KR20200045736A - 분석 물질의 농도 추정 장치 및 방법 - Google Patents

분석 물질의 농도 추정 장치 및 방법 Download PDF

Info

Publication number
KR20200045736A
KR20200045736A KR1020180126622A KR20180126622A KR20200045736A KR 20200045736 A KR20200045736 A KR 20200045736A KR 1020180126622 A KR1020180126622 A KR 1020180126622A KR 20180126622 A KR20180126622 A KR 20180126622A KR 20200045736 A KR20200045736 A KR 20200045736A
Authority
KR
South Korea
Prior art keywords
concentration estimation
concentration
candidate
analyte
spectrum
Prior art date
Application number
KR1020180126622A
Other languages
English (en)
Other versions
KR102671886B1 (ko
Inventor
이준영
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180126622A priority Critical patent/KR102671886B1/ko
Priority claimed from KR1020180126622A external-priority patent/KR102671886B1/ko
Priority to US16/654,729 priority patent/US20200121230A1/en
Publication of KR20200045736A publication Critical patent/KR20200045736A/ko
Application granted granted Critical
Publication of KR102671886B1 publication Critical patent/KR102671886B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • 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
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14546—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring analytes not otherwise provided for, e.g. ions, cytochromes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4845—Toxicology, e.g. by detection of alcohol, drug or toxic products
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Optics & Photonics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Medicine (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

일 양상에 따른 농도 추정 장치는, 소정 구간에서 측정된 복수의 훈련용 체내 스펙트럼 및 분석 물질의 농도를 추정하기 위해 측정된 추정용 체내 스펙트럼을 획득하는 스펙트럼 획득부와, 상기 복수의 훈련용 체내 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하고, 상기 생성된 복수의 후보 농도 추정 모델을 이용하여 상기 복수의 훈련용 체내 스펙트럼 각각에 대한 레지듀얼 벡터를 획득하고, 상기 획득된 레지듀얼 벡터를 기반으로 상기 생성된 복수의 후보 농도 추정 모델 중 하나를 선택하고, 상기 선택된 후보 농도 추정 모델과 상기 측정된 추정용 체내 스펙트럼을 이용하여 분석 물질의 농도를 추정하는 프로세서를 포함할 수 있다.

Description

분석 물질의 농도 추정 장치 및 방법{Apparatus and method for estimating analyte concentration}
생체 신호로부터 체내에 포함된 분석 물질의 농도를 추정하는 장치 및 방법과 관련된다.
당뇨병은 다양한 합병증을 일으키며 치료가 잘 안 되는 만성질환이어서 규칙적으로 혈당을 체크해서 합병증 발생을 예방해야 한다. 또한 인슐린을 투여하는 경우에는 저혈당을 대비하고 인슐린 투여량을 조절하기 위해 혈당을 체크해야 한다. 일반적으로 혈당을 측정하기 위해 침습적인 방식이 이용되고 있다. 침습적으로 혈당을 측정하는 방식은 측정의 신뢰성이 높다고 할 수 있으나 주사를 이용하여 혈액 채취의 고통, 번거로움 및 질병 감염 위험이 존재한다. 최근에는 혈액을 직접 채취하지 않고 분광기를 이용하여 비침습적으로 혈당을 측정하는 방법이 연구되고 있다.
생체 신호로부터 체내에 포함된 분석 물질의 농도를 추정하는 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 농도 추정 장치는, 소정 구간에서 측정된 복수의 훈련용 체내 스펙트럼 및 분석 물질의 농도를 추정하기 위해 측정된 추정용 체내 스펙트럼을 획득하는 스펙트럼 획득부와, 상기 복수의 훈련용 체내 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하고, 상기 생성된 복수의 후보 농도 추정 모델을 이용하여 상기 복수의 훈련용 체내 스펙트럼 각각에 대한 레지듀얼 벡터를 획득하고, 상기 획득된 레지듀얼 벡터를 기반으로 상기 생성된 복수의 후보 농도 추정 모델 중 하나를 선택하고, 상기 선택된 후보 농도 추정 모델과 상기 측정된 추정용 체내 스펙트럼을 이용하여 분석 물질의 농도를 추정하는 프로세서를 포함할 수 있다.
상기 프로세서는, NAS(net analyte signal) 알고리즘을 통해 상기 복수의 후보 농도 추정 모델을 생성할 수 있다.
상기 레지듀얼 벡터는, 농도 추정 모델을 이용하여 재구성한 체내 스펙트럼과 실제 측정된 체내 스펙트럼의 차이를 나타낼 수 있다.
상기 프로세서는, 상기 복수의 학습용 체내 스펙트럼을 분석하여 소정 개수의 주성분 벡터를 추출하고, 주성분 개수를 달리하여 해당 개수의 주성분 벡터와 분석 물질의 순수 성분 스펙트럼 벡터로 구성된 행렬의 역행렬을 구하여, 복수의 후보 농도 추정 모델 행렬을 생성하고, 상기 생성된 복수의 후보 농도 추정 모델 행렬을 기반으로 복수의 후보 농도 추정 모델을 생성할 수 있다.
상기 프로세서는, PCA(Principle Component Analysis), ICA(Independent Component Analysis), NMF(Non??negative matrix factorization), 및 SVD(Singular Value Decomposition) 중 하나를 이용하여 상기 소정 개수의 주성분 벡터를 추출할 수 있다.
상기 프로세서는, 상기 생성된 복수의 후보 농도 추정 모델 행렬 각각에서 분석 물질에 대응하는 성분 벡터를 추출하고, 상기 추출된 성분 벡터와 상기 레지듀얼 벡터 사이의 각도를 판단하고, 상기 레지듀얼 벡터의 크기와 상기 각도의 코사인 절대값의 곱이 최대가 되는 주성분 개수를 판단하고, 상기 복수의 후보 농도 추정 모델 중에서 상기 판단된 주성분 개수로 생성된 후보 농도 추정 모델을 선택할 수 있다.
상기 스펙트럼 획득부는, 외부 장치로부터 상기 복수의 훈련용 체내 스펙트럼 및 상기 추정용 체내 스펙트럼을 수신할 수 있다.
상기 스펙트럼 획득부는, 피검체에 광을 조사하고 상기 피검체로부터 반사 또는 산란된 광을 수신하여 상기 복수의 훈련용 체내 스펙트럼 및 상기 추정용 체내 스펙트럼을 측정할 수 있다.
상기 소정 구간은, 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간일 수 있다.
상기 분석 물질은, 포도당(glucose), 중성지방(triglyceride), 요소(urea), 요산(uric acid), 젖산(lactate), 단백질(protein), 콜레스테롤(cholesterol) 또는 에탄올(ethanol) 중 적어도 하나일 수 있다.
상기 분석 물질은 포도당이고, 상기 소정 구간은 공복 구간일 수 있다.
다른 양상에 따른 농도 추정 방법은, 소정 구간에서 측정된 복수의 훈련용 체내 스펙트럼을 획득하는 단계와, 상기 복수의 훈련용 체내 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하는 단계와, 상기 생성된 복수의 후보 농도 추정 모델을 이용하여 상기 복수의 훈련용 체내 스펙트럼 각각에 대한 레지듀얼 벡터를 획득하는 단계와, 상기 획득된 레지듀얼 벡터를 기반으로 상기 생성된 복수의 후보 농도 추정 모델 중 하나를 선택하는 단계와, 상기 선택된 후보 농도 추정 모델을 이용하여 분석 물질의 농도를 추정하는 단계를 포함할 수 있다.
상기 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하는 단계는, NAS(net analyte signal) 알고리즘을 통해 상기 복수의 후보 농도 추정 모델을 생성할 수 있다.
상기 레지듀얼 벡터는, 농도 추정 모델을 이용하여 재구성한 체내 스펙트럼과 실제 측정된 체내 스펙트럼의 차이를 나타낼 수 있다.
상기 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하는 단계는, 상기 복수의 학습용 체내 스펙트럼을 분석하여 소정 개수의 주성분 벡터를 추출하는 단계와, 주성분 개수를 달리하여 해당 개수의 주성분 벡터와 분석 물질의 순수 성분 스펙트럼 벡터로 구성된 행렬의 역행렬을 구하여, 복수의 후보 농도 추정 모델 행렬을 생성하는 단계와, 상기 생성된 복수의 후보 농도 추정 모델 행렬을 기반으로 복수의 후보 농도 추정 모델을 생성하는 단계를 포함할 수 있다.
상기 소정 개수의 주성분 벡터를 추출하는 단계는, PCA(Principle Component Analysis), ICA(Independent Component Analysis), NMF(Non??negative matrix factorization), 및 SVD(Singular Value Decomposition) 중 하나를 이용하여 상기 소정 개수의 주성분 벡터를 추출할 수 있다.
상기 생성된 복수의 후보 농도 추정 모델 중 하나를 선택하는 단계는, 상기 생성된 복수의 후보 농도 추정 모델 행렬 각각에서 분석 물질에 대응하는 성분 벡터를 추출하는 단계와, 상기 추출된 성분 벡터와 상기 레지듀얼 벡터 사이의 각도를 판단하는 단계와, 상기 레지듀얼 벡터의 크기와 상기 각도의 코사인 절대값의 곱이 최대가 되는 주성분 개수를 판단하는 단계와, 상기 복수의 후보 농도 추정 모델 중에서 상기 판단된 주성분 개수로 생성된 후보 농도 추정 모델을 선택하는 단계를 포함할 수 있다.
상기 소정 구간은, 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간일 수 있다.
상기 분석 물질은, 포도당(glucose), 중성지방(triglyceride), 요소(urea), 요산(uric acid), 젖산(lactate), 단백질(protein), 콜레스테롤(cholesterol) 또는 에탄올(ethanol) 중 적어도 하나일 수 있다.
상기 분석 물질은 포도당이고, 상기 소정 구간은 공복 구간일 수 있다.
주성분 개수에 따라 복수의 후보 농도 추정 모델을 생성하고, 생성된 복수의 후보 농도 추정 모델 중 최적의 후보 농도 추정 모델을 선택하여 분석 물질의 농도 추정에 이용함으로써, 농도 추정의 정확도를 향상시킬 수 있다. 또한, 최적의 농도 추정 모델을 예측 구간 진입 전에 학습 구간에서 선정할 수 있다.
도 1 및 도 2은 NAS 알고리즘의 개념을 설명하기 위한 도면이다.
도 3은 농도 추정 장치의 일 실시예를 도시한 블록도이다.
도 4a 내지 4j는 주성분 개수에 따른
Figure pat00001
값과 주성분 개수에 따라 생성된 농도 추정 모델로 혈당을 예측한 결과의 관계를 설명하기 위한 예시도이다.
도 5은 농도 추정 장치의 다른 실시예를 도시한 블록도이다.
도 6은 농도 추정 방법의 일 실시예를 도시한 도면이다.
도 7은 농도 추정 시스템의 실시예를 도시한 블록도이다.
도 8은 손목형 웨어러블 디바이스를 도시한 도면이다.
이하, 첨부된 도면을 참조하여 실시예를 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, 관련된 공지 기능 또는 구성에 대한 설명이 실시예의 이해를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
한편, 각 단계들에 있어, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 수행될 수 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하고, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주 기능별로 구분한 것에 불과하다. 즉, 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있다. 각 구성부는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1 및 도 2은 NAS 알고리즘의 개념을 설명하기 위한 도면이다.
도 1 및 도 2를 참조하면, NAS(net analyte signal) 알고리즘은 학습 구간에서 측정된 체내 스펙트럼(in vivo spectrum)(S1, S2, …, Sn)을 학습 데이터로 하여 분석 물질의 농도 변화와 무관한 스펙트럼의 변화 요인을 학습하여 분석 물질의 농도 추정 모델을 생성할 수 있다. 또한, NAS 알고리즘은 학습 구간 이후의 추정 구간에서 측정된 체내 스펙트럼(Sn+1, Sn+2, …, Sm)과 생성된 농도 추정 모델을 이용하여 분석 물질의 농도(Cn+1, Cn+2, Cm)를 추정할 수 있다. 이때, 학습 구간은 체내 분석 물질의 농도가 실질적으로 변하지 않는 구간(예컨대, 분석 물질이 포도당인 경우 공복 구간)일 수 있다.
즉, NAS 알고리즘은 학습 구간에서 측정된 체내 스펙트럼을 기반으로 농도 추정 모델을 생성한 후 이를 추정 구간에 적용하여 분석 물질의 농도를 추정할 수 있다.
도 3은 농도 추정 장치의 일 실시예를 도시한 블록도이다. 도 3의 농도 추정 장치(300)는 피검체의 체내 스펙트럼을 분석함으로써 분석 물질의 농도를 추정할 수 있는 장치로, 전자 장치에 탑재되거나, 하우징으로 감싸져 별개의 장치로 형성될 수 있다. 전자 장치는 휴대폰, 스마트폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있고, 웨어러블 디바이스는 손목시계형, 손목 밴드형, 반지형, 벨트형, 목걸이형, 발목 밴드형, 허벅지 밴드형, 팔뚝 밴드형 등을 포함할 수 있다. 그러나 전자 장치는 상술한 예에 제한되지 않으며, 웨어러블 디바이스 역시 상술한 예에 제한되지 않는다.
도 3을 참조하면, 농도 추정 장치(300)는 스펙트럼 획득부(310) 및 프로세서(320)를 포함할 수 있다.
스펙트럼 획득부(310)는 피검체의 체내 스펙트럼을 획득할 수 있다. 예컨대, 스펙트럼 획득부(310)는 피검체 내에서 분석 물질의 농도가 실질적으로 변하지 않는 구간에서 측정된 체내 스펙트럼(이하, 학습용 체내 스펙트럼) 및/또는 피검체 내 분석 물질의 농도를 추정하기 위해 측정된 체내 스펙트럼(이하, 추정용 체내 스펙트럼)을 획득할 수 있다.
일 실시예에 따르면, 스펙트럼 획득부(310)는 체내 스펙트럼을 측정 및/또는 저장하는 외부 장치로부터 수신하여 체내 스펙트럼을 획득할 수 있다. 이때, 스펙트럼 획득부(310)는 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi??Fi Direct) 통신, UWB(ultra??wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등 다양한 통신 기술을 이용할 수 있다.
다른 실시예에 따르면, 스펙트럼 획득부(310)는 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 체내 스펙트럼을 직접 측정함으로써 체내 스펙트럼을 획득할 수 있다. 이때, 스펙트럼 획득부(310)는 적외선 분광법(Infrared spectroscopy)이나 라만 분광법(Raman spectroscopy) 등을 이용할 수 있으나, 이에 제한되는 것은 아니며 다양한 분광 기법을 활용하여 체내 스펙트럼을 측정할 수 있다. 이를 위해 스펙트럼 획득부(310)는 피검체에 광을 조사하는 광원과, 피검체로부터 반사 또는 산란된 광을 수신하여 생체 스펙트럼을 측정하는 광 검출기를 포함할 수 있다.
광원은 근적외선(Near Infrared Ray, NIR) 또는 중적외선(Mid Infrared Ray, MIR)을 피검체에 조사할 수 있다. 그러나, 측정 목적이나 분석 물질의 종류에 따라 광원에서 조사되는 광의 파장은 달라질 수 있다. 그리고 광원은 반드시 단일의 발광체로 구성될 필요는 없으며, 다수의 발광체의 집합으로 구성될 수도 있다. 광원은 발광 다이오드(light emitting diode, LED), 레이저 다이오드(laser diode), 또는 형광체 등으로 형성될 수 있다.
광 검출기는 포토 다이오드(photo diode), 포토 트랜지스터(photo transistor) 또는 전자 결합 소자(charge??coupled device, CCD)등으로 형성될 수 있다. 광 검출기는 반드시 하나의 소자로 구성될 필요는 없으며, 다수의 소자들이 모여 어레이 형태로 구성될 수도 있다.
광원 및 광 검출기의 개수 및 배열 형태 등은 다양하며 분석 물질의 종류, 활용 목적, 및 농도 추정 장치(300)가 탑재되는 전자 장치의 크기와 형태 등에 따라 변경될 수 있다.
프로세서(320)는 농도 추정 장치(300)의 전반적인 동작을 제어할 수 있다.
프로세서(320)는 설정된 주기 또는 사용자 요청에 따라, 스펙트럼 획득부(310)를 제어하여 학습용 체내 스펙트럼 및/또는 추정용 체내 스펙트럼을 획득할 수 있다.
프로세서(320)는 복수의 학습용 체내 스펙트럼이 획득되면, 획득된 복수의 학습용 체내 스펙트럼을 기반으로 복수의 후보 농도 추정 모델을 생성하고, 생성된 복수의 후보 농도 추정 모델 중에서 최적의 농도 추정 모델을 선택할 수 있다. 일 실시예에 따르면, 프로세서(320)는 복수의 학습용 체내 스펙트럼을 이용하여 NAS(net analyte signal) 알고리즘을 통해 복수의 후보 농도 추정 모델을 생성할 수 있다. 이때, 분석 물질은 포도당(glucose), 중성지방(triglyceride), 요소(urea), 요산(uric acid), 젖산(lactate), 단백질(protein), 콜레스테롤(cholesterol) 또는 에탄올(ethanol) 등을 포함할 수 있으나 이에 한정되지 않는다. 한편, 체내의 분석 물질이 포도당인 경우, 분석 물질의 농도는 혈당을 나타낼 수 있고 분석 물질의 농도가 실질적으로 변하지 않는 구간은 포도당이 피검체 내부로 유입되지 않는 공복 구간을 나타낼 수 있다. 이하, 설명의 편의를 위해 분석 물질이 포도당인 실시예를 기준으로 설명하기로 한다.
프로세서(320)는 복수의 학습용 체내 스펙트럼을 분석하여 소정 개수의 주성분 벡터를 추출할 수 있다. 예컨대, 프로세서(320)는 PCA(Principle Component Analysis), ICA(Independent Component Analysis), NMF(Non??negative matrix factorization), 및 SVD(Singular Value Decomposition) 등 다양한 차원 축소 알고리즘을 이용하여 공복 구간에 측정된 복수의 학습용 체내 스펙트럼으로부터 소정 개수의 주성분 벡터를 추출할 수 있다.
프로세서(320)는 추출된 소정 개수의 주성분 벡터를 기반으로 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성할 수 있다. 예컨대, 복수의 학습용 체내 스펙트럼을 분석하여 5개의 주성분 벡터(PC1 내지 PC5)를 추출한 경우, 프로세서(320)는 1개의 주성분 벡터(PC1)를 이용하여 후보 농도 추정 모델(M1)을 생성하고, 2개의 주성분 벡터(PC1, PC2)를 이용하여 후보 농도 추정 모델(M2)을 생성하고, 3개의 주성분 벡터(PC1 내지 PC3)를 이용하여 후보 농도 추정 모델(M3)을 생성하고, 4개의 주성분 벡터(PC1 내지 PC4)를 이용하여 후보 농도 추정 모델(M4)을 생성하고, 5개의 주성분 벡터(PC1 내지 PC5)를 이용하여 후보 농도 추정 모델(M5)을 생성할 수 있다. 이때 생성된 후보 농도 추정 모델은 수학식 1로 표현될 수 있다.
Figure pat00002
여기서,
Figure pat00003
,
Figure pat00004
,
Figure pat00005
는 주성분의 농도를 나타내며,
Figure pat00006
는 분석 물질의 농도를 나타내며,
Figure pat00007
,
Figure pat00008
,
Figure pat00009
는 주성분 벡터를 나타내며,
Figure pat00010
는 단위 농도(예컨대, 1mM)의 분석 물질에 대한 스펙트럼(이하, 순수 성분 스펙트럼) 벡터를 나타내며,
Figure pat00011
는 체내 스펙트럼 벡터를 나타내며,
Figure pat00012
은 광의 경로 길이를 나타내며, k는 주성분 개수를 나타낼 수 있다. 또한,
Figure pat00013
,
Figure pat00014
,
Figure pat00015
는 주성분에 대응하는 후보 농도 추정 모델 행렬의 성분 벡터를 나타내며,
Figure pat00016
는 분석 물질에 대응하는 농도 추정 모델 행렬의 성분 벡터를 나타낼 수 있다.
Figure pat00017
는 실험적으로 획득될 수 있다.
즉, 프로세서(320)는 주성분 개수를 달리하여 해당 개수의 주성분 벡터와 분석 물질의 순수 성분 스펙트럼 벡터로 구성된 행렬의 역행렬을 구하여 복수의 후보 농도 추정 모델 행렬을 생성하고, 생성된 복수의 후보 농도 추정 모델 행렬을 기반으로 복수의 후보 농도 추정 모델을 생성할 수 있다.
프로세서(320)는 주성분 개수를 달리하여 생성된 복수의 후보 농도 추정 모델을 이용하여 복수의 학습용 체내 스펙트럼 각각에 대한 레지듀얼 벡터를 획득할 수 있다. 이때 레지듀얼 벡터는 농도 추정 모델을 이용하여 재구성한 체내 스펙트럼과 실제 측정된 체내 스펙트럼의 차이를 나타낼 수 있다. 예컨대, 프로세서(320)는 수학식 1를 이용하여 각 학습용 체내 스펙트럼에 대한 주성분 농도(
Figure pat00018
,
Figure pat00019
,
Figure pat00020
) 및 분석 물질 농도(
Figure pat00021
)를 판단하고, 수학식 2를 이용하여 각 학습용 체내 스펙트럼을 재구성하여 재구성된 학습용 체내 스펙트럼 벡터(
Figure pat00022
)를 생성할 수 있다. 또한, 프로세서(320)는 수학식 3을 이용하여 각 학습용 체내 스펙트럼에 대한 레지듀얼 벡터(
Figure pat00023
)를 획득할 수 있다.
Figure pat00024
Figure pat00025
여기서, n은 학습용 체내 스펙트럼 인덱스를 나타내며,
Figure pat00026
는 학습용 체내 스펙트럼 벡터를 나타낼 수 있다.
프로세서(320)는 주성분 개수를 달리하여 생성된 복수의 후보 농도 추정 모델 행렬에서 분석 물질에 대응하는 성분 벡터(
Figure pat00027
)를 추출하고, 추출된 분석 물질에 대응하는 성분 벡터(
Figure pat00028
)와 레지듀얼 벡터(
Figure pat00029
)를 기반으로 복수의 후보 농도 추정 모델 중 하나를 선택할 수 있다.
일 실시예에 따르면, 프로세서(320)는 분석 물질에 대응하는 성분 벡터(
Figure pat00030
)와 레지듀얼 벡터(
Figure pat00031
) 사이의 각도(
Figure pat00032
)를 판단하고, 레지듀얼 벡터(
Figure pat00033
)의 크기와
Figure pat00034
의 절대값의 곱이 최대가 되는 주성분 개수(k)를 판단할 수 있다. 또한, 프로세서(320)는 주성분 개수 별로 생성된 복수의 후보 농도 추정 모델 중에서 레지듀얼 벡터(
Figure pat00035
)의 크기와
Figure pat00036
의 절대값의 곱(
Figure pat00037
)이 최대가 되는 주성분 개수(k)로 생성된 후보 농도 추정 모델을 최적의 농도 추정 모델로 선택할 수 있다.
프로세서(320)는 최적의 농도 추정 모델 선택 후 분석 물질의 농도 추정을 위한 추정용 체내 스펙트럼이 획득되면, 추정용 체내 스펙트럼과 선택된 농도 추정 모델을 이용하여 분석 물질의 농도를 추정할 수 있다. 예컨대, 프로세서(320)는 수학식 1을 이용하여 분석 물질의 농도를 추정할 수 있다.
도 4a 내지 4j는 주성분 개수에 따른
Figure pat00038
값과 주성분 개수에 따라 생성된 농도 추정 모델로 혈당을 예측한 결과의 관계를 설명하기 위한 예시도이다. 도 4a는 주성분 개수에 따른
Figure pat00039
값을 도시한 예시도이고, 도 4b는 7개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이고, 도 4c는 8개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이고, 도 4d는 9개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이고, 도 4e는 10개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이고, 도 4f는 11개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이고, 도 4g는 12개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이고, 도 4h는 13개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이고, 도 4i는 14개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이고, 도 4j는 15개의 주성분을 이용하여 생성된 농도 추정 모델로 혈당을 예측한 결과의 예시도이다.
도 4a 내지 도 4j를 참조하면, 주성분 개수가 11개일 때,
Figure pat00040
가 최대가 되며, 이때 추정 혈당값의 정확도가 가장 크다는 것을 알 수 있다. 즉,
Figure pat00041
가 최대가 되는 주성분 개수를 선택하고 선택된 개수의 주성분을 이용하여 생성된 농도 추정 모델을 혈당 추정에 이용함으로써 혈당 추정의 정확도를 향상시킬 수 있음을 알 수 있다.
도 5은 농도 추정 장치의 다른 실시예를 도시한 블록도이다. 도 5의 농도 추정 장치는 피검체의 체내 스펙트럼을 분석함으로써 분석 물질의 농도를 추정할 수 있는 장치로, 상술한 다양한 전자 장치에 탑재되거나 하우징으로 감싸져 별개의 장치로 형성될 수 있다.
도 5를 참조하면, 농도 추정 장치(500)는 스펙트럼 획득부(510), 프로세서(520), 입력부(530), 저장부(540), 통신부(550) 및 출력부(560)를 포함할 수 있다. 여기서 스펙트럼 획득부(510) 및 프로세서(520)는 도 3을 참조하여 전술한 스펙트럼 획득부(310) 및 프로세서(320)와 각각 동일하므로 그 상세한 설명은 생략하기로 한다.
입력부(530)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(530)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad)(정압/정전), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
저장부(540)는 농도 추정 장치(500)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 농도 추정 장치(500)에 입력되는 데이터 및 농도 추정 장치(500)로부터 출력되는 데이터를 저장할 수 있다. 또한, 저장부(540)는 체내 스펙트럼, 농도 추정 모델, 분석 물질의 농도 추정값 등을 저장할 수 있다. 저장부(540)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 농도 추정 장치(500)는 인터넷 상에서 저장부(540)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(550)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(550)는 농도 추정 장치(500)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 외부 장치로 전송하거나, 외부 장치로부터 농도 추정 모델의 생성과, 분석 물질의 농도 추정에 도움이 되는 다양한 데이터를 수신할 수 있다.
이때, 외부 장치는 농도 추정 장치(500)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 사용하는 의료 장비, 결과물을 출력하기 위한 프린트 또는 디스플레이 장치일 수 있다. 이외에도 외부 장치는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등 일 수 있으나, 이에 제한되지 않는다.
통신부(550)는 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi??Fi Direct) 통신, UWB(ultra??wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등을 이용하여 외부 장치와 통신할 수 있다. 그러나, 이는 일 예에 불과할 뿐이며, 이에 한정되는 것은 아니다.
출력부(560)는 농도 추정 장치(500)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 출력할 수 있다. 일 실시예에 따르면, 출력부(560)는 농도 추정 장치(500)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 이를 위해 출력부(560)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 6은 농도 추정 방법의 일 실시예를 도시한 도면이다. 도 6의 농도 추정 방법은 도 1 또는 도 5의 농도 추정 장치(100, 500)에 의해 수행될 수 있다.
도 6을 참조하면, 농도 추정 장치는 피검체 내에서 분석 물질의 농도가 실질적으로 변하지 않는 구간에서 측정된 복수의 학습용 체내 스펙트럼을 획득할 수 있다(610). 예컨대, 농도 추정 장치는 체내 스펙트럼을 측정 및/또는 저장하는 외부 장치로부터 수신하여 복수의 학습용 체내 스펙트럼을 획득하거나, 피검체 내에서 분석 물질의 농도가 실질적으로 변하지 않는 구간에 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 체내 스펙트럼을 직접 측정함으로써 복수의 학습용 체내 스펙트럼을 획득할 수 있다.
농도 추정 장치는 복수의 학습용 체내 스펙트럼이 획득되면, 획득된 복수의 학습용 체내 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성할 수 있다(620). 일 실시예에 따르면, 농도 추정 장치는 복수의 학습용 체내 스펙트럼을 이용하여 NAS(net analyte signal) 알고리즘을 통해 복수의 후보 농도 추정 모델을 생성할 수 있다. 이때, 분석 물질은 포도당(glucose), 중성지방(triglyceride), 요소(urea), 요산(uric acid), 젖산(lactate), 단백질(protein), 콜레스테롤(cholesterol) 또는 에탄올(ethanol) 등을 포함할 수 있으나 이에 한정되지 않는다. 한편, 체내의 분석 물질이 포도당인 경우, 분석 물질의 농도는 혈당을 나타낼 수 있고 분석 물질의 농도가 실질적으로 변하지 않는 구간은 포도당이 피검체 내부로 유입되지 않는 공복 구간을 나타낼 수 있다. 예컨대, 농도 추정 장치는 PCA(Principle Component Analysis), ICA(Independent Component Analysis), NMF(Non??negative matrix factorization), 및 SVD(Singular Value Decomposition) 등 다양한 차원 축소 알고리즘을 이용하여 복수의 학습용 체내 스펙트럼을 분석하여 소정 개수의 주성분 벡터를 추출하고, 주성분 개수를 달리하여 해당 개수의 주성분 벡터와 분석 물질의 순수 성분 스펙트럼 벡터로 구성된 행렬의 역행렬을 구하여 복수의 후보 농도 추정 모델 행렬을 생성하고, 생성된 복수의 후보 농도 추정 모델 행렬을 기반으로 복수의 후보 농도 추정 모델을 생성할 수 있다.
농도 추정 장치는 주성분 개수를 달리하여 생성된 복수의 후보 농도 추정 모델을 이용하여 복수의 학습용 체내 스펙트럼 각각에 대한 레지듀얼 벡터를 획득할 수 있다(630). 이때 레지듀얼 벡터는 농도 추정 모델을 이용하여 재구성한 체내 스펙트럼과 실제 측정된 체내 스펙트럼의 차이를 나타낼 수 있다. 예컨대, 농도 추정 장치는 수학식 1를 이용하여 각 학습용 체내 스펙트럼에 대한 주성분 농도(
Figure pat00042
,
Figure pat00043
,
Figure pat00044
) 및 분석 물질 농도(
Figure pat00045
)를 판단하고, 수학식 2를 이용하여 각 학습용 체내 스펙트럼을 재구성하여 재구성된 학습용 체내 스펙트럼 벡터(
Figure pat00046
)를 생성할 수 있다. 또한, 농도 추정 장치는 수학식 3을 이용하여 각 학습용 체내 스펙트럼에 대한 레지듀얼 벡터(
Figure pat00047
)를 획득할 수 있다.
농도 추정 장치는 획득된 레지듀얼 벡터를 기반으로 주성분 개수를 달리하여 생성된 복수의 후보 농도 추정 모델 중 하나를 선택할 수 있다(640). 예컨대, 농도 추정 장치는 주성분 개수를 달리하여 생성된 복수의 후보 농도 추정 모델 행렬에서 분석 물질에 대응하는 성분 벡터(
Figure pat00048
)를 추출하고, 분석 물질에 대응하는 성분 벡터(
Figure pat00049
)와 레지듀얼 벡터(
Figure pat00050
) 사이의 각도(
Figure pat00051
)를 판단하고, 레지듀얼 벡터(
Figure pat00052
)의 크기와
Figure pat00053
의 절대값의 곱이 최대가 되는 주성분 개수(k)를 판단할 수 있다. 또한, 농도 추정 장치는 주성분 개수 별로 생성된 복수의 후보 농도 추정 모델 중에서 판단된 주성분 개수(k)로 생성된 후보 농도 추정 모델을 선택할 수 있다.
농도 추정 장치는 선택된 후보 농도 추정 모델을 이용하여 분석 물질의 농도를 추정할 수 있다(650). 예컨대, 농도 추정 장치는 피검체 내 분석 물질의 농도를 추정하기 위해 측정된 추정용 체내 스펙트럼을 획득하고, 획득된 추정용 체내 스펙트럼과 선택된 후보 농도 추정 모델을 이용하여 피검체 내 분석 물질의 농도를 추정할 수 있다.
도 7은 농도 추정 시스템의 실시예를 도시한 블록도이다. 도 7의 농도 추정 시스템(700)은 도 3 내지 도 6을 참조하여 전술한 농도 추정 모델 생성 기능과 농도 추정 기능이 각각 별개의 장치에서 수행되는 실시예이다. 농도 추정 기능은 농도 추정 장치(710)에서 수행되며, 농도 추정 모델 생성 기능은 모델 생성 장치(720)에서 수행될 수 있다.
더욱 상세하게는, 농도 추정 장치(710)는 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간에 스펙트럼 측정부(711)를 통해 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 훈련용 체내 스펙트럼을 측정하고 통신부(713)를 통해 모델 생성 장치(720)에 측정된 훈련용 체내 스펙트럼을 전송할 수 있다.
모델 생성 장치(720)는 통신부(721)를 통해 농도 추정 장치(710)로부터 훈련용 체내 스펙트럼을 수신하고, 프로세서(722)를 통해 훈련용 체내 스펙트럼을 이용하여 복수의 후보 농도 추정 모델을 생성하고 복수의 후보 농도 추정 모델 중 하나를 농도 추정 모델로서 선택할 수 있다. 또한, 모델 생성 장치(720)는 통신부(721)를 통해 농도 추정 장치(710)에 선택된 농도 추정 모델을 전송할 수 있다.
농도 추정 장치(710)는 통신부(713)를 통해 모델 생성 장치(720)로부터 농도 추정 모델을 수신하고, 스펙트럼 측정부(711)를 통해 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 추정용 체내 스펙트럼을 측정할 수 있다. 또한, 농도 추정 장치(710)는 프로세서(712)를 통해 추정용 체내 스펙트럼과 농도 추정 모델을 이용하여 분석 물질의 농도를 추정할 수 있다.
도 8은 손목형 웨어러블 디바이스를 도시한 도면이다.
도 8을 참조하면, 손목형 웨어러블 디바이스(800)는 스트랩(810) 및 본체(820)를 포함할 수 있다.
스트랩(810)은 본체(820)의 양측에 연결되어 서로 체결될 수 있도록 분리 형성되거나, 스마트 밴드 형태로 일체로 형성될 수 있다. 스트랩(810)은 본체(820)가 사용자의 손목에 착용되도록 손목을 감쌀 수 있도록 플렉서블(flexible)한 부재로 형성될 수 있다.
본체(820)는 본체 내부에 전술한 농도 추정 장치(300, 500, 710)를 탑재할 수 있다. 또한, 본체(820) 내부에는 손목형 웨어러블 디바이스(800) 및 농도 추정 장치(300, 500, 710)에 전원을 공급하는 배터리가 내장될 수 있다.
광 센서가 본체(820) 하부에 사용자의 손목을 향해 노출되도록 장착될 수 있다. 이를 통해 사용자가 손목형 웨어러블 디바이스(800)를 착용하면 자연스럽게 광 센서가 사용자의 피부에 접촉할 수 있다. 이때 광 센서는 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 체내 스펙트럼을 획득할 수 있다.
손목형 웨어러블 디바이스(800)는 본체(820)에 장착되는 디스플레이(821)와 입력부(822)를 더 포함할 수 있다. 디스플레이(821)는 손목형 웨어러블 디바이스(800) 및 농도 추정 장치(300, 500, 710)에서 처리된 데이터 및 처리 결과 데이터 등을 표시할 수 있다. 입력부(822)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다.
상술한 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD??ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
300: 농도 추정 장치
310: 스펙트럼 획득부
320: 프로세서

Claims (20)

  1. 소정 구간에서 측정된 복수의 훈련용 체내 스펙트럼 및 분석 물질의 농도를 추정하기 위해 측정된 추정용 체내 스펙트럼을 획득하는 스펙트럼 획득부; 및
    상기 복수의 훈련용 체내 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하고, 상기 생성된 복수의 후보 농도 추정 모델을 이용하여 상기 복수의 훈련용 체내 스펙트럼 각각에 대한 레지듀얼 벡터를 획득하고, 상기 획득된 레지듀얼 벡터를 기반으로 상기 생성된 복수의 후보 농도 추정 모델 중 하나를 선택하고, 상기 선택된 후보 농도 추정 모델과 상기 측정된 추정용 체내 스펙트럼을 이용하여 분석 물질의 농도를 추정하는 프로세서; 를 포함하는,
    농도 추정 장치.
  2. 제1항에 있어서,
    상기 프로세서는,
    NAS(net analyte signal) 알고리즘을 통해 상기 복수의 후보 농도 추정 모델을 생성하는,
    농도 추정 장치.
  3. 제1항에 있어서,
    상기 레지듀얼 벡터는,
    농도 추정 모델을 이용하여 재구성한 체내 스펙트럼과 실제 측정된 체내 스펙트럼의 차이를 나타내는,
    농도 추정 장치.
  4. 제1항에 있어서,
    상기 프로세서는,
    상기 복수의 학습용 체내 스펙트럼을 분석하여 소정 개수의 주성분 벡터를 추출하고,
    주성분 개수를 달리하여 해당 개수의 주성분 벡터와 분석 물질의 순수 성분 스펙트럼 벡터로 구성된 행렬의 역행렬을 구하여, 복수의 후보 농도 추정 모델 행렬을 생성하고,
    상기 생성된 복수의 후보 농도 추정 모델 행렬을 기반으로 복수의 후보 농도 추정 모델을 생성하는,
    농도 추정 장치.
  5. 제4항에 있어서,
    상기 프로세서는,
    PCA(Principle Component Analysis), ICA(Independent Component Analysis), NMF(Non??negative matrix factorization), 및 SVD(Singular Value Decomposition) 중 하나를 이용하여 상기 소정 개수의 주성분 벡터를 추출하는,
    농도 추정 장치.
  6. 제4항에 있어서,
    상기 프로세서는,
    상기 생성된 복수의 후보 농도 추정 모델 행렬 각각에서 분석 물질에 대응하는 성분 벡터를 추출하고,
    상기 추출된 성분 벡터와 상기 레지듀얼 벡터 사이의 각도를 판단하고,
    상기 레지듀얼 벡터의 크기와 상기 각도의 코사인 절대값의 곱이 최대가 되는 주성분 개수를 판단하고,
    상기 복수의 후보 농도 추정 모델 중에서 상기 판단된 주성분 개수로 생성된 후보 농도 추정 모델을 선택하는,
    농도 추정 장치.
  7. 제1항에 있어서,
    상기 스펙트럼 획득부는,
    외부 장치로부터 상기 복수의 훈련용 체내 스펙트럼 및 상기 추정용 체내 스펙트럼을 수신하는,
    농도 추정 장치.
  8. 제1항에 있어서,
    상기 스펙트럼 획득부는,
    피검체에 광을 조사하고 상기 피검체로부터 반사 또는 산란된 광을 수신하여 상기 복수의 훈련용 체내 스펙트럼 및 상기 추정용 체내 스펙트럼을 측정하는,
    농도 추정 장치.
  9. 제1항에 있어서,
    상기 소정 구간은,
    피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간인,
    농도 추정 장치.
  10. 제1항에 있어서,
    상기 분석 물질은,
    포도당(glucose), 중성지방(triglyceride), 요소(urea), 요산(uric acid), 젖산(lactate), 단백질(protein), 콜레스테롤(cholesterol) 또는 에탄올(ethanol) 중 적어도 하나인,
    농도 추정 장치.
  11. 제1항에 있어서,
    상기 분석 물질은 포도당이고,
    상기 소정 구간은 공복 구간인,
    농도 추정 장치.
  12. 소정 구간에서 측정된 복수의 훈련용 체내 스펙트럼을 획득하는 단계; 및
    상기 복수의 훈련용 체내 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하는 단계;
    상기 생성된 복수의 후보 농도 추정 모델을 이용하여 상기 복수의 훈련용 체내 스펙트럼 각각에 대한 레지듀얼 벡터를 획득하는 단계;
    상기 획득된 레지듀얼 벡터를 기반으로 상기 생성된 복수의 후보 농도 추정 모델 중 하나를 선택하는 단계; 및
    상기 선택된 후보 농도 추정 모델을 이용하여 분석 물질의 농도를 추정하는 단계; 를 포함하는,
    농도 추정 방법.
  13. 제12항에 있어서,
    상기 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하는 단계는,
    NAS(net analyte signal) 알고리즘을 통해 상기 복수의 후보 농도 추정 모델을 생성하는,
    농도 추정 방법.
  14. 제12항에 있어서,
    상기 레지듀얼 벡터는,
    농도 추정 모델을 이용하여 재구성한 체내 스펙트럼과 실제 측정된 체내 스펙트럼의 차이를 나타내는,
    농도 추정 방법.
  15. 제12항에 있어서,
    상기 주성분 개수를 달리하여 복수의 후보 농도 추정 모델을 생성하는 단계는,
    상기 복수의 학습용 체내 스펙트럼을 분석하여 소정 개수의 주성분 벡터를 추출하는 단계;
    주성분 개수를 달리하여 해당 개수의 주성분 벡터와 분석 물질의 순수 성분 스펙트럼 벡터로 구성된 행렬의 역행렬을 구하여, 복수의 후보 농도 추정 모델 행렬을 생성하는 단계; 및
    상기 생성된 복수의 후보 농도 추정 모델 행렬을 기반으로 복수의 후보 농도 추정 모델을 생성하는 단계; 를 포함하는,
    농도 추정 방법.
  16. 제15항에 있어서,
    상기 소정 개수의 주성분 벡터를 추출하는 단계는,
    PCA(Principle Component Analysis), ICA(Independent Component Analysis), NMF(Non??negative matrix factorization), 및 SVD(Singular Value Decomposition) 중 하나를 이용하여 상기 소정 개수의 주성분 벡터를 추출하는,
    농도 추정 방법.
  17. 제15항에 있어서,
    상기 생성된 복수의 후보 농도 추정 모델 중 하나를 선택하는 단계는,
    상기 생성된 복수의 후보 농도 추정 모델 행렬 각각에서 분석 물질에 대응하는 성분 벡터를 추출하는 단계;
    상기 추출된 성분 벡터와 상기 레지듀얼 벡터 사이의 각도를 판단하는 단계;
    상기 레지듀얼 벡터의 크기와 상기 각도의 코사인 절대값의 곱이 최대가 되는 주성분 개수를 판단하는 단계; 및
    상기 복수의 후보 농도 추정 모델 중에서 상기 판단된 주성분 개수로 생성된 후보 농도 추정 모델을 선택하는 단계; 를 포함하는,
    농도 추정 방법.
  18. 제12항에 있어서,
    상기 소정 구간은,
    피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간인,
    농도 추정 방법.
  19. 제12항에 있어서,
    상기 분석 물질은,
    포도당(glucose), 중성지방(triglyceride), 요소(urea), 요산(uric acid), 젖산(lactate), 단백질(protein), 콜레스테롤(cholesterol) 또는 에탄올(ethanol) 중 적어도 하나인,
    농도 추정 방법.
  20. 제12항에 있어서,
    상기 분석 물질은 포도당이고,
    상기 소정 구간은 공복 구간인,
    농도 추정 방법.
KR1020180126622A 2018-10-23 2018-10-23 분석 물질의 농도 추정 장치 및 방법 KR102671886B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180126622A KR102671886B1 (ko) 2018-10-23 분석 물질의 농도 추정 장치 및 방법
US16/654,729 US20200121230A1 (en) 2018-10-23 2019-10-16 Apparatus and method for estimating analyte concentration

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180126622A KR102671886B1 (ko) 2018-10-23 분석 물질의 농도 추정 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200045736A true KR20200045736A (ko) 2020-05-06
KR102671886B1 KR102671886B1 (ko) 2024-05-31

Family

ID=

Also Published As

Publication number Publication date
US20200121230A1 (en) 2020-04-23

Similar Documents

Publication Publication Date Title
US11199492B2 (en) Apparatus for measuring spectrum, method of correcting temperature change of light source in spectrum, and apparatus and method for estimating analyte concentration
US11596331B2 (en) Apparatus and method for estimating analyte concentration
KR102539144B1 (ko) 개인화된 단위 스펙트럼 획득 장치 및 방법과, 생체 성분 추정 장치 및 방법
KR102544670B1 (ko) 항산화 센서, 항산화 신호 측정 방법 및 항산화 레벨 판단 방법
EP3782538A1 (en) Apparatus and method for estimating bio-information
KR102655742B1 (ko) 분석 물질의 혈중 농도 측정 장치 및 방법
US20230200744A1 (en) Apparatus and method for estimating target component
KR102671886B1 (ko) 분석 물질의 농도 추정 장치 및 방법
KR20200045736A (ko) 분석 물질의 농도 추정 장치 및 방법
US11911152B2 (en) Apparatus and method for estimating concentration of analyte, and calibration method
KR102640317B1 (ko) 체액 측정 장치 및 방법
KR102658237B1 (ko) 분석 물질의 혈중 농도 추정 장치 및 방법과, 모델 생성 장치 및 방법
US11287374B2 (en) Apparatus and method for updating bioinformation estimation model
US11872032B2 (en) Apparatus and method for estimating analyte concentration
KR20200133525A (ko) 생체 정보 추정 모델의 유효성 판단 장치 및 방법
US11684267B2 (en) Lens, light source device with lens, and apparatus for estimating concentration of analyte
US20220061704A1 (en) Apparatus and method for estimating target component
US20220233149A1 (en) Apparatus and method for estimating body component
KR20200116751A (ko) 분석 물질의 농도 추정 장치 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal