KR20220042937A - 순환계질환 발생잠재도 출력장치 및 그 방법 - Google Patents

순환계질환 발생잠재도 출력장치 및 그 방법 Download PDF

Info

Publication number
KR20220042937A
KR20220042937A KR1020200126388A KR20200126388A KR20220042937A KR 20220042937 A KR20220042937 A KR 20220042937A KR 1020200126388 A KR1020200126388 A KR 1020200126388A KR 20200126388 A KR20200126388 A KR 20200126388A KR 20220042937 A KR20220042937 A KR 20220042937A
Authority
KR
South Korea
Prior art keywords
circulatory
blood pressure
user
dimensional shape
disease
Prior art date
Application number
KR1020200126388A
Other languages
English (en)
Other versions
KR102602465B1 (ko
Inventor
윤창노
한원석
이진각
이준석
서홍석
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020200126388A priority Critical patent/KR102602465B1/ko
Publication of KR20220042937A publication Critical patent/KR20220042937A/ko
Application granted granted Critical
Publication of KR102602465B1 publication Critical patent/KR102602465B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

본 발명의 일 실시 예는, 사용자로부터 기설정된 시간동안 측정된 최고혈압, 최저혈압, 맥박, 심전도 중 적어도 두 가지 이상을 수집하는 데이터수집단계; 상기 수집된 데이터의 시계열적 특성을 반영하는 포텐셜함수를 모델링하는 모델링단계;상기 모델링된 포텐셜함수의 특징요소를 기초로 하여, 상기 사용자의 3차원형상을 결정하는 3차원형상결정단계; 및 3차원형상과 순환계질환의 비율을 대응시킨 테이블을 기초로 하여, 상기 결정된 3차원형상에 가장 높은 상관관계값을 갖는 순환계질환을 검색하고 출력하는 출력단계;를 포함하는 순환계질환 발생잠재도 출력 방법을 개시한다.

Description

순환계질환 발생잠재도 출력장치 및 그 방법 {Apparatus for displaying circulatory disease risk and method thereof}
본 발명은 순환계질환 발생잠재도 출력장치 및 그 방법에 관한 것으로서, 보다 구체적으로는, 순환계질환에 걸릴 가능성을 수치화하여 출력할 수 있는 장치 및 그 장치가 동작하는 방법에 대한 것이다.
건강에 대한 사람들의 관심이 날로 늘어나면서 건강관련지표를 간편하게 측정할 수 있는 장비들의 종류도 점점 늘어나고 있다. 예를 들어, 혈압측정기, 맥박측정기, 혈중 산소포화도 측정기 등과 같이, 다양한 측정장비들이 점차 고도화되고 경량화됨에 따라, 사람들은 일정한 장소에 방문하여 측정장비를 사용하는 것뿐만 아니라, 측정장비를 간편하게 휴대하고 다니면서 사용할 수 있게 되었다.
다만, 대부분의 휴대용 건강지표 측정장비들은 사용자가 일정한 사용법에 따라 입력을 가하면, 그 입력에 대한 결과만 즉각적으로 표시하는 기능에만 머물러 있으며, 실제 데이터와 접목시켜서 비교한 신뢰도 높은 결과를 알려주는 기능을 갖고 있는 휴대용 건강지표 측정장비는 극히 드물 뿐만 아니라, 그 기기의 가격도 현실적인 가격이 아니어서 사용자접근성이 매우 떨어진다.
한편, 스마트폰과 같이 각종 유무선 통신기능을 구비한 다기능 지능형 복합단말기가 널리 보급됨에 따라 스마트폰에 부가장착하여 활용할 수 있는 각종 장비도 늘어나고 있는 추세인데, 스마트폰에 포함되어 있는 고도의 연산처리기능 및 디스플레이기능과 휴대용 건강지표 측정기의 정확한 측정기능을 모두 활용하여 사용자에게 정확하고 유용한 정보를 제공할 수 있는 장치의 필요성이 대두되고 있다.
선행문헌 1(출원번호 제10-2016-0158494호)에는 순환계질환이 발생할 잠재적 위험도를 시각화하여 출력하는 장치가 개시되어 있다. 선행문헌 1에 개시된 장치에 따르면, 사용자는 사용자 자신이 여러 순환계질환 중 어느 질환에 걸릴 가능성이 가장 높은지 시각적으로 알 수 있다.
도 1은 선행문헌 1에 개시되어 있는 장치가 동작하는 원리를 설명하기 위한 도면이다.
선행문헌 1에 따른 장치는 복수의 모듈을 포함하고 있으며, 도 1은 복수의 모듈 중 패턴산출부에서 산출되는 3차원 사용자패턴의 일 예를 도시한 도면이다.
도 1을 참조하면, 3차원 사용자패턴은 사용자최고혈압패턴(110), 사용자최저혈압패턴(130), 사용자맥박패턴(150)을 단일 3차원 공간상에 배치시킨 패턴이고, 그 옆에는 3차원 사용자패턴과 비교되는 패턴인 비교대상패턴(170)이 있는 것을 알 수 있다. 사용자최고혈압패턴(110), 사용자최저혈압패턴(130) 및 사용자맥박패턴(150)은 각각의 3차원 좌표값에 따라 단일 3차원 공간에 배치된다.
사용자최고혈압패턴(110), 사용자최저혈압패턴(130) 및 사용자맥박패턴(150)은 패턴화되기 전의 값이 현저히 다르므로, 패턴화된 후 단일 3차원 공간상에 3차원 벡터형태로 각각 배치되었을 때, 일정한 간격을 두고 떨어져 있는 것이 일반적이나, 사용자의 건강 상태가 급변하거나, 순환계질환을 앓고 있는 등의 사정이 있는 경우는, 도 1에 도시되어 있는 여러 비교대상패턴들처럼 최고혈압패턴, 최저혈압패턴, 맥박패턴의 경계구분이 어려울 수 있으며, 그러한 전체적인 모양 자체가 사용자의 체질특성을 반영하는 일 요소가 될 수 있다.
도 2는 사용자데이터수신부가 군집수에 대한 정보를 수신한 경우 출력되는 유사도 맵의 일 예를 도시한 도면이다.
도 2를 참조하면, 정상인을 포함하여 다양한 순환계질환을 겪고 있는 복수의 사용자들이 여러 개의 군집으로 나뉜 것을 알 수 있다. 복수 개의 군집은 사용자가 입력한 군집수에 따라 분류된 것이다.
제1군집(210)과 제2군집(230)처럼 10개 내외의 노드(node)가 군집에 속해있을 수도 있으나, 제3군집(250)처럼 수많은 노드가 하나의 군집에 속해있을 수 있으며, 제3군집(250)에 속한 노드에 해당하는 사람은 가장 일반적인 체질의 사람이라고 볼 수 있다.
도 2에서 제1군집(210)에는 총 10명이 속해있으며, 61로 표시된 사람을 사용자로 간주하면, 사용자와 직접 연결된 7명(각각 44, 326, 350, 392, 1668053, 1681300으로 표시된 노드에 해당하는 사람)이 제1군집(210)에서 사용자와 유사한 체질인 사람으로 볼 수 있으며, 노드간의 거리가 유사도이므로, 61과 가장 거리가 짧은 1868053의 노드에 해당하는 사람이 가장 사용자와 체질이 유사한 사람이 된다. 위와 같은 구성에 따라 사용자에 의해 입력되는 군집의 수가 작으면 작을수록 사용자가 속한 군집에 속하게 되는 인원은 많아지게 되며, 사용자가 특이한 체질의 소유자인 경우, 사용자로부터 입력되는 군집수와 상관없이 사용자가 속한 군집에는 극히 적은 인원만이 속해있을 수도 있다.
선행문헌 1에 개시된 발명에 따르면, 사용자는 군집수에 대한 정보를 입력하지 않음으로써, 데이터베이스에 저장되어 있는 모든 인원들과 사용자의 체질을 비교한 유사도 맵을 시각적으로 확인하여, 사용자가 갖고 있는 순환계질환의 발생잠재도(발생할 잠재적인 위험도)를 직관적으로 파악할 수 있다.
다만, 선행문헌 1에 개시된 발명은, 여러 정제된 데이터가 있는 상태에서, 사용자 데이터가 최종 입력값으로 입력된 경우에, 사용자가 어느 성향의 집단에 속하고, 어느 체질의 환자와 가장 유사하다는 것을 시각적으로 제공함으로써, 종래의 기술에 비해서 직관성이 크게 향상된 장점은 있으나, 사용자특성을 반영하는 정보가 입력되었을 때, 다양한 순환계질환 중 어느 순환계질환을 가장 조심하고 대비해야 하는지 수치화되거나 시각화된 정보는 제공할 수 없는 한계점이 있다.
대한민국 등록특허 제10-1809149호 (2017.12.14 공고)
본 발명이 해결하고자 하는 기술적 과제는, 사용자에 대한 정보가 입력되었을 때, 사용자에게 어느 순환계질환을 가장 조심해야 하는지 수치화하여 출력하는 장치 및 그 장치를 구현하는 방법을 제공하는 데에 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 방법은, 사용자로부터 기설정된 시간동안 측정된 최고혈압, 최저혈압, 맥박, 심전도 중 적어도 두 가지 이상을 수집하는 데이터수집단계; 상기 수집된 데이터의 시계열적 특성을 반영하는 포텐셜함수를 모델링하는 모델링단계; 상기 모델링된 포텐셜함수의 특징요소를 기초로 하여, 상기 사용자의 3차원형상을 결정하는 3차원형상결정단계; 및 3차원형상과 순환계질환의 비율을 대응시킨 테이블을 기초로 하여, 상기 결정된 3차원형상에 가장 높은 상관관계값을 갖는 순환계질환을 검색하고 출력하는 출력단계;를 포함한다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 일 실시 예에 따른 장치는, 사용자로부터 기설정된 시간동안 측정된 고혈압, 저혈압, 맥박, 심전도 중 적어도 두 가지 이상을 수집하는 제1연산부; 상기 수집된 데이터의 시계열적 특성을 반영하는 포텐셜함수를 모델링하는 제2연산부; 상기 모델링된 포텐셜함수의 특징요소를 기초로 하여, 상기 사용자의 3차원형상을 결정하는 제3연산부; 및 3차원형상과 순환계질환의 비율을 대응시킨 테이블을 기초로 하여, 상기 결정된 3차원형상에 가장 높은 상관관계값을 갖는 순환계질환을 검색하고 출력하는 결과출력부;를 포함한다.
본 발명의 일 실시 예는, 상기 방법을 실행시키기 위한 프로그램을 저장하고 있는 컴퓨터 판독가능한 기록매체를 제공할 수 있다.
본 발명에 따르면, 사용자는 사용자 자신이 가장 조심해야 하는 순환계질환이 무엇인지 시각적으로 확인할 수 있다.
도 1은 선행문헌 1에 개시되어 있는 장치가 동작하는 원리를 설명하기 위한 도면이다.
도 2는 사용자데이터수신부가 군집수에 대한 정보를 수신한 경우 출력되는 유사도 맵의 일 예를 도시한 도면이다.
도 3은 본 발명의 일 실시 예에 따른 장치의 블록도의 일 예를 나타낸 도면이다.
도 4는 사용자의 3차원형상의 여러 예를 나타낸 도면이다.
도 5는 더핑 진동자를 설명하기 위한 그래프의 일 예이다.
도 6은 더핑 진동자를 설명하기 위한 그래프의 다른 일 예이다.
도 7은 세 가지의 생체신호 데이터에 의해 결정된 3차원형상의 일 예를 나타낸 도면이다.
도 8은 세 가지의 생체신호 데이터에 의해 결정된 3차원형상의 다른 일 예를 나타낸 도면이다.
도 9는 두 가지 진동자간에 기울기가 양수 또는 음수인지 여부로 진동자간 상관관계를 판단하는 일 예를 도식적으로 나타낸 것이다.
도 10은 본 발명에 따른 방법의 일 예를 흐름도로 나타낸 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시 예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.
이하의 실시 예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는한, 복수의 표현을 포함한다.
이하의 실시 예에서, 포함하다 또는 가지다 등의 용어는 명세서 상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징을 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
어떤 실시 예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 장치의 블록도의 일 예를 나타낸 도면이다.
도 3을 참조하면, 순환계질환의 발생잠재도를 출력하는 장치(10)는 제1연산부(310), 제2연산부(330), 제3연산부(350), 결과출력부(370) 및 데이터베이스(390)를 포함하는 것을 알 수 있다. 이하에서는, 설명을 용이하게 하기 위해서, 순환계질환의 발생잠재도를 출력하는 장치(10)에 포함되는 각 모듈의 기능을 가장 포괄적으로 설명한 후에, 구체적으로 각 모듈이 어떠한 방식에 따라 동작하는지 설명하기로 한다.
제1연산부(310)는 사용자로부터 기설정된 시간동안 측정된 최고혈압, 최저혈압, 맥박, 심전도 검사 결과 등을 수집한다.
제2연산부(330)는 제1연산부(310)에서 수집된 데이터의 시계열적 특성을 반영하는 포텐셜함수(potential function)을 모델링한다.
제3연산부(350)는 모델링된 포텐셜함수의 특징요소를 기초로 하여, 사용자의 3차원형상을 결정한다.
결과출력부(370)는 3차원형상과 순환계질환의 비율을 대응시킨 테이블(table)을 기초로 하여, 제3연산부(350)가 결정한 3차원형상에 가장 높은 상관관계값을 갖는 순환계질환을 검색하고 출력한다.
데이터베이스(390)는 제1연산부(310), 제2연산부(330), 제3연산부(350) 및 결과출력부(370)에서 처리되는 데이터를 저장하거나, 결과출력부(370)가 결과를 출력하기 위해 참고하는 테이블을 저장하고 있다.
먼저, 제1연산부(310)는 순환계질환의 발생잠재도를 판단하기 위한 기초데이터(raw data)를 수집한다. 제1연산부(310)가 기초데이터를 수집하는 방법은 여러가지가 될 수 있다. 일 예로서, 제1연산부(310)는 데이터베이스(390)에 저장되어 있던 과거기간의 사용자 데이터를 수집할 수 있다. 다른 일 예로, 제1연산부(310)는 사용자가 입력부를 통해 입력한 정보를 기초데이터로 변환하여 수집할 수도 있다. 도 3에는 도시되어 있지 않지만, 본 발명에서 입력부는 사용자의 입력을 직접 받는 키보드, 마우스, 터치 패널뿐만 아니라, 사용자의 입력에 따라 거대한 용량의 데이터를 입력할 수 있는 HDD, SDD 및 ODD 등을 포함하는 넓은 개념으로 간주한다.
제1연산부(310)가 수집하는 데이터는 기설정된 시간동안 측정된 데이터이고, 여기서, 기설정된 시간은 사용자의 순환계질환의 발생잠재도를 산출하는 데에 충분할 정도의 시간을 의미한다. 예를 들어, 제1연산부(310)가 수집하는 데이터는 사용자가 착용하고 있는 스마트워치(smart watch)로부터 40시간동안 연속적으로 측정된 생체신호 데이터일 수 있다. 전술한 40시간은 기설정된 시간의 일 예로서, 합리적인 결과 유도를 위해서, 기설정된 시간은 실험적 또는 경험적으로 가장 좋은 결과를 획득하기 위한 시간으로 결정될 수 있다. 예를 들어, 제1연산부(310)는 미리 설정된 시간을 초과하는 데이터가 입력되면, 최적의 연산효율을 보장하는 데이터 길이로 분할하여 데이터를 수집할 수 있다.
또한, 제1연산부(310)가 수집하는 데이터는 사용자의 최고혈압, 최저혈압, 맥박, 심전도에 대한 데이터일 수 있다.
측정 장소, 방법, 시간대 수축기 혈압(mmHg) 이완기 혈압(mmHg)
진료실혈압 ≥140 ≥90
24시간 활동혈압
일일평균혈압 ≥130 ≥80
주간평균혈압 ≥135 ≥85
야간평균혈압 ≥120 ≥70
가정혈압 ≥135 ≥85
진료실자동혈압 ≥135 ≥85
표 1은 대한고혈압학회에서 고혈압을 진단하기 위해 규정한 표의 일 예이다. 일반적으로, 수축기 혈압(BPsys: systolic blood pressure)의 일일평균혈압이 130mmHg이상, 주간평균혈압이 135mmHg이상이거나, 야간평균혈압이 120mmHg이상이고, 이완기 혈압(BPdia: diastolic blood pressure)의 일일평균혈압이 80mmHg이상, 주간평균혈압이 85mmHg이상이거나, 야간평균혈압이 70mmHg이상인 사람은 고혈압 환자로 분류되며, 본 발명에서 최고혈압, 최저혈압은 표 1의 수축기혈압, 이완기혈압과 각각 동일한 의미로 사용된 것으로 간주한다.
제1연산부(310)는 기설정된 시간동안 측정된 최고혈압, 최저혈압, 맥박, 심전도에 대한 데이터 중에서 적어도 두 가지 이상을 수집할 수도 있고, 두 가지 이상을 수집하는 것은 더욱 정확한 결과를 출력하기 위함이다.
제2연산부(330)는 제1연산부(310)가 수집한 데이터의 시계열적 특성을 반영하는 포텐셜함수를 모델링(modelling)한다. 제1연산부(310)가 수집한 데이터는 기설정된 시간동안 측정된 생체신호 데이터로서, 사용자마다 고유한 특성을 갖는 데이터이다. 예를 들어, 40시간동안 측정된 사용자의 최고혈압 데이터는 그 사용자만의 고유한 특성이 그대로 반영되어 있으며, 본 발명에서 데이터의 시계열적 특성이란, 특정 고정된 시점에서의 최고혈압값(최저혈압값, 맥박, 심전도결과)이 아니라, 기설정된 시간동안 시간에 따라 변화하는 최고혈압(최저혈압, 맥박, 심전도결과)의 변화추이 그 자체를 의미한다.
제2연산부(330)가 모델링하는 포텐셜함수는, 임의의 힘 함수(force function)가 포텐셜함수를 미분함으로써 산출된다는 물리적인 의미로부터 도출되는 것으로서, 포텐셜함수는 사용자의 데이터의 시계열적 특성을 최대한 온전하게 반영하는 수학식으로 이해될 수 있고, 그 물리적인 의미를 명확히 하기 위해 순환계 위험도 포텐셜 함수(circulatory risk potential function)라고 별칭될 수도 있다.
Figure pat00001
수학식 1은 힘 함수가 포텐셜 함수의 미분 결과라는 것을 나타내는 식이며, F는 힘 함수, U는 포텐셜 함수를 각각 의미한다.
본 발명에서 포텐셜함수를 도입한 것은 사용자로부터 수집되어 순환계질환의 발생잠재도를 판단하기 위한 데이터가 기설정된 시간동안 계속되는 연속데이터라는 것에서 기인한다. 구체적으로, 임의의 구간에서 힘 함수가 있다면, 수학식 1에 따라 미분불가능한 지점이 생기지 않도록, 포텐셜 함수는 기설정된 시간동안 연속된 함수여야 하며, 이러한 성질이 본 발명에 채용된 것이다.
포텐셜 함수는 시간의 흐름에 따라 변하는 함수이고, 인트라 항(intra term)과 인터액션 항(interaction term)을 포함한다.
Figure pat00002
수학식 2는 포텐셜 함수를 나타내는 식이다. 수학식 2에서, Ui(intra)는 인트라 항, Ui(inter)는 인터액션 항을 각각 의미하고, i는 수학식 2에 포함된 각 항들이 순환계질환 및 전조증상에 대한 값(함수)이라는 것을 의미한다. 실시 예에 따라서, 본 발명의 포텐셜함수에서 인터액션 항은 생략될 수도 있다.
포텐셜 함수에서 인트라 항은 순환계 진동자(circulatory oscillator) 내에서의 내부포텐셜의 합으로 정의되고, 인터액션항은 두 개 이상의 진동자가 있을 경우, 진동자들간의 상호작용항의 합으로 정의된다. 본 발명에서 순환계 진동자는 사용자로부터 최고혈압, 최저혈압, 맥박, 심전도 검사결과를 수신하여, 순환계질환의 전조증상에 대한 예측을 가장 신뢰성 있게 나타낼 수 있는 진동자(oscillator)를 의미하고, 일 예로서, 시간지연커브(time-delay curve)진동자가 있고, 다른 예로서, 더핑(Duffing)진동자가 있다.
Figure pat00003
Figure pat00004
수학식 3 및 수학식 4는 인트라 항과 인터액션 항을 수학식 2보다 더 구체적으로 나타낸 식이다. 수학식 3에서 Cij는 인트라 항 계수, Xij는 인트라 항에서의 순환계 표현자(circulatory descriptors)를 각각 의미하고, 수학식 4에서 Cikl는 인터액션 항 계수, Yikl는 인터액션 항에서의 순환계 표현자를 각각 의미한다. 수학식 3 및 수학식 4에서 설명한 계수 및 표현자들에 대한 추가적인 설명은 표 2 및 표 3을 통해 후술하기로 한다.
제3연산부(350)는 모델링된 포텐셜함수의 특징요소를 기초로 하여, 사용자의 3차원형상(3-dimension shape)을 결정한다.
도 4는 사용자의 3차원형상의 여러 예를 나타낸 도면이다.
도 4를 참조하면, 제3연산부(350)가 결정하는 사용자의 3차원형상은 역원뿔형, 원통형, 마름모형, 원뿔형, 이상 4개의 종류 중 하나가 되는 것을 알 수 있다.
제3연산부(350)는 수학식 2 내지 수학식 4를 통해서, 포텐셜함수가 결정되면, 포텐셜함수의 특징요소를 추출하여, 추출된 특징요소를 3차원 공간 상의 좌표로 투사하고, 투사된 좌표들을 시간적 순서에 따라서 연결하여, 3차원 공간 내에 생성되는 볼륨(volume)의 형태를 분석하여, 사용자의 3차원 형상을 결정할 수 있다. 즉, 제3연산부(350)에는, 포텐셜함수를 수신하여 특징요소를 추출하는 모듈, 추출된 특징요소를 3차원 공간 상의 좌표에 투사하는 모듈, 투사된 3차원 공간의 좌표들을 시간적 순서에 따라서 연결하여 3차원 공간 내에 양질감을 갖는 형상을 생성하는 모듈, 3차원형상의 고유한 요철, 길이, 두께를 분석하고 기저장된 공식에 따라서 네 가지의 3차원형상 중 하나로 결정하는 모듈 등이 포함된다.
특히, 도 4는 사용자의 최고혈압 데이터를 기초로 하여 생성된 3차원형상의 예를 나타낸 것이며, 동일한 사용자라 하더라도 최저혈압, 맥박, 심전도 파형을 기초로 하여 3차원형상을 각각 생성한다면, 도 4에 도시되어 있는 3차원형상과는 전혀 다른 형상이 되지만, 제3연산부(350)는 그 형상들을 역원뿔형, 원통형, 마름모형, 원뿔형 중 어느 하나로 결정하게 된다.
도 4의 (a)는 전체적으로 상단에서 하단으로 갈수록 면적이 좁아지는 원통형이 유지되다가 최하단쪽에서는 뾰족한 부분이 포함되는 역원뿔이 45도 각도로 기울어진 형태인 역원뿔형을 나타내고 있다. 또한, 도 4의 (b)는 전체적으로 상단과 하단의 단면적이 일정하게 유지되는 원뿔형을 나타내고, 도 4의 (c) 및 (d)도 각각 마름모형 및 원뿔형의 사전적 의미에 부합하도록 3차원형상을 도시하고 있다.
제3연산부(350)는 포텐셜함수의 특징요소를 추출하고, 분석함으로써, 미리 정의되어 있는 네 가지 3차원형상 중 하나가 결정되도록 한다. 구체적인 예를 들면, 제3연산부(350)는 시간지연 진동자를 구성하는 계수를 포텐셜함수의 특징요소로서 추출할 수 있으며, 이 경우, 수학식 2에서 인터액션 항은 생략된 것으로 본다. 시간지연 진동자의 계수에 대해서는 도 5 및 도 6을 통해 추가적으로 후술하기로 한다.
다른 실시 예로서, 제3연산부(350)에 전술한 역원뿔형, 원뿔형, 마름모형, 원통형 외에 다른 3차원형상이 정의되어 있다면, 제3연산부(350)는 추가적으로 정의된 3차원형상이 결정되도록 설정될 수도 있다.
결과출력부(370)는 3차원형상과 순환계질환의 비율을 대응시킨 테이블을 기초로 하여, 제3연산부(350)가 결정한 3차원형상에 가장 높은 상관관계값을 갖는 순환계질환을 검색하고 출력한다.
최고혈압형 환자수(명) 비율(%)
역원뿔형 263 50.58
원통형 83 15.96
마름모형 76 14.62
원뿔형 98 18.85
합계 520 100
표 2는 결과출력부(370)가 참조하는 테이블의 일 예이다. 표 2는 3차원형상과 순환계질환의 비율을 대응시킨 테이블을 생성하기 위해 참고자료가 되는 정보로서, 순환계질환 환자 및 일반인이 혼합된 520명을 대상으로 시간지연 진동자의 3차원형상을 결정하였을 때, 3차원형상 간의 상대적 비율을 나타낸 것이다. 여기서, 520명은 본 발명에 따라서 순환계질환 발생잠재도를 측정하였을 때 실제결과에 잘 부합하는 특성을 보인 사용자들로서, 그들로부터 수집되는 데이터는 정제된 사용자데이터로 간주된다. 표 2를 참조하면, 실제로 순환계질환을 앓고 있는 환자들의 데이터로 시간지연커브 진동자를 기반으로 3차원형상을 생성할 경우, 전체 3차원형상 중 절반에 가까운 비율로 역원뿔형인 것을 알 수 있다.
최고혈압형 고혈압(%) 관상동맥질환(%) 당뇨(%) 고지혈증(%)
역원뿔형 62.74 2.28 7.6 14.83
원통형 44.58 7.23 6.02 13.25
마름모형 80.26 5.26 6.58 18.42
원뿔형 46.94 2.04 6.12 15.31
평균 59.42 3.46 6.92 15.19
표 3은 결과출력부(370)가 참조하는 테이블의 다른 일 예이다. 표 3은 3차원형상과 순환계질환의 비율을 대응시킨 테이블로서, 표 2를 기반으로 하여 생성될 수 있다. 표 3의 넷째 행을 해석하면, 최고혈압 데이터를 사용자 데이터로 하고, 시간지연커브 진동자를 기반으로 3차원형상을 생성하였을 때, 마름모형인 환자들 중에서 고혈압을 앓고 있는 환자는 80.26%이고, 관상동맥질환을 앓고 있는 환자는 5.26%이며, 당뇨나 고지혈증을 앓고 있는 환자는 각각 6.58%, 18.42%라는 것을 알 수 있다. 위와 같은 결과를 추가적으로 해석하면, 1차적으로 최고혈압에 대한 3차원형상이 마름모형이 나온 환자는 5명 중 4명꼴로 고혈압을 앓고 있으며, 이는 다른 3차원형상군(the other 3D-shape group)에서 고혈압을 앓고 있는 환자들보다 더 높은 비율이라는 것이다. 마찬가지로, 최고혈압에 대한 3차원형상이 마름모형인 환자는 다른 3차원형상군보다 더 높은 비율로 고지혈증을 앓고 있다는 것도 표 3을 통해 도출될 수 있다.
최저혈압형 고혈압(%) 관상동맥질환(%) 당뇨(%) 고지혈증(%)
역원뿔형 62.87 2.57 6.99 12.87
원통형 45.69 6.03 9.48 19.83
마름모형 63.16 5.26 2.63 15.79
원뿔형 64.89 2.13 5.32 15.96
평균 59.42 3.46 6.92 15.19
표 4는 결과출력부(370)가 참조하는 테이블의 또 다른 일 예이다. 표 4는 3차원형상과 순환계질환의 비율을 대응시킨 테이블이며, 사용자의 최저혈압 데이터를 기초로 생성된 표로서, 최고혈압 데이터를 기초로 생성되는 표 2 및 표 3과는 구별된다. 표 3의 세번째 행을 해석하면, 최저혈압 데이터를 사용자 데이터로 하고, 시간지연커브 진동자를 기반으로 3차원형상을 생성하였을 때, 그 3차원형상이 원통형인 환자들 중에서 고혈압을 앓고 있는 환자는 45.69%이고, 관상동맥질환을 앓고 있는 환자는 6.03%이며, 당뇨나 고지혈증을 앓고 있는 환자는 각각 9.48%, 19.83%라는 것을 알 수 있다.
표 3과 표 4를 비교하여 종합적으로 해석하면, 고혈압인 환자의 최고혈압 데이터로 3차원형상을 생성하면 마름모형일 가능성이 가장 높고, 최저혈압 데이터로 3차원형상을 생성하면, 원뿔형일 가능성이 가장 높다는 것을 알 수 있다. 즉, 전체 환자수에서 특정 순환계질환 환자의 평균 비율은 표 3 및 표 4 모두 동일하게 유지되나(고혈압, 관상동맥질환, 당뇨, 고지혈증 순서로 각각 59.42, 3.46, 6.92, 15.19), 네 가지 3차원 형상 중 어느 한 가지 3차원 형상에 대해서는 평균보다 훨씬 높은 것이 관찰된다. 표 3과 표 4를 맥박, 심전도에 따라서 추가적으로 확장하면, 이러한 차이는 더욱 극명하게 나타나며, 결국, 본 발명에 따른 장치는 사용자의 시계열적 생체신호 데이터를 수신하여, 3차원형상을 결정하고, 결정된 3차원형상을 테이블을 추가로 참조하여 사용자가 이미 걸렸거나 향후에 걸릴 확률이 가장 높은 순환계질환을 출력할 수 있게 되어, 사용자에게 특화된 정보로서 유의미한 건강정보를 정확하고 간편하게 제공할 수 있다.
맥박형 고혈압(%) 관상동맥질환(%) 당뇨(%) 고지혈증(%)
역원뿔형 59.06 3.41 4.99 15.22
원통형 64.29 3.57 14.29 17.86
마름모형 55.81 2.33 9.30 13.95
원뿔형 60.00 5.00 12.50 12.50
평균 59.42 3.46 6.92 15.19
표 5는 결과출력부(370)가 참조하는 테이블의 또 다른 일 예이다. 표 5는 3차원형상과 순환계질환의 비율을 대응시킨 테이블이며, 사용자의 맥박 데이터를 기초로 생성된 표로서, 최고혈압 데이터나 최저혈압 데이터를 기초로 생성되는 표 3 및 표 4와는 구별된다. 표 5에서는, 관상동맥질환을 앓고 있는 환자의 3차원형상은 원뿔형일 확률이 마름모형일 확률보다 약 2배 높으며, 당뇨를 앓고 있는 환자의 3차원형상은 원통형일 확률이 역원뿔형보다 약 3배 높은 것으로 나타나 있다.
고혈압 환자(%) 최저혈압
역원뿔형 a 원통형 b 마름모형 c 원뿔형 d
최고혈압 역원뿔형 A 64.46 54.55 58.33 70.00
원통형 B 50.00 25.93 66.67 60.00
마름모형 C 77.50 88.89 80.00 83.33
원뿔형 D 50.00 32.00 37.50 56.76
표 6은 표 3 및 표 4를 통합한 표의 일 예이다. 구체적으로, 표 6은 2개의 시간지연커브 진동자를 선택하여 3차원형상으로 생성했을 때의 결과를 수치화하여 나타내고 있다. 표 6을 해석하면, 최고혈압 데이터에 대해서 마름모형이고, 최저혈압 데이터에 대해서 원통형이면(이하 "Cb"타입), 고혈압 환자일 확률이 88.89%에 육박하는 반면, 최고혈압 데이터 및 최저혈압 데이터에 대해서 모두 원통형이면(이하 "Bb"타입), 고혈압 환자일 확률이 25.93%에 불과한 것을 알 수 있다.
본 발명에 따르면, 결과출력부(370)는 사용자의 최고혈압 데이터 및 최저혈압 데이터를 분석하여, Cb타입이 나왔다면, 사용자가 현재 고혈압이거나 향후 고혈압이 될 가능성이 상당히 높다는 결과를 출력할 수 있다. 한편, 결과출력부(370)는 사용자의 데이터를 분석하여 Bb타입이 나왔다면, 사용자가 고혈압이 아닐 확률이 상대적으로 높지 않다는 것을 실제 확률값과 함께 출력할 수 있다.
표 6에서는, 2개의 시간지연커브 진동자가 선택되고, 각각 최고혈압 데이터 및 최저혈압 데이터에 대해서만 예시를 들었으나, 결과출력부(370)에는 전술한 것처럼 사용자의 맥박 데이터나 심전도 데이터에 대해서도 테이블이 구축될 수 있으며, 표 6보다 더 높은 차원(higher dimension)에 대한 통합테이블이 구축되면, 사용자에게 더욱 더 정확한 결과를 제공할 수 있다는 것은 표 6을 통한 설명을 통해 이 분야의 통상의 지식을 가진 자에게 자명할 것이다.
선택적 일 실시 예로서, 제2연산부(330)는 수집된 사용자 데이터의 시계열적 특성을 반영하는 포텐셜함수를 모델링하는 데에 있어서, 인트라 항과 인터액션 항을 모두 고려할 수 있다. 이미 표 6에서 2개의 같은 유형의 진동자(oscillator)를 이용하여 순환계질환 발생잠재도를 출력하는 방법에 대해서는 설명한 바 있으나, 본 선택적 실시 예에서는, 2개의 서로 다른 유형의 진동자를 이용하는 방식을 설명하기로 한다.
도 5는 더핑 진동자를 설명하기 위한 그래프의 일 예이다.
설명의 편의를 위해서, 이하에서는, 도 3을 참조하여 설명하기로 한다.
도 5의 (a)는 서로 다른 두 파형을 동일한 x축에 대해서 겹쳐놓은 그래프이고, 도 5의 (b)는 40시간동안 측정된 사용자의 최고혈압 데이터이다. 도 5의 (b)에 도시된 그래프는, 제1연산부(310)에 수집되는 기초데이터(raw data)로서, 40시간동안 사용자의 최고혈압이 어떻게 변화하는지 나타내고 있다. 여기서, 최고혈압은 수축기 혈압을 의미한다는 것을 이미 설명한 바 있다.
한편, 도 5의 (a)에는 두 개의 서로 다른 그래프가 겹쳐져 있는데, 좌변은 도 5의 (b)로부터 모델링된 시간지연커브 진동자이며, 우변은 도 5의 (b)로부터 모델링된 더핑 진동자를 각각 의미한다. 시간지연커브 진동자는 2차미분항, 1차미분항, 1차항, 3차항으로 구성되며, 도 5의 (b)와 가장 유사한 형태가 되도록 학습과 시험(training & test)을 반복함으로써 모델링될 수 있다. 이때, 학습과정은 ANN(Artificial Neural Network), RNN(Recursive ANN), HMM(Hidden Markov Model), SVM(Support Vector Machine) 등, 기존에 알려져 있는 기계학습 알고리즘 중 어느 하나 이상에서 사용되는 방식이 적절하게 사용될 수 있다.
제2연산부(330)가 시간지연커브 진동자에 대한 모델링을 완료하면, 제2연산부(330)는 모델링이 완료된 시간지연커브 진동자와 오차가 가장 적은 진동함수를 모델링하고, 이 모델링 과정에서 더핑 진동자가 결정될 수 있다. 두 그래프의 차이의 합계는 R2로 정의되고, R2이 1에 가까우면 가까울수록 피팅(fitting)이 이상적으로 된 것이고, R2이 0에 가까울수록 피팅이 잘 되지 않는 것을 의미한다.
도 5를 참조하면, 시간지연커브 진동자의 모델링결과에서, 2차 미분항의 계수는 1로 유지되고, 나머지 계수는 각각 α, β, δ이며, 더핑 진동자의 모델링 결과에서 함수값의 최대값은 γ, 각속도는 ω, 위상은 θ인 것을 알 수 있다.
도 5 및 후술하는 도 6에 명시되어 있지 않으나, 도 5의 (a)는 순환계질환을 갖고 있지 않은 정상인의 최고혈압 데이터를 기초로 모델링을 한 결과이고, 도 6의 (a)는 협심증을 갖고 있는 환자의 최고혈압 데이터를 기초로 모델링한 결과를 각각 나타낸다. 순환계질환을 갖고 있지 않은 정상인은 시간지연커브 진동자와 더핑 진동자 간의 피팅이 잘 되는 경향이 있으나, 후술하는 도 6에서는 두 진동자 간의 피팅이 잘 되지 않는 경향이 있다. 즉, 정상인에 대해서는 R2이 1에 가깝고, 순환계질환 환자에 대해서는 R2이 0에 가까운 경향성이 있다.
도 6은 더핑 진동자를 설명하기 위한 그래프의 다른 일 예이다.
도 6의 (a)는 서로 다른 두 파형을 동일한 x축에 대해서 겹쳐놓은 그래프이고, 도 6의 (b)는 40시간동안 측정된 협심증 환자의 최고혈압 데이터이다. 도 6의 (b)에 도시된 그래프는, 제1연산부(310)에 수집되는 기초데이터(raw data)로서, 40시간동안 협심증 환자의 최고혈압(수축기 혈압)이 어떻게 변화하는지 나타내고 있다.
도 6의 사용자는 협심증을 앓고 있는 순환계질환 환자이므로, 두 진동자간의 격차는 낮은 R2를 갖는 특성이 있으며, 그에 따라 도 6의 (a)에서는, 시간지연커브 진동자와 더핑 진동자간의 피팅이 도 5의 (a)에 비해 상대적으로 잘 되지 않는 것이 명확하게 나타나 있다. 도 6의 (a)의 y축은 변환된 혈압값을 나타내는 것으로서, 도 6의 (b)의 y축과는 동일하지 않도록 일정비율로 스케일링되어 있다.
Correlation 고혈압(%) 관상동맥질환(%) 당뇨(%) 고지혈증(%) 어지럼증(%)
높은 R2형 44.12 0.00 8.82 20.59 35.29
낮은 R2형 60.49 3.70 6.79 14.81 27.57
평균 59.42 3.46 6.92 15.19 28.08
표 7은 시간지연커브 진동자 및 더핑 진동자를 선택하여 3차원형상으로 생성했을 때의 결과를 수치화하여 나타내고 있다. 표 7에서 높은 R2형은 도 5와 같이 정상인 사용자에 대한 데이터로서, 서로 다른 유형의 두 진동자간에 피팅이 용이하게 이루어지고, 상대적으로 높은 R2값이 산출되는 유형을 의미하고, 낮은 R2형은 도 6과 같이 협심증 환자에 대한 데이터로서, 서로 다른 유형의 두 진동자간에 피팅이 잘 되지 않고, 상대적으로 낮은 R2값이 산출되는 유형을 의미한다. 여기서, R2값이 상대적으로 높거나 낮은지 결정하기 위해서, 결과출력부(370)는 R2값과 비교하기 위한 기준값을 내부적으로 저장하고 있다.
표 7을 해석하면, 520명의 사용자들의 최고혈압 데이터에 대해서 시간지연커브 및 더핑진동자에 대한 피팅을 수행했을 때, 높은 R2형이 나오는 사용자들 중에는 관상동맥질환을 앓고 있는 환자가 전혀 없었다는 것이며, 반대해석상, 관상동맥질환을 앓고 있는 환자의 Correlation은 모두 낮은 R2형이라는 말이 된다. 높은 R2형과 낮은 R2형을 구분하기 위한 기준값에 따라서, 표 7에 기재된 비율은 달라질 수도 있으나, 본 발명에 따라 높은 R2형이라고 판정된 경우, 그 사용자는 관상동맥질환을 앓고 있지 않고, 향후에도 해당 질환을 앓게 될 위험성이 극히 낮다는 의미로 해석될 수 있다.
Correlation 고혈압(%) 관상동맥질환(%) 당뇨(%) 고지혈증(%) 어지럼증(%)
높은 R2형 60.27 2.74 10.96 17.12 30.14
낮은 R2형 59.09 3.74 5.35 14.44 27.27
평균 59.42 3.46 6.92 15.19 28.08
표 8은 표 7의 내용을 추가적으로 확장하여, 520명의 사용자의 최고혈압 데이터 및 최저혈압 데이터에 대해서 시간지연커브 및 더핑진동자에 대한 피팅을 수행한 결과를 나타낸 표다. 표 8을 참조하면, 여전히 높은 R2형은, 협심증과 같은 관상동맥질환을 위험도(risk)가 낮은 R2형에 비해서 적다는 것을 알 수 있다.
본 발명에 따른 장치는 전술한 표 1 내지 표 7과 같은 테이블 데이터와 수학식 1 내지 수학식 4를 통해서, 순환계질환 진동자를 정의하여 사용자의 시계열적 생체신호 데이터로부터 순환계질환의 발생잠재도를 산출하여 출력할 수 있다. 특히, 본 발명에 따르면, 포텐셜함수를 인트라 항과 인터액션 항으로 구분하고, 인트라 항만으로 순환계질환의 발생잠재도를 판단하거나, 인트라 항과 인터액션 항을 모두 고려하여 순환계질환의 발생잠재도에 대한 수치화된 정보를 사용자에게 제공할 수 있게 된다.
예를 들어, 본 발명에 따른 장치는, 최고혈압 데이터에 대한 3차원형상이 마름모형인 사용자에게는 고혈압의 발생잠재도가 80% 이상이라는 정보를 제공하거나, 최고혈압 데이터를 두 가지 서로 다른 유형의 진동자로 피팅함으로써, 높은 R2형이어서 관상동맥질환의 발생잠재도가 0%에 가깝다는 정보를 제공할 수 있다. 본 발명에서는, 각 질환에 대한 수치정보를 사용자에게 제공하기 위해서, 3차원 공간상에 순환계질환 진동자(circulatory osillator)별로 3차원형상을 결정하고, 그로 인한 분석을 용이하고 정확하게 할 수 있으며, 표본 수가 더욱 늘어나고 누적된 학습결과가 많아질수록 더 정확한 결과를 출력할 수 있다.
기존에 알려진 발명에 따르면, 사용자 정보가 입력되면, 사용자를 특정 환자들과 동일한 그룹에 배치함으로써, 해당 환자들과 유사성이 있다는 정도의 정보를 제공할 수 있었으나, 본 발명에 따르면, 기설정된 시간동안 측정된 사용자의 생체신호 데이터가 있다면, 여러 순환계질환이 발생될 가능성을 직접 수치화하여 출력할 수 있을 뿐만 아니라, 비교군으로서, 어느 유형의 사용자들에 비해서 더 위험한지 여부도 출력할 수 있게 된다.
도 5 및 도 6에서는 시간지연커브 진동자의 모델링 결과에 2차미분항 내지 3차항까지만 포함되는 것으로 한정되어 있으나, 실시 예에 따라서, 더 많은 항이 사용되거나, 더 적은 차수의 항이 사용될 수도 있다.
도 7은 세 가지의 생체신호 데이터에 의해 결정된 3차원형상의 일 예를 나타낸 도면이다.
전술한 표 6은 사용자의 최고혈압 데이터 및 최저혈압 데이터에 대해서 순환계질환 발생잠재도가 통합적으로 산출될 수 있는 것을 수치화하여 나타낸 표이고, 도 7은 표 6보다 더 확장된 개념으로서, 기설정된 시간동안 측정된 사용자의 최고혈압 데이터, 최저혈압 데이터, 맥박 데이터를 수집하여, 그 사용자에 대한 고유한 3차원형상을 결정하는 것을 도식적으로 나타낸 것이다. 도 7에서 사용자는 순환계질환을 앓고 있지 않은 정상인이다.
먼저, 도 7의 (a)는 사용자의 최고혈압 데이터 및 최저혈압 데이터를 기반으로 포텐셜함수를 모델링했을 때, 두 생체신호 데이터 간에 높은 상관관계가 있다는 것을 나타낸다.
이어서, 도 7의 (b)는 사용자의 최고혈압 데이터 및 맥박 데이터를 기반으로 포텐셜함수를 모델링했을 때, 두 생체신호 데이터 간에 상관관계가 없다는 것을 나타낸다.
한편, 도 7의 (c)는 사용자의 최저혈압 데이터 및 맥박 데이터를 기반으로 포텐셜함수를 모델링했을 때, 두 생체신호 데이터 간에 상관관계가 없다는 것을 나타낸다.
마지막으로, 도 7의 (d)는 도 7의 (a) 내지 (c)의 결과를 통합하여, 사용자에 대한 3차원형상을 나타낸 것으로서, 도 7의 (b) 및 (c)에서 설명한 것처럼, 사용자의 맥박 데이터가 생체신호 데이터로 수집되었으나, 최고혈압 및 최저혈압 데이터와 상관관계를 전혀 발생시키지 않으므로(인터액션 항이 0), 최고혈압, 최저혈압 및 맥박을 각 축으로 하는 3차원공간상의 3차원형상은 도 7의 (a)와 실질적으로 동일한 형상을 갖게 된다. 결과출력부(370)는 도 7의 (d)를 기초로 사용자의 순환계질환의 발생잠재도를 산출하여 출력할 수 있다.
도 8은 세 가지의 생체신호 데이터에 의해 결정된 3차원형상의 다른 일 예를 나타낸 도면이다.
도 8에서 사용자는, 도 7과 달리 불안정협심증을 앓고 있는 환자이다.
먼저, 도 8의 (a)는 사용자의 최고혈압 데이터 및 최저혈압 데이터를 기반으로 포텐셜함수를 모델링했을 때, 두 생체신호 데이터 간에 일정한 상관관계가 있다는 것을 나타낸다. 다만, 표 7을 통해 설명한 것처럼, 도 8의 (a)는 도 7의 (a)에 비해서, 낮은 정도의 상관관계(낮은 R2형)를 갖게 된다.
이어서, 도 8의 (b)는 사용자의 최고혈압 데이터 및 맥박 데이터를 기반으로 포텐셜함수를 모델링했을 때, 두 생체신호 데이터 간에 상관관계가 없다는 것을 나타낸다.
한편, 도 8의 (c)는 사용자의 최저혈압 데이터 및 맥박 데이터를 기반으로 포텐셜함수를 모델링했을 때, 두 생체신호 데이터 간에 낮은 정도의 상관관계가 있다는 것을 나타낸다.
마지막으로, 도 8의 (d)는 도 8의 (a) 내지 (c)의 결과를 통합하여, 사용자에 대한 3차원형상을 나타낸 것으로서, 도 8의 (b)에서 설명한 것과 같이, 최고혈압 데이터와 맥박 데이터와의 상관관계가 없는 것을 제외하고, 나머지는 서로 상관관계가 인정되므로, 최고혈압, 최저혈압, 맥박으로 각 축으로 하는 3차원공간상의 3차원형상(도 8의 (d)을 의미)은 도 8의 (a)와 도 8의 (c)를 선형적으로 결합한 형상이다. 결과출력부(370)는 도 8의 (d)를 기초로 사용자의 순환계질환의 발생잠재도를 산출하여 출력할 수 있으며, 추가적으로 사용자가 관상동맥질환을 앓고 있을 확률이 높다는 정보를 사용자에게 제공할 수 있다.
도 9는 두 가지 진동자간에 기울기가 양수 또는 음수인지 여부로 진동자간 상관관계를 판단하는 일 예를 도식적으로 나타낸 것이다.
도 7 및 도 8에서, 진동자간에 상관관계를 판단하기 위해서, 도 5 및 도 6에서 설명한 것과 같은 피팅을 거치고, 피팅이 완료된 두 함수간의 격차를 산출하여 산출된 R의 제곱이 0에 가깝거나 1에 가까운 정도를 기준으로 높은 R2형 또는 낮은 R2형으로 구분했다면, 도 9에서는 두 진동자의 특징요소를 좌표에 투사시켜서 가상의 평면을 생성하고, 그 평면이 전체적으로 양의 기울기 또는 음의 기울기를 나타내는지로 진동자간 상관관계를 판단하는 것으로 이해될 수 있다.
구체적으로 도 9를 참조하면, 도 9의 (a)는 최고혈압 데이터와 맥박 데이터를 기준으로 평면을 생성했을 때 전체적으로 양의 기울기를 나타내므로, 양수형 타입으로 호칭될 수 있고, 도 9의 (b)는 최고혈압 데이터와 맥박 데이터를 기준으로 평면을 생성했을 때 전체적으로 음의 기울기를 나타내므로, 음수형 타입으로 호칭될 수 있다.
Correlation 고혈압(%) 관상동맥질환(%) 당뇨(%) 고지혈증(%) 어지럼증(%)
양수형(+) 57.27 3.30 7.49 15.20 29.52
음수형(-) 74.24 4.55 3.03 15.15 18.18
평균 59.42 3.46 6.92 15.19 28.08
표 9는 도 9에서 설명한 양수형과 음수형에 대응되는 순환계질환의 발생잠재도에 대한 테이블을 나타낸다. 표 9를 참조하면, 사용자의 최고혈압 데이터 및 맥박 데이터를 본 발명에 따른 장치에 입력한 결과가 음수형이 나왔다면, 사용자는 고혈압 및 관상동맥질환을 앓고 있는 환자일 가능성이 상대적으로 높다는 것을 알 수 있다.
또한, 표 9는 전술한 다른 실시 예와 통합적으로 적용될 수 있는 테이블이다. 예를 들어, 사용자가 표 6에서 Cb타입이고 표 9에서 음수형이라면, 그 사용자는 Cb- 타입으로 호칭되며, 고혈압 환자일 확률이 아주 높게 출력된다. 또한, 다른 예로서, 사용자가 표 6에서 Db타입이고, 표 9에서 양수형이라면, 그 사용자는 Db+타입으로 호칭되며, 관상동맥질환의 발생잠재도는 낮으나, 어지럼증을 앓고 있을 확률이 높다.
도 10은 본 발명에 따른 방법의 일 예를 흐름도로 나타낸 도면이다.
도 10에 따른 방법은, 도 3에 따른 장치에 의해 구현될 수 있으므로, 이하에서는, 도 3 내지 도 9를 참조하여 설명하기로 하고, 도 3에서 이미 설명한 내용과 중복되는 설명은 생략하기로 한다.
제1연산부(310)는 기설정된 시간동안 측정된 혈압, 맥박, 심전도 데이터 등을 수신하고 수집한다(S1010).
이어서, 제2연산부(330)는 수신된 데이터를 기초로 진동자를 피팅한다(S1030). 단계 S1030에서, 제2연산부(330)는 수집된 데이터의 시계열적 특성을 반영하는 포텐셜함수를 모델링할 수 있다.
제3연산부(350)는 모델링된 포텐셜함수의 특징요소를 기초로 하여 클러스터링을 수행한다(S1050). 클러스터링된 결과는 3차원 공간상의 형상으로 표현될 수 있다는 것은 이미 도 4를 통해 설명한 바 있다.
결과출력부(370)는 클러스터링 결과를 질환별테이블과 매칭하여 결과를 출력한다(S1070). 구체적으로, 결과출력부(370)는 3차원형상과 순환계질환의 비율을 대응시킨 테이블을 기초로 하여, 단계 S1050에서 결정된 3차원형상과 대응되는 순환계질환을 검색하여 출력하게 되고, 이에 대해서는 표 1 내지 표 9를 통해 설명한 바 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터상에서 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 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 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 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.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 “상기”의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

Claims (17)

  1. 사용자로부터 기설정된 시간동안 측정된 최고혈압, 최저혈압, 맥박, 심전도 중 적어도 두 가지 이상을 수집하는 데이터수집단계;
    상기 수집된 데이터의 시계열적 특성을 반영하는 포텐셜함수를 모델링하는 모델링단계;
    상기 모델링된 포텐셜함수의 특징요소를 기초로 하여, 상기 사용자의 3차원형상을 결정하는 3차원형상결정단계; 및
    3차원형상과 순환계질환의 비율을 대응시킨 테이블을 기초로 하여, 상기 결정된 3차원형상에 가장 높은 상관관계값을 갖는 순환계질환을 검색하고 출력하는 출력단계;를 포함하는 순환계질환 발생잠재도 출력 방법.
  2. 제1항에 있어서,
    상기 테이블은,
    하나의 3차원형상과 적어도 두 가지 이상의 순환계질환의 비율을 대응시킨 테이블인 것을 특징으로 하는 순환계질환 발생잠재도 출력 방법.
  3. 제1항에 있어서,
    상기 포텐셜함수는,
    2차미분항을 포함하는 것을 특징으로 하는, 순환계질환 발생잠재도 출력 방법.
  4. 제1항에 있어서,
    상기 포텐셜함수는,
    3차항을 포함하는 것을 특징으로 하는, 순환계질환 발생잠재도 출력 방법.
  5. 제1항에 있어서,
    상기 포텐셜함수는,
    미분항을 포함하는 시간지연커브(time-delay curve)인 것을 특징으로 하는, 순환계질환 발생잠재도 출력 방법.
  6. 제1항에 있어서,
    상기 3차원형상은,
    원뿔형, 역원뿔형, 마름모형, 원통형 중 적어도 두 가지 이상을 포함하는, 순환계질환 발생잠재도 출력 방법.
  7. 제1항에 있어서,
    상기 순환계질환은,
    고혈압, 관상동맥질환, 당뇨, 고지혈증 중 적어도 하나 이상을 포함하는 것을 특징으로 하는, 순환계질환 발생잠재도 출력 방법.
  8. 제1항에 있어서,
    상기 결정된 3차원형상의 가지수는 상기 데이터수집단계에서 수집된 정보의 가지수에 비례하는 것을 특징으로 하는, 순환계질환 발생잠재도 출력 방법.
  9. 제1항 내지 제8항 중 어느 한 항에 따른 방법을 실행시키기 위한 프로그램을 저장하고 있는 컴퓨터 판독가능한 기록매체.
  10. 사용자로부터 기설정된 시간동안 측정된 최고혈압, 최저혈압, 맥박, 심전도 중 적어도 두 가지 이상을 수집하는 제1연산부;
    상기 수집된 데이터의 시계열적 특성을 반영하는 포텐셜함수를 모델링하는 제2연산부;
    상기 모델링된 포텐셜함수의 특징요소를 기초로 하여, 상기 사용자의 3차원형상을 결정하는 제3연산부; 및
    3차원형상과 순환계질환의 비율을 대응시킨 테이블을 기초로 하여, 상기 결정된 3차원형상에 가장 높은 상관관계값을 갖는 순환계질환을 검색하고 출력하는 결과출력부;를 포함하는 순환계질환 발생잠재도 출력 장치.
  11. 제10항에 있어서,
    상기 테이블은,
    하나의 3차원형상과 적어도 두 가지 이상의 순환계질환의 비율을 대응시킨 테이블인 것을 특징으로 하는 순환계질환 발생잠재도 출력 장치.
  12. 제10항에 있어서,
    상기 포텐셜함수는,
    2차미분항을 포함하는 것을 특징으로 하는, 순환계질환 발생잠재도 출력 장치.
  13. 제10항에 있어서,
    상기 포텐셜함수는,
    3차항을 포함하는 것을 특징으로 하는, 순환계질환 발생잠재도 출력 장치.
  14. 제10항에 있어서,
    상기 포텐셜함수는,
    미분항을 포함하는 시간지연커브(time-delay curve)인 것을 특징으로 하는, 순환계질환 발생잠재도 출력 장치.
  15. 제10항에 있어서,
    상기 3차원형상은,
    원뿔형, 역원뿔형, 마름모형, 원통형 중 적어도 두 가지 이상을 포함하는, 순환계질환 발생잠재도 출력 장치.
  16. 제10항에 있어서,
    상기 순환계질환은,
    고혈압, 관상동맥질환, 당뇨, 고지혈증 중 적어도 하나 이상을 포함하는 것을 특징으로 하는, 순환계질환 발생잠재도 출력 장치.
  17. 제10항에 있어서,
    상기 결정된 3차원형상의 가지수는 상기 제1연산부가 수집된 정보의 가지수에 비례하는 것을 특징으로 하는, 순환계질환 발생잠재도 출력 장치.
KR1020200126388A 2020-09-28 2020-09-28 순환계질환 발생잠재도 출력장치 및 그 방법 KR102602465B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200126388A KR102602465B1 (ko) 2020-09-28 2020-09-28 순환계질환 발생잠재도 출력장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200126388A KR102602465B1 (ko) 2020-09-28 2020-09-28 순환계질환 발생잠재도 출력장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220042937A true KR20220042937A (ko) 2022-04-05
KR102602465B1 KR102602465B1 (ko) 2023-11-16

Family

ID=81182388

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200126388A KR102602465B1 (ko) 2020-09-28 2020-09-28 순환계질환 발생잠재도 출력장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102602465B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0675406U (ja) * 1993-04-02 1994-10-25 日本コーリン株式会社 生体の循環動態表示装置
JP2618702B2 (ja) * 1986-11-06 1997-06-11 エス・アール・アイ・インターナシヨナル 血圧監視方法および装置
JP2008113728A (ja) * 2006-11-01 2008-05-22 Shigehiro Kuroki 生体反応記録装置ならびに生体反応記録方法
KR101809149B1 (ko) 2016-11-25 2017-12-14 한국과학기술연구원 순환계질환 발생잠재도를 판단하는 장치 및 그 방법
JP2018532436A (ja) * 2015-06-25 2018-11-08 アナリティクス フォー ライフ インコーポレイテッド 数学的分析および機械学習を使用して病気を診断する方法およびシステム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2618702B2 (ja) * 1986-11-06 1997-06-11 エス・アール・アイ・インターナシヨナル 血圧監視方法および装置
JPH0675406U (ja) * 1993-04-02 1994-10-25 日本コーリン株式会社 生体の循環動態表示装置
JP2008113728A (ja) * 2006-11-01 2008-05-22 Shigehiro Kuroki 生体反応記録装置ならびに生体反応記録方法
JP2018532436A (ja) * 2015-06-25 2018-11-08 アナリティクス フォー ライフ インコーポレイテッド 数学的分析および機械学習を使用して病気を診断する方法およびシステム
KR101809149B1 (ko) 2016-11-25 2017-12-14 한국과학기술연구원 순환계질환 발생잠재도를 판단하는 장치 및 그 방법

Also Published As

Publication number Publication date
KR102602465B1 (ko) 2023-11-16

Similar Documents

Publication Publication Date Title
KR101203695B1 (ko) 사용자 심리지수에 기초한 조언 추천 시스템
CN110085307A (zh) 一种基于多源知识图谱融合的智能导诊方法和系统
EP2698112A1 (en) Real-time stress determination of an individual
US20170147753A1 (en) Method for searching for similar case of multi-dimensional health data and apparatus for the same
CN108135548A (zh) 用于监测压力状态的方法和系统
KR20120052610A (ko) 신경망 학습을 통한 동작 인식 방법 및 장치
Mary et al. Predicting heart ailment in patients with varying number of features using data mining techniques
CN111095232A (zh) 发掘用于机器学习技术中的基因组
CN111274998A (zh) 帕金森病手指敲击动作识别方法及系统、存储介质及终端
CN113724847A (zh) 基于人工智能的医疗资源分配方法、装置、终端设备及介质
Roza et al. Citizen emotion analysis in Smart City
CN115116612A (zh) 一种儿童患者病情智能风险评估系统及方法
CN116844720B (zh) 老年衰弱健康智能监控管理系统
KR20220042937A (ko) 순환계질환 발생잠재도 출력장치 및 그 방법
Fernandez-Llatas et al. Interactive process mining in surgery with real time location systems: Interactive trace correction
JP5911840B2 (ja) 診断データ生成装置および診断装置
KR20180062417A (ko) 빅데이터 분석을 이용한 건강 정보 제공 시스템 및 방법
CN110024040B (zh) 用于判断循环系统疾病的发病潜在可能性的装置及其方法
KR20200120365A (ko) 파킨슨 환자 영상의 구분 동작으로부터 중증 정도를 자동으로 채점하는 학습 방법 및 장치
Kalogiannis et al. Geriatric group analysis by clustering non-linearly embedded multi-sensor data
JP7152357B2 (ja) 正解データ作成支援システムおよび正解データ作成支援方法
CN111696677A (zh) 利用医疗大数据支撑临床科研的信息管理系统
Das et al. Uncertainity management of health attributes for primary diagnosis
CN111797866A (zh) 特征提取方法、装置、存储介质及电子设备
CN117688226B (zh) 基于相似儿童患者匹配的智能诊前自助开单方法及系统

Legal Events

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