KR20210068884A - System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information - Google Patents

System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information Download PDF

Info

Publication number
KR20210068884A
KR20210068884A KR1020190158443A KR20190158443A KR20210068884A KR 20210068884 A KR20210068884 A KR 20210068884A KR 1020190158443 A KR1020190158443 A KR 1020190158443A KR 20190158443 A KR20190158443 A KR 20190158443A KR 20210068884 A KR20210068884 A KR 20210068884A
Authority
KR
South Korea
Prior art keywords
depression
prediction model
biometric information
server
smart band
Prior art date
Application number
KR1020190158443A
Other languages
Korean (ko)
Other versions
KR102373496B1 (en
Inventor
김형신
최진영
Original Assignee
충남대학교산학협력단
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 충남대학교산학협력단 filed Critical 충남대학교산학협력단
Priority to KR1020190158443A priority Critical patent/KR102373496B1/en
Publication of KR20210068884A publication Critical patent/KR20210068884A/en
Application granted granted Critical
Publication of KR102373496B1 publication Critical patent/KR102373496B1/en

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
    • G16H50/50—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
    • 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
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Hospice & Palliative Care (AREA)
  • Developmental Disabilities (AREA)
  • Psychiatry (AREA)
  • Child & Adolescent Psychology (AREA)
  • Social Psychology (AREA)
  • Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

The present technology relates to a method and system for generating a depression prediction model based on smart band biometric information. According to an embodiment of the present technology, by generating a depression prediction model based on smart band biometric information and predicting depression with the generated model, it is possible to identify and predict dangerous situations by recognizing abnormal behaviors and emotions of an individual and capturing the process leading to depression in advance.

Description

스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템 및 방법{System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information}System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information}

스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템 및 방법에 관한 것으로, 더욱 상세하게는 스마트밴드 생체정보를 기반으로 우울도 예측 모델을 생성하고 생성된 모델로 우울도를 예측할 수 있는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템 및 방법에 관한 것이다.It relates to a system and method for generating a depression prediction model based on smart band biometric information, and more specifically, a smart band biometric information base that can generate a depression prediction model based on smart band biometric information and predict depression with the generated model. It relates to a system and method for generating a depression prediction model.

사람들의 행동과 잠재적으로 감정 및 궁극적으로 정신 건강에 대한 정보를 분석하고 예측하기 위해 실시간 유비쿼터스 센서 데이터가 다양하게 활용될 수 있다.Real-time ubiquitous sensor data can be utilized in a variety of ways to analyze and predict information about people's behavior and potentially emotional and ultimately mental health.

자살률이 증가하여 사회문제로 대두됨에 따라 주요 원인 요인이자 세계보건기구에서 인류에게 가장 큰 부담을 초래하는 10대 질환 중 3위인 우울증에 대한 연구와 정신건강 관리에 대한 관심이 집중되고 있다. 우울증과 같이 정신질환은 신체질환과 달리 당사자가 병의 정도를 인지 또는 이해하기 어려우며, 치료를 받기까지 시간이 오래 걸린다. 치료법 또한 신체질환에 비해 더딘 편이기 때문에 당사자에게 인지시켜 사전 예방이 중요하다.As the suicide rate rises and rises as a social problem, attention is focused on research on depression and mental health management, which is a major causative factor and third among the top ten diseases that cause the greatest burden on mankind by the World Health Organization. Unlike physical diseases, like depression, it is difficult for the person concerned to recognize or understand the extent of the disease, and it takes a long time to receive treatment. Since the treatment is also slower than the physical disease, it is important to inform the person concerned and prevent it in advance.

우울증이 조기에 적절한 치료를 받지 못하고 심화됨에 따라 불안 증세, 인지 기능 손상, 신체적 증상, 자살과 폭력성을 불러일으키기 때문에 조기에 우울증을 높은 정확도로 예측하고 적절한 치료를 유도할 수 있는 수단의 도입이 필요하다.As depression worsens without receiving appropriate treatment at an early stage, it causes anxiety symptoms, cognitive impairment, physical symptoms, suicide and violence. Therefore, it is necessary to introduce a means to predict depression at an early stage with high accuracy and induce appropriate treatment. Do.

1. 감정 분석을 위한 생체 신호 특징 추출(최아영, 우운택) 한국HCI학회 학술대회 2005. 1.1. Biosignal Feature Extraction for Emotion Analysis (Choi Ah-young, Woo Un-taek) Conference of the Korean HCI Society 2005. 1.

본 발명은 상기와 같은 문제를 해결하기 위한 것으로서, 스마트밴드 생체정보를 기반으로 우울도 예측 모델을 생성하고 생성된 모델로 우울도를 예측할 수 있는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템 및 방법을 제공하는데 그 목적이 있다.The present invention is to solve the above problem, and a system and method for generating a depression prediction model based on smart band biometric information and predicting depression with the generated model. Its purpose is to provide

상기와 같은 목적을 달성하기 위한 본 발명은 사용자의 생체정보를 수집하여 서버로 전송하는 스마트밴드; 및 상기 사용자로부터 우울도 판별 자료를 입력 받는 어플리케이션으로부터 상기 우울도 판별 자료를 수신하고 상기 스마트밴드로부터 상기 생체정보를 수신하는 서버;를 포함하고, 상기 서버는 상기 우울도 판별 자료와 상기 생체정보를 기반으로 우울도 예측 모델을 생성하는 것을 특징으로 한다.The present invention for achieving the above object is a smart band that collects the user's biometric information and transmits it to a server; and a server that receives the depression determination data from the application receiving the depression level determination data from the user and receives the biometric information from the smart band, wherein the server collects the depression level determination data and the biometric information. It is characterized by generating a depression prediction model based on the

바람직하게는, 상기 생체정보는 광혈류량, 전기전도도, 활동량, 체온 데이터를 포함하는 것이다.Preferably, the biometric information includes light blood flow, electrical conductivity, activity amount, and body temperature data.

바람직하게는, 상기 서버는 데이터 전처리, 데이터 분석 및 검증 절차를 수행하여 상기 우울도 예측 모델을 생성하는 것이다.Preferably, the server generates the depression prediction model by performing data preprocessing, data analysis and verification procedures.

바람직하게는, 상기 서버는 은닉 마르코프 모델을 이용하여 사용자 행동 상태를 분석하고 컨텍스트 인식 기반 차원 축소 방법을 통해 행동요소와 개인의 특이성을 검출하며 SVM 또는 선형 회귀 예측 알고리즘을 수행하여 특정 문턱 값을 결정하여 상기 우울도 예측 모델을 생성하는 것이다.Preferably, the server analyzes the user behavior state using a hidden Markov model, detects the specificity of behavior elements and individuals through a context-aware-based dimension reduction method, and determines a specific threshold value by performing SVM or linear regression prediction algorithm to generate the depression prediction model.

또한 본 발명의 다른 실시예 따른 스마트밴드 생체정보 기반 우울도 예측 모델 생성 방법은 스마트밴드가 사용자의 생체정보를 수집하여 서버로 전송하는 단계; 서버가 상기 스마트밴드로부터 상기 생체정보를 수신하는 단계; 서버가 상기 사용자로부터 우울도 판별 자료를 입력 받는 어플리케이션으로부터 상기 우울도 판별 자료를 수신하는 단계; 및 서버가 상기 우울도 판별 자료와 상기 생체정보를 기반으로 우울도 예측 모델을 생성하는 단계;를 포함하는 것을 특징으로 한다.In addition, the smart band biometric information-based depression prediction model generation method according to another embodiment of the present invention includes the steps of: the smart band collects the user's biometric information and transmits it to the server; receiving, by a server, the biometric information from the smart band; receiving, by the server, the depression determination data from an application that receives the depression level determination data from the user; and generating, by the server, a depression prediction model based on the depression determination data and the biometric information.

바람직하게는, 상기 생체정보는 광혈류량, 전기전도도, 활동량, 체온 데이터를 포함하는 것이다.Preferably, the biometric information includes light blood flow, electrical conductivity, activity amount, and body temperature data.

바람직하게는, 상기 우울도 예측 모델 생성 단계는 데이터 전처리, 데이터 분석, 검증 절차를 수행하여 상기 우울도 예측 모델을 생성하는 것이다.Preferably, the depression prediction model generating step is to generate the depression prediction model by performing data pre-processing, data analysis, and verification procedures.

바람직하게는, 상기 우울도 예측 모델 생성 단계는 은닉 마르코프 모델을 이용하여 사용자 행동 상태를 분석하고 컨텍스트 인식 기반 차원 축소 방법을 통해 행동요소와 개인의 특이성을 검출하며 SVM 또는 선형 회귀 예측 알고리즘을 수행하여 특정 문턱 값을 결정하여 상기 우울도 예측 모델을 생성하는 것이다.Preferably, the depression prediction model generation step analyzes the user behavioral state using a hidden Markov model, detects behavioral elements and individual specificity through a context-aware-based dimension reduction method, and performs SVM or linear regression prediction algorithm. To generate the depression prediction model by determining a specific threshold value.

전술한 바와 같은 본 발명에 따르면, 스마트밴드 생체정보를 기반으로 우울도 예측 모델을 생성하고 생성된 모델로 우울도를 예측함으로써 개인의 이상 행동과 감정을 인지하고 우울증으로 이어지는 과정을 사전에 포착하여 위험상황을 식별하고 예측할 수 있는 이점이 있다.According to the present invention as described above, by generating a depression prediction model based on the biometric information of the smart band and predicting the degree of depression with the generated model, abnormal behaviors and emotions of individuals are recognized and the process leading to depression is captured in advance. It has the advantage of being able to identify and predict risk situations.

도 1은 본 발명에 따른 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템의 블록도를 도시한다.
도 2는 본 발명에 따른 우울도 예측 모델 생성의 구조도를 도시한다.
도 3은 본 발명에 따른 스마트밴드 생체정보 기반 우울도 예측 모델 생성 방법의 흐름도를 도시한다.1 is a block diagram of a smart band biometric information-based depression prediction model generation system according to the present invention.
2 shows a structural diagram of the generation of a depression prediction model according to the present invention.
3 is a flowchart of a method for generating a depression prediction model based on smart band biometric information according to the present invention.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 이에 앞서 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.Advantages and features of the present invention, and methods of achieving them, with reference to the embodiments described below in conjunction with the accompanying drawings, the advantages and features of the present invention, and methods of achieving them, are described below with the accompanying drawings. It will become clear with reference to examples. Prior to this, it should be noted that, when it is determined that a detailed description of a known function and its configuration related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description thereof is omitted.

도 1은 본 발명에 따른 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템의 블록도를 도시한다. 도 1을 참조하면, 본 발명에 따른 스마트밴드 생체정보 기반 우울도 예측 모델 시스템은 스마트밴드(100) 및 서버(200)를 포함한다.1 is a block diagram of a smart band biometric information-based depression prediction model generation system according to the present invention. Referring to FIG. 1 , a smart band biometric information-based depression prediction model system according to the present invention includes a smart band 100 and a server 200 .

스마트밴드(100)는 사용자의 생체정보를 수집하여 서버로 전송한다. 스마트밴드(100)는 손목에 감기는 형태가 일반적이나 사용자의 신체에 착용 내지 부착되어 생체정보를 수집할 수 있는 형태이면 무방하고, 착용 위치 또한 손목이 아니어도 무방하다.The smart band 100 collects the user's biometric information and transmits it to the server. Although the smart band 100 is generally wrapped around the wrist, it may be worn or attached to the user's body to collect biometric information, and the wear position may not be on the wrist.

스마트밴드(100)는 광혈류량(PPG, Photoplethysmography), 전기전도도(EDA, Electrodermal Activity), 활동량(Accelerometer), 체온(Temperature) 등을 생체정보로 수집한다. 생체정보는 일정 주기적으로 수집될 수 있다. 이러한 생체정보로부터 일상 활동을 추출하고 감정 척도를 추출할 수 있다.The smart band 100 collects photoplethysmography (PPG), electrodermal activity (EDA), accelerometer, and body temperature (Temperature) as biometric information. Biometric information may be collected periodically. It is possible to extract daily activities and emotional scales from such biometric information.

PPG 신호는 시간의 함수 형태로 조직을 통한 빛의 투과를 측정한다. 스마트밴드(100)는 동맥계에 광을 투과하여 혈액 속의 헤모글로빈이 적외선 대역의 광을 흡수하는 특성을 이용하여 혈중 산화포화도 등을 측정하여 동맥의 용적변화량을 측정할 수 있다.The PPG signal measures the transmission of light through tissue as a function of time. The smart band 100 transmits light to the arterial system and uses the characteristic that hemoglobin in the blood absorbs light in the infrared band to measure the blood oxidation saturation and the like to measure the volume change of the artery.

PPG 신호로부터 맥파의 형태, 빠르기, 강도, 맥파의 규칙도, 복잡도 등의 정보를 관찰 할 수 있고, 심박의 변화 폭은 감정의 변화 크기를 판단하는 토대로 사용될 수 있으며 박동 간의 평균을 추출하여 심박의 가변성을 측정할 수 있다. 심박의 가변성은 시간열 데이터 뿐만 아니라 주파수 영역에서의 분석을 통해서도 감정 분석을 위한 정보를 추출할 수 있다. 심박의 변동 신호가 갖고 있는 진폭 및 중심 주파수로부터 스펙트럼에 따라 심박변이도를 해석하고 주파수 성분에 따라 감정을 판별할 수 있다.Information such as pulse wave shape, speed, intensity, and pulse wave regularity and complexity can be observed from the PPG signal, and the range of change in heart rate can be used as a basis for judging the magnitude of change in emotion. Variability can be measured. The variability of the heartbeat can extract information for emotion analysis through analysis in the frequency domain as well as time series data. It is possible to interpret the heart rate variability according to the spectrum from the amplitude and center frequency of the heart rate fluctuation signal and to discriminate the emotion according to the frequency component.

다음 표 1은 주파수 영역에서의 심박변이도 해석에 관한 표이다. Table 1 below is a table of heart rate variability analysis in the frequency domain.

Figure pat00001
Figure pat00001

EDA는 피부전기활동 측정 센서를 이용해 수집될 수 있다. 활동량은 3축 자이로 가속도 센서를 이용해 이동을 감지하여 수집될 수 있다. 예를 들면, 3축 자이로 가속도 센서가 수집하는 일상 활동은 움직임이 많은 동작과 적은 동작으로 일차적 분류하여 주요 일상 활동 요소 범위를 축소할 수 있고, 적은 움직임은 짧은 시간에 변하는 동작이기 때문에 시간 간격 차이를 통해 동작 유지 기간 차이에 따른 동작을 인식할 수 있으며, 예를 들면 심박 데이터 등의 데이터와 조합하여 수면 중 움직임 유무 등을 파악할 수도 있다.EDA can be collected using an electrodermal activity sensor. The amount of activity can be collected by detecting movement using a 3-axis gyro acceleration sensor. For example, daily activities collected by a 3-axis gyro accelerometer can be primarily classified into high-movement and low-motion movements to reduce the range of major daily activity elements, and since small movements are movements that change in a short time, the time interval difference It is possible to recognize a motion according to the difference in the duration of the motion, for example, to determine whether there is a motion during sleep by combining it with data such as heart rate data.

사용자가 스마트밴드(100), 스마트폰 내지 PC에 설치된 어플리케이션으로부터 우울 정도를 점수로 수치화할 수 있는 설문을 제공받아 우울도 판별 자료를 입력 하면 스마트밴드(100), 스마트폰 내지 PC에 설치된 어플리케이션은 서버(200)로 우울도 판별 자료를 인터넷, 클라우드 시스템 등을 통해 전송할 수 있다.When the user receives a questionnaire that can quantify the degree of depression as a score from the application installed on the smart band 100, the smartphone or the PC and inputs the data for determining the degree of depression, the smart band 100, the application installed on the smartphone or the PC Depression determination data may be transmitted to the server 200 through the Internet, a cloud system, or the like.

예를 들면, 우울도 판별 자료는 자가 우울증 설문 조사인 PHQ-9 등 을 사용할 수 있다. PHQ-9은 주요 우울 장애 증상과 관련된 9가지 질문에 대한 답변으로 진행 되며 실험자는 0에 해당하는 전혀 아님에서 3에 해당하는 응답한 점수를 통해 우울 수준을 수치화할 수 있다. 해당 점수의 총점을 통해 경미한 우울증부터 심한 우울증까지의 수준과 우울 수준 상태 변화를 알 수 있다.For example, the self-depression questionnaire PHQ-9, etc., can be used as data for determining the degree of depression. The PHQ-9 proceeds with answers to 9 questions related to symptoms of major depressive disorder, and the experimenter can quantify the level of depression through a score that corresponds to 3 from not at all corresponding to 0. The total score of the corresponding score shows the level of depression from mild depression to severe depression and the change in the state of the depression level.

서버(200)는 어플리케이션으로부터 수신한 사용자의 우울도 판별 자료와 스마트밴드(100)로부터 수신한 생체정보를 기반으로 우울도 예측 모델을 생성한다.The server 200 generates a depression prediction model based on the user's depression determination data received from the application and the biometric information received from the smart band 100 .

이 때, 서버(200)는 데이터 전처리, 데이터 분석 및 검증 절차를 수행하여 상기 우울도 예측 모델을 생성하는 것일 수 있다. In this case, the server 200 may generate the depression prediction model by performing data pre-processing, data analysis, and verification procedures.

이 때, 서버(200)는 은닉 마르코프 모델을 이용하여 사용자 행동 상태를 분석하고 컨텍스트 인식 기반 차원 축소 방법을 통해 행동요소와 개인의 특이성을 검출하며 SVM 또는 선형 회귀 예측 알고리즘을 수행하여 특정 문턱 값을 결정하여 상기 우울도 예측 모델을 생성하는 것일 수 있다.At this time, the server 200 analyzes the user behavior state using the hidden Markov model, detects the specificity of the behavior element and individual through the context-aware-based dimension reduction method, and performs SVM or linear regression prediction algorithm to obtain a specific threshold value. It may be determined to generate the depression prediction model.

도 2는 본 발명에 따른 우울도 예측 모델 생성의 구조도를 도시한다. 도 2를 참조하면 본 발명에 따른 우울도 예측 모델 생성은 스마트밴드(100)에 의한 데이터 수집, 서버(200)에 의한 데이터 전처리, 데이터 분석, 모델 생성, 배포 및 검증에 따라 이루어질 수 있다.2 shows a structural diagram of the generation of a depression prediction model according to the present invention. Referring to FIG. 2 , the generation of a depression prediction model according to the present invention may be performed according to data collection by the smart band 100 , data preprocessing by the server 200 , data analysis, model generation, distribution and verification.

서버(200)가 수행하는 데이터 전처리는 세부적으로 데이터 관측, 특징 선택, 특징 추출로써 수행될 수 있고, 데이터 분석은 세부적으로 하위레벨 유형 검출, 상위레벨 유형 검출, 차원 축소로써 수행될 수 있다.Data preprocessing performed by the server 200 may be performed by data observation, feature selection, and feature extraction in detail, and data analysis may be performed by detailed low-level type detection, high-level type detection, and dimension reduction.

서버(200)가 수행하는 데이터 전처리는 데이터를 학습하여 관찰하고자하는 결과를 알기 위해 충분히 수집된 데이터의 어떤 특징이 유용한지 아닌지 확인하는 과정이다. 데이터 전처리 과정은 머신 러닝 구조에서 모델을 생성하는 과정 전에 실행되며 가장 이상적인 입력 데이터를 구분하기 위해 수행된다.The data pre-processing performed by the server 200 is a process of learning the data and checking whether certain characteristics of the collected data are useful or not in order to know the results to be observed. The data preprocessing process is executed before the process of creating a model in the machine learning structure and is performed to identify the most ideal input data.

서버(200)가 수행하는 데이터 전처리는 사용자들로부터 수집된 데이터의 유의성을 검증하기 위해 일상 활동들의 특징, 감정 척도 각각의 그룹에 대해 차이가 있는지 확인을 하기 위한 독립 표본 T 검정을 실시하여 요인들 간 연관성을 확인하기 위한 상관 분석을 수행할 수 있고, 피어슨 검증 분석과 분산분석을 복합적으로 사용하는 것일 수 있다. Data preprocessing performed by the server 200 is performed by performing an independent sample T test to check whether there is a difference for each group of characteristics of daily activities and emotional scale in order to verify the significance of data collected from users. Correlation analysis to confirm the correlation between the two may be performed, and Pearson's verification analysis and analysis of variance may be used in combination.

또한, 서버(200)가 수행하는 데이터 전처리는 일상 활동들의 각 특징 요인들의 관련성 확인을 위해 교차분석을 실시하고, 특징 요인들과 감정 척도 간의 다변량 분석을 실시하는 것일 수 있다. 이를 통해 척도 간의 연관성과 감정 변화를 유발하는 요인을 개별적인 관점으로 분석할 수 있다. In addition, the data preprocessing performed by the server 200 may be to perform cross-analysis to confirm the relevance of each characteristic factor in daily activities, and to perform multivariate analysis between the characteristic factors and the emotional scale. Through this, it is possible to analyze the correlation between the scales and the factors that cause emotional changes from an individual point of view.

또한, 서버(200)가 수행하는 데이터 전처리는 특징을 추출하기 위해 은닉 마르코프 모델을 이용한 실험자 행동 상태 분석 및 예측 알고리즘과 컨텍스트 인식 기반 차원 축소 방법을 통해 행동요소와 개인의 특이성을 검출하는 것일 수 있다.In addition, the data preprocessing performed by the server 200 may be to detect behavioral elements and individual specificity through an experimenter's behavioral state analysis and prediction algorithm using a hidden Markov model to extract features, and a context-aware-based dimension reduction method. .

서버(200)가 수행하는 데이터 전처리에서 데이터 관측은 감정 인식을 위한 데이터 적합성 여부를 알기 위해 오차역전파 알고리즘을 이용한 다중 퍼셉트론 방법, 상관분석, 주성분분석(PCA, pricipal component analysis), 다중선형회귀분석을 수행하는 것일 수 있다. 상관분석은 Pearson 상관계수를 이용하고, 주성분분석을 사용하여 요인을 추출할 수 있다. 회전은 Varimax 회전법을 사용하고, 감정 예측모형식을 수립하기 위해 주성분분석에서 얻은 성분점수를 독립변수로 하여 다중선형회귀분석을 실시할 수 있다. 주성분 분석 수행 중, 관련 변수의 수가 많을 경우 다변량 자료의 차원 축소 혹은 요약이 필요하다. 서버(200)는 여러 개의 다변량 변수들의 분산-공분산 행렬이나 상관행렬(correlation matrix)을 이용하여 상관관계를 파악할 수 있고, 상관관계가 있는 변수들의 선형결합으로 표시되는 새로운 변수인 주성분을 찾는다. 다변량 분석기법을 통해 중요한 몇 개의 주성분으로 전체 변동의 대부분을 설명할 수 있다.In the data preprocessing performed by the server 200, data observation is a multiple perceptron method using an error backpropagation algorithm, correlation analysis, principal component analysis (PCA), multiple linear regression analysis to know whether the data is suitable for emotion recognition. may be performing Correlation analysis uses the Pearson correlation coefficient, and factors can be extracted using principal component analysis. The rotation uses the Varimax rotation method, and multiple linear regression analysis can be performed using the component score obtained from the principal component analysis as an independent variable to establish the emotion prediction model. During principal component analysis, if the number of related variables is large, it is necessary to reduce the dimensions or summarize the multivariate data. The server 200 may identify a correlation using a variance-covariance matrix or a correlation matrix of several multivariate variables, and finds a principal component as a new variable represented by a linear combination of the correlated variables. With multivariate analysis techniques, a few important principal components can account for most of the overall variability.

서버(200)가 수행하는 데이터 전처리에서 특징 선택은 센서로부터 얻을 수 있는 여러 정보들 중 각각의 데이터 특성을 가장 잘 나타내는 주요 필드만을 선택하여 대표 특징으로 선택하는 것일 수 있다.In the data preprocessing performed by the server 200 , the feature selection may be selecting only a main field that best represents each data feature among various pieces of information obtainable from the sensor and selecting it as a representative feature.

서버(200)가 수행하는 데이터 전처리에서 특징 추출은 센서로부터 얻은 원본 데이터와 다른 형태의 데이터를 추출하는데 주성분분석에 의해 데이터를 변환하여 다른 특징들의 조합으로 새로운 특징을 생성하는 것일 수 있다. 서버(200)는 주성분분석을 통해 각 특징 값의 중요도를 파악할 수 있고, 새 특징 값을 통해 각 신호 패턴 중 영향력이 큰 것을 확인할 수 있다.In the data preprocessing performed by the server 200 , feature extraction extracts data in a different form from the original data obtained from the sensor, and may be to convert the data by principal component analysis to generate a new feature by combining other features. The server 200 may determine the importance of each feature value through principal component analysis, and may confirm that the influence of each signal pattern is large through the new feature value.

서버(200)가 수행하는 데이터 분석은 일정 기간 동안의 센서 데이터를 이용하여 추출된 특징 유형을 통해 감정 상태 변화와 가장 유의한 유형과 시간대를 기준으로 퍼지 집합을 통해 반복 정도와 유형 수행 시간을 관찰하여 활동량과 규칙성을 분석하는 것일 수 있다. Data analysis performed by the server 200 observes the degree of repetition and type execution time through a fuzzy set based on the emotional state change and the most significant type and time period through the feature type extracted using sensor data for a certain period of time. This may be to analyze the amount of activity and regularity.

또한, 서버(200)가 수행하는 데이터 분석은 반복적인 활동의 시간 정보를 통해 하루 전체 시간에 균등하게 이용되는 지를 분석하고, 이를 기반으로 정상정도 값들의 평균 및 표준편차를 구하여 이상정도 값을 계산하고 이를 통해 이상 데이터를 검출하는 것일 수 있다. In addition, the data analysis performed by the server 200 analyzes whether the data is used evenly throughout the day through time information of repetitive activities, and calculates the abnormality value by calculating the average and standard deviation of the normality values based on this. And it may be to detect abnormal data through this.

또한, 서버(200)가 수행하는 데이터 분석은 각각의 하위 레벨 유형의 유의수준 값을 통해 유형 간의 차이를 비교함으로서 일상생활 속 영향력을 크게 미치는 데이터를 확인하는 것일 수 있다. In addition, the data analysis performed by the server 200 may be to confirm data that has a large influence in daily life by comparing the difference between the types through the significance level values of each lower level type.

또한, 서버(200)가 수행하는 데이터 분석은 유의 수준을 기반으로 감정 상태 변화와 생활 패턴간의 관련성을 분석하기 위한 척도를 정의하고, 척도 간의 상관분석을 통해 상관관계를 분석하는 것일 수 있다.In addition, the data analysis performed by the server 200 may be defining a scale for analyzing the relationship between the change in emotional state and the life pattern based on the significance level, and analyzing the correlation through correlation analysis between the scales.

서버(200)가 수행하는 데이터 분석에서 레벨 유형 검출은, 협업 필터링 (Collaborative Filtering) 기술 적용을 통해서 유사 정서 상태를 갖는 특징 유형 추출하고, 유사이웃 평균, 코사인 계수, 엔트로피 유사도, 원점적률 유사도, 이웃선택 최적화 적용기법을 통해 절대평균오차 값을 비교하고, 해당 협업 필터링 기술 적용이 유효한지 확인하여 각각의 센서 데이터에 대해 가중치를 조절하는 것일 수 있다.Level type detection in data analysis performed by the server 200 extracts feature types with similar emotional states through the application of collaborative filtering technology, and similar neighborhood average, cosine coefficient, entropy similarity, origin point similarity, neighbor It may be to adjust the weight for each sensor data by comparing the absolute mean error value through the selection optimization application technique and confirming that the application of the corresponding collaborative filtering technique is valid.

서버(200)가 수행하는 데이터 분석에서 차원 축소는, 데이터 전처리를 통해 구축된 특징들의 집합을 직접적으로 선택하여, 여러 특징 선택 알고리즘을 통해 개선된 성능을 비교하여 기존 입력을 토대로 새로운 입력 데이터로부터 모델링을 위한 차원 축소 과정을 수행하는 것일 수 있다. 특징 값들의 중요도가 비슷한 경우 특징 차원을 줄이는 것이 중요하다.Dimensional reduction in data analysis performed by the server 200 directly selects a set of features built through data preprocessing, compares improved performance through multiple feature selection algorithms, and models from new input data based on existing inputs It may be to perform a dimensionality reduction process for When feature values are of similar importance, it is important to reduce the feature dimension.

서버(200)가 수행하는 우울도 예측 모델 생성은 인지하고자 하는 감정 클래스를 분류하고 이상 감정 예측 모델 생성을 위해 생활이벤트에 따라 앞 절에서 검출된 모니터링 결과를 이용하여 정상 정도 및 이상정도 값을 계산하여 이를 이용한 감정을 추론하는 것일 수 있다. Depression prediction model generation performed by the server 200 classifies the emotion class to be recognized and calculates the normality and abnormality values using the monitoring results detected in the previous section according to life events to generate the abnormal emotion prediction model. Therefore, it may be to infer emotions using it.

또한, 서버(200)가 수행하는 우울도 예측 모델 생성은 SVM(Support Vector Machine)을 포함한 일련의 학습 샘플에 의해 제공된 분류 데이터를 사용하는 지도 학습 방법(Supervised Learning)으로부터 전처리 과정을 거친 레이블에 데이터를 매핑하여 학습하는 것일 수 있다. In addition, the depression prediction model generation performed by the server 200 is data on the label that has undergone preprocessing from the supervised learning method using classification data provided by a series of training samples including a support vector machine (SVM). It may be learning by mapping

또한, 서버(200)가 수행하는 우울도 예측 모델 생성은 SVM과 linear regression 등 복합적인 예측 알고리즘 방법을 수행하여 추론을 위한 특정 문턱 값을 결정하여 학습 과정을 구체화하는 것일 수 있다. In addition, the generation of the depression prediction model performed by the server 200 may be to specify a learning process by performing a complex prediction algorithm method such as SVM and linear regression to determine a specific threshold value for inference.

또한, 서버(200)가 수행하는 우울도 예측 모델 생성은 Naive Bayes Model, Hidden Markov Model 및 Gaussian Model을 통해 걷기, 앉기와 같은 활동 레이블에 매핑되는 레이블을 예측함으로서 사후 확률을 계산하거나, Logistic Regression 등의 식별 알고리즘을 통해 다른 레이블을 구분하여 경계를 설명하는 것일 수 있다. In addition, the generation of the depression prediction model performed by the server 200 calculates posterior probabilities by predicting labels mapped to activity labels such as walking and sitting through Naive Bayes Model, Hidden Markov Model, and Gaussian Model, or Logistic Regression, etc. It may be to describe the boundary by distinguishing different labels through the identification algorithm of

또한, 서버(200)가 수행하는 우울도 예측 모델 생성은 지도 학습 방법 외의 레이블이 있는 데이터와 레이블이 없는 데이터가 모두 포함된 샘플을 사용하는 반지도 학습(Semi-supervised Learning)과 레이블이 지정되지 않은 기계 학습 범주인 비지도 학습(Unsupervised Learning)의 여러 모델을 활용하여 성능을 비교하는 것일 수 있다.In addition, the generation of the depression prediction model performed by the server 200 is semi-supervised learning using samples containing both labeled and unlabeled data other than the supervised learning method and unlabeled. It may be to compare the performance by utilizing several models of unsupervised learning, a category of machine learning that is not

서버(200)는 데이터 전처리와 데이터 분석을 통해 우울도 예측 모델을 생성한 후 검증 과정을 통해 모델러닝 설정 값을 재구성하여 오차를 제거하고 우울도 예측의 정확도를 높일 수 있다.After generating a depression prediction model through data pre-processing and data analysis, the server 200 may reconstruct the model learning set value through a verification process to remove errors and increase the accuracy of depression prediction.

서버(200)가 생성한 우울도 예측 모델의 정확도를 알기 위하여 서버(200)는 클러스터링된 모델이 실험자로부터 입력되는 참값과 얼마나 유사한지 확인할 수 있다. 서버(200)는 모델의 일반화 오차에 대해 신뢰할만한 추정치를 구하기 위해 holdout 교차검증과 k-fold 교차검증을 수행할 수 있고, 주성분분석에서 얻어진 성분점수를 이용하여 예측오차를 비교하여 예측 결과를 분석할 수 있다.In order to know the accuracy of the depression prediction model generated by the server 200, the server 200 may check how similar the clustered model is to the true value input from the experimenter. The server 200 may perform holdout cross-validation and k-fold cross-validation to obtain a reliable estimate of the generalization error of the model, and analyze the prediction result by comparing the prediction error using the component scores obtained from the principal component analysis. can do.

서버(200)가 다수의 사용자로부터 우울도 판별 자료 및 생체정보를 수신하고 상술한 바와 같이 기계학습하고 검증 수정함에 따라 정확도가 높은 우울도 예측 모델을 생성할 수 있고, 서버(200)는 충분한 데이터에 의하여 생성된 우울도 예측 모델을 이용하여 스마트밴드(100)가 수집한 사용자의 생체정보 만으로 사용자의 우울도를 예측하고 이를 사용자에게 제공하여 사전에 적절한 치료를 받을 수 있도록 함으로써 우울증으로 인한 사고를 사전에 예방할 수 있다.As the server 200 receives the depression determination data and biometric information from a plurality of users, and as described above, machine learning and verification and correction are performed to generate a high-accuracy depression prediction model, and the server 200 provides sufficient data Accidents due to depression can be prevented by predicting the user's depression level only with the user's biometric information collected by the smart band 100 using the depression prediction model generated by It can be prevented in advance.

도 3은 본 발명에 따른 스마트밴드 생체정보 기반 우울도 예측 모델 생성 방법의 흐름도를 도시한다.3 is a flowchart of a method for generating a depression prediction model based on smart band biometric information according to the present invention.

먼저, 스마트밴드(100)가 사용자의 생체정보를 수집하여 서버로 전송한다(S100). 이어서, 서버가 스마트밴드(100)로부터 생체정보를 수신한다(S200). 이어서, 서버가 사용자로부터 우울도 판별 자료를 입력 받는 어플리케이션으로부터 우울도 판별 자료를 수신한다(S300). 이어서, 서버가 수신된 우울도 판별 자료와 생체정보를 기반으로 우울도 예측 모델을 생성한다(S400).First, the smart band 100 collects the user's biometric information and transmits it to the server (S100). Then, the server receives the biometric information from the smart band 100 (S200). Then, the server receives the depression determination data from the application that receives the depression determination data from the user (S300). Next, the server generates a depression prediction model based on the received depression determination data and biometric information (S400).

이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 잘 이해할 수 있을 것이다. 따라서, 그러한 모든 적절한 변경 및 수정과 균등물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.Although described and illustrated in relation to a preferred embodiment for illustrating the technical idea of the present invention above, the present invention is not limited to the configuration and operation as shown and described as such, and deviates from the scope of the technical idea. It will be appreciated that many changes and modifications may be made to the present invention without reference to the invention. Accordingly, all such suitable alterations and modifications and equivalents are to be considered as falling within the scope of the present invention.

100 : 스마트밴드
200 : 서버100: smart band
200 : server

Claims (8)

사용자의 생체정보를 수집하여 서버로 전송하는 스마트밴드; 및
상기 사용자로부터 우울도 판별 자료를 입력 받는 어플리케이션으로부터 상기 우울도 판별 자료를 수신하고 상기 스마트밴드로부터 상기 생체정보를 수신하는 서버;를 포함하고,
상기 서버는 상기 우울도 판별 자료와 상기 생체정보를 기반으로 우울도 예측 모델을 생성하는 것을 특징으로 하는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템.
a smart band that collects user's biometric information and transmits it to a server; and
A server that receives the depression determination data from the application that receives the depression level determination data from the user and receives the biometric information from the smart band;
The server is a smart band biometric information-based depression prediction model generating system, characterized in that it generates a depression prediction model based on the depression determination data and the biometric information.
 제1항에 있어서,
상기 생체정보는 광혈류량, 전기전도도, 활동량, 체온 데이터를 포함하는 것을 특징으로 하는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템.
According to claim 1,
The bio-information is a smart band bio-information-based depression prediction model generation system, characterized in that it includes optical blood flow, electrical conductivity, activity amount, and body temperature data.
 제1항 또는 제2항 중 어느 한 항에 있어서,
상기 서버는 데이터 전처리, 데이터 분석 및 검증 절차를 수행하여 상기 우울도 예측 모델을 생성하는 것을 특징으로 하는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템.
3. The method of any one of claims 1 or 2,
The server performs data pre-processing, data analysis and verification procedures to generate the depression prediction model based on smart band biometric information-based depression prediction model generation system.
 제3항에 있어서,
상기 서버는 은닉 마르코프 모델을 이용하여 사용자 행동 상태를 분석하고 컨텍스트 인식 기반 차원 축소 방법을 통해 행동요소와 개인의 특이성을 검출하며 SVM 또는 선형 회귀 예측 알고리즘을 수행하여 특정 문턱 값을 결정하여 상기 우울도 예측 모델을 생성하는 것을 특징으로 하는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템.
4. The method of claim 3,
The server analyzes the user behavior state using a hidden Markov model, detects the specificity of behavior elements and individuals through a context-aware-based dimension reduction method, and determines a specific threshold value by performing SVM or linear regression prediction algorithm to determine the depression degree Smart band biometric information-based depression prediction model generating system, characterized in that it generates a predictive model.
 스마트밴드가 사용자의 생체정보를 수집하여 서버로 전송하는 단계;
서버가 상기 스마트밴드로부터 상기 생체정보를 수신하는 단계;
서버가 상기 사용자로부터 우울도 판별 자료를 입력 받는 어플리케이션으로부터 상기 우울도 판별 자료를 수신하는 단계; 및
서버가 상기 우울도 판별 자료와 상기 생체정보를 기반으로 우울도 예측 모델을 생성하는 단계;를 포함하는 것을 특징으로 하는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 방법.
The smart band collects the user's biometric information and transmits it to the server;
receiving, by a server, the biometric information from the smart band;
receiving, by the server, the depression determination data from an application that receives the depression level determination data from the user; and
The server generating a depression prediction model based on the depression determination data and the bio-information; Smart band bio-information-based depression prediction model generating method comprising: a.
 제5항에 있어서,
상기 생체정보는 광혈류량, 전기전도도, 활동량, 체온 데이터를 포함하는 것을 특징으로 하는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 방법.
6. The method of claim 5,
The biometric information is a smart band biometric information-based depression prediction model generating method, characterized in that it includes photo blood flow, electrical conductivity, activity amount, and body temperature data.
 제5항 또는 제6항 중 어느 한 항에 있어서,
상기 우울도 예측 모델 생성 단계는 데이터 전처리, 데이터 분석, 검증 절차를 수행하여 상기 우울도 예측 모델을 생성하는 것을 특징으로 하는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 방법.
7. The method of any one of claims 5 or 6,
The depression prediction model generating step is a method of generating a depression prediction model based on smart band biometric information, characterized in that generating the depression prediction model by performing data pre-processing, data analysis, and verification procedures.
 제7항에 있어서,
상기 우울도 예측 모델 생성 단계는 은닉 마르코프 모델을 이용하여 사용자 행동 상태를 분석하고 컨텍스트 인식 기반 차원 축소 방법을 통해 행동요소와 개인의 특이성을 검출하며 SVM 또는 선형 회귀 예측 알고리즘을 수행하여 특정 문턱 값을 결정하여 상기 우울도 예측 모델을 생성하는 것을 특징으로 하는 스마트밴드 생체정보 기반 우울도 예측 모델 생성 시스템.8. The method of claim 7,
The depression prediction model generation step analyzes the user behavior state using a hidden Markov model, detects behavioral elements and individual specificity through a context-aware-based dimension reduction method, and performs SVM or linear regression prediction algorithm to determine a specific threshold value. Smartband biometric information-based depression prediction model generation system, characterized in that by determining the depression prediction model is generated.
KR1020190158443A 2019-12-02 2019-12-02 System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information KR102373496B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190158443A KR102373496B1 (en) 2019-12-02 2019-12-02 System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190158443A KR102373496B1 (en) 2019-12-02 2019-12-02 System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information

Publications (2)

Publication Number Publication Date
KR20210068884A true KR20210068884A (en) 2021-06-10
KR102373496B1 KR102373496B1 (en) 2022-03-11

Family

ID=76378152

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190158443A KR102373496B1 (en) 2019-12-02 2019-12-02 System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information

Country Status (1)

Country Link
KR (1) KR102373496B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102567684B1 (en) * 2023-01-10 2023-08-18 주식회사 웨이센 Method and apparatus for analyzing social anxiety disorder using digital phenotype feature

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150099638A (en) * 2014-02-21 2015-09-01 세명대학교 산학협력단 System and method for preventing depression using Interactive Broadcasting System
KR20160000522A (en) * 2014-06-24 2016-01-05 경희대학교 산학협력단 System and method of emergency telepsychiatry using emergency psychiatric mental state prediction model
KR101749706B1 (en) * 2016-06-02 2017-06-22 충남대학교산학협력단 Method and system for expecting user's mood based on status information and biometric information acquired by using user equipment

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150099638A (en) * 2014-02-21 2015-09-01 세명대학교 산학협력단 System and method for preventing depression using Interactive Broadcasting System
KR20160000522A (en) * 2014-06-24 2016-01-05 경희대학교 산학협력단 System and method of emergency telepsychiatry using emergency psychiatric mental state prediction model
KR101749706B1 (en) * 2016-06-02 2017-06-22 충남대학교산학협력단 Method and system for expecting user's mood based on status information and biometric information acquired by using user equipment

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Biosignal Feature Extraction for Emotion Analysis (Choi Ah-young, Woo Un-taek) Conference of the Korean HCI Society 2005. 1.

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102567684B1 (en) * 2023-01-10 2023-08-18 주식회사 웨이센 Method and apparatus for analyzing social anxiety disorder using digital phenotype feature

Also Published As

Publication number Publication date
KR102373496B1 (en) 2022-03-11

Similar Documents

Publication Publication Date Title
Zenonos et al. HealthyOffice: Mood recognition at work using smartphones and wearable sensors
Rubin et al. Recognizing abnormal heart sounds using deep learning
Ertuğrul et al. Detection of Parkinson's disease by shifted one dimensional local binary patterns from gait
Pollreisz et al. A simple algorithm for emotion recognition, using physiological signals of a smart watch
Aqajari et al. Gsr analysis for stress: Development and validation of an open source tool for noisy naturalistic gsr data
US20070010720A1 (en) Non-parametric modeling apparatus and method for classification, especially of activity state
Gunawardhane et al. Non invasive human stress detection using key stroke dynamics and pattern variations
Casado et al. Depression recognition using remote photoplethysmography from facial videos
Rosales et al. Physiological-based smart stress detector using machine learning algorithms
Temko et al. An SVM-based system and its performance for detection of seizures in neonates
Maiorana A survey on biometric recognition using wearable devices
Vidya et al. Gait based Parkinson’s disease diagnosis and severity rating using multi-class support vector machine
Tago et al. Classification of TCM pulse diagnoses based on pulse and periodic features from personal health data
Fauzi et al. Continuous stress detection of hospital staff using smartwatch sensors and classifier ensemble
Luo et al. Activity-based person identification using multimodal wearable sensor data
KR102373496B1 (en) System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information
Karnati et al. A pyramidal spatial-based feature attention network for schizophrenia detection using electroencephalography signals
Miao et al. The Diagnosis of Parkinson's Disease Based on Gait, Speech Analysis and Machine Learning Techniques
Mehta et al. Detection of Cardiovascular Autonomic Neuropathy using Machine Learning Algorithms
De Ipina et al. Selection of entropy based features for the analysis of the Archimedes' spiral applied to essential tremor
Alshareef et al. A transformer-based model for effective and exportable IoMT-based stress detection
Can Stressed or just running? Differentiation of mental stress and physical activityby using machine learning
Aich et al. Auto detection of Parkinson’s disease based on objective measurement of gait parameters using wearable sensors
Malviya et al. Mental stress level detection using LSTM for WESAD dataset
Satapathy et al. A deep neural model CNN-LSTM network for automated sleep staging based on a single-channel EEG signal

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant