KR20200100997A - 분석 물질의 농도 추정 장치 및 방법 - Google Patents

분석 물질의 농도 추정 장치 및 방법 Download PDF

Info

Publication number
KR20200100997A
KR20200100997A KR1020190019074A KR20190019074A KR20200100997A KR 20200100997 A KR20200100997 A KR 20200100997A KR 1020190019074 A KR1020190019074 A KR 1020190019074A KR 20190019074 A KR20190019074 A KR 20190019074A KR 20200100997 A KR20200100997 A KR 20200100997A
Authority
KR
South Korea
Prior art keywords
concentration
analyte
estimation
estimating
concentration estimation
Prior art date
Application number
KR1020190019074A
Other languages
English (en)
Inventor
배상곤
이소영
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 KR1020190019074A priority Critical patent/KR20200100997A/ko
Priority to US16/740,989 priority patent/US11872032B2/en
Publication of KR20200100997A publication Critical patent/KR20200100997A/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
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • 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
    • A61B5/1455—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G06F17/153—Multidimensional correlation or convolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G16B40/10—Signal processing, e.g. from mass spectrometry [MS] or from PCR
    • 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
    • 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
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
    • G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Emergency Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Fuzzy Systems (AREA)

Abstract

일 양상에 따른 분석 물질의 농도 추정 방법은, 복수의 추정용 체내 스펙트럼을 획득하는 단계와, 상기 복수의 추정용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계와, 상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하고 비교 결과를 기반으로 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계와, 상기 추출된 노이즈 스펙트럼을 기반으로 상기 추출된 농도 추정 모델을 갱신하는 단계와, 상기 갱신된 농도 추정 모델과 상기 복수의 추정용 체내 스펙트럼 중 하나를 이용하여 상기 분석 물질의 농도를 추정하는 단계를 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 분석 물질의 농도 추정 방법은, 복수의 추정용 체내 스펙트럼을 획득하는 단계와, 상기 복수의 추정용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계와, 상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하고 비교 결과를 기반으로 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계와, 상기 추출된 노이즈 스펙트럼을 기반으로 상기 추출된 농도 추정 모델을 갱신하는 단계와, 상기 갱신된 농도 추정 모델과 상기 복수의 추정용 체내 스펙트럼 중 하나를 이용하여 상기 분석 물질의 농도를 추정하는 단계를 포함할 수 있다.
상기 복수의 추정용 체내 스펙트럼을 획득하는 단계는, 외부 장치로부터 상기 복수의 추정용 체내 스펙트럼을 수신하거나 피검체에 광을 조사하고 상기 피검체로부터 되돌아오는 광을 수신하여 복수의 추정용 체내 스펙트럼을 측정함으로써 상기 복수의 추정용 체내 스펙트럼을 획득할 수 있다.
상기 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계는 상기 복수의 추정용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하는 단계를 포함할 수 있다.
상기 소정 개수의 주성분 스펙트럼을 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 스펙트럼을 추출할 수 있다.
상기 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계는, 상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수를 판단하는 단계와, 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수를 판단하는 단계와, 상기 소정 개수의 주성분 스펙트럼 중에서 상기 판단된 주성분 개수에 대응하는 주성분 스펙트럼을 노이즈 스펙트럼으로 추출하는 단계와, 상기 복수의 농도 추정 모델 중에서 상기 판단된 주성분 개수에 대응하는 농도 추정 모델을 상기 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출하는 단계를 포함할 수 있다.
상기 분석 물질의 농도를 추정하는 단계는 상기 복수의 추정용 체내 스펙트럼 중 가장 나중에 측정된 체내 스펙트럼을 선택하는 단계를 포함할 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.
분석 물질의 농도 추정 방법은, 소정 구간에서 측정된 복수의 학습용 체내 스펙트럼을 획득하는 단계와, 상기 획득된 복수의 학습용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 상기 복수의 농도 추정 모델을 생성하는 단계를 더 포함할 수 있다.
상기 소정 구간은 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간일 수 있다.
상기 분석 물질은 포도당이고, 상기 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간은 공복 구간일 수 있다.
다른 양상에 따른 분석 물질의 농도 추정 장치는, 복수의 추정용 체내 스펙트럼을 획득하는 스펙트럼 획득부와, 상기 복수의 추정용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하고, 상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하고 비교 결과를 기반으로 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하고, 상기 추출된 노이즈 스펙트럼을 기반으로 상기 추출된 농도 추정 모델을 갱신하고, 상기 갱신된 농도 추정 모델과 상기 복수의 추정용 체내 스펙트럼 중 하나를 이용하여 상기 분석 물질의 농도를 추정하는 프로세서를 포함할 수 있다.
상기 프로세서는 상기 복수의 추정용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출할 수 있다.
상기 프로세서는, 상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수를 판단하고, 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수를 판단하고, 상기 소정 개수의 주성분 스펙트럼 중에서 상기 판단된 주성분 개수에 대응하는 주성분 스펙트럼을 노이즈 스펙트럼으로 추출하고, 상기 복수의 농도 추정 모델 중에서 상기 판단된 주성분 개수에 대응하는 농도 추정 모델을 상기 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출할 수 있다.
상기 프로세서는 상기 복수의 추정용 체내 스펙트럼 중 가장 나중에 측정된 체내 스펙트럼과 상기 갱신된 농도 추정 모델을 이용하여 상기 분석 물질의 농도를 추정할 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 스펙트럼 획득부는 소정 구간에서 측정된 복수의 학습용 체내 스펙트럼을 획득하고, 상기 프로세서는 상기 획득된 복수의 학습용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 상기 복수의 농도 추정 모델을 생성할 수 있다.
상기 소정 구간은 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간일 수 있다.
또 다른 양상에 따른 분석 물질의 농도 추정 방법은, 추정용 체내 스펙트럼을 획득하는 단계와, 누적된 체내 스펙트럼 및 상기 획득된 추정용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계와, 상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하고 비교 결과를 기반으로 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계와, 상기 추출된 노이즈 스펙트럼을 기반으로 상기 추출된 농도 추정 모델을 갱신하는 단계와, 상기 갱신된 농도 추정 모델과 상기 복수의 추정용 체내 스펙트럼 중 하나를 이용하여 상기 분석 물질의 농도를 추정하는 단계를 포함할 수 있다.
상기 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계는 누적된 모든 체내 스펙트럼 또는 누적된 소정 개수의 체내 스펙트럼과, 상기 획득된 추정용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하는 단계를 포함할 수 있다.
상기 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계는, 상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수를 판단하는 단계와, 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수를 판단하는 단계와, 상기 소정 개수의 주성분 스펙트럼 중에서 상기 판단된 주성분 개수에 대응하는 주성분 스펙트럼을 노이즈 스펙트럼으로 추출하는 단계와, 상기 복수의 농도 추정 모델 중에서 상기 판단된 주성분 개수에 대응하는 농도 추정 모델을 상기 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출하는 단계를 포함할 수 있다.
추정 구간에서 측정된 체내 스펙트럼을 이용하여 노이즈 성분을 추출하고, 노이즈 성분으로 농도 추정 모델을 갱신함으로써, 노이즈에 의한 영향을 실시간으로 반영하여 분석 물질의 농도 추정 정확도를 향상시킬 수 있다.
도 1 및 도 2은 NAS 알고리즘의 개념을 설명하기 위한 도면이다.
도 3은 분석 물질의 농도 추정 장치의 일 실시예를 도시한 도면이다.
도 4는 분석 물질의 농도 추정 과정의 일 실시예를 설명하기 위한 도면이다.
도 5는 분석 물질의 농도 추정 과정의 다른 실시예를 설명하기 위한 도면이다.
도 6은 분석 물질의 농도 추정 장치의 다른 실시예를 도시한 도면이다.
도 7은 분석 물질의 농도 추정 방법의 일 실시예를 도시한 도면이다.
도 8은 분석 물질의 농도 추정 방법의 다른 실시예를 도시한 도면이다.
도 9는 분석 물질의 농도 추정 방법의 또 다른 실시예를 도시한 도면이다.
도 10은 분석 물질의 농도 추정 방법의 또 다른 실시예를 도시한 도면이다.
도 11은 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 추정한다. 따라서, 추정 구간의 어떠한 시점에 피검체의 온도 변화, 피검체와 장치 사이의 압력 변화 등의 요인에 의해 학습 구간에서 학습되지 않은 노이즈가 발생한 경우 혈당 추정 오류가 증가할 수 있다.
도 3은 분석 물질의 농도 추정 장치의 일 실시예를 도시한 도면이다. 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)와 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 구간(이하, 학습 구간)에서 측정된 체내 스펙트럼(이하, 학습용 체내 스펙트럼) 및/또는 학습 구간 이후의 구간(이하, 추정 구간)에서 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 있으며, 하나 이상의 프로세서, 메모리 또는 이들의 조합으로 구성될 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 주성분 개수를 달리하여 복수의 농도 추정 모델을 생성할 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.
프로세서(320)는 복수의 농도 추정 모델이 생성된 후 분석 물질의 농도 추정을 위한 추정용 체내 스펙트럼이 획득되면, 획득된 추정용 체내 스펙트럼을 이용하여 최적의 주성분 개수를 판단하고, 노이즈에 대응하는 주성분 스펙트럼(이하 노이즈 스펙트럼)과 농도 추정에 이용될 농도 추정 모델을 선택할 수 있다. 또한, 프로세서(320)는 선택된 농도 추정 모델을 추출된 노이즈 스펙트럼으로 갱신하고, 갱신된 농도 추정 모델을 이용하여 분석 물질의 농도를 추정할 수 있다.
이하, 도 4 및 도 5를 참조하여 분석 물질의 농도 추정 과정의 실시예들을 상세히 설명한다.
도 4는 분석 물질의 농도 추정 과정의 일 실시예를 설명하기 위한 도면이다.
도 3 및 도 4를 참조하면, 스펙트럼 획득부(310)는 학습 구간에서 측정된 복수의 학습용 체내 스펙트럼(S1, S2, …, Sn)을 획득할 수 있다.
프로세서(320)는 복수의 학습용 체내 스펙트럼(S1, S2, …,Sn)을 분석하여 i개의 주성분 스펙트럼(PC_fast(1), PC_fast(2), …, PC_fast(i))을 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 복수의 학습용 체내 스펙트럼(S1, S2, …,Sn)으로부터 i개의 주성분 스펙트럼(PC_fast(1), PC_fast(2), …, PC_fast(i))을 추출할 수 있다.
프로세서(320)는 추출된 i개의 주성분 스펙트럼(PC_fast(1), PC_fast(2), …, PC_fast(i))을 기반으로 주성분 개수를 달리하여 i개의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i))을 생성할 수 있다. 예컨대, 프로세서(320)는 1개의 주성분 스펙트럼(PC_fast(1))을 이용하여 농도 추정 모델(M_fast(1))를 생성하고, 2개의 주성분 스펙트럼(PC_fast(1), PC_fast(2))을 이용하여 농도 추정 모델(M_fast(2))를 생성하는 방식으로, 주성분 개수를 달리하여 i개의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i))을 생성할 수 있다. 이때 생성된 농도 추정 모델은 수학식 1로 표현될 수 있다.
Figure pat00001
여기서, εg는 단위 농도(예컨대, 1mM)의 분석 물질에 대한 스펙트럼(이하, 순수 성분 스펙트럼)을 나타나며, 실험적으로 획득될 수 있다.
즉, 프로세서(320)는 주성분 개수를 달리하여 해당 개수의 주성분 스펙트럼과 분석 물질의 순수 성분 스펙트럼으로 구성된 행렬의 역행렬을 구하여 주성분 개수별로 복수의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i))을 생성할 수 있다.
스펙트럼 획득부(310)는 추정 구간에서 측정된 복수의 추정용 체내 스펙트럼(Sn+1, Sn+2, …, Sm)을 획득할 수 있다.
프로세서(320)는 획득된 복수의 추정용 체내 스펙트럼(Sn+1, Sn+2, …, Sm)을 분석하여 i개의 주성분 스펙트럼(PC1_ogtt, PC2_ogtt, …, PCi_ogtt)을 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 복수의 추정용 체내 스펙트럼(Sn+1, Sn+2, …, Sm)으로부터 i개의 주성분 스펙트럼(PC1_ogtt, PC2_ogtt, …, PCi_ogtt)을 추출할 수 있다.
프로세서(320)는 추출된 i개의 주성분 스펙트럼(PC1_ogtt, PC2_ogtt, …, PCi_ogtt)을 기반으로 주성분 개수를 달리하여 i개의 노이즈 검출용 모델(M_ogtt(1), M_ogtt(2), …, M_ogtt(i))을 생성할 수 있다. 예컨대, 프로세서(320)는 1개의 주성분 스펙트럼(PC1_ogtt)을 이용하여 노이즈 검출용 모델(M_ogtt(1))를 생성하고, 2개의 주성분 스펙트럼(PC1_ogtt, PC2_ogtt)을 이용하여 노이즈 검출용 모델(M_ogtt(2))를 생성하는 방식으로, 주성분 개수를 달리하여 i개의 노이즈 검출용 모델(M_ogtt(1), M_ogtt(2), …, M_ogtt(i))을 생성할 수 있다. 이때 프로세서(320)는 전술한 수학식 1을 이용하여 노이즈 검출용 모델을 생성할 수 있다.
프로세서(320)는 복수의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i))과 복수의 노이즈 검출용 모델(M_ogtt(1), M_ogtt(2), …, M_ogtt(i))을 주성분 개수별로 비교하여 주성분 개수별 상관 계수를 판단할 수 있다. 예컨대, 프로세서(320)는 농도 추정 모델(M_fast(1))와 노이즈 검출용 모델(M_ogtt(1))을 비교하여 상관 계수(xCorr(1))을 판단하고, 농도 추정 모델(M_fast(2))와 노이즈 검출용 모델(M_ogtt(2))을 비교하여 상관 계수(xCorr(2))를 판단하는 방식으로, 주성분 개수별로 상관 계수(xCorr(1), xCorr(2), …, xCorr(i))를 판단할 수 있다.
프로세서(320)는 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수(i)를 판단하고, 판단된 주성분 개수(i)에 1을 더하여 최적의 주성분 개수(i+1)를 판단할 수 있다.
또한, 프로세서(320)는 i개의 주성분 스펙트럼(PC1_ogtt, PC2_ogtt, …, PCi_ogtt) 중에서 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수(i)에 대응하는 주성분 스펙트럼(PCi_ogtt)을 노이즈 스펙트럼으로 추출하고, 복수의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i)) 중에서 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수(i)에 대응하는 농도 추정 모델(M_fast(i))을 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출할 수 있다.
프로세서(320)는 추출된 노이즈 스펙트럼(PCi_ogtt)를 이용하여 추출된 농도 추정 모델(M_fast(i))를 갱신할 수 있다. 이때 갱신된 농도 추정 모델(Mi_update)은 수학식 2로 표현될 수 있다.
Figure pat00002
즉, 프로세서(320)는 농도 추정 모델(M_fast(i)) 생성에 이용된 주성분 스펙트럼들(PC_fast(1), PC_fast(2), …, PC_fast(i))에 노이즈 스펙트럼(PCi_ogtt)을 추가하고, 주성분 스펙트럼들(PC_fast(1), PC_fast(2), …, PC_fast(i)), 노이즈 스펙트럼(PCi_ogtt) 및 분석 물질의 순수 성분 스펙트럼으로 구성된 행렬의 역행렬을 구하여 갱신된 농도 추정 모델(Mi_update)을 생성할 수 있다.
프로세서(320)는 복수의 추정용 체내 스펙트럼(Sn+1, Sn+2, …, Sm) 중 하나를 선택하고 선택된 체내 스펙트럼과 갱신된 농도 추정 모델(Mi_update)를 이용하여 분석 물질의 농도를 추정할 수 있다. 일 실시예에 따르면, 프로세서(320)는 복수의 추정용 체내 스펙트럼(Sn+1, Sn+2, …, Sm) 중에서 가장 나중에 측정된 체내 스펙트럼(Sm)을 선택할 수 있으나 이에 한정되는 것은 아니다.
예컨대, 프로세서(320)는 수학식 3을 이용하여 분석 물질의 농도를 추정할 수 있다.
Figure pat00003
여기서, C1, C2, Ci는 각 주성분의 농도를 나타내며, Cnoise는 노이즈의 농도를 나타내며, Cg는 분석 물질의 농도를 나타내며, Sskin는 선택된 추정용 체내 스펙트럼을 나타내며, L은 광의 경로 길이를 나타낼 수 있다.
도 5는 분석 물질의 농도 추정 과정의 다른 실시예를 설명하기 위한 도면이다.
도 3 및 도 5를 참조하면, 스펙트럼 획득부(310)는 학습 구간에서 측정된 복수의 학습용 체내 스펙트럼(S1, S2, …, Sn)을 획득할 수 있다.
프로세서(320)는 복수의 학습용 체내 스펙트럼(S1, S2, …, Sn)을 분석하여 i개의 주성분 스펙트럼(PC_fast(1), PC_fast(2), …, PC_fast(i))을 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 복수의 학습용 체내 스펙트럼(S1, S2, …, Sn)으로부터 i개의 주성분 스펙트럼(PC_fast(1), PC_fast(2), …, PC_fast(i))을 추출할 수 있다.
프로세서(320)는 추출된 i개의 주성분 스펙트럼(PC_fast(1), PC_fast(2), …, PC_fast(i))을 기반으로 주성분 개수를 달리하여 i개의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i))을 생성할 수 있다. 예컨대, 프로세서(320)는 1개의 주성분 스펙트럼(PC_fast(1))을 이용하여 농도 추정 모델(M_fast(1))를 생성하고, 2개의 주성분 스펙트럼(PC_fast(1), PC_fast(2))을 이용하여 농도 추정 모델(M_fast(2))를 생성하는 방식으로, 주성분 개수를 달리하여 i개의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i))을 생성할 수 있다. 즉, 프로세서(320)는 주성분 개수를 달리하여 해당 개수의 주성분 스펙트럼과 분석 물질의 순수 성분 스펙트럼으로 구성된 행렬의 역행렬을 구하여 주성분 개수별로 복수의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i))을 생성할 수 있다.
스펙트럼 획득부(310)는 추정 구간에서 측정된 추정용 체내 스펙트럼(Sn+1)을 획득할 수 있다.
프로세서(320)는 누적된 모든 체내 스펙트럼(S1, S2, …, Sn) 또는 누적된 소정 개수(k)의 체내 스펙트럼(Sn-k, Sn-k+1, …, Sn)과, 획득된 추정용 체내 스펙트럼(Sn+1)을 분석하여 i개의 주성분 스펙트럼(PC1_ogtt, PC2_ogtt, …, PCi_ogtt)을 추출할 수 있다. 이때, 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 이용할 수 있다. 한편 누적된 체내 스펙트럼은 스펙트럼 획득부(310)가 추정용 체내 스펙트럼(Sn+1)을 획득하기 전에 획득된 추정용 체내 스펙트럼 및 학습용 체내 스펙트럼을 포함할 수 있다.
프로세서(320)는 추출된 i개의 주성분 스펙트럼(PC1_ogtt, PC2_ogtt, …, PCi_ogtt)을 기반으로 주성분 개수를 달리하여 i개의 노이즈 검출용 모델(M_ogtt(1), M_ogtt(2), …, M_ogtt(i))을 생성할 수 있다. 이때 프로세서(320)는 전술한 수학식 1을 이용하여 노이즈 검출용 모델을 생성할 수 있다.
프로세서(320)는 복수의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i))과 복수의 노이즈 검출용 모델(M_ogtt(1), M_ogtt(2), …, M_ogtt(i))을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수(xCorr(1), xCorr(2), …, xCorr(i))를 판단할 수 있다.
프로세서(320)는 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수(i)를 판단하고, 판단된 주성분 개수(i)에 1을 더하여 최적의 주성분 개수(i+1)를 판단할 수 있다.
프로세서(320)는 i개의 주성분 스펙트럼(PC1_ogtt, PC2_ogtt, …, PCi_ogtt) 중에서 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수(i)에 대응하는 주성분 스펙트럼(PCi_ogtt)을 노이즈 스펙트럼으로 추출하고, 복수의 농도 추정 모델(M_fast(1), M_fast(2), …, M_fast(i)) 중에서 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수(i)에 대응하는 농도 추정 모델(M_fast(i))을 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출할 수 있다.
프로세서(320)는 추출된 노이즈 스펙트럼(PCi_ogtt)를 이용하여 추출된 농도 추정 모델(M_fast(i))를 갱신할 수 있다. 예컨대, 프로세서(320)는 농도 추정 모델(M_fast(i)) 생성에 이용된 주성분 스펙트럼들(PC_fast(1), PC_fast(2), …, PC_fast(i))에 노이즈 스펙트럼(PCi_ogtt)을 추가하고, 주성분 스펙트럼들(PC_fast(1), PC_fast(2), …, PC_fast(i)), 노이즈 스펙트럼(PCi_ogtt) 및 분석 물질의 순수 성분 스펙트럼으로 구성된 행렬의 역행렬을 구하여 갱신된 농도 추정 모델(Mi_update)을 생성할 수 있다. 갱신된 농도 추정 모델은 전술한 수학식 2로 표현될 수 있다.
프로세서(320)는 추정용 체내 스펙트럼(Sn+1)과 갱신된 농도 추정 모델(Mi_update)를 이용하여 분석 물질의 농도를 추정할 수 있다. 이때, 프로세서(320)는 수학식 3을 이용하여 분석 물질의 농도를 추정할 수 있다.
도 6은 분석 물질의 농도 추정 장치의 다른 실시예를 도시한 도면이다. 도 6의 농도 추정 장치(600)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 6을 참조하면, 농도 추정 장치(600)는 스펙트럼 획득부(110), 프로세서(120), 입력부(610), 저장부(620), 통신부(630) 및 출력부(640)를 포함할 수 있다. 여기서 스펙트럼 획득부(110) 및 프로세서(120)는 도 3 내지 도 5를 참조하여 전술 바와 같으므로 그 상세한 설명은 생략하기로 한다.
입력부(610)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(610)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(620)는 농도 추정 장치(600)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 농도 추정 장치(600)에 입력되는 데이터, 농도 추정 장치(600)에서 처리된 데이터 및 농도 추정 장치(600)로부터 출력되는 데이터를 저장할 수 있다. 저장부(620)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(600)는 인터넷 상에서 저장부(620)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(630)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(630)는 농도 추정 장치(600)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 외부 장치로 전송하거나, 외부 장치로부터 분석 물질의 혈중 농도 추정에 도움이 되는 다양한 데이터를 수신할 수 있다.
이때, 외부 장치는 농도 추정 장치(600)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(630)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(640)는 농도 추정 장치(600)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 출력할 수 있다. 일 실시예에 따르면, 출력부(640)는 농도 추정 장치(600)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(640)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 7은 분석 물질의 농도 추정 방법의 일 실시예를 도시한 도면이다. 도 7의 농도 추정 방법은 도 3 또는 도 6의 농도 추정 장치(300, 600)에 의해 수행될 수 있다.
도 7을 참조하면, 농도 추정 장치는 추정 구간에서 측정된 복수의 추정용 체내 스펙트럼을 획득할 수 있다(710). 예컨대, 농도 추정 장치는 체내 스펙트럼을 측정 및/또는 저장하는 외부 장치로부터 추정용 체내 스펙트럼 데이터를 수신하거나, 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 추정용 체내 스펙트럼을 직접 측정함으로써 복수의 추정용 체내 스펙트럼을 획득할 수 있다.
농도 추정 장치는 획득된 복수의 추정용 체내 스펙트럼을 이용하여 주성분의 개수를 달리하여 복수의 노이즈 검출용 모델을 생성할 수 있다(720). 예컨대, 농도 추정 장치는 획득된 복수의 추정용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하고, 추출된 소정 개수의 주성분 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성할 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 추정용 체내 스펙트럼으로부터 소정 개수의 주성분 스펙트럼을 추출할 수 있으며, 전술한 수학식 1을 이용하여 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성할 수 있다.
농도 추정 장치는 기 저장된 복수의 농도 추정 모델과 복수의 노이즈 검출용 모델을 비교하고, 비교 결과를 기반으로 노이즈에 대응하는 주성분 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출할 수 있다(730). 예컨대, 농도 추정 장치는 복수의 농도 추정 모델과 복수의 노이즈 검출용 모델을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수를 판단할 수 있다. 또한, 농도 추정 장치는 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수를 판단하고, 복수의 추정용 체내 스펙트럼로부터 추출된 소정 개수의 주성분 스펙트럼 중에서 판단된 주성분 개수에 대응하는 주성분 스펙트럼을 노이즈 스펙트럼으로 추출하고, 복수의 농도 추정 모델 중에서 판단된 주성분 개수에 대응하는 농도 추정 모델을 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출할 수 있다. 이때, 농도 추정 장치는 판단된 주성분 개수에 1을 더하여 최적의 주성분 개수를 판단할 수 있다.
농도 추정 장치는 추출된 노이즈 스펙트럼을 이용하여 추출된 농도 추정 모델을 갱신할 수 있다(740). 예컨대, 농도 추정 장치는 추출된 농도 추정 모델의 생성에 이용된 주성분 스펙트럼들에 추출된 노이즈 스펙트럼을 추가하고 추출된 농도 추정 모델의 생성에 이용된 주성분 스펙트럼들, 추출된 노이즈 스펙트럼 및 분석 물질의 순수 성분 스펙트럼으로 구성된 행렬의 역행렬을 구하여 갱신된 농도 추정 모델을 생성할 수 있다. 이때 갱신된 농도 추정 모델은 전술한 수학식 2로 표현될 수 있다.
농도 추정 장치는 복수의 추정용 체내 스펙트럼 중 하나와 갱신된 농도 추정 모델을 이용하여 분석 물질의 농도를 추정할 수 있다(750). 일 실시예에 따르면, 농도 추정 장치는 복수의 추정용 체내 스펙트럼 중에서 가장 나중에 측정된 체내 스펙트럼을 선택할 수 있으며, 선택된 체내 스펙트럼과 전술한 수학식 3을 이용하여 분석 물질의 농도를 추정할 수 있다.
도 8은 분석 물질의 농도 추정 방법의 다른 실시예를 도시한 도면이다. 도 7의 농도 추정 방법은 도 3 또는 도 6의 농도 추정 장치(300, 600)에 의해 수행될 수 있다. 도 8의 단계 710, 단계 720, 단계 730, 단계 740 및 단계 750은 도 7을 참조하여 전술한 바와 같으므로 그 상세한 설명은 생략하기로 한다.
도 8을 참조하면, 농도 추정 장치는 학습 구간에서 측정된 복수의 학습용 체내 스펙트럼을 획득할 수 있다(701). 예컨대, 농도 추정 장치는 체내 스펙트럼을 측정 및/또는 저장하는 외부 장치로부터 학습용 체내 스펙트럼 데이터를 수신하거나, 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 학습용 체내 스펙트럼을 직접 측정함으로써 복수의 학습용 체내 스펙트럼을 획득할 수 있다.
농도 추정 장치는 획득된 복수의 학습용 체내 스펙트럼을 이용하여 주성분의 개수를 달리하여 복수의 농도 추정 모델을 생성할 수 있다(702). 예컨대, 농도 추정 장치는 획득된 복수의 학습용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하고, 추출된 소정 개수의 주성분 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 농도 추정 모델을 생성할 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 스펙트럼으로부터 소정 개수의 주성분 스펙트럼을 추출할 수 있으며, 전술한 수학식 1을 이용하여 주성분 개수를 달리하여 복수의 농도 추정 모델을 생성할 수 있다.
도 9는 분석 물질의 농도 추정 방법의 또 다른 실시예를 도시한 도면이다. 도 9의 농도 추정 방법은 도 3 또는 도 6의 농도 추정 장치(300, 600)에 의해 수행될 수 있다.
도 9를 참조하면, 농도 추정 장치는 추정 구간에서 측정된 추정용 체내 스펙트럼을 획득할 수 있다(910). 예컨대, 농도 추정 장치는 체내 스펙트럼을 측정 및/또는 저장하는 외부 장치로부터 추정용 체내 스펙트럼 데이터를 수신하거나, 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 추정용 체내 스펙트럼을 직접 측정함으로써 추정용 체내 스펙트럼을 획득할 수 있다.
농도 추정 장치는 누적된 모든 체내 스펙트럼 또는 누적된 소정 개수의 체내 스펙트럼과, 획득된 추정용 체내 스펙트럼을 이용하여 주성분의 개수를 달리하여 복수의 노이즈 검출용 모델을 생성할 수 있다(920). 예컨대, 농도 추정 장치는 누적된 모든 체내 스펙트럼 또는 누적된 소정 개수의 체내 스펙트럼과, 획득된 추정용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하고, 추출된 소정 개수의 주성분 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성할 수 있다.
농도 추정 장치는 기 저장된 복수의 농도 추정 모델과 복수의 노이즈 검출용 모델을 비교하고, 비교 결과를 기반으로 노이즈에 대응하는 주성분 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출할 수 있다(930). 예컨대, 농도 추정 장치는 복수의 농도 추정 모델과 복수의 노이즈 검출용 모델을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수를 판단할 수 있다. 또한, 농도 추정 장치는 상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수를 판단하고, 추출된 소정 개수의 주성분 스펙트럼 중에서 판단된 주성분 개수에 대응하는 주성분 스펙트럼을 노이즈 스펙트럼으로 추출하고, 복수의 농도 추정 모델 중에서 판단된 주성분 개수에 대응하는 농도 추정 모델을 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출할 수 있다. 이때, 농도 추정 장치는 판단된 주성분 개수에 1을 더하여 최적의 주성분 개수를 판단할 수 있다.
농도 추정 장치는 추출된 노이즈 스펙트럼을 이용하여 추출된 농도 추정 모델을 갱신할 수 있다(940). 예컨대, 농도 추정 장치는 추출된 농도 추정 모델의 생성에 이용된 주성분 스펙트럼들에 추출된 노이즈 스펙트럼을 추가하고 추출된 농도 추정 모델의 생성에 이용된 주성분 스펙트럼들, 추출된 노이즈 스펙트럼 및 분석 물질의 순수 성분 스펙트럼으로 구성된 행렬의 역행렬을 구하여 갱신된 농도 추정 모델을 생성할 수 있다. 이때 갱신된 농도 추정 모델은 전술한 수학식 2로 표현될 수 있다.
농도 추정 장치는 획득된 추정용 체내 스펙트럼과 갱신된 농도 추정 모델을 이용하여 분석 물질의 농도를 추정할 수 있다(950). 일 실시예에 따르면, 농도 추정 장치는 전술한 수학식 3을 이용하여 분석 물질의 농도를 추정할 수 있다.
도 10은 분석 물질의 농도 추정 방법의 또 다른 실시예를 도시한 도면이다. 도 10의 농도 추정 방법은 도 3 또는 도 6의 농도 추정 장치(300, 600)에 의해 수행될 수 있다. 도 10의 단계 910, 단계 920, 단계 930, 단계 940 및 단계 950은 도 9를 참조하여 전술한 바와 같으므로 그 상세한 설명은 생략하기로 한다.
도 10을 참조하면, 농도 추정 장치는 학습 구간에서 측정된 복수의 학습용 체내 스펙트럼을 획득할 수 있다(901). 예컨대, 농도 추정 장치는 체내 스펙트럼을 측정 및/또는 저장하는 외부 장치로부터 학습용 체내 스펙트럼 데이터를 수신하거나, 피검체에 광을 조사하고 피검체로부터 반사 또는 산란된 광을 수신하여 학습용 체내 스펙트럼을 직접 측정함으로써 복수의 학습용 체내 스펙트럼을 획득할 수 있다.
농도 추정 장치는 획득된 복수의 학습용 체내 스펙트럼을 이용하여 주성분의 개수를 달리하여 복수의 농도 추정 모델을 생성할 수 있다(902). 예컨대, 농도 추정 장치는 획득된 복수의 학습용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하고, 추출된 소정 개수의 주성분 스펙트럼을 기반으로 주성분 개수를 달리하여 복수의 농도 추정 모델을 생성할 수 있다.
도 11은 손목형 웨어러블 디바이스를 도시한 도면이다.
도 11을 참조하면, 손목형 웨어러블 디바이스(1100)는 스트랩(1110) 및 본체(1120)를 포함할 수 있다.
스트랩(1110)은 본체(1120)의 양측에 연결되어 서로 체결될 수 있도록 분리 형성되거나, 스마트 밴드 형태로 일체로 형성될 수 있다. 스트랩(1110)은 본체(1120)가 사용자의 손목에 착용되도록 손목을 감쌀 수 있도록 플렉서블(flexible)한 부재로 형성될 수 있다.
본체(1120)는 본체 내부에 전술한 농도 추정 장치(300, 600)를 탑재할 수 있다. 또한, 본체(1120) 내부에는 손목형 웨어러블 디바이스(1100) 및 농도 추정 장치(300, 600)에 전원을 공급하는 배터리가 내장될 수 있다.
광 센서가 본체(1120) 하부에 사용자의 손목을 향해 노출되도록 장착될 수 있다. 이를 통해 사용자가 손목형 웨어러블 디바이스(1100)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(1100)는 본체(1120)에 장착되는 디스플레이(1121)와 입력부(1122)를 더 포함할 수 있다. 디스플레이(1121)는 손목형 웨어러블 디바이스(1100) 및 농도 추정 장치(300, 600)에서 처리된 데이터 및 처리 결과 데이터 등을 표시할 수 있다. 입력부(1122)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. 복수의 추정용 체내 스펙트럼을 획득하는 단계;
    상기 복수의 추정용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계;
    상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하고 비교 결과를 기반으로 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계;
    상기 추출된 노이즈 스펙트럼을 기반으로 상기 추출된 농도 추정 모델을 갱신하는 단계;
    상기 갱신된 농도 추정 모델과 상기 복수의 추정용 체내 스펙트럼 중 하나를 이용하여 상기 분석 물질의 농도를 추정하는 단계; 를 포함하는,
    분석 물질의 농도 추정 방법.
  2. 제1항에 있어서,
    상기 복수의 추정용 체내 스펙트럼을 획득하는 단계는,
    외부 장치로부터 상기 복수의 추정용 체내 스펙트럼을 수신하거나 피검체에 광을 조사하고 상기 피검체로부터 되돌아오는 광을 수신하여 복수의 추정용 체내 스펙트럼을 측정함으로써 상기 복수의 추정용 체내 스펙트럼을 획득하는,
    분석 물질의 농도 추정 방법.
  3. 제1항에 있어서,
    상기 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계는 상기 복수의 추정용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하는 단계를 포함하는,
    분석 물질의 농도 추정 방법.
  4. 제3항에 있어서,
    상기 소정 개수의 주성분 스펙트럼을 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 스펙트럼을 추출하는,
    분석 물질의 농도 추정 방법.
  5. 제3항에 있어서,
    상기 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계는,
    상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수를 판단하는 단계;
    상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수를 판단하는 단계;
    상기 소정 개수의 주성분 스펙트럼 중에서 상기 판단된 주성분 개수에 대응하는 주성분 스펙트럼을 노이즈 스펙트럼으로 추출하는 단계; 및
    상기 복수의 농도 추정 모델 중에서 상기 판단된 주성분 개수에 대응하는 농도 추정 모델을 상기 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출하는 단계; 를 포함하는,
    분석 물질의 농도 추정 방법.
  6. 제1항에 있어서,
    상기 분석 물질의 농도를 추정하는 단계는 상기 복수의 추정용 체내 스펙트럼 중 가장 나중에 측정된 체내 스펙트럼을 선택하는 단계를 포함하는,
    분석 물질의 농도 추정 방법.
  7. 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,
    분석 물질의 농도 추정 방법.
  8. 제1항에 있어서,
    소정 구간에서 측정된 복수의 학습용 체내 스펙트럼을 획득하는 단계; 및
    상기 획득된 복수의 학습용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 상기 복수의 농도 추정 모델을 생성하는 단계; 를 더 포함하는,
    분석 물질의 농도 추정 방법.
  9. 제8항에 있어서,
    상기 소정 구간은 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간인,
    분석 물질의 농도 추정 방법.
  10. 제9항에 있어서,
    상기 분석 물질은 포도당이고,
    상기 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간은 공복 구간인,
    분석 물질의 농도 추정 방법.
  11. 복수의 추정용 체내 스펙트럼을 획득하는 스펙트럼 획득부; 및
    상기 복수의 추정용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하고, 상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하고 비교 결과를 기반으로 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하고, 상기 추출된 노이즈 스펙트럼을 기반으로 상기 추출된 농도 추정 모델을 갱신하고, 상기 갱신된 농도 추정 모델과 상기 복수의 추정용 체내 스펙트럼 중 하나를 이용하여 상기 분석 물질의 농도를 추정하는 프로세서; 를 포함하는,
    분석 물질의 농도 추정 장치.
  12. 제11항에 있어서,
    상기 프로세서는 상기 복수의 추정용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하는,
    분석 물질의 농도 추정 장치.
  13. 제12항에 있어서,
    상기 프로세서는,
    상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수를 판단하고,
    상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수를 판단하고,
    상기 소정 개수의 주성분 스펙트럼 중에서 상기 판단된 주성분 개수에 대응하는 주성분 스펙트럼을 노이즈 스펙트럼으로 추출하고,
    상기 복수의 농도 추정 모델 중에서 상기 판단된 주성분 개수에 대응하는 농도 추정 모델을 상기 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출하는,
    분석 물질의 농도 추정 장치.
  14. 제11항에 있어서,
    상기 프로세서는 상기 복수의 추정용 체내 스펙트럼 중 가장 나중에 측정된 체내 스펙트럼과 상기 갱신된 농도 추정 모델을 이용하여 상기 분석 물질의 농도를 추정하는,
    분석 물질의 농도 추정 장치.
  15. 제11항에 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,
    분석 물질의 농도 추정 장치.
  16. 제11항에 있어서,
    상기 스펙트럼 획득부는 소정 구간에서 측정된 복수의 학습용 체내 스펙트럼을 획득하고,
    상기 프로세서는 상기 획득된 복수의 학습용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 상기 복수의 농도 추정 모델을 생성하는,
    분석 물질의 농도 추정 장치.
  17. 제16항에 있어서,
    상기 소정 구간은 피검체 내 분석 물질의 농도가 실질적으로 변하지 않는 구간인,
    분석 물질의 농도 추정 장치.
  18. 추정용 체내 스펙트럼을 획득하는 단계;
    누적된 체내 스펙트럼 및 상기 획득된 추정용 체내 스펙트럼을 이용하여 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계;
    상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하고 비교 결과를 기반으로 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계;
    상기 추출된 노이즈 스펙트럼을 기반으로 상기 추출된 농도 추정 모델을 갱신하는 단계;
    상기 갱신된 농도 추정 모델과 상기 복수의 추정용 체내 스펙트럼 중 하나를 이용하여 상기 분석 물질의 농도를 추정하는 단계; 를 포함하는,
    분석 물질의 농도 추정 방법.
  19. 제18항에 있어서,
    상기 주성분 개수를 달리하여 복수의 노이즈 검출용 모델을 생성하는 단계는 누적된 모든 체내 스펙트럼 또는 누적된 소정 개수의 체내 스펙트럼과, 상기 획득된 추정용 체내 스펙트럼을 분석하여 소정 개수의 주성분 스펙트럼을 추출하는 단계를 포함하는,
    분석 물질의 농도 추정 방법.
  20. 제19항에 있어서,
    상기 노이즈 스펙트럼과 분석 물질의 농도 추정에 이용될 농도 추정 모델을 추출하는 단계는,
    상기 생성된 복수의 노이즈 검출용 모델과 복수의 농도 추정 모델을 주성분 개수별로 비교하여 주성분 개수별로 상관 계수를 판단하는 단계;
    상관 계수가 소정의 임계값 이하이거나 상관 계수의 변화량이 가장 큰 주성분 개수를 판단하는 단계;
    상기 소정 개수의 주성분 스펙트럼 중에서 상기 판단된 주성분 개수에 대응하는 주성분 스펙트럼을 노이즈 스펙트럼으로 추출하는 단계; 및
    상기 복수의 농도 추정 모델 중에서 상기 판단된 주성분 개수에 대응하는 농도 추정 모델을 상기 분석 물질의 농도 추정에 이용될 농도 추정 모델로 추출하는 단계; 를 포함하는,
    분석 물질의 농도 추정 방법.
KR1020190019074A 2019-02-19 2019-02-19 분석 물질의 농도 추정 장치 및 방법 KR20200100997A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190019074A KR20200100997A (ko) 2019-02-19 2019-02-19 분석 물질의 농도 추정 장치 및 방법
US16/740,989 US11872032B2 (en) 2019-02-19 2020-01-13 Apparatus and method for estimating analyte concentration

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190019074A KR20200100997A (ko) 2019-02-19 2019-02-19 분석 물질의 농도 추정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20200100997A true KR20200100997A (ko) 2020-08-27

Family

ID=72041111

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190019074A KR20200100997A (ko) 2019-02-19 2019-02-19 분석 물질의 농도 추정 장치 및 방법

Country Status (2)

Country Link
US (1) US11872032B2 (ko)
KR (1) KR20200100997A (ko)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7436511B2 (en) 1999-01-22 2008-10-14 Sensys Medical, Inc. Analyte filter method and apparatus
US7756558B2 (en) 2004-05-24 2010-07-13 Trutouch Technologies, Inc. Apparatus and methods for mitigating the effects of foreign interferents on analyte measurements in spectroscopy
JP2003042948A (ja) 2001-08-03 2003-02-13 Univ Waseda グルコース濃度測定装置
US6876931B2 (en) 2001-08-03 2005-04-05 Sensys Medical Inc. Automatic process for sample selection during multivariate calibration
US7460895B2 (en) 2005-01-24 2008-12-02 University Of Iowa Research Foundation Method for generating a net analyte signal calibration model and uses thereof
WO2007057016A1 (en) 2005-11-16 2007-05-24 Chemometec A/S Determination of chemical or physical properties of sample or component of a sample
JP5360718B2 (ja) 2009-11-02 2013-12-04 独立行政法人国立高等専門学校機構 血中グルコース濃度情報の取得方法
KR102443262B1 (ko) 2015-09-23 2022-09-13 삼성전자주식회사 분석물질 농도 예측 방법 및 장치
KR102497849B1 (ko) 2016-05-09 2023-02-07 삼성전자주식회사 분석물질 농도 예측 방법 및 장치
KR102655737B1 (ko) 2016-11-30 2024-04-05 삼성전자주식회사 생체 성분 추정 장치 및 방법

Also Published As

Publication number Publication date
US11872032B2 (en) 2024-01-16
US20200261003A1 (en) 2020-08-20

Similar Documents

Publication Publication Date Title
KR102574088B1 (ko) 분석 물질의 농도 추정 장치 및 방법과, 농도 추정 모델 생성 장치 및 방법
JP7165542B2 (ja) グルコース露出量推定装置、方法及びプログラム、グルコース露出量推定モデル生成装置、並びに糖指数測定装置
US11199492B2 (en) Apparatus for measuring spectrum, method of correcting temperature change of light source in spectrum, and apparatus and method for estimating analyte concentration
US11564599B2 (en) Apparatus and method for obtaining individualized unit spectrum, and apparatus and method for estimating biological component
KR102638310B1 (ko) 분석 물질의 농도 추정 장치 및 방법
EP3782538A1 (en) Apparatus and method for estimating bio-information
US20230200744A1 (en) Apparatus and method for estimating target component
KR102658237B1 (ko) 분석 물질의 혈중 농도 추정 장치 및 방법과, 모델 생성 장치 및 방법
KR20210050967A (ko) 분석 물질의 농도 추정 장치 및 방법과, 캘리브레이션 방법
KR20200100997A (ko) 분석 물질의 농도 추정 장치 및 방법
KR102671886B1 (ko) 분석 물질의 농도 추정 장치 및 방법
US11287374B2 (en) Apparatus and method for updating bioinformation estimation model
KR20200052138A (ko) 광 센서, 광 신호 측정 방법 및 혈중 농도 추정 장치
US20200121230A1 (en) Apparatus and method for estimating analyte concentration
US11495329B2 (en) Apparatus and method for determining validity of bio-information estimation model
US20220061704A1 (en) Apparatus and method for estimating target component
EP3792675A1 (en) Lens, light source device with lens, and apparatus for estimating concentration of analyte
KR20200116751A (ko) 분석 물질의 농도 추정 장치 및 방법
CN114526830A (zh) 用于估计体温的设备和方法以及医疗装置

Legal Events

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