KR20200133979A - 대사 모델 생성 장치 및 방법 - Google Patents

대사 모델 생성 장치 및 방법 Download PDF

Info

Publication number
KR20200133979A
KR20200133979A KR1020190059349A KR20190059349A KR20200133979A KR 20200133979 A KR20200133979 A KR 20200133979A KR 1020190059349 A KR1020190059349 A KR 1020190059349A KR 20190059349 A KR20190059349 A KR 20190059349A KR 20200133979 A KR20200133979 A KR 20200133979A
Authority
KR
South Korea
Prior art keywords
biometric information
metabolic model
predetermined number
biometric
create
Prior art date
Application number
KR1020190059349A
Other languages
English (en)
Inventor
김상규
이소영
최가람
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 KR1020190059349A priority Critical patent/KR20200133979A/ko
Priority to US16/786,651 priority patent/US11564622B2/en
Publication of KR20200133979A publication Critical patent/KR20200133979A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • 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
    • A61B5/48—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
    • A61B5/68—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
    • A61B5/72—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors
    • 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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Obesity (AREA)
  • Fuzzy Systems (AREA)
  • Emergency Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Nutrition Science (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

일 양상에 따른 대사 모델 생성 장치는, 생체 센서로부터 소정 개수의 생체 정보 프로파일을 획득하는 데이터 획득부와, 상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하고, 상기 추출된 대표 생체 정보 프로파일을 이용하여 상기 생체 센서의 오차 보정을 위한 대사 모델을 생성하는 프로세서를 포함할 수 있다.

Description

대사 모델 생성 장치 및 방법{Apparatus and method for generating metabolism model}
생체 정보 측정 기술과 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.
한편, 같은 음식을 섭취하더라도 각 개인의 특성(예컨대, 나이, 성별, 몸무게, 지역, 인종 등)에 따라 개인별로 혈당 반응이 차이가 있다. 따라서, 혈당 측정의 정확도를 높이기 위해서는 이러한 각 개인의 특성을 고려할 필요가 있다.
생체 센서의 오차 보정을 위한 대사 모델을 생성하는 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 대사 모델 생성 장치는, 생체 센서로부터 소정 개수의 생체 정보 프로파일을 획득하는 데이터 획득부와, 상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하고, 상기 추출된 대표 생체 정보 프로파일을 이용하여 상기 생체 센서의 오차 보정을 위한 대사 모델을 생성하는 프로세서를 포함할 수 있다.
상기 생체 정보 프로파일은, 음식 섭취 후 소정 기간 동안 상기 생체 센서가 측정한 사용자의 생체 정보 데이터 집합일 수 있다.
상기 소정 개수는 상기 생체 센서의 정확도를 기반으로 설정될 수 있다.
상기 소정 개수는 상기 생체 센서의 정확도가 낮을수록 크게 설정될 수 있다.
생체 정보는 체내의 분석 물질의 농도이고, 상기 분석 물질은 포도당, 중성지방, 요소, 요산, 젖산, 단백질, 콜레스테롤, 항산화물질 및 에탄올 중 적어도 하나를 포함할 수 있다.
상기 프로세서는, 평균(mean), 중앙값(median), 필터링(filtering), 머신러닝(machine learning) 중 적어도 하나를 이용하여 상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출할 수 있다.
상기 프로세서는, 상기 소정 개수의 생체 정보 프로파일을 획득할 수 있도록 사용자의 동작을 유도하는 가이드 정보를 생성하여 사용자에게 제공할 수 있다.
다른 양상에 따른 대사 모델 생성 방법은, 생체 센서로부터 소정 개수의 생체 정보 프로파일을 획득하는 단계와, 상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하는 단계와, 상기 추출된 대표 생체 정보 프로파일을 이용하여 상기 생체 센서의 오차 보정을 위한 대사 모델을 생성하는 단계를 포함할 수 있다.
상기 생체 정보 프로파일은, 음식 섭취 후 소정 기간 동안 상기 생체 센서가 측정한 사용자의 생체 정보 데이터 집합일 수 있다.
상기 소정 개수는 상기 생체 센서의 정확도를 기반으로 설정될 수 있다.
상기 소정 개수는 상기 생체 센서의 정확도가 낮을수록 크게 설정될 수 있다.
생체 정보는 체내의 분석 물질의 농도이고, 상기 분석 물질은 포도당, 중성지방, 요소, 요산, 젖산, 단백질, 콜레스테롤, 항산화물질 및 에탄올 중 적어도 하나를 포함할 수 있다.
상기 대표 생체 정보 프로파일을 추출하는 단계는, 평균(mean), 중앙값(median), 필터링(filtering), 머신러닝(machine learning) 중 적어도 하나를 이용하여 상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출할 수 있다.
대사 모델 생성 방법은, 상기 소정 개수의 생체 정보 프로파일을 획득할 수 있도록 사용자의 동작을 유도하는 가이드 정보를 생성하여 사용자에게 제공하는 단계를 더 포함할 수 있다.
또 다른 양상에 따른 대사 모델 생성 방법은, 사용자의 음식 섭취를 인식하는 단계와, 사용자의 음식 섭취가 인식되면 생체 센서를 이용하여 생체 정보 프로파일을 획득하는 단계와, 소정 개수의 생체 정보 프로파일이 획득되면, 상기 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하는 단계와, 상기 추출된 대표 생체 정보 프로파일을 이용하여 상기 생체 센서의 오차 보정을 위한 대사 모델을 생성하는 단계를 포함할 수 있다.
대사 모델 생성 방법은, 상기 소정 개수의 생체 정보 프로파일이 획득될 때까지 상기 음식 섭취를 인식하는 단계 및 상기 생체 정보 프로파일을 획득하는 단계를 반복 수행하는 단계를 더 포함할 수 있다.
상기 생체 정보 프로파일을 획득하는 단계는, 음식 섭취 후 소정 기간 동안 상기 생체 센서를 이용하여 상기 사용자의 생체 정보를 측정하여 상기 생체 정보 프로파일을 획득할 수 있다.
상기 소정 개수는 상기 생체 센서의 정확도를 기반으로 설정될 수 있다.
상기 소정 개수는 상기 생체 센서의 정확도가 낮을수록 크게 설정될 수 있다.
생체 정보는 체내의 분석 물질의 농도이고, 상기 분석 물질은 포도당, 중성지방, 요소, 요산, 젖산, 단백질, 콜레스테롤, 항산화물질 및 에탄올 중 적어도 하나를 포함할 수 있다.
생체 정보 프로파일을 반복 측정하여 생체 센서의 오차 보정을 위한 대사 모델 생성에 이용함으로써 생체 정보 추정의 정확도를 향상시킬 수 있다.
도 1은 생체 정보 추정 장치의 일 실시예를 도시한 도면이다.
도 2는 대사 모델 생성 장치의 일 실시예를 도시한 도면이다.
도 3은 대사 모델 생성 장치의 다른 실시예를 도시한 도면이다.
도 4는 대사 모델 생성 방법의 일 실시예를 도시한 도면이다.
도 5는 대상 모델 생성 방법의 다른 실시예를 도시한 도면이다.
도 6은 손목형 웨어러블 디바이스를 도시한 도면이다.
이하, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다.
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, 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, 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 1은 생체 정보 추정 장치의 일 실시예를 도시한 도면이다. 도 1의 생체 정보 추정 장치(100)는 사용자 개인의 대사 반응을 고려하여 사용자의 생체 정보를 추정하는 장치로서, 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 장치, 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.
여기서 생체 정보는 체내의 분석 물질의 농도로서, 분석 물질은 포도당(glucose), 중성지방(triglyceride), 요소(urea), 요산(uric acid), 젖산(lactate), 단백질(protein), 콜레스테롤(cholesterol), 항산화물질(예컨대, 비타민, 카르티노이드, 플라보노이드, 아스코르브산, 토코페놀 등) 또는 에탄올(ethanol) 등을 포함할 수 있으나 이에 한정되는 것은 아니다. 한편, 체내의 분석 물질이 포도당인 경우 생체 정보는 혈당을 나타낼 수 있다. 이하, 설명의 편의를 위해 생체 정보가 혈당인 실시예를 기준으로 설명하기로 한다.
도 1을 참조하면, 생체 정보 추정 장치(100)는 섭취 인식 센서(110), 생체 센서(120), 대사 모델 생성 장치(130) 및 생체 정보 보정 장치(140)를 포함할 수 있다. 여기서, 섭취 인식 센서(110), 생체 센서(120), 대사 모델 생성 장치(130) 및 생체 정보 보정 장치(140)는 각각 별개의 하드웨어 장치로 구현될 수도 있고, 하나의 하드웨어 장치로 구현될 수도 있다.
섭취 인식 센서(110)는 사용자의 음식 섭취를 인식하여 섭취 센서 정보를 생성할 수 있다. 섭취 인식 센서(110)는 별도의 하드웨어 장치로 구현되어 사용자의 신체 일부에 부착 또는 착용되거나, 생체 센서(120), 대사 모델 생성 장치(130) 및/또는 생체 정보 보정 장치(140)에 탑재될 수 있다.
일 실시예에 따르면, 섭취 인식 센서(110)는 구강, 후두, 식도 등의 움직임을 통해 음식 섭취를 인식하는 센서와 생리학적인 변화를 통해 음식 섭취를 인식하는 센서 등을 포함할 수 있다. 예컨대, 섭취 인식 센서는 섭취 소리를 인식하는 방식, 음식물을 촬영하여 분석하는 방식, 팔의 움직임을 인식하는 방식, 목의 삼킴이나 목 근육 움직임을 인식하는 방식, 가슴 움직임이나 호흡을 인식하는 방식, 체온의 변화를 측정하는 방식, 혈류 변화를 측정하는 방식 생체 정보의 변화를 측정하는 방식 등으로 구현된 다양한 센서를 포함할 수 있으나 이에 한정되는 것은 아니다. 즉, 섭취 인식 센서(110)는 사용자의 음식 섭취를 인식할 수 있는 것이라면 크기나 종류 등에 제한이 없다.
섭취 센서 정보는 섭취 인식 센서의 종류에 따라 섭취 소리, 음식 촬영 이미지, 팔 움직임 인식 정보, 목 삼킴 인식 정보, 목 근육 움직임 정보, 가슴 움직임 정보, 호흡 인식 정보, 체온 변화 정보, 혈류 변화 정보 등을 포함할 수 있다.
생체 센서(120)는 사용자의 혈당을 측정할 수 있다. 또한, 생체 센서(120)는 사용자의 음식 섭취가 인식되면 대사 모델 생성 장치(130)의 제어에 따라 소정 기간 동안 소정 시간 간격으로 사용자의 혈당을 측정하여 생체 정보 프로파일을 획득할 수 있다. 생체 센서(120)는 사용자의 피검 부위에 부착 또는 착용되어 피검 부위로부터 사용자의 혈당을 측정할 수 있다. 예컨대, 생체 센서(120)는 다양한 타입의 정보 예컨대, 스펙트럼 정보와 같은 분광기 측정 정보, 임피던스 측정 정보, 초음파 측정 정보, 열 측정 정보, ECG(electrocardiogram) 정보, EEG(electroencephalogram) 정보, EMG(electromyogram) 정보, EOG(electrooculogram) 정보 및 PPG(photoplethysmogram) 정보 등을 기초로 혈당을 측정하는 비침습 기반의 센서일 수 있다. 그러나 이에 제한되는 것은 아니며 침습 또는 미세 침습 방식의 센서를 포함할 수 있다. 즉, 생체 센서(120)는 사용자의 혈당을 측정할 수 있는 것이라면 크기나 종류 등에 제한이 없다.
대사 모델 생성 장치(130)는 생체 센서(120)로부터 소정 개수의 생체 정보 프로파일을 획득할 때까지 생체 센서(120)를 제어할 수 있다. 이때, 소정 개수는 생체 센서의 정확도를 기반으로 미리 설정될 수 있다. 예컨대, 생체 센서의 정확도가 낮을수록 소정 개수는 크게 설정될 수 있다. 또한, 대사 모델 생성 장치(130)는 소정 개수의 생체 정보 프로파일이 획득되면, 획득된 소정 개수의 생체 정보 프로파일을 이용하여 생체 센서(120)의 오차 보정을 위한 대사 모델을 생성할 수 있다. 이때 대사 모델은 개인의 생리적 특성을 반영하는 생체 정보 모델일 수 있다.
대사 모델 생성 장치(130)의 구체적인 설명은 도 2 및 도 3을 참조하여 후술하기로 한다.
생체 정보 보정 장치(140)는 섭취 인식 센서(110)로부터 섭취 센서 정보를 수신하고, 생체 센서(120)로부터 혈당 정보를 수신할 수 있다.
생체 정보 보정 장치(140)는 수신된 섭취 센서 정보 및/또는 혈당 변화를 분석하여 섭취 정보를 획득하거나, 소정의 입력 인터페이스를 통해 사용자가 직접 입력한 섭취 정보를 획득할 수 있다. 여기서 섭취 정보는 사용자가 섭취한 음식의 종류, 섭취량, 섭취 시간 등을 포함할 수 있다.
생체 정보 보정 장치(140)는 섭취 정보와 대사 모델을 이용하여 생체 센서(120)를 통해 측정된 혈당값을 보정할 수 있다. 일 실시예에 따르면, 생체 정보 보정 장치(140)는 섭취 정보가 획득되면, 획득된 섭취 정보를 대사 모델에 적용하여 혈당값을 추정하고 대사 모델을 통해 추정된 혈당값을 기반으로 생체 센서(120)를 통해 측정된 혈당값을 보정할 수 있다.
예를 들면, 생체 정보 보정 장치(140)는 대사 모델을 통해 추정된 혈당값을 이용하여 생체 정보 가이드라인을 생성하고, 생체 센서(120)를 통해 측정된 혈당값이 생체 정보 가이드라인을 벗어나면 생체 센서(120)를 통해 측정된 혈당값을 생체 정보 가이드라인 내의 혈당값으로 보정할 수 있다. 이때 생체 정보 가이드라인은 대사 모델을 기반으로 판단된 사용자의 혈당 허용 범위를 나타낼 수 있다.
다른 예를 들면, 생체 정보 보정 장치(140)는 대사 모델을 통해 추정된 혈당값과 생체 센서(120)를 통해 측정된 혈당값을 가중 합산하여 생체 센서(120)를 통해 측정된 혈당값을 보정할 수 있다.
도 2는 대사 모델 생성 장치의 일 실시예를 도시한 도면이다.
도 2를 참조하면, 대사 모델 생성 장치(130)는 데이터 획득부(210) 및 프로세서(220)를 포함할 수 있다.
데이터 획득부(210)는 생체 센서(120)로부터 소정 개수의 생체 정보 프로파일을 획득할 수 있다. 이때, 생체 정보 프로파일은 음식 섭취 후 소정 기간 동안 소정 시간 간격으로 생체 센서(120)가 측정한 사용자의 혈당 데이터 집합일 수 있다.
일 실시예에 따르면, 데이터 획득부(210)는 유선 통신 기술 또는 무선 통신 기술을 이용하여 생체 센서(120)로부터 생체 정보 프로파일을 획득할 수 있다. 이때 무선 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 포함하나 이는 일 실시예에 불과할 뿐 이에 한정되는 것은 아니다.
프로세서(220)는 생체 센서(120)로부터 소정 개수의 생체 정보 프로파일이 획득될 수 있도록, 생체 센서(120)를 제어할 수 있다. 즉, 생체 센서(120)는 사용자의 음식 섭취가 인식되면 프로세서(220)의 제어에 따라 소정 기간 동안 소정 시간 간격으로 사용자의 혈당을 측정하여 소정 개수의 생체 정보 프로파일을 획득할 수 있다.
프로세서(220)는 소정 개수의 생체 정보 프로파일이 획득되면, 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출할 수 있다. 이때 프로세서(220)는 평균(mean), 중앙값(median), 필터링(filtering), 머신러닝(machine learning)(예컨대, PCA(principal component analysis) 등) 등 다양한 대표값 추출 알고리즘을 이용할 수 있으나 이에 한정되는 것은 아니다.
프로세서(220)는 대표 생체 정보 프로파일이 추출되면, 추출된 대표 생체 정보 프로파일을 이용하여 대사 모델을 생성할 수 있다.
일 실시예에 따르면, 대사 모델은 수학식 1 내지 수학식 3으로 표현될 수 있다.
Figure pat00001
여기서,
Figure pat00002
는 포도당 농도를 나타내며,
Figure pat00003
는 장간막 순환(mesenteric circulation)으로의 포도당 흡수율을 나타내고,
Figure pat00004
는 사용자의 체중과 관련된 파라미터(예컨대, 사용자 체중의 20%)이고,
Figure pat00005
는 간에서의 포토당 생성과 장간막 순환으로부터의 포도당 흡수의 합계를 반영하는 간 포도당 밸런스(hepatic glucose balance)를 나타내고,
Figure pat00006
는 인슐린 농도를 나타내고,
Figure pat00007
는 포도당에 대한 인슐린의 제어 파라미터이고,
Figure pat00008
은 비인슐린 매개 포도당 흡수(non-insulin-mediated glucose uptake)를 나타내는 파라미터이고,
Figure pat00009
는 인슐린 매개 포도당 흡수(insulin-mediated glucose uptake)를 나타내는 파라미터이고,
Figure pat00010
및
Figure pat00011
는 각각 신장 포도당 청소율(renal glucose clearance)의 기울기(slope) 및 절편(intercept)을 나타낼 수 있다.
인슐린 농도
Figure pat00012
는 포도당 조절 및 인슐린 분비와 관련 있는 호르몬(예컨대, 인크레틴 또는 글루카곤)(이하, 호르몬)이 인슐린 분비에 미치는 영향을 반영하여 수학식 2로 표현될 수 있다.
Figure pat00013
여기서,
Figure pat00014
과
Figure pat00015
은 각각 포도당과 호르몬에 대한 인슐린 출현 속도(rates of insulin appearance)를 나타내며,
Figure pat00016
는 인슐린 청소율(insulin clearance rate)을 나타내고,
Figure pat00017
는 추가 레귤레이터의 효과, 즉 포도당 및 호르몬을 제외한 기타 요소들의 효과를 나타내며,
Figure pat00018
는 호르몬 농도를 나타낼 수 있다.
호르몬 농도
Figure pat00019
는 포도당 의존성 인슐린 분비성 폴리펩티드(glucose-dependent insulinotropic polypeptide, GIP) 농도를 기반으로 수학식 3으로 표현될 수 있다.
Figure pat00020
여기서,
Figure pat00021
는 호르몬의 출현율(appearance rate of incretin)을 나타내며,
Figure pat00022
는 십이지장으로의 포도당 전달 속도를 나타내며,
Figure pat00023
는 십이지장으로 인한 호르몬의 출현율을 나타내고,
Figure pat00024
는 호르몬 청소율(hormone clearance rate)을 나타낼 수 있다.
프로세서(220)는 추출된 대표 생체 정보 프로파일을 기반으로 수학식 1 내지 수학식 3의 파라미터들을 최적화하여, 사용자 개인의 생리적 특성을 반영한 대사 모델을 생성할 수 있다.
한편, 전술한 수학식 1 내지 수학식 3은 대사 모델의 일 실시예에 불과하며, 이에 한정되는 것은 아니다. 즉, 대사 모델은 다양한 방식으로 표현될 수 있으며, 이러한 대사 모델을 모두 포함할 수 있다.
프로세서(220)는 대사 모델 생성에 이용되는 소정 개수의 생체 정보 프로파일을 획득할 수 있도록, 사용자의 동작을 유도하는 가이드 정보를 생성하여 사용자에게 제공할 수 있다. 예컨대, 소정 개수가 5로 설정되어 있는 경우, 5일간 아침마다 사용자의 음식 섭취(예컨대, 당 75g)를 유도하기 위한 가이드 정보를 생성하여 사용자에게 제공할 수 있다. 이를 통해 생체 센서는 하루에 하나씩 총 5개의 생체 정보 프로파일을 획득할 수 있고, 데이터 획득부(210)는 생체 센서(120)로부터 5개의 생체 정보 프로파일을 획득할 수 있다.
도 3은 대사 모델 생성 장치의 다른 실시예를 도시한 도면이다. 도 3의 대사 모델 생성 장치(300)는 도 1의 대사 모델 생성 장치(130)의 다른 실시예일 수 있다.
도 3을 참조하면, 대사 모델 생성 장치(300)는 데이터 획득부(210), 프로세서(220), 입력부(310), 저장부(320), 통신부(330) 및 출력부(340)를 포함할 수 있다. 여기서 데이터 획득부(210) 및 프로세서(220)는 도 2를 참조하여 전술한 바와 같으므로 그 상세한 설명은 생략하기로 한다.
입력부(310)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(310)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad), 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(320)는 대사 모델 생성 장치(300)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 대사 모델 생성 장치(300)에 입력되는 데이터, 대사 모델 생성 장치(300)가 획득한 데이터 및 대사 모델 생성 장치(300)에서 처리된 데이터 등을 저장할 수 있다. 저장부(320)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, 대사 모델 생성 장치(300)는 인터넷 상에서 저장부(320)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(330)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(330)는 대사 모델 생성 장치(300)에 입력되는 데이터 및 저장된 데이터, 대사 모델 생성 장치(300)에서 획득된 데이터 및 처리된 데이터 등을 외부 장치로 전송하거나, 외부 장치로부터 생체 정보 추정에 도움이 되는 다양한 데이터를 수신할 수 있다.
이때, 외부 장치는 대사 모델 생성 장치(300)에 입력되는 데이터 및 저장된 데이터, 대사 모델 생성 장치(300)에서 획득된 데이터 및 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(330)는 유선 또는 무선 통신 기술, 예컨대, 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(340)는 대사 모델 생성 장치(300)에 입력되는 데이터 및 저장된 데이터, 대사 모델 생성 장치(300)에서 획득된 데이터 및 처리된 데이터 등을 출력할 수 있다. 일 실시예에 따르면, 출력부(340)는 대사 모델 생성 장치(300)에 입력되는 데이터 및 저장된 데이터, 대사 모델 생성 장치(300)에서 획득된 데이터 및 처리된 데이터 등을 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 이를 위해 출력부(340)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 4는 대사 모델 생성 방법의 일 실시예를 도시한 도면이다. 도 4의 대사 모델 생성 방법은 도 2 또는 도 3의 대사 모델 생성 장치(130, 300)에 의해 수행될 수 있다.
도 4를 참조하면, 대사 모델 생성 장치는 생체 센서로부터 소정 개수의 생체 정보 프로파일을 획득할 수 있다(410). 예컨대, 대사 모델 생성 장치는 유선 통신 기술 또는 무선 통신 기술을 이용하여 생체 센서로부터 생체 정보 프로파일을 획득할 수 있다. 이때 소정 개수는 생체 센서의 정확도를 기반으로 미리 설정될 수 있으며, 생체 정보 프로파일은 음식 섭취 후 소정 기간 동안 소정 시간 간격으로 생체 센서가 측정한 사용자의 혈당 데이터 집합일 수 있다.
대사 모델 생성 장치는 소정 개수의 생체 정보 프로파일이 획득되면, 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출할 수 있다(420). 이때 대사 모델 생성 장치는 평균(mean), 중앙값(median), 필터링(filtering), 머신러닝(machine learning)(예컨대, PCA(principal component analysis) 등) 등 다양한 대표값 추출 알고리즘을 이용할 수 있으나 이에 한정되는 것은 아니다.
대사 모델 생성 장치는 대표 생체 정보 프로파일이 추출되면, 추출된 대표 생체 정보 프로파일을 이용하여 대사 모델을 생성할 수 있다(430). 예컨대, 대사 모델 생성 장치는 대표 생체 정보 프로파일로 수학식 1 내지 수학식 3의 파라미터들을 최적화하여 대사 모델을 생성할 수 있다. 그러나, 수학식 1 내지 수학식 3은 대사 모델의 일 실시예에 불과하며, 이에 한정되는 것은 아니다.
한편, 대사 모델 생성 장치는 소정 개수의 생체 정보 프로파일을 획득할 수 있도록 사용자의 동작을 유도하는 가이드 정보를 생성하여 사용자에게 제공할 수 있다.
도 5는 대상 모델 생성 방법의 다른 실시예를 도시한 도면이다. 도 5의 대상 모델 생성 방법은 도 1의 생체 정보 추정 장치(100)에 의해 수행될 수 있다.
도 5를 참조하면, 생체 정보 추정 장치는 사용자의 음식 섭취를 인식할 수 있다(510). 예컨대, 생체 정보 추정 장치는 섭취 소리를 인식하는 방식, 음식물을 촬영하여 분석하는 방식, 팔의 움직임을 인식하는 방식, 목의 삼킴이나 목 근육 움직임을 인식하는 방식, 가슴 움직임이나 호흡을 인식하는 방식, 체온의 변화를 측정하는 방식, 혈류 변화를 측정하는 방식 생체 정보의 변화를 측정하는 방식 등 다양한 방식으로 사용자의 음식 섭취를 인식할 수 있다.
생체 정보 추정 장치는 사용자의 음식 섭취가 인식되면 생체 센서를 이용하여 소정 기간 동안 소정 시간 간격으로 사용자의 혈당을 측정하여 생체 정보 프로파일을 획득할 수 있다(520).
생체 정보 추정 장치는 획득된 생체 정보 프로파일 개수가 소정 개수(n)인지를 판단하고(530), 소정 개수(n)가 아니면 단계 510으로 돌아가 생체 소정 개수(n)의 생체 정보 프로파일이 획득될 때까지 단계 510 내지 단계 530을 반복할 수 있다.
생체 정보 추정 장치는 생체 정보 프로파일 개수가 소정 개수(n)가 되면, 소정 개수(n)의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출할 수 있다(540). 이때 생체 정보 추정 장치는 평균(mean), 중앙값(median), 필터링(filtering), 머신러닝(machine learning)(예컨대, PCA(principal component analysis) 등) 등 다양한 대표값 추출 알고리즘을 이용할 수 있으나 이에 한정되는 것은 아니다.
생체 정보 추정 장치는 대표 생체 정보 프로파일이 추출되면, 추출된 대표 생체 정보 프로파일을 이용하여 대사 모델을 생성할 수 있다(550). 예컨대, 생체 정보 추정 장치는 대표 생체 정보 프로파일로 수학식 1 내지 수학식 3의 파라미터들을 최적화하여 대사 모델을 생성할 수 있다. 그러나, 수학식 1 내지 수학식 3은 대사 모델의 일 실시예에 불과하며, 이에 한정되는 것은 아니다.
도 6은 손목형 웨어러블 디바이스를 도시한 도면이다.
도 6을 참조하면, 손목형 웨어러블 디바이스(600)는 스트랩(610) 및 본체(620)를 포함할 수 있다.
스트랩(610)은 본체(620)의 양측에 연결되어 서로 체결될 수 있도록 분리 형성되거나, 스마트 밴드 형태로 일체로 형성될 수 있다. 스트랩(610)은 본체(620)가 사용자의 손목에 착용되도록 손목을 감쌀 수 있도록 플렉서블(flexible)한 부재로 형성될 수 있다.
본체(620)는 본체 내부에 전술한 섭취 인식 센서(110), 생체 센서(120), 대사 모델 생성 장치(130, 300) 및/또는 생체 정보 보정 장치(140)를 탑재할 수 있다. 또한, 본체(1220) 내부에는 손목형 웨어러블 디바이스(1200), 섭취 인식 센서(110), 생체 센서(120), 대사 모델 생성 장치(130, 300) 및 생체 정보 보정 장치(140)에 전원을 공급하는 배터리가 내장될 수 있다.
생체 센서가 본체(620) 하부에 사용자의 손목을 향해 노출되도록 장착될 수 있다. 이를 통해 사용자가 손목형 웨어러블 디바이스(600)를 착용하면 자연스럽게 생체 센서가 사용자의 피부에 접촉할 수 있다.
손목형 웨어러블 디바이스(600)는 본체(620)에 장착되는 디스플레이(621)와 입력부(622)를 더 포함할 수 있다. 디스플레이(621)는 손목형 웨어러블 디바이스(600), 섭취 인식 센서(110), 생체 센서(120), 대사 모델 생성 장치(130, 300) 및 생체 정보 보정 장치(140)에서 처리된 데이터 및 처리 결과 데이터 등을 표시할 수 있다. 입력부(622)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.
100: 생체 정보 추정 장치
110: 섭취 인식 센서
120: 생체 센서
130: 대사 모델 생성 장치
140: 생체 정보 보정 장치

Claims (20)

  1. 생체 센서로부터 소정 개수의 생체 정보 프로파일을 획득하는 데이터 획득부; 및
    상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하고, 상기 추출된 대표 생체 정보 프로파일을 이용하여 상기 생체 센서의 오차 보정을 위한 대사 모델을 생성하는 프로세서; 를 포함하는,
    대사 모델 생성 장치.
  2. 제1항에 있어서,
    상기 생체 정보 프로파일은,
    음식 섭취 후 소정 기간 동안 상기 생체 센서가 측정한 사용자의 생체 정보 데이터 집합인,
    대사 모델 생성 장치.
  3. 제1항에 있어서,
    상기 소정 개수는 상기 생체 센서의 정확도를 기반으로 설정되는,
    대사 모델 생성 장치.
  4. 제3항에 있어서,
    상기 소정 개수는 상기 생체 센서의 정확도가 낮을수록 크게 설정되는,
    대사 모델 생성 장치.
  5. 제1항에 있어서,
    생체 정보는 체내의 분석 물질의 농도이고,
    상기 분석 물질은 포도당, 중성지방, 요소, 요산, 젖산, 단백질, 콜레스테롤, 항산화물질 및 에탄올 중 적어도 하나를 포함하는,
    대사 모델 생성 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    평균(mean), 중앙값(median), 필터링(filtering), 머신러닝(machine learning) 중 적어도 하나를 이용하여 상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하는,
    대사 모델 생성 장치.
  7. 제1항에 있어서,
    상기 프로세서는,
    상기 소정 개수의 생체 정보 프로파일을 획득할 수 있도록 사용자의 동작을 유도하는 가이드 정보를 생성하여 사용자에게 제공하는,
    대사 모델 생성 장치.
  8. 생체 센서로부터 소정 개수의 생체 정보 프로파일을 획득하는 단계;
    상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하는 단계; 및
    상기 추출된 대표 생체 정보 프로파일을 이용하여 상기 생체 센서의 오차 보정을 위한 대사 모델을 생성하는 단계; 를 포함하는,
    대사 모델 생성 방법.
  9. 제8항에 있어서,
    상기 생체 정보 프로파일은,
    음식 섭취 후 소정 기간 동안 상기 생체 센서가 측정한 사용자의 생체 정보 데이터 집합인,
    대사 모델 생성 방법.
  10. 제8항에 있어서,
    상기 소정 개수는 상기 생체 센서의 정확도를 기반으로 설정되는,
    대사 모델 생성 방법.
  11. 제10항에 있어서,
    상기 소정 개수는 상기 생체 센서의 정확도가 낮을수록 크게 설정되는,
    대사 모델 생성 방법.
  12. 제8항에 있어서,
    생체 정보는 체내의 분석 물질의 농도이고,
    상기 분석 물질은 포도당, 중성지방, 요소, 요산, 젖산, 단백질, 콜레스테롤, 항산화물질 및 에탄올 중 적어도 하나를 포함하는,
    대사 모델 생성 방법.
  13. 제8항에 있어서,
    상기 대표 생체 정보 프로파일을 추출하는 단계는,
    평균(mean), 중앙값(median), 필터링(filtering), 머신러닝(machine learning) 중 적어도 하나를 이용하여 상기 획득된 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하는,
    대사 모델 생성 방법.
  14. 제8항에 있어서,
    상기 소정 개수의 생체 정보 프로파일을 획득할 수 있도록 사용자의 동작을 유도하는 가이드 정보를 생성하여 사용자에게 제공하는 단계; 를 더 포함하는,
    대사 모델 생성 방법.
  15. 사용자의 음식 섭취를 인식하는 단계;
    사용자의 음식 섭취가 인식되면 생체 센서를 이용하여 생체 정보 프로파일을 획득하는 단계;
    소정 개수의 생체 정보 프로파일이 획득되면, 상기 소정 개수의 생체 정보 프로파일로부터 대표 생체 정보 프로파일을 추출하는 단계; 및
    상기 추출된 대표 생체 정보 프로파일을 이용하여 상기 생체 센서의 오차 보정을 위한 대사 모델을 생성하는 단계; 를 포함하는,
    대사 모델 생성 방법.
  16. 제15항에 있어서,
    상기 소정 개수의 생체 정보 프로파일이 획득될 때까지 상기 음식 섭취를 인식하는 단계 및 상기 생체 정보 프로파일을 획득하는 단계를 반복 수행하는 단계; 를 더 포함하는,
    대사 모델 생성 방법.
  17. 제15항에 있어서,
    상기 생체 정보 프로파일을 획득하는 단계는,
    음식 섭취 후 소정 기간 동안 상기 생체 센서를 이용하여 상기 사용자의 생체 정보를 측정하여 상기 생체 정보 프로파일을 획득하는,
    대사 모델 생성 방법.
  18. 제15항에 있어서,
    상기 소정 개수는 상기 생체 센서의 정확도를 기반으로 설정되는,
    대사 모델 생성 방법.
  19. 제18항에 있어서,
    상기 소정 개수는 상기 생체 센서의 정확도가 낮을수록 크게 설정되는,
    대사 모델 생성 방법.
  20. 제15항에 있어서,
    생체 정보는 체내의 분석 물질의 농도이고,
    상기 분석 물질은 포도당, 중성지방, 요소, 요산, 젖산, 단백질, 콜레스테롤, 항산화물질 및 에탄올 중 적어도 하나를 포함하는,
    대사 모델 생성 방법.
KR1020190059349A 2019-05-21 2019-05-21 대사 모델 생성 장치 및 방법 KR20200133979A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190059349A KR20200133979A (ko) 2019-05-21 2019-05-21 대사 모델 생성 장치 및 방법
US16/786,651 US11564622B2 (en) 2019-05-21 2020-02-10 Apparatus and method for generating metabolism model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190059349A KR20200133979A (ko) 2019-05-21 2019-05-21 대사 모델 생성 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20200133979A true KR20200133979A (ko) 2020-12-01

Family

ID=73457914

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190059349A KR20200133979A (ko) 2019-05-21 2019-05-21 대사 모델 생성 장치 및 방법

Country Status (2)

Country Link
US (1) US11564622B2 (ko)
KR (1) KR20200133979A (ko)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
EP2529784B1 (en) * 2006-03-23 2019-05-01 Becton, Dickinson and Company Method for improved diabetes data management and use employing wireless connectivity between patients and healthcare providers and repository of diabetes management information
US10154804B2 (en) * 2007-01-31 2018-12-18 Medtronic Minimed, Inc. Model predictive method and system for controlling and supervising insulin infusion
KR20120047841A (ko) * 2009-02-26 2012-05-14 몰 리서치 어플리케이션스 엘티디 당뇨병 관련 치료의 자동 감시를 위한 방법 및 시스템
US8589082B2 (en) * 2009-08-21 2013-11-19 Neilin Chakrabarty Method for managing obesity, diabetes and other glucose-spike-induced diseases
JP5803083B2 (ja) 2010-10-20 2015-11-04 セイコーエプソン株式会社 血糖値予測方法および血糖値予測システム
WO2013049624A1 (en) * 2011-09-30 2013-04-04 University Of Louisville Research Foundation, Inc. System and method for personalized dosing of pharmacologic agents
US8756043B2 (en) * 2012-07-26 2014-06-17 Rimidi Diabetes, Inc. Blood glucose meter and computer-implemented method for improving glucose management through modeling of circadian profiles
US8768673B2 (en) 2012-07-26 2014-07-01 Rimidi Diabetes, Inc. Computer-implemented system and method for improving glucose management through cloud-based modeling of circadian profiles
EP3372155B1 (en) 2015-11-06 2023-01-25 Fujitsu Limited Meal time estimation method, meal time estimation program, and meal time estimation device
KR102539142B1 (ko) 2016-09-05 2023-06-01 삼성전자주식회사 스펙트럼 분석 장치와 방법, 및 혈당 측정 장치
WO2018118714A1 (en) 2016-12-20 2018-06-28 Psk Innovations, Llc Products, systems, and methods for predictive health and nutrition modeling and fulfillment for animals
KR102498120B1 (ko) 2017-10-17 2023-02-09 삼성전자주식회사 생체정보 센서의 오차 보정 장치 및 방법과, 생체정보 추정 장치 및 방법

Also Published As

Publication number Publication date
US20200367815A1 (en) 2020-11-26
US11564622B2 (en) 2023-01-31

Similar Documents

Publication Publication Date Title
KR102498120B1 (ko) 생체정보 센서의 오차 보정 장치 및 방법과, 생체정보 추정 장치 및 방법
US20210000347A1 (en) Enhanced physiological monitoring devices and computer-implemented systems and methods of remote physiological monitoring of subjects
US10806379B2 (en) User identification by biometric monitoring device
US20170249445A1 (en) Portable devices and methods for measuring nutritional intake
US20130310658A1 (en) Activity Measurement Systems
US20140142396A1 (en) Health Measurement Systems
US20160262707A1 (en) Portable devices and methods for measuring nutritional intake
CN107847153B (zh) 一种生理参数监测的系统和方法
CN109674456B (zh) 血压估计设备和方法以及可穿戴装置
CN108852283A (zh) 基于生理信息的睡眠评分
US11699524B2 (en) System for continuous detection and monitoring of symptoms of Parkinson's disease
US20230245741A1 (en) Information processing device, information processing system, and information processing method
US20190015048A1 (en) Physical parameter measuring
EP3734613A1 (en) Personalized bio-information correcting apparatus and method
KR20200038711A (ko) 분석 물질의 농도 추정 장치 및 방법
WO2020196093A1 (ja) 情報処理装置、情報処理方法及びプログラム
US20220361823A1 (en) Wearable blood pressure biosensors, systems and methods for short-term blood pressure prediction
US11564622B2 (en) Apparatus and method for generating metabolism model
EP4140402A1 (en) Blood pressure measurement method and electronic device
Brown et al. A low-cost portable health platform for monitoring of human physiological signals
CN110167435B (zh) 用户终端装置和数据发送方法
Jovanov et al. Sensors and systems for obesity care and research
KR20200137103A (ko) 생체 정보 추정 모델 갱신 장치 및 방법
Kuncoro et al. Wireless-based portable device heart rate measurement as biomedical devices for stress detection
KR20200133525A (ko) 생체 정보 추정 모델의 유효성 판단 장치 및 방법