KR20210151742A - Method, apparatus and computer program for detecting shock occurrence through biometric image analysis of artificial intelligence model - Google Patents

Method, apparatus and computer program for detecting shock occurrence through biometric image analysis of artificial intelligence model Download PDF

Info

Publication number
KR20210151742A
KR20210151742A KR1020210170173A KR20210170173A KR20210151742A KR 20210151742 A KR20210151742 A KR 20210151742A KR 1020210170173 A KR1020210170173 A KR 1020210170173A KR 20210170173 A KR20210170173 A KR 20210170173A KR 20210151742 A KR20210151742 A KR 20210151742A
Authority
KR
South Korea
Prior art keywords
biometric information
event
occurrence
artificial intelligence
data
Prior art date
Application number
KR1020210170173A
Other languages
Korean (ko)
Other versions
KR102494309B1 (en
Inventor
김용환
Original Assignee
주식회사 슈파스
김용환
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 주식회사 슈파스, 김용환 filed Critical 주식회사 슈파스
Priority to KR1020210170173A priority Critical patent/KR102494309B1/en
Publication of KR20210151742A publication Critical patent/KR20210151742A/en
Application granted granted Critical
Publication of KR102494309B1 publication Critical patent/KR102494309B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • 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
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

Disclosed are a method, an apparatus, and a computer program for detecting the occurrence of a shock through biometric information image analysis of an artificial intelligence model. According to various embodiments of the present invention, the method for detecting the occurrence of a shock through biometric information image analysis is a method performed by a computing device. The method includes the steps of: collecting visualized biometric information data; generating a biometric information image using the visualized biometric information data; analyzing the biometric information image; and detecting the occurrence of an event for the user according to the analysis result of the biometric information image.

Description

인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법, 장치 및 컴퓨터프로그램{METHOD, APPARATUS AND COMPUTER PROGRAM FOR DETECTING SHOCK OCCURRENCE THROUGH BIOMETRIC IMAGE ANALYSIS OF ARTIFICIAL INTELLIGENCE MODEL}Shock occurrence detection method, device and computer program through biometric image analysis of artificial intelligence model

본 발명의 다양한 실시예는 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법, 장치 및 컴퓨터프로그램에 관한 것이다. Various embodiments of the present invention relate to a method, an apparatus, and a computer program for detecting shock occurrence through biometric image analysis of an artificial intelligence model.

중환자실은 환자의 생존, 사망에 큰 영향을 미치며, 국내 의료비의 25%를 차지하는 중요한 보건의료체에도 중환자 전담 의료인의 부족, 병원/지역 간 질 편차, 환자 이송 중 높은 사망률 등 진료의 질과 효율성 측면에서 매우 낙후된 상황이다.The intensive care unit has a significant impact on the survival and death of patients, and in terms of quality and efficiency of care, such as a shortage of dedicated medical personnel for intensive care, heterogeneity between hospitals/regions, and high mortality during patient transport, even in important health care organizations that account for 25% of domestic medical expenses. in a very backward situation.

2018년 5월 22일 한국일보 기사에 의하면, 건강보험심사평가원이 지난 2016년 발표한 ‘2014년(1차)중환자실 적정성 평가결과’에 따르면, 우리나라 중환자실 전담전문의 1인당 중환자실 평균 병상수는 무려 44.7병상에 달하고, 상급종합 병원은 40.4병상, 종합병원은 48.9병상이다. 이와 같이 전담전문의의 1인당 평균 병상수가 높다보니 중환자실에 입원한 환자가 전문의 얼굴조차 보기 힘들다는 문제가 있다.According to an article in the Hankook Ilbo on May 22, 2018, according to the '2014 (1st) intensive care unit adequacy evaluation result' published by the Health Insurance Review and Assessment Service in 2016, the average bed size of the intensive care unit per intensive care unit specialist in Korea The number of beds reaches a whopping 44.7, tertiary general hospitals have 40.4 beds and general hospitals have 48.9 beds. As such, since the average number of beds per specialist is high, there is a problem in that it is difficult for patients admitted to the intensive care unit to even see the specialist's face.

이렇다 보니 패혈증 등을 조기에 발견하지 못해 사망하는 일도 잇따르는 현실이고 심평원 조사에 따르면 우리나라 중환자실에 입원한 성인 환자 평균 사망률은 16.9%로 상급병원은 14.3%, 종합병원은 17.4%에 달한다.As a result, death is a reality in which sepsis is not detected at an early stage. According to a survey by the HIRA, the average mortality rate of adult patients admitted to the intensive care unit in Korea is 16.9%, 14.3% in tertiary hospitals and 17.4% in general hospitals.

중환자실은 생명 유지를 위한 필수 기능인 호흡과 심장 박동 등에 매우 큰 문제를 가지고 있는 환자들을 위한 곳이고, 24시간 주7일 365일 집중적인 치료를 받는 곳이며, 언제든 달라질 수 있는 집중 돌봄 환자들의 상태 변화를 놓치지 않기 위해서는 환자들의 생체 데이터를 실시간으로 측정, 분석해야 한다.The intensive care unit is a place for patients with very large problems such as breathing and heartbeat, which are essential functions for maintaining life, and is a place where intensive care is received 24 hours a day, 7 days a week, 365 days a year. In order not to miss out, it is necessary to measure and analyze the patient's biometric data in real time.

그러나, 각 의료기기들에서 생성되는 데이터는 종류도 많고 형식도 다양하고 생성되는 데이터의 양도 방대하여, 대규모의 복잡한 데이터 속에서 가치 있는 정보를 추출하기 어렵다는 문제가 있다.However, there is a problem in that it is difficult to extract valuable information from large-scale and complex data because the data generated by each medical device has many types and various formats and the amount of data generated is huge.

한국등록특허 제10-1070389호(2011.09.28)Korean Patent No. 10-1070389 (2011.09.28)

본 발명이 해결하고자 하는 과제는 환자의 생체 정보를 측정하는 방대한 데이터를 분석하여 환자에게 발생되는 각종 이벤트와 이벤트 발생 가능성을 감지함으로써, 환자의 상태 변화에 대한 실시간 정보를 제공하는 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법, 장치 및 컴퓨터프로그램을 제공하는 것이다.The problem to be solved by the present invention is to analyze a large amount of data measuring the patient's biometric information to detect various events and events occurring in the patient, thereby providing real-time information about the patient's status change. It is to provide a shock occurrence detection method, apparatus and computer program through information image analysis.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the following description.

상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법은, 컴퓨팅 장치에 의해 수행되는 방법에 있어서, 시각화된 생체 정보 데이터를 수집하는 단계, 상기 시각화된 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성하는 단계, 상기 생체 정보 이미지를 분석하는 단계 및 상기 생체 정보 이미지의 분석 결과에 따라 상기 사용자에 대한 이벤트 발생을 감지하는 단계를 포함할 수 있다.In the method performed by a computing device, the method for detecting shock occurrence through biometric information image analysis of an artificial intelligence model according to an embodiment of the present invention for solving the above problems, the method comprising: collecting visualized biometric information data , generating a biometric information image using the visualized biometric information data, analyzing the biometric information image, and detecting the occurrence of an event for the user according to the analysis result of the biometric information image have.

상술한 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 장치는, 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함할 수 있고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 시각화된 생체 정보 데이터를 수집하는 단계, 상기 시각화된 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성하는 단계, 상기 생체 정보 이미지를 분석하는 단계 및 상기 생체 정보 이미지의 분석 결과에 따라 상기 사용자에 대한 이벤트 발생을 감지하는 단계를 포함하는 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법을 수행할 수 있다.The shock occurrence detection apparatus through biometric information image analysis of an artificial intelligence model according to another embodiment of the present invention for solving the above-described problems, a memory storing one or more instructions, and executing the one or more instructions stored in the memory may include a processor, wherein the processor executes the one or more instructions to collect visualized biometric information data, generating a biometric information image using the visualized biometric data data, and generating the biometric information image. It is possible to perform a shock occurrence detection method through analysis of the biometric information image of an artificial intelligence model, comprising the step of analyzing and detecting the occurrence of an event for the user according to the analysis result of the biometric information image.

상술한 과제를 해결하기 위한 본 발명으 또 다른 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 컴퓨터프로그램은, 하드웨어인 컴퓨터와 결합되어, 시각화된 생체 정보 데이터를 수집하는 단계, 상기 시각화된 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성하는 단계, 상기 생체 정보 이미지를 분석하는 단계 및 상기 생체 정보 이미지의 분석 결과에 따라 상기 사용자에 대한 이벤트 발생을 감지하는 단계를 포함하는 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장될 수 있다.The computer program for detecting shock occurrence through biometric image analysis of an artificial intelligence model according to another embodiment of the present invention for solving the above-mentioned problems is combined with a computer that is hardware, collecting visualized biometric data; Artificial intelligence comprising the steps of generating a biometric information image using the visualized biometric information data, analyzing the biometric information image, and detecting the occurrence of an event for the user according to the analysis result of the biometric information image The biometric information of the model may be stored in a computer-readable recording medium to perform a shock generation detection method through image analysis.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Other specific details of the invention are included in the detailed description and drawings.

본 발명이 해결하고자 하는 과제는 환자의 생체 정보를 측정하는 방대한 데이터를 분석하여 환자에게 발생되는 각종 이벤트와 이벤트 발생 가능성을 감지함으로써, 환자의 상태 변화에 대한 실시간 정보를 제공한다는 이점이 있다.The problem to be solved by the present invention has the advantage of providing real-time information on a change in the patient's condition by analyzing a large amount of data for measuring the patient's biometric information and detecting various events and the possibility of occurrence of the event occurring in the patient.

또한, 환자의 위험 징후를 정확히 예측하기 위해서 환자들 상태를 24시 간 365일 실시간 모니터링 하고 인공지능 기반의 예측을 수행하여 이상 징후가 나타나면 담당 간호사 등에게 즉시 알람을 보내 사전에 대처하도록 함과 동시에 시각화 기능을 갖추어 경과를 한눈에 파악할 수 있도록 한다.In addition, in order to accurately predict the patient's risk signs, the condition of patients is monitored 24 hours a day, 365 days a year, and AI-based prediction is performed. It is equipped with a visualization function so that the progress can be grasped at a glance.

또한, 간호 인력의 환자 활력 정보에 대한 수작업 입력 등을 제거하고 환자 데이터의 실시간 처리를 보장함으로써 상대적으로 취약한 노령 중환자 진료의 질 향상에 기여할 수 있다.In addition, it can contribute to improving the quality of care for the elderly critically ill, which is relatively weak, by eliminating manual input of patient vital information by nursing personnel and ensuring real-time processing of patient data.

또한, 중증환자의 입원 기간 단축 효과를 달성 가능함에 따라 국가 전체적인 중증환자 의료비용 감소가 가능하다는 이점이 있다.In addition, as it is possible to achieve the effect of shortening the hospitalization period for critically ill patients, there is an advantage in that it is possible to reduce the overall national medical expenses for critically ill patients.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.Effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the following description.

도 1은 본 발명의 일 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 시스템의 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 장치의 하드웨어 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법의 순서도이다.
도 4는 다양한 실시예에서, 이벤트 발생 감지 장치가 생체 정보 데이터를 이미지화하는 구성을 도시한 도면이다.
도 5는 다양한 실시예에서, 이벤트 발생 감지 장치가 제1 인공지능 모델 및 제2 인공지능 모델을 학습하는 과정을 도시한 도면이다.
도 6은 다양한 실시예에서, 인공지능 모델을 이용하여 이벤트 발생 감지 방법의 순서도이다.1 is a block diagram of a shock occurrence detection system through biometric image analysis of an artificial intelligence model according to an embodiment of the present invention.
2 is a hardware configuration diagram of an apparatus for detecting shock occurrence through biometric image analysis of an artificial intelligence model according to another embodiment of the present invention.
3 is a flowchart of a shock occurrence detection method through biometric image analysis of an artificial intelligence model according to another embodiment of the present invention.
4 is a diagram illustrating a configuration in which an event occurrence detecting device images biometric information data according to various embodiments of the present disclosure;
5 is a diagram illustrating a process in which an event occurrence detecting device learns a first artificial intelligence model and a second artificial intelligence model according to various embodiments of the present disclosure;
6 is a flowchart of a method for detecting occurrence of an event using an artificial intelligence model, according to various embodiments.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. Advantages and features of the present invention and methods of achieving them will become apparent with reference to the embodiments described below in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, but may be implemented in various different forms, and only the present embodiments allow the disclosure of the present invention to be complete, and those of ordinary skill in the art to which the present invention pertains. It is provided to fully understand the scope of the present invention to those skilled in the art, and the present invention is only defined by the scope of the claims.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.The terminology used herein is for the purpose of describing the embodiments and is not intended to limit the present invention. In this specification, the singular also includes the plural unless specifically stated otherwise in the phrase. As used herein, “comprises” and/or “comprising” does not exclude the presence or addition of one or more other components in addition to the stated components. Like reference numerals refer to like elements throughout, and "and/or" includes each and every combination of one or more of the recited elements. Although "first", "second", etc. are used to describe various elements, these elements are not limited by these terms, of course. These terms are only used to distinguish one component from another. Accordingly, it goes without saying that the first component mentioned below may be the second component within the spirit of the present invention.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.Unless otherwise defined, all terms (including technical and scientific terms) used herein will have the meaning commonly understood by those of ordinary skill in the art to which this invention belongs. In addition, terms defined in a commonly used dictionary are not to be interpreted ideally or excessively unless specifically defined explicitly.

명세서에서 사용되는 "부" 또는 “모듈”이라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, "부" 또는 “모듈”은 어떤 역할들을 수행한다. 그렇지만 "부" 또는 “모듈”은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부" 또는 “모듈”은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부" 또는 “모듈”은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부" 또는 “모듈”들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부" 또는 “모듈”들로 결합되거나 추가적인 구성요소들과 "부" 또는 “모듈”들로 더 분리될 수 있다.As used herein, the term “unit” or “module” refers to a hardware component such as software, FPGA, or ASIC, and “unit” or “module” performs certain roles. However, “part” or “module” is not meant to be limited to software or hardware. A “unit” or “module” may be configured to reside on an addressable storage medium or to reproduce one or more processors. Thus, as an example, “part” or “module” refers to components such as software components, object-oriented software components, class components and task components, processes, functions, properties, Includes procedures, subroutines, segments of program code, drivers, firmware, microcode, circuitry, data, databases, data structures, tables, arrays, and variables. Components and functionality provided within “parts” or “modules” may be combined into a smaller number of components and “parts” or “modules” or as additional components and “parts” or “modules”. can be further separated.

공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓여질 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.Spatially relative terms "below", "beneath", "lower", "above", "upper", etc. It can be used to easily describe the correlation between a component and other components. Spatially relative terms should be understood as terms including different directions of components during use or operation in addition to the directions shown in the drawings. For example, when a component shown in the drawing is turned over, a component described as “beneath” or “beneath” of another component may be placed “above” of the other component. can Accordingly, the exemplary term “below” may include both directions below and above. Components may also be oriented in other orientations, and thus spatially relative terms may be interpreted according to orientation.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.In this specification, a computer refers to all types of hardware devices including at least one processor, and may be understood as encompassing software configurations operating in the corresponding hardware device according to embodiments. For example, a computer may be understood to include, but is not limited to, smart phones, tablet PCs, desktops, notebooks, and user clients and applications running on each device.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.Each step described in this specification is described as being performed by a computer, but the subject of each step is not limited thereto, and at least a portion of each step may be performed in different devices according to embodiments.

도 1은 본 발명의 일 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 시스템의 구성도이다.1 is a block diagram of a shock occurrence detection system through biometric image analysis of an artificial intelligence model according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 시스템은 이벤트 발생 감지 장치(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다.Referring to FIG. 1 , a shock occurrence detection system through biometric information image analysis of an artificial intelligence model according to an embodiment of the present invention includes an event occurrence detection device 100 , a user terminal 200 and an external server 300 . can do.

여기서, 도 1에 도시된 인공지능 기반 이미지 분석을 통한 이벤트 발생 감지 시스템은 일 실시예에 따른 것이고, 그 구성요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.Here, the event occurrence detection system through artificial intelligence-based image analysis shown in FIG. 1 is according to an embodiment, and its components are not limited to the embodiment shown in FIG. 1, and may be added, changed or may be deleted.

일 실시예에서, 이벤트 발생 감지 장치(100)는 사용자로부터 감지되는 생체 정보 데이터를 수집할 수 있다. 예를 들어, 이벤트 발생 감지 장치(100)는 사용자의 신체의 적어도 일부에 설치되며 사용자의 생체 정보를 감지하는 복수의 센서(예: 혈압 센서, 체온 센서, 맥박 센서 및 호흡수 센서 등)로부터 혈압 데이터, 체온 데이터, 맥박 데이터 및 호흡수 데이터 중 적어도 하나의 데이터를 포함하는 바이탈 사인(Vital sign) 데이터를 수집할 수 있다. In an embodiment, the event occurrence detecting apparatus 100 may collect biometric information data sensed from a user. For example, the event occurrence detection device 100 is installed on at least a part of the user's body and receives blood pressure from a plurality of sensors (eg, a blood pressure sensor, a body temperature sensor, a pulse sensor, and a respiration rate sensor) for detecting the user's biometric information. Vital sign data including at least one of data, body temperature data, pulse data, and respiration rate data may be collected.

다양한 실시예에서, 이벤트 발생 감지 장치(100)는 외부로부터 생체 정보 데이터를 수집하되, 그래프와 같이 시각화된 생체 정보 데이터를 수집할 수 있다.In various embodiments, the event occurrence detecting device 100 collects biometric information data from the outside, but may collect biometric information data visualized like a graph.

다양한 실시예에서, 이벤트 발생 감지 장치(100)는 외부로부터 스칼라 형태의 생체 정보 데이터를 수집할 수 있다. 그러나, 이에 한정되지 않고, 사용자의 생체 정보를 나타내는 다양한 형태의 데이터를 수집할 수 있다.In various embodiments, the event occurrence detecting apparatus 100 may collect biometric information data in a scalar form from the outside. However, the present invention is not limited thereto, and various types of data representing the user's biometric information may be collected.

일 실시예에서, 이벤트 발생 감지 장치(100)는 시각화된 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성할 수 있다. 예를 들어, 이벤트 발생 감지 장치(100)는 실시간으로 수집되는 그래프 형태의 생체 정보 데이터를 기 설정된 주기마다 캡쳐(Capture)하여 생체 정보 이미지를 생성할 수 있다. In an embodiment, the event occurrence detecting apparatus 100 may generate a biometric information image by using the visualized biometric information data. For example, the event occurrence detecting apparatus 100 may generate a biometric information image by capturing the biometric information data in the form of a graph that is collected in real time every preset period.

다양한 실시예에서, 외부로부터 수집되는 생체 정보 데이터가 스칼라 형태인 경우, 스칼라 형태의 생체 정보 데이터를 그래프 형태로 시각화 하고, 시각화된 생체 정보 데이터를 캡쳐하여 생체 정보 이미지를 생성할 수 있다. 그러나, 이에 한정되지 않는다.In various embodiments, when the biometric data collected from the outside is in a scalar form, the scalar biometric data may be visualized in a graph form, and the visualized biometric data may be captured to generate a biometric image. However, the present invention is not limited thereto.

일 실시예에서, 이벤트 발생 감지 장치(100)는 생체 정보 이미지를 분석하여 사용자에 대한 이벤트 발생 감지를 판단할 수 있다. 예를 들어, 이벤트 발생 감지 장치(100)는 이미지 분석 모델을 이용하여 생체 정보 이미지를 분석함으로써, 사용자에 대한 이벤트 발생 감지를 판단할 수 있다.In an embodiment, the event occurrence detection apparatus 100 may determine the event occurrence detection for the user by analyzing the biometric information image. For example, the event occurrence detection apparatus 100 may determine the event occurrence detection for the user by analyzing the biometric information image using the image analysis model.

여기서, 이미지 분석 모델은 특정 이미지와 특정 이미지가 가리키는 정보를 학습 데이터로써 기 학습된 인공지능 모델(예: 제1 인공지능 모델 및 제2 인공지능 모델)일 수 있다. 그러나, 이에 한정되지 않는다.Here, the image analysis model may be an artificial intelligence model (eg, a first artificial intelligence model and a second artificial intelligence model) that has been pre-learned using a specific image and information pointed to by the specific image as learning data. However, the present invention is not limited thereto.

또한, 여기서 이벤트는 사용자로부터 발생되는 이상 상태를 의미한다. 예를 들어, 이벤트는 저혈량성 쇼크, 심인성 쇼크, 폐쇄성 쇼크 및 분배성 쇼크 중 어느 하나 이상을 포함할 수 있다.Also, here, the event means an abnormal state generated by the user. For example, the event may include any one or more of hypovolemic shock, cardiogenic shock, obstructive shock, and distributional shock.

일 실시예에서, 이벤트 발생 감지 장치(100)는 사용자의 생체 정보 데이터, 생체 정보 이미지, 이벤트 발생 여부 등과 같은 이벤트와 관련된 정보를 출력하는 사용자 인터페이스(User interface, UI)를 제공할 수 있다.In an embodiment, the event occurrence detecting apparatus 100 may provide a user interface (UI) for outputting information related to an event, such as a user's biometric information data, a biometric information image, and whether an event has occurred.

일 실시예에서, 사용자 단말(200)은 사용자 단말(200)의 적어도 일부분에 디스플레이를 포함할 수 있으며, 네트워크(400)를 통해 이벤트 발생 감지 장치(100)로부터 제공되는 각종 정보(예: 이벤트 발생 여부에 대한 정보 및 이벤트 발생 가능성에 대한 정보)를 출력할 수 있다. 예를 들어, 사용자 단말(200)은 이벤트 발생 감지 장치(100)로부터 제공되는 UI(예; 사용자의 생체 정보 및 이벤트 발생과 관련된 정보를 출력하는 UI)를 출력할 수 있으며, UI를 통해 이벤트 발생 감지 장치(100)로부터 제공되는 각종 정보를 출력할 수 있다.In an embodiment, the user terminal 200 may include a display on at least a portion of the user terminal 200 , and various information (eg, event occurrence) provided from the event occurrence detection device 100 through the network 400 . information about whether or not and information about the possibility of event occurrence) can be output. For example, the user terminal 200 may output a UI (eg, a UI for outputting user's biometric information and information related to the occurrence of an event) provided from the event occurrence detection device 100 , and an event is generated through the UI Various types of information provided from the sensing device 100 may be output.

다양한 실시예에서, 사용자 단말(200)은 스마트폰, 태블릿 PC, 노트북 데스크탑 및 키오스크 중 적어도 하나를 포함할 수 있다. 그러나, 이에 한정되지 않는다.In various embodiments, the user terminal 200 may include at least one of a smart phone, a tablet PC, a notebook desktop, and a kiosk. However, the present invention is not limited thereto.

일 실시예에서, 외부 서버(300)는 네트워크(400)를 통해 이벤트 발생 감지 장치(100)와 유무선 연결될 수 있으며, 이벤트 발생 감지 장치(100)로부터 각종 정보(예: 이벤트 발생 여부에 대한 정보 및 이벤트 발생 가능성에 대한 정보)를 제공받아 저장할 수 있다.In one embodiment, the external server 300 may be connected to the event occurrence detection device 100 via wire or wireless connection through the network 400 , and various information (eg, event occurrence information and information on the possibility of occurrence of an event) can be provided and stored.

여기서, 도 1에 도시된 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 시스템은 이벤트 발생 감지 장치(100)에서 생성되는 각종 데이터가 외부 서버(300)에 저장되는 형태로 기재되어 있으나, 이에 한정되지 않고, 이벤트 발생 감지 장치(100)가 별도의 저장 장치를 구비하여 별도로 구비된 저장장치에 각종 데이터를 저장할 수 있다.Here, the shock occurrence detection system through the biometric information image analysis of the artificial intelligence model shown in FIG. 1 is described in a form in which various data generated by the event occurrence detection device 100 are stored in the external server 300 , but this Without limitation, the event occurrence detecting device 100 may include a separate storage device to store various data in the separately provided storage device.

다양한 실시예에서, 외부 서버(300)는 환자와 관련된 다양한 정보(예: 환자의 신상 정보, 환자의 질병 정보 등)를 저장할 수 있고, 저장된 환자와 관련된 데이터 중 어느 하나 이상의 데이터를 이벤트 발생 감지 장치(100)로 제공할 수 있다. 예를 들어, 외부 서버(300)는 병원 서버일 수 있으며, 이벤트 발생 감지 장치(100)로부터 특정 환자에 대한 정보 요청을 수신하는 경우, 특정 환자와 관련된 다양한 정보를 선택하여 이벤트 발생 감지 장치(100)로 제공할 수 있다. 이하, 도 2를 참조하여, 이벤트 발생 감지 장치(100)의 하드웨어 구성에 대해 설명하도록 한다.In various embodiments, the external server 300 may store various patient-related information (eg, patient's personal information, patient's disease information, etc.) (100) can be provided. For example, the external server 300 may be a hospital server, and when receiving a request for information on a specific patient from the event occurrence detection device 100 , selects various pieces of information related to the specific patient to select the event occurrence detection device 100 . ) can be provided. Hereinafter, a hardware configuration of the event occurrence detecting apparatus 100 will be described with reference to FIG. 2 .

도 2는 본 발명의 다른 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 장치의 하드웨어 구성도이다.2 is a hardware configuration diagram of an apparatus for detecting shock occurrence through biometric image analysis of an artificial intelligence model according to another embodiment of the present invention.

도 2를 참조하면, 본 발명의 다른 실시예에 따른 이벤트 발생 감지 장치(100)(이하, "컴퓨팅 장치(100)")는 프로세서(110) 및 메모리(120)를 포함할 수 있다. 다양한 실시예에서, 컴퓨팅 장치(100)는 네트워크 인터페이스(또는 통신 인터페이스)(미도시), 스토리지(미도시), 버스(bus)(미도시)를 더 포함할 수 있다.Referring to FIG. 2 , an event occurrence detecting device 100 (hereinafter, “computing device 100”) according to another embodiment of the present invention may include a processor 110 and a memory 120 . In various embodiments, the computing device 100 may further include a network interface (or communication interface) (not shown), storage (not shown), and a bus (not shown).

일 실시예에서, 프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어할 수 있다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.In an embodiment, the processor 110 may control the overall operation of each component of the computing device 100 . The processor 110 may include a central processing unit (CPU), a micro processor unit (MPU), a micro controller unit (MCU), or any type of processor well known in the art.

다양한 실시예에서, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 다양한 실시예에서, 프로세서(110)는 하나 이상의 코어(core, 미도시) 및 그래픽 처리부(미도시) 및/또는 다른 구성 요소와 신호를 송수신하는 연결 통로(예: 버스(bus) 등)를 포함할 수 있다.In various embodiments, the processor 110 may perform an operation on at least one application or program for executing the method according to the embodiments of the present invention. In various embodiments, the processor 110 includes one or more cores (not shown) and a graphic processing unit (not shown) and/or a connection path (eg, a bus, etc.) for transmitting and receiving signals to and from other components. can do.

다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.In various embodiments, the processor 110 temporarily and/or permanently stores a signal (or data) processed inside the processor 110 , a random access memory (RAM) and a read access memory (ROM). -Only Memory, not shown) may be further included. In addition, the processor 110 may be implemented in the form of a system on chip (SoC) including at least one of a graphic processing unit, a RAM, and a ROM.

일 실시예에서, 프로세서(110)는 메모리(120)에 저장된 하나 이상의 인스트럭션(instruction)을 실행함으로써, 도 3 내지 8과 관련하여 설명될 방법(인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법)을 수행할 수 있다. 예를 들어, 프로세서(110)는 메모리(120)에 저장된 하나 이상의 인스트럭션을 실행함으로써, 시각화된 생체 정보 데이터를 수집하는 동작, 시각화된 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성하는 동작, 생체 정보 이미지를 분석하는 동작 및 생체 정보 이미지의 분석 결과에 따라 사용자에 대한 이벤트 발생을 감지하는 동작을 수행할 수 있다. In one embodiment, the processor 110 executes one or more instructions stored in the memory 120, so that the method to be described with reference to FIGS. method) can be done. For example, the processor 110 executes one or more instructions stored in the memory 120 to collect visualized biometric information data, generate a biometric image using the visualized biometric data data, biometric information The operation of analyzing the image and the operation of detecting the occurrence of an event to the user according to the analysis result of the biometric information image may be performed.

일 실시예에서, 메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장할 수 있다. 메모리(120)에는 프로세서(110)의 처리 및 제어를 위한 프로그램들(하나 이상의 인스트럭션들)을 저장할 수 있다. 메모리(120)에 저장된 프로그램들은 기능에 따라 복수 개의 모듈들로 구분될 수 있다.In one embodiment, the memory 120 may store various data, commands, and/or information. The memory 120 may store programs (one or more instructions) for processing and controlling the processor 110 . Programs stored in the memory 120 may be divided into a plurality of modules according to functions.

다양한 실시예에서, 본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수 있다. In various embodiments, steps of a method or algorithm described in connection with an embodiment of the present invention may be implemented directly in hardware, as a software module executed by hardware, or by a combination thereof. A software module may include random access memory (RAM), read only memory (ROM), erasable programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), flash memory, hard disk, removable disk, CD-ROM, or It may reside in any type of computer-readable recording medium well known in the art to which the present invention pertains.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 이하, 도 3 내지 8을 참조하여, 컴퓨팅 장치(100)가 수행하는 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법에 대하여 설명하도록 한다.The components of the present invention may be implemented as a program (or application) to be executed in combination with a computer, which is hardware, and stored in a medium. Components of the present invention may be implemented as software programming or software components, and similarly, embodiments may include various algorithms implemented as data structures, processes, routines, or combinations of other programming constructs, including C, C++ , may be implemented in a programming or scripting language such as Java, assembler, or the like. Functional aspects may be implemented in an algorithm running on one or more processors. Hereinafter, with reference to FIGS. 3 to 8 , a shock occurrence detection method through biometric image analysis of an artificial intelligence model performed by the computing device 100 will be described.

도 3은 본 발명의 또 다른 실시예에 따른 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법의 순서도이다.3 is a flowchart of a shock occurrence detection method through biometric image analysis of an artificial intelligence model according to another embodiment of the present invention.

도 3을 참조하면, S110 단계에서, 컴퓨팅 장치(100)는 외부로부터 생체 정보 데이터를 수집할 수 있다. 예를 들어, 예를 들어, 컴퓨팅 장치(100)는 환자의 생체 정보를 감지하는 복수의 센서(예: 혈압 센서, 체온 센서, 맥박 센서 및 호흡 센서)로부터 생성된 혈압 데이터, 체온 데이터, 맥박 데이터 및 호흡수 데이터 중 적어도 하나의 데이터를 포함하는 바이탈 사인 데이터를 수집할 수 있다.Referring to FIG. 3 , in step S110 , the computing device 100 may collect biometric information data from the outside. For example, the computing device 100 may generate blood pressure data, body temperature data, and pulse data generated from a plurality of sensors (eg, blood pressure sensor, body temperature sensor, pulse sensor, and respiration sensor) for detecting biometric information of a patient. And it is possible to collect vital sign data including at least one data of the respiratory rate data.

다양한 실시예에서, 컴퓨팅 장치(100)는 환자의 생체 정보를 감지하는 복수의 센서(예: 혈압 센서, 체온 센서, 맥박 센서 및 호흡 센서)로부터 생성된 혈압 데이터, 체온 데이터, 맥박 데이터 및 호흡수 데이터 중 적어도 하나의 데이터를 포함하는 바이탈 사인 데이터를 시각화 하여 출력하는 생체 정보 출력 장치(예: 중환자실의 Bed-side 모니터링 장치)로부터 시각화된 바이탈 사인 데이터를 수집할 수 있다.In various embodiments, the computing device 100 generates blood pressure data, body temperature data, pulse data, and respiration rate generated from a plurality of sensors (eg, blood pressure sensor, body temperature sensor, pulse sensor, and respiration sensor) for detecting biometric information of a patient. Visualized vital sign data may be collected from a biometric information output device (eg, a bed-side monitoring device in an intensive care unit) that visualizes and outputs vital sign data including at least one of the data.

다양한 실시예에서, 컴퓨팅 장치(100)는 환자의 생체 정보를 감지하는 복수의 센서로부터 혈압 데이터, 체온 데이터, 맥박 데이터 및 호흡수 데이터 중 적어도 하나의 데이터를 포함하는 바이탈 사인 데이터를 직접 수집하고, 직접 수집한 바이탈 사인 데이터를 그래프 형태로 시각화 할 수 있다.In various embodiments, the computing device 100 directly collects vital sign data including at least one of blood pressure data, body temperature data, pulse data, and respiration rate data from a plurality of sensors that detect biometric information of a patient, The directly collected vital sign data can be visualized in graph form.

다양한 실시예에서, 컴퓨팅 장치(100)는 외부로부터 수집되는 생체 정보 데이터에 대하여 이상치 분석(Outlier analysis)(예: 정형화된 이상치 패턴이 있는 경우, 이상치를 제거, 마할라노비스 거리 등 표준편차를 이용한 필터를 사용하여 노이즈를 제거)을 수행할 수 있고, 후술되는 S120 단계에서 이상치 분석을 통해 노이즈가 제거된 생체 정보 데이터만을 이용하여 생체 정보 이미지를 생성할 수 있다.In various embodiments, the computing device 100 performs outlier analysis (eg, when there is a standardized outlier pattern, removes an outlier, Mahalanobis distance, etc.) on biometric information data collected from the outside using standard deviation using a filter to remove noise), and a biometric image may be generated using only biometric data from which noise has been removed through outlier analysis in step S120 to be described later.

S120 단계에서, 컴퓨팅 장치(100)는 S110 단계에서 수집한 시각화된 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성할 수 있다.In step S120 , the computing device 100 may generate a biometric information image by using the visualized biometric information data collected in step S110 .

다양한 실시예에서, 컴퓨팅 장치(100)는 시각화된 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성하고, 생체 정보 이미지를 기 설정된 시간 단위로 분할하여 이미지 분석 모델의 학습을 위한 복수의 단위 생체 정보 이미지를 생성할 수 있다. 이하, 도 4를 참조하여, 컴퓨팅 장치(100)가 수행하는 생체 정보 이미지 생성 방법에 대하여 설명하도록 한다.In various embodiments, the computing device 100 generates a biometric information image by using the visualized biometric data data, and divides the biometric information image into a preset time unit to obtain a plurality of unit biometric information images for learning an image analysis model. can create Hereinafter, a method of generating a biometric information image performed by the computing device 100 will be described with reference to FIG. 4 .

도 4는 다양한 실시예에서, 이벤트 발생 감지 장치가 생체 정보 데이터를 이미지화하는 구성을 도시한 도면이다.4 is a diagram illustrating a configuration in which an event occurrence detecting device images biometric information data according to various embodiments of the present disclosure;

도 4를 참조하면, 다양한 실시예에서, 컴퓨팅(100) 장치는 외부로부터 수집한 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성할 수 있고, 생체 정보 이미지를 분할하여 복수의 단위 생체 정보 이미지를 생성할 수 있다.Referring to FIG. 4 , in various embodiments, the computing device 100 may generate a biometric information image using biometric information data collected from the outside, and generate a plurality of unit biometric information images by dividing the biometric information image. can do.

먼저, 컴퓨팅 장치(100)는 외부로부터 그래프 형태로 시각화된 생체 정보 데이터(예: 바이탈 사인 데이터)를 수집하거나, 외부로부터 스칼라 형태의 생체 정보 데이터를 수집하고 수집한 스칼라 형태의 생체 정보 데이터를 그래프 형태로 시각화하여 시각화된 생체 정보 데이터를 생성할 수 있다.First, the computing device 100 collects externally visualized biometric information data (eg, vital sign data) in a graph form, or collects scalar form biometric data from the outside and graphs the collected scalar biometric data data. It is possible to generate visualized biometric data by visualization in the form.

다양한 실시예에서 컴퓨팅 장치(100)는 기 설정된 제1 주기(T) 마다 사용자의 생체 정보 데이터를 수집할 수 있다.In various embodiments, the computing device 100 may collect the user's biometric information data every preset first period T.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 센서 각각으로부터 생체 정보 데이터가 감지되는 주기가 서로 상이한 경우, 복수의 센서 각각에 설정된 생체 정보 데이터 감지 주기 중 가장 짧은 주기를 가지는 센서를 기준으로 생체 정보 데이터를 수집할 수 있다. 그러나, 이에 한정되지 않는다.In various embodiments, when the periods at which biometric data are sensed from each of the plurality of sensors are different, the computing device 100 performs the biometric data detection based on the sensor having the shortest period among the biometric data detection periods set in each of the plurality of sensors. Information data may be collected. However, the present invention is not limited thereto.

이후, 컴퓨팅 장치(100)는 그래프 형태로 시각화된 생체 정보 데이터를 이용하여 생체 정보 이미지를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 실시간으로 수집되는 그래프 형태의 생체 정보 데이터를 기 설정된 제2 주기마다 캡쳐(Capture)하여 생체 정보 이미지를 생성할 수 있다.Thereafter, the computing device 100 may generate a biometric information image by using the biometric information data visualized in a graph form. For example, the computing device 100 may generate a bio-information image by capturing the bio-information data in the form of a graph collected in real time every second preset period.

여기서, 컴퓨팅 장치(100)는 제2 주기를 제1 주기와 동일하게 설정하거나 제1 주기보다 짧게 설정할 수 있으나, 이에 한정되지 않는다.Here, the computing device 100 may set the second period to be the same as the first period or shorter than the first period, but is not limited thereto.

이후, 컴퓨팅 장치(100)는 캡쳐하여 생성된 생체 정보 이미지를 분할하여 복수의 단위 생체 정보 이미지를 생성할 수 있다.Thereafter, the computing device 100 may generate a plurality of unit biometric information images by dividing the captured biometric information image.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 설정된 시간 단위를 기준으로 생체 정보 이미지를 분할함으로써, 복수의 단위 생체 정보 이미지를 생성할 수 있다.In various embodiments, the computing device 100 may generate a plurality of unit biometric information images by dividing the biometric information image based on a preset time unit.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 설정된 개수로 생체 정보 이미지를 분할함으로써, 복수의 단위 생체 정보 이미지를 생성할 수 있다.In various embodiments, the computing device 100 may generate a plurality of unit biometric information images by dividing the biometric information image into a preset number.

다양한 실시예에서, 컴퓨팅 장치(100)는 이벤트 발생 여부 및 이벤트 발생 가능성에 기초하여 복수의 단위 생체 정보 이미지 각각의 시간 단위를 조절하거나, 둘 이상의 단위 생체 정보 이미지를 하나로 결합할 수 있다.In various embodiments, the computing device 100 may adjust a time unit of each of the plurality of unit biometric information images based on whether an event has occurred and the possibility of occurrence of the event, or may combine two or more unit biometric information images into one.

여기서, 컴퓨팅 장치(100)는 이미지 분석 모델에서 수행되는 이미지 분석의 입력 값으로써, 복수의 단위 생체 정보 이미지를 이용할 수 있으며, 이미지 분석 이후에는 이미지 분석 모델의 학습을 위한 학습 데이터로써 이용할 수 있다. 그러나, 이에 한정되지 않는다.Here, the computing device 100 may use a plurality of unit biometric information images as an input value of image analysis performed in the image analysis model, and may use it as learning data for learning the image analysis model after image analysis. However, the present invention is not limited thereto.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 생체 정보 데이터(예: 그래프 형태의 바이탈 사인 데이터)를 이용하여 생체 정보 이미지를 생성하되, 생체 정보 데이터의 종류에 따라 서로 상이한 형태 및 패턴으로 시각화하거나 서로 상이한 색상으로 시각화 하여 생체 정보 이미지를 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 생체 정보 데이터가 혈압 데이터인 경우, 최저 혈압 값과 최고 혈압 값을 나타내는 막대 그래프 형태로 시각화할 수 있고, 생체 정보 데이터가 체온 데이터인 경우, 감지 시점의 체온 값을 꺾은 선 그래프 형태로 시각화할 수 있다.In various embodiments, the computing device 100 generates a biometric information image using a plurality of biometric data (eg, vital sign data in graph form), but visualizes it in different shapes and patterns depending on the type of biometric data. Alternatively, biometric information images can be created by visualizing them in different colors. For example, when the biometric data is blood pressure data, the computing device 100 may visualize it in the form of a bar graph representing the diastolic and maximal blood pressure values, and when the biometric data is body temperature data, the body temperature at the time of detection. Values can be visualized in the form of a line graph.

또한, 컴퓨팅 장치(100)는 복수의 생체 정보를 꺾은 선 그래프 형태로 시각화 하되, 혈압 값을 파란색으로 설정하고, 체온 값을 빨간색으로 설정하며, 맥박수 값을 주황색으로 설정할 수 있다.즉, 컴퓨팅 장치(100)는 생체 정보 데이터의 종류별로 상이하게 시각화 하거나 색상의 차이를 둠으로써, 생체 정보 데이터별로 수치의 변화, 패턴의 변화를 확인할 수 있을 뿐만 아니라 각각의 생체 정보 데이터 간의 상관관계를 확인할 수 있으며, 이를 이용하여 이벤트 발생 여부와 이벤트 발생 가능성을 판단하는데 활용할 수 있다.In addition, the computing device 100 may visualize a plurality of biometric information in the form of a line graph, set the blood pressure value to blue, set the body temperature value to red, and set the pulse rate value to orange. That is, the computing device In 100, by different visualization or color difference for each type of biometric data, it is possible to check numerical changes and pattern changes for each biometric data, as well as check the correlation between each biometric data, , it can be used to determine whether an event has occurred and the possibility of an event occurring by using it.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 생체 정보 데이터(예: 그래프 형태의 바이탈 사인 데이터)를 이용하여 생체 정보 이미지를 생성하되, 각각의 생체 정보 데이터를 개별적으로 이용하여 각각의 생체 정보 데이터에 대응되는 복수의 생체 정보 이미지를 생성할 수 있다.In various embodiments, the computing device 100 generates a biometric image using a plurality of biometric data (eg, vital sign data in graph form), but uses each biometric data individually to obtain each biometric information A plurality of biometric information images corresponding to the data may be generated.

다시 도 3을 참조하면, S130 단계에서, 컴퓨팅 장치(100)는 S120 단계에서 생성된 생체 정보 이미지에 대하여 이미지 분석을 수행할 수 있다.Referring back to FIG. 3 , in step S130 , the computing device 100 may perform image analysis on the biometric information image generated in step S120 .

다양한 실시예에서, 컴퓨팅 장치(100)는 생체 정보 이미지 자체를 이미지 분석하거나, 생체 정보 이미지를 분할함으로써 생성된 복수의 단위 생체 정보 이미지 각각에 대하여 이미지 분석할 수 있다.In various embodiments, the computing device 100 may image-analyze the bio-information image itself or perform image-analysis for each of a plurality of unit bio-information images generated by dividing the bio-information image.

다양한 실시예에서, 컴퓨팅 장치(100)는 기 학습된 인공지능 모델을 이용하여 생체 정보 이미지를 분석하되, 생체 정보 이미지를 분석함으로써 도출하고자 하는 분석 결과의 종류에 따라 인공지능 모델을 선택적으로 이용할 수 있다.In various embodiments, the computing device 100 analyzes the biometric information image using the pre-learned artificial intelligence model, and may selectively use the artificial intelligence model according to the type of analysis result to be derived by analyzing the biometric information image. have.

예를 들어, 컴퓨팅 장치(100)는 생체 정보 이미지를 분석함으로써 도출하고자 하는 분석 결과의 종류가 이벤트 발생 여부인 경우, 기 학습된 제1 인공지능 모델을 이용하여 생체 신호 이미지 및 복수의 단위 생체 정보 이미지를 이미지 분석할 수 있다. 여기서, 기 학습된 제1 인공지능 모델은 이벤트의 발생 여부가 레이블링(Labeling)된 복수의 생체 신호 이미지를 학습데이터로써 학습한 모델을 의미할 수 있다.For example, when the type of analysis result to be derived by analyzing the biometric information image is whether or not an event occurs, the computing device 100 uses the pre-learned first artificial intelligence model to obtain a biosignal image and a plurality of unit biometric information. Images can be image-analyzed. Here, the pre-learned first artificial intelligence model may refer to a model obtained by learning as learning data a plurality of biosignal images on which occurrence of an event is labeled.

다양한 실시예에서, 컴퓨팅 장치(100)는 생체 정보 이미지를 분석함으로써 도출하고자 하는 분석 결과의 종류가 이벤트 발생 가능성인 경우, 기 학습된 제2 인공지능 모델을 이용하여 생체 신호 이미지 및 복수의 단위 생체 정보 이미지를 이미지 분석할 수 있다. 여기서, 이벤트가 발생된 제1 시점을 기준으로, 제1 시점보다 소정의 시간 이전의 제2 시점에서의 생체 정보 이미지를 학습 데이터로써 학습한 모델을 의미할 수 있다.In various embodiments, when the type of analysis result to be derived by analyzing the biometric information image is the possibility of occurrence of an event, the computing device 100 uses the pre-learned second artificial intelligence model to obtain a biosignal image and a plurality of unit biometrics. Information images can be image-analyzed. Here, based on the first time point at which the event occurs, it may refer to a model in which the biometric information image at the second time point before the first time point is learned as learning data.

여기서, 제1 인공지능 모델과 제2 인공지능 모델은 서로 다른 학습 데이터(예: 이벤트의 발생 여부가 레이블링된 복수의 생체 신호 이미지, 이벤트 발생 이전의 생체 정보 이미지)를 이용하여 학습된 모델인 것으로 기재되어 있으나, 이에 한정되지 않고, 하나의 인공지능 모델(예: CNN모델, NN 모델, RNN 모델)이 이벤트의 발생 여부가 레이블링된 복수의 생체 신호 이미지, 이벤트 발생 이전의 생체 정보 이미지를 모두 학습하여, 하나의 인공지능 모델이 제1 인공지능 모델과 제2 인공지능 모델의 기능을 모두 수행할 수 있다. Here, the first artificial intelligence model and the second artificial intelligence model are models learned using different learning data (eg, a plurality of biosignal images labeled with or without event occurrence, biometric information images before the event occurrence). described, but is not limited thereto, and one artificial intelligence model (eg, CNN model, NN model, RNN model) learns all of a plurality of biosignal images labeled whether an event occurs or not, and a biometric information image before the event occurs Thus, one AI model can perform both the functions of the first AI model and the second AI model.

여기서, 제1 인공지능 모델과 제2 인공지능 모델은 서로 다른 학습 데이터(예: 이벤트의 발생 여부가 레이블링된 복수의 생체 신호 이미지, 이벤트 발생 이전의 생체 정보 이미지)를 이용하여 학습된 모델인 것으로 기재되어 있으나, 이에 한정되지 않고, 하나의 인공지능 모델(예: CNN모델, NN 모델, RNN 모델)이 이벤트의 발생 여부가 레이블링된 복수의 생체 신호 이미지, 이벤트 발생 이전의 생체 정보 이미지를 모두 학습하여, 하나의 인공지능 모델이 제1 인공지능 모델과 제2 인공지능 모델의 기능을 모두 수행할 수 있다. 이하, 도 5를 참조하여 컴퓨팅 장치(100)가 제1 인공지능 모델과 제2 인공지능 모델을 학습하는 과정을 설명하도록 한다.Here, the first artificial intelligence model and the second artificial intelligence model are models learned using different learning data (eg, a plurality of biosignal images labeled with or without event occurrence, biometric information images before the event occurrence). described, but is not limited thereto, and one artificial intelligence model (eg, CNN model, NN model, RNN model) learns all of a plurality of biosignal images labeled whether an event occurs or not, and a biometric information image before the event occurs Thus, one AI model can perform both the functions of the first AI model and the second AI model. Hereinafter, a process in which the computing device 100 learns the first artificial intelligence model and the second artificial intelligence model will be described with reference to FIG. 5 .

다양한 실시예에서, 컴퓨팅 장치(100)는 외부로부터 스칼라 형태로 생체 정보 데이터가 수집되는 경우, 스칼라 형태의 생체 정보 데이터를 학습 데이터로써 기 학습된 제3 인공지능 모델을 이용하여 생체 정보 데이터를 분석할 수 있다.In various embodiments, the computing device 100 analyzes biometric data using a third artificial intelligence model previously learned using the scalar biometric data as learning data when biometric data is collected in a scalar form from the outside. can do.

다양한 실시예에서, 컴퓨팅 장치(100)는 S120 단계에서 생성된 생체 정보 이미지를 분석하되, 생체 정보 이미지에 포함된 생체 정보 데이터의 시각화 형태 및 색상에 기초하여 해당 생체 정보 데이터의 종류를 판단하고, 판단된 생체 정보 데이터의 종류에 따라 서로 다른 인공지능 모델을 적용하여 이미지를 분석할 수 있다.In various embodiments, the computing device 100 analyzes the biometric information image generated in step S120, and determines the type of the biometric data based on the visualization form and color of the biometric data included in the biometric image, Depending on the type of the determined biometric data, different AI models may be applied to analyze the image.

도 5는 다양한 실시예에서, 이벤트 발생 감지 장치가 제1 인공지능 모델 및 제2 인공지능 모델을 학습하는 과정을 도시한 도면이다.5 is a diagram illustrating a process in which an event occurrence detecting device learns a first artificial intelligence model and a second artificial intelligence model according to various embodiments of the present disclosure;

다양한 실시예에서, 컴퓨팅 장치(100)는 생체 정보 이미지 및 복수의 단위 생체 정보 이미지를 이용하여 제1 인공지능 모델 및 제2 인공지능 모델을 학습시킬 수 있다.In various embodiments, the computing device 100 may train the first artificial intelligence model and the second artificial intelligence model by using the biometric information image and the plurality of unit biometric information images.

먼저, 컴퓨팅 장치(100)는 생체 정보 이미지를 기 설정된 시간 단위로 분할하거나, 기 설정된 개수로 분할하여 복수의 단위 생체 정보 이미지를 생성할 수 있다.First, the computing device 100 may generate a plurality of unit biometric information images by dividing the biometric information image into a preset time unit or by dividing the biometric information image into a preset number.

이후, 컴퓨팅 장치(100)는 복수의 단위 생체 정보 이미지 중 학습 데이터로써 사용할 단위 생체 정보 이미지를 선택할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 복수의 단위 생체 정보 이미지 중 이미지 분석을 통해 이벤트가 발생된 것으로 판단되는 시점을 포함하는 단위 생체 정보 이미지와 이벤트가 발생된 시점을 기준으로 이벤트바 발생된 시점 이전의 단위 생체 정보 이미지를 학습 데이터로써 선택할 수 있다.Thereafter, the computing device 100 may select a unit biometric information image to be used as learning data from among a plurality of unit biometric information images. For example, the computing device 100 may generate an event bar based on a unit biometric information image including a time point at which an event is determined to have occurred through image analysis among a plurality of unit biometric information images and a time point at which the event occurs. The previous unit biometric information image may be selected as learning data.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 단위 생체 정보 이미지 중 이벤트와 관련된 생체 정보 이미지를 선택받는 UI를 사용자 단말(200)로 제공할 수 있으며, UI를 통해 복수의 단위 생체 정보 이미지 중 이벤트와 관련된 생체 정보 이미지를 선택받을 수 있다.In various embodiments, the computing device 100 may provide a UI for receiving a selection of a biometric information image related to an event from among a plurality of unit biometric information images to the user terminal 200, and may provide a UI from among the plurality of unit biometric information images through the UI. A biometric information image related to the event may be selected.

이후, 컴퓨팅 장치(100)는 학습 데이터로써 선택한 단위 생체 정보 이미지에 대하여 레이블링을 수행할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 학습 데이터로써 선택한 단위 생체 정보 이미지 각각의 정답을 레이블링(예: 이벤트가 발생된 시점을 포함하는 단위 생체 정보 이미지를 class 1로 레이블링하고, 이벤트 발생과 관련 없는 단위 생체 정보 이미지를 class 0으로 레이블링)할 수 있다.Thereafter, the computing device 100 may perform labeling on the unit biometric information image selected as the learning data. For example, the computing device 100 labels each correct answer of the unit biometric information image selected as the learning data (eg, labels the unit biometric information image including the time when the event occurs as class 1, and is not related to the occurrence of the event. The unit biometric information image can be labeled as class 0).

다양한 실시예에서, 컴퓨팅 장치(100)는 이벤트와 관련된 생체 정보 이미지를 선택받는 UI를 통해 사용자로부터 이벤트와 관련된 생체 정보 이미지에 대한 레이블링을 직접 입력받을 수 있다. 예를 들어, 컴퓨팅 장치(100)는 전문의의 단말로 이벤트와 관련된 생체 정보 이미지를 선택받는 UI를 제공할 수 있으며, 복수의 단위 생체 정보 이미지 중 이벤트와 관련된 생체 정보 이미지를 선택받음과 동시에 선택받은 생체 정보 이미지의 레이블링 정보를 함께 입력받을 수 있다.In various embodiments, the computing device 100 may directly receive a labeling input for an event-related biometric information image from a user through a UI for receiving a selection of the event-related biometric information image. For example, the computing device 100 may provide a UI for selecting an event-related biometric information image to a specialist's terminal. Labeling information of the biometric information image may be input together.

다양한 실시예에서, 컴퓨팅 장치(100)는 이벤트가 발생된 시점을 포함하는 단위 생체 정보 이미지에 대하여 이벤트의 발생 원인과 이벤트의 종류에 따라 서로 다르게 레이블링을 할 수 있다. 그러나, 이에 한정되지 않는다.According to various embodiments, the computing device 100 may differently label the unit biometric information image including the time point at which the event occurs according to the cause of the event and the type of the event. However, the present invention is not limited thereto.

다양한 실시예에서, 컴퓨팅 장치(100)는 사용자의 생체 정보 이미지에 기초하여 이벤트가 발생되는 것으로 판단된 경우, 이벤트가 발생된 시점으로부터 소정의 시간 이전의 생체 정보 이미지들에 대하여 자동적으로 레이블링을 수행할 수 있다. 이때, 컴퓨팅 장치(100)는 이벤트 발생 시점으로부터 몇시간 이전의 생체 정보인지를 가리키는 정보도 함께 레이블링할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 이벤트 발생 시점으로부터 6시간 전, 12시간 전, 24시간 전의 생체 정보 이미지를 서로 다른 클래스로 레이블링할 수 있다.In various embodiments, when it is determined that an event is generated based on the user's biometric information image, the computing device 100 automatically labels the biometric information images prior to a predetermined time from the event occurrence time. can do. In this case, the computing device 100 may also label the information indicating how many hours before the event is the biometric information. For example, the computing device 100 may label biometric information images 6 hours ago, 12 hours ago, and 24 hours ago into different classes from the time of the event occurrence.

이후, 컴퓨팅 장치(100)는 레이블링된 단위 생체 정보 이미지를 이용하여 제1 인공지능 모델 및 제2 인공지능 모델을 지도학습(Supervised Learning) 시킬 수 있다. 예를 들어, 컴퓨팅 장치(100)를 레이블링 결과에 따라 획득된 학습 데이터(이벤트와 관련된 생체 정보 이미지)를 이용하여 지도학습 함으로써, 제1 인공지능 모델 및 제2 인공지능 모델을 학습시킬 수 있다. 그러나, 이에 한정되지 않고, 생체 정보 이미지를 이용하여 인공지능 모델을 학습시키는 다양한 방법이 적용될 수 있다.Thereafter, the computing device 100 may supervised learning the first artificial intelligence model and the second artificial intelligence model using the labeled unit biometric information image. For example, the computing device 100 may learn the first artificial intelligence model and the second artificial intelligence model by performing supervised learning using the learning data (the biometric information image related to the event) obtained according to the labeling result. However, the present invention is not limited thereto, and various methods for learning the artificial intelligence model using the biometric information image may be applied.

다시 도 3을 참조하면, S140 단계에서, 컴퓨팅 장치(100)는 S130 단계에서 수행한 이미지 분석을 통해 도출된 분석 결과를 이용하여 이벤트 발생을 감지할 수 있다. 이하, 도 6을 참조하여, 컴퓨팅 장치(100)가 수행하는 이벤트 발생 감지 방법에 대하여 설명하도록 한다.Referring back to FIG. 3 , in step S140 , the computing device 100 may detect the occurrence of an event using the analysis result derived through the image analysis performed in step S130 . Hereinafter, an event occurrence detection method performed by the computing device 100 will be described with reference to FIG. 6 .

도 6은 다양한 실시예에서, 인공지능 모델을 이용하여 이벤트 발생 감지 방법의 순서도이다.6 is a flowchart of a method for detecting occurrence of an event using an artificial intelligence model, according to various embodiments.

도 6을 참조하면, S210 단계에서, 컴퓨팅 장치(100)는 S130 단계에서 수행한 이미지 분석을 통해 도출된 분석 결과를 이용하여 이벤트 발생 여부를 판단할 수 있다. Referring to FIG. 6 , in step S210 , the computing device 100 may determine whether an event has occurred using the analysis result derived through the image analysis performed in step S130 .

다양한 실시예에서, 컴퓨팅 장치(100)는 이벤트 발생 여부를 판단하고자 하는 생체 정보 이미지를 이벤트의 발생 여부가 레이블링된 복수의 생체 신호 이미지를 학습데이터로써 기 학습한 제1 인공지능 모델에 입력하고, 제1 인공지능 모델을 이용하여 도출된 분석 결과에 기초하여 이벤트의 발생 여부를 판단할 수 있다.In various embodiments, the computing device 100 inputs a biometric information image to determine whether an event occurs, a plurality of biosignal images labeled with whether an event occurs or not, as learning data, into a pre-learned first artificial intelligence model, It may be determined whether an event has occurred based on the analysis result derived using the first artificial intelligence model.

다양한 실시예에서, 컴퓨팅 장치(100)는 이벤트 발생 여부를 판단하고자 하는 생체 정보 이미지와 이벤트가 발생된 경우에 감지되는 생체 정보 이미지를 비교함으로써, 이벤트 발생 여부를 판단할 수 있다.According to various embodiments of the present disclosure, the computing device 100 may determine whether an event has occurred by comparing the biometric information image to be determined whether the event has occurred and the biometric information image sensed when the event has occurred.

S220 단계에서, 컴퓨팅 장치(100)는 S210 단계를 거쳐 이벤트가 발생된 것으로 판단되는 경우, 이벤트가 발생된 원인을 판단할 수 있다.In step S220, when it is determined that the event has occurred through step S210, the computing device 100 may determine the cause of the occurrence of the event.

다양한 실시예에서, 컴퓨팅 장치(100)는 제1 인공지능 모델을 이용하여 이벤트가 발생된 원인을 판단할 수 있다. In various embodiments, the computing device 100 may determine the cause of the occurrence of the event by using the first artificial intelligence model.

예를 들어, 컴퓨팅 장치(100)는 제1 인공지능 모델을 통해 도출된 분석 결과에 따라 이벤트가 발생된 것으로 판단되는 것에 응답하여, 복수의 단위 생체 정보 이미지 각각을 분석한 분석 결과로부터 생체 정보 이미지의 이미지 패턴을 검출할 수 있다.For example, in response to determining that an event has occurred according to the analysis result derived through the first artificial intelligence model, the computing device 100 analyzes each of the plurality of unit biometric information images to obtain a biometric information image from the analysis result. of image patterns can be detected.

이후, 컴퓨팅 장치(100)는 검출된 이미지 패턴을 이용하여 발생된 이벤트의 종류 및 원인을 판단할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 검출된 이미지 패턴이 제1 패턴을 가지는 경우, 발생된 이벤트가 저혈량성 쇼크인 것으로 판단할 수 있고, 제2 패턴을 가지는 경우, 발생된 이벤트가 심인성 쇼크인 것으로 판단할 수 있다. 그러나, 이에 한정되지 않는다.Thereafter, the computing device 100 may determine the type and cause of the generated event by using the detected image pattern. For example, when the detected image pattern has the first pattern, the computing device 100 may determine that the generated event is hypovolemic shock, and when the detected image pattern has the second pattern, the generated event is psychogenic shock can be judged to be However, the present invention is not limited thereto.

S230 단계에서, 컴퓨팅 장치(100)는 S210 단계를 거쳐 이벤트가 발생되지 않은 것으로 판단되는 경우, 이벤트 발생 가능성을 판단할 수 있다.In step S230 , when it is determined that the event has not occurred through step S210 , the computing device 100 may determine the possibility of occurrence of the event.

다양한 실시예에서, 컴퓨팅 장치(100)는 이벤트 발생 가능성을 판단하고자 하는 생체 정보 이미지를 이벤트가 발생된 제1 시점을 기준으로, 제1 시점보다 소정의 시간 이전의 제2 시점에서의 생체 정보 이미지를 학습 데이터로써 기 학습한 제2 인공지능 모델에 입력하고, 제2 인공지능 모델을 이용하여 분석한 분석 결과에 기초하여 이벤트의 발생 가능성을 판단할 수 있다. 여기서, S210 단계 내지 S230 단계는 도 3의 S140 단계에 대응될 수 있다.In various embodiments, the computing device 100 sets the biometric information image for determining the possibility of occurrence of the event, the biometric information image at a second time point before the first time point based on the first time point when the event occurs. may be input as learning data into the previously learned second artificial intelligence model, and the possibility of occurrence of an event may be determined based on the analysis result analyzed using the second artificial intelligence model. Here, steps S210 to S230 may correspond to steps S140 of FIG. 3 .

다양한 실시예에서, 컴퓨팅 장치(100)는 사용자의 생체 정보 이미지를 분석함으로써 이벤트 발생 가능성을 판단하되, 판단된 이벤트 발생 가능성이 기준 값 이상인 경우, 이벤트 발생 위험군으로 분류할 수 있다. 이후, 컴퓨팅 장치(100)는 이벤트 발생 위험군으로 분류된 사용자에 대하여 생체 정보 데이터 수집 및 생체 정보 이미지를 생성하는 주기를 짧게 설정함으로써, 보다 빈번하게 사용자의 상태를 모니터링할 수 있다.In various embodiments, the computing device 100 may determine the event occurrence probability by analyzing the user's biometric information image, but if the determined event occurrence probability is greater than or equal to a reference value, the computing device 100 may classify the event occurrence risk group. Thereafter, the computing device 100 may monitor the user's status more frequently by setting a short cycle for collecting biometric information data and generating a biometric information image for a user classified as an event occurrence risk group.

다양한 실시예에서, 컴퓨팅 장치(100)는 위험군으로 분류된 사용자에 대한 생체 정보 이미지와 해당 사용자의 실제 이벤트 발생 여부를 학습 데이터로 이용하여 제1 인공지능 모델 및 제2 인공지능 모델을 학습시킬 수 있다. 이를 통해, 컴퓨팅 장치(100)는 인공지능 모델을 이용하여 이벤트 발생 가능성에 따른 실제 이벤트 발생 여부를 판단할 수 있다.In various embodiments, the computing device 100 may train the first artificial intelligence model and the second artificial intelligence model by using the biometric information image of the user classified into the risk group and whether the user's actual event has occurred as learning data. have. Through this, the computing device 100 may determine whether an actual event has occurred according to the possibility of occurrence of the event using the artificial intelligence model.

다양한 실시예에서, 컴퓨팅 장치(100)는 사용자와 관련된 정보, 사용자의 생체 정보 데이터 및 사용자에 대한 이벤트 발생 여부를 시각화하여 하나의 화면으로 구성하여 출력하는 사용자 인터페이스(User interface, UI)를 제공할 수 있다. 이를 통해, 컴퓨팅 장치(100)는 환자에 대한 정보와 상태 정보를 한눈에 볼 수 있는 대시보드를 제공함으로써, 환자의 상태를 모니터링하는 사용자가 보다 용이하게 환자의 상태를 모니터링하고, 이벤트 발생에 따라 빠르게 대처할 수 있도록 유도할 수 있다.In various embodiments, the computing device 100 provides a user interface (UI) that visualizes user-related information, user's biometric information data, and whether an event for the user has occurred and configured as a single screen to output. can Through this, the computing device 100 provides a dashboard where information about the patient and status information can be viewed at a glance, so that a user who monitors the patient's status can more easily monitor the patient's status, and according to the occurrence of an event It can motivate you to react quickly.

다양한 실시예에서, 컴퓨팅 장치(100)는 이벤트가 발생되는 경우, UI를 통해 이벤트 발생 여부와 발생된 이벤트와 관련된 정보를 안내하는 안내 메시지 및 경고 신호를 출력할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 생체 정보 이미지에 대한 이미지 분석을 통해 이벤트가 발생된 것으로 판단되는 경우, UI를 통해 이벤트와 관련된 정보를 안내하는 안내 메시지와 음성 형태의 경고 신호를 함께 출력함으로써, 환자의 상태를 실시간으로 모니터링하는 사용자가 이벤트 발생 여부를 빠르게 인지할 수 있도록 할 수 있다.In various embodiments, when an event occurs, the computing device 100 may output a guide message and a warning signal for guiding whether the event has occurred and information related to the generated event through the UI. For example, when it is determined that the event has occurred through image analysis of the biometric information image, the computing device 100 outputs a guide message for guiding information related to the event through the UI and a warning signal in the form of a voice together. , it can enable a user who monitors the patient's condition in real time to quickly recognize whether an event has occurred.

다양한 실시예에서, 컴퓨팅 장치(100)는 생체 정보 이미지를 통해 판단된 이벤트의 종류에 기초하여, 경고 신호가 출력되는 형태를 설정할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 이벤트의 종류에 따라 출력되는 음성 데이터의 종류를 설정(예: 이벤트가 저혈량성 쇼크인 경우 제1 음성 데이터를 출력하고, 심인성 쇼크인 경우 제2 음성 데이터를 출력)하거나, 음성 데이터의 출력 시간을 설정할 수 있다. 그러나, 이에 한정되지 않는다.In various embodiments, the computing device 100 may set a form in which a warning signal is output based on the type of event determined through the biometric information image. For example, the computing device 100 sets the type of voice data to be output according to the type of event (eg, outputs the first voice data when the event is hypovolemic shock, and outputs the second voice data when the event is psychogenic shock) output) or set the output time of voice data. However, the present invention is not limited thereto.

다양한 실시예에서, 컴퓨팅 장치(100)는 복수의 사용자에 대한 정보와 복수의 사용자 각각에 대한 생체 정보 및 이벤트와 관련된 정보를 출력하는 UI를 제공할 수 있으며, UI를 통해 특정 사용자에 대한 정보 요청이 입력되는 경우, 특정 사용자에 대한 정보와 특정 사용자에 대한 생체 정보 및 이벤트와 관련된 정보만을 하나의 화면으로 구성하여 UI를 통해 출력할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 특정 사용자에 대한 정보와 특정 사용자에 대한 생체 정보 및 이벤트와 관련된 정보만을 하나의 화면으로 구성하여 팝업창 형태로 출력할 수 있다. 그러나, 이에 한정되지 않는다.In various embodiments, the computing device 100 may provide a UI for outputting information about a plurality of users and biometric information and event-related information for each of the plurality of users, and requesting information for a specific user through the UI When this is input, only information about a specific user, biometric information about a specific user, and information related to an event may be configured on one screen and outputted through the UI. For example, the computing device 100 may configure only information about a specific user, biometric information about a specific user, and information related to an event on one screen and output the information in the form of a pop-up window. However, the present invention is not limited thereto.

전술한 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법은 도면에 도시된 순서도를 참조하여 설명하였다. 간단한 설명을 위해 인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법은 일련의 블록들로 도시하여 설명하였으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 본 명세서에 도시되고 시술된 것과 상이한 순서로 수행되거나 또는 동시에 수행될 수 있다. 또한, 본 명세서 및 도면에 기재되지 않은 새로운 블록이 추가되거나, 일부 블록이 삭제 또는 변경된 상태로 수행될 수 있다.The shock occurrence detection method through the biometric image analysis of the aforementioned artificial intelligence model has been described with reference to the flowchart shown in the drawings. For a simple explanation, the shock occurrence detection method through biometric image analysis of the artificial intelligence model has been described as a series of blocks, but the present invention is not limited to the order of the blocks, and some blocks are shown in this specification and the procedure It may be performed in a different order or may be performed concurrently. In addition, new blocks not described in the present specification and drawings may be added, or some blocks may be deleted or changed.

이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.As mentioned above, although embodiments of the present invention have been described with reference to the accompanying drawings, those skilled in the art to which the present invention pertains know that the present invention may be embodied in other specific forms without changing the technical spirit or essential features thereof. you will be able to understand Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive.

100 : 이벤트 발생 감지 장치(컴퓨팅 장치)
200 : 사용자 단말
300 : 외부 서버
400 : 네트워크100: event occurrence detection device (computing device)
200: user terminal
300 : external server
400: network

Claims (3)

컴퓨팅 장치에 의해 수행되는 방법에 있어서,
사용자의 생체 정보를 그래프 형태로 시각화하여 출력하는 생체 정보 출력 장치로부터 상기 그래프 형태로 시각화된 생체 정보 데이터를 수집하는 단계;
상기 그래프 형태로 시각화된 생체 정보 데이터를 기 설정된 주기마다 캡쳐(Capture)하여 생체 정보 이미지를 생성하는 단계;
상기 생체 정보 이미지를 분석하는 단계; 및
상기 생체 정보 이미지의 분석 결과에 따라 검출된 이미지 패턴에 기초하여 상기 사용자에 대한 이벤트 발생을 감지하는 단계를 포함하며,
상기 생체 정보 이미지를 분석하는 단계는,
상기 이벤트의 발생 여부가 레이블링(Labeling)된 복수의 생체 신호 이미지를 학습데이터로써 기 학습한 제1 인공지능 모델을 이용하여 상기 생체 신호 이미지를 분석하는 단계를 포함하며,
상기 이벤트 발생을 감지하는 단계는,
상기 제1 인공지능 모델을 이용하여 분석한 분석 결과에 기초하여 상기 이벤트의 발생 여부와 발생 원인을 판단하는 단계를 포함하고,
상기 이벤트 발생을 감지하는 단계는,
상기 이벤트가 발생된 제1 시점을 기준으로, 상기 제1 시점보다 소정의 시간 이전의 제2 시점에서의 생체 정보 이미지를 학습 데이터로써 기 학습한 제2 인공지능 모델을 이용하여 분석한 분석 결과에 기초하여 상기 사용자에 대한 이벤트 발생 가능성을 판단하는 단계를 포함하고,
상기 생체 정보 이미지를 생성하는 단계는,
상기 이벤트 발생 가능성이 기준 값 이상인 경우, 상기 사용자를 이벤트 발생 위험군으로 분류하고 상기 그래프 형태로 시각화된 생체 정보 데이터를 캡쳐하는 주기가 짧아지도록 조절하는 단계를 포함하며,
상기 이벤트 발생을 감지하는 단계는,
상기 이벤트 발생 위험군으로 분류된 사용자의 생체 정보 이미지와 상기 사용자의 실제 이벤트 발생 여부를 학습 데이터로 하여 상기 제2 인공지능 모델을 학습시키고, 상기 학습된 제2 인공지능 모델을 이용하여 복수의 사용자 각각의 이벤트 발생 가능성에 따른 실제 이벤트 발생 여부를 판단하는 단계를 더 포함하는,
인공지능 모델의 생체 정보 이미지 분석을 통한 쇼크 발생 감지 방법.A method performed by a computing device, comprising:
collecting biometric information data visualized in the graph form from a biometric information output device that visualizes and outputs the user's biometric information in a graph form;
generating a bio-information image by capturing the bio-information data visualized in the graph form every preset period;
analyzing the biometric information image; and
Detecting the occurrence of an event for the user based on an image pattern detected according to the analysis result of the biometric information image,
The step of analyzing the biometric information image includes:
and analyzing the biosignal image using a first artificial intelligence model previously learned using a plurality of biosignal images labeled as to whether the event occurred or not as learning data,
The step of detecting the occurrence of the event is
Comprising the step of determining whether the event has occurred and the cause of the occurrence based on the analysis result analyzed using the first artificial intelligence model,
The step of detecting the occurrence of the event is
Based on the first time point when the event occurred, the biometric information image at the second time point before the first time point is analyzed using the second artificial intelligence model previously learned as the learning data. Comprising the step of determining the possibility of occurrence of an event for the user based on,
The step of generating the biometric information image comprises:
When the probability of occurrence of the event is greater than or equal to a reference value, classifying the user into an event occurrence risk group and adjusting the period of capturing the biometric information data visualized in the graph form to be shortened;
The step of detecting the occurrence of the event is
The second artificial intelligence model is trained using the user's biometric information image classified into the event occurrence risk group and whether the user's actual event has occurred as learning data, and each of a plurality of users using the learned second artificial intelligence model Further comprising the step of determining whether an actual event occurs according to the possibility of occurrence of
Shock occurrence detection method through biometric image analysis of artificial intelligence model. 하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1 항의 방법을 수행하는, 장치.a memory storing one or more instructions; and
a processor executing the one or more instructions stored in the memory;
The processor by executing the one or more instructions,
An apparatus for performing the method of claim 1 . 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.
A computer program stored in a computer-readable recording medium in combination with a computer, which is hardware, to perform the method of claim 1 .
KR1020210170173A 2019-12-20 2021-12-01 Method, apparatus and computer program for detecting shock occurrence through biometric image analysis of artificial intelligence model KR102494309B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210170173A KR102494309B1 (en) 2019-12-20 2021-12-01 Method, apparatus and computer program for detecting shock occurrence through biometric image analysis of artificial intelligence model

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020190171436A KR102186486B1 (en) 2019-12-20 2019-12-20 Method, apparatus and computer program for detecting medical event generation using image analysis based on artificial intelligence
KR1020200162421A KR20210080208A (en) 2019-12-20 2020-11-27 Method, apparatus and computer program for detecting event generation using image analysis based on artificial intelligence
KR1020210170173A KR102494309B1 (en) 2019-12-20 2021-12-01 Method, apparatus and computer program for detecting shock occurrence through biometric image analysis of artificial intelligence model

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020200162421A Division KR20210080208A (en) 2019-12-20 2020-11-27 Method, apparatus and computer program for detecting event generation using image analysis based on artificial intelligence

Publications (2)

Publication Number Publication Date
KR20210151742A true KR20210151742A (en) 2021-12-14
KR102494309B1 KR102494309B1 (en) 2023-02-07

Family

ID=73779541

Family Applications (6)

Application Number Title Priority Date Filing Date
KR1020190171436A KR102186486B1 (en) 2019-12-20 2019-12-20 Method, apparatus and computer program for detecting medical event generation using image analysis based on artificial intelligence
KR1020200162421A KR20210080208A (en) 2019-12-20 2020-11-27 Method, apparatus and computer program for detecting event generation using image analysis based on artificial intelligence
KR1020210170173A KR102494309B1 (en) 2019-12-20 2021-12-01 Method, apparatus and computer program for detecting shock occurrence through biometric image analysis of artificial intelligence model
KR1020210170174A KR102494310B1 (en) 2019-12-20 2021-12-01 Method, apparatus and computer program for determining the possibility of shock occurrence through the analysis of visualized vital sign data
KR1020210170172A KR102494308B1 (en) 2019-12-20 2021-12-01 Method, apparatus and computer program for predicting shock occurrence using image analysis model based on artificial intelligence
KR1020210170175A KR102531993B1 (en) 2019-12-20 2021-12-01 Method for analyzing biometric image through image analysis model and method for predicting shock occurrence using the same

Family Applications Before (2)

Application Number Title Priority Date Filing Date
KR1020190171436A KR102186486B1 (en) 2019-12-20 2019-12-20 Method, apparatus and computer program for detecting medical event generation using image analysis based on artificial intelligence
KR1020200162421A KR20210080208A (en) 2019-12-20 2020-11-27 Method, apparatus and computer program for detecting event generation using image analysis based on artificial intelligence

Family Applications After (3)

Application Number Title Priority Date Filing Date
KR1020210170174A KR102494310B1 (en) 2019-12-20 2021-12-01 Method, apparatus and computer program for determining the possibility of shock occurrence through the analysis of visualized vital sign data
KR1020210170172A KR102494308B1 (en) 2019-12-20 2021-12-01 Method, apparatus and computer program for predicting shock occurrence using image analysis model based on artificial intelligence
KR1020210170175A KR102531993B1 (en) 2019-12-20 2021-12-01 Method for analyzing biometric image through image analysis model and method for predicting shock occurrence using the same

Country Status (1)

Country Link
KR (6) KR102186486B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102186486B1 (en) * 2019-12-20 2020-12-03 주식회사 슈파스 Method, apparatus and computer program for detecting medical event generation using image analysis based on artificial intelligence
KR20230064391A (en) * 2021-11-03 2023-05-10 홍석우 System for providing biosignal visualization service using pan cancer diagnostic kit employing glucose metabolism-related gene microarray chip

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101070389B1 (en) 2010-12-30 2011-10-06 김용중 System for monitoring patient condition
KR20180079208A (en) * 2016-12-30 2018-07-10 서울대학교산학협력단 Apparatus and method for predicting disease risk of metabolic disease
JP2019097830A (en) * 2017-11-30 2019-06-24 パラマウントベッド株式会社 Abnormality determination device, program
JP2019097828A (en) * 2017-11-30 2019-06-24 パラマウントベッド株式会社 Abnormality notification device, program and abnormality notification method
KR102186486B1 (en) * 2019-12-20 2020-12-03 주식회사 슈파스 Method, apparatus and computer program for detecting medical event generation using image analysis based on artificial intelligence

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101070389B1 (en) 2010-12-30 2011-10-06 김용중 System for monitoring patient condition
KR20180079208A (en) * 2016-12-30 2018-07-10 서울대학교산학협력단 Apparatus and method for predicting disease risk of metabolic disease
JP2019097830A (en) * 2017-11-30 2019-06-24 パラマウントベッド株式会社 Abnormality determination device, program
JP2019097828A (en) * 2017-11-30 2019-06-24 パラマウントベッド株式会社 Abnormality notification device, program and abnormality notification method
KR102186486B1 (en) * 2019-12-20 2020-12-03 주식회사 슈파스 Method, apparatus and computer program for detecting medical event generation using image analysis based on artificial intelligence

Also Published As

Publication number Publication date
KR20210151743A (en) 2021-12-14
KR102531993B1 (en) 2023-05-15
KR20210149016A (en) 2021-12-08
KR20210080208A (en) 2021-06-30
KR102494310B1 (en) 2023-02-07
KR102186486B1 (en) 2020-12-03
KR102494308B1 (en) 2023-02-07
KR20210150340A (en) 2021-12-10
KR102494309B1 (en) 2023-02-07

Similar Documents

Publication Publication Date Title
US20240008795A1 (en) Apparatus, Systems and Methods for Predicting, Screening and Monitoring of Encephalopathy/Delirium
JP5841196B2 (en) Residue-based management of human health
KR102494309B1 (en) Method, apparatus and computer program for detecting shock occurrence through biometric image analysis of artificial intelligence model
US20070027368A1 (en) 3D anatomical visualization of physiological signals for online monitoring
WO2020121308A9 (en) Systems and methods for diagnosing a stroke condition
US20220148728A1 (en) System and method for analyzing stress of user and managing individual mental health, using hmd device having biosignal sensors mounted therein
CA2866969C (en) Method and system for determining hrv and rrv and use to identify potential condition onset
AU2021236462B2 (en) Residual-based monitoring of human health
US20210236023A1 (en) TECHNOLOGY ADAPTED TO ENABLE IMPROVED COLLECTION OF INVOLUNTARY EYELlD MOVEMENT PARAMETERS, INCLUDING COLLECTION OF EYELlD MOVEMENT PARAMETERS TO SUPPORT ANALYSIS OF NEUROLOGICAL FACTORS
US20190159713A1 (en) System and method for evaluating mental disease treatment contents using complex biometric information
US10172526B2 (en) System and method of detection of sensor removal in a monitoring system
WO2018158704A1 (en) Work management apparatus, method, and program
KR20210050424A (en) Deep learning computer vision-based emergency patient shock signs discovery system
US20160228067A1 (en) System and method for intelligent monitoring of patient vital signs
US20230377741A1 (en) Patient monitoring system
JP2019504404A (en) Behavioral learning clinical support
EP4184522A1 (en) A device and method for providing clinical information of a subject
US20240153601A1 (en) Text data generation method
Szczepanski Decision Support Systems for Real-Time Monitoring of Hospital Patients–Automated implementation of the National Early Warning Score II–a preclinical study
CN114299453A (en) Vital sign information integrated processing method, equipment and system based on artificial intelligence
WO2023057232A1 (en) System and method for supporting a patient's health control
CN117653053A (en) Method for predicting health risk through intelligent watch
CN116230212A (en) Diagnosis decision system for postoperative cerebral apoplexy review based on data processing

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right