KR20200006695A - 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 - Google Patents
인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 Download PDFInfo
- Publication number
- KR20200006695A KR20200006695A KR1020180080372A KR20180080372A KR20200006695A KR 20200006695 A KR20200006695 A KR 20200006695A KR 1020180080372 A KR1020180080372 A KR 1020180080372A KR 20180080372 A KR20180080372 A KR 20180080372A KR 20200006695 A KR20200006695 A KR 20200006695A
- Authority
- KR
- South Korea
- Prior art keywords
- learning
- concentration
- artificial intelligence
- deep learning
- neural network
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 239000012491 analyte Substances 0.000 title claims description 19
- 238000004458 analytical method Methods 0.000 title description 2
- 238000013135 deep learning Methods 0.000 claims abstract description 71
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000000691 measurement method Methods 0.000 claims abstract description 21
- 210000004369 blood Anatomy 0.000 claims description 62
- 239000008280 blood Substances 0.000 claims description 62
- 239000000463 material Substances 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 239000012472 biological sample Substances 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 239000000523 sample Substances 0.000 claims description 11
- 230000027756 respiratory electron transport chain Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 102000004190 Enzymes Human genes 0.000 claims description 6
- 108090000790 Enzymes Proteins 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 238000006479 redox reaction Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000003556 assay Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- 239000003153 chemical reaction reagent Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000006276 transfer reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000007620 mathematical function Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- -1 ambient temperature Substances 0.000 claims 1
- 238000011109 contamination Methods 0.000 claims 1
- 230000002452 interceptive effect Effects 0.000 claims 1
- 238000003384 imaging method Methods 0.000 abstract 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 44
- 239000008103 glucose Substances 0.000 description 44
- 238000005534 hematocrit Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 241000894007 species Species 0.000 description 8
- 238000012937 correction Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 229940088598 enzyme Drugs 0.000 description 5
- 210000003743 erythrocyte Anatomy 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- WHBMMWSBFZVSSR-UHFFFAOYSA-N 3-hydroxybutyric acid Chemical compound CC(O)CC(O)=O WHBMMWSBFZVSSR-UHFFFAOYSA-N 0.000 description 3
- 108010050375 Glucose 1-Dehydrogenase Proteins 0.000 description 3
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011067 equilibration Methods 0.000 description 3
- 229930195712 glutamate Natural products 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- LJCNDNBULVLKSG-UHFFFAOYSA-N 2-aminoacetic acid;butane Chemical compound CCCC.CCCC.NCC(O)=O LJCNDNBULVLKSG-UHFFFAOYSA-N 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Natural products OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 239000004366 Glucose oxidase Substances 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-M Lactate Chemical compound CC(O)C([O-])=O JVTAAEKCZFNVCJ-UHFFFAOYSA-M 0.000 description 2
- 235000010323 ascorbic acid Nutrition 0.000 description 2
- 229960005070 ascorbic acid Drugs 0.000 description 2
- 239000011668 ascorbic acid Substances 0.000 description 2
- 235000012000 cholesterol Nutrition 0.000 description 2
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 229940116332 glucose oxidase Drugs 0.000 description 2
- 235000019420 glucose oxidase Nutrition 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- TYQCGQRIZGCHNB-JLAZNSOCSA-N l-ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(O)=C(O)C1=O TYQCGQRIZGCHNB-JLAZNSOCSA-N 0.000 description 2
- 239000002207 metabolite Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 102000007698 Alcohol dehydrogenase Human genes 0.000 description 1
- 108010021809 Alcohol dehydrogenase Proteins 0.000 description 1
- 108010025188 Alcohol oxidase Proteins 0.000 description 1
- 101000950981 Bacillus subtilis (strain 168) Catabolic NAD-specific glutamate dehydrogenase RocG Proteins 0.000 description 1
- 108010015428 Bilirubin oxidase Proteins 0.000 description 1
- 108010089254 Cholesterol oxidase Proteins 0.000 description 1
- 101710088194 Dehydrogenase Proteins 0.000 description 1
- 108010015776 Glucose oxidase Proteins 0.000 description 1
- 102000016901 Glutamate dehydrogenase Human genes 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 108010073450 Lactate 2-monooxygenase Proteins 0.000 description 1
- 108010055297 Sterol Esterase Proteins 0.000 description 1
- 102000000019 Sterol Esterase Human genes 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 229940109239 creatinine Drugs 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000012502 diagnostic product Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 150000002576 ketones Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
- G01N15/0656—Investigating concentration of particle suspensions using electric, e.g. electrostatic methods or magnetic methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/26—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating electrochemical variables; by using electrolysis or electrophoresis
- G01N27/28—Electrolytic cell components
- G01N27/30—Electrodes, e.g. test electrodes; Half-cells
- G01N27/327—Biochemical electrodes, e.g. electrical or mechanical details for in vitro measurements
- G01N27/3271—Amperometric enzyme electrodes for analytes in body fluids, e.g. glucose in blood
- G01N27/3274—Corrective measures, e.g. error detection, compensation for temperature or hematocrit, calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/487—Physical analysis of biological material of liquid biological material
- G01N33/48707—Physical analysis of biological material of liquid biological material by electrical means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/54—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving glucose or galactose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Abstract
본 발명은 기존의 측정 기술들은 효과적인 특징(Features)을 추출하기 위해 관련 분야 전문가가 오랜 시간 동안 직접 특징을 추출하는 수식이나 방법을 고안하여 적용하는 것이었다면, 본 발명의 목적은 정보(Labels)가 있는 샘플로부터 측정 시간 동안 얻은 입력신호를 이미지화하여 데이터 셋을 구축하여 인공신경망 기법을 활용한 딥러닝 학습을 통해 사람이 미리 알지 못하는 유용한 특징 등을 찾아내고 이렇게 학습으로 얻어진 알고리즘을 적용하여 결과값을 추정할 수 있는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법을 제공하는 것이다.
Description
본 발명은 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 관한 것으로, 보다 상세하게는 딥러닝 기반의 인공신경망 기술을 적용해 센서로부터 얻은 신호를 변환하여 측정물에 해당되는 영역을 인식하고 그 영역에서 측정물 종류 혹은 농도 결정에 필요한 각각의 요소를 추출해 가장 적합한 측정물의 종류 및 농도를 예측하는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 관한 것이다.
일반적으로, 체외진단 제품에 있어서 가장 중요한 기준 중의 하나는 측정결과의 정확도이다.
이런 제품은 측정물이 존재할 때 감지센서가 신호를 출력하여 분석기가 이를 인지하여 미리 정해진 검정곡선 또는 알고리즘을 적용하여 정량적 또는 정성적인 결과를 내 보낸다.
측정 결과의 정확도는 간섭물, 외부환경, 샘플의 성질 등의 다양한 변수에 의해 일어난 간섭 작용에 의해 영향을 받을 수 있다.
혈당측정을 위해 활용되는 전기화학적 센서의 경우를 들자면, 전극 표면에서 산화하는 측정물 외의 물질의 존재나 점도 등의 혈액성질의 변화로 인한 혈당의 전극으로 향한 전달계수(Diffusion Coefficient) 또는 전극 표면에서의 반응 속도(Reaction Rate)의 변화 등으로 인해 출력되는 전기 신호가 영향을 받을 수 있다.
이런 영향을 최소화 또는 제거하기 위해서 센서에 다양한 종류의 입력 신호를 주어서 측정물의 간섭 정도를 추정하여 반영하는 방법이 사용되어 왔다.
예로, 한국등록특허 제1666978호에 개시된 바와 같이, 생체시료 내 분석대상물질의 농도측정방법에 있어서, 상기 분석대상물질의 산화환원 반응을 촉매할 수 있는 산화환원 효소와 전자전달매개체가 고정되어 있으며 작동전극과 보조전극을 구비한 시료 셀에 액상 생체시료를 주입하고, 상기 분석대상물질의 산화환원 반응을 개시하고 전자전달 반응을 진행시킬 수 있도록 상기 작동전극에 일정직류전압을 인가하여 적어도 일 시점 이상의 특징점에서 제 1 감응전류를 얻고, 상기 일정직류 전압을 인가 후 Λ 모양의 계단화된 사다리형 섭동전압을 인가하여 적어도 2 시점 이상에서 제 2 감응전류를 얻고, 상기 제 1 감응전류 또는 상기 제 2 감응전류로부터 미리 정해진 피쳐(feature)를 계산하여, 상기 생체시료 내 적어도 1 이상의 방해물질의 영향이 최소가 되게 적어도 1 이상의 피쳐(feature)함수로 구성된 검정식을 사용하여 상기 분석대상물질의 농도를 계산하여 생체시료 내 분석대상물질의 농도를 측정하였다.
즉. 사전에 이미 정해진 신호로부터 도출한 파라미터 값들을 다중 선형 회귀(Multiple Linear Regression)와 같은 수학적 방법을 활용하여 간섭정도를 추정하고, 측정값을 결정하였다.
이런 방법의 단점은 사전에 이미 도출된 특징들(extracted features) 또는 입력명령(input command)이라는 주어진 규칙을 구분 또는 감지를 못하는 경우에는 예상하지 못한 부정확한 결과를 출력하는 것이다.
또한, 대부분의 피처들이 헤마토크릿의 영향을 제외하는 데에 집중되어 있지만, 헤마토크릿 외에 다른 간섭종들이 적어도 2 이상의 복합적으로 결합하여 생체측정물질의 농도에 영향을 미치는 경우에는 피처 및 이들 피처들을 이용한 검정식이 보정되야 함에도 불구하고 그렇지 못한 경우에는 치명적인 문제점을 야기할 수 있다.
또한, 이러한 헤마토크릿 외에 다른 간섭종들이 적어도 2 이상의 복합적으로 결합하여 생체측정물질의 농도에 영향을 미치는 경우에도 이상을 알리지 못하여 생체측정 스트립을 남용하게 되는 문제점이 있었다.
또한, 외부환경적인 요인, 예컨대 온도 피처의 값은 미터에 부착된 온도 센서를 통해 얻어지는 값으로 급격한 주위 환경의 변화가 생길 때 즉시 정확한 온도 값을 측정하기 어려우며 온도 평형이 이루어 지기 위한 시간이 필요한 경우가 많이 있다.
따라서, 대부분의 미터기들은 사용자가 급격한 환경 변화에 있을 때 (ex. 추운 겨울날 외부에서 따뜻한 집 안으로 들어 왔을 때) 미터를 사용하기 위해서 온도 평형을 위한 일정시간을 기다리도록 요구하고 있다.
본 발명은 이러한 문제점을 해소하기 위하여 안출된 것으로, 기존의 측정 기술들은 효과적인 특징(Features)을 추출하기 위해 관련 분야 전문가가 오랜 시간 동안 직접 특징을 추출하는 수식이나 방법을 고안하여 적용하는 것이었다면, 본 발명의 목적은 정보(Labels)가 있는 샘플로부터 측정 시간 동안 얻은 입력신호를 데이터베이스화하여 인공신경망 기법을 활용한 딥러닝 학습을 통해 사람이 미리 알지 못하는 유용한 특징 등을 찾아내고 이렇게 학습으로 얻어진 알고리즘을 적용하여 결과값을 추정할 수 있는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법을 제공하는 것이다.
본 발명의 목적은, 기존 측정 기술들은 샘플이 들어 있는 센서에 들어 가는 입력 파형의 형태가 변하면 그 때마다 특징을 찾는 데 많은 시간과 노력이 드는 단점이 있는 특정 값을 추정하는 회귀 모델이 될 수도 있는데, 집단을 분류하는 분류기가 될 수도 있는 피처들을 매번 별도의 피처를 찾을 필요 없이 구할 수 있는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법을 제공하는 것이다.
또한, 본 발명의 목적은 헤마토크릿 외에 다른 간섭종들이 적어도 2 이상의 복합적으로 결합하여 생체측정물질의 농도에 영향을 미치는 경우에는 피처 및 이들 피처들을 이용한 검정식을 자동으로 보정할 수 있는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법을 제공하는 것이다.
또한, 본 발명의 목적은 헤마토크릿 외에 다른 간섭종들이 적어도 2 이상의 복합적으로 결합하여 생체측정물질의 농도에 영향을 미치는 경우에 특별한 이상을 알릴 수 있는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법을 제공하는 것이다.
또한, 본 발명의 목적은 급격한 외부환경의 변화에 대하여 외부환경 변화의 안정화를 위하여 일정시간 대기할 필요가 없이 생체측정물질의 농도를 바로 측정하여도 일정한 정확도를 제공할 수 있는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 인공지능을 이용한 생체시료 내 분석대상물질의 농도 측정방법은, 상기 분석대상물질의 산화환원 반응을 촉매할 수 있는 산화환원 효소와 전자전달매개체가 고정되어 있으며 작동전극과 보조전극을 구비한 시료 셀에 액상 생체시료를 주입하는 단계와, 상기 분석대상물질의 산화환원 반응을 개시하고 전자전달 반응을 진행시킬 수 있도록 상기 작동전극에 일정직류 전압을 인가하여 적어도 일 시점 이상의 특징점에서 제 1 감응전류를 얻는 단계와, 상기 일정직류 전압을 인가 후 Λ 모양의 계단화된 사다리형 섭동전압을 인가하여 적어도 2 시점 이상에서 제 2 감응전류를 얻는 단계와, 상기 제 1 감응전류 또는 상기 제 2 감응전류로부터 미리 정해진 피쳐(feature)를 계산하는 단계와, 상기 생체시료 내 적어도 1 이상의 방해물질의 영향이 최소가 되게 인공지능학습에 의하여 적어도 1 이상의 피쳐(feature)함수로 구성된 검정식을 사용하여 상기 분석대상물질의 농도를 보정하는 단계를 포함하는 것을 특징으로 한다.
본 발명은 이러한 문제점을 해소하기 위하여 안출된 것으로, 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법은, 기존의 측정 기술들은 효과적인 특징(Features)을 추출하기 위해 관련 분야 전문가가 오랜 시간 동안 직접 특징을 추출하는 수식이나 방법을 고안하여 적용하는 것이었다면, 정보(Labels)가 있는 샘플로부터 측정 시간 동안 얻은 입력신호를 데이터베이스화하여 인공신경망 기법을 활용한 딥러닝 학습을 통해 사람이 미리 알지 못하는 유용한 특징 등을 찾아내고 이렇게 학습으로 얻어진 알고리즘을 적용하여 결과값을 추정할 수 있는 본 발명의 목적은, 기존 측정 기술들은 샘플이 들어 있는 센서에 들어 가는 입력 파형의 형태가 변하면 그 때마다 특징을 찾는 데 많은 시간과 노력이 드는 단점이 있는 특정 값을 추정하는 회귀 모델이 될 수도 있는데, 집단을 분류하는 분류기가 될 수도 있는 피처들을 매번 별도의 피처를 찾을 필요 없이 구할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법은, 헤마토크릿 외에 다른 간섭종들이 적어도 2 이상의 복합적으로 결합하여 생체측정물질의 농도에 영향을 미치는 경우에는 피처 및 이들 피처들을 이용한 검정식을 자동으로 보정할 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법은, 헤마토크릿 외에 다른 간섭종들이 적어도 2 이상의 복합적으로 결합하여 생체측정물질의 농도에 영향을 미치는 경우에 특별한 이상을 알릴 수 있다.
또한, 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법은, 급격한 외부환경의 변화에 대하여 외부환경 변화의 안정화를 위하여 일정시간 대기할 필요가 없이 생체측정물질의 농도를 바로 측정하여도 일정한 정확도를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치의 내부 구성도이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법의 플로우챠트이다.
도 3는 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치의 내부 구성도중 인공지능학습 보정부의 상세도이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법에 사용된 Λ-계단화된 사다리형 섭동전압 (Λ-stepladder-type perturbation potential)과, 이에 대응하는 감응전류를 나타내는 그래프.
도 5는 종래의 다중회귀 방식을 이용한 혈당 추정 방법과 본 발명의 일 실시예에 따른 인공신경망을 이용한 딥러닝 기법을 활용한 측정물 농도 측정방법에 따라 혈당 추정을 실시한 회귀 모델 결과 예시도이다.
도 6은 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라 입력 신호에 일정 크기의 무작위 잡음(Random Noise)를 인가한 경우 잡음에 따른 알고리즘의 견고성(Robustness)을 나타내는 그래프이다.
도 7은 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라 온도 피처를 포함하지 않는 경우와 온도 피처를 포함하는 경우 혈당 추정을 실시한 회귀 모델 결과 예시도이다.
도 8a 및 8b는 각각 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라 주변 온도가 실온보다 높은 경우와 실온보다 낮은 경우에 따른 알고리즘의 견고성(Robustness)을 나타내는 그래프이다.
도 2는 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법의 플로우챠트이다.
도 3는 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치의 내부 구성도중 인공지능학습 보정부의 상세도이다.
도 4는 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법에 사용된 Λ-계단화된 사다리형 섭동전압 (Λ-stepladder-type perturbation potential)과, 이에 대응하는 감응전류를 나타내는 그래프.
도 5는 종래의 다중회귀 방식을 이용한 혈당 추정 방법과 본 발명의 일 실시예에 따른 인공신경망을 이용한 딥러닝 기법을 활용한 측정물 농도 측정방법에 따라 혈당 추정을 실시한 회귀 모델 결과 예시도이다.
도 6은 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라 입력 신호에 일정 크기의 무작위 잡음(Random Noise)를 인가한 경우 잡음에 따른 알고리즘의 견고성(Robustness)을 나타내는 그래프이다.
도 7은 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라 온도 피처를 포함하지 않는 경우와 온도 피처를 포함하는 경우 혈당 추정을 실시한 회귀 모델 결과 예시도이다.
도 8a 및 8b는 각각 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라 주변 온도가 실온보다 높은 경우와 실온보다 낮은 경우에 따른 알고리즘의 견고성(Robustness)을 나타내는 그래프이다.
이하, 본 발명의 일 실시예에 따른 인공신경망을 이용한 딥러닝 기법을 활용한 측정물 농도 측정방법에 대하여 도 1 내지 도 6을 참조하여 상세히 설명한다.
본 명세서에 있어서, 본 발명의 일 실시예에 따른 인공신경망을 이용한 딥러닝 기법을 활용한 측정물 농도 측정방법은 본 발명을 설명하기 위한 예시일 뿐 본 발명의 보호범위가 실시 예에 의해 한정되는 것은 아니다.
도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법에 대해서 설명한다.
도 1은 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치의 내부 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치(10)는 기존의 전기화학적 바이오센서, 즉 스트립(1)의 한 쌍의 작동전극과 보조전극의 구조를 그대로 유지하면서, 일정전압 인가 후 Λ 모양의 계단화된 사다리형 섭동전압을 인가하고, 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라서 기존의 다중회귀(Multiple Linear Regression)방법에서 벗어나 알고리즘의 정확도, 정밀도, 및 헤마토크릿을 포함한 간섭 보정 성능을 개선할 수 있는 최적화된 혈당 추정 인공지능기반의 딥러닝 알고리즘에 따라서 혈당측정값을 제공할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치(10)는 또한, 제한된 하드웨어에서도 최적화된 혈당 추정 인공지능기반의 딥러닝 알고리즘을 계산을 효율적으로 진행하여 연산 시간을 8초 이내에 진행할 수 있다.
본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치(10)는 상기 전기화학적 바이오센서(1)가 커넥터(11)에 장착되면, 상기 커넥터(11)는 전류-전압 변환기(12)에 전기적으로 접속되는데, 마이크로콘트롤러(15 ; MCU)가 디지털-아날로그컨버터 회로(13: DAC)를 통해서 일정전압을 인가하고 Λ 모양의 계단화된 사다리형 섭동전압을 상기 스트립(1)의 작동전극에 인가할 수 있도록 구성된다.
이를 위해서 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치(10)의 펌웨어는 먼저 미리 결정된 삼각파형 순환전압을 발생시킬 수 있는 상수를 메모리에 저장하고, 일정전압을 인가할 때는 정해진 상수를 DAC(13)의 레지스터에 기록하고, Λ 모양의 계단화된 사다리형 섭동전압을 인가할 때는 정해진 시간을 주기로 상기 메모리에 저장된 상수값을 증/가감시켜 DAC(13)의 레지스터에 기록한다. 다만 여기에 예시하는 인가 Λ 모양의 계단화된 사다리형 섭동전압의 파형은 예시일 뿐이며, 이 예시에 한정되지는 않고 동 사업의 종사자에게 당연한 모든 파형의 순환전압을 포함한다.
상기 마이크로콘트롤러(15)는 상기 DAC(13) 레지스터에 기록된 상수값에 따라 스트립의 두 전극 사이에 해당 전압을 인가시킨다.
일정전압이 인가되고 Λ 모양의 계단화된 사다리형 섭동전압이 인가되면, 상기 스트립(1)을 통해서 측정된 응답전류가 상기 커넥터(11) 및 상기 전류-전압 변환기(12)를 거쳐 직접 아날로그-디지털컨버터 회로(13: ADC)를 통해서 측정될 수 있다.
한편, 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치(10)는 이상신호처리부(16)와 인공지능딥러닝알고리즘계산부(17)를 더 포함하는데, 상기 이상신호처리부(16)는 상기 스트립(1)이 상기 커넥터(11)에 접속이 불량하거나, 혈액 주입 이상 및 하드웨어 이상으로 인한 이상 신호가 검출되면 이를 경보, 디스플레이에 표시 등을 통해서 알리고, 상기 인공지능딥러닝 보정부(17)에서 불필요한 계산을 수행하지 않도록 할 수 있다.
상기 인공지능딥러닝알고리즘계산부(17)는 최적화된 인공지능 딥러닝 혈당측정 알고리즘에 의해서 상기 스트립(1)을 통해서 측정된 응답전류로부터 혈당측정값을 8초 이내에 구할 수 있다.
이하 도 2를 참조하여 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법을 설명한다.
도 2는 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법의 플로우챠트이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법은 시료를 준비하고(S110), 예를 들어 전기화학적 대면형 바이오센서(1)를 생체정보 측정장치(10)에 장전하고(S120), 상기 바이오센서(1)가 시료(혈액)에 접촉하여 상기 전기화학적 바이오센서(1)의 작동전극과 보조전극을 혈액이 적시는 순간 상기 전류전압변환기(12)를 통해서 일정전압을 인가하고(S130), 상기 일정전압 인가 후 인가전압 종료시점에 연속적으로 Λ 모양의 계단화된 사다리형 섭동전압을 인가한다(S140).
상기 이상신호처리부(16)에서 감응전류가 이상신호인지 여부를 판단하고(S150), 이상신호라고 판단되면 이를 경보, 디스플레이에 표시 등을 통해서 알릴 수 있다(S151).
이 때, 이상 신호가 주변온도, 스트립이나 혈액의 온도가 실내온도보다 너무 높거나 낮기 때문으로 판단되면 대기시간 없이 인공지능 딥러닝 기반 최적화 알고리즘을 이용한 혈당값 계산을 진행할 수 있다.
또한, 이상신호가 아니라고 판단되면, 상기 인공지능딥러닝 보정부(17)에서 최적화된 인공지능 딥러닝 혈당측정 알고리즘에 의해서 측정된 응답전류로부터 혈당측정값을 구할 수 있다.
도 3은 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정장치의 내부 구성도중 인공지능학습 보정부의 상세도이다.
도 3에 도시된 바와 같이, 상기 인공지능학습 보정부(17)는 생체정보 분석 인공지능기반 딥러닝 서버(100)와 유무선 네트워크를 통해서 최적화된 인공지능학습 알고리즘을 다운로드 또는 소프트웨어를 통해서 저장받을 수 있는데, 생체정보 분석 인공지능기반 딥러닝 서버(100)는 상기 생체정보 측정장치(10)를 통해 채혈한 혈액을 센서(Strip)에 주입함으로써 일어나는 전기화학적 반응을 통해 1차원 시계열 데이터(Time series data)를 획득하는 신호획득부(110)와, 상기 신호획득부(110)로부터 획득된 신호 중에 혈액 주입 이상 및 하드웨어 이상으로 인한 이상 신호를 제외하거나, 상기 생체정보 측정장치(10)에서 이용될 수 있는 최적화된 생체정보 측정 알고리즘을 얻기 위해서 신호를 전처리하는 신호처리부(130)와, 상기 신호처리부(130)를 통해 처리된 신호를 이용하여 최적화된 생체정보 측정 알고리즘을 딥러닝 인공신경망기법을 활용하여 자동으로 특징을 추출하는 생체정보 측정 알고리즘 생성부(150)와, 상기 생체정보 측정장치(10)에서 이용할 수 있는 최적화 알고리즘 결과 제공부(170)를 포함할 수 있다.
상기 신호처리부(130)는 상기 생체정보 측정 알고리즘 생성부(150)에서 학습할 수 있도록 정규화(Normalization) 혹은 표준화(Standardization)를 통해 데이터를 일정한 크기(scale) 혹은 분포(distribution)로 변환하며, 변환된 데이터는 다채널 데이터를 조합하거나 도메인 전환(예를 들어, 시간 혹은 주파수 도메인)등의 신호처리 및 데이터 변환을 이용하여 데이터 이미지화 시킬 수 있다.
상기 생체정보 측정 알고리즘 생성부(150)는 혈당측정을 위한 알고리즘 구조를 형성하는 알고리즘 구조부(151)와, 혈당 예측 값이 참 값인 혈당 값을 가장 정확하게 예측할 수 있도록 알고리즘 내의 변수들을 조정하는 알고리즘 학습부(153)와, 혈당 값 예측의 정확도 및 정밀도 향상을 위해 하나 이상의 알고리즘을 조합하여 최종 예측 값은 산출하는 앙상블 알고리즘부(155)를 포함할 수 있다.
또한, 상기 알고리즘 구조부(151)는 상기 신호처리부(130)를 통해 신호 전처리된 생체정보 신호 데이터 속에 포함된 측정물의 특징을 추출하는 특징추출부(151a)와 상기 특징 추출부(151a)를 이용해 구해진 특징들을 이용하여 혈당 값을 추정하는 혈당값 예측부(151b)를 포함할 수 있다.
상기 알고리즘 구조부(151)는 측정물의 성분, 헤마토크릿, 온도, 간섭종의 특성 등 주변환경을 반영한 이미지에서 분류 혹은 측정하고자 하는 결과 값을 반영하는 특징을 딥러닝 인공신경망기법을 활용하여 자동으로 추출한다.
상기 알고리즘학습부(153)는 추출된 특징을 사용하여 알고리즘 학습과정을 거쳐 결과 값의 오차가 최소가 되는 인공신경망 층간의 가중치(Weight) 및 바이어스(Bias)를 도출한다.
상기 알고리즘 구조부(151)는 인공신경망 알고리즘으로 목적에 맞게 특정 값을 추정하는 회귀모델로 활용이 가능하며 또한 측정물의 종류를 분류하는 분류기로 활용이 가능하다.
본 명세서에 있어서, 혈당 측정 시의 헤마토크릿에 의하여 측정오차가 발생하는 것을 보정하는 것을 바람직한 실시예로 설명하지만, 글루코오스 검사와 마찬가지로 특정효소를 도입함으로써 다양한 대사물질, 예를 들면 베타하이드록시뷰티레이트(일명 케톤), 콜레스테롤, 락테이트, 크레아티닌, 과산화수소, 알코올, 아미노산, 글루타메이트와 같은 유기물 또는 무기물의 농도도 동일한 방법으로 측정값을 보정할 수 있다. 따라서 본 발명은 시료층 조성물에 포함되는 효소의 종류를 달리함으로써 다양한 대사물질의 정량에 이용될 수 있다.
예를 들면, 베타하이드록시뷰티레이트 탈수소화효소(
-hydroxybutyrate dehydrogenase), 글루코오스산화효소(glucose oxidase, GOx), 글루코오스탈수소화효소(glucose dehydrogenase,GDH), 글루타메이트산화효소(glutamate oxidase) 글루타메이트탈수소화효소(glutamate dehydrogenase), 콜레스테롤산화효소, 콜레스테롤에스테르화효소, 락테이트산화효소, 아스코빅산산화효소, 알코올산화효소, 알코올탈수소화효소, 빌리루빈산화효소 등을 사용하여, 베타하이드록시부티레이트, 글루코오스, 글루타메이트, 콜레스테롤, 락테이트, 아스코빅산, 알코올 및 빌리루빈 등의 정량을 수행할 수 있다.
본 발명의 일 실시예에 따른 생체정보 측정장치(10)에는, 작동전극 및 보조전극이 서로 다른 평면상에서 대면하도록 구비되고, 상기 작동전극 위에 물질에 따른 효소 및 전자전달매체를 포함한 시약조성물이 코팅된 대면형 전기화학적 바이오센서가 적용될 수 있다.
또한, 본 발명의 일 실시예에 따른 생체정보 측정장치(10)에는, 작동전극 및 보조전극이 한 평면상에 구비되고, 상기 작동전극 위에 물질에 따른 효소 및 전자전달매체를 포함한 시약조성물이 코팅된 평면형 전기화학적 바이오센서가 적용될 수 있다.
이제 도 4를 참조하여 간단히 Λ-계단화된 사다리형 섭동전압 (Λ-stepladder-type perturbation potential)을 사용한 이유에 대해 설명한다.
도 4는 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 혈당 측정방법에 사용된 Λ-계단화된 사다리형 섭동전압 (Λ-stepladder-type perturbation potential)과, 이에 대응하는 감응전류를 나타내는 그래프이다.
한편, 본 발명의 바람직한 실시예에 따른 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법은, 도 4에 도시된 바와 같이, 계단화된 사다리형 섭동전압을 일정전압(VDC)이 인가된 후에 연이어 인가하여 감응전류를 통해서 생체측정물의 농도를 측정하는데, 이와 같이 계단화된 사다리형 섭동전압을 인가하는 것은, 감응전류의 특성에 중요한 변화를 일으켜, 적혈구용적률 또는 기타 간섭종들의 영향을 제거 또는 최소화하기 위해서이다.
여기서 감응전류를 제 1 감응전류 또는 제 2 감응전류로 표시한 것은 요동 혹은 섭동에 의해서 감응전류의 특성이 바뀌어 서로 다르다는 것을 나타내기 위해서이다.
일정전압 인가 후에 검정식에서 적혈구용적률의 영향을 제거할 목적으로 짧은 시간 동안에 추가적으로 인가하는 주기성을 갖는 계단화된 사다리형 섭동전압 인가방식을 "Λ-계단화된 사다리형 섭동전압(Λ-stepladder perturbation potential) 혹은 간단히 계단화된 사다리형 전압(stepladder potential)"으로 정의한다.
위에서 특성이 서로 다른 전류란 혈당과 적혈구용적률(방해물질)에 의존하는 방식이 서로 달라서 적혈구용적률의 영향을 효과적으로 분리해내거나 보정할 수 있는 변수로 사용할 수 있는 전류를 말한다.
상기 섭동전압이 인가되는 구간에 대응하는 제 2 감응전류들에서 특징점을 찾는 방법 및 이 특징점들로 피쳐(feature)를 만드는 방법은 다음과 같다.
아래의 방법은 하나의 예이며 응용의 목적에 따라 다양하게 변형하여 적용할 수 있다.
1) 특정 계단화된 사다리형의 봉우리 및 골 전압 부근에서의 감응전류들
2) 계단화된 사다리형에서 각 계단의 감응전류들로 이루어진 곡선의 곡률
3) 계단화된 사다리형의 봉우리에서의 전류값과 골에서의 전류값의 차이
4) 오르막과 내리막 중간 계단화된 사다리형에서의 감응전류들
5) 각 계단화된 사다리형 사이클의 시작 및 끝 지점에서의 감응전류들
6) 계단화된 사다리형파에서 얻은 감응전류들의 평균값
7) 상기 1 내지 6의 피쳐에서 얻은 전류값들을 사칙연산, 지수, 로그, 삼각함수 등의 수학적 함수로 표현하여 얻을 수 있는 값
이와 같이 상기 섭동전압이 인가되는 구간에 대응하는 제 2 감응전류들에서 특징점을 찾거나 이 특징점들에서 얻은 전류값들을 피쳐(feature)로 만들고, 이를 선형으로 결합하여 다변수회귀분석(multivariable regression analysis)을 적용하면 적혈구용적률에 의한 영향을 최소화한 검정식을 얻을 수 있다.
상기 검정식은,
여기서 i는 제 1감응전류 및 제 2감응전류에서 얻을 수 있는 1 이상의 전류값이고, T는 독립적으로 측정한 온도값이다.
다시 도 3을 참조하면, 상기 신호획득부(110)는 체혈한 혈액을 센서(Strip)에 주입함으로써 일어나는 전기화학적 반응을 통해 1차원 시계열 데이터(Time series data)를 획득할 수 있다.
상기 신호전처리부(130)는 1차원 시계열 데이터를 신호처리 및 데이터 변환을 통하여 2차원 이상의 데이터로 이미지화하여 인공신경망의 입력신호로 이용할 수 있다.
상기 생체정보 측정 알고리즘 생성부(150)는 측정물의 성분 및 주변환경을 반영한 이미지에서 분류 혹은 측정하고자 하는 결과 값을 반영하는 특징을 딥러닝 인공신경망기법을 활용하여 자동으로 추출한다.
상기 알고리즘 학습부(153)를 통해 추출된 특징을 사용하여 알고리즘 학습을 하여 결과 값의 오차가 최소가 되는 인공신경망 층간의 가중치(Weight) 및 바이어스(Bias)를 도출한다.
인공신경망 알고리즘은 목적에 맞게 특정 값을 추정하는 회귀모델로 활용이 가능하며 또한 측정물의 종류를 분류하는 분류기로 활용이 가능하다.
본 발명의 일 실시예에 따른 인공신경망을 이용한 딥러닝 기법을 활용한 측정물 측정방법에 있어서, 혈당 측정기의 알고리즘을 만들기 위한 학습 데이터를 얻기 위해서는 혈당 값에 영향을 주는 다양한 요소들을 반영하여 실험을 실시한다.
혈당 값에 영향을 주는 주요 요소로는 혈액의 포도당(Glucose), 헤마토크릿(Hematocrit), 측정 온도, 산소 분압 등이 있다.
다양한 실험 조건의 혈액 샘플을 제작하여 반복 측정을 통해 알고리즘을 만들기 위한 학습데이터를 얻는다.
얻어진 학습데이터는 1차원 시계열 데이터로 시간의 흐름에 따른 측정물의 전기화학적 반응을 나타낸다.
학습데이터는 정규화(Normalization) 혹은 표준화(Standardization)를 통해 데이터를 일정한 크기(scale) 혹은 분포(distribution)로 변환한다.
변환된 데이터는 다채널 데이터를 조합하거나 도메인 전환(예를 들어, 시간 혹은 주파수 도메인)등의 신호처리 및 데이터 변환을 이용하여 데이터 이미지화 시킬 수 있다.
이미지화된 데이터는 인공신경망 딥러닝 기술을 이용하여 입력에 따른 알맞은 결과를 출력할 수 있는 알고리즘을 학습할 수 있다.
인공신경망은 인간의 뇌가 동작하는 원리를 모방한 방법으로서 인공신경망 내의 여러 층에 존재하는 뉴런간의 가중치를 조절하는 것이 바람직하다.
이러한 인공신경망은 구조에 따라 Convolutional Neural Network(CNN), Deep Belief Networks(DBN), 그리고 Recurrent Neural Networks(RNNs) 등이 있다. 인공신경망 딥러닝 기술이 다른 기계학습과 다른 점은 특징을 자동으로 추출할 수 있다는 것이다.
특징 자동 추출은 Restricted Boltzmann machines(RBM)등 여러 가지 방법이 있다.
RBM은 비지도학습(Unsupervised learning)에 쓰일 수 있으며, 입력 데이터 분포와 확률에 따라 결정(stochastic decision)되는 재구성 데이터의 분포가 유사하게 만들어주는 최적화 과정을 거치게 된다.
결과적으로는 은닉층의 결과값이 입력데이터를 나타내는 특징 값으로 사용할 수 있다.
위의 과정을 반복적으로 수행하며 은닉층을 여러 층으로 확장하여 은닉층별 특징을 구하여 인공신경망의 구조를 구성할 수 있다.
인공 신경망 학습의 목적은 출력의 오류를 최소화하는 것이다.
출력의 오차를 최소화하는 방법은 Levenberg-Marquardt, Gauss-Newton, Gradient descent 등의 방법이 있다.
위의 최적화 방법을 통해 인공신경망 전체의 가중치(Weight)와 바이어스(Bias)값을 결정하게 된다.
인공신경망에서 가중치와 바이어스 외에도 활성화 함수(Activation function) 또한 중요한 역할을 한다.
활성화 함수는 각 뉴런(노드)에서 입력 신호를 받아 출력을 어떻게 내보낼까를 결정한다.
활성화 함수에는 시그모이드(Sigmoid), 하이퍼볼릭 탄젠트(hyperbolic tangent), 정류된 선형 유닛(Rectified Linear Unit)등이 있다.
인공신경망은 출력 층의 활성화 함수 혹은 구조 변경을 통해 데이터의 종류(Type)을 분류하는 분류기 혹은 값을 추정하는 회귀 분석(Regression)에 사용할 수 있다.
예를 들면 사람의 혈액과 컨트롤솔루션 용액을 구분하는 분류기로 활용할 수 있으며 또한 혈당 값을 추정하는 회귀 분석에 활용할 수도 있다.
도 5에 도시된 바와 같이, 기존의 다중회귀 방식을 이용한 혈당 추정 방법과 인공신경망을 이용한 혈당 추정을 실시한 회귀 모델 결과를 비교해 볼 수 있다.
혈당 기준측정 장비인 YSI와 추정된 혈당 값을 비교한 결과 인공신경망을 이용한 추정된 혈당 값이 기존의 다중회귀 방식보다 더 정확한 결과를 나타냄을 알 수 있다.
도 6에 도시된 바와 같이, 입력 신호에 일정 크기의 무작위 잡음(Random Noise)를 인가한 경우 잡음에 따른 알고리즘의 견고성(Robustness)을 확인할 수 있다.
이에 의하여, 알고리즘의 견고성은 기준 값인 YSI값과 측정 알고리즘 값의 평균 제곱근 편차(Root Mean Square Error)로 확인하였다.
다중회귀의 경우 혈액 농도와 상관없이 잡음에 민감하게 반응하며 출력 값이 불안정하게 나타난다.
반면 인공신경망의 경우에는 특히 저 농도에서는 잡음에 견고한 성질을 보이며 출력 값이 회귀방법에 비해 안정하게 나타남을 알 수 있다.
이제 도 7 내지 도 8b를 참조하여, 혈액 농도에 영향을 줄 수 있는 잡음 중 하나의 요인인 주변온도와 밸런싱 온도 차이가 큰 경우 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법에 대해 실시예를 들어 설명한다.
도 7은 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라 온도 피처를 포함하지 않는 경우와 온도 피처를 포함하는 경우 혈당 추정을 실시한 회귀 모델 결과 예시도이고, 도 8a 및 8b는 각각 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법에 따라 주변 온도가 실온보다 높은 경우와 실온보다 낮은 경우에 따른 알고리즘의 견고성(Robustness)을 나타내는 그래프이다.
(실시예 1) 뉴럴넷 모델의 온도 Feature 포함 유무에 따른 성능 비교
온도 Feature의 포함 유무에 따른 뉴럴넷 알고리즘 성능 변화를 관측하기 위해 동일한 구조의 뉴럴넷 알고리즘에서 온도 Featur포함/미포함 하여 2개의 동일한 인공지능 딥러닝 알고리즘 모델을 구현하여 [표 1] 및 도 7에 나타내었다.
성능 비교는 총 9 Lot의 임상 테스트를 통해 총 930개의 샘플을 통해 확인하였다.
도 7에 도시된 바와 같이, 온도 Feature를 포함한 경우나 포함하지 않은 경우 기준 값인 YSI값에 대한 차이를 살펴보면, ±5%인 경우의 정확도가 평균 66.6%, 67.1%, ±10%인 경우의 정확도가 평균 93.2%, 93.9%, ±15%인 경우의 정확도가 평균 98.7%, 98.8%의 성능을 보여 온도 피처의 포함 유무에 따른 뉴럴넷 알고리즘의 성능 차이는 임상 데이터에서 거의 없음을 확인 할 수 있었다.
| Lot | 온도 미포함 인공신경망 | 온도 포함 인공신경망 | ||||
| ±5 % | ±10 % | ±15 % | ±5 % | ±10 % | ±15 % | |
| 1 | 70.8 | 92.5 | 100 | 67.9 | 92.5 | 99.1 |
| 2 | 72.6 | 98.1 | 100 | 69.8 | 98.1 | 99.1 |
| 3 | 60.4 | 92.5 | 100 | 58.5 | 93.4 | 100 |
| 4 | 66.7 | 92.2 | 98 | 68.6 | 96.1 | 99 |
| 5 | 61.8 | 92.2 | 97.1 | 64.7 | 90.2 | 97.1 |
| 6 | 69.6 | 96.1 | 100 | 71.6 | 98 | 100 |
| 7 | 63.7 | 92.2 | 99 | 72.5 | 96.1 | 100 |
| 8 | 73.5 | 93.1 | 98 | 71.6 | 93.1 | 99 |
| 9 | 55.9 | 88.2 | 96.1 | 58.8 | 87.3 | 98 |
| 전체 | 66.6 | 93.2 | 98.7 | 67.1 | 93.9 | 98.8 |
(실시예 2) 급격한 환경 변화에 따른 미터 온도 차이에 대한 알고리즘 결과 변화 비교
알고리즘에 적용되는 온도 Feature의 값은 미터에 부착된 온도 센서를 통해 얻어지는 값으로 급격한 주위 환경의 변화가 생길 때 즉시 정확한 온도 값을 측정하기 어려우며 온도 평형이 이루어 지기 위한 시간이 필요하다.
따라서, 이러한 문제로 사용자가 급격한 환경 변화에 있을 때, 예컨대, 추운 겨울날 외부에서 따뜻한 집 안으로 들어 왔을 때, 미터를 사용하기 위해서는 온도 평형을 위한 일정시간을 기다려야 하며 그렇지 않으면 부정확한 혈당값을 얻을 수 있었다.
이에 대하여 실험예 1을 참조하여 온도를 미포함 본 발명의 일 실시예에 따른 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법에 의하여, 이와 같은 문제점을 해결할 수 있음을 살펴보겠다.
이를 위하여, 23도에서 온도 평형 후 23도 환경에서 실험하는 대조군과, 43도에서 23도 환경으로 온도평형시키 과정과, 0도에서 23도 환경으로 온도평형시키 과정에서 미터 측정 온도의 오차에 따른 실험군 1, 2의 알고리즘 값 차이를 기존의 다중회귀분석방법에 의한 경우와 온도 미포함 뉴럴넷 알고리즘 각각에 대해서 비교하여 [표 2] 및 도 8a 및 도 8b 로 나타냈다.
| 다중선형회귀 | 인공신경망 | ||||||
|
Time
(분) |
온도 (℃) | 대조군 | 실험군 1 | Bias from 대조군(%) | 대조군 | 실험군 1 | Bias from 대조군(%) |
| 3 | 40.7 | 126 | 110 | -13.6 | 133 | 132 | -0.4 |
| 6 | 34.4 | 125 | 121 | -3.2 | 129 | 132 | 2.2 |
| 9 | 32.0 | 123 | 119 | -3.3 | 131 | 133 | 1.6 |
| 12 | 29.8 | 122 | 123 | 1.0 | 130 | 132 | 0.9 |
| 15 | 28.8 | 122 | 121 | -0.3 | 129 | 131 | 1.4 |
| 18 | 27.8 | 125 | 124 | -0.8 | 129 | 130 | 1.2 |
| 21 | 26.8 | 120 | 121 | 0.7 | 129 | 129 | 0.4 |
| 24 | 26.2 | 122 | 120 | -1.3 | 129 | 130 | 1.0 |
| 다중선형회귀 | 인공신경망 | ||||||
|
Time
(분) |
온도 (℃) | 대조군 | 실험군 2 | Bias from 대조군(%) | 대조군 | 실험군 2 | Bias from 대조군(%) |
| 3 | 5.8 | 131 | 152 | 14.8 | 145 | 142 | -2.1 |
| 6 | 12.0 | 127 | 141 | 10.1 | 143 | 141 | -1.0 |
| 9 | 14.1 | 133 | 132 | -0.9 | 142 | 140 | -1.4 |
| 12 | 16.4 | 132 | 136 | 3.6 | 141 | 142 | 0.4 |
| 15 | 18.1 | 132 | 132 | 0.3 | 142 | 141 | -0.7 |
| 18 | 19.4 | 129 | 129 | -0.3 | 139 | 138 | -1.1 |
| 21 | 20.4 | 132 | 130 | -1.4 | 138 | 138 | -0.1 |
| 24 | 21.1 | 131 | 135 | 3.5 | 141 | 139 | -1.6 |
실험 결과, 43도 환경에 있던 실험군 1미터는 약 24분이 지날 때까지 실험 환경인 23도와 측정 온도 값에서 차이를 보이게 된다. 이러한 측정 온도 값 차이로 다중선형회귀 알고리즘에서 대조군과 최대 13.6%의 차이를 나타내며 약 9분 정도의 온도 평형을 위한 대기 시간이 필요하였다. 반면 인공신경망 알고리즘은 온도 값 차이에 관계 없이 대조군과 0~2%의 차이를 유지하며 대기 시간 없이 바로 사용 가능하였다.
마찬가지로, 5.8도 환경에 있던 실험군 2미터는 약 24분이 지날 때까지 실험 환경인 23도와 측정 온도 값에서 차이를 보이게 된다. 이러한 측정 온도 값 차이로 다중선형회귀 알고리즘에서 대조군과 최대 14.8%의 차이를 나타내며 약 15분 정도의 온도 평형을 위한 대기 시간이 필요하였다.
반면 인공신경망 알고리즘은 온도 값 차이에 관계 없이 대조군과 0~2%의 차이를 유지하며 대기 시간 없이 바로 사용 가능하였다.
해당 실험 결과를 통해 급격한 환경 변화에 대해서 온도 미포함 한 뉴럴넷 알고리즘이 더 정확한 결과를 얻을 수 있으며 사용자도 특별한 대기 시간 없이 제품 사용이 가능함을 확인 할 수 있었다.
Claims (10)
- 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법에 있어서,
상기 분석대상물질의 산화환원 반응을 촉매할 수 있는 산화환원 효소와 전자전달매개체가 고정되어 있으며 작동전극과 보조전극을 구비한 시료 셀에 액상 생체시료를 주입하는 단계와,
상기 분석대상물질의 산화환원 반응을 개시하고 전자전달 반응을 진행시킬 수 있도록 상기 작동전극에 일정직류 전압을 인가하여 적어도 일 시점 이상의 특징점에서 제 1 감응전류를 얻는 단계와,
상기 일정직류 전압을 인가 후 Λ 모양의 계단화된 사다리형 섭동전압을 인가하여 적어도 2 시점 이상에서 제 2 감응전류를 얻는 단계와,
상기 제 1 감응전류 또는 상기 제 2 감응전류로부터 미리 정해진 피쳐(feature)를 계산하는 단계와,
상기 생체시료 내 적어도 1 이상의 방해물질의 영향이 최소가 되게 인공지능학습에 의하여 적어도 1 이상의 피쳐(feature)함수로 구성된 검정식을 사용하여 상기 분석대상물질의 농도를 보정하는 단계를 포함하며,
상기 분석대상물질의 농도를 보정하는 단계는 인공지능학습에 의하여, 상기 제 1 감응전류와 상기 제 2 감응전류를 다시 얻어서 새로운 피쳐를 계산하는 단계를 포함하며,
상기 인공지능 학습은, 다양한 실험 조건의 혈액 샘플을 제작하여 반복 측정을 통해 알고리즘을 만들기 위한 학습데이터를 얻는 단계와,
상기 얻어진 학습데이터는 1차원 시계열 데이터로 시간의 흐름에 따른 측정물의 전기화학적 반응을 나타내는 단계와,
상기 학습데이터의 정규화(Normalization) 혹은 표준화(Standardization)를 통해 데이터를 일정한 크기(scale) 혹은 분포(distribution)로 변환하는 단계와,
상기 변환된 데이터는 다채널 데이터를 조합하거나 도메인 전환하여 신호 처리하는 단계와,
인공신경망 딥러닝 기술을 이용하여 입력에 따른 알맞은 결과를 출력할 수 있는 알고리즘을 학습하는 단계를 포함하는 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법. - 제 1 항에 있어서,
상기 인공지능학습에 의하여 상기 제 1 또는 제 2 감응전류에서 상기 분석대상물질과 방해물질에 대한 선형의존성이 다른 특징점을 선택하고, 상기 특징점으로 피쳐를 구성하며, 상기 피쳐로 구성한 검정식을 만들어 상기 특징점으로 상기 피쳐를 만드는 방법은 특정 계단화된 사다리형의 봉우리 및 골 전압 부근의 제 2 감응전류, 상기 계단화된 사다리형 섭동전압에서 각 계단의 감응전류들로 이루어진 곡선의 곡률, 상기 계단화된 사다리형 섭동전압의 봉우리에서의 전류값과 골에서의 전류값의 차이, 오르막과 내리막 중간 계단화된 사다리형 섭동전압에서의 감응전류들, 각 계단화된 사다리형 섭동전압의 사이클의 시작 및 끝 지점에서의 감응전류들, 및 계단화된 사다리형 섭동전압에서 얻은 감응전류들의 평균값 중 하나를 사용하거나, 이로부터 얻은 전류값들을 사칙연산, 지수, 로그, 삼각함수 등의 수학적 함수로 표현하여 얻을 수 있는 값을 사용하는 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법. - 제 1 항에 있어서,
상기 제 2 감응전류는 제 1 감응전류를 얻은 후 0.1 내지 1 초 이내에 얻어지는 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법. - 제 1 항에 있어서,
상기 인공지능학습은, 상기 생체시료 내 분석대상물질의 농도이상, 상기 생체시료 내 분석대상물질의 오염, 상기 생체시료 내 분석대상물질이 담긴 스트립의 부정사용, 주변온도, 전극의 재질, 전극의 배열방식, 유로의 모양, 사용하는 시약의 특성, 생체시료 내 분석대상물질의 농도측정장치의 이상 중 적어도 2 이상의 간섭종을 보정하는 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법. - 제 4 항에 있어서,
상기 주변온도 변화가 큰 경우에도 온도 밸런싱을 위한 대기 시간 없이 인공지능 딥러닝 학습에 의하여 상기 생체시료 내 분석대상물질의 농도측정을 보정하는 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법. - 제 1 항에 있어서,
상기 검정식은,
,
,
중 하나이며,
여기서 i는 제 1감응전류 및 제 2감응전류에서 얻을 수 있는 1 이상의 전류값이고, T는 독립적으로 측정한 온도값인 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법. - 제 1 항에 있어서,
상기 인공신경망 내의 여러 층에 존재하는 뉴런간의 가중치를 조절하는 단계를 포함하며, 상기 인공신경망은 구조에 따라 Convolutional Neural Network(CNN), Deep Belief Networks(DBN), 그리고 Recurrent Neural Networks(RNNs) 중 어느 하나를 이용하여 피쳐를 자동으로 추출하는 단계를 포함하는 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법. - 제 1 항에 있어서,
상기 피쳐 자동 추출은 Restricted Boltzmann machines(RBM)를 이용하며, 입력 데이터 분포와 확률에 따라 결정(stochastic decision)되는 재구성 데이터의 분포가 유사하게 만들어주는 최적화 단계를 포함하는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법. - 제 8 항에 있어서,
상기 최적화 단계는 인공신경망 전체의 가중치(Weight)와 바이어스(Bias)값을 결정하는 단계와, 활성화 함수를 이용하는 단계를 포함하는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법. - 제 9 항에 있어서,
상기 인공신경망은 출력 층의 활성화 함수 혹은 구조 변경을 통해 데이터의 종류(Type)을 분류하는 분류기 혹은 값을 추정하는 회귀 분석(Regression)에 사용하는 인공지능 딥러닝 학습을 활용한 측정물 농도 측정방법.
Priority Applications (9)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180080372A KR102095959B1 (ko) | 2018-07-11 | 2018-07-11 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
| US17/257,545 US20210285909A1 (en) | 2018-07-11 | 2018-07-13 | Method for measuring concentration of biometric measurement object by using artificial intelligence deep learning |
| PCT/KR2018/007934 WO2020013361A1 (ko) | 2018-07-11 | 2018-07-13 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
| HUE18925936A HUE063277T2 (hu) | 2018-07-11 | 2018-07-13 | Módszer egy biometrikus mérési objektum koncentrációjának mérésére mesterséges intelligencia mély tanulás alkalmazásával |
| EP18925936.9A EP3822625B1 (en) | 2018-07-11 | 2018-07-13 | Method for measuring concentration of a biometric measurement object by using artificial intelligence deep learning |
| ES18925936T ES2960485T3 (es) | 2018-07-11 | 2018-07-13 | Procedimiento de medición de la concentración de un objeto de medición biométrica mediante el uso de un aprendizaje profundo de inteligencia artificial |
| CN201880093318.5A CN112105923B (zh) | 2018-07-11 | 2018-07-13 | 利用人工智能深度学习的生物测量对象浓度测量方法 |
| DK18925936.9T DK3822625T3 (da) | 2018-07-11 | 2018-07-13 | Fremgangsmåde til måling af koncentrationen af et biometrisk måleobjekt ved anvendelse af dyb indlæring med kunstig intelligens |
| JP2020572819A JP7090184B2 (ja) | 2018-07-11 | 2018-07-13 | 人工知能ディープラーニング学習を利用した生体測定物濃度測定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180080372A KR102095959B1 (ko) | 2018-07-11 | 2018-07-11 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200006695A true KR20200006695A (ko) | 2020-01-21 |
| KR102095959B1 KR102095959B1 (ko) | 2020-04-01 |
Family
ID=69142371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180080372A KR102095959B1 (ko) | 2018-07-11 | 2018-07-11 | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US20210285909A1 (ko) |
| EP (1) | EP3822625B1 (ko) |
| JP (1) | JP7090184B2 (ko) |
| KR (1) | KR102095959B1 (ko) |
| CN (1) | CN112105923B (ko) |
| DK (1) | DK3822625T3 (ko) |
| ES (1) | ES2960485T3 (ko) |
| HU (1) | HUE063277T2 (ko) |
| WO (1) | WO2020013361A1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666098A (zh) * | 2020-11-06 | 2021-04-16 | 上海市第八人民医院 | 夏季肠道传染病致病病原体检测系统 |
| KR20220059859A (ko) * | 2020-11-03 | 2022-05-10 | (주)아이티공간 | 제품의 실시간 품질 검사방법 |
| WO2023277546A1 (ko) * | 2021-07-01 | 2023-01-05 | 주식회사 아이티공간 | 딥러닝을 이용한 기기의 예지 보전방법 |
| WO2023277545A1 (ko) * | 2021-07-01 | 2023-01-05 | 주식회사 아이티공간 | 딥러닝을 이용한 기기의 예지 보전방법 |
| WO2023027408A1 (ko) * | 2021-08-23 | 2023-03-02 | 경북대학교 산학협력단 | 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090033065A (ko) * | 2007-09-27 | 2009-04-01 | 주식회사 필로시스 | 바이오센서 측정결과 오류의 보정방법 및 이를 이용한 장치 |
| KR20110074776A (ko) * | 2008-11-28 | 2011-07-01 | 파나소닉 주식회사 | 센서 칩, 바이오센서 시스템, 생체 시료의 온도 측정 방법, 혈액 시료의 온도 측정 방법, 혈액 시료 중의 분석물의 농도 측정 방법 |
| KR20130131117A (ko) * | 2012-05-23 | 2013-12-03 | 주식회사 아이센스 | 전기화학적 바이오센서, 휴대용 계측기 및 이들을 사용한 혈액시료 중 분석대상물질의 농도 측정방법 |
| KR20150013209A (ko) * | 2012-04-30 | 2015-02-04 | 시락 게엠베하 인터내셔날 | 개선된 분석물 측정 기술 및 시스템 |
| KR20160032974A (ko) * | 2014-09-17 | 2016-03-25 | 주식회사 아이센스 | 생체시료 내 분석대상물질의 농도측정방법 및 측정장치 |
| KR20160096460A (ko) * | 2015-02-05 | 2016-08-16 | 삼성전자주식회사 | 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006001821A2 (en) * | 2003-11-25 | 2006-01-05 | The Macaleese Companies, Inc. D.B.A. Safa Zone Systems | Object detection method and apparatus |
| US7822557B2 (en) * | 2006-10-31 | 2010-10-26 | Abbott Diabetes Care Inc. | Analyte sensors and methods |
| WO2016043361A1 (ko) * | 2014-09-17 | 2016-03-24 | 주식회사 아이센스 | 생체시료 내 분석대상물질의 농도측정방법 및 측정장치 |
| CN113421652A (zh) * | 2015-06-02 | 2021-09-21 | 推想医疗科技股份有限公司 | 对医疗数据进行分析的方法、训练模型的方法及分析仪 |
| KR101740034B1 (ko) * | 2015-07-20 | 2017-06-08 | 주식회사 아이센스 | 베타-히드록시부틸레이트 검출을 위한 산화환원 시약 조성물, 및 상기시약 조성물을 포함하는 전기화학적 바이오센서 |
| KR102655736B1 (ko) * | 2016-07-19 | 2024-04-05 | 삼성전자주식회사 | 이종 스펙트럼 기반 혈당 추정 장치 및 방법 |
| CN107192690B (zh) * | 2017-05-19 | 2019-04-23 | 重庆大学 | 近红外光谱无创血糖检测方法及其检测网络模型训练方法 |
| CN107908928A (zh) * | 2017-12-21 | 2018-04-13 | 天津科技大学 | 一种基于深度学习技术的血红蛋白动态光谱分析预测方法 |
-
2018
- 2018-07-11 KR KR1020180080372A patent/KR102095959B1/ko active IP Right Grant
- 2018-07-13 JP JP2020572819A patent/JP7090184B2/ja active Active
- 2018-07-13 HU HUE18925936A patent/HUE063277T2/hu unknown
- 2018-07-13 US US17/257,545 patent/US20210285909A1/en active Pending
- 2018-07-13 WO PCT/KR2018/007934 patent/WO2020013361A1/ko unknown
- 2018-07-13 CN CN201880093318.5A patent/CN112105923B/zh active Active
- 2018-07-13 ES ES18925936T patent/ES2960485T3/es active Active
- 2018-07-13 DK DK18925936.9T patent/DK3822625T3/da active
- 2018-07-13 EP EP18925936.9A patent/EP3822625B1/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090033065A (ko) * | 2007-09-27 | 2009-04-01 | 주식회사 필로시스 | 바이오센서 측정결과 오류의 보정방법 및 이를 이용한 장치 |
| KR20110074776A (ko) * | 2008-11-28 | 2011-07-01 | 파나소닉 주식회사 | 센서 칩, 바이오센서 시스템, 생체 시료의 온도 측정 방법, 혈액 시료의 온도 측정 방법, 혈액 시료 중의 분석물의 농도 측정 방법 |
| KR20150013209A (ko) * | 2012-04-30 | 2015-02-04 | 시락 게엠베하 인터내셔날 | 개선된 분석물 측정 기술 및 시스템 |
| KR20130131117A (ko) * | 2012-05-23 | 2013-12-03 | 주식회사 아이센스 | 전기화학적 바이오센서, 휴대용 계측기 및 이들을 사용한 혈액시료 중 분석대상물질의 농도 측정방법 |
| KR20160032974A (ko) * | 2014-09-17 | 2016-03-25 | 주식회사 아이센스 | 생체시료 내 분석대상물질의 농도측정방법 및 측정장치 |
| KR20160096460A (ko) * | 2015-02-05 | 2016-08-16 | 삼성전자주식회사 | 복수의 분류기를 포함하는 딥 러닝 기반 인식 시스템 및 그 제어 방법 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220059859A (ko) * | 2020-11-03 | 2022-05-10 | (주)아이티공간 | 제품의 실시간 품질 검사방법 |
| CN112666098A (zh) * | 2020-11-06 | 2021-04-16 | 上海市第八人民医院 | 夏季肠道传染病致病病原体检测系统 |
| WO2023277546A1 (ko) * | 2021-07-01 | 2023-01-05 | 주식회사 아이티공간 | 딥러닝을 이용한 기기의 예지 보전방법 |
| WO2023277545A1 (ko) * | 2021-07-01 | 2023-01-05 | 주식회사 아이티공간 | 딥러닝을 이용한 기기의 예지 보전방법 |
| KR20230005590A (ko) * | 2021-07-01 | 2023-01-10 | (주)아이티공간 | 딥러닝을 이용한 기기의 예지 보전방법 |
| KR20230005591A (ko) * | 2021-07-01 | 2023-01-10 | (주)아이티공간 | 딥러닝을 이용한 기기의 예지 보전방법 |
| WO2023027408A1 (ko) * | 2021-08-23 | 2023-03-02 | 경북대학교 산학협력단 | 인코딩 자성입자의 딥러닝 기반 디코딩을 이용한 시료의 다중검출 분석 장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| HUE063277T2 (hu) | 2024-01-28 |
| EP3822625A1 (en) | 2021-05-19 |
| EP3822625A4 (en) | 2021-08-25 |
| EP3822625B1 (en) | 2023-09-27 |
| ES2960485T3 (es) | 2024-03-05 |
| CN112105923A (zh) | 2020-12-18 |
| DK3822625T3 (da) | 2024-01-02 |
| JP7090184B2 (ja) | 2022-06-23 |
| KR102095959B1 (ko) | 2020-04-01 |
| JP2021529315A (ja) | 2021-10-28 |
| US20210285909A1 (en) | 2021-09-16 |
| WO2020013361A1 (ko) | 2020-01-16 |
| CN112105923B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102095959B1 (ko) | 인공지능 딥러닝 학습을 이용한 생체측정물 농도 측정방법 | |
| KR102142647B1 (ko) | 인공신경망 딥러닝 기법을 활용한 측정물 분석 방법, 장치, 학습 방법 및 시스템 | |
| CN105738430B (zh) | 生物样品内待分析物质的浓度检测方法及检测装置 | |
| US8343331B2 (en) | Method for correcting erroneous results of measurement in biosensors and apparatus using the same | |
| TWI825240B (zh) | 用於判定體液樣品中之分析物濃度的方法和系統及用於產生軟體實施模組的方法和系統 | |
| RU2013120039A (ru) | Системы и способы для улучшенной стабильности электрохимических сенсеров | |
| JP2014527186A5 (ko) | ||
| Pigani et al. | Pedot modified electrodes in amperometric sensing for analysis of red wine samples | |
| KR102179203B1 (ko) | 혈당 센싱 데이터 판별 방법 및 장치 | |
| CN108680748B (zh) | 基于丙酮传感器的血糖检测仪及其检测方法 | |
| US11644434B2 (en) | Biosensor system analyte measurement | |
| CN112798783B (zh) | 血糖检测系统和方法 | |
| Shin et al. | A correction method using a support vector machine to minimize hematocrit interference in blood glucose measurements | |
| Acciaroli et al. | Calibration of CGM systems | |
| CN114913587B (zh) | 基于贝叶斯深度学习的非接触式心率测量不确定度量化方法 | |
| US20170363565A1 (en) | Analyte Measurement | |
| US20230218204A1 (en) | Personalized calibration for glucose sensing | |
| CN117969634A (zh) | 血液的电化学检测方法、装置、设备及介质 | |
| CN116559143A (zh) | 血液中葡萄糖成分的复合型拉曼光谱数据分析方法及系统 | |
| CN117412708A (zh) | 用于确定输送流体中的当前葡萄糖值的方法 | |
| CN115393464A (zh) | 一种用于检测工业两相流的图像重建方法 | |
| Acciaroli et al. | Calibrations of DexCom G4 Platinum reduced to one per day by a time-varying day-specific Bayesian prior |
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 |