KR20220022023A - 수면다원검사 장치 및 이의 검사 방법 - Google Patents
수면다원검사 장치 및 이의 검사 방법 Download PDFInfo
- Publication number
- KR20220022023A KR20220022023A KR1020200102803A KR20200102803A KR20220022023A KR 20220022023 A KR20220022023 A KR 20220022023A KR 1020200102803 A KR1020200102803 A KR 1020200102803A KR 20200102803 A KR20200102803 A KR 20200102803A KR 20220022023 A KR20220022023 A KR 20220022023A
- Authority
- KR
- South Korea
- Prior art keywords
- graph image
- polysomnography
- data
- sensor
- sleep state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 27
- 208000019116 sleep disease Diseases 0.000 title description 2
- 208000020685 sleep-wake disease Diseases 0.000 title 1
- 230000007958 sleep Effects 0.000 claims abstract description 56
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 238000002570 electrooculography Methods 0.000 claims description 12
- 238000013186 photoplethysmography Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 9
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 6
- 210000001015 abdomen Anatomy 0.000 claims description 5
- 230000003187 abdominal effect Effects 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000002567 electromyography Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008667 sleep stage Effects 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 206010041235 Snoring Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 201000002859 sleep apnea Diseases 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000008705 Nocturnal Myoclonus Syndrome Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004424 eye movement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 201000003631 narcolepsy Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 208000023515 periodic limb movement disease Diseases 0.000 description 1
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- 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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/082—Evaluation by breath analysis, e.g. determination of the chemical composition of exhaled breath
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/113—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing
- A61B5/1135—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb occurring during breathing by monitoring thoracic expansion
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/398—Electrooculography [EOG], e.g. detecting nystagmus; Electroretinography [ERG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—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
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Pulmonology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optics & Photonics (AREA)
- Psychology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Ophthalmology & Optometry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
본 발명의 일 실시예는 시계열적으로 측정한 수면다원검사 원데이터(raw data)를 획득하고, 상기 수면다원검사 데이터를 시간에 대한 그래프로 변환하여 그래프 이미지를 생성하는 그래프 이미지 생성부, 상기 그래프 이미지를 기초로 수면상태 판독모델을 학습하는 학습부 및 상기 그래프 이미지 및 상기 수면상태 판독모델을 기초로 사용자의 수면상태를 판독하는 판독부를 포함하는 수면다원검사 장치를 제공한다.
Description
본 발명의 실시예들은 수면다원검사 장치 및 이의 검사 방법에 관한 것이다.
수면 중에 발생하는 질환은 보통 일반적인 질환처럼 한 장기의 문제라기보다는 여러 장기의 복합적인 문제로 생겨나는 경우가 많다. 수면다원검사(polysomnography)는 수면 중 발생하는 여러가지 비정상적인 상태를 진단하기 위해, 여러 검사 도구를 이용하여 수면 중 상태를 기록하고 분석하는 검사로서, 뇌기능 상태를 알기 위한 뇌파 검사(EEG), 눈 움직임을 보기 위한 안전도 검사(EOG), 근육 상태를 알기 위한 근전도 검사(EMG), 심장 리듬을 보기 위한 심전도(ECG), 전체적인 상태를 보기 위한 비디오 촬영 등을 같이 시행하면서 대개 하룻밤 정도 수면을 취하면서 검사하게 된다.
한편, 수면다원검사는 전문 인력들이 다양한 센서를 통해 측정된 환자의 생체 데이터들을 조합하여 전술한 지수들을 판단하는 매뉴얼 수면 스코어링(Manual sleep scoring) 방법을 이용하고 있다. 일반적으로 미국수면학회(AASM)에서 제작한 스코어링 가이드라인을 바탕으로 의료진이 판독을 하고 있음에도, 이를 적용하는 과정에서 수면 스코어링(Sleep scoring)을 각 전문 인력들의 주관적인 판단에 많이 의존하고 있어, 검사 기관 또는 판독자 간의 스코어링 결과가 차이가 나는 등 정확도와 신뢰도에 있어 한계가 있다. 또한, 매뉴얼 수면 스코어링(Manual sleep scoring) 방법의 경우, 지속적으로 증가하는 수면 질환의 유병률과 수면다원검사 건수를 고려할 때, 배경 지식과 판독 경험이 풍부한 전문 인력들을 꾸준히 확보해야하는 문제는 물론 판독 시간이 너무 길다는 현실적인 어려움이 있다.
본 발명의 실시예들은 검사수단들의 원천 신호의 시계열 데이터가 아닌 가공 이미지를 학습데이터로 이용함으로써 효율적인 학습이 가능한 수면다원검사 장치 및 이의 검사방법을 제공하고자 한다.
본 발명의 일 실시예는 시계열적으로 측정한 수면다원검사 원데이터(raw data)를 획득하고, 상기 수면다원검사 데이터를 시간에 대한 그래프로 변환하여 그래프 이미지를 생성하는 그래프 이미지 생성부, 상기 그래프 이미지를 기초로 수면상태 판독모델을 학습하는 학습부 및 상기 그래프 이미지 및 상기 수면상태 판독모델을 기초로 사용자의 수면상태를 판독하는 판독부를 포함하는 수면다원검사 장치를 제공한다.
본 발명의 일 실시예에 있어서, 상기 그래프 이미지를 사전에 설정된 시간 단위로 분할하여 복수개의 분할 이미지를 생성하는 분할 이미지 생성부;를 더 포함하고, 상기 학습부는 상기 복수개의 분할 이미지를 기초로 상기 수면상태 판독모델을 학습할 수 있다.
본 발명의 일 실시예에 있어서, 상기 수면다원검사 데이터는 복수개의 검사 수단을 이용하여 측정된 사용자의 복수의 생체데이터이며, 상기 그래프 이미지 생성부는 상기 복수의 생체데이터 각각을 시간에 대한 개별그래프로 변환하고, 변환된 복수의 개별그래프를 시간축 상에 순차적으로 배열하여 상기 그래프 이미지를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 복수의 생체데이터는 EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 흉부 움직임 감지벨트(Chest belt), 복부 움직임 감지벨트(Abdomen belt), 산소포화도(oxygen saturation), 호흡말 이산화탄소 (EtCO2, End-tidal CO2), 호흡 감지 서미스터(Thermister), 유동(Flow) 센서, 압력 센서 (manometer), 마이크(Microphone)및 지속형 양압기의 양압측정기 중 적어도 하나의 감지 수단을 이용하여 획득되는 생체데이터를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 그래프 이미지 생성부는 상기 복수의 생체데이터의 시간을 일치시켜 상기 그래프 이미지를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 그래프 이미지는 라벨링된(labeled) 데이터를 포함할 수 있다.
본 발명의 일 실시예는, 시계열적으로 측정한 수면다원검사 데이터를 획득하는 단계, 상기 수면다원검사 데이터를 시간에 대한 그래프로 변환하여 그래프 이미지를 생성하는 단계, 상기 그래프 이미지를 기초로 수면상태 판독모델을 학습하는 단계 및 상기 그래프 이미지 및 상기 수면상태 판독모델을 기초로 사용자의 수면상태를 판독하는 단계를 포함하는 수면다원검사 장치의 검사 방법을 제공한다.
본 발명의 일 실시예에 있어서, 상기 그래프 이미지를 사전에 설정된 시간 단위로 분할하여 복수개의 분할 이미지를 생성하는 단계를 더 포함하고, 상기 수면상태 판독모델을 학습하는 단계는 상기 복수개의 분할 이미지를 기초로 상기 수면상태 판독모델을 학습할 수 있다.
본 발명의 일 실시예에 있어서, 상기 수면다원검사 데이터는 복수개의 검사 수단을 이용하여 측정된 사용자의 복수의 생체데이터이며, 상기 그래프 이미지를 생성하는 단계는 상기 복수의 생체데이터 각각을 시간에 대한 개별그래프로 변환하고, 변환된 복수의 개별그래프를 시간축 상에 순차적으로 배열하여 상기 그래프 이미지를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 복수의 생체데이터는 EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 흉부 움직임 감지벨트(Chest belt), 복부 움직임 감지벨트(Abdomen belt), 산소포화도(oxygen saturation), 호흡말 이산화탄소 (EtCO2, End-tidal CO2), 호흡 감지 서미스터(Thermister), 유동(Flow) 센서, 압력 센서 (manometer), 마이크(Microphone)및 지속형 양압기의 양압측정기 중 적어도 하나의 감지 수단을 이용하여 획득되는 생체데이터를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 그래프 이미지를 생성하는 단계는 상기 복수의 생체데이터의 시간을 일치시켜 상기 그래프 이미지를 생성할 수 있다.
본 발명의 일 실시예에 있어서, 상기 그래프 이미지를 생성하는 단계는 라벨링된(labeled) 데이터를 포함하여 상기 그래프 이미지를 생성할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 실시예들에 따른 수면다원검사 장치 및 이의 검사 방법은 복수의 검사 수단들로부터 획득한 원천 데이터(raw data)가 아닌 이를 이용해 생성한 그래프 이미지를 학습데이터로 사용함으로써, 인공지능 또는 딥러닝 기반의 학습 효율을 증대시키면서 정확한 판독 결과를 도출할 수 있게 된다.
본 발명의 실시예들에 따른 수면다원검사 장치 및 이의 검사 방법은 학습된 수면상태 판독모델을 통해 검사의 자동화를 구현할 수 있어, 검사 시간을 단축시킬 뿐만 아니라 판독자에 따른 검사 편차도 감소시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 수면다원검사 장치(100)를 개략적으로 도시한 블록도이다.
도 2는 복수의 검사 수단들로부터 수면다원검사 데이터를 획득하는 과정을 설명하기 위한 개념도이다.
도 3은 본 발명의 일 실시예에 따른 수면다원검사 장치의 학습데이터인 그래프 이미지를 도시한 도면이다.
도 4는 라벨링된(labeled) 그래프 이미지를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 수면다원검사 장치의 검사 방법을 설명하기 위해 순차적으로 도시한 도면이다.
도 2는 복수의 검사 수단들로부터 수면다원검사 데이터를 획득하는 과정을 설명하기 위한 개념도이다.
도 3은 본 발명의 일 실시예에 따른 수면다원검사 장치의 학습데이터인 그래프 이미지를 도시한 도면이다.
도 4는 라벨링된(labeled) 그래프 이미지를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 수면다원검사 장치의 검사 방법을 설명하기 위해 순차적으로 도시한 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
도 1은 본 발명의 일 실시예에 따른 수면다원검사 장치(100)를 개략적으로 도시한 블록도이고, 도 2는 복수의 검사 수단들로부터 수면다원검사 데이터를 획득하는 과정을 설명하기 위한 개념도이다.
도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 수면다원검사 장치(100)는 외부의 검사수단들(1 내지 7)로부터 수면다원검사 데이터를 획득하고, 수면다원검사 데이터를 이용하여 학습데이터를 생성한 후, 생성된 학습데이터를 기초로 수면상태 판독모델을 효과적으로 학습시킬 수 있다.
본 발명의 네트워크 환경은 복수의 사용자 단말들, 서버 및 네트워크를 포함할 수 있다. 여기서, 수면다원검사 장치(100)는 서버 또는 사용자 단말일 수 있다.
복수의 사용자 단말들은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 수면다원검사 장치(100)가 서버인 경우, 복수의 사용자 단말들은 서버를 제어하는 관리자의 단말일 수 있다. 복수의 사용자 단말들의 예를 들면, 스마트폰(smart phone), 스마트 워치(smart watch), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로, 사용자 단말은 무선 또는 유선 통신 방식을 이용하여 네트워크를 통해 다른 사용자 단말들 및/또는 서버와 통신할 수 있다.
통신 방식은 제한되지 않으며, 네트워크가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크는, PAN(personal area network), LAN(local area network), CAN(capus area network), MAN(metropolitan area network), WAN(wide area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버는 복수의 사용자 단말들과 네트워크를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다.
일례로, 서버는 네트워크를 통해 접속한 사용자 단말로 어플리케이션의 설치를 위한 파일을 제공할 수 있다. 이 경우, 사용자 단말은 서버로부터 제공된 파일을 이용하여 어플리케이션을 설치할 수 있다. 또한, 사용자 단말이 포함되는 운영체제(Operating system, OS) 및 적어도 하나의 프로그램(일례로 브라우저나 설치된 어플리케이션)의 제어에 따라 서버에 접속하여 서버가 제공하는 서비스나 컨텐츠를 제공받을 수 있다. 다른 예로, 서버는 데이터 송수신을 위한 통신 세션을 설정하고, 설정된 통신 세션을 통해 복수의 사용자 단말들 간의 데이터 송수신을 라우팅할 수도 있다.
한편, 수면다원검사 장치(100)는 수신부(110), 프로세서(120), 메모리(130) 및 입출력 인터페이스(140)를 포함할 수 있다.
수신부(110)는 외부의 검사수단들(1 내지 7)로부터 수면다원검사 데이터를 수신할 수 있다. 일 실시예로서, 수면다원검사 장치(100)의 수신부(110)는 도 2에 도시된 바와 같이, 외부의 검사수단들(1 내지 7)과 유선으로 연결되어 시계열적으로 측정한 수면다원검사 데이터를 획득할 수 있다. 다른 실시예로서, 수신부(110)는 무선 통신을 이용하는 통신모듈로서 기능하여, 수면다원검사 데이터를 제공받을 수 있다.
여기서, 수면다원검사 데이터는 복수개의 검사 수단을 이용하여 측정된 사용자의 복수의 생체데이터일 수 있다. 복수의 생체데이터는 EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 흉부 움직임 감지벨트(Chest belt), 복부 움직임 감지벨트(Abdomen belt), 산소포화도(oxygen saturation), 호흡말 이산화탄소 (EtCO2, End-tidal CO2), 호흡 감지 서미스터(Thermister), 유동(Flow) 센서, 압력 센서 (manometer), 지속형 양압기의 양압측정기 및 마이크(Microphone) 중 적어도 하나의 감지 수단을 이용하여 획득되는 생체데이터를 포함할 수 있다.
구체적으로, 복수의 생체데이터는 EEG 센서(1)로부터 뇌파와 관련된 생체데이터, EOG 센서(2)로부터 안구의 움직임과 관련된 생체데이터, EMG 센서(3)로부터 근육의 움직인과 관련된 생체데이터, EKG 센서(미도시)로부터 심장박동과 관련된 생체데이터, PPG 센서(4)로부터 산소포화도와 심박수와 관련된 생채데이터, 흉부 움직임 감지벨트(5)와 복부 움직임 감지벨트(6)로부터 복부와 가슴의 움직임과 관련된 생체데이터, 호흡말 이산화탄소, 호흡 감지 서미스터와 유동 센서(7)로부터 호흡과 관련된 생체데이터, 마이크(미도시)로부터 코골이와 관련된 생체데이터 중 적어도 어느 하나를 포함할 수 있다. 또한, 복수의 생체데이터는 지속형 양압기의 양압측정기를 이용하여 획득한 양압레벨 데이터를 포함할 수 있다.
프로세서(120)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(130) 또는 수신부(110)에 의해 프로세서(120)로 제공될 수 있다. 예를 들어, 프로세서(120)는 메모리(130)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다.
이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(Microprocessor), 중앙처리장치(Central Processing Unit: CPU), 프로세서 코어(Processor Core), 멀티프로세서(Multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 프로세서(120)는 그래프 이미지 생성부(121), 학습부(123) 및 판독부(124)를 포함하며, 분할 이미지 생성부(122)를 더 포함할 수 있다.
메모리(130)는 컴퓨터에서 판독 가능한 기록 매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 또한, 메모리(130)에는 운영체제와 적어도 하나의 프로그램 코드(일례로 사용자 단말에 설치되어 구동되는 브라우저나 상술한 어플리케이션 등을 위한 코드)가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 드라이브 메커니즘(drive mechanism)을 이용하여 메모리(130)와는 별도의 컴퓨터에서 판독 가능한 기록 매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독가능한 기록 매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록 매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록 매체가 아닌 수신부(110)를 통해 메모리(130)에 로딩될 수도 있다. 예를 들어 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템(일례로 상술한 서버)가 네트워크를 통해 제공하는 파일들에 의해 설치되는 프로그램(일례로 상술한 어플리케이션)에 기반하여 메모리(130)에 로딩될 수 있다.
입출력 인터페이스(140)는 입출력 장치와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 어플리케이션의 통신 세션을 표시하기 위한 디스플레이와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(140)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다.
이하에서는 도 3 및 도 4를 더 참조하여, 수면다원검사 장치(100)를 보다 구체적으로 설명하기로 한다.
도 3은 본 발명의 일 실시예에 따른 수면다원검사 장치(100)의 학습데이터인 그래프 이미지를 도시한 도면이고, 도 4는 라벨링된(labeled) 그래프 이미지를 도시한 도면이다.
다시 도 1과 도 3 및 도 4를 참조하면, 수면다원검사 장치(100)는 그래프 이미지 생성부(121), 학습부(123) 및 판독부(124)를 포함하며, 분할 이미지 생성부(122)를 더 포함할 수 있다. 여기서, 수면다원검사 장치(100)는 상기한 구성을 포함하는 하나의 프로세서로 이루어질 수도 있으나, 둘 이상의 프로세서를 이용하여 상기한 구성을 포함할 수도 있다. 예를 들면, 수면다원검사 장치(100)의 학습부(123)는 서버의 프로세서에 포함되고, 판독부(124)는 사용자 단말의 프로세서에 포함될 수 있다. 즉, 수면다원검사 장치(100)는 학습부(123)가 배치되는 서버로 사용자의 생체데이터를 전달하여 수면상태 판독모델을 학습시키고, 학습된 수면상태 판독모델을 사용자 단말의 판독부(124)로 전달하여 신규로 측정되는 사용자의 수면상태를 판독하는 기능을 수행할 수 있다.
그래프 이미지 생성부(121)는 시계열적으로 측정한 수면다원검사 원데이터(raw data)를 획득하고, 수면다원검사 데이터를 시간에 대한 그래프로 변환하여 그래프 이미지(M)를 생성할 수 있다. 일 실시예로서, 그래프 이미지 생성부(121)는 복수의 생체데이터 각각을 시간에 대한 개별그래프로 변환하고, 변환된 복수의 개별그래프를 시간축(예를 들면, x축) 상에 순차적으로 배열하여 그래프 이미지(M)를 생성할 수 있다. 다시 말해, 복수의 감지 수단들(1 내지 7)은 시계열적으로 생체데이터를 획득하며, 시간에 따라 그 데이터값이 변화할 수 있다. 그래프 이미지 생성부(121)는 각각의 생체데이터들을 시간에 따른 데이터값의 변화로 나타나는 그래프로 변환하고, 각각의 그래프들을 하나의 이미지로 출력할 수 있다. 이때, 그래프 이미지 생성부(121)는 복수의 생체데이터의 시간을 일치시켜 그래프 이미지를 생성할 수 있다. 개별 그래프로 변환된 복수의 생체데이터는 시간축 상에 순차적으로 배열될 수 있다. 그래프 이미지(M)의 시간축(x축)에 교차하는 y축에는 각 생체데이터들의 종류가 표시될 수 있으나, 반드시 이에 제한되는 것은 아니다. 또한, 그래프 이미지 생성부(121)는 복수의 생체데이터를 원데이터(raw data)로 획득하고 일정한 포맷(format)으로 변환한 후, 그래프 이미지를 생성할 수 있다. 그래프 이미지 생성부(121)는 감지 수단의 종류, 감지 수단들의 조합, 부품 회사들의 구성과 무관하게 일정한 포맷의 그래프 이미지를 생성할 수 있다. 이후, 학습부(123)는 상기한 일정한 포맷의 그래프 이미지를 학습데이터로 이용함으로써 표준화된 수면상태 판독모델을 학습할 수 있다.
또한, 그래프 이미지(M)는 라벨링된 데이터를 포함할 수 있다. 라벨링 방식은 도시된 바와 같이 바운딩 박스를 이용한 라벨링 방식, 스크리블(scribble)을 이용한 라벨링 방식, 포인트(point)를 이용한 라벨링 방식, 이미지-레벨(image-level)의 라벨링 방식 등이 사용될 수 있다. 라벨(L1)은 검사 전문 인력이 사전에 판독하여 표시한 수면상태를 나타내는 정보일 수 있다. 수면상태는 W(Wake 단계), N1(수면 1단계), N2(수면 2단계), N3(수면 3단계), R(REM 수면단계)와 같은 수면단계, 수면무호흡 상태, 코골이 상태, 산소포화도 감소상태 중 적어도 하나일 수 있다.
분할 이미지 생성부(122)는 그래프 이미지(M)를 사전에 설정된 시간 단위로 분할하여 복수개의 분할 이미지(M1, M2, ?? Mn, 도 3 참조)를 생성할 수 있다. 본 발명은 그래프 이미지(M)를 학습데이터로 사용할 수도 있으나, 상기한 분할 이미지(M1, M2, ?? Mn)로 분할하여 학습데이터로 사용할 수 있다. 분할 이미지(M1, M2, ?? Mn)는 수면의 특정 단계 또는 특정 상태를 해석하기 위해 공통으로 필요한 생체데이터들의 집합일 수 있다. 이때, 사전에 설정된 시간 단위는 수면다원검사시 디스플레이 장치에 한 화면으로 표시되는 단위일 수 있으며, 예를 들면, 그래프 이미지는 30초 단위로 분할될 수 있다. 이때, 분할 이미지(M1, M2, ?? Mn)는 하룻밤동안 시계열적으로 측정된 생체데이터들이므로, 연속적인(serial) 특징을 가질 수 있다.
다른 실시예로서, 분할 이미지는 그래프 이미지(M)로부터 감지수단별 그래프 영역을 추출하여 생성될 수도 있다. 즉, 수면다원검사 장치(100)는 복수의 생체데이터들이 표시되는 하나의 그래프 이미지(M)로 학습데이터로 사용할 수도 있으나, 생체데이터별 그래프 이미지를 생성하여 학습데이터로 사용할 수 있음은 물론이다.
또 다른 실시예로서, 그래프 이미지(M)는 외부의 디스플레이 장치로 표시되는 화면을 캡쳐한 이미지일 수 있다. 즉, 수면다원검사 장치(100)는 별도의 생체데이터를 획득하지 않고, 디스플레이 장치와 연동되어, 사전에 설정된 시간 단위별로 화면에 표시되는 그래프를 캡쳐(capture)하여 그래프 이미지를 생성할 수도 있다. 이경우, 수면다원검사 장치(100)는 전처리부(미도시)를 더 포함할 수 있다. 전처리부(미도시)는 켭쳐한 이미지들의 일관성을 유지하기 위하여, 그래프 이미지의 스케일(크기, 해상도), 콘트라스트, 밝기, 칼라 밸런스, 휴(hue)/saturation에 대한 포맷을 변환할 수 있다.
학습부(123)는 상기한 그래프 이미지(M)를 기초로 수면상태 판독모델을 학습할 수 있다. 그래프 이미지가 복수개의 분할 이미지로 이루어지는 경우, 학습부(123)는 복수개의 분할 이미지를 기초로 수면상태 판독모델을 학습할 수 있다.
수면상태 판독모델은 수면무호흡증(sleep apnea syndrome), 주기성 사지운동장애(Periodic limb movement disorder), 기면증(Narcolepsy), 수면단계(sleep stage), 총 수면시간(Total sleep time) 중 적어도 하나를 판독하기 위한 학습모델일 수 있다. 학습부(123)는 딥러닝(Deep learning) 또는 인공지능 기반으로 수면상태 판독모델을 학습하며, 딥러닝은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions, 다량의 데이터나 복잡한 자료들 속에서 핵심적인 내용 또는 기능을 요약하는 작업)를 시도하는 기계학습 알고리즘의 집합으로 정의된다. 학습부(123)는 딥러닝의 모델 중 예컨대 심층 신경망(Deep Neural Networks, DNN), 컨볼루션 신경망(Convolutional Neural Networks, CNN), 순환 신경망(Reccurent Neural Network, RNN) 및 심층 신뢰 신경 망(Deep Belief Networks, DBN) 중 어느 하나를 이용한 것일 수 있다.
일 실시예로서, 학습부(123)는 컨볼루션 신경망(CNN)을 이용하여 수면상태 판독모델을 학습할 수 있다. 여기서, 컨볼루션 신경망(CNN)은 최소한의 전처리(prepocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. 컨볼루션 신경망(CNN)은 입력 데이터에 대하여 컨볼루션을 수행하는 컨볼루션 계층을 포함하며, 그리고 영상에 대해 서브샘플링(subsampling)을 수행하는 서브샘플링 계층을 더 포함하여, 해당 데이터로부터 특징맵을 추출할 수 있다. 여기서, 서브샘플링 계층이란 이웃하고 있는 데이터 간의 대비율(contrast)을 높이고 처리해야 할 데이터의 양을 줄여주는 계층으로서, 최대 풀링(max pooling), 평균 풀링(average pooling) 등이 이용될 수 있다.
컨볼루션 계층 각각은 활성 함수(activation function)을 포함할 수 있다. 활성 함수는 각층의 레이어들마다 적용되어 각 입력들이 복잡한 비선형성(non-linear) 관계를 갖게 하는 기능을 수행할 수 있다. 활성 함수는 입력을 표준화(normalization)된 출력으로 변환시킬 수 있는 시그모이드 함수(Sigmoid), 탄치 함수(tanh), 렐루(Rectified Linear Unit, ReLU), 리키 렐루(Leacky ReLU) 등이 사용될 수 있다.
판독부(124)는 검사대상자의 그래프 이미지 및 상기 학습된 수면상태 판독모델을 기초로 검사대상자인 사용자의 수면상태를 판독할 수 있다. 판독부(124)는 검사수단들로부터 측정된 원천데이터가 아닌 그래프 이미지를 직접 입력받고, 이를 수면상태 학습모델에 적용하여 사용자의 수면상태를 판독할 수 있다. 또한, 판독부(124)는 판독된 사용자의 수면상태를 결과로 출력하여 제공할 수 있다.
한편, 수면다원검사 장치(100)는 수면상태 판독모델을 이용하여 도출된 판독 결과에 대한 피드백을 제공받고, 이에 대한 피드백 데이터를 생성하여 학습부(123)로 제공할 수 있다. 학습부(123)는 상기한 피드백 데이터를 이용하여 수면상태 판독모델을 재학습할 수 있으며, 이를 통해 보다 정확한 판독 결과를 도출할 수 있다.
도 5는 본 발명의 일 실시예에 따른 수면다원검사 장치의 검사 방법을 설명하기 위해 순차적으로 도시한 도면이다.
도 5를 참조하면, 수면다원검사 장치(100)는 수신부(110)에 의해, 시계열적으로 측정한 수면다원검사 데이터를 획득할 수 있다(S51).
단계 S52에서, 수면다원검사 장치(100)는 그래프 이미지 생성부(121)에 의해 수면다원검사 데이터를 시간에 대한 그래프로 변환하여 그래프 이미지를 생성할 수 있다. 이때, 그래프 이미지는 사전에 설정된 시간 단위로 분할되어, 분할 이미지로 변환될 수 있다.
단계 S53에서, 수면다원검사 장치(100)는 학습부(123)에 의해 그래프 이미지를 기초로 수면상태 판독모델을 학습할 수 있다. 그래프 이미지가 분할 이미지로 이루어지는 경우, 학습부(123)는 분할 이미지를 기초로 수면상태 판독모델을 학습할 수 있다.
단계 S54에서, 수면다원검사 장치(100)는 판독부(124)에 의해, 그래프 이미지 및 수면상태 판독모델을 기초로 사용자의 수면상태를 판독할 수 있다. 이때, 그래프 이미지는 복수의 검사수단들로부터 획득한 복수의 생체데이터를 이용하여 가공한 이미지일 수 있다. 또는 그래프 이미지는 수면다원검사의 모니터링을 위해 디스플레이 장치의 화면에 표시되는 그래프를 캡쳐하여 획득한 이미지일 수도 있다.
단계 S55에서, 수면다원검사 장치(100)는 판독부(124)의 판독 결과에 대한 피드백을 제공받고, 이에 대한 피드백 데이터를 생성할 수 있다. 판독 결과에 대한 피드백은 수면다원검사 전문 인력에 의해 수행될 수 있으며, 학습부(123)는 피드백 데이터를 이용하여 수면상태 판독모델을 재학습함으로써, 정확한 판독 결과를 도출할 수 있다.
전술한 바와 같이, 본 발명의 실시예들에 따른 수면다원검사 장치 및 이의 검사 방법은 복수의 검사 수단들로부터 획득한 원천 데이터(raw data)가 아닌 이를 이용해 생성한 그래프 이미지를 학습데이터로 사용함으로써, 인공지능 또는 딥러닝 기반의 학습 효율을 증대시키면서 정확한 판독 결과를 도출할 수 있게 된다. 본 발명의 실시예들에 따른 수면다원검사 장치 및 이의 검사 방법은 학습된 수면상태 판독모델을 통해 검사의 자동화를 구현할 수 있어, 검사 시간을 단축시킬 뿐만 아니라 판독자에 따른 검사 편차도 감소시킬 수 있다. 또한 본 발명의 실시예들에 따른 수면다원검사 장치 및 이의 검사 방법은 스마트 와치 등 다양한 일상 IT 제품 등에 알고리듬이 활용되어 보다 용이하고 연속적인 수면 감시 장치로의 활용도 가능하다.
이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 컴퓨터로 실행 가능한 프로그램을 저장하는 것일 수 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
이와 같이 본 발명은 도면에 도시된 일 실시예를 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 수면다원검사 장치
110 : 수신부
120 : 프로세서
121 : 그래프 이미지 생성부
122 : 분할 이미지 생성부
123 : 학습부
124 : 판독부
130 : 메모리
140 : 입출력 인터페이스
110 : 수신부
120 : 프로세서
121 : 그래프 이미지 생성부
122 : 분할 이미지 생성부
123 : 학습부
124 : 판독부
130 : 메모리
140 : 입출력 인터페이스
Claims (12)
- 시계열적으로 측정한 수면다원검사 원데이터(raw data)를 획득하고, 상기 수면다원검사 데이터를 시간에 대한 그래프로 변환하여 그래프 이미지를 생성하는 그래프 이미지 생성부;
상기 그래프 이미지를 기초로 수면상태 판독모델을 학습하는 학습부; 및
상기 그래프 이미지 및 상기 수면상태 판독모델을 기초로 사용자의 수면상태를 판독하는 판독부;를 포함하는, 수면다원검사 장치. - 제1 항에 있어서,
상기 그래프 이미지를 사전에 설정된 시간 단위로 분할하여 복수개의 분할 이미지를 생성하는 분할 이미지 생성부;를 더 포함하고,
상기 학습부는 상기 복수개의 분할 이미지를 기초로 상기 수면상태 판독모델을 학습하는, 수면다원검사 장치. - 제1 항에 있어서,
상기 수면다원검사 데이터는 복수개의 검사 수단을 이용하여 측정된 사용자의 복수의 생체데이터이며,
상기 그래프 이미지 생성부는 상기 복수의 생체데이터 각각을 시간에 대한 개별그래프로 변환하고, 변환된 복수의 개별그래프를 시간축 상에 순차적으로 배열하여 상기 그래프 이미지를 생성하는, 수면다원검사 장치. - 제3 항에 있어서,
상기 복수의 생체데이터는 EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 흉부 움직임 감지벨트(Chest belt), 복부 움직임 감지벨트(Abdomen belt), 산소포화도(oxygen saturation), 호흡말 이산화탄소 (EtCO2, End-tidal CO2), 호흡 감지 서미스터(Thermister), 유동(Flow) 센서, 압력 센서 (manometer), 마이크(Microphone)및 지속형 양압기의 양압측정기 중 적어도 하나의 감지 수단을 이용하여 획득되는 생체데이터를 포함하는, 수면다원검사 장치. - 제3 항에 있어서,
상기 그래프 이미지 생성부는 상기 복수의 생체데이터의 시간을 일치시켜 상기 그래프 이미지를 생성하는, 수면다원검사 장치. - 제1 항에 있어서,
상기 그래프 이미지는 라벨링된(labeled) 데이터를 포함하는, 수면다원검사 장치. - 시계열적으로 측정한 수면다원검사 데이터를 획득하는 단계;
상기 수면다원검사 원데이터(raw data)를 시간에 대한 그래프로 변환하여 그래프 이미지를 생성하는 단계;
상기 그래프 이미지를 기초로 수면상태 판독모델을 학습하는 단계; 및
상기 그래프 이미지 및 상기 수면상태 판독모델을 기초로 사용자의 수면상태를 판독하는 단계;를 포함하는 수면다원검사 장치의 검사 방법. - 제7 항에 있어서,
상기 그래프 이미지를 사전에 설정된 시간 단위로 분할하여 복수개의 분할 이미지를 생성하는 단계;를 더 포함하고,
상기 수면상태 판독모델을 학습하는 단계는 상기 복수개의 분할 이미지를 기초로 상기 수면상태 판독모델을 학습하는, 수면다원검사 장치의 검사 방법. - 제7 항에 있어서,
상기 수면다원검사 데이터는 복수개의 검사 수단을 이용하여 측정된 사용자의 복수의 생체데이터이며,
상기 그래프 이미지를 생성하는 단계는 상기 복수의 생체데이터 각각을 시간에 대한 개별그래프로 변환하고, 변환된 복수의 개별그래프를 시간축 상에 순차적으로 배열하여 상기 그래프 이미지를 생성하는, 수면다원검사 장치의 검사 방법. - 제9 항에 있어서,
상기 복수의 생체데이터는 EEG(Electroencephalogram) 센서, EOG(Electrooculography) 센서, EMG(Electromyogram) 센서, EKG(Electrokardiogramme) 센서, PPG(Photoplethysmography) 센서, 흉부 움직임 감지벨트(Chest belt), 복부 움직임 감지벨트(Abdomen belt), 산소포화도(oxygen saturation), 호흡말 이산화탄소 (EtCO2, End-tidal CO2), 호흡 감지 서미스터(Thermister), 유동(Flow) 센서, 압력 센서 (manometer), 마이크(Microphone)및 지속형 양압기의 양압측정기 중 적어도 하나의 감지 수단을 이용하여 획득되는 생체데이터를 포함하는, 수면다원검사 장치의 검사 방법. - 제9 항에 있어서,
상기 그래프 이미지를 생성하는 단계는 상기 복수의 생체데이터의 시간을 일치시켜 상기 그래프 이미지를 생성하는, 수면다원검사 장치의 검사 방법. - 제9 항에 있어서,
상기 그래프 이미지를 생성하는 단계는 라벨링된(labeled) 데이터를 포함하여 상기 그래프 이미지를 생성하는, 수면다원검사 장치의 검사 방법.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200102803A KR102403076B1 (ko) | 2020-08-14 | 2020-08-14 | 수면다원검사 장치 및 이의 검사 방법 |
| PCT/KR2021/005672 WO2021225382A1 (ko) | 2020-05-06 | 2021-05-06 | 호흡상태 검사 장치 및 방법, 수면 장애 제어 장치 및 방법 |
| US17/930,569 US20230000429A1 (en) | 2020-05-06 | 2022-09-08 | Device and method for testing respiratory state, and device and method for controlling sleep disorder |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200102803A KR102403076B1 (ko) | 2020-08-14 | 2020-08-14 | 수면다원검사 장치 및 이의 검사 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220022023A true KR20220022023A (ko) | 2022-02-23 |
| KR102403076B1 KR102403076B1 (ko) | 2022-05-31 |
Family
ID=80495691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200102803A KR102403076B1 (ko) | 2020-05-06 | 2020-08-14 | 수면다원검사 장치 및 이의 검사 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102403076B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102548379B1 (ko) * | 2022-12-28 | 2023-06-28 | 주식회사 베러마인드 | 인공신경망을 이용한 이미지 변환 기반의 코골이 분류 방법 |
| WO2024154917A1 (ko) * | 2023-01-18 | 2024-07-25 | 주식회사 베러마인드 | 사용자를 위한 수면 큐레이션 서비스 시스템의 동작 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200079676A (ko) * | 2018-12-26 | 2020-07-06 | (주)허니냅스 | 딥러닝 기반의 수면다원 검사장치 및 그 방법 |
-
2020
- 2020-08-14 KR KR1020200102803A patent/KR102403076B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200079676A (ko) * | 2018-12-26 | 2020-07-06 | (주)허니냅스 | 딥러닝 기반의 수면다원 검사장치 및 그 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102548379B1 (ko) * | 2022-12-28 | 2023-06-28 | 주식회사 베러마인드 | 인공신경망을 이용한 이미지 변환 기반의 코골이 분류 방법 |
| WO2024143888A1 (ko) * | 2022-12-28 | 2024-07-04 | 주식회사 베러마인드 | 인공신경망을 이용한 이미지 변환 기반의 코골이 분류 방법 |
| WO2024154917A1 (ko) * | 2023-01-18 | 2024-07-25 | 주식회사 베러마인드 | 사용자를 위한 수면 큐레이션 서비스 시스템의 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102403076B1 (ko) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111863236B (zh) | 医疗机器合成数据和对应事件生成 | |
| US9949714B2 (en) | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection | |
| Lella et al. | Automatic COVID-19 disease diagnosis using 1D convolutional neural network and augmentation with human respiratory sound based on parameters: cough, breath, and voice | |
| Fu et al. | A Bayesian approach for sleep and wake classification based on dynamic time warping method | |
| US11631280B2 (en) | System and method for multimodal spatiotemporal pain assessment | |
| US10321871B2 (en) | Determining sleep stages and sleep events using sensor data | |
| CN111008957A (zh) | 医疗信息处理方法和装置 | |
| KR102403076B1 (ko) | 수면다원검사 장치 및 이의 검사 방법 | |
| KR102321991B1 (ko) | 수면 무호흡증 진단을 위한 기도 형태 분석 방법 및 장치 | |
| US20210174971A1 (en) | Activity tracking and classification for diabetes management system, apparatus, and method | |
| CN117617921B (zh) | 基于物联网的智能血压监控系统及方法 | |
| CN111276159A (zh) | 一种婴儿发音分析方法及服务器 | |
| Haque et al. | State-of-the-art of stress prediction from heart rate variability using artificial intelligence | |
| Yue et al. | Research and application of deep learning-based sleep staging: Data, modeling, validation, and clinical practice | |
| Shrestha et al. | ECG data analysis with IoT and machine learning | |
| CN116584943A (zh) | 一种基于可穿戴设备的抑郁状态监测方法及装置 | |
| Xie et al. | Care for the Mind Amid Chronic Diseases: An Interpretable AI Approach Using IoT | |
| KR20220134216A (ko) | 인공지능 학습을 통해 광용적맥파로부터 대동맥판막협착증 및 기타 심혈관 질환 위험도를 판단하는 방법 및 시스템 | |
| Su et al. | Estimation of heart rate and heart rate variability with real-time images based on independent component analysis and particle swarm optimization | |
| Luís et al. | Anxiety monitoring system: A preliminary approach | |
| CN117976176B (zh) | 一种麻醉监护设备运行状态监测方法及系统 | |
| El Khadiri et al. | An efficient hybrid algorithm for non-contact physiological sign monitoring using plethysmography wave analysis | |
| Perez Pozuelo | Digital phenotyping through multimodal, unobtrusive sensing | |
| US20230309915A1 (en) | System and method for attentional multimodal pain estimation | |
| US20240108278A1 (en) | Cooperative longitudinal skin care monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |