KR20200119501A - 생체정보 추정 장치 및 방법 - Google Patents
생체정보 추정 장치 및 방법 Download PDFInfo
- Publication number
- KR20200119501A KR20200119501A KR1020190041753A KR20190041753A KR20200119501A KR 20200119501 A KR20200119501 A KR 20200119501A KR 1020190041753 A KR1020190041753 A KR 1020190041753A KR 20190041753 A KR20190041753 A KR 20190041753A KR 20200119501 A KR20200119501 A KR 20200119501A
- Authority
- KR
- South Korea
- Prior art keywords
- biometric information
- information
- physiological information
- estimating
- metabolic
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 45
- 230000002503 metabolic effect Effects 0.000 claims abstract description 90
- 238000002835 absorbance Methods 0.000 claims abstract description 59
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 42
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 21
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 21
- 230000036760 body temperature Effects 0.000 claims description 34
- 239000008280 blood Substances 0.000 claims description 28
- 210000004369 blood Anatomy 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 claims description 6
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 102000004169 proteins and genes Human genes 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 claims description 3
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 claims description 3
- -1 body water Chemical compound 0.000 claims description 3
- 235000012000 cholesterol Nutrition 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 239000004310 lactic acid Substances 0.000 claims description 3
- 235000014655 lactic acid Nutrition 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 150000003626 triacylglycerols Chemical class 0.000 claims description 3
- 229940116269 uric acid Drugs 0.000 claims description 3
- 210000000476 body water Anatomy 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000001678 irradiating effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 22
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 7
- 239000008103 glucose Substances 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 210000000707 wrist Anatomy 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000035479 physiological effects, processes and functions Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000031700 light absorption Effects 0.000 description 3
- 102000004877 Insulin Human genes 0.000 description 2
- 108090001061 Insulin Proteins 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 229940125396 insulin Drugs 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 210000002321 radial artery Anatomy 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000013016 Hypoglycemia Diseases 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000000624 ear auricle Anatomy 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000002218 hypoglycaemic effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 238000002095 near-infrared Raman spectroscopy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- 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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A61B5/0402—
-
- 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
- A61B5/20—Measuring for diagnostic purposes; Identification of persons for measuring urological functions restricted to the evaluation of the urinary system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- 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
- A61B5/4866—Evaluating metabolism
-
- 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
- A61B5/4869—Determining body composition
- A61B5/4875—Hydration status, fluid retention of the body
-
- 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/021—Measuring pressure in heart or blood vessels
- A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Optics & Photonics (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Emergency Medicine (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Obesity (AREA)
- Pulmonology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Urology & Nephrology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
사용자로부터 생체정보를 추정하는 생체정보 추정 장치에 관한 것이다. 일 실시예에 따르면, 생체정보 추정 장치는 사용자로부터 흡광도를 획득하는 분광기, 이산화탄소(CO2) 농도를 포함한 대사생리정보를 획득하는 생리정보 획득부 및, 획득된 대사생리정보에 상응하는 예측모델을 이용하여, 흡광도 및 대사생리정보를 기초로 생체정보를 추정하는 프로세서를 포함할 수 있다.
Description
흡광도 및 대사생리 지표를 기초로 생체정보를 추정하는 기술에 관한 것이다.
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 이용한 스펙트럼 분석을 통해 비침습적으로 혈당과 같은 생체 정보를 추정하는 방법이 연구되고 있다.
흡광도 및 대사생리 지표를 이용하여 생체정보를 추정하는 장치 및 방법이 제시된다.
일 양상에 따르면, 생체정보 추정 장치는 사용자로부터 흡광도를 획득하는 분광기, 이산화탄소(CO2) 농도를 포함한 대사생리정보를 획득하는 생리정보 획득부 및, 획득된 대사생리정보에 상응하는 예측모델을 이용하여, 상기 흡광도 및 대사생리정보를 기초로 생체정보를 추정하는 프로세서를 포함할 수 있다.
분광기는 사용자의 피검 부위에 광을 조사하는 광원 및 피검 부위로부터 산란 또는 반사되는 광을 검출하는 디텍터를 포함할 수 있다.
생리정보 획득부는 이산화탄소 농도를 획득하기 위한 광학 가스 센서 및 맥파 센서 중의 적어도 하나를 포함할 수 있다.
대사생리 정보는 체온, 심박수(Heart Rate, HR), 심박변이도(Heart Rate Variability, HRV), 생체정보 초기 추정값 및, 맥파 특징(feature) 중의 적어도 하나를 더 포함할 수 있다.
생리정보 획득부는 체온을 측정하는 체온 센서 및 심박수 및 심박변이도 중의 적어도 하나를 획득하는 심전도 센서를 더 포함할 수 있다.
생리정보 획득부는 획득된 흡광도를 기초로 체온 정보 및 생체정보 초기 추정값 중의 적어도 하나를 획득할 수 있다.
생리정보 획득부는 맥파신호를 획득하는 맥파센서를 포함하고, 맥파센서를 통해 획득된 맥파신호를 기초로, 심박수, 심박변이도 및 맥파 특징 중의 적어도 하나를 획득할 수 있다.
프로세서는 획득된 대사생리정보의 종류를 고려하여, 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택할 수 있다.
복수의 예측모델 각각은 흡광도 및 복수의 대사생리정보 종류들을 서로 다르게 조합한 각각의 학습 데이터를 이용하여 생성될 수 있다.
프로세서는 생체정보 추정 요청이 수신되면, 상기 분광기 및 상기 대사생리정보 획득부의 각 센서 구동 상태를 확인하고, 상기 확인 결과를 기초로 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택할 수 있다.
생리정보 획득부는 생체정보 추정에 이용할 예측모델을 기초로 대사생리정보를 획득할 수 있다.
프로세서는 생체정보 추정 요청이 수신되면, 분광기 및 생리정보 획득부의 각 센서 구동 상태를 확인하고, 생체정보 추정에 이용할 예측모델을 기초로 상기 분광기 및 상기 각 센서의 구동을 제어하거나 사용자에게 안내할 수 있다.
예측모델은 선형 회귀 분석, 비선형 회귀 분석, 부분최소제곱 회귀 분석(Partial Least Squares, PLS), 베이지안 네트워크(Baysian network), 은닉 마코프 모델(Hidden markov model), 결정 트리(decision tree), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 순환 신경망(Recurrent Neural Network, RNN), 콘볼루션 신경망(Convolutional Neural Network) 및, 딥 신경망(Deep Neural Network) 중의 하나를 이용하여 생성될 수 있다.
생체정보는 혈당, 콜레스테롤, 중성 지방, 체수분, 젖산, 단백질 및 요산 중의 하나 이상을 포함할 수 있다.
또한, 생체정보 추정 장치는 획득된 흡광도, 대사생리정보 및 상기 프로세서 처리 결과 중의 적어도 하나를 출력하는 출력부를 더 포함할 수 있다.
일 양상에 따르면, 생체정보 추정 방법은 사용자로부터 흡광도를 획득하는 단계, 이산화탄소(CO2) 농도를 포함한 대사생리정보를 획득하는 단계 및 획득된 대사생리정보에 상응하는 예측모델을 이용하여, 흡광도 및 대사생리정보를 기초로 생체정보를 추정하는 단계를 포함할 수 있다.
대사생리정보는 체온, 심박수(Heart Rate, HR), 심박변이도(Heart Rate Variability, HRV), 생체정보 초기 추정값 및, 맥파 특징(feature) 중의 적어도 하나를 더 포함할 수 있다.
대사생리정보를 획득하는 단계는 상기 획득된 흡광도를 기초로 상기 생체정보 초기 추정값을 획득할 수 있다.
생체정보를 추정하는 단계는 획득된 대사생리정보의 종류를 고려하여, 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택할 수 있다.
복수의 예측모델 각각은 흡광도 및 복수의 대사생리정보 종류들을 서로 다르게 조합한 각각의 학습 데이터를 이용하여 생성될 수 있다.
생체정보를 추정하는 단계는 생체정보 추정 요청이 수신되면, 분광기 및 대사생리정보를 획득하는 각 센서의 구동 상태를 확인하고, 상기 확인 결과를 기초로 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택할 수 있다.
대사정보를 획득하는 단계는 생체정보 추정에 이용할 예측모델을 기초로 상기 대사생리정보를 획득할 수 있다.
생체정보를 추정하는 단계는 생체정보 추정 요청이 수신되면, 분광기 및 대사생리정보를 획득하기 위한 각 센서의 구동 상태를 확인하고, 생체정보 추정에 이용할 예측모델을 기초로 분광기 및 상기 각 센서의 구동을 제어하거나 사용자에게 안내할 수 있다.
생체정보 추정 방법은 획득된 흡광도, 대사생리정보 및 상기 프로세서 처리 결과 중의 적어도 하나를 출력하는 단계를 더 포함할 수 있다.
흡광도 및 대사생리지표를 기초로 생체정보를 추정할 수 있다.
도 1a는 일 실시예에 따른 생체정보 추정 장치의 블록도이다.
도 1b는 다른 실시예에 따른 생체정보 추정 장치의 블록도이다.
도 2는 광 파장 대비 체내 성분들의 광 흡수도를 나타낸 그래프이다.
도 3a 및 도 3b는 실시예들에 따른 프로세서 구성의 블록도이다.
도 4는 대사생리정보 획득의 일 예를 도시한 것이다.
도 5는 일 실시예에 따른 생체정보 추정 방법의 흐름도이다.
도 6은 일 실시예에 따른 웨어러블 기기를 나타낸 것이다.
도 1b는 다른 실시예에 따른 생체정보 추정 장치의 블록도이다.
도 2는 광 파장 대비 체내 성분들의 광 흡수도를 나타낸 그래프이다.
도 3a 및 도 3b는 실시예들에 따른 프로세서 구성의 블록도이다.
도 4는 대사생리정보 획득의 일 예를 도시한 것이다.
도 5는 일 실시예에 따른 생체정보 추정 방법의 흐름도이다.
도 6은 일 실시예에 따른 웨어러블 기기를 나타낸 것이다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. 기재된 기술의 이점 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
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 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부, "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
도 1a 및 도 1b는 실시예들에 따른 생체정보 추정 장치의 블록도이다. 도 2는 광 파장 대비 체내 성분들의 광 흡수도를 나타낸 그래프이다.
실시예들에 따른 생체정보 추정 장치(100a,100b)는 혈당, 콜레스테롤, 중성 지방, 체수분, 젖산, 단백질 및 요산 등의 생체정보를 추정하는 장치로서, 스마트폰, 태블릿 PC, 데스크탑 PC, 노트북 PC 등의 전자 장치 또는 전문 의료기관의 의료기기에 탑재될 수 있다. 또는, 손목 시계형, 팔찌형, 손목 밴드형, 반지형, 안경형, 또는 헤어밴드형 등 피검체에 착용 가능한 웨어러블 기기와 같이 독립적인 형태로 제작될 수 있다.
도 1a 및 도 1b를 참조하면, 생체정보 추정 장치(100a, 100b)는 분광기(110), 생리정보 획득부(120) 및 프로세서(130)를 포함할 수 있다.
분광기(110)는 사용자로부터 스펙트럼 흡광도 데이터를 획득할 수 있다. 분광기(110)는 근적외선, 중적외선 등의 적외선 분광법(Infrared spectroscopy)이나 라만 분광법(Raman spectroscopy) 등의 다양한 분광 기법을 이용하여 스펙트럼 흡광도 데이터를 획득할 수 있다.
분광기(110)는 사용자의 피부 영역에 광을 조사하는 광원과, 피부 영역으로부터 반사 또는 산란되는 광을 검출하는 디텍터를 포함할 수 있다. 이때, 사용자의 피부 영역은 정맥혈이나 모세혈이 위치하는 손목 상부 영역이거나 손목 표면의 요골 동맥부에 인접한 영역일 수 있다. 요골 동맥이 지나가는 피부 영역의 경우 손목 내부의 피부 조직의 두께 등과 같은 측정의 오차를 발생시키는 외부적 요인들의 영향을 비교적 적게 받을 수 있다. 다만, 이에 제한되지 않으며 기타 인체 내의 혈관 밀도가 높은 부위인 손가락, 발가락 또는 귓볼 등 인체의 말초 부위일 수 있다.
광원은 보다 정확한 스펙트럼 흡광도 데이터 획득을 위해 다양한 파장 대역의 광을 조사하도록 형성될 수 있다. 광원은 다양한 파장의 광을 조사하도록 복수의 광원 어레이로 형성될 수 있다. 예컨대 근적외선 분광법을 이용하는 경우 광원은 근적외선 대역의 파장(예: 1500nm ~ 2500nm)의 광을 조사하도록 형성될 수 있다. 또한, 라만 분광법을 이용하는 경우 단일의 레이저 광을 조사하도록 형성될 수 있다. 광원은 발광 다이오드(light emitting diode, LED), 레이저 다이오드(laser diode, LD) 또는 형광체 등을 포함할 수 있다.
디텍터는 포토다이오드(photo diode), 포토트랜지스터(photo transistor, PTr) 또는 이미지 센서(예: CMOS 이미지 센서) 등을 포함할 수 있다. 디텍터는 복수 개로 형성될 수 있다. 다만 이에 제한되지 않는다.
도 2는 광 파장 대비 체내 성분들의 광 흡수도를 나타낸 그래프로, 1400nm 파장을 기준으로 정규화한 것이다. 도시된 바와 같이, 1400nm에서 정규화된 흡광도 그래프를 참조하면 각 성분들에 대한 흡광도는 1400nm에서 동일하지만 다른 파장대에서는 서로 다른 흡광도를 나타낸다. 예컨대 수분(water)은 약 1450nm 파장 근처에서 최대의 흡광도를 나타낸다. 이와 같이, 인체 내의 포도당(Glucose), 단백질(Portein), 지방(Fat) 및 수분(Water) 등의 다양한 성분들에 대하여 복수의 파장에서 검출된 광량의 차이를 이용하여 체내 성분의 농도나 양을 결정할 수 있다.
생리정보 획득부(120)는 사용자로부터 배출된 이산화탄소(CO2) 농도를 포함한 다양한 대사생리정보를 획득할 수 있다. 생리정보 획득부(120)의 적어도 일부의 기능은 프로세서(130)에 포함될 수 있다.
예를 들어, 생리정보 획득부(120)는 이산화탄소 농도를 획득하기 위한 가스 센서를 포함할 수 있다. 이때, 가스 센서는 광학 가스 센서, 화학 가스 센서 등을 포함할 수 있으나 이에 제한되지 않는다.
생리정보 획득부(120)는 광전용적맥파(plethysmogram, PPG)를 포함한 맥파신호를 획득하기 위한 맥파센서를 포함할 수 있다. 맥파센서는 사용자의 피검 부위외 광을 조사하는 하나 이상의 광원과, 피검 부위로부터 산란 또는 반사되는 디텍터를포함할 수 있다. 광원은 발광 다이오드(light emitting diode, LED), 레이저 다이오드(laser diode, LD) 또는 형광체 등을 포함할 수 있다. 디텍터는 포토다이오드(photo diode), 포토트랜지스터(photo transistor, PTr) 또는 이미지 센서(예: CMOS 이미지 센서) 등을 포함할 수 있다. 이때, 광원 및 디텍터는 전술한 분광기(110)의 광원 및 디텍터를 공유할 수 있다.
또는, 생리정보 획득부(120)는 맥파센서를 통해 획득된 맥파신호를 기초로 이산화탄소 농도를 추정할 수 있다. 이때, 이미 알려진 다양한 기법을 이용하여 PPG 신호를 기초로 이산화탄소 농도를 예측할 수 있다.
한편, 대사생리정보는 체온, 심박수(Heart Rate, HR), 심박변이도(Heart Rate Variability, HRV), 생체정보 초기 추정값 및, 맥파 특징(feature) 등의 정보를 더 포함할 수 있으나 이에 한정되지 않는다.
생리정보 획득부(120)는 체온을 측정하기 위한 체온 센서를 더 포함할 수 있다. 또는, 생리정보 획득부(120)는 분광기(110)를 통해 획득된 흡광도를 이용하여 사용자의 피부 체온을 추정할 수 있다. 이때, 생리정보 획득부(120)는 미리 정의된 흡광도와 피부 체온 간의 선형/비선형 상관 관계를 이용하여 체온을 추정할 수 있다.
생리정보 획득부(120)는 심박수 및/또는 심박변이도 등을 획득하기 위한 심전도 센서를 더 포함할 수 있다. 또는, 생리정보 획득부(120)는 맥파센서를 통해 획득된 맥파신호를 기초로 심박수 및/또는 심박변이도를 획득할 수 있다.
생리정보 획득부(120)는 분광기(110)를 통해 획득된 흡광도를 기초로 생체정보의 초기 추정값을 획득할 수 있다. 예를 들어, 램버트-비어 법칙(Labert-Beer's law) 및 부분 최소 자승법(Partial Least Squares) 등을 이용하여 생체정보 추정값을 획득할 수 있다. 예컨대, 아래의 수학식 1 및 수학식 2는 생체정보 중의 혈당을 추정하는 추정식을 예시한 것으로 혈당 추정식을 이용하여 초기 혈당 추정값을 획득할 수 있다. 다만, 여기에 정의된 수학식 1 및 수학식 2에 한정되는 것은 아니다.
여기서, BS는 기준 시간(예: 공복시)에 측정된 배경 스펙트럼을 나타낸다. 배경 스펙트럼은 공복시의 혈당 성분과 노이즈를 포함할 수 있다. εg 는 단위 혈당 스펙트럼을 의미하고, L은 광 이동 경로를 의미한다. 이때, 단위 혈당 스펙트럼과 광 이동 경로는 미리 입력되는 값이다. ΔCt는 혈당 농도 변화량을 나타낸다. 
는 혈당 성분 신호를 나타낸다.
아래의 수학식 2는 초기 혈당 추정값을 획득하는 함수식을 예시한 것이다.
여기서, C0는 기준 혈당값으로서 캘리브레이션 시점 예컨대 공복 상태 혈당값을 나타내고, Ct는 초기 혈당 추정값을 나타낸다. 일반적으로 공복 상태의 혈당(C0)은 일정하다고 가정하므로, 수학식 1을 통해 혈당 변화량(ΔCt)이 획득되면 수학식 2를 통해 초기 혈당 추정값(Ct)을 획득할 수 있다.
생리정보 획득부(120)는 맥파신호를 이용하여 구하고자 하는 생체정보(예: 혈당)와 상관 관계가 높은 특징(feature)을 획득할 수 있다. 예를 들어, 특징은 맥파신호의 파형을 분석하여 맥파 최대점의 시간 및/또는 진폭, 최소점의 시간 및/또는 진폭, 맥파신호의 두 지점 사이의 시간 차이 등의 정보를 포함할 수 있으나, 이에 제한되는 것은 아니다.
생리정보 획득부(120)의 각 센서는 생체정보 추정 장치(100a,100b)에 장착되거나, 외부의 별도 하드웨어 기기로 형성될 수 있다.
생리정보 획득부(120)는 디스플레이에 시각적/비시각적인 방식으로 사용자에게 대사생리 정보 입력을 안내하고, 사용자의 입력을 통해 대사생리 정보를 획득할 수 있다.
프로세서(130)는 획득된 흡광도 및/또는 대사생리정보에 상응하는 예측모델을 이용하여, 획득된 흡광도 및/또는 대사생리정보를 기초로 생체정보를 추정할 수 있다.
예를 들어, 프로세서(130)는 복수의 흡광도 데이터 및/또는 복수의 대사생리정보들을 학습데이터로 수집하고, 수집된 학습데이터를 이용하여 예측모델을 미리 생성할 수 있다. 이때, 프로세서(130)는 흡광도 및 대사생리정보 종류들을 서로 다르게 조합하여 복수의 타입별 학습데이터를 획득하고, 각 타입의 학습데이터를 이용하여 각 타입별 예측모델을 생성할 수 있다. 예컨대, 아래의 표 1은 정의될 수 있는 타입의 일부를 예시하고 있으나, 이에 제한되는 것이 아니다.
| 타입 | 학습데이터 |
| 제1 타입 | 흡광도와 이산화탄소 농도의 조합 |
| 제2 타입 | 흡광도, 이산화탄소 농도, 체온 및 심박수 조합 |
| 제3 타입 | 흡광도, 이산화탄소 농도, 체온, 심박수, 심박변이도 조합 |
| 제4 타입 | 생체정보 초기 추정값, 이산화탄소 농도, 체온, 심박수, |
| 제5 타입 | 생체정보 초기 추정값, 이산화탄소 농도, 맥파 특징 조합 |
예를 들어, 프로세서(130)는 순환 신경망(Recursive Neural Network, RNN)을 이용하여 예측모델을 모델링할 수 있다. 다만, 이에 제한되는 것은 아니며 선형 회귀 분석, 비선형 회귀 분석, 부분최소제곱 회귀 분석(Partial Least Squares, PLS), 베이지안 네트워크(Baysian network), 은닉 마코프 모델(Hidden markov model), 결정 트리(decision tree), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 콘볼루션 신경망(Convolutional Neural Network) 및, 딥 신경망(Deep Neural Network) 등을 이용할 수도 있다.
도 3a 및 도 3b는 실시예들에 따른 프로세서 구성의 블록도이다. 도 3a 및 도 3b를 참조하여 생체정보를 추정하는 다양한 실시예들을 설명한다.
도 3a를 참조하면 일 실시예의 프로세서(300a)는 예측모델 선택부(310) 및 추정부(330)를 포함할 수 있다.
예측모델 선택부(310)는 흡광도 및/또는 획득된 대사생리정보의 종류를 고려하여 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택할 수 있다. 이때, 복수의 예측모델은 전술한 바와 같이 흡광도, 대사생리정보의 종류들을 다양하게 조합한 복수의 타입에 대하여 각각 생성될 수 있다.
예를 들어, 생체정보 추정 장치(100a,100b)에 장착된 센서들의 종류는 각 장치(100a, 100b)에 따라 상이하여 사용자들의 장치(100a, 100b)마다 서로 다른 대사생리정보가 획득될 수 있다. 또는, 생체정보 추정 장치(100a,100b)의 컴퓨팅 성능이나 사용자의 특성, 측정 시점의 센서 동작 상태 등에 따라 획득할 수 있는 대사생리정보가 다를 수 있다.
따라서, 예측모델 선택부(310)는 이와 같이 생리정보 획득부(120)에서 획득된 대사생리정보의 종류를 확인하고, 흡광도 및/또는 대사생리정보의 종류에 상응하는 예측모델을 선택할 수 있다. 예컨대, 획득된 정보가 흡광도 및 이산화탄소 농도인 경우 전술한 제1 타입의 예측모델을 선택할 수 있다.
또는, 예측모델 선택부(310)는 분광기(110) 및 각 센서의 구동 상태, 사용자의 특성(예: 나이, 성별, 건강 상태 등), 컴퓨팅 성능 등을 확인할 수 있으며, 확인 결과를 기초로 예측모델을 선택할 수 있다. 예컨대, 예측모델 선택부(310)는 현재 측정 시점에 특정 센서가 동작하지 않아 그 센서의 대사생리정보가 획득되지 않은 경우, 특정 센서의 대사생리정보의 정확도가 높지 않은 경우 또는, 사용자 특성에 비추어 획득된 특정 대사생리정보가 정확성이 높지 않다고 판단되는 경우에는 그 대사생리정보를 제외한 나머지 정보들을 기초로 예측모델을 선택할 수 있다.
추정부(330)는 획득된 흡광도 및 대사생리정보 중에서 선택된 예측모델에 상응하는 정보들을 예측모델에 입력하고, 예측모델의 출력을 생체정보 추정값으로 획득할 수 있다.
도 3b를 참조하면, 일 실시예의 프로세서(300b)는 생리정보 획득 제어부(320) 및 추정부(330)를 포함할 수 있다. 도 4는 대사생리정보 획득의 일 예를 도시한 것이다.
생리정보 획득 제어부(320)는 생체정보 추정에 이용할 예측모델을 기초로 대사생리정보 획득을 제어할 수 있다. 예를 들어, 생체정보 추정 요청이 수신되면, 분광기 및 대사생리정보 획득부의 각 센서 구동 상태를 확인하고, 생체정보 추정에 이용할 예측모델을 기초로 분광기 및 각 센서의 구동을 제어하거나 사용자에게 안내할 수 있다.
예컨대, 생체정보 추정에 이용할 디폴트 예측모델이 전술한 제2 타입의 예측모델이라고 할 때, 생리정보 획득 제어부(320)는 탑재된 분광기, 체온 센서 등이 동작 상태를 확인하고 오프(OFF) 상태인 경우 온(ON) 상태로 직접 전환하거나 사용자에게 그 센서들의 구동을 요청하는 안내 메시지 또는 음성을 출력할 수 있다. 또는, 체온 센서가 탑재되지 않았거나 고장이 발생한 경우 대사생리정보 획득부(120)에 흡광도를 기초로 체온 정보를 획득하도록 제어할 수 있다.
또는, 탑재된 체온 센서가 고장인 경우 도 4에 도시된 바와 같이 생체정보 추정 장치(100a,100b)를 포함하는 스마트폰(40)의 디스플레이(42)에 인터페이스를 제공하여 사용자가 외부 체온계 등을 이용해 측정한 체온 정보를 직접 입력하도록 할 수 있다. 다만, 이에 제한되는 것은 아니며 음성으로 원하는 대사생리정보를 입력하도록 할 수 있으며, 사용자는 마이크로폰 등의 음성 입력 수단을 이용하여 정보를 입력할 수 있다.
추정부(330)는 예측모델을 기초로 획득된 흡광도 및/또는 대사생리 정보들을 예측모델에 입력하고, 예측모델의 출력을 생체정보 추정값으로 획득할 수 있다.
도 1b를 참조하면, 본 실시예의 생체정보 추정 장치(100b)는 출력부(140), 저장부(150) 및 통신부(160)를 더 포함할 수 있다.
출력부(140)는 분광기(110), 생리정보 획득부(120) 및 프로세서(130)에 의해 처리된 결과를 출력할 수 있다. 예를 들어, 출력부(140)는 생체정보 추정값을 디스플레이 모듈을 통해 시각적으로 출력할 수 있다. 또는, 스피커 모듈 또는 햅틱 모듈 등을 통해 음성이나 진동, 촉감 등의 비시각적인 방식으로 출력할 수 있다. 이때, 생체정보 추정값이 정상 범위를 벗어나는 경우, 빨간 색 등을 사용하여 강조하거나, 정상 범위를 함께 표시할 수 있으며, 음성으로 경고 메시지를 출력하거나, 진동이나 촉감 등의 강도를 조절하는 것과 같은 다양한 방식으로 경고 정보를 함께 출력할 수 있다.
저장부(150)는 분광기(110), 생리정보 획득부(120) 및 프로세서(130)에 의해 처리된 결과를 저장할 수 있다. 또한, 저장부(140)는 생체정보 추정에 필요한 다양한 기준 정보를 저장할 수 있다. 예를 들어, 기준 정보는 사용자의 나이, 성별, 건강 상태 등과 같은 사용자 특성 정보를 포함할 수 있다. 또한, 기준 정보는 하나 이상의 예측모델 등의 정보를 포함할 수 있다. 다만, 이에 제한되는 것은 아니다.
이때, 저장부(140)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어, SD 또는 XD 메모리 등), 램(Random Access Memory: RAM) SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 등의 저장매체를 포함하며, 이에 제한되는 것은 아니다.
통신부(160)는 유무선 통신 기술을 이용하여 외부 기기(170)와 통신 연결하고 각종 데이터를 송수신할 수 있다. 예를 들어, 통신부(160)는 생체정보 추정 결과를 외부 기기(170)에 전송할 수 있으며, 외부 기기(170)로부터 생체정보 추정에 필요한 예측모델과 같은 각종 정보를 수신할 수 있다. 이때, 외부 기기는 스마트폰, 태블릿 PC, 데스크탑 PC 및 노트북 PC 등의 정보 처리 장치를 포함할 수 있다.
이때, 통신 기술은 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 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
도 5는 일 실시예에 따른 생체정보 추정 방법의 흐름도이다.
도 5는 도 1a 및 도 1b의 실시예에 따른 생체정보 추정 장치(100a,100b)에 의해 수행되는 생체정보 추정 방법의 일 실시예일 수 있다.
먼저, 생체정보 추정 장치(100a,100b)는 생체정보 추정 요청에 따라 분광기를 통해 사용자로부터 흡광도 데이터를 획득할 수 있다(510). 이때, 생체정보 추정 요청은 사용자로부터 입력되거나, 연속 측정의 경우 미리 설정된 주기에 따라 자동 발생할 수 있다. 또는, 외부 기기로부터 수신될 수도 있다.
또한, 이산화탄소 농도를 포함한 대사생리정보를 획득할 수 있다(520). 이때, 대사생리정보는 이산화탄소 농도 외에 체온, 심박수(Heart Rate, HR), 심박변이도(Heart Rate Variability, HRV), 생체정보 초기 추정값 및, 맥파 특징(feature) 등의 정보를 더 포함할 수 있다. 생체정보 추정 장치(100a,100b)는 단계(510)와 동시 또는 이시에 장치(100a,100b)에 탑재된 다양한 센서들을 통해 대사생리정보를 획득할 수 있다. 또는, 생체정보 추정 장치(100a,100b)는 단계(510)에서 획득된 흡광도 데이터를 이용하여 체온 정보 등을 획득할 수도 있다.
한편, 단계(520)에서 생체정보 추정 장치(100a,100b)는 생체정보 추정에 이용할 디폴트 예측모델이 존재하는 경우, 디폴트 예측모델이 요구하는 대사생리정보를 획득할 수 있다. 예를 들어, 디폴트 예측모델이 체온 정보를 필요로 하는 경우 체온 센서의 구동 여부를 확인할 수 있으며, 체온 센서가 동작하지 않는 경우 그 구동을 직접 제어, 사용자에게 구동 상태 안내, 또는 다른 정보(예: 흡광도)를 기초로 체온 정보를 획득할 수 있다. 반대로, 디폴트 예측모델이 체온 정보를 요구하지 않는 경우 컴퓨팅 성능 향상, 신속한 처리 등을 위해 체온 센서의 동작을 오프 상태로 전환하는 것도 가능하다.
그 다음, 흡광도 및 대사생리정보가 획득되면 예측모델을 이용하여 생체정보를 추정할 수 있다(530).
한편, 예측모델은 대사생리정보의 종류를 고려하여 복수의 타입별로 생성될 수 있으며, 단계(520)에서 사용자로부터 대사생리정보가 획득되면, 획득된 대사생리정보의 종류를 기초로 복수의 예측모델 중에서 적합한 타입의 예측모델을 선택할 수 있다.
그 다음, 생체정보 추정 결과를 출력할 수 있다(540). 예를 들어, 디스플레이 등의 시각적인 출력 수단을 통해 다양한 시각적인 방법 또는, 스피커 및/또는 햅틱 모듈 등을 통해 음성, 촉감, 진동 등의 비시각적인 방법으로 사용자에게 제공할 수 있다.
도 6은 일 실시예에 따른 웨어러블 기기를 나타낸 것이다.
도 6에 도시된 바와 같이 생체성분 추정 장치(100a,100b)의 다양한 실시예들은 스마트 밴드나 스마트 워치형 웨어러블 기기에 탑재될 수 있다. 다만, 이는 설명의 편의를 위한 하나의 예시에 불과하므로 이에 제한되지 않으며, 스마트 폰, 태블릿 PC, 데스크탑 PC 등의 다양한 정보 처리 기기에 탑재되는 것이 가능하다.
도 6을 참조하면, 웨어러블 기기(600)는 기기 본체(610)와 스트랩(620)을 포함할 수 있다.
스트랩(620)은 플렉시블하게 구성될 수 있으며, 사용자의 손목에 감싸는 형태로 구부려지거나 사용자의 손목으로부터 분리되는 형태로 구부려질 수 있다. 이때, 기기 본체(610) 또는 스트랩(620)의 내부에는 웨어러블 기기(600)의 각 구성들에 전원을 공급하는 배터리가 내장될 수 있다.
웨어러블 기기(600)의 본체(610)는 내부 공간에 사용자의 피부에 광을 조사하고 피부로부터 산란 또는 반사되어 돌아오는 광을 검출하여 스펙트럼 흡광도 데이터를 획득하는 분광기를 포함할 수 있다. 이때, 분광기는 근적외선 분광법 또는 라만 분광법 등을 이용하여 흡광도 데이터를 획득할 수 있다.
또한, 분광기(810)는 리니어 가변 필터(Linear Variable Filter, LVF)를 포함할 수 있다. 리니어 가변 필터는 전체 길이에 걸쳐 선형으로 변화하는 스펙트럼 특성을 갖는다. 따라서, 리니어 가변 필터는 입사되는 광을 파장 순으로 분산시킬 수 있다. 리니어 가변 필터는 콤팩트한 크기이지만 우수한 분광 능력을 갖는다.
또한, 웨어러블 기기(600)의 본체(610)는 이산화탄소 농도, 체온, 심박수, 심박변이도 등의 다양한 대사생리정보를 획득하기 위한 가스 센서, 맥파 센서, 심전도 센서 및/또는 체온 센서 등을 탑재할 수 있다.
또한, 분광기에 의해 획득된 스펙트럼 흡광도 데이터 및 그 밖의 다양한 센서들을 이용하여 획득된 대사생리정보를 예측모델에 입력하여 사용자의 생체성분을 추정하는 프로세서를 내장할 수 있다. 프로세서는 흡광도 데이터 및/또는 다른 센서들을 이용하여 획득된 대사생리정보를 이용하여 추가적인 대사생리정보를 획득할 수 있다. 예컨대, 맥파센서를 이용하여 획득된 맥파신호를 기초로 이산화탄소 농도 및/또는 맥파 특징, 심박수 등을 획득할 수도 있다.
이때, 프로세서는 디폴트 예측모델에 입력될 정보의 종류를 고려하여 센서를 제어하거나 필요한 대사생리정보를 획득할 수 있다.
또는, 프로세서는 획득된 흡광도 및 대사생리정보의 종류를 고려하여 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택할 수 있다. 이때, 복수의 예측모델은 흡광도 및 대사생리정보들의 다양한 조합을 기초로 생성되어 저장부에 저장될 수 있다.
웨어러블 기기(600)의 본체(610) 전면에는 사용자에게 각종 정보를 제공하는 표시부(614)가 장착될 수 있다. 표시부(614)는 사용자의 터치 입력이 가능한 터치 패널로 형성될 수 있으며, 사용자의 터치 입력을 수신하여 프로세서에 전달할 수 있다. 표시부(614)는 프로세서의 제어에 따라 프로세서의 처리 결과를 시각적으로 출력할 수 있다.
또한, 웨어러블 기기(600)의 본체(610)에는 사용자가 웨어러블 기기(600)의 각종 기능을 제어하는 명령을 입력하기 위한 조작부(615)가 장착될 수 있다. 조작부(615)는 프로세서와 전기적으로 연결될 수 있으며, 사용자의 각종 제어 명령을 프로세서에 전달할 수 있다. 또한, 조작부(615)는 웨어러블 기기의 전원을 온/오프시키는 명령을 입력하기 위한 전원 버튼을 포함할 수 있다.
프로세서(820)는 각종 처리 결과를 저장 장치에 저장할 수 있다. 저장 장치는 본체(610)에 내장되거나, 웨어러블 기기(600)의 통신 모듈을 통해 유무선으로 연결될 수 있는 외부 기기에 장착된 장치일 수 있다.
한편, 본 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.
본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 개시된 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100a, 100b: 생체정보 추정 장치
110: 분광기
120: 생리정보 획득부 130,300a,300b: 프로세서
140: 출력부 150: 저장부
160: 통신부 310: 예측모델 선택부
320: 생리정보 획득 제어부 330: 추정부
600: 웨어러블 기기 610: 본체
614: 표시부 615: 조작부
620: 스트랩
120: 생리정보 획득부 130,300a,300b: 프로세서
140: 출력부 150: 저장부
160: 통신부 310: 예측모델 선택부
320: 생리정보 획득 제어부 330: 추정부
600: 웨어러블 기기 610: 본체
614: 표시부 615: 조작부
620: 스트랩
Claims (24)
- 사용자로부터 흡광도를 획득하는 분광기;
이산화탄소(CO2) 농도를 포함한 대사생리정보를 획득하는 생리정보 획득부; 및
상기 획득된 대사생리정보에 상응하는 예측모델을 이용하여, 상기 흡광도 및 대사생리정보를 기초로 생체정보를 추정하는 프로세서를 포함하는 생체정보 추정 장치. - 제1항에 있어서,
상기 분광기는
사용자의 피검 부위에 광을 조사하는 광원; 및
상기 피검 부위로부터 산란 또는 반사되는 광을 검출하는 디텍터를 포함하는 생체정보 추정 장치. - 제1항에 있어서,
상기 생리정보 획득부는
상기 이산화탄소 농도를 획득하기 위한 광학 가스 센서 및 맥파 센서 중의 적어도 하나를 포함하는 생체정보 추정 장치. - 제1항에 있어서,
상기 대사생리 정보는
체온, 심박수(Heart Rate, HR), 심박변이도(Heart Rate Variability, HRV), 생체정보 초기 추정값 및, 맥파 특징(feature) 중의 적어도 하나를 더 포함하는 생체정보 추정 장치. - 제4항에 있어서,
상기 생리정보 획득부는
상기 체온을 측정하는 체온 센서; 및
상기 심박수 및 심박변이도 중의 적어도 하나를 획득하는 심전도 센서를 더 포함하는 생체정보 추정 장치. - 제4항에 있어서,
상기 생리정보 획득부는
상기 획득된 흡광도를 기초로 상기 체온 정보 및 상기 생체정보 초기 추정값 중의 적어도 하나를 획득하는 생체정보 추정 장치. - 제4항에 있어서,
상기 생리정보 획득부는
맥파신호를 획득하는 맥파센서를 포함하고,
상기 맥파센서를 통해 획득된 맥파신호를 기초로, 상기 심박수, 심박변이도 및 맥파 특징 중의 적어도 하나를 획득하는 생체정보 추정 장치. - 제1항에 있어서,
상기 프로세서는
상기 획득된 대사생리정보의 종류를 고려하여, 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택하는 생체정보 추정 장치. - 제8항에 있어서,
상기 복수의 예측모델 각각은
흡광도 및 복수의 대사생리정보 종류들을 서로 다르게 조합한 각각의 학습 데이터를 이용하여 생성되는 생체정보 추정 장치. - 제1항에 있어서,
상기 프로세서는
생체정보 추정 요청이 수신되면, 상기 분광기 및 상기 대사생리정보 획득부의 각 센서 구동 상태를 확인하고, 상기 확인 결과를 기초로 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택하는 생체정보 추정 장치. - 제1항에 있어서,
상기 생리정보 획득부는
생체정보 추정에 이용할 예측모델을 기초로 상기 대사생리정보를 획득하는 생체정보 추정 장치. - 제1항에 있어서,
상기 프로세서는
생체정보 추정 요청이 수신되면, 상기 분광기 및 상기 대사생리정보 획득부의 각 센서 구동 상태를 확인하고, 생체정보 추정에 이용할 예측모델을 기초로 상기 분광기 및 상기 각 센서의 구동을 제어하거나 사용자에게 안내하는 생체정보 추정 장치. - 제1항에 있어서,
상기 예측모델은
선형 회귀 분석, 비선형 회귀 분석, 부분최소제곱 회귀 분석(Partial Least Squares, PLS), 베이지안 네트워크(Baysian network), 은닉 마코프 모델(Hidden markov model), 결정 트리(decision tree), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 순환 신경망(Recurrent Neural Network, RNN), 콘볼루션 신경망(Convolutional Neural Network) 및, 딥 신경망(Deep Neural Network) 중의 하나를 이용하여 생성되는 생체정보 추정 장치. - 제1항에 있어서,
상기 생체정보는
혈당, 콜레스테롤, 중성 지방, 체수분, 젖산, 단백질 및 요산 중의 하나 이상을 포함하는 생체정보 추정 장치. - 제1항에 있어서,
상기 획득된 흡광도, 대사생리정보 및 상기 프로세서 처리 결과 중의 적어도 하나를 출력하는 출력부를 더 포함하는 생체정보 추정 장치. - 사용자로부터 흡광도를 획득하는 단계;
이산화탄소(CO2) 농도를 포함한 대사생리정보를 획득하는 단계; 및
상기 획득된 대사생리정보에 상응하는 예측모델을 이용하여, 상기 흡광도 및 대사생리정보를 기초로 생체정보를 추정하는 단계를 포함하는 생체정보 추정 방법. - 제16항에 있어서,
상기 대사생리정보는
체온, 심박수(Heart Rate, HR), 심박변이도(Heart Rate Variability, HRV), 생체정보 초기 추정값 및, 맥파 특징(feature) 중의 적어도 하나를 더 포함하는 생체정보 추정 방법. - 제17항에 있어서,
상기 대사생리정보를 획득하는 단계는
상기 획득된 흡광도를 기초로 상기 생체정보 초기 추정값을 획득하는 생체정보 추정 방법. - 제16항에 있어서,
상기 생체정보를 추정하는 단계는
상기 획득된 대사생리정보의 종류를 고려하여, 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택하는 생체정보 추정 방법. - 제19항에 있어서,
상기 복수의 예측모델 각각은
흡광도 및 복수의 대사생리정보 종류들을 서로 다르게 조합한 각각의 학습 데이터를 이용하여 생성되는 생체정보 추정 방법. - 제16항에 있어서,
상기 생체정보를 추정하는 단계는
생체정보 추정 요청이 수신되면, 분광기 및 대사생리정보를 획득하는 각 센서의 구동 상태를 확인하고, 상기 확인 결과를 기초로 복수의 예측모델 중에서 생체정보 추정에 이용할 예측모델을 선택하는 생체정보 추정 방법. - 제16항에 있어서,
상기 대사정보를 획득하는 단계는
생체정보 추정에 이용할 예측모델을 기초로 상기 대사생리정보를 획득하는 생체정보 추정 방법. - 제16항에 있어서,
상기 생체정보를 추정하는 단계는
생체정보 추정 요청이 수신되면, 분광기 및 대사생리정보를 획득하기 위한 각 센서의 구동 상태를 확인하고, 생체정보 추정에 이용할 예측모델을 기초로 상기 분광기 및 상기 각 센서의 구동을 제어하거나 사용자에게 안내하는 생체정보 추정 방법. - 제16항에 있어서,
상기 획득된 흡광도, 대사생리정보 및 상기 프로세서 처리 결과 중의 적어도 하나를 출력하는 단계를 더 포함하는 생체정보 추정 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190041753A KR20200119501A (ko) | 2019-04-10 | 2019-04-10 | 생체정보 추정 장치 및 방법 |
| US16/707,883 US11291374B2 (en) | 2019-04-10 | 2019-12-09 | Apparatus and method for estimating bio-information |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190041753A KR20200119501A (ko) | 2019-04-10 | 2019-04-10 | 생체정보 추정 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200119501A true KR20200119501A (ko) | 2020-10-20 |
Family
ID=72747549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190041753A KR20200119501A (ko) | 2019-04-10 | 2019-04-10 | 생체정보 추정 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11291374B2 (ko) |
| KR (1) | KR20200119501A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024005533A1 (ko) * | 2022-06-30 | 2024-01-04 | 삼성전자 주식회사 | 광 센서 및 생체 임피던스 감지 센서를 포함하는 전자 장치 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11903689B2 (en) | 2019-12-20 | 2024-02-20 | Know Labs, Inc. | Non-invasive analyte sensor device |
| US11832926B2 (en) | 2020-02-20 | 2023-12-05 | Know Labs, Inc. | Non-invasive detection of an analyte and notification of results |
| US11510597B2 (en) | 2020-09-09 | 2022-11-29 | Know Labs, Inc. | Non-invasive analyte sensor and automated response system |
| US11764488B2 (en) | 2020-09-09 | 2023-09-19 | Know Labs, Inc. | Methods for determining variability of a state of a medium |
| US11689274B2 (en) | 2020-09-09 | 2023-06-27 | Know Labs, Inc. | Systems for determining variability in a state of a medium |
| CA3202205A1 (en) * | 2021-01-22 | 2022-07-28 | Medtronic Minimed, Inc. | Micro models and layered prediction models for estimating sensor glucose values and reducing sensor glucose signal blanking |
| US20220361823A1 (en) * | 2021-05-14 | 2022-11-17 | Informed Data Systems Inc. D/B/A One Drop | Wearable blood pressure biosensors, systems and methods for short-term blood pressure prediction |
| US20230355140A1 (en) | 2022-05-05 | 2023-11-09 | Know Labs, Inc. | High performance glucose sensor |
| US11802843B1 (en) | 2022-07-15 | 2023-10-31 | Know Labs, Inc. | Systems and methods for analyte sensing with reduced signal inaccuracy |
| US11696698B1 (en) | 2022-10-03 | 2023-07-11 | Know Labs, Inc. | Analyte sensors with position adjustable transmit and/or receive components |
| US11903701B1 (en) | 2023-03-22 | 2024-02-20 | Know Labs, Inc. | Enhanced SPO2 measuring device |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10328170A (ja) | 1997-05-29 | 1998-12-15 | Koji Akai | 血糖モニタリング・システム |
| US8335550B2 (en) * | 2005-03-25 | 2012-12-18 | Cnoga Holdings Ltd. | Optical sensor device and image processing unit for measuring chemical concentrations, chemical saturations and biophysical parameters |
| CN101346097B (zh) | 2005-12-22 | 2010-11-03 | 皇家飞利浦电子股份有限公司 | 血糖浓度的无创测量系统 |
| US8489165B2 (en) | 2008-10-29 | 2013-07-16 | Cnoga Medical Ltd. | Finger deployed device for measuring blood and physiological characteristics |
| WO2011091280A2 (en) * | 2010-01-22 | 2011-07-28 | University Of Massachusetts | Methods and systems for analyte measurement |
| US8235897B2 (en) | 2010-04-27 | 2012-08-07 | A.D. Integrity Applications Ltd. | Device for non-invasively measuring glucose |
| US9714900B2 (en) * | 2012-04-30 | 2017-07-25 | Mayo Foundation For Medical Education And Research | Method and apparatus for selecting wavelengths for optical measurements of a property of a molecular analyte |
| WO2014118601A1 (en) * | 2013-01-31 | 2014-08-07 | Universidade Do Minho | Optical system for parameter characterization of an element of body fluid or tissue |
| KR101571135B1 (ko) | 2014-02-13 | 2015-12-01 | 한국과학기술연구원 | 광 센서를 이용한 망막 혈관 내 건강 지표 측정 장치 및 건강 지표 산출을 위한 혈관 반사광 처리 방법 |
| KR101512076B1 (ko) * | 2014-04-29 | 2015-04-14 | 길영준 | 다중 생체신호를 이용한 혈당 측정 방법 및 혈당 측정 장치 |
| US10806385B2 (en) | 2015-01-21 | 2020-10-20 | National Institutes For Quantum And Radiological Science And Technology | Device for measuring concentration of substance in blood, and method for measuring concentration of substance in blood |
| DE102015006406A1 (de) | 2015-05-19 | 2016-12-08 | SAMTD GmbH & Co. KG | Verfahren und Vorrichtung zur nicht-invasiven Bestimmung einer Messgröße eines Analyten in einem biologischen Körper |
| EP3408772A1 (en) | 2016-01-25 | 2018-12-05 | Prediktor Medical AS | Estimating a substance concentration using multiple non-invasive sensors |
| US9554738B1 (en) * | 2016-03-30 | 2017-01-31 | Zyomed Corp. | Spectroscopic tomography systems and methods for noninvasive detection and measurement of analytes using collision computing |
| US10405785B2 (en) * | 2016-08-04 | 2019-09-10 | City University Of Hong Kong | Determination of a concentration of an analyte in a subject |
| US10098588B2 (en) | 2017-02-12 | 2018-10-16 | Hoon Kim | Portable apparatus for noninvasively measuring blood glucose level and operating method thereof |
| US10555693B2 (en) | 2017-02-12 | 2020-02-11 | Hoon Kim | Portable apparatus for noninvasively measuring blood glucose level and operating method thereof |
| KR20200047981A (ko) | 2018-10-29 | 2020-05-08 | 삼성전자주식회사 | 생체성분 추정 장치 및 방법 |
-
2019
- 2019-04-10 KR KR1020190041753A patent/KR20200119501A/ko not_active Application Discontinuation
- 2019-12-09 US US16/707,883 patent/US11291374B2/en active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024005533A1 (ko) * | 2022-06-30 | 2024-01-04 | 삼성전자 주식회사 | 광 센서 및 생체 임피던스 감지 센서를 포함하는 전자 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200323437A1 (en) | 2020-10-15 |
| US11291374B2 (en) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20200119501A (ko) | 생체정보 추정 장치 및 방법 | |
| KR102655737B1 (ko) | 생체 성분 추정 장치 및 방법 | |
| EP3397139B1 (en) | Device, system and method for non-invasive monitoring of physiological measurements | |
| KR102409382B1 (ko) | 생체 정보 검출 장치 및 방법 | |
| EP3813645A1 (en) | Menstrual cycle tracking | |
| KR102498121B1 (ko) | 생체정보 추정 장치 및 방법 | |
| US20200383628A1 (en) | Optical response measurement from skin and tissue using spectroscopy | |
| JP2019053061A (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 | |
| US20230009905A1 (en) | Apparatus and method for estimating biological information | |
| US20200129095A1 (en) | Apparatus and method for estimating biological component | |
| KR20190043967A (ko) | 개인화된 단위 스펙트럼 획득 장치 및 방법과, 생체 성분 추정 장치 및 방법 | |
| KR102640331B1 (ko) | 생체정보 추정 장치 및 방법과, 생체정보 추정 지원 장치 | |
| KR20210016715A (ko) | 생체 정보 측정 장치 및 방법 | |
| KR102630393B1 (ko) | 생체정보 측정 장치 및 방법 | |
| KR102610591B1 (ko) | 건강 관리 장치 및 방법 | |
| KR20210004376A (ko) | 생체정보 추정 모델의 캘리브레이션 장치 및 방법과, 생체정보 추정 장치 | |
| EP3632311B1 (en) | Apparatus for estimating blood concentration of analyte, and method for generating model | |
| CN113692530A (zh) | 用于非侵入式血糖水平估计的便携式设备和方法 | |
| US20210383928A1 (en) | Apparatus and method for estimating bio-information | |
| US20220233149A1 (en) | Apparatus and method for estimating body component | |
| US20230146917A1 (en) | Apparatus and method for estimating bio-information, and optical sensor | |
| US11287374B2 (en) | Apparatus and method for updating bioinformation estimation model | |
| US20220225908A1 (en) | Methods and systems for using surrogate markers to improve nutrition, fitness, and performance | |
| KR20220025378A (ko) | 대상 신호 스펙트럼 획득 장치 및 방법 | |
| KR20240061731A (ko) | 중성지방 측정 장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal |