부터 획득된 비수면 상태 데이터 및 수면 상태 데이터의 특징 변수를 도시한 것이다.
도 6c는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에서 이용되는, 수면 기록 데이터를 도시한 것이다.
도 7a 내지 7c는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 시스템에서 분석된, 수면 평가 모델에 기초한 수면 장애 요인의 평가 결과를 도시한 것이다.
도 7d는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 시스템에서 분석된, 수면의 질 예측 모델에 기초한 수면의 질의 예측 결과를 도시한 것이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

이하에서는, 도 1 내지 도 4를 참조하여, 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 디바이스 기반의 수면 분석 시스템에 대하여 구체적으로 설명한다.

도 1은 본 발명의 일 실시예에 따른, 수면 분석 방법 및 이를 이용한 수면 분석 디바이스기반의 수면 분석 시스템을 도시한 것이다. 도 2는 본 발명의 일 실시예에 따른, 수면 분석 디바이스의 구성을 예시적으로 도시한 것이다. 도 3 및 4는 본 발명의 다양한 실시예에 따른, 수면 분석 방법에 대한 절차를 예시적으로 도시한 것이다.

먼저, 도 1을 참조하면, 수면 분석 시스템 (1000) 은, 본 발명의 일 실시예에 따른 수면 분석 디바이스 (100), 사용자에 대하여 비수면 상태 데이터 또는, 수면 상태 데이터를 측정하거나 사용자로부터 수면 기록 데이터를 입력 받도록 구성된 웨어러블 디바이스 (200), 사용자의 수면 상태 데이터를 측정하도록 구성된 침대 고정형 디바이스 (300) 와 사용자에 의해 평가된 수면 영향 요인 및 예측된 수면의 질을 수신하도록 구성된 의료진 디바이스 (400) 로 구성될 수 있다.

본 발명의 수면 분석 시스템 (1000) 에 따르면, 본 발명의 일 실시예에 따른 수면 분석 디바이스 (100) 는 웨어러블 디바이스 (200) 로부터 사용자의 비수면 상태에서의 활동량, 조도량, 심박수 및 HRV의 데이터와 같은 비수면 상태 데이터, 및/또는 수면 상태에서의 HRV 수준, 심박수, 수면 활동량을 수신하고, 이를 기초로 수면 영향 요인을 평가하거나 수면의 질을 예측하여 의료진 디바이스 (400) 에 제공할 수 있다.

이때, 수면 상태 데이터는 침대 고정형 디바이스 (300) 로부터 측정되어, 웨어러블 디바이스 (200) 에 수신된 후, 수면 분석 디바이스 (100) 로 수신될 수 있고, 침대 고정형 디바이스 (300) 로부터 수면 분석 디바이스 (100) 로 직접 수신될 수도 있다.

수면 분석 디바이스 (100) 는 사용자의 상태 데이터를 기초로 수면의 영향 요인을 평가하도록 구성된 수면 평가 모델 및 수면의 질을 예측하도록 구성된 수면의 질 예측 모델을 이용하도록 구성될 수 있다. 한편, 수면 평가 모델 및 수면의 질 예측 모델은 미리 획득한 비수면 상태에서의 가속도, 조도, 압력, HR, HRV, 시간, 이벤트 등의 변수와 수면 시 뒤척임 (수면 효율) 의 상관관계를 기초로 학습된 예측 모델 또는 예측 알고리즘에 기초할 수 있다. 이때, 각각의 모델은 단일로 또는 조합으로도 이용될 수 있다.

한편, 웨어러블 디바이스 (200) 는 가속센서, 조도센서, PPG센서, 이벤트 버튼, 시계 등을 포함할 수 있고, 이에 활동량, 밝기, 맥박, 시간대 및 취침시간 등의 주요 비수면 상태에서의 이벤트를 수집하여 수면 분석 디바이스 (100) 에 송신할 수 있다. 나아가, 웨어러블 디바이스 (200) 는 사용자로부터, 날짜, 이름, 성별, 나이, 당일 일어난 시간, 전날 잠든 시간, 전날 수면의 질, 당일 개운함 정도, 웨어러블 디바이스의 미착용기간, 카페인 섭취량, 알코올 섭취량, 낮잠 여부 및 BMI와 같은 수면 기록 데이터를 입력 받도록 구성될 수 있다.

수면 고정형 디바이스 (300) 는, 압력 센서 등을 포함할 수 있어, 수면시 사용자의 활동량, 즉 뒤척임 정도를 측정할 수 있다. 수면 고정형 디바이스 (300) 에 의해 측정된 수면 상태 데이터는, 전술한 바와 같이 웨어러블 디바이스 (200) 에 수신된 후 수면 분석 디바이스 (100) 에 수신될 수 있고, 수면 분석 디바이스 (100) 에 직접 수신될 수도 있다.

수면 분석 디바이스 (100) 에 의해 평가된 사용자에 대한 수면 영향 요인 및 예측된 수면의 질은, 사용자가 착용한 웨어러블 디바이스 (200) 에 송신되어 수면 정보가 사용자에게 제공될 수 있다. 나아가, 수면 영향 요인 및 예측된 수면의 질은, 의료진 디바이스 (400) 에 송신되어, 의료진은 사용자에 대하여 평가되고 예측된 결과를 기초로 보다 용이하게 사용자에게 알맞은 의료 조치를 취할 수 있다.

이에, 본 발명의 수면 분석 디바이스 (100) 는 의료진 및 사용자 모두에게 수면 분석 결과를 제공할 수 있음에 따라, 수면 분석 시스템 (1000) 에 적용될 수 있다.

도 2를 참조하면, 수면 분석 디바이스 (100) 는 수신부 (110), 입력부 (120), 표시부 (130), 저장부 (140), 및 프로세서 (150) 를 포함할 수 있다.

보다 구체적으로, 수신부 (110) 는 디바이스와 디바이스가 위치한 네트워크 사이의 유무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 수신부 (110) 는, 인터넷 등의 통신망 상에서 외부의 디바이스 예를 들어, 웨어러블 디바이스와 신호를 송수신한다. 보다 구체적으로, 수신부 (110) 는, 사용자의 웨어러블 디바이스로부터 비수면 상태에서 측정된 활동량, 조도량, 심박수 및 HRV의 비수면 상태 데이터를 수신할 수 있다. 나아가, 수신부 (110) 는, 사용자의 수면 상태에서 웨어러블 디바이스로부터 측정된 수면 상태에서의 HRV 수준, 수면 상태의 심박수 및 침대 고정형 디바이스로부터 측정된 수면 활동량 (수면시 뒤척임) 의 수면 시 측정 데이터 및/또는 사용자로부터 입력된 날짜, 이름, 성별, 나이, 당일 일어난 시간, 전날 잠든 시간, 전날 수면의 질, 당일 개운함 정도, 웨어러블 디바이스의 미착용기간, 카페인 섭취량, 알코올 섭취량, 낮잠 여부 및 BMI의 수면 기록 데이터를 수신할 수 있다.

입력부 (120) 는 사용자가 디바이스의 동작 제어를 위한 입력 데이터를 발생시킨다. 이때 입력부 (120) 는 키 패드 (key pad) 돔 스위치 (domeswitch), 터치 패드 (정압/정전), 조그 휠, 조그 스위치 등으로 구성될 수 있다. 그러나, 이에 제한되는 것은 아니다. 한편, 사용자는 입력부 (120) 를 통해 전술한 날짜, 이름, 성별, 나이, 당일 일어난 시간, 전날 잠든 시간, 전날 수면의 질, 당일 개운함 정도, 웨어러블 디바이스의 미착용기간, 카페인 섭취량알코올 섭취량, 낮잠 여부 및 BMI 의 수면 기록 데이터를 직접 입력할 수 있으나, 이에 제한되는 것은 아니다.

표시부 (130) 는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 이에는 디스플레이부, 음향 출력 모듈 등을 포함할 수 있는데, 이때 디스플레이부는 디바이스에서 처리되는 정보를 표시 (출력) 하도록 구성될 수 있다. 예를 들어, 표시부 (130) 는 디바이스가 시스템과 관련된 UI (User Interface) 또는 GUI (Graphic User Interface) 를 표시한다. 이때, 표시부 (130) 는 액정 디스플레이 (liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이 (thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드 (organic light-emitting diode, OLED), 플렉시블 디스플레이 (flexible display), 3차원 디스플레이 (3D display) 중에서 적어도 하나를 포함할 수 있다. 한편, 표시부 (130) 수신부 (110) 로부터 수신되거나 후술할 저장부 (140) 에 저장된 오디오 데이터를 출력하도록 더 구성될 수 있다. 이때 표시부 (130) 는 수면 분석 디바이스 (100) 에서 수행되는 기능과 관련된 음향 신호를 출력하기도 한다. 다양한 실시예에서, 입력부 (120) 또는 표시부 (130) 는 생략되도록 구현될 수도 있다.

저장부 (140) 는 후술할 프로세서 (150) 의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들의 임시 저장을 위한 기능을 수행할 수도 있다. 예를 들어, 저장부 (140) 는 수신부 (110) 에 수신된 비수면 상태 데이터 및/또는 수면 상태 데이터를 저장하도록 구성될 수 있다.

한편, 저장부 (140) 는 플래시 메모리 타입 (flash memory type), 하드디스크 타입 (hard disk type), 멀티미디어 카드 마이크로 타입 (multimedia card micro type), 카드 타입의 메모리 (예를 들어 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 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 이때, 수면 분석 디바이스 (100) 는 인터넷 (internet) 상에서 저장부 (140) 의 저장 기능을 수행하는 웹 스토리지 (web storage) 와 관련되어 동작할 수도 있다.

프로세서 (150) 는 통상적으로 수면 분석 디바이스 (100) 의 전반적인 동작을 제어할 수 있다. 예를 들어 프로세서 (150) 는, 수신부 (110) 에 수신된 사용자에 대한 비수면 상태 데이터 및/또는 수면 상태 데이터를 수면 평가 모델 및 수면의 질 예측 모델에 각각 입력하고, 이들 예측 모델에 의해 사용자의 비수면 및/또는 수면 상태에 따른 수면 장애 요인을 평가하고 수면의 질을 예측하도록 구성될 수 있다.

본 발명의 일 실시예에 따르면, 프로세서 (150) 는, 웨어러블 디바이스로부터 획득된 사용자에 대한 비수면 상태 데이터 및/또는 수면 상태 데이터로부터, 복수의 분위별로 특징 변수를 추출하고, 수면 평가 모델을 이용하여 추출된 특징 변수를 기초로 수면 장애 요인을 평가하도록 구성될 수 있다. 예를 들어, 프로세서 (150) 는, 수신부 (110) 에 수신된 사용자에 대한 활동량의 데이터를, 기상 시간부터 오후 12시까지의 1 분위, 오후 12시부터 오후 6시까지의 2 분위, 및 오후 6시부터 취침 전 시간까지의 3분위 각각에서 MET (Metabolic Equivalent of Task) 를 기준으로 상, 중, 하의 강도로 특징을 분류할 수 있다. 나아가, 프로세서 (150) 는, 수면 평가 모델을 이용하여 활동량에 대한 특징 변수를 기초로 수면 장애 요인을 평가할 수 있다.

본 발명의 다른 실시예에 따르면, 프로세서 (150) 는, 수신부 (110) 에 수신된 사용자에 대한 비수면 상태 데이터를 기초로, 수면의 질 예측 모델을 이용하여, 사용자에 대한 수면의 질을 예측하도록 더 구성될 수 있다. 예를 들어, 프로세서 (150) 는 수신부 (110) 에 수신된 사용자에 대한 활동량, 조도량, 심박수 및 HRV의 웨어러블 디바이스에 의한 측정 데이터를 기초로 사용자의 수면의 질을 좋음 또는 나쁨으로 예측할 수 있다.

한편, 프로세서 (150) 는 병렬 데이터 처리를 위한 그래픽 모듈을 더 구비할 수도 있는데, 그래픽 모듈은 프로세서 (150) 내에 구현될 수도 있고, 프로세서 (150) 와 별도로 구현될 수도 있다.

여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 디바이스로 읽을 수 있는 기록매체 내에서 구현될 수 있다.

하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서 (processors), 제어기 (controllers), 마이크로 컨트롤러 (micro-controllers), 마이크로 프로세서 (microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 프로세서 (150) 자체로 구현될 수 있다.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 소프트웨어 코드는 저장부 (140) 에 저장되고, 프로세서 (150) 에 의해 실행될 수 있다.

이상의 구성을 갖는 본 발명의 수면 분석 디바이스 (100) 는, 수면 장애를 갖는 사용자 또는, 자신의 수면의 질을 예측하고 평가하고자 하는 사용자에게 자신의 수면의 질에 대한 광범위한 범위에서의 정보를 제공할 수 있다. 예를 들어, 수면 장애를 갖는 사용자는, 수면 분석 디바이스 (100) 를 통해 수면 장애의 요인이 될 수 있는 비수면 상태에서의 습관에 대한 정보를 제공받을 수 있다. 나아가, 사용자는 수면의 질 평가 결과 또는 수면의 질 예측 결과에 대한 의료진의 피드백을 제공 받을 수 있다.

이하에서는, 도 3 및 도 4를 참조하여, 본 발명의 다양한 실시예에 따른 수면 분석 방법을 설명한다.

먼저 도 3을 참조하면, 본 발명의 일 실시예에 따른 수면 분석 방법은, 사용자가 착용한 웨어러블 디바이스로부터 사용자에 대한 수면 상태 데이터 및 비수면 상태 데이터를 수신하고 (S310), 수면 상태 데이터 및 비수면 상태 데이터에 대한 특징 변수를 추출하고 (S320), 수면 평가 모델을 이용하여 수신된 특징 변수들을 기초로 수면의 영향 요인을 평가하고 (S330), 평가 결과를 제공한다 (S340).

보다 구체적으로, 수신하는 단계 (S310) 에서는, 사용자의 웨어러블 디바이스로부터 측정된, 활동량, 조도량, 심박수 및 HRV 수준을 수신할 수 있다.

나아가, 수신하는 단계 (S310) 에서는, 사용자의 수면 상태에서 웨어러블 디바이스로부터 측정된 수면 상태의 HRV 수준, 수면 상태의 심박수, 및 침대 고정형 디바이스로부터 수신된 수면 시 활동량 (수면 시 뒤척임) 과 같은 수면 시 측정 데이터 및/또는 사용자로부터 입력된 날짜, 이름, 성별, 나이, 당일 일어난 시간, 전날 잠든 시간, 전날 수면의 질, 당일 개운함 정도, 웨어러블 디바이스의 미착용기간, 카페인 섭취량, 알코올 섭취량, 낮잠 여부 및 BMI 의 수면 기록 데이터를 수신할 수 있다.

본 발명의 다른 특징에 따르면, 수신하는 단계 (S310) 에서는, 복수의 시간 분위로 비수면 상태 데이터 및 수면 상태 데이터 각각을 수신할 수 있다. 이때, 복수의 시간 분위는, 하루 24간에 대하여 일정하게 분할된 시간 간격을 의미할 수 있다. 예를 들어 수신하는 단계 (S310) 에서, 비수면 상태 데이터는 기상 시간부터 오후 12시까지의 1 분위, 오후 12시부터 오후 6시까지의 2 분위, 및 오후 6시부터 취침 전 시간까지의 3 분위 각각에서 수신될 수 있다.

본 발명의 또 다른 특징에 따르면, 수신하는 단계 (S310) 에서는, 일정한 기간 내의 복수의 일자에 대하여, 복수의 시간 분위로 비수면 상태 데이터 및 수면 상태 데이터가 수신될 수 있다.

한편, 수신하는 단계 (S310) 에서는 무작위의 연속된 시간 동안 (예를 들어, 24 시간) 비수면 상태 데이터 및 수면 상태 데이터가 수신될 수 있다. 나아가, 연속된 시간 동안 수신된 비수면 상태 데이터 및 수면 상태 데이터는 미리 결정된 시간 분위로 분할될 수도 있다.

다음으로, 수면 상태 데이터 및 비수면 상태 데이터에 대한 특징 변수를 추출하는 단계 (S320) 에서는, 웨어러블 디바이스로부터 획득된 비수면 상태 데이터 및/또는 수면 상태 데이터에 대한 특징 값들이 추출될 수 있다.

예를 들어, 특징 변수를 추출하는 단계 (S320) 에서는, 비수면 상태의 활동량의 데이터를, 기상 시간부터 오후 12시까지의 1 분위, 오후 12시부터 오후 6시까지의 2 분위, 및 오후 6시부터 취침 전 시간까지의 3분위 각각에서 MET를 기준으로 상, 중, 하의 강도로 특징을 분류할 수 있다. 나아가, 특징 변수를 추출하는 단계 (S320) 에서는, 비수면 상태에 측정된 조도의 LUX 값을 기준으로 실내 저조도, 실내 고조도 및 실외 저조도, 실외 고조도의 강도로 특징을 분류될 수 있다. 또한, 특징 변수를 추출하는 단계 (S320) 에서, 비수면 상태에 측정된 HRV 값은, SDNN (standard deviation of normal to normal heart rate), 부교감 신경의 정도를 나타내는 RMSSD (root mean square successive difference), 교감신경의 정도를 나타내는 pNN50, 및 평균 심박수의 특징으로 추출될 수 있다.

다음으로, 수면의 영향 요인을 평가하는 단계 (S330) 에서는, 수면 평가 모델을 이용하여, 비수면 상태 데이터 및/또는 수면 상태 데이터에 대한 특징 변수를 기초로 수면의 영향 요인이 예측될 수 있다. 예를 들어, 수면의 영향 요인을 평가하는 단계 (S330) 에서는, 수면 평가 모델에 비수면 상태 데이터 및/또는 수면 상태 데이터에 대한 특징 변수가 입력되면, 수면에 영향을 미치는 주요 특징들이 추출될 수 있다.

이때, 수면 평가 모델은, 분류를 위해 다수의 결정 트리로부터 일정한 부류를 분류하거나 회귀 분석을 위해 평균 예측치를 출력하도록 구성된 알고리즘에 기초할 수 있다. 본 발명에 개시된 수면 평가 모델은 랜덤 포레스트 (random forest), GNB (Gaussian na

ive Bayes), LNB (locally weighted na

ive Bay), 및 SVM (support vector machine) 일 수 있으나 이에 제한되는 것은 아니며, 보다 다양한 분류/회귀분석 알고리즘에 기초할 수 있다.

본 발명의 특징에 따르면, 수면의 영향 요인을 평가하는 단계 (S330) 에서는, 시간 분위에 따른 수면의 영향 요인에 대한 상대적 또는, 절대적 수면 영향 정도가 산출될 수 있다.

본 발명의 또 다른 특징에 따르면, 수면의 영향 요인을 평가하는 단계 (S330) 에서는, 수면 평가 모델을 이용하여, 복수의 일자 각각에 대한, 복수의 시간 분위로 수신된 비수면 상태 데이터 및 수면 상태 데이터의 특징 변수를 기초로, 시간 분위에 따른 수면의 영향 요인이 예측될 수 있다.

본 발명의 또 다른 특징에 따르면, 수면의 영향 요인을 평가하는 단계 (S330) 에서는, 수면 상태 데이터를 기초로 사용자의 수면 효율도가 산출될 수 있다.

이때, 수면 효율도는 하기 [수학식 1] 로 산출될 수 있다.

[수학식 1]

수면 효율도 (%) = (1 -

) * 100

여기서,

는 수면 중 활동량을 의미할 수 있고, OBT- IBT는 잠을 청한 시간 (in bed time) 내지 기상 시간의 구간을 의미할 수 있고,

는 각성 상태 (wakefulness) 의 총합을 의미할 수 있다.

본 발명의 특징에 따르면, 본 발명의 수면 분석 방법에서는, 전술한 수면의 영향 요인을 평가하는 단계 (S330) 에서 획득된 시간 분위에 따른 수면의 영향 요인에 대응하는 수면 영향 정도와 비례한 면적 크기를 갖도록 구성된 수면 영향도를 생성하는 단계가 더 수행될 수 있다. 나아가, 본 발명의 수면 분석 방법에서는, 시간 분위에 따른 수면의 영향 요인에 대응하는 수면 영향 정도와 비례한 분포 정도를 갖도록 구성된 수면 영향 분포도를 생성하는 단계가 더 수행될 수 있다.

이에, 제공하는 단계 (S340) 에서는, 생성된 수면 영향도 또는, 수면 영향 분포도가 제공될 수 있다.

본 발명의 다른 특징에 따르면, 본 발명의 수면 분석 방법에서는, 수신하는 단계 (S310) 에서 수신된 미리 결정된 기간에 대한 비수면 상태 데이터 및 수면 상태 데이터에 대한 시계열 상태 분석도를 생성하는 단계가 더 수행될 수 있다.

이에, 제공하는 단계 (S340) 에서는, 생성된 시계열 상태 분석도가 제공될 수 있다.

이상의 본 발명의 일 실시예에 따른 수면 분석 방법에 따라, 사용자는 수면에 영향을 끼치는 것으로 평가된 수면 영향 요인에 대한 정보를 제공받을 수 있다. 나아가, 의료진은 사용자에 대한 수면 모니터링이 용이할 수 있고, 수면 영향 요인에 따른 의료 조치를 보다 용이하게 취할 수 있다.

이하에서는, 도 4를 참조하여, 본 발명의 다른 실시예에 따른 수면 분석 방법을 설명한다.

먼저 도 4를 참조하면, 본 발명의 다른 실시예에 따른 수면 분석 방법은, 사용자가 착용한 웨어러블 디바이스로부터 사용자에 대한 비수면 상태 데이터를 수신하고 (S410), 수면의 질 예측 모델을 이용하여 수신된 낮 동안의 비수면 상태 데이터를 기초로 수면의 질을 예측하고 (S420), 예측 결과를 제공한다 (S430).

보다 구체적으로, 수신하는 단계 (S410) 에서는, 사용자의 웨어러블 디바이스로부터 비수면 상태에서 측정된 활동량, 조도량, 심박수 및 HRV 수준이 수신될 수 있다.

본 발명의 특징에 따르면, 수신하는 단계 (S410) 에서는, 복수의 시간 분위로 비수면 상태 데이터를 수신할 수 있다. 이때, 복수의 시간 분위는, 하루 24간에 대하여 일정하게 분할된 시간 간격을 의미할 수 있다. 예를 들어 수신하는 단계 (S410) 에서, 비수면 상태 데이터는 기상 시간부터 오후 12시까지의 1 분위, 오후 12시부터 오후 6시까지의 2 분위, 및 오후 6시부터 취침 전 시간까지의 3분위 각각에서 수신될 수 있다. 그러나, 이에 제한되지 않고 시간 분위는 보다 다양한 범위를 가지도록 설정될 수 있다.

본 발명의 특징에 따르면, 수신하는 단계 (S410) 에서는, 일정한 기간 내의 복수의 일자에 대하여, 복수의 시간 분위로 비수면 상태 데이터를 수신할 수 있다.

다음으로, 수면의 질을 예측하는 단계 (S420) 에서는, 수면의 질 예측 모델을 이용하여, 수신된 비수면 상태를 기초로, 수면의 질을 예측할 수 있다.

이때, 수면의 질 예측 모델은, 인공 신경망 기반으로 비 수면 상태 데이터를 학습하도록 구성된 딥 러닝 알고리즘에 기초할 수 있다. 예를 들어, 본 발명의 수면의 질 예측 모델은, DNN (Deep Neural Network), CNN (Convolutional Neural Network), DCNN (Deep Convolution Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), SSD (Single Shot Detector) 모델을 기반으로 하는 예측 모델일 수 있으나, 이에 제한되는 것은 아니다.

한편, 본 발명의 다른 실시예에 따른 수면 분석 방법에서 예측된 수면의 질은, 수신하는 단계 (S410) 에서 수신한 수면 상태 데이터로 기초로 산출된 수면 효율도에 의해 평가될 수도 있다. 예를 들어, 수면의 질 예측 모델에 의해 취침 전 비수면 상태 데이터를 기초로 예측된 수면의 질은, 기상 후 수면 상태 데이터를 기초로 산출된 수면 효율도와 비교함으로써 평가될 수 있다.

이때, 수면 효율도는 하기 [수학식 1] 로 산출될 수 있다.

[수학식 1]

수면 효율도 (%) = (1 -

) * 100

여기서,

는 각성 상태 (wakefulness) 의 총합을 의미할 수 있다.

이에, 수면의 질 예측 모델은 미리 획득한 학습용 비수면 상태 데이터 (변수) 와 수면 상태 데이터에 의해 산출된 수면 효율도 (수면시 뒤척거림) 의 상관관계를 기초로 학습된 예측 모델 또는 예측 알고리즘에 기초할 수 있다.

제공하는 단계 (S430) 에서는, 수면의 질을 예측하는 단계 (S420) 에서 예측된 수면의 질을 복수의 수준, 예를 들어 좋음 또는 나쁨, 상, 중 또는 하 등으로 제공할 수 있다. 그러나, 이에 제한되는 것은 아니다.

이상의 본 발명의 다른 실시예에 따른 수면 분석 방법에 따라, 사용자는 낮 동안의 활동량 또는 환경적 요인과 같은 비수면 상태 데이터를 기초로 예측된 수면의 질에 대한 정보를 제공받을 수 있다.

이하에서는, 도 5a 내지 5c를 참조하여, 평가 및 예측된 수면 분석 정보가 표시되어 나타나는 본 발명의 수면 분석 디바이스의 화면을 예로 들어, 본 발명의 다양한 실시예에 따른 수면 분석 방법을 설명한다. 그러나, 본 발명의 수면 분석 방법은 후술하는 것에 제한되지 않고, 수면 분석과 연관된 보다 다양한 정보를 표시하도록 구성될 수 있다.

도 5a는 본 발명의 일 실시예에 따른 수면 분석 방법에 따라 수신된, 사용자의 상태 데이터가 나타나는 화면을 예시적으로 도시한 것이다. 도 5b는 본 발명의 일 실시예에 따른 수면 분석 방법에 따라 생성된, 사용자의 시계열 상태 분석도가 나타나는 화면을 예시적으로 도시한 것이다. 도 5c는 본 발명의 일 실시예에 따른 수면 분석 방법에 따라 평가된 수면 영향 요인 및 예측된 수면의 질이 나타나는 화면을 예시적으로 도시한 것이다.

도 5a를 참조하면, 본 발명의 수면 분석 디바이스 (100) 의 표시부 (130) 에는, 메뉴란 (132) 과 데이터 관리란 (134) 가 표시된다. 보다 구체적으로, 메뉴란 (132) 에는 사용자가 선택 가능한 환자 관리, 데이터 관리, 분석, 설정 및 제어 (디바이스) 메뉴들이 표시된다. 여기서, 사용자에 의해 데이터 관리 메뉴가 선택되면, 데이터 관리란 (134) 이 표시부 (130) 에 나타나게 된다. 이때, 데이터 관리란 (134) 에는 피검자가 착용한 웨어러블 디바이스로부터 수신한 데이터들이 표시될 수 있다. 보다 구체적으로, 데이터 관리란 (134) 에는, 데이터를 입력 받은 날짜, 파일 번호, 피검자명 (환자명), 피검자 관리번호 (환자 관리번호), 웨어러블 디바이스 명 (장비명), 파일명 등의 피검자의 웨어러블 디바이스로부터 수신한 상태 데이터들이 표시될 수 있다. 이러한 상태 데이터는 본 발명의 수면 분석 디바이스의 예측 모델에 대한 입력 데이터로 이용될 수 있다.

도 5b를 참조하면, 본 발명의 일 실시예에 따르면, 사용자에 의해 메뉴란 (132) 에서 분석 메뉴가 선택될 경우, 시계열 수면 분석란 (136) 이 표시부 (130) 에 나타나게 된다. 이때, 시계열 수면 분석란 (136) 에는 사용자로부터 선택된 기간에 대하여, 피검자의 웨어러블 디바이스로부터 수신한 비수면 상태 및 수면 상태 데이터 (예를 들어, HR, LUX, METs) 가 시계열적으로 분석되어 나타나는 시계열 상태 분석도 (136 (a)) 가 도시된다. 나아가, 시계열 수면 분석란 (136) 에는 사용자가 원하는 기간을 선택하도록 구성된 구간 선택 바 (136 (b)) 가 더 도시된다. 이에, 시계열적으로 분석된 피검자의 상태 데이터가 제공될 수 있다.

도 5c를 참조하면, 본 발명의 다른 실시예에 따르면, 사용자에 의해 메뉴란 (132) 에서 분석 메뉴가 선택될 경우, 수면 분포도 분석란 (138) 이 표시부 (130) 에 나타나게 된다. 이때, 수면 분포도 분석란 (138) 에는 사용자로부터 선택된 특정한 기간에 대하여, 수면 예측 모델에 의해 피검자의 비수면 상태 데이터를 기초로 예측된 수면의 질과 수면 평가 모델에 의해 피검자의 비수면 상태 데이터 및/또는 수면 상태 데이터를 기초로 평가된 수면 영향 요인이 도시된다. 보다 구체적으로, 수면 분포도 분석란 (138) 에는 수면의 질 예측 분포도 (138 (a)), 수면 영향도 (138 (b)), 수면 영향 분포도 (138 (c)) 및 수면 품질 지표 (138 (d))가 나타난다.

보다 구체적으로, 수면의 질 예측 분포도 (138 (a)) 에서, 해당 날짜, 예를 들어 2018년 1월 3일에 대하여 수면의 질 예측 모델에 의해 예측된 수면의 질이 '좋음' 또는, '나쁨'으로 나타날 수 있다. 수면 영향도 (138 (b)) 는, 날짜, 예를 들어 2018년 1월 3일에 대하여 수면 평가 모델에 의해 수면에 영향을 미치는 것으로 결정된 수면의 영향 요인을 포함한다. 이때, 수면 영향도 (138 (b)) 는 수면 영향 요인에 대하여 수면에 영향을 미치는 정도, 즉, 수면 영향 정도와 비례한 면적을 갖도록 나타날 수 있다. 이에, 사용자는 면적의 크기를 보고 수면 영향 정도가 큰 요인들을 용이하게 식별할 수 있다. 한편, 사용자는 복수의 날짜 중 특정 날짜를 선택하여, 해당 날짜에 대한 수면 영향도 (138 (b)) 를 확인할 수도 있다. 수면 영향 분포도 (138 (c)) 는 수면 평가 모델에 의해 결정된 복수의 시간 분위, 예를 들어 1 분위 내지 3 분위에 따른 수면 영향 요인에 대하여, 수면 영향 정도와 비례한 분포 정도를 갖도록 구성될 수 있다. 이에, 사용자는 분포된 정도를 비교함으로써 수면에 영향을 미치는 정도가 큰 시간 분위 및 수면 영향 요인을 용이하게 식별할 수 있다. 한편, 사용자는 복수의 날짜 중 특정 날짜를 선택하여, 해당 날짜에 대한 수면 영향 분포도 (138 (c)) 를 확인할 수도 있다. 수면 품질 지표 (138 (d)) 는 사용자로부터 선택될 날짜에 해당하는 속성 값이 구체적으로 도시된다. 이에, 사용자는 수면 평가 모델에 의해 결정된 시간 분위에 따른 수면 영향 요인에 대한 구체적인 속성 값, 예를 들어, 수면 영향 정도 등을 확인할 수 있다. 한편, 사용자는 복수의 날짜 중 특정 날짜를 선택하여, 해당 날짜에 대한 수면 품질 지표 (138 (d)) 를 확인할 수도 있다.

이하에서는 도 6a 및 6b를 참조하여, 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에서 이용되는 비수면 상태 데이터에 대하여 구체적으로 설명한다.

도 6a는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에서 이용되는, 웨어러블 디바이스로부터 획득된 비수면 상태 데이터를 도시한 것이다.

도 6a를 참조하면, 웨어러블 디바이스로부터 측정될 수 있는 비수면 상태 데이터는, 활동량, 조도량, HRV 및 심박수에 대한 데이터를 포함할 수 있다. 보다 구체적으로, 비수면 상태 데이터는 측정 날짜, 사용자 이름, 측정 시간, X 축, Y 축, Z 축, 조도량, 사용자의 활동량을 나타내는 X, Y, Z 벡터 내적 값, HRV 및 심박수를 포함할 수 있다. 이때, 웨어러블 디바이스로부터 측정된 비수면 상태 데이터는, 수면의 질 예측 모델에 입력될 수 있다. 이에, 사용자에 대한 비수면 상태 데이터에 따른 수면의 질이 수면의 질 예측 모델에 의해 예측될 수 있다.

이하에서는, 도 6b를 참조하여, 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에서 이용되는 수면 상태 데이터에 대하여 구체적으로 설명한다.

도 6b는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에서 이용되는, 웨어러블 디바이스로부터 획득된 비수면 상태 데이터 및 수면 상태 데이터의 특징 변수를 도시한 것이다.

도 6b의 (a)를 참조하면, 비수면 시 활동량 데이터는 다양한 강도로 분류되어 수면 평가 모델에 입력될 수 있다. 예를 들어, 활동량은 MET (Metabolic Equivalent of Task) 를 기준으로 상, 중, 하의 강도로 분류될 수 있다. 보다 구체적으로, 측정된 MET가 3 미만일 경우 활동량은 '하'로, 측정된 MET가 3 이상 6 미만일 일 경우 활동량은 '중'으로, 측정된 MET가 6 이상일 일 경우 활동량은 '상'으로 분류될 수 있다. 이때, 1 분위, 2 분위 및 3 분위 각각은, 기상 시간부터 오후 12시까지의 구간, 오후 12시부터 오후 6시까지의 구간, 및 오후 6시부터 취침 전 시간까지 구간을 의미할 수 있다. 이에, 비수면 시의 각 분위에 따른 MET 값이, 수면 영향 요인 평가를 위해 수면 평가 모델에 입력되면 수면에 영향을 미치는 분위별 특징들이 출력될 수 있다.

도 6b의 (b)를 참조하면, 조도량 데이터는 측정된 LUX 값을 기준으로 실내 저조도, 실내 고조도 및 실외 저조도, 실외 고조도의 강도로 분류되어 수면 평가 모델에 입력될 수 있다. 보다 구체적으로, 측정된 조도량이 0 이상 320 미만일 경우 조도량은 '실내 저조도'로, 측정된 조도량이 320 이상 500 이하일 경우 조도량은 '실내 고조도'로, 측정된 조도량이 501 이상 10,000 미만일 경우 조도량은 '실외 저조도'로, 측정된 조도량이 10,000 이상일 경우 조도량은 '실외 고조도'로 분류될 수 있다. 이때, 1 분위, 2 분위 및 3 분위 각각은, 기상 시간부터 오후 12시까지의 구간, 오후 12시부터 오후 6시까지의 구간, 및 오후 6시부터 취침 전 시간까지 구간을 의미할 수 있다. 이에, 비수면 시의 각 분위에 따른 조도량의 강도가, 수면 영향 요인 평가를 위해 수면 평가 모델에 입력되면 수면에 영향을 미치는 특징이 출력될 수 있다.

도 6b의 (c)를 참조하면, 웨어러블 디바이스로부터 측정된 비수면 상태 데이터 및 수면 상태 데이터는 HRV 데이터를 포함할 수 있다. 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 디바이스는, HRV 데이터를 포함하는 비수면 상태 데이터 및 수면 상태 데이터의 특징을 추출하여 수면의 장애 요인을 평가할 수 있다.

보다 구체적으로, 비수면 상태에서 측정된 HRV 데이터 및 수면 상태에서 측정된 HRV 데이터 각각은 SDNN (standard deviation of normal to normal heart rate), 부교감 신경의 정도를 나타내는 RMSSD (root mean square successive difference), 교감신경의 정도를 나타내는 pNN50, 및 평균 심박수의 추출 변수로 분류될 수 있다. SDNN의 경우 0.06 이상이면 '좋음'으로, 0.06 미만이면 '나쁨'으로 강도가 분류될 수 있다. RMSSD의 경우 0.1 이상이면 '좋음' 0.1 미만이면 '나쁨'으로 분류될 수 있다. 한편, 수면 평가 모델은, HRV 데이터 에 대하여 추출된 특징을 기초로 수면에 영향을 끼치는 요인을 평가할 수 있다.

이하에서는, 도 6c를 참조하여, 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에서 이용되는 수면 기록 데이터에 대하여 구체적으로 설명한다.

도 6c 는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 디바이스에서 이용되는, 수면 기록 데이터를 도시한 것이다.

도 6c 를 참조하면, 수면 기록 데이터는 1 일 마다 사용자로부터 직접 입력될 수 있다. 이때, 수면 기록 데이터는, 기록 날짜, 이름, 성별, 나이, 당일 일어난 시간, 전날 잠든 시간, 전날 수면의 질, 당일 개운함 정도, 웨어러블 디바이스의 미착용 기간, 카페인 섭취량, 알코올 섭취량, 낮잠 여부 및 BMI를 포함할 수 있다.

한편, 본 발명의 다양한 실시예에서 이용되는 비수면 상태 데이터 및 수면 상태 데이터는, 전술한 측정 방법에 제한되지 않고 다양한 방법으로 획득될 수 있으며, 예측 또는 평가의 높은 정확도를 위해 세분화되어 이용될 수 있다. 예를 들어, 비수면 상태 데이터는, 사용자의 비수면 상태에서 측정된 오전 활동량, 오후 활동량, 일몰 이후 활동량, 실내 조도 수준, 실외 조도 수준, 오전 HRV, 오후 HRV, 일몰 후 HRV, 심박수, 및 심박수 편차를 포함할 수 있다. 나아가, 수면시의 상태데이터는 사용자의 수면 상태에서 측정된 HRV, 심박수, 조도량, 수면 활동량 및 수면 효율을 포함할 수 있다.

또한, 본 발명의 다양한 실시예에서 이용되는 비수면 상태 데이터 및 수면 상태 데이터는, 전술한 것에 제한되지 않고 다양한 방법으로 특징 값들이 추출될 수 있다. 나아가, 수면 평가 모델은, 웨어러블 디바이스로부터 측정된 비수면 상태 데이터 및 수면 상태 데이터에 대하여 추출된 특징 값을 기초로 수면 장애 요인을 결정할 수 있으나, 이에 제한되는 것은 아니다. 또한, 수면의 질 예측 모델은, 웨어러블 디바이스로부터 측정된 비수면 상태 데이터, 즉 가공되지 않은 원 데이터 값을 기초로 수면의 질을 예측할 수 있으나, 이에 제한되는 것은 아니다.

실시예 1: 본 발명의 다양한 실시예에 이용되는 수면 평가 모델 및 수면의 질 예측 모델의 평가

도 7a 내지 7c는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 시스템에서 분석된, 수면 평가 모델에 기초한 수면 장애 요인의 평가 결과를 도시한 것이다.

도 7a를 참조하면, 본 발명의 수면 평가 모델은, 다수의 결정 트리로부터 수면에 영향을 끼치는 수면 영향 요인을 분류하도록 구성된 모델, 예를 들어 랜덤 포레스트일 수 있으나, 이에 제한되는 것은 아니다.

다시, 도 7a를 참조하면, 수면 영향 요인 결정의 학습을 위한 본 발명의 수면 평가 모델은, 5 개의 결정 트리로 구성된 랜덤 포레스트일 수 있다. 보다 구체적으로 학습 단계에서 각각의 결정 트리에는, 학습용 특징 벡터, 예를 들어 학습용 비수면 상태 데이터의 값들이 입력되고, 노드 분할 함수의 매개변수를 최적화하는 작업이 진행될 수 있다. 이때, 결정 트리를 이루는 노드는 분할 함수를 포함하고 있어, 각 트리에서는 분할 함수의 결과값에 따라 0 (false) 또는 1 (true) 의 하위 노드 (자식 노드) 방향으로 이동하며 수면 영향 요인이 결정될 수 있다. 나아가 각각의 노드에는 노드의 순도를 의미하는 지니 계수 (gini), 샘플에 대한 값 (value) 이 포함될 수 있다. 5 개의 각각의 결정 트리에 대한 예측 결과에 따라, 최종적으로 수면 영향 요인 결정 트리 (500) 가 결정되게 된다.

도 7b를 참조하면, 수면 영향 요인 결정 트리 (500) 에 평가 데이터의 값들이 입력되면, 전술한 각 노드가 갖는 분할 함수에 의해 수면 영향 요인을 결정하게 되고 (주황색 박스 방향), 결정된 수면 영향 요인에 대한 결과 (좋음 또는 나쁨), 및 정확도 (accuracy rate) 가 함께 제공된다.

도 7c의 (a)를 참조하면, 수면 평가 모델의 학습에는 462 개의 미리 결정된 트레이팅 세트가 이용되었고, 동일한 462 개의 데이터를 평가 데이터로 이용하였다. 이때, 수면 기록 데이터의 수면 일기는 평가에서 고려되지 않았다. 결과적으로, 본 발명의 수면 평가 모델에 의해 예측의 정확도는 83.55 %로 나타났고, 민감도는 99.46 %, 특이도는 16.85 %로 나타났다. 즉, 본 발명의 수면 평가 모델은 높은 정확도 및 민감도로 수면에 영향일 끼치는 요인을 평가할 수 있음에 따라, 수면 분석 시스템에 적용될 수 있다.

도 7c 의 (b)를 참조하면, 수면 평가 모델의 학습에는 462 개의 미리 결정된 트레이팅 세트가 이용되었고, 동일한 462 개의 데이터를 평가 데이터로 이용하였다. 이때, 수면 일기는, 본 평가에서 수면 영향 요인 평가를 위해 수면 기록 데이터로 이용되었다. 결과적으로, 본 발명의 수면 평가 모델에 의해 예측의 정확도는 83.12 %로 나타났고, 민감도는 100 %, 특이도는 12.36 %로 나타났다.

즉, 본 발명의 수면 평가 모델은 높은 정확도 및 민감도로 수면에 영향일 끼치는 요인을 평가할 수 있음에 따라, 수면 분석 시스템에 적용될 수 있다. 나아가, 본 발명의 수면 평가 모델은 사용자가 작성한 수면 일기와 같은 수면 기록 데이터를 이용했을 때, 우수한 수준으로 수면에 영향을 끼치는 요인을 평가할 수 있다.

도 7d는 본 발명의 일 실시예에 따른 수면 분석 방법 및 이를 이용한 수면 분석 시스템에서 분석된, 수면의 질 예측 모델에 기초한 수면의 질의 예측 결과를 도시한 것이다.

이때, 본 발명의 수면의 질 예측 모델은, DNN, CNN, DCNN, RNN, RBM, DBN 또는 SSD의 딥러닝 알고리즘에 기초한 모델일 수 있으나, 이에 제한되는 것은 아니다.

도 7d 의 (a)를 참조하면, 본 발명의 수면의 질 예측 모델에 대한, 비수면 상태 데이터로 구성된 학습용 데이터 세트에 대한 수면의 질 예측의 정확도는 약 93 %로 나타난다. 본 발명의 수면의 질 예측 모델에 대한, 비수면 상태 데이터로 구성된 평가 데이터 세트에 대한 수면의 질 예측의 정확도는 약 87%로 나타난다.

보다 구체적으로, 도 7d 의 (b)를 참조하면, 수면의 질을 예측하도록 구성된 본 발명의 수면의 질 예측 모델의 합성곱 계층 (Conv Layers) 4로, 파라미터 업데이트 전의 샘플 수를 의미하는 Batch의 크기는 5로, 훈련 회수를 의미하는 Epoch의 개수는 10으로 설정되었고, 필터 (filter) 의 수는 50 개, Kernel_size는 2로 설정되었다. 결과적으로, 학습용 데이터 세트에 대한 수면의 질 예측 정확도는 93.37 %로, 평가 데이터에 대한 수면의 질 예측 정확도는 87.23%로 나타났다.

이상의 실시예 1의 결과에 따르면, 본 발명의 다양한 실시예에서 이용되는 수면 평가 모델 및 수면의 질 예측 모델은, 수면 영향 요인과 수면의 질이 높은 정확도 및 민감도로 예측할 수 있다. 특히, 이상의 결과는 비수면시 활동량, 조도량, 심박수 및 HRV에 대한 데이터가 수면과 깊게 연관되어 있음을 의미할 수 있다.

이에, 본 발명은 웨어러블 디바이스로부터 측정된 비수면 상태 데이터, 보다 구체적으로 활동량, 조도량, 심박수 및 HRV에 대한 데이터를 기초로 하여 사용자의 수면에 영향을 끼치는 요소들을 평가하여 제공할 수 있고, 수면의 질을 예측하여 제공할 수 있다.

나아가, 본 발명은 종래의 수면 분석 시스템이 갖는 고가의 분석비용, 사용자가 겪는 불편함 등과 같은 문제를 해결할 수 있는 효과가 있고, 수면 장애를 갖는 사용자에 대하여 불면의 원인을 인지하고, 이를 개선할 수 있도록 정보를 제공할 수 있는 효과가 있다.

본 발명의 여러 실시예들의 각각 특징들이 부분적으로 또는 전체적으로 서로 결합 또는 조합 가능하며, 당업자가 충분히 이해할 수 있듯이 기술적으로 다양한 연동 및 구동이 가능하며, 각 실시예들이 서로에 대하여 독립적으로 실시 가능할 수도 있고 연관 관계로 함께 실시 가능할 수도 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 더욱 상세하게 설명하였으나, 본 발명은 반드시 이러한 실시예로 국한되는 것은 아니고, 본 발명의 기술사상을 벗어나지 않는 범위 내에서 다양하게 변형 실시될 수 있다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

100: 수면 분석 디바이스
110: 수신부
120: 입력부
130: 표시부
132: 메뉴란
134: 데이터 관리란
136: 시계열 수면 분석란
136 (a): 시계열 상태 분석도
136 (b): 구간 선택 바
138: 수면 분포도 분석란
138 (a): 수면의 질 예측 분포도
138 (b): 수면 영향도
138 (c): 수면 영향 분포도
140: 저장부
150: 프로세서
200: 웨어러블 디바이스
300: 침대 고정형 디바이스
400: 의료진 디바이스
500: 수면 영향 요인 결정 트리
1000: 수면 분석 시스템

Claims

사용자에 대하여 비수면 상태 데이터 및 수면 상태 데이터를 웨어러블 디바이스로부터 수신하는 단계;
상기 비수면 상태 데이터 및 상기 수면 상태 데이터를 기초로 수면의 영향 요인을 평가하도록 구성된 수면 평가 모델을 이용하여, 상기 사용자에 대한 수면의 영향 요인을 평가하는 단계를 포함하는, 수면 분석 방법.
제1항에 있어서,
상기 수신하는 단계는,
복수의 시간 분위로 비수면 상태 데이터 및 상기 수면 상태 데이터 각각을 수신하는 단계를 포함하고,
상기 수면의 영향 요인을 평가하는 단계는,
상기 수면 평가 모델을 이용하여, 상기 복수의 시간 분위로 수신된 상기 비수면 상태 데이터 및 상기 수면 상태 데이터를 기초로, 시간 분위에 따른 수면의 영향 요인을 평가하는 단계를 포함하는 수면 분석 방법.
제2항에 있어서,
상기 수면의 영향 요인을 평가하는 단계는,
상기 시간 분위에 따른 수면의 영향 요인에 대한 상대적 또는, 절대적 수면 영향 정도를 산출하는 단계를 더 포함하는, 수면 분석 방법.
제3항에 있어서,
상기 수면 분석 방법은,
상기 시간 분위에 따른 수면의 영향 요인에 대응하는 상기 수면 영향 정도와 비례한 면적 크기를 갖도록 구성된 수면 영향도를 생성하는 단계, 및
상기 수면 영향도를 제공하는 단계를 더 포함하는, 수면 분석 방법.
제3항에 있어서,
상기 수면 분석 방법은,
상기 시간 분위에 따른 수면의 영향 요인에 대응하는 상기 수면 영향 정도와 비례한 분포 정도를 갖도록 구성된 수면 영향 분포도를 생성하는 단계, 및
상기 수면 영향 분포도를 제공하는 단계를 더 포함하는, 수면 분석 방법.
제2항에 있어서,
상기 수신하는 단계는,
복수의 일자 각각에 대하여, 상기 복수의 시간 분위로 비수면 상태 데이터 및 상기 수면 상태 데이터를 수신하는 단계를 포함하고,
상기 시간 분위에 따른 수면의 영향 요인을 평가하는 단계는,
상기 수면 평가 모델을 이용하여, 상기 복수의 일자 각각에 대한, 상기 복수의 시간 분위로 수신된 상기 비수면 상태 데이터 및 상기 수면 상태 데이터를 기초로, 시간 분위에 따른 수면의 영향 요인을 평가하는 단계를 포함하고,
상기 수면 분석 방법은,
상기 복수의 일자 중 선택된 특정 일자를 수신하는 단계,
상기 특정 일자에 대응하는 상기 시간 분위에 따른 수면의 영향 요인을 제공하는 단계를 더 포함하는, 수면 분석 방법.
제1항에 있어서,
상기 수신하는 단계는,
미리 결정된 기간에 대한 상기 비수면 상태 데이터 및 수면 상태 데이터를 웨어러블 디바이스로부터 수신하는 단계를 포함하고,
상기 수면 분석 방법은,
상기 미리 결정된 기간에 대한 상기 비수면 상태 데이터 및 수면 상태 데이터 각각에 대한 시계열 상태 분석도를 생성하는 단계,
상기 시계열 상태 분석도를 제공하는 단계를 더 포함하는, 수면 분석 방법.
제1항에 있어서,
상기 수면 분석 방법은,
상기 수신하는 단계 이후에 수행되는,
상기 비수면 상태 데이터 및 상기 수면 상태 데이터 각각에 대하여 특징 (feature) 데이터를 추출하는 단계를 더 포함하고,
상기 수면의 영향 요인을 평가하는 단계는,
상기 비수면 상태 데이터 및 상기 수면 상태 데이터 각각에 대한 상기 특징 변수를 기초로, 상기 수면 평가 모델을 이용하여 상기 사용자에 대한 수면의 영향 요인을 평가하는 단계를 더 포함하는, 수면 분석 방법.
제1항에 있어서,
상기 수면 분석 방법은,
상기 비수면 상태 데이터를 기초로 수면의 질을 예측하도록 구성된 수면의 질 예측 모델을 이용하여, 상기 사용자의 수면의 질을 예측하는 단계, 및
예측된 상기 수면의 질을 복수의 수준으로 제공하는 단계를 더 포함하는, 수면 분석 방법.
제1항에 있어서,
상기 수면의 영향 요인을 평가하는 단계는,
상기 수면 평가 모델을 이용하여, 상기 수면 상태 데이터를 기초로 상기 사용자의 수면 효율도 (sleep efficiency) 를 산출하는 단계를 더 포함하는, 수면 분석 방법.
제1항에 있어서,
상기 비수면 상태 데이터는,
상기 사용자의 비수면 상태에서 상기 웨어러블 디바이스에 의해 측정된 활동량, 조도량, 심박수 및 HRV로 이루어진 그룹 중 적어도 하나인, 수면 분석 방법.
제1항에 있어서,
상기 수면 상태 데이터는,
상기 웨어러블 디바이스에 의해 상기 사용자의 수면 상태에서 측정된, 수면 시 측정 데이터 및 상기 사용자로부터 미리 결정된 기간 마다 입력되는 수면 기록 데이터를 포함하는, 수면 분석 방법.
제12항에 있어서,
상기 수면 시 측정 데이터는,
상기 사용자의 수면 상태에서 측정된 HRV, 심박수, 조도량 및 수면 활동량으로 이루어진 그룹 중 적어도 하나인, 수면 분석 방법.
제12항에 있어서,
상기 수면 기록 데이터는,
상기 사용자로부터 입력된 날짜, 이름, 성별, 나이, 당일 일어난 시간, 전날 잠든 시간, 전날 수면의 질, 당일 개운함 정도, 상기 웨어러블 디바이스의 미착용기간, 카페인 섭취량, 알코올 섭취량, 낮잠 여부 및 BMI 중 선택된 적어도 하나인, 수면 분석 방법.
웨어러블 디바이스로부터 사용자에 대하여 비수면 상태 데이터 및 수면 상태 데이터를 수신하도록 구성된 수신부, 및
상기 수신부와 연결된 프로세서로서,
상기 프로세서는,
상기 비수면 상태 데이터 및 상기 수면 상태 데이터를 기초로 수면의 영향 요인을 평가하도록 구성된 수면 평가 모델을 이용하여, 상기 사용자에 대한 수면의 영향 요인을 평가하도록 구성된, 수면 분석 디바이스.
제15항에 있어서,
상기 수신부는,
복수의 시간 분위로 비수면 상태 데이터 및 상기 수면 상태 데이터 각각을 수신하도록 구성되고,
상기 프로세서는,
상기 수면 평가 모델을 이용하여, 상기 복수의 시간 분위로 수신된 상기 비수면 상태 데이터 및 상기 수면 상태 데이터를 기초로, 시간 분위에 따른 수면의 영향 요인을 평가하도록 더 구성된, 수면 분석 디바이스.
제16항에 있어서,
상기 프로세서는,
상기 시간 분위에 따른 수면의 영향 요인에 대한 상대적 또는, 절대적 수면 영향 정도를 산출하도록 더 구성된, 수면 분석 디바이스.
제17항에 있어서,
상기 프로세서는,
상기 시간 분위에 따른 수면의 영향 요인에 대응하는 상기 수면 영향 정도와 비례한 면적 크기를 갖도록 구성된 수면 영향도를 생성하고,
상기 수면 영향도를 제공하도록 더 구성된, 수면 분석 디바이스.
제17항에 있어서,
상기 프로세서는,
상기 시간 분위에 따른 수면의 영향 요인에 대응하는 상기 수면 영향 정도와 비례한 분포 정도를 갖도록 구성된 수면 영향 분포도를 생성하고, 상기 수면 영향 분포도를 제공하도록 더 구성된, 수면 분석 디바이스.
제16항에 있어서,
상기 수신부는,
복수의 일자 각각에 대하여, 상기 복수의 시간 분위로 비수면 상태 데이터 및 상기 수면 상태 데이터, 및
상기 복수의 일자 중 선택된 특정 일자를 수신하도록 더 구성되고,
상기 프로세서는,
상기 수면 평가 모델을 이용하여, 상기 복수의 일자 각각에 대한, 상기 복수의 시간 분위로 수신된 상기 비수면 상태 데이터 및 상기 수면 상태 데이터를 기초로, 시간 분위에 따른 수면의 영향 요인을 평가하고, 상기 특정 일자에 대응하는 상기 시간 분위에 따른 수면의 영향 요인을 제공하도록 더 구성된, 수면 분석 디바이스.
제15항에 있어서,
상기 수신부는,
미리 결정된 기간에 대한 상기 비수면 상태 데이터 및 수면 상태 데이터를 웨어러블 디바이스로부터 수신하도록 더 구성되고,
상기 프로세서는,
상기 미리 결정된 기간에 대한 상기 비수면 상태 데이터 및 수면 상태 데이터 각각에 대한 시계열 상태 분석도를 생성하고, 상기 시계열 상태 분석도를 제공하도록 더 구성된, 수면 분석 디바이스.
제15항에 있어서,
상기 프로세서는,
상기 비수면 상태 데이터를 기초로 수면의 질을 예측하도록 구성된 수면의 질 예측 모델을 이용하여, 상기 사용자의 수면의 질을 예측하고, 예측된 상기 수면의 질을 복수의 수준으로 제공하도록 더 구성된, 수면 분석 디바이스.
제15항에 있어서,
상기 프로세서는,
상기 수면 평가 모델을 이용하여, 상기 수면 상태 데이터를 기초로 상기 사용자의 수면 효율도 (sleep efficiency) 를 산출하도록 더 구성된, 수면 분석 디바이스.
제15항에 있어서,
상기 프로세서는,
비수면 상태 데이터 및 상기 수면 상태 데이터 각각에 대하여 특징 (feature) 변수를 추출하도록 더 구성되고,
상기 수면 평가 모델은,
상기 비수면 상태 데이터 및 상기 수면 상태 데이터 각각에 대한 상기 특징 변수를 기초로 상기 사용자에 대한 수면의 영향 요인을 평가하도록 더 구성된, 수면 분석 디바이스.