KR20200100131A

KR20200100131A - 혼합 센싱에 기반한 생체 모니터링 및 분석 방법, 시스템

Info

Publication number: KR20200100131A
Application number: KR1020207020655A
Authority: KR
Inventors: 닌펑 조셉 막
Original assignee: 에니웨어 컴퍼니 리미티드
Priority date: 2018-01-19
Filing date: 2019-01-17
Publication date: 2020-08-25
Also published as: TWI700708B; US20210137391A1; TW201933374A; CN108095708A; WO2019142119A1; JP2021511185A

Abstract

혼합 센싱에 기반한 생체 모니터링 및 분석 방법은 알고리즘 통계 모델을 구축하고 타겟 생체의 생체 정보 데이터를 수집하는 것을 통해 노이즈 감소 처리를 진행한 후 알고리즘 통계 모델에 입력하여 출력 타겟을 얻고, 출력 타겟은 분석 리포트 또는 백그라운드의 지난 데이터베이스와 비교하여 분석 리포트를 얻어 타겟 생체의 건강 상황을 판단한다. 또한 혼합 센싱에 기반한 생체 모니터링 및 분석 시스템을 더 제공하고, 이는 데이터를 수집하기 위한 센서(11, 13, 14), 데이터 기록 유닛(2), 데이터를 분석하기 위한 데이터 분석 유닛(3) 및 리포트 수신 유닛(4)을 포함한다. 타겟 생물의 각 방면의 생체 데이터를 수집하는 것을 통해, 타겟 생물의 생체 정보에 대해 전방위적 분석을 실현함으로써 분석 결과가 더 믿음직하며 편리하고 빠르며 생체 모니터링 및 질병 검사의 효율을 향상시킨다.

Description

혼합 센싱에 기반한 생체 모니터링 및 분석 방법, 시스템

본 발명은 질병 진단 기술에 관한 것이고, 특히 혼합 센싱에 기반한 생체 모니터링 및 분석 시스템에 관한 것이다.

선행 기술에서, 질병 또는 건강 상태에 대한 판단은 일반적으로 검사 기계를 통해 판단한다. 그러나 이런 검사 방법은 외부 요인의 간섭 및 조건적 제한으로 인해 획득한 생체 데이터가 전면적이지 못한 등 원인에 따라 검사 결과의 정확률이 높지 못하고 오진 현상이 발생하기 쉽다.

선행기술에 존재하는 흠결 또는 부족점을 극복하기 위해, 본 발명이 해결하고자 하는 기술적 과제는 건강 상태 판단에서 오진이 쉽게 발생하는 것을 해결할 수 있는 해결 수단을 제공하는 것이다.

상기 목적을 달성하기 위해, 본 발명이 사용하는 과제의 해결 수단은 아래 단계를 포함하는 혼합 센싱에 기반한 생체 모니터링 및 분석 방법을 더 제공한다.

단계 S1에서 실험을 통해 알고리즘 통계 모델을 구축한다.

단계 S2에서 타겟 생물의 생체 정보 데이터를 수집하고; 상기 생체 정보 데이터는 타겟 생물의 전기적 생체 정보, 기계적 생체 정보 및 신체 운동 활동 데이터를 포함하며; 타겟 생물의 전기적 생체 정보, 기계적 생체 정보 및 신체 운동 활동 데이터 등을 수집하는 것을 통해 정보의 전면성을 보장한다.

단계 S3에서 신호 처리 방법을 통해 상기 생체 정보 데이터에 대해 노이즈 감소 처리를 진행하고, 특징 추출 방법을 통해 상이한 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징을 추출하며; 상기 특징 추출 방법은 푸리에 변환, 주파수 대역 출력 계산, 시간 주파수 분석, 웨이블릿 분해 또는 파형 검사 중 하나 또는 다수의 조합이고, 생체 정보 데이터의 시간 영역 특징 또는 주파수 영역 특징을 추출할 수 있는 다른 특징 추출 방법의 하나 또는 다수의 조합일 수도 있으며; 생체 정보 데이터의 신호 대 잡음비를 향상시키고, 외부 요인의 간섭 또는 다른 제어 불가능한 요인으로 인한 왜곡 또는 이상(常) 데이터 정보를 제거한다.

단계 S4에서 각각 전기적 생체 정보, 기계적 생체 정보 및 신체 운동 활동 데이터에 의해 추출한 시간 영역 특징 및/또는 주파수 영역 특징을 알고리즘 통계 모델에 입력하고 연산을 진행하여 출력 타겟을 얻고; 상기 알고리즘 통계 모델은 심박수 검사 알고리즘 통계 모델, 혈압 검사 알고리즘 통계 모델, 심박수 변화 검사 알고리즘 통계 모델, 호흡률 검사 알고리즘 통계 모델, 기분 검사 알고리즘 통계 모델, 심박출량 검사 알고리즘 통계 모델 및 신체 운동 검사 알고리즘 통계 모델을 포함한다. 상기 출력 타겟은 상기 알고리즘 통계 모델에 대응되는 심박수 분석, 혈압 분석, 심박수 변화 분석, 호흡률 분석, 기분 분석, 심박출량 분석 및 신체 운동 분석을 포함하고, 다른 생체 정보의 알고리즘 통계 모델을 포함할 수도 있다.

단계 S5에서 상기 출력 타겟은 분석 리포트로서 리포트 수신 유닛에 피드백되거나, 또는 상기 출력 타겟을 각각 과거 데이터베이스와 비교하여 분석 리포트를 얻고 리포트 수신 유닛에 피드백하며, 상기 과거 데이터베이스는 상기 타겟 생물의 과거 생체 정보 데이터 및 상기 타겟 생물의 종족, 품종과 같거나 다른 생물의 과거 생체 정보 그룹 데이터를 포함한다. 과거 데이터베이스 중에는 일반적으로 상기 타겟 생물 또는 상기 타겟 생물의 종족, 과, 목, 나이, 크기가 같거나 유사한 생물의 생체 데이터 정보가 저장되고, 출력 타겟과 상기 데이터를 비교하여 상기 타겟 생물의 분석 리포트를 얻으며, 데이터 분석 유닛은 상기 분석 리포트를 리포트 수신 유닛에 송신하여 전문가가 상기 리포트에 따라 의견을 제공하도록 한다.

본 발명에 대한 개선으로서, 상기 단계 S1은 아래 단계를 더 포함한다.

단계 S11에서 센서를 통해 실험 대상의 실험 생체 정보 데이터를 수집한다.

단계 S12에서 신호 처리 방법을 통해 실험 생체 정보 데이터의 신호 대 잡음비를 향상시킨다.

단계 S13에서 특징 추출 방법을 통해 상이한 실험 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징을 추출하고, 상기 특징 추출 방법은 푸리에 변환, 주파수 대역 출력 계산, 시간 주파수 분석, 웨이블릿 분해 및 파형 검사이다.

단계 S14에서 실험 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징을 머신 러닝 시스템에 입력하여 통계 모델을 구축하고, 통계 모델을 트레이닝하여 알고리즘 통계 모델을 얻는다.

본 발명에 대한 개선으로서, 단계 S14는 아래 단계를 더 포함한다.

단계 S141에서 상기 머신 러닝 시스템에 표준 통계학 검증 파라미터 및 알고리즘 결과의 허용 가능한 결과 편차를 미리 설정한다.

단계 S142에서 상기 머신 러닝 시스템이 특징 선택 방법을 통해 상기 실험 생체 정보 데이터와 관련된 시간 영역 특징 및/또는 주파수 영역 특징의 부분 집합을 선택하여 상이한 조합의 모델을 구축하고, 통계 모델의 연산 결과와 표준 측정 방법을 통해 얻은 생체 결과를 비교하여, 기설정된 통계학 검증 파라미터 및 허용 가능한 결과 편차에 부합되는지 확인한다.

단계 S143에서 부합되지 않으면 테스트한 시간 영역 특징 및/또는 주파수 영역 특징을 상기 통계 모델에서 삭제한다.

단계 S144에서 제일 높은 정확도 및 통계 파라미터 값을 구비하는 특징 부분 집합을 선택하여 알고리즘 통계 모델을 구축한다.

본 발명에 대한 개선으로서, 상기 전기적 생체 정보는 심전도, 전기적 호흡 측정도를 포함한다.

본 발명에 대한 개선으로서, 상기 기계적 생체 정보는 심박동 곡선, 심탄도 및 기계적 호흡 측정도를 포함한다.

본 발명에 대한 개선으로서, 상기 출력 타겟은 신체 운동, 호흡률, 심박수, 심박수 변화, 혈압, 기분, 심박출량 및 신체 운동을 포함한다.

본 발명은 혼합 센싱에 기반한 생체 검사 및 분석 시스템을 더 제공한다. 이는 다수의 센서, 데이터 기록 유닛, 데이터 분석 유닛 및 리포트 수신 유닛을 포함하고; 상기 데이터 분석 유닛은 상기 데이터 기록 유닛을 통해 처리된 후 상기 센서에 의해 수집된 타겟 생물의 생체 정보 데이터를 분석하고, 분석 리포트를 상기 리포트 수신 유닛에 송신한다.

본 발명에 대한 개선으로서, 상기 센서는 심전도 센서, 가속도계, 운동 센서 및 압력 센서를 포함하고; 상기 데이터 기록 유닛은 상기 센서에 의해 수집된 생체 정보 데이터를 측정, 기록 또는 저장하는 중앙 처리 장치를 포함하며, 상기 중앙 처리 장치는 또한 상기 생체 정보 데이터를 상기 데이터 분석 유닛에 송신한다.

본 발명에 대한 개선으로서, 상기 데이터 분석 유닛은 과거 데이터베이스, 실시간 수집 데이터베이스 및 머신 러닝 방법을 통해 알고리즘 통계 모델을 구축하고 트레이닝할 수 있는 분석 플랫폼을 포함하고,

상기 과거 데이터베이스는 상기 타겟 생물의 과거 생체 정보 데이터 및 상기 타겟 생물의 종족, 품종과 같거나 다른 생물의 과거 생체 정보 그룹 데이터를 포함하며;

상기 실시간 수집 데이터베이스는 상기 타겟 생물의 생체 정보 데이터를 포함한다.

본 발명에 대한 개선으로서, 상기 데이터 분석 플랫폼은 또한, 상기 생체 정보 데이터의 신호 대 잡음비를 향상시키고, 특징 추출 방법을 통해 상이한 생체 정보 데이터의 시간 영역 및/또는 주파수 영역 특징을 추출한다.

본 발명은 타겟 생물의 각 방면의 생체 데이터를 수집하는 것을 통해, 타겟 생물의 생체 정보에 대해 전방위적 분석을 실현함으로써 분석 결과가 더 정확하고 믿음직하며 편리하고 빠르며 생체 모니터링 및 질병 검사의 효율을 향상시킨다.

도 1은 본 발명이 제공하는 검사 흐름도이다.
도 2는 본 발명이 제공하는 시스템 블록도이다.
도 3은 본 발명이 제공하는 전기적 생체 신호로부터 추출한 시간 영역 데이터 이미지이다.
도 4는 본 발명이 제공하는 전기적 생체 신호로부터 추출한 주파수 영역 데이터 이미지이다.
도 5는 본 발명이 제공하는 기계적 생체 신호로부터 추출한 시간 영역 데이터 이미지이다.
도 6은 본 발명이 제공하는 기계적 생체 신호로부터 추출한 주파수 영역 데이터 이미지이다.
도 7은 본 발명이 제공하는 전기적 생체 신호 및 기계적 생체 신호로부터 추출한 시간 영역 특징 사이의 상호 데이터 이미지이다.
도 8은 본 발명이 제공하는 전기적 생체 신호 및 기계적 생체 신호로부터 추출한 시간 영역 및/또는 주파수 영역 특징 사이의 관련 정신 상태 주성분 분석 데이터 분포 이미지이다.
도 9는 본 발명이 제공하는 전기적 생체 신호 및 기계적 생체 신호로부터 추출한 시간 영역 특징 사이의 관련 데이터 이미지로서 심박출량 및 관련 파라미터 이미지를 분석한다.
도 10은 본 발명이 제공하는 분석 시스템의 데이터 수집 구조의 측면도이다.
도 11은 본 발명이 제공하는 분석 시스템의 데이터 수집 구조의 폴딩 또는 전개 과정도이다.
도 12는 본 발명이 제공하는 타겟 생물데이터를 수집하는 실시형태이다.

실시예

아래 도면 및 구체적인 실시형태를 참조하여 본 발명을 더 상세히 설명한다.

도 1에 도시된 바와 같이, 본 발명은 혼합 센싱에 기반한 생체 모니터링 및 분석 방법을 제공한다.

단계 S1에서 실험을 통해 알고리즘 통계 모델을 구축한다.

구체적으로, 상기 단계 S1은 아래 단계를 더 포함한다.

실험 시 대량의 데이터(인류 및/또는 동물, 같거나 다른 종족/품종, 건강하거나 건강하지 않은 등)를 수집하고; 센서로부터 수집한 데이터(전기적 생체 신호, 기계적 생체 신호 또는 신체 운동 활동 데이터), 및 당시 각각의 비교 출력 타겟 데이터, 예를 들면 신체 운동, 호흡률, 심박수, 심박수 변화, 혈압, 기분, 심박출량 및 관련 파라미터, 예를 들면 심박출량, 심장 구출 분획 등을 기록한다. 전면적인 데이터 수집은 전면적인 알고리즘 통계 모델의 구축에 유리하고, 후속적인 타겟 생물의 생체 상태를 응용 분석 시의 구조가 더 정확하다.

단계 S12에서 신호 처리 방법을 통해 실험 생체 정보 데이터의 신호 대 잡음비를 향상시킨다. 일반적으로 데이터 수집 시, 간섭 데이터의 존재를 피하기 어렵고 이런 간섭 데이터는 분석 결과에 영향을 주며 심하면 오진이 발생하게 된다. 따라서 센서가 수집한 데이터, 예를 들면 전기적 생체 신호 및 기계적 생체 신호를 머신 러닝 시스템에 입력하기 전에 상응하게 적용되는 신호 처리(signal processing) 방법으로 신호 대 잡음비를 향상시켜야 한다.

단계 S13에서 특징 추출 방법을 통해 상이한 실험 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징을 추출하고, 상기 특징 추출 방법은 푸리에 변환, 주파수 대역 출력 계산, 시간 주파수 분석, 웨이블릿 분해 및 파형 검사 등 하나 또는 다수의 조합이며, 상기 특징 추출 방법 중 하나 또는 다수를 통해 상이한 실험 생체 정보 데이터에 대해 특징 추출을 진행하고; 추출된 실험 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징은 일반적으로 대표적인 것으로 상이한 시간 영역 및/또는 주파수 영역 특징을 구비한다. “특징 추출”에 응용되는 신호 처리 방법은 푸리에 변환(Fourier Transform), 주파수 대역 출력 계산(frequency band power calculation), 시간 주파수 분석(time frequency analysis), 웨이블릿 분해(wavelet decomposition) 및 파형 검사(진폭 변화 및 시간 위치) 등 처리 방법을 포함하나 이에 한정되는 것은 아니고, 시스템은 자체적으로 관련 데이터를 획득할 수도 있다.

또한, 단계 S14는 아래 단계를 더 포함한다.

단계 S141에서 상기 머신 러닝 시스템에 표준 통계학 검증 파라미터 및 알고리즘 결과의 허용 가능한 결과 편차를 미리 설정한다. 예를 들면, 표준 통계학 검증 파라미터를 95 %(즉 p-value < 0.05)보다 크게 설정하고, 상기 유의 수준의 수치는 통계학에서 연구하고자 하는 대상에 따라 결정되며, 혈압의 허용 가능한 편차는 < 1 mmHg로 설정할 수 있다.

단계 S142에서 상기 머신 러닝 시스템이 특징 선택 방법을 통해 상기 실험 생체 정보 데이터와 관련된 시간 영역 특징 및/또는 주파수 영역 특징의 부분 집합을 선택하여 상이한 조합의 모델을 구축하고, 통계 모델의 연산 결과와 표준 측정 방법을 통해 얻은 생체 결과를 비교하며, 각 알고리즘에 대해 트레이닝을 진행하고 상이한 기설정 값 및 파라미터가 있을 수 있으며, 기설정된 통계학 검증 파라미터 및 허용 가능한 결과 편차에 부합되는지 확인한다. 통계 모델을 구축한 후 통계 모델에 대해 트레이닝을 진행하여, 상기 통계 모델이 더 대표성을 띠도록 하고, 여기서 관련 머신 러닝 시스템은 자체적으로 “특징 선택” 연산 방법을 통해 영향력이 좋지 못한 시간 영역/주파수 영역 특징을 배제하고, “특징 선택”은 관련 자료를 선택 및 이용하여 필요한 목표값을 연산하여 실험데이터와 비교하고, 유의 수준 및 예측 오류의 요구에 부합되는지 확인한다.

모든 데이터에 대해 유의 수준 및 에측 오류 요구에 부합되는 하나의 통계 모델이 생성될 때까지 모든 데이터에서 순환 운행 계산을 진행하되, 주의해야 할 것은 상이한 출력 타겟 데이터는 상이한 알고리즘이 있고, 알고리즘 통계 모델은 상이한 시간 영역/주파수 영역 특징으로 이루어지며, 상이한 파라미터를 구비한다.

필요에 따라, 실험 과정에서 수집한 사람 또는 동물의 생체 데이터는 신체 운동, 호흡률, 심박수, 심박수 변화, 혈압, 기분, 심박출량 및 신체 운동 등일 수 있다.

모델을 구축한 후 아래 단계를 수행한다.

단계 S3에서 신호 처리 방법을 통해 상기 생체 정보 데이터에 대해 노이즈 감소 처리를 진행하고, 특징 추출 방법을 통해 상이한 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징을 추출하며; 상기 특징 추출 방법은 푸리에 변환, 주파수 대역 출력 계산, 시간 주파수 분석, 웨이블릿 분해 또는 파형 검사이고; 생체 정보 데이터의 신호 대 잡음비를 향상시키고, 외부 요인의 간섭 또는 다른 제어 불가능한 요인으로 인한 왜곡 또는 이상(常) 데이터 정보를 제거한다.

단계 S4에서 각각 전기적 생체 정보, 기계적 생체 정보 및 신체 운동 활동 데이터에 의해 추출한 시간 영역 특징 및/또는 주파수 영역 특징을 알고리즘 통계 모델에 입력하고 연산을 진행하여 출력 타겟을 얻고; 상기 알고리즘 통계 모델은 심박수 검사 알고리즘 통계 모델, 혈압 검사 알고리즘 통계 모델 및 심박수 변화 검사 알고리즘 통계 모델 등을 포함한다. 실험을 통해 구축한 상이한 생체 정보 데이터는 상기 생체 정보 데이터에 대응되는 알고리즘 통계 모델을 구축하고, 수집한 타겟 생물의 생체 정보 데이터를 이에 대응되는 알고리즘 통계 모델에 입력하고 비교 계산 분석을 진행하여 상응한 출력 타겟을 얻으며, 상기 출력 타겟은 상기 알고리즘 통계 모델에 대응되는 심박수 분석, 혈압 분석 및 심박수 변화 분석 등을 포함한다.

예를 들면, 전기적 생체 정보, 기계적 생체 정보 및 신체 운동 활동 데이터 등에 의해 추출한 시간 영역 특징 및/또는 주파수 영역 특징을 심박수 검사에 대해 구축한 알고리즘 통계 모델에 입력하고, 머신 러닝은 심박수와 관련된 특징이 선택될 경우에만 사용되며, 통계 모델에 진입하여 출력한 결과가 바로 심박수의 출력 타겟이고, 타겟 생물의 다수의 생체 정보 데이터에 따라 출력 타겟을 분석한다.

단계 S5에서 상기 출력 타겟은 분석 리포트로서 리포트 수신 유닛(4)에 피드백되거나, 또는 상기 출력 타겟을 각각 과거 데이터베이스와 비교하여 분석 리포트를 얻고 리포트 수신 유닛(4)에 피드백하며, 상기 과거 데이터베이스는 상기 타겟 생물의 과거 생체 정보 데이터 및 상기 타겟 생물의 종족, 품종과 같거나 다른 생물의 과거 생체 정보 그룹 데이터를 포함한다. 과거 데이터베이스 중에는 일반적으로 상기 타겟 생물 또는 상기 타겟 생물의 종족, 과, 목, 나이, 크기가 같거나 유사한 생물의 생체 데이터 정보가 저장되고, 출력 타겟과 상기 데이터를 비교하여 상기 타겟 생물의 분석 리포트를 얻으며, 데이터 분석 유닛(3)은 상기 분석 리포트를 리포트 수신 유닛(4)에 송신하여 전문가가 상기 리포트에 따라 의견을 제공하도록 한다.

도 2에 도시된 바와 같이, 본 발명은 혼합 센싱에 기반한 생체 모니터링 및 분석 시스템을 더 제공한다. 이는 다수의 센서, 데이터 기록 유닛(2), 데이터 분석 유닛(3) 및 리포트 수신 유닛(4)을 포함하고; 상기 데이터 분석 유닛은 상기 데이터 기록 유닛(2)을 통해 처리된 후 상기 센서에 의해 수집된 타겟 생물의 생체 정보 데이터를 분석하고, 분석 리포트를 상기 리포트 수신 유닛(4)에 송신한다. 여기서 상기 센서는 전기적 생체 정보, 기계적 생체 정보, 호흡 및 신체 운동 관련 활동을 수집하기 위한 심전도 센서(11), 가속도계(12), 운동 센서 및 압력 센서(13)를 포함하나 이에 한정되는 것은 아니다. 본 발명은 시간을 멈추고 동기화 하는 방식으로 심혈관 계통의 전기적 생체 및 기계적 활동을 기록하고, 심폐 활동 및 신체 운동을 동기화 측정한다.

도 3-9에 도시된 바와 같이, 상기 시스템은 상기 센서를 통해 동물 및 인류 신체로부터 실시간 전기적 생체 정보를 수집할 수 있고, 전기적 생체 정보는 심전도(ECG) 및 전기적 호흡 측정을 포함하나 이에 한정되는 것은 아니다. 또한 동물 및 인류 신체로부터 실시간 기계적 생체 정보를 수집할 수 있고, 기계적 생체 정보는 심박동 곡선(SCG; seismocardiography), 심탄도(BCG; ballistocardiography) 및 기계적 호흡 측정을 포함하나 이에 한정되는 것은 아니다. 또한 실시간 신체 운동 활동 데이터를 수집한다. 수집한 상이한 생체 정보 데이터에 대해 시간 영역 특징 및 주파수 영역 특징을 추출하고, 마지막으로 전기적 생체 신호 및 기계적 생체 신호를 결부하여 다시 분석을 진행하여, 전기적 생체 신호 및 기계적 생체 신호로부터 추출한 시간 영역 특징 사이의 상호 데이터 이미지를 얻는다.

구체적으로, 심장 상황, 혈류 동력 상태, 호흡 및 신체 활동 상태의 생체 측정은 신체 운동, 심박수, 심박수 변화, 심전도 파봉으로 이루어진 구조 검사, 심박동 곡선의 파봉으로 이루어진 구조 검사, 심탄도 파봉으로 이루어진 구조 검사, 혈압, 기분 검사 등을 포함하나 이에 한정되는 것은 아니다.

상기 데이터 기록 유닛(2)은 상기 센서에 의해 수집된 생체 정보 데이터를 측정, 기록 또는 저장하는 중앙 처리 장치를 포함하고, 상기 중앙 처리 장치는 또한 상기 생체 정보 데이터를 상기 데이터 분석 유닛(3)에 송신한다.

상기 데이터 분석 유닛(3)은 과거 데이터베이스, 실시간 수집 데이터베이스 및 머신 런닝 방법을 통해 알고리즘 통계 모델을 구축하고 트레이닝할 수 있는 분석 플랫폼을 포함하고; 상기 과거 데이터베이스는 상기 타겟 생물의 과거 생체 정보 데이터 및 상기 타겟 생물의 종족, 품종과 같거나 다른 생물의 과거 생체 정보 그룹 데이터를 포함하며; 상기 실시간 수집 데이터베이스는 상기 타겟 생물의 생체 정보 데이터를 포함한다.

상기 데이터 분석 플랫폼은 또한 상기 생체 정보 데이터의 신호 대 잡음비를 향상시키고, 특징 추출 방법을 통해 상이한 생체 정보 데이터의 시간 영역 및/또는 주파수 영역 특징을 추출한다.

도 10-12에 도시된 바와 같이, 상기 측정 시스템의 측정 부분의 구조는 수납 및휴대가 용이하도록 폴딩식으로 설계될 수 있다.

구체적으로, 기계적 생체 활동 센서(51)를 데이터 수집 구조에 내장하여, 상기 데이터 수집 구조를 센서의 저장부로 사용하면, 사용자는 상기 데이터 수집 구조를 통해 직접 타겟 생물의 신체에 작용하여 타겟 생물의 생체 데이터 정보를 수집할 수 있다.

예를 들면, 가속도계를 통해 타겟 생물의 신체 운동 활동 데이터를 수집한다.

본 발명이 심장 상황, 혈류 동력 상태, 호흡 및 신체 활동의 모니터링 및 분석에 적용될 경우, 수집된 데이터를 분석한 후, 사용자 및/또는 의료 전문가가 분석 피드백을 진행하고, 의사 또는 다른 전문가가 분석 리포트의 가이드에 따라 진단, 치료 및 처방 의견을 내린다. 이런 자동화 쾌속 심전도 임상 해석 및 진단은 진단의 전문성 및 효율을 대폭 향상시킨다.

본 발명의 유리한 효과는 본 발명이 타겟 생물의 심장 건강을 평가할 수 있다는 것이다. 예를 들면,

심박수 데이터 및 혈류 이동 데이터에 의해 심혈관 건강 및 기분 상태를 판단하고;

이상 심장 활동, 예를 들면 부정맥을 모니터링하며;

혈압을 모니터링하고;

또는 폐 활동을 측정하며;

호흡률을 모니터링하고;

이상 호흡 활동을 모니터링하며;

또는 신체 활동, 예를 들면 신체 체력 상황을 측정하거나; 또는 호흡 데이터에 의해 전반 체력 수준을 판단하고, 신체 운동 데이터에 의해 전반 체력 수준을 판단하며, 생체 데이터 수집 플랫폼을 통해 심장, 호흡 및 신체 운동의 전기적 및 기계적 데이터를 실시간으로 동기화 기록하고; 센서로부터 수집한 데이터는 데이터 기록 유닛(2), 원격 기기 또는 다른 서버 또는 기기에 기록된다.

상술한 내용은 구체적이고 바람직한 실시형태를 참조하여 본 발명에 대해 더 상세히 설명한 것으로서, 본 발명의 구체적인 실시형태가 이러한 설명에만 한정되는 것은 아니다. 본 발명이 속하는 기술분야의 통상의 기술자가 본 발명의 구상을 벗어나지 않는 전제하에 진행한 간단한 추리 또는 변환은 모두 본 발명의 보호범위에 속하는 것으로 보아야 한다.

11-심전도 센서; 12-가속기; 13-압력 센서; 2-데이터 저장 유닛; 3-데이터 분석 유닛; 4-리포트 수신 유닛; 51-기계적 활동 센서.

Claims

혼합 센싱에 기반한 생체 모니터링 및 분석 방법에 있어서,
실험을 통해 알고리즘 통계 모델을 구축하는 단계 S1;
타겟 생물의 생체 정보 데이터를 수집하고; 상기 생체 정보 데이터는 타겟 생물의 전기적 생체 정보, 기계적 생체 정보 및 신체 운동 활동 데이터를 포함하는 단계 S2;
신호 처리 방법을 통해 상기 생체 정보 데이터에 대해 노이즈 감소 처리를 진행하고, 특징 추출 방법을 통해 상이한 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징을 추출하는 단계 S3;
각각 전기적 생체 정보, 기계적 생체 정보 및 신체 운동 활동 데이터에 의해 추출한 시간 영역 특징 및/또는 주파수 영역 특징을 알고리즘 통계 모델에 입력하고 연산을 진행하여 출력 타겟을 얻고, 상기 알고리즘 통계 모델은 심박수 검사 알고리즘 통계 모델, 혈압 검사 알고리즘 통계 모델 및 심박수 변화 검사 알고리즘 통계 모델을 포함하며, 상기 출력 타겟은 상기 알고리즘 통계 모델에 대응되는 심박수 분석, 혈압 분석 및 심박수 변화 분석을 포함하는 단계 S4; 및
상기 출력 타겟은 분석 리포트로서 리포트 수신 유닛에 피드백되거나, 또는 상기 출력 타겟을 각각 과거 데이터베이스와 비교하여 분석 리포트를 얻고 리포트 수신 유닛에 피드백하며, 상기 과거 데이터베이스는 상기 타겟 생물의 과거 생체 정보 데이터 및 상기 타겟 생물의 종족, 품종과 같거나 다른 생물의 과거 생체 정보 그룹 데이터를 포함하는 단계 S5를 포함하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 방법.
제1항에 있어서,
상기 단계 S1은
센서를 통해 실험 대상의 실험 생체 정보 데이터를 수집하는 단계 S11;
신호 처리 방법을 통해 실험 생체 정보 데이터의 신호 대 잡음비를 향상시키는 단계 S12;
특징 추출 방법을 통해 상이한 실험 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징을 추출하고, 상기 특징 추출 방법은 푸리에 변환, 주파수 대역 출력 계산, 시간 주파수 분석, 웨이블릿 분해 및 파형 검사인 단계 S13; 및
실험 생체 정보 데이터의 시간 영역 특징 및/또는 주파수 영역 특징을 머신 러닝 시스템에 입력하여 통계 모델을 구축하고, 통계 모델을 트레이닝하여 알고리즘 통계 모델을 얻는 단계 S14을 더 포함하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 방법.
제2항에 있어서,
단계 S14는,
상기 머신 러닝 시스템에 표준 통계학 검증 파라미터 및 알고리즘 결과의 허용 가능한 결과 편차를 미리 설정하는 단계 S141;
상기 머신 러닝 시스템이 특징 선택 방법을 통해 상기 실험 생체 정보 데이터와 관련된 시간 영역 특징 및/또는 주파수 영역 특징의 부분 집합을 선택하여 상이한 조합의 모델을 구축하고, 통계 모델의 연산 결과와 표준 측정 방법을 통해 얻은 생체 결과를 비교하여, 기설정된 통계학 검증 파라미터 및 허용 가능한 결과 편차에 부합되는지 확인하는 단계 S142;
부합되지 않으면 테스트한 시간 영역 특징 및/또는 주파수 영역 특징을 상기 통계 모델에서 삭제하는 단계 S143; 및
제일 높은 정확도 및 통계 파라미터 값을 구비하는 특징 부분 집합을 선택하여 알고리즘 통계 모델을 구축하는 단계 S144를 더 포함하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 방법.
제1항에 있어서,
상기 전기적 생체 정보는 심전도, 전기적 호흡 측정도를 포함하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 방법.
제1항에 있어서,
상기 기계적 생체 정보는 심박동 곡선, 심탄도 및 기계적 호흡 측정도를 포함하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 방법.
제1항에 있어서,
상기 출력 타겟은 신체 운동, 호흡률, 심박수, 심박수 변화, 혈압, 기분, 심박출량 및 신체 운동을 포함하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 방법.
혼합 센싱에 기반한 생체 모니터링 및 분석 시스템에 있어서,
다수의 센서, 데이터 기록 유닛, 데이터 분석 유닛 및 리포트 수신 유닛을 포함하고,
상기 데이터 분석 유닛은 상기 데이터 기록 유닛을 통해 처리된 후 상기 센서에 의해 수집된 타겟 생물의 생체 정보 데이터를 분석하고, 분석 리포트를 상기 리포트 수신 유닛에 송신하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 시스템.
제7항에 있어서,
상기 센서는 심전도 센서, 가속도계, 운동 센서 또는 압력 센서이고,
상기 데이터 기록 유닛은 상기 센서에 의해 수집된 생체 정보 데이터를 측정, 기록 또는 저장하는 중앙 처리 장치를 포함하며, 상기 중앙 처리 장치는 또한 상기 생체 정보 데이터를 상기 데이터 분석 유닛에 송신하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 시스템.
제8항에 있어서,
상기 데이터 분석 유닛은 과거 데이터베이스, 실시간 수집 데이터베이스 및 머신 러닝 방법을 통해 알고리즘 통계 모델을 구축하고 트레이닝하는 분석 플랫폼을 포함하고;
상기 과거 데이터베이스는 상기 타겟 생물의 과거 생체 정보 데이터 및 상기 타겟 생물의 종족, 품종과 같거나 다른 생물의 과거 생체 정보 그룹 데이터를 포함하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 시스템.
제9항에 있어서,
상기 데이터 분석 플랫폼은 또한,
상기 생체 정보 데이터의 신호 대 잡음비를 향상시키고, 특징 추출 방법을 통해 상이한 생체 정보 데이터의 시간 영역 및/또는 주파수 영역 특징을 추출하는 것을 특징으로 하는 혼합 센싱에 기반한 생체 모니터링 및 분석 시스템.