KR20210017270A - 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기 - Google Patents

심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기 Download PDF

Info

Publication number
KR20210017270A
KR20210017270A KR1020190096268A KR20190096268A KR20210017270A KR 20210017270 A KR20210017270 A KR 20210017270A KR 1020190096268 A KR1020190096268 A KR 1020190096268A KR 20190096268 A KR20190096268 A KR 20190096268A KR 20210017270 A KR20210017270 A KR 20210017270A
Authority
KR
South Korea
Prior art keywords
heart rate
patient
machine learning
ratio
learning algorithm
Prior art date
Application number
KR1020190096268A
Other languages
English (en)
Other versions
KR102290274B1 (ko
Inventor
김병조
김정빈
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to KR1020190096268A priority Critical patent/KR102290274B1/ko
Priority to CN202080056181.3A priority patent/CN114206209A/zh
Priority to US17/632,707 priority patent/US20220280046A1/en
Priority to PCT/KR2020/010442 priority patent/WO2021025507A1/ko
Publication of KR20210017270A publication Critical patent/KR20210017270A/ko
Application granted granted Critical
Publication of KR102290274B1 publication Critical patent/KR102290274B1/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
    • G16H50/20—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
    • 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
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
    • A61B5/4035—Evaluating the autonomic nervous system
    • 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
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Vascular Medicine (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템은, 환자의 나이, 혈압, 심호흡 동안 측정된 심박수로부터 산출된 E-I 차이 및 E:I 비율, 및 발살바법에 따라 산출된 발살바 비율 중 적어도 하나를 포함하는 변수를 입력받는 입력부; 및 상기 입력부를 통해 입력받은 변수를 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함할 수 있다.

Description

심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기 {System and Method for Screening Orthostatic Hypotension Using Heart Rate-Based Machine Learning Algorithm and Wearable Measuring Device}
본 출원은 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기에 관한 것이다.
기립성 불내응증(OI; Orthostatic intolerance)은 환자가 누워있거나 앉은 자세에서 일어날 때, 뇌와 심장으로 가는 혈류가 줄어서 가벼운 현기증, 현기증, 흐린 시력, 심계항진, 메스꺼움 및 피로감 등을 초래하는 자율 신경계 기능 장애를 말한다.
기립성 저혈압(OH; Orthostatic Hypotension)은 OI 중 하나로서, 기립에 의해 수축기 혈압이 20mmHg 이상, 이완기 혈압이 10mmHg 이상 떨어짐에도 불구하고 혈류 유지를 위한 심박수 상승이 발생하지 않는 것으로 정의된다. OH는 파킨슨 병, 다발성 위축, 순수 자율 신경 실패, 당뇨병 자율 신경 병증과 같은 자율 신경계와 관련된 다양한 질환에서 나타날 수 있으며, 낙상, 심혈관계 사건 및 인지장애의 위험 증가와 관련이 있으므로, OH를 조기에 발견하고 시기 적절하게 관리할 필요가 있다.
OH의 진단을 위해서 기립경사 검사(HUT; Head-Up Tilt Table Test)가 널리 사용되고 있다. 그러나, 신체적 장애로 인해 틸트 테이블 상에서 자세를 유지할 수 없거나, 심한 빈혈, 신장 또는 심부전, 심장 판막 질환, 심한 관상 동맥 질환 및 급성 및 아급성기 뇌졸중 또는 심근 경색과 같이 HUT의 사용금기사유가 있는 환자들이 많이 있다. 이와 같은 신체적인 제약 외에도, HUT를 수행하기 위해 소요되는 시간과 비용의 부담, 일상 생활 중 다양한 자극에 의해 발생하는 OH를 정해진 검사실 환경 내에서만 시행함으로서 위음성의 가능성이 높다는 한계 때문에 OH의 치료 반응과 증상 진행을 모니터링하기 위해 HUT를 반복적으로 수행하는 것은 한계가 있다.
이와 같은 HUT의 한계를 극복하기 위해서 OH의 진단을 위한 대안의 바이오 마커를 발견하기 위한 연구가 진행되고 있으나, 아직까지 일상 생활에서 HUT 없이 비자세 자극(non-postural stimuli)으로부터 얻을 수 있는 심박수 변화를 이용하여 OH를 적시에 정확하게 진단하기 위한 기술은 부재한 실정이다.
따라서, 당해 기술분야에서는 일상 생활에서 HUT 없이 비자세 자극으로부터 얻을 수 있는 심박수 변화를 이용하여 OH를 적시에 정확하게 진단하기 위한 방안이 요구되고 있다.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 비자세성 자극 중 측정된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템을 제공한다.
상기 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템은, 환자의 나이, 혈압, 심호흡 동안 측정된 심박수로부터 산출된 E-I 차이 및 E:I 비율, 및 발살바법에 따라 산출된 발살바 비율 중 적어도 하나를 포함하는 변수를 입력받는 입력부; 및 상기 입력부를 통해 입력받은 변수를 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함할 수 있다.
또한, 상기 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템은, 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기; 환자의 심호흡 동안 상기 웨어러블 측정기기에 의해 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하고, 발살바법에 따라 상기 웨어러블 측정기기에 의해 측정된 심박수로부터 발살바 비율을 산출하는 프로세싱 장치; 및 상기 프로세싱 장치에 의해 산출된 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함할 수 있다.
한편, 본 발명의 다른 실시예는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법을 제공한다.
상기 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법은, 환자의 심호흡 동안 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하는 단계; 발살바법에 따라 발살바 비율을 산출하는 단계; 및 상기 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기계학습 알고리즘에 따라 기립성 저혈압 여부를 판단하는 단계를 포함할 수 있다.
한편, 본 발명의 다른 실시예는 웨어러블 측정기기를 제공한다.
상기 웨어러블 측정기기는, 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기에 있어서, 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법을 구현한 소프트웨어가 탑재되며, 측정된 심박수를 기초로 상기 소프트웨어에 의해 상기 환자의 기립성 저혈압 여부를 판단하는 것을 특징으로 한다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 일상 생활에서 HUT 없이 비자세 자극으로부터 얻을 수 있는 심박수 변화를 이용하여 OH를 적시에 정확하게 진단할 수 있다.
도 1은 본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템의 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법의 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템(100)은 입력부(110), 판단부(120) 및 학습데이터 DB(130)를 포함하여 구성될 수 있다.
입력부(110)는 기립성 저혈압 선별을 위해 사용되는 변수를 입력받기 위한 것이다.
일 실시예에 따르면, 입력부(110)는 환자의 나이, 혈압, 심호흡 동안 측정된 심박수로부터 산출된 E-I 차이 및 E:I 비율, 그리고 발살바법에 따라 산출된 발살바 비율 중 적어도 하나를 포함하는 변수를 입력받을 수 있으며, 특히, 입력받는 변수는 E-I 차이, E:I 비율 및 발살바 비율을 포함하는 것이 바람직하다. 여기서, E는 exhalation을 나타내고, I는 inhalation을 나타내는 것이다.
예를 들어, 입력부(110)는 환자 단말, 의료진 단말 또는 외부 서버(병원 정보 시스템) 등으로부터 환자의 기본 정보에 해당하는 환자의 나이 및 혈압 정보를 입력받을 수 있다. 여기서, 혈압 정보는 기준 수축기 및 이완기 혈압 정보를 포함할 수 있다.
또한, 입력부(110)는 심호흡 동안 측정된 심박수로부터 산출된 E-I 차이 및 E:I 비율을 입력 받거나, 또는 심호흡 동안 측정된 심박수 정보를 입력받아서 이로부터 E-I 차이 및 E:I 비율을 산출할 수도 있다. 이를 위해, 입력부(110)는 E-I 차이 및 E:I 비율 산출을 위한 프로세싱 장치를 구비할 수 있다.
구체적으로, 심호흡(예를 들어 분당 6회의 호흡) 동안에 심박수 범위를 측정하고, 이를 기초로 E-I 차이는 각각의 6회 호흡 사이클에 대해 흡기 동안의 최대 심박수로부터 호기 동안의 최소 심박수를 빼서 산출하며, E:I 비율은 흡기 동안의 가장 짧은 R-R 간격에 대한 호기 동안의 가장 긴 R-R 간격의 비율로 산출할 수 있다.
또한, 입력부(110)는 발살바법에 따라 산출된 발살바 비율을 입력받거나, 또는 발살사법에 따라 측정한 심박수 정보를 입력받아서 이로부터 발살바 비율을 산출할 수도 있다.
구체적으로, 환자는 발살바법에 따라 편안하게 기대어 있는 자세에서 압력계에 부착된 마우스피스를 통해 15초 동안 40mmHg의 압력을 유지하도록 불도록 요청된 상태에서 심박수 범위를 측정하며, 발살바 비율은 최대 R-R 간격을 최소 R-R 간격으로 나눈 값으로 산출할 수 있다.
일 실시예에 따르면, 심호흡시 또는 발살바법에 따른 심박수의 측정은 환자의 신체에 착용 가능한 웨어러블 측정기기에 의해 수행될 수 있다. 이를 통해, 일상 생활에서도 심호흡과 발살바법에 따른 비자세 자극 시에 환자의 심박수를 측정하고 이를 기초로 보다 편리하게 기립성 저혈압 여부를 판단할 수 있다.
판단부(120)는 입력부(110)를 통해 입력받은 변수를 기초로 기계학습 알고리즘(121)에 따라 환자의 기립성 저혈압 여부를 판단하기 위한 것이다.
일 실시예에 따르면, 기계학습 알고리즘(121)은 환자의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율 중 적어도 하나를 입력받고 이를 기초로 기립성 저혈압 여부를 판단할 수 있다. 특히, 기계학습 알고리즘(121)이 입력받는 변수는 E-I 차이, E:I 비율 및 발살바 비율을 포함하는 것이 바람직하다.
이를 위해, 기계학습 알고리즘(121)은 기 구축된 학습데이터 DB(130)에 저장된 학습데이터를 이용하여 사전에 학습을 수행할 수 있다. 예를 들어, 기계학습 알고리즘(121)은 학습데이터 DB(130)에 저장되어 있는 학습데이터, 즉 HUT에 의해 OH로 진단된 환자 및 비-OH 환자 군의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율 데이터를 이용하여 기립성 저혈압 여부를 판단하도록 학습을 수행할 수 있다.
일 실시예에 따르면, 기계학습 알고리즘(121)은 SVM(Support Vector Machine) 알고리즘, KNN(K-Nearest Neighbor) 알고리즘 및 Random forest 알고리즘 등의 기계학습 알고리즘을 사용할 수 있으나 반드시 이로 제한되는 것은 아니며, 통상의 기술자에게 알려진 다양한 학습 알고리즘 중에서 선택하여 사용할 수 있다.
표 1은 기계학습 알고리즘에서 사용한 알고리즘의 종류에 따른 성능을 나타내는 것으로, 구체적으로 환자의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율을 포함하는 5가지 입력 변수를 이용하여 SVM 알고리즘, KNN 알고리즘 및 Random forest 알고리즘을 각각 적용한 경우의 분류 정확도를 나타낸다.
[표 1]
Figure pat00001
표 1로부터 Random forest 알고리즘을 적용한 경우의 정확도가 가장 높은 것을 알 수 있다.
상술한 바와 같이 학습을 수행한 기계학습 알고리즘(121)을 이용하면, 입력부(110)를 통해 실시간으로 입력되는 변수를 기초로 일상 생활에서도 적시에 정확하게 기립성 저혈압 여부를 판단할 수 있게 된다.
도 2는 본 발명의 다른 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법의 흐름도이다.
도 2를 참조하면, 우선 환자의 나이 및 혈압 정보를 획득하고(S21), 심호흡 동안 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하고(S22), 발살바법에 따라 발살바 비율을 산출할 수 있다(S23).
도 2에서는 S21 내지 S23 단계의 순서로 순차적으로 수행되는 것으로 도시되어 있으나, 이는 일 예에 불과한 것으로 순서가 반드시 이로 제한되는 것은 아니며, 환자의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율 정보를 획득하면 족하다.
이후, S21 내지 S23 단계에서 획득한 정보, 즉 환자의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율을 기초로 기계학습 알고리즘에 따라 기립성 저혈압 여부를 판단할 수 있다(S24).
도 2에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법의 각 단계를 실행하기 위한 구체적인 방법은 도 1을 참조하여 상술한 바와 동일하므로 이에 대한 중복적인 설명은 생략한다.
또한, 도 2에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법은 기계학습 알고리즘의 실행이 가능한 프로세싱 장치에 의해 수행될 수 있다.
본 발명의 일 실시예에 따르면, 도 2에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법의 각 단계를 실행하기 위한 프로세서에 의해 실행 가능한 명령들이 기록된 컴퓨터 판독 가능한 저장매체가 제공될 수 있다.
본 발명의 다른 실시예에 따르면, 도 2에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법을 소프트웨어의 형태로 구현하고, 해당 소프트웨어를 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기에 탑재할 수 있다. 이로써, 웨어러블 측정기기에 의해 일상 생활에서 환자의 심박수를 측정하고 이를 기초로 기립성 저혈압 여부까지 판단할 수 있는 OH 스크리닝 도구로 활용할 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
100: 기립성 저혈압 선별 시스템
110: 입력부
120: 판단부
121: 기계학습 알고리즘
130: 학습데이터 DB

Claims (5)

  1. 환자의 나이, 혈압, 심호흡 동안 측정된 심박수로부터 산출된 E-I 차이 및 E:I 비율, 및 발살바법에 따라 산출된 발살바 비율 중 적어도 하나를 포함하는 변수를 입력받는 입력부; 및
    상기 입력부를 통해 입력받은 변수를 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템.
  2. 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기;
    환자의 심호흡 동안 상기 웨어러블 측정기기에 의해 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하고, 발살바법에 따라 상기 웨어러블 측정기기에 의해 측정된 심박수로부터 발살바 비율을 산출하는 프로세싱 장치; 및
    상기 프로세싱 장치에 의해 산출된 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템.
  3. 환자의 심호흡 동안 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하는 단계;
    발살바법에 따라 발살바 비율을 산출하는 단계; 및
    상기 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기계학습 알고리즘에 따라 기립성 저혈압 여부를 판단하는 단계를 포함하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법.
  4. 제 3 항에 있어서,
    환자의 나이 및 혈압 정보를 획득하는 단계를 더 포함하며,
    상기 기립성 저혈압 여부를 판단하는 단계는 상기 환자의 나이 및 혈압 정보를 추가로 고려하여 기립성 저혈압 여부를 판단하는 것을 특징으로 하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법.
  5. 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기에 있어서,
    제 3 항에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법을 구현한 소프트웨어가 탑재되며, 측정된 심박수를 기초로 상기 소프트웨어에 의해 상기 환자의 기립성 저혈압 여부를 판단하는 것을 특징으로 하는 웨어러블 측정기기.
KR1020190096268A 2019-08-07 2019-08-07 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기 KR102290274B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020190096268A KR102290274B1 (ko) 2019-08-07 2019-08-07 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기
CN202080056181.3A CN114206209A (zh) 2019-08-07 2020-08-06 使用基于心率的机器学习算法的直立性低血压检测系统和方法及可穿戴测量设备
US17/632,707 US20220280046A1 (en) 2019-08-07 2020-08-06 System and method for screening orthostatic hypotension by using heart rate-based machine learning algorithm, and wearable measurement device
PCT/KR2020/010442 WO2021025507A1 (ko) 2019-08-07 2020-08-06 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190096268A KR102290274B1 (ko) 2019-08-07 2019-08-07 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기

Publications (2)

Publication Number Publication Date
KR20210017270A true KR20210017270A (ko) 2021-02-17
KR102290274B1 KR102290274B1 (ko) 2021-08-20

Family

ID=74502760

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190096268A KR102290274B1 (ko) 2019-08-07 2019-08-07 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기

Country Status (4)

Country Link
US (1) US20220280046A1 (ko)
KR (1) KR102290274B1 (ko)
CN (1) CN114206209A (ko)
WO (1) WO2021025507A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275737B (zh) * 2023-11-22 2024-02-23 首都医科大学宣武医院 一种直立性低血压智能诊疗方法、设备及可存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160107007A (ko) * 2015-03-03 2016-09-13 삼성전자주식회사 혈압 측정 장치 및 방법
KR20170067131A (ko) * 2015-12-07 2017-06-15 삼성전자주식회사 혈압 측정 장치 및 이를 이용한 혈압 측정 방법

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140171795A1 (en) * 2012-09-04 2014-06-19 Cardiox Corporation Method, apparatus and system for the performance of valsalva maneuvers
CN104127194B (zh) * 2014-07-14 2016-05-04 华南理工大学 一种基于心率变异性分析方法的抑郁症的评估系统
US11213212B2 (en) * 2015-12-07 2022-01-04 Samsung Electronics Co., Ltd. Apparatus for measuring blood pressure, and method for measuring blood pressure by using same
WO2017099749A1 (en) * 2015-12-09 2017-06-15 Ansar Group, Inc. Method and system of measurement, correlation, and analysis of simultaneous and independent parasympathetic and sympathetic autonomic nervous system activity
US11589758B2 (en) * 2016-01-25 2023-02-28 Fitbit, Inc. Calibration of pulse-transit-time to blood pressure model using multiple physiological sensors and various methods for blood pressure variation
US10835129B2 (en) * 2016-09-06 2020-11-17 Cardiac Pacemakers, Inc. System to diagnose and manage orthostatic intolerance
US10849568B2 (en) * 2017-05-15 2020-12-01 Cardiac Pacemakers, Inc. Systems and methods for syncope detection and classification
KR102042700B1 (ko) * 2017-11-17 2019-11-08 가천대학교 산학협력단 딥러닝 기반의 혈압 예측 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160107007A (ko) * 2015-03-03 2016-09-13 삼성전자주식회사 혈압 측정 장치 및 방법
KR20170067131A (ko) * 2015-12-07 2017-06-15 삼성전자주식회사 혈압 측정 장치 및 이를 이용한 혈압 측정 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
논문, 어지럼에서 자율신경기능부전의 검사방법, Research in Vestibular Science Vol. 9, Suppl. 2 *

Also Published As

Publication number Publication date
WO2021025507A1 (ko) 2021-02-11
CN114206209A (zh) 2022-03-18
KR102290274B1 (ko) 2021-08-20
US20220280046A1 (en) 2022-09-08

Similar Documents

Publication Publication Date Title
US10952638B2 (en) System and method for monitoring respiratory rate and oxygen saturation
KR101596662B1 (ko) 폐쇄성 수면무호흡증의 치료 효과 진단 장치 및 그 진단 방법
JP5208751B2 (ja) 患者の血圧を決定するシステム及び方法
JP6757734B2 (ja) 血圧測定デバイス用の制御信号を供給するための装置及び方法
WO2017096314A1 (en) Systems and methods for non-invasive blood pressure measurement
IL259830A (en) Methods and instruments for estimating and managing hemodynamic status
Le et al. Continuous non-invasive blood pressure monitoring: a methodological review on measurement techniques
WO2016138307A1 (en) Systems and methods for non-invasive blood pressure measurement
US11678809B2 (en) Apparatus and method for determining a calibration parameter for a blood pressure measurement device
EP3849407A1 (en) System and method for monitoring respiratory rate and oxygen saturation
JP2022532752A (ja) 小型３リードモバイル心臓監視装置
US11844618B2 (en) System and method for cardiovascular monitoring and reporting
Lakshminarayanan et al. " Smartphone Science" in Eye Care and Medicine
US11284842B2 (en) Method of assessing the reliability of a blood pressure measurement and an apparatus for implementing the same
KR102290274B1 (ko) 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기
US11478343B2 (en) Apparatus configured to be attachable and detachable to and from oral cavity
EP4245213A1 (en) System for estimating blood pressures using photoplethysmography signal analysis
CN108430317A (zh) 用于计算光学性血液动力学的血压的方法及装置
TW202027673A (zh) 生命體徵估計器的生命體徵估計裝置和校準方法
US20220240796A1 (en) System and Method for Noninvasive Monitoring, Diagnosis and Reporting of Cardiovascular Stenosis
US20220167859A1 (en) System and method for blood pressure monitoring with subject awareness information
JP2022513917A (ja) 被験者認知情報を用いた血圧モニタリングのためのシステムおよび方法
JP2024501861A (ja) リアルタイムのフォトプレチスモグラフィデータにより推定血糖値を生成するシステム、方法及び装置
Bobrie et al. Self blood pressure measurement at home
Stergiou et al. 16 Guidelines for Home Blood Pressure Monitoring

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)