KR20210070574A

KR20210070574A - 비접촉식 생체신호 측정 시스템

Info

Publication number: KR20210070574A
Application number: KR1020190160459A
Authority: KR
Inventors: 이준상; 김영우
Original assignee: 연세대학교 산학협력단
Priority date: 2019-12-05
Filing date: 2019-12-05
Publication date: 2021-06-15
Also published as: KR102360697B1

Abstract

본 발명은, 비접촉식 맥박신호측정 및 분석을 통한 사전진단방법에 관한 것으로 더욱 자세하게는 촬영장비로 피검자를 촬영하여 획득되는 맥파에서 생체신호를 획득하도록 사전에 맥파와 생체신호 간의 상관관계를 머신러닝으로 학습하되, 지도학습 중 데이터를 얻기 힘든 응급상황 및 질병상황데이터를 전산유체해석(CFD)를 통해 획득 후 데이터로 보조하여 맥파에서 생체신호를 도출하는 알고리즘의 정확도와 신뢰도를 높여 피검자의 상태를 보다 빠르게 추정할 수 있는 비접촉식 생체신호 측정 시스템에 관한 것이다.

Description

비접촉식 생체신호 측정 시스템{Contactless vital-sign measuring system}

본 발명은, 비접촉식 맥박신호측정 및 분석을 통한 사전진단방법에 관한 것으로 더욱 자세하게는 촬영장비로 피검자를 촬영하여 획득되는 맥파에서 생체신호를 획득할 수 있는 비접촉식 생체신호 측정 시스템에 관한 것이다.

신체가 생명 상태를 나타내는 것을 생체신호(Vital-sign)라고 한다. 생체신호는 분류 방법에 따라 여러 개로 분류 할 수 있다. 대표적으로 체온, 심박수(맥박), 호흡 및 혈압으로 구성된 4개의 생체신호를 사용한다. 이를 토대로 신체의 상태를 대략적으로 확인할 수 있고 상응하는 치료를 선택할 수 있다. 때문에 생체신호를 측정하기 위해 다양한 방법들이 사용되고 있다. PPG(Photoplethsmography)는 신체의 미세혈관 층의 혈액량의 변화(맥파)를 검출하는 것으로 투과형, 반사형 등의 방식을 이용한다. 그 중 광원 및 광수신부를 포함하는 투과형 PPG장비는 발광다이오드(LED) 등의 광원으로부터 피부에 광을 조사하면 광이 투과되며 혈액, 뼈, 조직에서 빛의 흡수가 발생하고, 일부 광은 반대편 광수신기에 도달한다. 빛이 흡수되는 정도는 경로 상에 있는 피부, 조직 혈액의 양에 비례하며, 심장박동에 의한 혈류변화(맥파)를 제외한 성분은 변화되지 않기에 흡수되는 광량은 혈류변화량에 해당한다. 따라서 광수신부에서 검출된 투과광은 접촉된 부위에서 흡수된 광량만큼 차감되어 수신되므로, 투과광의 광량변화 역시 혈류변화를 할 수 있다. 따라서 광수신기에서 측정되는 광량을 통해 심장박동에 대응하는 혈류량 변화의 검출이 가능하다. 때문에 PPG를 통해 환자의 생체신호를 획득하는 경우는 일반적으로 환자의 손가락, 손목, 귓불 등 조사된 광이 투과하기 쉬운 부분에 장비를 부착하여 사용하는 것이 일반적이나 영유아 및 해당부위에 접촉이 어려운 중상의 환자 등 접촉으로 피부괴사, 2차 피해 등과 같이 여러 부작용을 얻는 경우 사용이 제한되는 문제점이 발생한다. 이를 해결하기 위해 국제공개특허 제 2015-055709 ("DEVICE AND METHOD FOR OBTAINING A VITAL SIGN OF A SUBJECT" 2015.04.23.)에 촬영 장비를 통해 비접촉식으로 환자의 생체신호를 획득하는 방법이 개시되어 있다. 하지만 촬영 장비를 통해 환자의 생체신호를 측정하는 경우 대기온도, 습도 및 외부요소 등의 간섭으로 인한 신뢰도 하락의 문제점이 발생할 수 있다. 더 나아가 사고현장에서 중상의 환자가 발생한 다수 발생한 경우 생체신호를 획득하여 위급한 환자별로 우선순위를 결정하여야 하고, 구조진 및 의료진이 빠른 시간 내에 환자에게 알맞은 치료를 제공해야 환자의 생존율이 상승하지만 상기된 방법으로 환자들의 생체신호를 획득하는 경우 측정이 난해한 문제점 즉, 접촉식 PPG의 경우 환자의 환부에 접촉되면서 2차 부상으로 환자의 상태를 더욱 악화시킬 수 있고 비접촉식 PPG장비의 경우 장비 설치의 제한 또는 외부요소 간섭으로 인해 정확도가 떨어져 환자의 생존율 또한 함께 낮아지는 문제점이 발생한다.

1. 국제공개특허 제 2015-055709 ("DEVICE AND METHOD FOR OBTAINING A VITAL SIGN OF A SUBJECT" 2015.04.23.)

1. Kim YW et al., Journal of Mechanical Science and Technology, 2016. 2. Matsui Y et al., Hypertension Research, 2004. 3. Wilkinson IB et al., Journal of the American College of Cardiology, 2002. 4. Manisty CH et al., Hypertension, 2009.

본 발명은 상기한 문제점을 해결하고자 안출된 것으로, 본 발명의 비접촉식 생체신호 측정 시스템은 스마트폰, 드론, 웨어러블디바이스 등 휴대용 촬영 장비를 통해 비접촉식으로 피검자의 맥파를 획득하여 생체신호를 도출하는 시스템으로 사전 지도학습을 통해 사전에 측정된 맥파와 생체신호로 구성된 데이터 셋에서 맥파와 생체신호의 상관관계를 머신러닝 후 도출되는 알고리즘으로 촬영으로 획득되는 피검자 맥파에서 생체신호를 도출하고, 더 나아가 학습단계에서 사전에 측정이 불가능한 응급상황 등이 가정된 맥파와 생체신호로 구성된 데이터 셋 전산유체해석하여 도출되는 결과 값으로 맥파에서 생체신호를 도출하는 알고리즘의 정확도와 신뢰도를 향상시키는 데 그 목적이 있다.

상기한 과제를 해결하기 위한, 본 발명의 비접촉식 생체신호 측정 시스템은 피검자의 맥파데이터를 획득하는 맥파획득수단; 머신러닝기법을 이용해 상기 맥파획득수단으로부터 획득된 맥파데이터와 생체신호간의 상관관계를 알고리즘으로 도출하고, 상기 맥파데이터를 입력받아 상기 알고리즘에 적용하여 상기 피검자의 생체신호를 도출하는 생체신호 도출부; 및 상기 생체신호 도출부로부터 도출된 상기 피검자의 생체신호를 수신하여 출력하는 출력단말기;를 포함한다.

여기서, 상기 생체신호 도출부는 기 저장된 맥파와 생체신호로 구성된 데이터 셋을 입력받아 머신러닝을 통해 상기 맥파와 생체신호 간 상관관계를 학습하는 학습부; 상기 학습부에서 학습된 상기 맥파와 생체신호 간 상관관계로 알고리즘을 도출하는 알고리즘 도출부; 및 상기 맥파획득수단으로부터 상기 맥파데이터를 입력받아 상기 알고리즘을 적용하여 피검자의 생체신호를 도출하는 알고리즘 적용부;를 포함한다.

여기서, 상기 학습부는 상기 맥파와 생체신호로 구성된 데이터셋을 가상컴퓨터순환계모델에 조건으로 부여하여 전산유체해석(CFD)하는 전산유체해석부를 포함하고, 상기 전산유체해석부로 전산유체해석(CFD)된 데이터로 상기 학습부에서 학습되는 맥파와 생체신호 간 상관관계를 상호보완하는 것을 특징으로 한다.

이때, 상기 학습부는 상기 맥파에서 주요인자를 추출하도록 데이터를 전처리하는 주요인자 추출부; 상기 주요인자와 생체신호의 상호관련성을 학습하는 제 1학습모델부 및 상기 주요인자로부터 추정되는 생체신호의 영역을 분류하는 제 2학습모델부를 포함한다.

이때, 상기 제 1학습부는 가우시안 회귀분석모델(Gaussian Processes)을 사용하여 머신러닝하는 것을 특징으로 한다.

더 나아가, 상기 제 2학습부는 서포트 백터 머신모델(Support Vector Machine)을 사용하여 머신러닝하는 것을 특징으로 한다.

또한, 알고리즘 적용부는 도출된 상기 피검자의 생체신호가 기 저장된 생체신호의 범위를 벗어나면 경고 메시지를 상기 출력단말기로 송신하고, 상기 출력단말기는 수신한 상기 경고 메시지를 출력하는 것을 특징으로 한다.

이때, 상기 경고 메시지는 상기 피검자의 중증도, 구조순위, 제한시간 및 타겟병원 중 어느 하나 이상을 포함한다.

또한, 상기 맥파획득수단은 상기 피검자를 촬영할 수 있는 촬영장비를 포함하는 단말기 인 것을 특징으로 한다.

또한, 상기 단말기는 드론, 스마트폰, 웨어러블디바이스 중 어느 하나 인 것을 특징으로 한다.

상기한 구성에 따른 본 발명의 비접촉식 생체신호 측정 시스템은 맥파와 생체신호 간 상관관계를 지도학습으로 머신러닝 후 알고리즘으로 도출할 수 있고, 상기 알고리즘의 정확도를 위해 필요하지만 획득이 어려운 응급상황 및 질병요소가 포함되는 상황을 전산유체해석(CFD)로 보조하여 알고리즘의 신뢰도 및 정확도를 높일 수 있으며, 종국적으로 촬영장비로 획득되는 피검자의 맥파를 신속하게 생체신호로 도출하여 출력되는 생체신호를 토대로 피검자의 중증도, 구조순위, 제한시간 및 타겟병원 등의 정보를 촬영자 및 구조인력에게 제공할 수 있는 효과가 있다.

도 1은 본 발명의 비접촉식 생체신호 측정 시스템(1000)을 나타낸 개념도.
도 2은 본 발명의 비접촉식 생체신호 측정 시스템(1000)의 생체신호 도출부를 나타낸 블록도.
도 3은 비접촉식 생체신호 측정 시스템(1000)의 학습부를 나타낸 블록도.
도 4는 맥파의 특성을 나타낸 그래프.
도 5은 본 발명의 비접촉식 생체신호 측정 시스템(1000)을 이용하여 피검자의 맥파에서 생체신호를 획득하는 타이밍도.
도 6은 본 발명의 비접촉식 생체신호 측정 시스템(1000)을 이용하여 맥파와 생체신호 간 상관관계를 학습하는 것을 나타낸 타이밍도.
도 7은 본 발명의 비접촉식 생체신호 측정 시스템(1000)을 이용하는 사용실시예를 나타낸 개념도.

이하, 본 발명의 기술적 사상을 첨부된 도면을 사용하여 더욱 구체적으로 설명한다.

첨부된 도면은 본 발명의 기술적 사상을 더욱 구체적으로 설명하기 위하여 도시한 일예에 불과하므로 본 발명의 기술적 사상이 첨부된 도면의 형태에 한정되는 것은 아니다.

본 발명의 비접촉식 생체신호 측정 시스템(1000)을 설명하기에 앞서 상기 맥파획득수단(100)에서 피검자(10)를 측정하여 획득되는 맥파는 맥파데이터로 칭하고 이후 서술되는 맥파는 사용 및 측정되는 주체에 따라 해석이 다를 수 있음을 사전 공지하는 바이다. 그 예시로 상기 학습부(200)에서 사용되는 맥파는 기 저장된 맥파와 생체신호로 구성된 데이터 셋으로 의료진들이 다년간 축적한 임상데이터 즉 맥파와 생체신호로 구성되는 데이터셋의 빅데이터(Big-data)이다. 더 나아가 상기 학습부(200)에 포함되는 전산유체해석부(240)에서 사용되는 기 저장된 맥파와 생체신호로 구성된 데이터 셋은 의료진이 환자들로부터 다년간 축적한 임상데이터를 사용 할 수 있지만 그 중 일부는 상기 전산유체해석부(240)의 본 목적 즉, 상기 학습부(200)로 임상데이터로 쉽게 획득 및 축적 가능한 맥파와 생체신호로 구성된 데이터셋과는 별개로 임상데이터로 획득이 어려운 상황 예를들어 환자가 생명을 다투는 위급한 응급상황 중 임상데이터를 획득하기가 쉽지 않는 문제점을 해결하기 위해 가정된 맥파와 생체신호의 데이터 셋이 사용하는 것이 바람직하다. 이때 가정된 맥파와 생체신호의 데이터 셋은 여러 연구논문, 학술지 및 의료저널 등에서 사용되는 것을 사용할 수 있고, 더 나아가 전문 의료진이 수행하되, 의학 이론 및 원리에 따라 임의로 시행된 전산유체해석(CFD)에 따른 맥파와 생체신호로부터 가정될 수 있다. 따라서 본 발명의 비접촉식 생체신호 측정 시스템(1000)은 다양한 상황의 데이터를 학습모델로 학습하여 향후 측정되는 피검자의 맥파데이터로 부터 보다 신뢰도 높은 생체신호를 획득하여 높은 신뢰도와 빠른 응답성을 통해 피검자의 구조 및 치료에 도움이 될 수 있다.

도 1에 도시된 바와 같이 본 발명의 비접촉식 생체신호 측정 시스템(1000)은 맥파획득수단(100), 생체신호 도출부(200) 및 출력단말기(300)를 포함한다. 각 구성요소에 대해 자세히 설명하면 다음과 같다.

상기 맥파획득수단(100)은 피검자에게서 맥파데이터를 획득하는 수단이다. 구체적으로 피검자에게서 맥파데이터를 획득할 수 있는 부위를 비접촉식으로 측정하여 상기 생체신호 도출부(200)로 측정된 피검자의 맥파데이터를 전달한다. 상기 맥파획득수단(100)은 상기 생체신호 판단부(200)로 측정된 맥파데이터를 전달하기 위한 별도의 송수신부 또는 통신부를 포함하는 것이 바람직하다.

상기 생체신호 도출부(200)는 맥파획득수단(100)에서 전달받은 피검자 맥파데이터를 생체신호로 변환하는 역할과 맥파획득수단(100)에서 측정되는 피검자 맥파데이터를 전달받기 시점 이전까지 맥파와 생체신호로 구성된 데이터 셋을 입력받아 머신러닝을 통해 맥파와 생체신호 간 상관관계를 학습하고, 상기 상관관계로 알고리즘을 도출하여 추후 맥파획득수단(100)에서 전달받은 피검자 맥파데이터에서 피검자 생체신호로 변환하며 도출되는 생체신호를 토대로 피검자의 상태에 관한 정보를 출력단말기(300)로 출력하는 역할을 한다. 상기 생체신호 도출부(220)는 머신러닝, 전산유동해석 등을 연산할 수 있는 고성능 컴퓨터 시스템으로 구성되고, 연산된 정보를 저장할 수 있는 별도의 저장장치 및 정보를 송수신하는 통신부 또는 송수신부를 포함하는 것이 바람직하다.

상기 출력단말기(300)는 상기 생체신호 도출부(200)에서 출력되는 피검자의 생체신호 및 생체신호를 토대로 한 피검자 상태정보를 수신 받는 역할을 한다. 상기 출력단말기(300)는 별도의 송수신부 또는 통신부를 포함하여 여러 정보를 송수신 할 수 있고, 이를 디스플레이 하기위한 디스플레이장치를 포함하는 것은 물론이다.

여기서, 상기 맥파획득수단(100)은 피검자를 촬영할 수 있는 촬영장비를 포함하는 단말기로 형성되고, 상기 단말기는 드론, 스마트폰, 웨어러블 디바이스 중 어느 하나이나 피검자를 촬영할 수 있는 여러 실시예를 가질 수도 있다. 더 나아가 상기 출력단말기(300)와 상기 맥파획득수단(100)은 일체형으로 하나의 단말기에서 맥파획득 및 출력정보획득을 할 수 있는 실시예를 가질 수 있다.

도 2에 도시된 바와 같이 본 발명의 비접촉식 생체신호 측정 시스템(1000)의 생체신호 도출부(200)는 학습부(210), 알고리즘 도출부(220), 알고리즘 적용부(230) 및 전산유체해석부(240)을 포함한다. 각 부에 대해 자세히 설명하면 다음과 같다.

상기 학습부(210)는 기 저장된 맥파와 생체신호로 구성된 데이터 셋을 입력받아 머신러닝을 통해 맥파와 생체신호 간 상관관계를 학습하는 역할을 한다. 여기서 학습하는 머신러닝은 지도학습(Supervised Learning)으로 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다. 이 때 훈련 데이터는 맥파와 생체신호로 구성된 데이터 셋 이고, 하나의 함수는 생체신호(Vital signal)이다. 상기 맥파와 생체신호로 구성된 데이터 셋은 실제 임상시험으로 측정된 맥파와 생체신호를 사용하는 것이 바람직하다. 더 나아가 맥파획득수단(100)에서 측정되는 맥파데이터와 변환된 생체신호도 학습데이터로 활용할 수 있음은 물론이다.

상기 알고리즘 도출부(220)는 학습부(210)에서 학습되는 맥파와 생체신호 간 상관관계에서 맥파를 입력받아 생체신호를 출력하는 알고리즘을 도출하는 역할을 한다.

상기 알고리즘 적용부(230)는 알고리즘 도출부(220)에서 도출된 알고리즘이 저장되고, 맥파획득수단(100)에서 측정되는 피검자의 맥파데이터를 받아 생체신호로 변환하는 역할을 한다.

상기 전산유체해석부(240)는 학습부(210)에 제공되는 학습데이터는임상시험 또는 실제로 측정되는 맥파와 생체신호로 구성되는 데이터 셋에서 얻을 수 없는 응급상황, 질병상황을 가정한 인체 순환계모델을 컴퓨터로 구현하여 순환계모델 내부를 순환하는 유동을 측정하여 상기 학습부(210)에 제공하기 위한 맥파와 생체신호 데이터 셋을 마련하는 역할을 한다. 실제 응급상황의 경우 생명을 다루며 촌각을 다투는 상황 속에서 환자에게 여러 데이터를 측정하기가 어려워 임상데이터를 축적하기가 쉽지않다. 따라서 상기 전산유체해석부(240)에서 컴퓨터 시뮬레이션을 통해 순환계 내부를 유동하는 혈액으로 가정된 맥파와 생체신호를 획득하는 것이다. 상기 전산유체해석부(240)를 통해 마련되는 맥파와 생체신호로 구성되는 데이터 셋은 상기 학습부(210)에서 도출되는 맥파와 생체신호 간 상관관계 및 맥파에서 생체신호를 도출하는 알고리즘의 정확도와 신뢰도를 향상시키는 역할을 한다.

또한 순환계 모델에는 환자의 상태, 나이, 체중 등의 실제 환자 개인정보를 경계조건으로 순환계모델에 부여하여 순환계를 순환하는 유체들의 유동특성의 신뢰도를 높이는 것이 바람직하다. 이때 상기 전산유체해석부(240)로 전산유체해석(CFD)된 데이터로 상기 학습부에서 학습되는 맥파와 생체신호 간 상관관계를 상호보완하는 것이 바람직하다. 여기서 상호 보완이란 의료진들이 다년간 축적한 임상데이터 즉 맥파와 생체신호로 구성되는 데이터셋의 빅데이터(Big-data) 중 임상데이터로 쉽게 획득 및 축적 가능한 맥파와 생체신호 데이터셋 이외의 환자가 생명을 다투는 위급한 응급상황 중 임상데이터를 획득하기가 쉽지 않는 문제점을 해결하기 위해 가정된 맥파와 생체신호의 데이터 셋을 상기 전산유체해석부(240)에 적용하여 상기 학습부(200)에서 학습되는 맥파와 생체신호 간의 상관관계 및 이를 통해 도출되는 알고리즘의 신뢰도를 향상시킨다는 의미의 상호보완 및 실제 임상데이터로 쉽게 획득 및 축적 가능한 맥파와 생체신호 데이터셋에서 학습부(200)를 거치며 신뢰도가 낮은 학습결과를 보이는 데이터 군에 대해 상기 전산유체해석부(240)에 상기 데이터 군을 적용하여 해석된 결과를 상호보완 할 수 있다는 의미이다.

도 3에 도시된 바와 같이 본 발명의 비접촉식 생체신호 측정 시스템(1000)의 학습부(210)는 주요인자 추출부(211), 제1학습모델부(212) 및 제2학습모델부(213)를 포함한다 각 부에 대해 자세히 설명하면 다음과 같다.

상기 주요인자 추출부(211)는 맥파에서 생체신호와 관련된 주요인자를 추출하고, 데이터를 전처리하는 역할을 한다. 상기 주요인자 추출부(211) 및 맥파에서 생체신호와 관련된 주요인자는 도 4의 설명에서 자세히 다루고자 한다.

상기 제 1학습 모델부는(212)는 상기 주요인자 추출부(211)에서 맥파에서 추출된 주요인자와 생체신호의 상호관련성을 학습한다. 상기 제 1학습 모델부(212)는 가우시안 회귀분석모델(Gaussian Processes)을 사용하여 맥파에서 생체신호를 추측할 수 있도록 머신러닝(학습)한다. 상기 가우시안 회귀분석모델(Gaussian Processes)을 통한 본 발명의 제 1학습 모델부(212)는 학습은 아래의 식을 만족하며 실시된다.

더 나아가 상기 제 2학습 모델부는(213)는 상기 주요인자 추출부(211)에서 맥파에서 추출된 상기 주요인자로부터 추정되는 생체신호의 영역의 분류를 학습한다. 상기 제 2학습 모델부(212)는 서포트 백터 머신모델(Support Vector Machine)을 사용하여 머신러닝 맥파가 어떠한 생체신호영역에 해당하는지 분류할 수 있도록 머신러닝(학습)한다. 이때 상기 서포트 백터 머신모델의 기본 개념은 hyperplane이라는 다차원의 면을 생성하여, 커널 공식을 통해 재정렬된 데이터를 통해 해당 면을 기준으로 예측을 수행한다. 기본적인 수식은 아래와 같다. 상기 서포트 백터 머신모델(Support Vector Machine)을 통한 본 발명의 제 2학습 모델부(213)는 학습은 아래의 식을 만족하며 실시된다.

도 4에 도시된 바와 같이 생체신호 획득을 위한 맥파의 특성은 다음과 같이 정의될 수 있다. 도 4에 도시된 내용과 후술될 내용은 일반적인 맥파에 관한 내용으로 본 발명의 비접촉식 생체신호 측정 시스템(1000)의 상세한 설명의 이해를 돕고, 본 발명의 실시에 따른 주요인자 추출부(211)는 맥파에서 생체신호와 관련된 주요인자를 추출하는 과정에서 주요인자를 한정하는 데 목적이 있다.

기본적으로 맥파의 피크값(고점)은 두 번 나타난다. 첫 번째 피크값(Primary Pick)는 최대혈압 시 나타나는 피크값 이고, 두 번 째 피크 값(Secondary peak)는 혈액이 혈관 전체에서 반사되어 모세혈관에서부터 거꾸로 올라와서 발생하는 역류파(Backward wave)에 의한 피크값이다. 이 두 번 째 피크값은 초음파가 물체에 부딪혀서 되돌아 오는 것과 같은 원리이다. 여기서 맥파의 주요 인자들은 첫 번째 피크값과 두 번 째 피크 값의 상관관계로부터 유추되는 변수로 혈관 상태에 따라 변화하기 때문에 반사파(Backward wave)를 분석하는 것이 중요하다. 다만 맥파 단독으로 역류파의 크기나 시간에 대한 절대적인 수치를 알기가 어려워 진행파(Forward wave)와 비교하여 분석하게 된다. 즉 맥파에서 추출되는 주요인자들은 진행파 대비 반사파의 크기나 시간 등을 계산하기 위해 정의된 값이다. 상기 비접촉식 생체신호 측정 시스템(1000)을 실시하기 위해 맥파에서 추출되는 주요인자는 총 세 가지이고, 이는 다음과 같다. 첫째 경직도 인자(Stiffness index (SI)), 둘째 팽창 인자(Augmentation index (AIx)) 마지막으로 불응 인자(Reflectory index (RI))이다. 상기된 세 인자 모두 순환계 시스템의 상태 분석에 널리 활용되고 있다. (Kim YW et al., Journal of Mechanical Science and Technology, 2016) SI의 경우에는 맥파를 기반으로 혈압의 절대적인 수치를 예측하거나 협착 등의 질환 여부를 분석하는 데 활용되는 인자이다. (Matsui Y et al., Hypertension Research, 2004) AIx의 경우 환자의 경직도와 관련된 질병들을 판단하는 데 주로 사용되는 지표이다. (Wilkinson IB et al., Journal of the American College of Cardiology, 2002) RI의 경우 주로 약물 투여 효과 및 증상 등에 대해 분석할 때 활용되는 인자이다. (Manisty CH et al., Hypertension, 2009)따라서 본 발명의 비접촉식 생체신호 측정 시스템(1000)은 상기된 비 특허문헌에 개시된 바와 같이 학습을 위해 입력되는 맥파에서 상기 주요인자 추출부(211)를 통해 상기된 세 인자를 추출하는 과정을 수행하게 된다. 이후 상기 제 1학습모델(212) 및 상기 제 2학습모델(213)의 상기 주요인자들과 생체신호 간 상관관계를 학습한다. 더 나아가 피검자에게서 획득되는 맥파데이터도 상기된 세 인자를 추출 후 상기 제 1학습모델(212) 및 상기 제 2학습모델(213)에서 학습된 상관관계를 통해 도출되는 알고리즘에 적용 후 생체신호를 도출 하는 것이 바람직하나 재난 등 긴급상황 시 상기 비접촉식 생체신호 측정 시스템(1000)의 응답시간지연에 따라 피검자의 골든아워를 놓쳐 사망에 이르는 가능성이 있으므로 피검자에게서 획득되는 맥파데이터를 이용하여 생체신호를 도출하는 경우 상기 주요인자 추출부(211)를 사용하지 않고 생체신호를 도출하는 응답속도향상모드 또는 상기 주요인자 추출부(211)를 사용하여 피검자의 상태를 보다 정밀히 진단하여 생체신호를 도출하는 신뢰도향상모드 등을 포함하는 실시예를 가질 수 있음은 물론이다.

도 5에 도시된 바와 같이 본 발명의 비접촉식 생체신호 측정 시스템(1000)을 이용하여 피검자의 맥파에서 생체신호를 획득하는 과정은 다음과 같다.

우선 피검자에게서 맥파획득수단(100)으로 맥파데이터를 획득한다. 이후 획득된 맥파데이터는 정보통신망을 이용하여 생체신호 도출부(200)로 획득된 맥파데이터가 전달된다. 이후 생체신호 도출부(200)에 기 저장된 알고리즘을 통해 피검자 생체신호 정보를 출력하고, 출력된 정보는 출력단말기(300)로 전달된다. 이때 정보전달은 반응성이 좋은 5G 등의 정보통신망을 사용하는 것이 바람직하다. 더 나아가 생체신호 도출부(200)에서 피검자의 추정되는 생체신호가 기 저장된 생체신호의 범위를 벗어나면 경고메세지를 상기 출력단말기로 송신하고, 상기 경고메세지는 피검자의 중증도, 구조순위, 제한시간 및 타겟병원 중 어느 하나이상을 포함하는 것이 바람직하다.

도 6에 도시된 바와 같이 본 발명의 비접촉식 생체신호 측정 시스템(1000)을 이용하여 맥파와 생체신호 간 상관관계를 학습하는 과정은 다음과 같다.

우선 기 저장된 맥파와 생체신호로 구성된 데이터 셋을 학습부(210) 정확하게는 주요인자 추출부(211)에 제공한다. 이때 상기 기 저장된 맥파와 생체신호는 임상시험 또는 실험으로 측정된 데이터를 사용하는 것이 바람직하다. 이후 주요인자 추출부(211)에서 맥파에서 생체신호와 연관된 주요인자를 추출 후 제 1학습모델부(212) 및 제 2학습모델부(213)으로 전달한다. 이와 동시에 전산유체해석부(240)에서 실제로 측정이 어렵거나 획득이 어려운 응급상황 등을 가정하여 컴퓨터 시뮬레이션으로 인체순환계 모델을 형성 후 전산유동해석(CFD)된 맥파와 생체신호로 구성된 데이터셋을 제 1학습모델부(212) 및 제 2학습모델부(213)로 전달한다. 여기서 제 1학습 모델부와 제 2학습모델부는 맥파에서 추출되는 주요인자와 생체신호 간 상호 관련성 및 주요인자로부터 추정되는 생체신호 영역을 도출하는 상관관계를 학습하도록 머신러닝한다. 제 1 학습 모델부는 가우시안 회귀분석모델(Gaussian Processes)을 제2 학습모델부는 서포트 백터 머신모델(Support Vector Machine)을 사용하여 머신러닝한다. 이후 도출되는 상관관계를 바탕으로 알고리즘 도출부(220)에서 맥파에서 생체신호를 도출하는 알고리즘을 형성하고, 이를 알고리즘 적용부(230)로 전달한다. 종국적으로 도 6에 도시되진 않았지만 맥파획득수단(100)에서 획득되는 피검자의 맥파데이터를 주요인자 추출부(211)로 전달하여 맥파데이터를 전처리 후 알고리즘적용부(230)에서 생체신호로 도출하여 출력단말기(300)에서 이를 확인할 수 있게된다. 부가적으로 기 저장된 생체신호 범위를 벗어나는 피검자 생체신호가 발견되면 경고메세지를 알고리즘 적용부(230)에서 생성하여 출력단말기(300)로 전달하게 된다.

도 7에 도시된 바와 같이 본 발명의 비접촉식 생체신호 측정 시스템(1000)의 사용실시예는 다음과 같다. 재난상황 또는 응급상황 속에서 피검자(이하 환자)가 발생되는 경우 무엇보다 환자의 상태를 측정하는 것이 가장중요하다. 이 때 환자의 상태를 진단하기 위해서는 생체신호(체온, 맥박 호흡, 혈압)를 빠르게 측정 후 적절한 응급조치를 취해야 환자의 생존율이 올라간다. 그러나 응급상황에서 환자는 신체에 여러 환부를 가지게 되고 생체신호 측정을 위해 측정도구를 접촉시키는 것으로도 환자의 환부가 손상되어 비극적인 결과를 초래할 수 있다. 따라서 도 7에 도시된 바와 같이 환자를 촬영장비를 포함하는 맥파획득수단(100)으로 맥파데이터를 획득하고, 생체신호 도출부(200)로 전달한다. 이후 생체신호 도출부(200)에서 맥파와 생체신호 간의 상관관계를 머신러닝으로 학습하여 도출되는 알고리즘을 통해 환자의 생체신호를 가까운 응급의료인력 및 구조인력 또는 환자발생지역 주변에 출력단말기(300, 도 7 미도시)를 소지한 사람들에게 전달할 수 있다. 또한 생체신호 도출부(200)에서 판단되는 환자의 생체신호를 기준하여 기 저장된 생체신호의 범위를 벗어나면 경고메세지를 출력단말기(300, 도 7 미도시)로 전달하고 상기 경고메세지는 환자의 중증도, 구조순위, 생명의 위협까지 제한된 시간, 타겟병원 중 어느 하나이상을 포함하여 출력된다. 따라서 대규모 천재지변이 일어나 환자가 다수가 되는 경우 본 발명의 비접촉식 생체신호 측정 시스템(1000)의 맥파획득수단(100)으로 촬영되는 환자들의 구조 우선순위를 선정하는 실시예를 가질 수도 있다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명을 하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

본 발명은 상기한 실시예에 한정되지 아니하며, 적용범위가 다양함은 물론이고, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 다양한 변형 실시가 가능한 것은 물론이다.

1000 : 비접촉식 생체신호 측정 시스템
100 : 맥파획득수단
200 : 생체신호 도출부
210 : 학습부
211 : 주요인자 추출부
212 : 제 1학습모델부
213 : 제 2학습모델부
220 : 알고리즘 도출부
230 : 알고리즘 적용부
240 : 전산유체 해석부
300 : 출력단말기
10 : 피검자

Claims

피검자의 맥파데이터를 획득하는 맥파획득수단;
머신러닝기법을 이용해 상기 맥파획득수단으로부터 획득된 맥파데이터와 생체신호간의 상관관계를 알고리즘으로 도출하고, 상기 맥파데이터를 입력받아 상기 알고리즘에 적용하여 상기 피검자의 생체신호를 도출하는 생체신호 도출부; 및
상기 생체신호 도출부로부터 도출된 상기 피검자의 생체신호를 수신하여 출력하는 출력단말기;
를 포함하는 비접촉식 생체신호 측정 시스템.
제 1항에 있어서, 상기 생체신호 도출부는
기 저장된 맥파와 생체신호로 구성된 데이터 셋을 입력받아 머신러닝을 통해 상기 맥파와 생체신호 간 상관관계를 학습하는 학습부;
상기 학습부에서 학습된 상기 맥파와 생체신호 간 상관관계로 알고리즘을 도출하는 알고리즘 도출부; 및
상기 맥파획득수단으로부터 상기 맥파데이터를 입력받아 상기 알고리즘을 적용하여 피검자의 생체신호를 도출하는 알고리즘 적용부;
를 포함하는 비접촉식 생체신호 측정 시스템.
제 2항에 있어서, 상기 학습부는
상기 맥파와 생체신호로 구성된 데이터셋을 가상컴퓨터순환계모델에 조건으로 부여하여 전산유체해석(CFD)하는 전산유체해석부를 포함하고,
상기 전산유체해석부로 전산유체해석(CFD)된 데이터로 상기 학습부에서 학습되는 맥파와 생체신호 간 상관관계를 상호보완하는 것을 특징으로 하는 비접촉식 생체신호 측정 시스템.
제 2항에 있어서, 상기 학습부는
상기 맥파에서 주요인자를 추출하도록 데이터를 전처리하는 주요인자 추출부;
상기 주요인자와 생체신호의 상호관련성을 학습하는 제 1학습모델부 및
상기 주요인자로부터 추정되는 생체신호의 영역을 분류하는 제 2학습모델부
를 포함하는 비접촉식 생체신호 측정 시스템.
제 4항에 있어서, 상기 제 1학습부는
가우시안 회귀분석모델(Gaussian Processes)을 사용하여 머신러닝하는 것을 특징으로 하는 비접촉식 생체신호 측정 시스템.
제 4항에 있어서, 상기 제 2학습부는
서포트 백터 머신모델(Support Vector Machine)을 사용하여 머신러닝하는 것을 특징으로 하는 비접촉식 생체신호 측정 시스템.
제 2항에 있어서, 알고리즘 적용부는
도출된 상기 피검자의 생체신호가 기 저장된 생체신호의 범위를 벗어나면 경고 메시지를 상기 출력단말기로 송신하고,
상기 출력단말기는 수신한 상기 경고 메시지를 출력하는 것을 특징으로 하는 비접촉식 생체신호 측정 시스템.
제 7항에 있어서, 상기 경고 메시지는
상기 피검자의 중증도, 구조순위, 제한시간 및 타겟병원 중 어느 하나 이상을 포함하는 것을 특징으로 하는 비접촉식 생체신호 측정 시스템.
제 1항에 있어서, 상기 맥파획득수단은
상기 피검자를 촬영할 수 있는 촬영장비를 포함하는 단말기 인 것을 특징으로 하는 비접촉식 생체신호 측정 시스템.
제 9항에 있어서, 상기 단말기는
드론, 스마트폰, 및 웨어러블디바이스 중 어느 하나 인 것을 특징으로 하는 비접촉식 생체신호 측정 시스템.