KR20220055383A - 딥러닝 모델을 학습하는 장치 - Google Patents

딥러닝 모델을 학습하는 장치 Download PDF

Info

Publication number
KR20220055383A
KR20220055383A KR1020210019299A KR20210019299A KR20220055383A KR 20220055383 A KR20220055383 A KR 20220055383A KR 1020210019299 A KR1020210019299 A KR 1020210019299A KR 20210019299 A KR20210019299 A KR 20210019299A KR 20220055383 A KR20220055383 A KR 20220055383A
Authority
KR
South Korea
Prior art keywords
data
ecg
electrocardiogram
massage
induction
Prior art date
Application number
KR1020210019299A
Other languages
English (en)
Inventor
권준명
Original Assignee
주식회사 바디프랜드
주식회사 메디컬에이아이
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 바디프랜드, 주식회사 메디컬에이아이 filed Critical 주식회사 바디프랜드
Publication of KR20220055383A publication Critical patent/KR20220055383A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—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
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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]
    • A61B5/327—Generation of artificial ECG signals based on measured signals, e.g. to compensate for missing leads
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H50/70—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)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 개시는 딥러닝 모델을 학습하는 방법에 관한 것으로, 본 개시의 일 실시예에 따른 딥러닝 모델을 학습하는 방법은 복수의 심전도 유도 방식들을 통해 측정되는 복수의 객체들에 대한 복수의 심전도 데이터들을 획득하는 단계와, 각 객체를 대표하는 대표 심전도 유도 방식에 기초하여 상기 복수의 심전도 데이터들 중에서 각 객체를 대표하는 대표 심전도 데이터들을 결정하는 단계와, 상기 대표 심전도 데이터들을 상기 딥러닝 모델의 후보 학습 데이터들로 결정하는 단계와, 상기 후보 학습 데이터들 중에서 적어도 하나의 후보 학습 데이터들을 상기 딥러닝 모델의 학습 데이터들로 결정하는 단계와, 상기 학습 데이터들을 서브 데이터 단위로 추출하는 단계와, 추출된 서브 데이터 단위의 학습 데이터를 상기 딥러닝 모델에 입력하여 상기 딥러닝 모델을 학습하는 단계를 포함한다.

Description

딥러닝 모델을 학습하는 장치{APPARATUSES LEARNING A DEEP LEARNING MODEL}
본 개시는 딥러닝 모델을 학습하는 장치에 관한 것이다.
세계보건기구에 따르면, 심혈관계 질환(cardiovascular disease)은 오늘날 사망 원인 중 가장 큰 원인으로 꼽힌다. 1770만 명이 넘는 사람들이 심혈관계 질환으로 사망했으며, 이는 전체 사망자의 약 31%에 해당하고, 이 중 75% 이상이 저소득 및 중간 소득 국가에서 발생한다.
심혈관계 질환 중 대표적 유형인 부정맥은 정상적인 심장 리듬에서 불규칙적인 변화를 나타내는 질환으로, 이러한 부정맥에는 심장 세동(atrial fibrillation), 조기 수축(premature contraction), 심실 세동(ventricular fibrillation) 및 빈맥(tachycardia) 등이 포함된다. 비록 단일 부정맥 심장 박동이 생명에 심각한 영향을 미치지 않을 수도 있지만, 지속적인 부정맥 박동은 치명적인 상황을 초래할 수 있으므로 평소에 관리 및 예방 차원으로 심장 박동을 지속적으로 모니터링 하는 것이 중요하다.
부정맥과 관상동맥질환(심장동맥질환)의 진단에 많은 검사들이 이용되고 있으나, 그 중에서도 심전도(Electrocardiogram: ECG)를 이용한 검사는 많은 장점을 가지며 임상에서 가장 많이 사용되는 검사이다.
ECG 분석은 환자의 심장 기능의 연구 및 심장의 장애를 식별을 위해 잘 확립된 방법이다. 의사들은 수십 년 동안 한자의 심장 활동을 모니터링하기 위해 ECG 시스템을 사용해왔다. 심전도 시스템은 환자의 심장 상태를 편리하게 진단할 수 있는 유용한 장치로 시스템은 환자의 심장의 전기적 활동을 모니터링한다.
현재, 환자의 심장의 전기적 활동을 모니터링하고 환자가 겪고 있는 심장의 질병의 유형을 식별하기 위해 ECG 신호를 분석하는 몇몇의 시스템들이 있다. 그러나, 이러한 시스템들은 일반적으로 고정되어 있어야 하기 때문에 휴대하면서 사용하기에 적합하지 않았다.
본 개시는 전술한 배경기술에 대응하여 도출된 것으로, 본 개시내용의 다양한 목적들 중 하나는 딥러닝 모델을 학습하는 장치를 제공하고자 한다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시예에 따른 딥러닝 모델을 학습하는 방법은 복수의 심전도 유도 방식들을 통해 측정되는 복수의 객체들에 대한 복수의 심전도 데이터들을 획득하는 단계와, 각 객체를 대표하는 대표 심전도 유도 방식에 기초하여 상기 복수의 심전도 데이터들 중에서 각 객체를 대표하는 대표 심전도 데이터들을 결정하는 단계와, 상기 대표 심전도 데이터들을 상기 딥러닝 모델의 후보 학습 데이터들로 결정하는 단계와, 상기 후보 학습 데이터들 중에서 적어도 하나의 후보 학습 데이터들을 상기 딥러닝 모델의 학습 데이터들로 결정하는 단계와, 상기 학습 데이터들을 서브 데이터 단위로 추출하는 단계와, 추출된 서브 데이터 단위의 학습 데이터를 상기 딥러닝 모델에 입력하여 상기 딥러닝 모델을 학습하는 단계를 포함한다.
또한, 상술한 바와 같은 방법을 구현하기 위한 프로그램은 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
본 개시의 일 실시예에 따른 딥러닝 모델을 학습하는 방법은 범용 딥러닝 모델을 생성하여 다양한 심전도 유도 방식을 통해 측정된 다양한 심전도 데이터를 분석하는 기술을 제공할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1 은 본 개시의 일 실시예에 따른 마사지 장치를 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시예에 따른 메인 프레임을 설명하기 위한 도면이다.
도 3은 본 개시의 일 실시예에 따른 마사지 장치의 구성요소들을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시예에 따른 마사지 장치와 통신할 수 있는 외부의 전자 장치를 설명하기 위한 도면이다.
도 5a는 본 개시의 일 실시예에 따른 심전도 유도 방식을 설명하기 위한 일 예를 나타낸다.
도 5b는 본 개시의 일 실시예에 따른 심전도 유도 방식을 설명하기 위한 다른 예를 나타낸다.
도 5c는 본 개시의 일 실시예에 따른 심전도 유도 방식을 설명하기 위한 또 다른 예를 나타낸다.
도 6은 본 개시의 일 실시예에 따른 심전도 데이터를 설명하기 위한 일 예를 나타낸다.
도 7은 본 개시의 일 실시예에 따른 건강 진단 시스템을 설명하기 위한 일 예를 나타낸다.
도 8a는 본 개시의 일 실시예에 따른 데이터 측정 장치를 설명하기 위한 일 예를 나타낸다.
도 8b는 본 개시의 일 실시예에 따른 데이터 측정 장치를 설명하기 위한 다른 예를 나타낸다.
도 9는 본 개시의 일 실시예에 따른 건강 진단 장치를 설명하기 위한 일 예를 나타낸다.
도 10은 본 개시의 일 실시예에 따른 프로세서의 딥러닝 모델 학습 동작을 설명하기 위한 순서도를 나타낸다.
도 11은 본 개시의 일 실시예에 따른 심전도 데이터에 포함된 전기 신호를 설명하기 위한 일 예를 나타낸다.
도 12는 본 개시의 일 실시예에 따른 프로세서의 딥러닝 모델 학습 동작을 설명하기 위한 다른 예를 나타낸다.
도 13a는 본 개시의 일 실시예에 따른 프로세서의 학습 데이터 결정 동작을 설명하기 위한 일 예를 나타낸다.
도 13b는 본 개시의 일 실시예에 따른 프로세서의 학습 데이터 결정 동작을 설명하기 위한 다른 예를 나타낸다.
도 13c는 본 개시의 일 실시예에 따른 프로세서의 학습 데이터 결정 동작을 설명하기 위한 또 다른 예를 나타낸다.
도 14는 도 13b에 도시된 학습 데이터 결정 동작을 설명하기 위한 일 예를 나타낸다.
도 15는 도 13c에 도시된 후보 학습 데이터 결정 동작 및 학습 데이터 결정 동작을 설명하기 위한 일 예를 나타낸다.
도 16은 도 12에 도시된 프로세서의 필터링 동작 및 학습 동작을 설명하기 위한 일 예를 나타낸다.
도 17a는 본 개시의 일 실시예에 따른 원본 심전도 데이터를 설명하기 위한 일 예를 나타낸다.
도 17b는 본 개시의 일 실시예에 따른 보정 데이터를 설명하기 위한 일 예를 나타낸다.
도 18a는 본 개시의 일 실시예에 따른 보정 데이터를 설명하기 위한 다른 예를 나타낸다.
도 18b는 본 개시의 일 실시예에 따른 보정 데이터를 설명하기 위한 또 다른 예를 나타낸다.
도 19는 본 개시의 일 실시예에 따른 프로세서의 건강 상태 진단 동작을 설명하기 위한 일 예를 나타낸다.
상술한 본 개시의 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 실시예를 통하여 보다 분명해질 것이다. 이하의 특정한 구조 내지 기능적 설명들은 단지 본 개시의 개념에 따른 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 개시의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서 또는 출원에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니된다.
본 개시의 개념에 따른 실시예는 다양한 변경을 가할 수 있고 여러가지 형태를 가질 수 있으므로 특정 실시예들은 도면에 예시하고 본 명세서 또는 출원에 상세하게 설명하고자 한다. 그러나, 이는 본 개시의 개념에 따른 실시예들을 특정한 개시 형태에 한정하려는 것이 아니며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1 및/또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 한정되지는 않는다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소들로부터 구별하는 목적으로만, 예컨대 본 개시의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소는 제1 구성 요소로도 명명될 수 있다.
어떠한 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떠한 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 또는 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하기 위한 다른 표현들, 즉 "～사이에"와 "바로 ～사이에" 또는 "～에 인접하는"과 "～에 직접 인접하는" 등의 표현도 마찬가지로 해석되어야 한다.
본 명세서에서 사용하는 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로서, 본 개시를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서 "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 명세서에서 액츄에이터는 구동력을 제공할 수 있는 구성을 의미한다. 예를 들어, 액츄에이터는 모터, 리니어 모터, 전자 모터, DC모터, AC모터, 리니어 액츄에이터, 전동 액츄에이터 등을 포함할 수 있으며, 이에 한정되지 않는다.
본 명세서에서 바이노럴 비트는 뇌파를 조절할 수 있는 특정한 형태의 오디오 정보를 의미할 수 있다.
본 명세서에서 마사지 장치는 바디 마사지부와 다리 마사지부를 포함하는 마사지 장치를 지칭할 수 있다. 또한, 본 명세서에서 바디 마사지부와 다리 마사지부는 분리된 별도의 장치(예를 들어, 바디 마사지 장치와 다리 마사지 장치)로 존재할 수 있고, 마사지 장치는 바디 마사지 장치 또는 다리 마사지 장치를 지칭할 수 있다.
본 명세서에서 타겟 객체는 심장 질환을 진단하기 위한 진단 대상일 수 있다. 본 명세서에서 복수의 객체들에 대한 복수의 심전도 데이터들은 복수의 심전도 유도 방식들을 통해 복수의 객체로부터 측정된 심전도 데이터일 수 있다.
본 명세서에서 복수의 심전도 유도 방식들은 전극을 이용하여 객체에 대한 심전도 데이터를 측정하는 방식일 수 있다.
본 명세서에서 학습 데이터들은 딥러닝 모델을 학습하기 위한 심전도 데이터들일 수 있다. 본 명세서에서 후보 학습 데이터들은 학습 데이터들로 결정될 여지가 있는 심전도 데이터들일 수 있다.
본 명세서에서 서브 데이터 단위는 학습 데이터를 추출하기 위한 기준 단위로 단일의 학습 데이터에 대응하는 데이터 단위일 수 있다. 예를 들어, 동일 시점에 표준 사지 유도 방식, 증폭 사지 유도 방식 및 흉부 유도 방식(또는 12 유도 방식)을 통해 측정된 12 개의 심전도 데이터들(Lead I 심전도 데이터, Lead II 심전도 데이터, Lead III 심전도 데이터, aVR 심전도 데이터, aVL 심전도 데이터, aVF 심전도 데이터, V1 심전도 데이터, V2 심전도 데이터, V3 심전도 데이터, V4 심전도 데이터, V5 심전도 데이터 및 V6 심전도 데이터)이 모두 딥러닝 모델의 학습 데이터로 결정된 경우, 서브 데이터 단위는 12 개의 심전도 데이터들 각각을 추출하기 위한 기준으로 각 심전도 데이터의 데이터 단위와 동일한 데이터 단위일 수 있다.
본 명세서에서 서브 학습 데이터는 서브 데이터 단위의 학습 데이터일 수 있다. 예를 들어, 서브 데이터 단위의 학습 데이터는 복수의 학습 데이터들 중에서 어느 하나의 학습 데이터로, 단일의 학습 데이터일 수 있다.
본 명세서에서 서브 데이터 단위의 학습 데이터는 복수의 객체들 중에서 어느 하나의 객체로부터 측정된 심전도 데이터로 다양한 노이즈가 포함된 원본 심전도 데이터일 수 있다. 본 명세서에서 보정 데이터는 원본 심전도 데이터에 포함된 복수의 주파수 중에서 노이즈에 대응하는 주파수가 필터링된 심전도 데이터일 수 있다. 본 명세서에서 재보정 데이터는 보정 데이터에 포함된 복수의 주파수 중에서 특정 주파수가 필터링된 심전도 데이터일 수 있다.
본 명세서에서 대표 심전도 유도 방식은 각 객체에 대응하는 심전도 유도 방식들 중에서 각 객체를 대표하는 심전도 유도 방식일 수 있다. 본 명세서에서 대표 심전도 데이터들은 각 객체에 대응하는 심전도 데이터들 중에서 각 객체를 대표하는 대표 심전도 유도 방식에 대응하는 심전도 데이터들일 수 있다.
본 명세서에서 전체 심전도 데이터 수는 복수의 객체들에 대한 복수의 심전도 데이터들의 수일 수 있다. 본 명세서에서 심전도 데이터 수는 복수의 심전도 데이터들 중에서 학습 데이터들로 선택할 심전도 데이터들의 수일 수 있다. 본 명세서에서 전체 후보 학습 데이터 수는 후보 학습 데이터들의 수일 수 있다. 본 명세서에서 후보 학습 데이터 수는 후보 학습 데이터들 중에서 학습 데이터들로 선택할 후보 학습 데이터들의 수일 수 있다.
본 명세서에서 제1 전자기 신호는 심전도 데이터가 측정되는 동안에 객체의 전자 장치에서 발생되는 전자기 신호일 수 있다. 본 명세서에서 제2 전자기 신호는 심전도 데이터가 측정되는 동안에 객체의 근육 움직임에 의해 발생되는 전자기 신호일 수 있다. 본 명세서에서 제3 전자기 신호는 심전도 데이터가 측정되는 동안에 객체의 호흡에 의해 발생되는 전자기 신호일 수 있다.
이하, 첨부한 도면들을 참조하여, 본 개시의 실시예들을 보다 상세하게 설명하고자 한다.
도 1 은 본 개시의 일 실시예에 따른 마사지 장치를 설명하기 위한 도면이다.
마사지 장치(100)는 사용자의 몸체의 적어도 일부분을 수용하기 위한 영역을 형성하고, 사용자의 상체부 및 하체부를 마사지하는 바디 마사지부(1000), 사용자의 팔을 수용하며 사용자의 팔을 마사지하는 팔 마사지부(2000), 및 사용자의 다리를 수용하며 사용자의 다리를 마사지하는 다리 마사지부(3000)를 포함할 수 있다.
바디 마사지부(1000)는 사용자를 수용하기 위한 임의의 형태의 공간을 형성할 수 있다. 바디 마사지부(1000)는 사용자의 신체의 형상과 대응되는 형태의 공간을 구비할 수 있다. 예를 들어, 도 1에서 도시된 바와 같이, 바디 마사지부(1000)는 사용자의 전신 또는 신체의 일부분을 수용할 수 있는 착좌형으로 구현될 수 있다.
바디 마사지부(1000)에서 지면과 접하는 부분은 마찰력을 증대시키기 위한 임의의 재질 또는 마찰력을 증대시키기 위한 임의의 부재(예를 들어, 미끄럼 방지 패드 등)를 포함할 수 있으며, 마사지 장치(100)의 이동성을 강화시키기 위한 바퀴를 포함할 수 있다.
바디 마사지부(1000)의 적어도 일부는 슬라이딩 이동할 수 있다. 예를 들어, 바디 마사지부(1000)가 마사지를 시작하는 경우, 바디 마사지부(1000)의 적어도 일부는 전방으로 슬라이딩 이동할 수 있다. 또한, 바디 마사지부(1000)는 후방으로 기울어질 수 있다. 그 결과, 바디 마사지부(1000)는 후방으로 기울어진 상태에서 안마를 제공할 수 있다.
바디 마사지부(1000)는 사용자의 머리 부분과 접촉하고, 머리 부분을 지지할 수 있는 머리 접촉부, 사용자의 등 부분과 접촉하고, 등 부분을 지지할 수 있는 등 접촉부(또는 등 받이부), 사용자의 엉덩이 부분과 접촉하고, 엉덩이 부분을 지지할 수 있는 엉덩이 접촉부(또는 시트부), 바디 마사지부(1000)의 골조(또는 내부 뼈대)를 구성하는 메인 프레임(1100), 사용자에게 임의의 형태의 오디오 출력을 제공하기 위한 오디오부(또는 오디오 출력 모듈; 1600), 사용자의 상체부 및 하체부에 마사지를 제공하는 마사지 모듈(1700), 및 사용자로부터 임의의 형태의 입력을 수신하기 위한 사용자 입력부(1800)를 포함할 수 있다. 전술한 바디 마사지부(1000)가 포함하는 구성들은 예시적인 실시예에 불과하며, 바디 마사지부(1000)는 전술한 구성 외에도 다양한 구성을 포함할 수 있다.
마사지 모듈(1700)은 바디 마사지부(1000)에 수용된 사용자에게 임의의 형태의 역학적 자극을 제공하도록 바디 마사지부(1000)의 내부에 구비될 수 있다. 도 1 에서 도시되는 바와 같이, 마사지 모듈(1700)은 바디 마사지부(1000)의 내부에 구비된 메인 프레임(1100)을 따라 상하이동할 수 있다.
예를 들어, 바디 마사지부(1000)의 메인 프레임(1100)에는 렉 기어(Rack gear)가 구비될 수 있고, 마사지 모듈(1700)은 렉 기어를 따라 이동하면서, 사용자의 신체(예를 들어, 사용자의 신체 상체부 및 하체부)의 다양한 부분에 역학적 자극을 제공할 수 있다. 마사지 모듈(1700)은 볼 마사지 유닛 또는 롤러 마사지 유닛을 포함할 수 있으며, 이에 한정되지 않는다.
메인 프레임(1100)은 바디 마사지부(1000) 내부 구성의 뼈대(또는 바디 마사지부(100)의 내부 골조)를 구성하는 것으로, 금속 재질 또는 플라스틱 재질 등으로 구현될 수 있다. 예를 들어, 메인 프레임(1100)은 철, 합금, 강철 등으로 구현될 수 있으며, 이에 한정되지 않고 다양한 단단한 재질로 구현될 수 있다.
오디오부(1600)는 다양한 위치에 구비될 수 있다. 예를 들어, 오디오부(1600)는 바디 마사지부(1000)의 상측에 배치될 수 있다.
오디오부(1600)는 사용자와 접촉하는 시트부 상단에 배치된 상단 오디오 출력 유닛, 시트부 좌우측 팔 마사지부 전단에 부착된 전방 오디오 출력 유닛, 및/또는 팔 마사지부 후단에 부착된 후방 오디오 출력 유닛 등과 같이 복수의 출력 유닛들을 포함할 수 있으며, 이에 한정되지 않는다. 이 경우, 오디오부(1600)는 5.1채널과 같은 입체 음향을 제공할 수 있으며, 이에 한정되지 않는다.
오디오부(1600)는 사용자에게 임의의 형태의 오디오 출력을 제공할 수 있다. 예를 들어, 오디오부(1600)는 마사지 장치(100)에서 제공되는 안마 패턴에 최적화된 멘트(또는 음성), 음원 및/또는 바이노럴 비트를 사용자에게 출력함으로써, 사용자에게 뇌 자극을 제공할 수 있다.
오디오부(1600)는 네트워크(미도시)를 통해 수신되거나 내부/외부 저장 매체(미도시)에 저장된 음향 신호를 출력할 수 있다. 예를 들어, 오디오부(1600)는 마사지 장치 제어 디바이스(200)와 네트워크 연결(예를 들어, 블루투스 연결 등)을 통하여 마사지 장치 제어 디바이스(200)의 제어에 따른 음원을 출력할 수 있다. 또한, 오디오부(1600)는 마사지 장치(100)의 동작과 관련하여 발생하는 임의의 형태의 음향 신호를 출력할 수 있다.
사용자 입력부(1800)는 사용자로부터 마사지 장치(100)의 동작 제어와 관련된 명령을 수신할 수 있고, 사용자 입력부(1800)는 다양한 형태로 구현될 수 있다. 예를 들어, 사용자 입력부(1800)는 바디 마사지부(1000)에 구비될 수 있고, 다리 마사지부(3000)에 구비될 수 있으며, 이에 한정되지 않는다.
마사지 장치(100)는 사용자 입력부(1800)를 통해 사용자로부터 다양한 명령을 획득할 수 있다. 예를 들어, 마사지 장치(100)는 안마 모듈의 선택, 안마 타입(또는 안마 모드)의 선택, 안마 강도의 선택, 안마 시간의 선택, 안마 부위의 선택, 바디 마사지부(1000)의 위치와 동작에 대한 선택, 마사지 장치(100)의 전원의 On-Off에 대한 선택, 냉방 및 온열 기능의 동작 여부에 대한 선택, 음원 재생과 관련된 선택 등에 대한 임의의 명령을 수신할 수 있으며, 이에 한정되지 않는다.
사용자 입력부(1800)는 사전 설정된 사용자 설정 기능 또는 자체적으로 사전설정된 기능 등에 따라서, 핫 키(hot key) 형태의 버튼들 및/또는 방향 선택, 취소, 입력을 실행하기 위한 선택 버튼 등을 구비할 수 있다. 예를 들어, 사용자 입력부(1800)는 키 패드, 돔 스위치, 터치 패드(정압/정전), 조그 휠, 조그 스위치 등으로 구현될 수 있으며, 이에 한정되지 않는다. 또한, 사용자 입력부(1800)는 음석 인식 기술에 기초하여, 사용자의 발화를 통하여 명령을 획득할 수 있다.
사용자 입력부(1800)는 마사지 장치(100)의 동작 상황 또는 사용자의 현재 상태 등을 표시하기 위한 디스플레이를 포함할 수 있다. 이 경우, 디스플레이는 액정 디스플레이(lizuid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있으며, 이에 한정되지 않는다.
사용자는 마사지 장치 제어 디바이스(200)를 이용하여 마사지 장치(100)를 제어할 수 있다. 마사지 장치 제어 디바이스(200)는 사용자가 사용하는 전자 장치(또는 전자 디바이스)로 마사지 장치(100)와 유선 통신 및/또는 무선 통신을 통해 연결될 수 있다. 마사지 장치 제어 디바이스(200)는 리모트 콘트롤러(Remote controller), 휴대폰(Cellular phone), PDA(Personal Digital Assistant)등을 포함할 수 있으며, 이에 한정되지 않고 마사지 장치(100)와 유선 또는 무선 통신을 통해 연결 가능한 다양한 전자 장치를 포함할 수 있다.
팔 마사지부(2000)는 바디 마사지부(1000)의 양측에 배치되고, 팔 마사지부(2000)의 내부에 형성된 에어셀을 통해 사용자의 팔에 마사지를 제공할 수 있다.
다리 마사지부(3000)는 바디 마사지부(1000)의 하측에 배치되고, 다리 마사지부(3000)의 내부에 형성된 에어셀을 통해 사용자의 다리에 마사지를 제공할 수 있다. 예를 들어, 다리 마사지부(3000)는 사용자의 종아리를 마사지 하는 종아리 마사지부 및/또는 사용자의 발을 마사지하는 발마사지부를 포함할 수 있다.
다리 마사지부(3000)는 사용자의 신체 특성에 따라, 길이 조절이 가능할 수 있다. 예를 들어, 키가 큰 사용자가 마사지 장치(100)를 사용하는 경우, 종아리의 길이가 길어 다리 마사지부(3000)의 길이가 길어질 필요가 있다. 또한, 키가 작은 사용자가 마사지 장치(100)를 사용하는 경우, 종아리의 길이가 짧아 다리 마사지부(3000)가 짧아질 필요가 있다. 이에 따라, 다리 마사지부(3000)는 사용자의 키에 맞춤화된 다리 마사지를 제공할 수 있다.
마사지 장치(100)는 팔 마사지부(2000) 및 다리 마사지부(3000) 이외의 부위에 적어도 하나의 에어셀(미도시)을 더 포함할 수 있다. 적어도 하나의 에어셀은 사용자의 어깨 부분 및 골반 부분 등에 위치할 수 있으며, 이에 한정되지 않고 마사지 장치(100)의 다양한 부분에 배치될 수 있다.
마사지 장치(100)는 에어 공급부를 구비할 수 있고, 에어 공급부는 에어셀에 공기를 공급함으로써, 에어셀을 부풀릴(또는 팽창시킬) 수 있다. 에어 공급부는 바디 마사지부(1000)의 내부에 위치할 수 있고, 다리 마사지부(3000)에 위치할 수 있지만, 이에 한정되지 않는다. 예를 들어, 에어 공급부는 마사지 장치(100)의 외부에 위치할 수 있다.
도 1에 도시된 마사지 장치(100)의 형상 및 구조는 예시적인 것일 뿐이며, 본 개시내용의 청구범위에 의해 정의되는 권리범위를 벗어나지 않는 한, 다양한 형태의 마사지 장치(100) 또한 본 개시내용의 범위 내에 포함될 수 있다.
도 2는 본 개시의 일 실시예에 따른 메인 프레임을 설명하기 위한 도면이다.
메인 프레임(1100)은 마사지 모듈(1700)이 구비되는 어퍼 프레임(1150) 및 어퍼 프레임(1150)을 지지하는 베이스 프레임(1110)을 포함할 수 있다.
어퍼 프레임(1150)은 상부 프레임(1152) 및 하부 프레임(1153)을 포함할 수 있다. 상부 프레임(1152)은 사용자의 상체부(또는 등)를 지지하는 프레임일 수 있다. 하부 프레임(1153)은 사용자의 하체부(또는 둔부, 엉덩이)를 지지하는 프레임일 수 있다.
어퍼 프레임(1150)의 적어도 일부에는 렉 기어(1151)가 구비될 수 있다. 렉 기어(1151)는 마사지 모듈(1700)의 상하 이동을 가이드하기 위한 부재로서, 복수개의 골부와 복수개의 마루부를 포함할 수 있다.
렉 기어(1151)는 어퍼 프레임(1150)의 양 측부에 마주보는 형태로 구비될 수 있고, 마사지 모듈(1700)은 렉 기어(1151)를 따라 이동할 수 있다.
예를 들어, 마사지 모듈(1700)은 렉 기어(1151)와 치합되는 기어를 포함할 수 있고, 마사지 모듈(1700)에 구비된 액츄에이터에 의해 기어가 회전함으로써, 마사지 모듈(1700)은 상측으로 또는 하측으로 이동할 수 있다.
렉 기어(1151)는 금속 재질 또는 플라스틱 재질로 구현될 수 있다. 예를 들어, 렉 기어(1151)는 철, 강철, 합금, 강화 플라스틱, 멜라민 수지, 페놀수지 등으로 구현될 수 있으며, 이에 한정되지 않는다.
어퍼 프레임(1150)은 다양한 형상으로 구현될 수 있다. 예를 들어, 어퍼 프레임(1150)은 형태에 따라 S프레임, L프레임, S&L프레임, 더블S&L프레임으로 구분될 수 있으며, 이에 한정되지 않는다.
S프레임은 어퍼 프레임(1150) 중 적어도 일부가 “S”처럼 굴곡진 형태를 포함하는 프레임을 의미한다. L프레임은 어퍼 프레임(1150)중 적어도 일부가 “L”처럼 굽어진 형태를 포함하는 프레임을 의미하고, S&L프레임은 “S”처럼 굴곡진 형태와 “L”처럼 굽어진 형태를 모두 포함하는 프레임을 의미하며, 더블 S&L프레임은 L”처럼 굽어진 형태와 두개의 부분의 “S”처럼 굴곡진 형태를 포함하는 프레임을 의미한다.
베이스 프레임(1110)은 메인 프레임(1100) 중 어퍼 프레임(1150)을 지지하고 지면과 접하는 부분을 의미한다. 베이스 프레임(1110)은 베이스 상부 프레임(1111) 및 베이스 하부 프레임(1112)을 포함할 수 있다.
베이스 상부 프레임(1111)은 어퍼 프레임(1150)을 지지할 수 있고, 베이스 하부 프레임(1112)은 지면과 접할 수 있다. 또한, 베이스 상부 프레임(1111)은 베이스 하부 프레임(1112)에 접하게 위치할 수 있다.
베이스 상부 프레임(1111)은 베이스 하부 프레임(1112)을 따라 이동할 수 있다. 예를 들어, 베이스 상부 프레임(1111)은 베이스 하부 프레임(1112)을 따라 전방으로 또는 후방으로 슬라이딩 이동할 수 있다. 이 경우, 어퍼 프레임(1150)은 베이스 상부 프레임(1111)과 연결되어, 베이스 상부 프레임(1111)의 이동에 따라 움직일 수 있다.
예를 들어, 베이스 상부 프레임(1111)이 전방으로 이동하는 경우 어퍼 프레임(1150)도 전방으로 함께 이동할 수 있고, 베이스 상부 프레임(1111)이 후방으로 이동하는 경우 어퍼 프레임(1150)도 후방으로 함께 이동할 수 있다. 이로 인해, 바디 마사지부(1000)의 슬라이딩 이동이 허용될 수 있다.
구체적으로 설명하면, 베이스 상부 프레임(1111)의 이동을 허용하기 위해, 베이스 상부 프레임(1111)의 하부에는 이동 휠이 구비될 수 있다. 또한, 베이스 하부 프레임(1112)의 상부에는 이동 휠을 가이드할 수 있는 가이드 부재가 구비될 수 있다. 베이스 상부 프레임(1111)에 구비된 이동 휠은 베이스 하부 프레임(1112)에 구비된 가이드 부재를 따라 이동함으로써, 베이스 상부 프레임(1111)의 전방이동 또는 후방이동이 허용될 수 있다.
마사지 장치(100)는 슬라이딩 기능을 제공하지 않을 수 있고, 이 경우, 베이스 프레임(1110)은 상부 및 하부 프레임으로 분리되지 않을 수 있다.
도 3은 본 개시의 일 실시예에 따른 마사지 장치의 구성요소들을 설명하기 위한 도면이다.
마사지 장치(100)는 제어부(1200), 센서부(1300), 네트워크 연결부(1400), 저장부(1500)를 더 포함할 수 있다.
제어부(1200)는 마사지 장치(100)의 구성 요소들을 제어하는 프로세서일 수 있다. 예를 들어, 제어부(1200)는 바디 마사지부(1000), 팔 마사지부(2000), 다리 마사지부(3000) 등 마사지 장치(100)의 다양한 구성 요소들을 제어할 수 있다.
제어부(1200)는 하나의 프로세서로 구현될 수 있고, 복수의 프로세서로 구현될 수 있다. 제어부(1200)가 복수의 프로세서로 구현된 경우, 복수의 프로세서 중 적어도 일부는 물리적으로 이격된 거리에 위치할 수 있다. 또한, 제어부(1200)는 이에 한정되지 않고 다양한 방식으로 구현될 수 있다.
제어부(1200)는 마사지 장치(100)의 동작을 제어할 수 있다. 예를 들어, 마사지 장치(100)는 복수의 액츄에이터들을 포함할 수 있고, 제어부(1200)는 복수의 액츄에이터의 동작을 제어함으로써, 마사지 장치(100)의 동작을 제어할 수 있다. 예를 들어, 마사지 장치(100)는 상하 이동 액츄에이터, 마사지 모듈(1700)에 포함된 적어도 하나의 액츄에이터, 등 각도 액츄에이터, 다리 각도 액츄에이터, 발마사지 액츄에이터, 다리 길이 조절 액츄에이터 및 슬라이딩 액츄에이터 중 적어도 하나를 포함할 수 있고, 제어부(1200)는 이들을 제어함으로써 마사지 장치(100)의 동작을 제어할 수 있다.
상하 이동 액츄에이터는 마사지 모듈(1700)의 상하 이동을 가능하게 하는 액츄에이터로서, 상하 이동 액츄에이터의 동작에 의해 마사지 모듈(1700)은 렉기어를 따라 움직일 수 있다. 상하 이동 액츄에이터가 마사지 장치(100)의 내부에 포함되지만, 이에 한정되지 않는다. 예를 들어, 상하 이동 액츄에이터는 마사지 모듈(1700)에 포함될 수 있다.
등 각도 액츄에이터는 마사지 장치(100)에서 사용자의 등이 맞닿는 부분의 각도를 조정하는 액츄에이터로서, 등각도 액츄에이터의 동작에 의해 마사지 장치(100)의 등각도는 조정될 수 있다.
다리 각도 액츄에이터는 마사지 장치(1000)의 다리 마사지부(300)의 각도를 조정하는 액츄에이터로서, 다리 각도 액츄에이터의 동작에 의해 다리 마사지부(3000)와 바디 마사지부(1000)사이의 각도는 조정될 수 있다.
발마사지 액츄에이터는 다리 마사지부(3000)에 포함된 발마사지 모듈을 동작시키는 액츄에이터를 나타낸다. 발마사지 액츄에이터를 활용하여 마사지 장치(100)는 사용자에게 발마사지를 제공할 수 있다.
마사지 모듈(1700)에는 적어도 하나의 액츄에이터가 포함될 수 있고, 제어부(1200)는 적어도 하나의 액츄에이터를 동작시킴으로써 다양한 마사지 동작을 제공할 수 있다. 예를 들어, 적어도 하나의 액츄에이터는 마사지 모듈(1700)이 사용자에게 지압 마사지를 제공하게 하는 지압 액츄에이터, 마사지 모듈(1700)이 사용자에게 주무름 마사지를 제공하게 하는 주무름 액츄에이터, 마사지 모듈(1700)이 사용자에게 두드림 마사지를 제공하게 하는 두드림 액츄에이터를 포함할 수 있다. 제어부(1200)는 적어도 하나의 액츄에이터를 동작시킴으로써, 지압 마사지, 주무름 마사지, 및 두드림 마사지 등을 제공할 수 있으며, 이에 한정되지 않고 다양한 마사지 동작을 제공할 수 있다. 지압 액츄에이터는 마사지 모듈(1700)을 마사지 장치(100)의 전후방 방향으로 이동시켜 사용자에게 지압 마사지를 제공하는 액츄에이터일 수 있다. 주무름 액츄에이터는 마사지 모듈(1700)을 회전시켜 사용자에게 주무름 마사지를 제공하는 액츄에이터일 수 있다. 두드림 액츄에이터는 마사지 모듈(1700)을 전후방 방향으로 빠르게 이동시켜(또는 진동하게 하여) 사용자에게 두드림 마사지를 제공하는 액츄에이터일 수 있다.
다리 길이 조절 액츄에이터는 다리 마사지부(3000)의 길이를 조정하는 액츄에이터를 나타낸다. 예를 들어, 제어부(1200)는 다리 길이 조절 액츄에이터를 활용하여 다리 마사지부(3000)의 길이를 사용자에게 맞게 조정할 수 있고, 그 결과 사용자는 체형에 맞는 마사지를 제공받을 수 있다.
슬라이딩 액츄에이터는 마사지 장치(100)의 슬라이딩 동작을 가능하게 한다. 예를 들어, 슬라이딩 액츄에이터의 동작에 의해 수평 베이스 상부 프레임(1114a)은 전방으로 또는 후방으로 이동할 수 있고, 그 결과 수평 베이스 상부 프레임(1114a)과 연결된 어퍼 프레임도 전방 또는 후방으로 이동할 수 있다.
센서부(1300)는 적어도 하나의 센서를 이용하여 다양한 정보를 획득할 수 있다. 예를 들어, 센서는 생체 정보 획득 센서, 소리 센서, 압력 센서, 적외선 센서, LED 센서 등 다양한 센서를 포함할 수 있으며, 이에 한정되지 않는다. 이때, 생체 정보 획득 센서는 사용자의 지문 정보, 얼굴 정보, 음성 정보, 홍채 정보, 몸무게 정보, 심전도 정보(electrocardiogram), 체성분 정보 등을 획득할 수 있으며, 이에 한정되지 않고 사용자의 다양한 생체 정보를 포함할 수 있다.
마사지 장치(100)는 센서부(1300)를 통해 사용자와 마사지 장치(100) 간의 접촉 면적 및/또는 접촉 위치를 감지할 수 있다. 또한, 마사지 장치(100)는 센서부(1300)를 통해 사용자의 어깨 위치 정보를 획득할 수 있다. 또한, 마사지 장치(100)는 획득한 정보에 기초하여 사용자의 신체 사이즈에 적합한 맞춤형 안마를 제공할 수 있다. 예를 들어, 마사지 장치(100)가 어깨 안마를 제공하는 경우, 마사지 장치(100)는 센서부(1300)를 통해 획득한 정보에 기초하여 사용자의 어깨 위치를 인식하고, 인식된 어깨 위치에 어깨 안마를 제공할 수 있다.
마사지 장치(1000)는 네트워크 연결부(1400)를 포함할 수 있다. 네트워크 연결부(1400)는 임의의 형태의 네트워크를 통하여 마사지 장치(1000) 내부의 모듈, 외부 전자 장치 및/또는 마사지 장치 제어 디바이스(200)와 통신을 수행할 수 있다. 네트워크 연결부(1400)는 네트워크 접속을 위한 유/무선 접속 모듈을 포함할수 있다. 무선 접속 기술로는, 예를 들어, WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 접속 기술로는 예를 들어, XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다. 또한, 네트워크 연결부는 근거리 통신 모듈을 포함하여, 근거리에 위치하는 임의의 장치/단말과 데이터를 송수신할 수 있다. 예를 들어, 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있으며, 이에 한정되지 않는다.
저장부(1500)는 마사지 장치(100)와 관련된 다양한 정보들을 저장할 수 있다. 예를 들어, 저장부(1500)는 마사지 제어 정보를 포함할 수 있고, 개인 인증 정보를 포함할 수 있으며, 이에 한정되지 않는다.
저장부(1500)는 임의의 데이터를 지속적으로 저장할 수 있는 비-휘발성(non-volatile) 저장 매체를 통해 구현될 수 있다. 예를 들어, 저장부(1500)는 디스크, 광학(optical) 디스크 및 광자기(magneto-optical) 저장 디바이스뿐만 아니라 플래시 메모리 및/또는 배터리-백업 메모리에 기초한 저장 디바이스를 포함할 수 있으며, 이에 한정되지 않는다.
또한, 저장부(1500)는 메모리를 포함할 수 있다. 메모리는 동적 램(DRAM, dynamic random access memory), 정적 램(SRAM, static random access memory) 등의 랜덤 액세스 메모리(RAM)와 같은, 프로세서가 직접 접근하는 주된 저장 장치로서 전원이 꺼지면 저장된 정보가 순간적으로 지워지는 휘발성(volatile) 저장 장치를 의미할 수 있지만, 이들로 한정되는 것은 아니다. 이러한 메모리는 제어부(1200)에 의하여 동작될 수 있다.
도 4는 본 개시의 일 실시예에 따른 마사지 장치와 통신할 수 있는 외부의 전자 장치를 설명하기 위한 도면이다.
마사지 장치(100)는 외부의 전자 장치(400)와 유선 또는 무선으로 통신하여, 다양한 데이터를 송수신할 수 있다. 외부의 전자 장치(400)는 사용자 및/또는 사용자를 관리하는 관리자 등 다양한 객체가 사용하는 전자 장치일 수 있다.
예를 들어, 외부의 전자 장치(400)는 마사지 장치(100)를 사용하는 사용자가 사용하는 PC(personal computer), 데이터 서버, 디스플레이 및 휴대용 전자기기(410) 등 다양한 장치를 포함할 수 있지만, 이에 한정되지 않는다. 휴대용 전자기기(410)는 마사지 장치(100) 전용이거나, 범용 휴대용 전자기기로 AI 스피커, 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 스마트 디바이스(smart device)를 포함할 수 있다. 이때, 스마트 디바이스는 스마트 워치(smart watch) 또는 스마트 밴드(smart band)와 같은 웨어러블 디바이스(420)를 포함할 수 있다.
또한, 외부의 전자 장치(400)는 사용자가 현재 사용하고 있는 마사지 장치(100)가 아닌 다른 마사지 장치(430), 병원 서버(440), 개인건강기록(PHR) 서버 및/또는 클라우드 서버(450)를 포함할 수 있다. 외부의 전자 장치는 전자 체중계, 혈당 측정계 또는 혈압 측정계와 같은 생체 정보를 측정할 수 있는 의료 기기를 포함할 수 있지만, 이에 한정되지 않는다. 예를 들어, 의료 기기는 마사지 장치(100)에 포함될 수 있다.
도 5a는 본 개시의 일 실시예에 따른 심전도 유도 방식을 설명하기 위한 일 예를 나타내고, 도 5b는 본 개시의 일 실시예에 따른 심전도 유도 방식을 설명하기 위한 다른 예를 나타내고, 도 5c는 본 개시의 일 실시예에 따른 심전도 유도 방식을 설명하기 위한 또 다른 예를 나타낸다.
도 5a 내지 도 5c를 참조하면, 심전도 데이터(electrocardiogram data; ECG data 또는 심전도(electrocardiogram; ECG))는 객체에 접촉된 전극을 이용한 복수의 심전도 유도 방식들(또는 복수의 심전도 측정 방식들)을 통해 측정(또는 유도)될 수 있다. 이때, 복수의 심전도 유도 방식들은 전극을 이용하여 객체에 대한 심전도 데이터를 측정하는(또는 유도하는) 방식일 수 있다. 객체는 사람 및/또는 동물 등 심장을 보유한 생명체를 의미할 수 있다. 다만, 이하에서는 설명의 편의를 위해서 객체가 사람인 것으로 가정하도록 한다.
복수의 심전도 유도 방식들은 심전도 데이터를 측정하기 위해서 사용되는 전극에 따라 구분될 수 있다. 복수의 심전도 유도 방식들은 심전도 데이터 측정시 사용되는 실제 전극의 신체 접촉 위치 및 전극 수 중에서 적어도 하나가 서로 상이할 수 있다.
예를 들어, 복수의 심전도 유도 방식들은 제1 심전도 유도 방식 및 제2 심전도 유도 방식 중에서 적어도 하나의 심전도 유도 방식을 포함할 수 있다.
제1 심전도 유도 방식은 실제 전극을 이용하여 심전도 데이터를 측정하는 방식일 수 있다. 실제 전극은 객체에 접촉(또는 부착)될 수 있다. 예를 들어, 실제 전극은 도 5a에 도시된 바와 같이 객체의 팔, 다리 및/또는 흉부(또는 가슴)등 객체의 다양한 신체 부위에 부착될 수 있다. 실제 전극은 심전도 데이터를 측정하기 위해서 활성화될 수 있고, 활성화된 실제 전극은 활성 전극이라고 명명될 수 있다.
제1 심전도 유도 방식은 도 5a 및 도 5b에 도시된 바와 같이 표준 사지 유도 방식일 수 있지만, 이에 한정되지 않는다. 표준 사지 유도 방식은 Lead I 방식, Lead II 방식 및 Lead III 방식을 포함할 수 있다. Lead I 방식은 객체의 오른팔과 왼팔에 각각 부착된 전극을 통해 오른팔과 왼팔 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. Lead II 방식은 객체의 오른팔과 왼다리에 각각 부착된 전극을 통해 오른팔과 왼다리 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. Lead III 방식은 객체의 왼팔과 왼다리에 각각 부착된 전극을 통해 왼판과 왼다리 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. 이때, 왼다리에 부착된 전극은 그라운드 전극으로 실제 전극을 사용하지 않을 수 있다.
제2 심전도 유도 방식은 실제 전극 및 가상 전극(또는 유도 접지)을 이용하여 심전도 데이터를 측정하는 방식일 수 있다. 이때, 가상 전극은 실제 전극에 의해 생성되는(또는 결정되는) 가상의 전극일 수 있다. 가상 전극은 도 5c에 도시된 바와 같이 객체의 팔 및 다리에 부착된 실제 전극들을 통해 형성되는 아인트호벤 삼각형(einthoven's triangle)의 중심점에 위치할 수 있다.
예를 들어, 제2 심전도 유도 방식은 도 5a 및 도 5c에 도시된 바와 같이 증폭 사지 유도 방식 및 흉부 유도 방식 중에서 적어도 하나의 유도 방식일 수 있지만, 이에 한정되지 않는다.
증폭 사지 유도 방식은 aVR 방식, aVL 방식 및/또는 aVF 방식을 포함할 수 있다. aVR 방식은 객체의 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 오른팔과 아인트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. aVL 방식은 객체의 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 왼팔과 아인트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. aVF 방식은 객체의 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 왼다리와 아인트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다.
흉부 유도 방식은 V1 방식, V2 방식, V3 방식, V4 방식, V5 방식 및 V6 방식을 포함할 수 있다. V1 방식은 객체의 흉부 우측 흉골 경계연의 4번째 늑간, 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 흉부 우측 흉골 경계연의 4번째 늑간과 아이트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. V2 방식은 객체의 흉부 좌측 흉골 경계연의 4번째 늑간, 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 흉부 좌측 흉골 경계연의 4번째 늑간과 아이트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. V3 방식은 객체의 흉부 좌측 흉골 경계연의 4번째 늑간과 흉부 좌측 쇄골 중앙선상의 5번째 늑간 사이의 신체 부위, 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 흉부 좌측 흉골 경계연의 4번째 늑간과 흉부 좌측 쇄골 중앙선상의 5번째 늑간 사이의 신체 부위와 아이트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. V4 방식은 객체의 흉부 좌측 쇄골 중앙선상의 5번째 늑간, 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 흉부 좌측 쇄골 중앙선상의 5번째 늑간과 아이트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. V5 방식은 객체의 흉부 좌측 전액와선상의 5번째 늑간, 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 흉부 좌측 전액와선상의 5번째 늑간과 아이트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다. V6 방식은 객체의 흉부 좌측 액와중앙선상의 5번째 늑간, 오른팔, 왼팔 및 왼다리에 각각 부착된 전극을 통해 흉부 좌측 액와중앙선상의 5번째 늑간과 아이트호벤 삼각형의 중심점 간의 전위차를 유도하여 심전도 데이터를 측정하는 방식일 수 있다.
상술한 바와 같이 복수의 심전도 유도 방식들은 표준 사지 유도 방식, 증폭 사지 유도 방식 및 흉부 유도 방식 중에서 적어도 하나의 유도 방식을 포함할 수 있지만, 이에 한정되지 않는다. 예를 들어, 전극은 객체에 접촉된 객체의 신체 위치에 따라 심장을 바라보는 방향(또는 축)이 상이해질 수 있다. 복수의 심전도 유도 방식들은 표준 사지 유도 방식, 증폭 사지 유도 방식 및/또는 흉부 유도 방식에 사용된 전극과 심장을 바라보는 방향이 상이한 전극(또는 상이하게 부착된 전극)을 이용한 심전도 유도 방식 및/또는 패치형으로 구성된 실제 전극인 패치형 전극을 이용한 심전도 유도 방식 등 다양한 전극을 통해 심전도 데이터를 측정하는 심전도 유도 방식을 포함할 수 있다.
상술한 바와 같이 표준 사지 유도 방식, 증폭 사지 유도 방식 및 흉부 유도 방식은 12 유도 방식이라고 명명될 수 있다.
도 6은 본 개시의 일 실시예에 따른 심전도 데이터를 설명하기 위한 일 예를 나타낸다.
심전도 데이터는 심장의 전기적 활동을 기록한 신호로, 객체에 접촉된 전극들 간의 전위 변화를 나타내는(또는 기록한) 데이터일 수 있다. 이때, 전위 변화는 심장 움직임에 의해 발생되므로 객체의 심장 움직임을 나타낼 수 있다. 예를 들어, 전극 간의 전위는 심장의 움직임에 의해 발생되는 전기적 신호에 기초하여 변화될 수 있다.
심전도 데이터는 신체 표면에 부착된 전극을 통해 객체의 신체 표면에서 측정될 수 있다. 예를 들어, 심전도 데이터는 도 6에 도시된 바와 같이 복수의 심전도 유도 방식들 각각을 통해 객체의 신체 표면에서 측정될 수 있다. 이때, 심전도 데이터는 도 6에 도시된 바와 같이 x축이 시간(약 10초), y축이 전위이고, 각 심전도 데이터가 2.5초 간격으로 편집되어 구성될 수 있다.
Lead I 방식, Lead II 방식, Lead III 방식, aVR 방식, aVL 방식, aVF 방식, V1 방식, V2 방식, V3 방식, V4 방식, V5 방식 및 V6 방식을 통해 심전도 데이터가 측정된 경우, 측정된 심전도 데이터는 Lead I 방식을 통해 측정된 Lead I 심전도 데이터, Lead II 방식을 통해 측정된 Lead II 심전도 데이터, Lead III 방식을 통해 측정된 Lead III 심전도 데이터, aVR 방식을 통해 측정된 aVR 심전도 데이터, aVL 방식을 통해 측정된 aVL 심전도 데이터, aVF 방식을 통해 측정된 aVF 심전도 데이터, V1 방식을 통해 측정된 V1 심전도 데이터, V2 방식을 통해 측정된 V2 심전도 데이터, V3 방식을 통해 측정된 V3 심전도 데이터, V4 방식을 통해 측정된 V4 심전도 데이터, V5 방식을 통해 측정된 V5 심전도 데이터 및 V6 방식을 통해 측정된 V6 심전도 데이터를 포함할 수 있다.
기존 학습 방법은 특정 학습 데이터 세트를 딥러닝 모델에 입력하여 딥러닝 모델을 학습함으로써, 특정 학습 데이터 세트에 맞춤화된 전용 딥러닝 모델을 생성하였다. 이때, 특정 학습 데이터 세트는 특정 심전도 유도 방식을 통해 측정된 특정 심전도 데이터들로 구성될 수 있다.
예를 들어, 특정 시점에 Lead I 방식, Lead II 방식, Lead III 방식, aVR 방식, aVL 방식, aVF 방식, V1 방식, V2 방식, V3 방식, V4 방식, V5 방식 및 V6 방식 모두가 이용되어 측정된 심전도 데이터는 표준 12 유도 심전도 데이터라고 명명될 수 있다. 표준 12 유도 심전도 데이터는 Lead I 심전도 데이터, Lead II 심전도 데이터, Lead III 심전도 데이터, aVR 심전도 데이터, aVL 심전도 데이터, aVF 심전도 데이터, V1 심전도 데이터, V2 심전도 데이터, V3 심전도 데이터, V4 심전도 데이터, V5 심전도 데이터 및 V6 심전도 데이터를 포함할 수 있다.
기존 학습 방법은 표준 12 유도 심전도 데이터에 포함된 심전도 데이터 모두를 동시에 딥러닝 모델에 입력하여 딥러닝 데이터를 학습함으로써, 표준 12 유도 심전도 데이터에 맞춤화된 전용 딥러닝 모델을 생성하였다.
다만, 기존 학습 방법을 통해 학습된 전용 딥러닝 모델은 전용 딥러닝 모델에 대응하는 심전도 데이터만을 분석하는 문제점이 있다. 예를 들어, 표준 12 유도 심전도 데이터에 맞춤화된 전용 딥러닝 모델은 표준 12 유도 심전도 데이터에 포함된 심전도 데이터 모두가 동시에 전용 딥러닝 모델에 입력되어야만 입력된 표준 12 유도 심전도 데이터를 분석하여 객체의 심장 질환을 진단할 수 있다.
따라서, 기존 학습 방법은 단일의 딥러닝 모델을 통해 다양한 심전도 데이터를 분석하지 못하므로 복수의 특정 학습 데이터 세트들 각각에 맞춤화된 복수의 전용 딥러닝 모델들을 생성해야 하는 문제점이 있고, 각 전용 딥러닝 모델을 통해 각 전용 딥러닝 모델에 대응하는 심전도 데이터만을 분석하는 문제점이 있다.
도 7은 본 개시의 일 실시예에 따른 건강 진단 시스템을 설명하기 위한 일 예를 나타낸다.
건강 진단 시스템(10)은 데이터 제공 장치(460), 데이터 측정 장치(470) 및 건강 진단 장치(480)를 포함한다.
데이터 제공 장치(460)는 복수의 객체들에 대한 복수의 심전도 데이터들을 데이터 제공 장치(460)의 데이터 베이스(date base; DB)에 저장할 수 있다. 이때, 복수의 심전도 데이터들은 데이터 측정 장치(470) 및/또는 데이터 측정 장치(470)와 같이 심전도 데이터를 측정하는 임의의 장치로부터 제공된 심전도 데이터일 수 있다. 복수의 심전도 데이터들은 복수의 심전도 유도 방식들을 통해 복수의 객체로부터 측정된 심전도 데이터일 수 있다. 복수의 심전도 데이터들의 수는 복수의 심전도 유도 방식들의 수보다 많을 수 있다.
예를 들어, 데이터 측정 장치(470)는 복수의 시점들 각각에 복수의 심전도 유도 방식들을 통해 복수의 객체들 각각의 심장 움직임을 유도하여 복수의 객체들 각각에 대한 복수의 심전도 데이터들을 측정(또는 생성)할 수 있다. 이때, 데이터 측정 장치(470)는 각 시점 마다 동일하거나 상이한 심전도 유도 방식들을 이용하여 각 객체에 대한 심전도 데이터를 측정할 수 있다.
데이터 측정 장치(470)가 임의의 시점에 Lead I 방식, Lead II 방식, Lead III 방식, aVR 방식, aVL 방식, aVF 방식, V1 방식, V2 방식, V3 방식, V4 방식, V5 방식 및 V6 방식 모두를 통해 임의의 객체로부터 심전도 데이터를 측정한 경우, 데이터 측정 장치(470)는 임의의 객체에 대한 Lead I 심전도 데이터, Lead II 심전도 데이터, Lead III 심전도 데이터, aVR 심전도 데이터, aVL 심전도 데이터, aVF 심전도 데이터, V1 심전도 데이터, V2 심전도 데이터, V3 심전도 데이터, V4 심전도 데이터, V5 심전도 데이터 및 V6 심전도 데이터를 생성할 수 있다.
데이터 측정 장치(470)는 복수의 심전도 유도 방식들을 통해 측정되는 복수의 객체에 대한 복수의 심전도 데이터들을 데이터 제공 장치(460)에 전송할 수 있다.
데이터 제공 장치(460)는 데이터 측정 장치(470)로부터 전송된 복수의 객체에 대한 복수의 심전도 데이터들을 데이터 베이스에 저장할 수 있다.
데이터 제공 장치(460)에 저장된 복수의 심전도 데이터들 각각은 심전도 데이터 측정시 측정 환경에 대한 정보인 환경 정보가 데이터 라벨링되어 있을 수 있다. 이때, 환경 정보는 심전도 데이터 측정시 데이터 측정 장치(470) 및 데이터 측정 장치(470)와 통신 가능한 다양한 장치(예를 들어, 센서들)로부터 획득된 정보일 수 있다.
예를 들어, 환경 정보는 복수의 심전도 데이터들 각각에 대응하는 심전도 유도 방식을 나타내는 제1 식별자 정보, 복수의 심전도 데이터들 각각에 대응하는 객체를 나타내는 제2 식별자 정보, 복수의 심전도 데이터들 각각에 대응하는 객체의 건강 상태를 나타내는 건강 정보 중에서 적어도 하나를 포함할 수 있다.
제1 식별자 정보는 심전도 유도 방식의 명칭 등 심전도 유도 방식을 나타내는 정보일 수 있다. 예를 들어, Lead I 심전도 데이터는 'Lead I 방식'이 데이터 라벨링되고, Lead II 심전도 데이터는 'Lead II 방식'이 데이터 라벨링되고, Lead III 심전도 데이터는 'Lead III 방식'이 데이터 라벨링될 수 있다. aVR 심전도 데이터는 'aVR 방식'이 데이터 라벨링되고, aVL 심전도 데이터는 'aVL 방식'이 데이터 라벨링되고, aVF 심전도 데이터는 'aVF 방식'이 데이터 라벨링될 수 있다. V1 심전도 데이터는 'V1 방식'이 데이터 라벨링되고, V2 심전도 데이터는 'V2 방식'이 데이터 라벨링되고, V3 심전도 데이터는 'V3 방식'이 데이터 라벨링되고, V4 심전도 데이터는 'V4 방식'이 데이터 라벨링되고, V5 심전도 데이터는 'V5 방식'이 데이터 라벨링되고, V6 심전도 데이터는 'V6 방식'이 데이터 라벨링될 수 있다.
제2 식별자 정보는 객체의 ID 및/또는 이름 등 객체를 나타내는 정보일 수 있다.
건강 정보는 객체가 건강한지 여부를 나타내는 정보, 객체가 보유한 질병에 대한 정보 및 객체에 수행된 신체 검사에 대한 정보 중에서 적어도 하나의 정보를 포함할 수 있다.
객체가 건강한지 여부를 나타내는 정보는 객체가 건강한 객체(또는 건강 객체) 및 건강하지 않은 객체(또는 비건강 객체) 중에서 어느 하나의 객체인지를 나타낼 수 있다. 이때, 건강 객체는 질병을 보유하지 않고, 빈혈 수치 및 무기질 수치가 정상인 객체를 의미할 수 있다. 비건강 객체는 질병을 보유하거나 빈혈 수치 및 무기질 수치 중에서 적어도 하나의 수치가 비정상인 객체를 의미할 수 있다. 질병은 부정맥, 심방 세동 및/또는 심혈관 질환 등과 같은 심장에 발생 가능한 질병(또는 심장 질환)일 수 있다. 심혈관 질환은 협심증, 심근경색증과 같은 관상동맥 질환, 판막질환, 심부전증, 심낭 질환, 고혈압, 동맥경화증 및/또는 심근증 등 심혈관에 대한 다양한 질환일 수 있다. 무기질은 미네랄이라 불리며 칼슘, 인, 마그네슘, 칼륨, 나트륨, 염소 그리고 미량 원소로서 철, 구리, 황, 요오드, 망간, 코발트 및/또는 아연 등일 수 있다.
예를 들어, 건강한 객체로부터 측정된 심전도 데이터(또는 건강 객체에 대응하는 심전도 데이터)는 건강 객체를 나타내는 식별자 정보인 '건강 객체'가 데이터 라벨링될 수 있다. 건강하지 않은 객체로부터 측정된 심전도 데이터(또는 비건강 객체에 대응하는 심전도 데이터)는 비건강 객체를 나타내는 식별자 정보인 '비건강 객체'가 데이터 라벨링될 수 있다.
객체가 보유한 질병에 대한 정보는 질병의 명칭, 질병 진행도 및/또는 질병 위험도 등 질병에 대한 다양한 상세 정보를 포함할 수 있다. 이때, 질병은 상술한 바와 같이 심장에 발생 가능한 질병일 수 있다. 예를 들어, 객체가 보유한 질병에 대한 정보는 비건강 객체로부터 측정된 심전도 데이터에 데이터 라벨링될 수 있다.
신체 검사에 대한 정보는 심전도 데이터가 측정된 시점을 기준으로 임계 시간 내 및/또는 동일자에 수행된 신체 검사에 대한 정보를 포함할 수 있다. 이때, 임계 시간은 대략 30분 및/또는 12시간 등 다양하게 기 설정될 수 있다. 예를 들어, 신체 검사에 대한 정보는 객체에 수행된 피검사(또는 혈액 검사) 심장 초음파 검사, 심혈관 조영술 검사 및 컴퓨터 방사선 단층 촬영 검사 등 객체에 수행된 다양한 검사에 대한 정보를 포함할 수 있다. 피검사 정보는 빈혈 수치(또는 헤모글로빈 수치) 및/또는 무기질 수치(또는 무기질 함유량) 등 피검사를 통해 획득되는 다양한 정보를 포함할 수 있다.
환경 정보는 복수의 심전도 데이터들 각각에 대응하는 객체의 전자 장치에 대한 제1 정보, 복수의 심전도 데이터들 각각에 대응하는 객체의 움직임에 대한 제2 정보 및 복수의 심전도 데이터들 각각에 대응하는 객체의 생체에 대한 제3 정보 중에서 적어도 하나의 정보를 더 포함할 수 있다.
제1 정보는 심전도 데이터가 측정되는 동안에 객체의 전자 장치에서 발생되는 전자기 신호인 제1 전자기 신호에 대한 정보를 포함할 수 있다. 이때, 전자 장치는 객체에 접촉된 전자 장치로, 객체의 외부에 위치한 외부 전자 장치 및 객체의 내부에 위치한(또는 이식된) 내부 전자 장치 중에서 적어도 하나의 전자 장치일 수 있다.
제2 정보는 심전도 데이터가 측정되는 동안에 객체의 근육 움직임에 의해 발생되는 전자기 신호인 제2 전자기 신호 및 심전도 데이터가 측정되는 동안에 객체의 호흡에 의해 발생되는 전자기 신호인 제3 전자기 신호 중에서 적어도 하나의 전자기 신호에 대한 정보를 포함할 수 있다. 이때, 제2 전자기 신호는 객체의 근육이 움직일 때 발생되는 전자기 신호이고, 제3 전자기 신호는 객체가 호흡하는 경우에 발생되는 전자기 신호일 수 있다.
제3 정보는 객체의 성별, 연령 및 비만도에 대한 정보 중에서 적어도 하나에 대한 정보를 포함할 수 있다. 이때, 비만도는 객체의 몸무게 및/또는 키에 기초하여 결정될 수 있다.
데이터 제공 장치(460)는 데이터 제공 장치(460)에 저장된 복수의 객체에 대한 복수의 심전도 데이터들을 건강 진단 장치(480)에 제공할 수 있다.
데이터 측정 장치(470)는 특정 시점에 복수의 심전도 유도 방식들 중에서 적어도 둘 이상의 심전도 유도 방식들을 이용하여 타겟 객체의 심장의 움직임을 유도함으로써, 타겟 객체에 대한 심전도 데이터들을 측정(또는 생성)할 수 있다. 이때, 타겟 객체는 심장 질환을 진단하기 위한 진단 대상일 수 있다. 타겟 객체에 대한 심전도 데이터들은 적어도 둘 이상의 심전도 유도 방식들을 통해 측정된 심전도 데이터일 수 있다. 타겟 객체에 대한 심전도 데이터들의 수는 적어도 둘 이상의 심전도 유도 방식들의 수와 동일할 수 있다.
데이터 측정 장치(470)는 타겟 객체에 대한 심전도 데이터들을 건강 진단 장치(480)에 제공할 수 있다. 이때, 타겟 객체에 대한 심전도 데이터들은 타겟 객체에 대한 심전도 데이터들 각각에 대응하는 심전도 유도 방식을 나타내는 제3 식별자 정보 및 타겟 객체를 나타내는 제4 식별자 정보가 데이터 라벨링될 수 있다. 제3 식별자 정보는 심전도 유도 방식의 명칭 등 심전도 유도 방식을 나타내는 정보일 수 있다. 제4 식별자 정보는 타겟 객체의 ID 및/또는 이름 등 타겟 객체를 나타내는 정보일 수 있다.
건강 진단 장치(480)는 데이터 제공 장치(460)로부터 제공된 복수의 객체들에 대한 복수의 심전도 데이터들을 이용하여 딥러닝 모델을 학습시킬 수 있다. 이때, 딥러닝 모델은 심장 질환을 진단하기 위한 딥러닝 알고리즘이 모델링된(또는 구축된) 모델일 수 있다. 딥러닝 모델이 딥러닝 알고리즘으로 모델링되지만, 이에 한정하지 않는다. 예를 들어, 딥러닝 모델은 랜덤 포레스트(Random Forest) 및/또는 서포트 벡터 머신(Support Vector Machine) 등의 머신 러닝 기법 및/또는 신경망 등 다양한 기법을 통해 모델링될 수 있다.
예를 들어, 건강 진단 장치(480)는 데이터 제공 장치(460)로부터 제공된 복수의 심전도 데이터들 각각을 딥러닝 모델에 입력할 수 있다. 건강 진단 장치(460)는 각 심전도 데이터가 딥러닝 모델에 입력될 때마다 입력된 심전도 데이터를 이용하여 딥러닝 모델을 학습시킬 수 있다.
건강 진단 장치(480)는 학습된 딥러닝 모델을 이용하여 데이터 측정 장치(470)로부터 제공된 타겟 객체에 대한 심전도 데이터들을 분석함으로써, 타겟 객체의 건강 상태를 진단할 수 있다. 이때, 타겟 객체의 건강 상태는 타겟 객체의 심장에 대한 건강 상태(또는 심장 건강 상태, 심건강 상태)를 의미할 수 있다.
상술한 데이터 제공 장치(460)는 마사지 장치(100)와 독립적으로 구별되게 구현되는 전자 장치일 수 있다. 예를 들어, 데이터 제공 장치(470)는 복수의 심전도 데이터들이 저장된(또는 학습 데이터를 보유한) 병원, 기관 및 기업 등의 전자 장치일 수 있다. 상술한 데이터 측정 장치(470) 및/또는 건강 진단 장치(480)는 마사지 장치(100)에 구현되거나 마사지 장치(100)와 독립적으로 구별되게 구현되는 전자 장치일 수 있다.
상술한 전자 장치는 PC(personal computer), 서버, 모듈, 또는 휴대용 전자 장치 등 다양한 장치일 수 있다. 휴대용 전자 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 디지털 스틸 카메라(digital still camera), 디지털 비디오 카메라(digital video camera), PMP(portable multimedia player), PND(personal navigation device 또는 portable navigation device), 휴대용 게임 콘솔(handheld game console), e-북(e-book), 스마트 디바이스(smart device)으로 구현될 수 있다. 이때, 스마트 디바이스는 스마트 워치(smart watch) 또는 스마트 밴드(smart band)로 구현될 수 있다. 바람직하게, 데이터 측정 장치(470)는 모듈로 구현되고, 데이터 제공 장치(460) 및 건강 진단 장치(480)는 서버로 구현될 수 있다.
도 8a는 본 개시의 일 실시예에 따른 데이터 측정 장치를 설명하기 위한 일 예를 나타내고, 도 8b는 본 개시의 일 실시예에 따른 데이터 측정 장치를 설명하기 위한 다른 예를 나타낸다.
도 8a를 참조하면, 데이터 측정 장치(470)는 마사지 장치(100)에 포함되지 않는 별도의 전자 장치로 구현될 수 있다.
예를 들어, 데이터 측정 장치(470)는 신체로부터 전극 파형을 획득할 수 있는 홀터 장치(Holter Device), 웨어러블 장치 및/또는 의료 기기 등 다양한 전자 장치로 구현될 수 있다. 이때, 웨어러블 장치는 신체 착용형 장치(예를 들어, 머리 착용형 장치, 팔찌, 발찌, 목걸이, 반지, 시계 등), 의류 일체형 장치, 신체 부착형 장치 및 생체 이식형 장치 중에서 적어도 하나의 장치일 수 있다.
마사지 장치(100)에 포함되지 않는 데이터 측정 장치(470)는 객체의 팔, 다리 및 흉부 중에서 적어도 하나에 접촉된 전극을 이용하여 객체의 심장 움직임을 유도하여 객체에 대한 심전도 데이터를 측정할 수 있다. 예를 들어, 데이터 측정 장치(470)는 객체의 팔, 다리 및 흉부에 접촉된 복수의 전극들을 이용하여 객체에 대한 Lead I 심전도 데이터, Lead II 심전도 데이터, Lead III 심전도 데이터, aVR 심전도 데이터, aVL 심전도 데이터, aVF 심전도 데이터, V1 심전도 데이터, V2 심전도 데이터, V3 심전도 데이터, V4 심전도 데이터, V5 심전도 데이터 및 V6 심전도 데이터를 측정할 수 있다.
도 8b를 참조하면, 데이터 측정 장치(470)는 마사지 장치(100)에 포함되는 전자 장치로 구현될 수 있다.
예를 들어, 데이터 측정 장치(470)는 마사지 장치(100)의 팔 마사지부(2000) 및/또는 다리 마사지부(3000)에 포함될 수 있다. 이때, 데이터 측정 장치(470)는 두 개의 팔 마사지부(2000) 중에서 적어도 하나의 팔 마사지부(2000) 및/또는 두 개의 다리 마사지부(3000) 중에서 적어도 하나의 다리 마사지부(3000)에 포함될 수 있다.
구체적으로, 데이터 측정 장치(470)는 팔 마사지부(2000) 및/또는 다리 마사지부(3000)의 내부에 배치될 수 있다. 팔 마사지부(2000)의 내부는 객체의 팔을 수용하고, 다리 마사지부(3000)의 내부는 객체의 다리를 수용할 수 있다.
팔 마사지부(2000)에 데이터 측정 장치(470)가 포함되는 경우, 데이터 측정 장치(470)는 팔 마사지부(2000)의 일면에 배치되고, 객체의 손바닥이 안착되게 상측으로 볼록한 형상으로 형성될 수 있다. 이때, 팔 마사지부(2000)의 일면은 팔 마사지부(2000)의 내부 하면으로 객체의 손바닥과 맞닿는 영역일 수 있다. 이를 통해, 객체는 객체의 손바닥이 데이터 측정 장치(470)에 위치되도록 팔 마사지부(2000)의 내부로 팔을 안착시킬 수 있다. 객체는 데이터 측정 장치(470)에 손바닥이 지지되어 팔이 팔 마사지부(2000)에 편안하게 안착될 수 있다.
다리 마사지부(3000)에 데이터 측정 장치(470)가 포함되는 경우, 데이터 측정 장치(470)는 다리 마사지부(3000)의 종아리 마사지부의 일면 또는 발 마사지부의 일면에 배치될 수 있다. 이때, 종아리 마사지부의 일면은 종아리 마사지부의 후면으로 객체의 종아리와 맞닿는 영역일 수 있다. 발 마사지부의 일면은 발 마사지부의 내부 하면 및/또는 발 마사지부의 외부 상면으로 객체의 발바닥과 맞닿는 영역일 수 있다. 이를 통해, 객체는 종아리 또는 발바닥이 데이터 측정 장치(470)에 위치되도록 다리 마사지부(3000)의 내부로 다리를 안착시키거나 발바닥이 데이터 측정 장치(460)에 위치되도록 다리 마사지부(3000)의 외부에 다리를 안착시킬 수 있다.
마사지 장치(100)에 포함된 데이터 측정 장치(470)는 데이터 측정 장치(470)의 외면에 형성된(또는 배치된) 전극부(472)를 포함할 수 있다. 예를 들어, 전극부(472) 데이터 측정 장치(470)의 외면에 형성되어 데이터 측정 장치(470)의 외부로 노출될 수 있다. 이를 통해, 전극부(472)는 객체의 신체(예를 들어, 손바닥, 발바닥 및/또는 종아리)와 접촉할 수 있다. 전극부(472)는 적어도 2개 이상의 전극으로 형성될 수 있다.
마사지 장치(100)에 포함된 데이터 측정 장치(470)는 전극부(472)를 이용하여 객체의 심장 움직임을 유도하여 객체에 대한 심전도 데이터를 측정할 수 있다. 예를 들어, 데이터 측정 장치(470)는 두 개의 팔 마사지부(2000) 및 두 개의 다리 마사지부(3000) 모두에 배치된 전극부(472)를 이용하여 객체에 대한 Lead I 심전도 데이터, Lead II 심전도 데이터, Lead III 심전도 데이터, aVR 심전도 데이터, aVL 심전도 데이터, aVF 심전도 데이터를 생성할 수 있다.
상술한 바와 같이 데이터 측정 장치(470)가 전극부(472)를 통해 객체의 심전도 데이터를 측정하지만, 이에 한정되지 않는다. 예를 들어, 데이터 측정 장치(470)는 전극부(472)와 구별되는 추가 전극을 이용한 흉부 유도 방식을 통해 심전도 데이터를 추가 측정할 수 있다. 이때, 추가 전극은 객체의 팔 및 다리를 제외한 신체 부위(예를 들어, 객체의 흉부)에 접촉되는 전극(또는 전극들)일 수 있다.
도 9는 본 개시의 일 실시예에 따른 건강 진단 장치를 설명하기 위한 일 예를 나타낸다.
건강 진단 장치(480)는 메모리(481) 및 프로세서(483)를 포함할 수 있다.
메모리(481)는 프로세서(483)에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 건강 진단 장치(480)의 동작 및/또는 건강 진단 장치(480)의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
프로세서(483)는 메모리(481)에 저장된 데이터를 처리할 수 있다. 프로세서(483)는 메모리(481)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다. 프로세서(483)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다. 예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
도 10은 본 개시의 일 실시예에 따른 프로세서의 딥러닝 모델 학습 동작을 설명하기 위한 순서도를 나타내고, 도 11은 본 개시의 일 실시예에 따른 심전도 데이터에 포함된 전기 신호를 설명하기 위한 일 예를 나타내고, 도 12는 본 개시의 일 실시예에 따른 프로세서의 딥러닝 모델 학습 동작을 설명하기 위한 다른 예를 나타낸다.
도 10을 참조하면, 프로세서(483)는 데이터 제공 장치(460)로부터 제공된 복수의 객체들에 대한 복수의 심전도 데이터들을 이용하여 딥러닝 모델을 학습할 수 있다.
예를 들어, 프로세서(483)는 복수의 심전도 유도 방식들을 통해 측정되는 복수의 객체들에 대한 복수의 심전도 데이터들을 획득할 수 있다(S1010). 이때, 복수의 심전도 데이터들 각각은 복수의 심전도 유도 방식들 각각에 대응하는 심전도 데이터일 수 있다.
프로세서(483)는 복수의 심전도 데이터들 중에서 적어도 하나의 심전도 데이터를 딥러닝 모델의 학습 데이터들로 결정할 수 있다(S1030). 이때, 학습 데이터들은 딥러닝 모델을 학습하기 위한 심전도 데이터들일 수 있다.
예를 들어, 프로세서(483)는 복수의 심전도 데이터들 모두를 학습 데이터들로 결정하거나 복수의 심전도 데이터들 중에서 일부를 학습 데이터들로 결정할 수 있다.
프로세서(483)는 학습 데이터들을 서브 데이터 단위로 추출할 수 있다(S1050). 이때, 서브 데이터 단위는 학습 데이터를 추출하기 위한 기준 단위일 수 있다. 서브 데이터 단위는 단일의 학습 데이터에 대응하는 단위일 수 있다.
예를 들어, 프로세서(483)는 서브 데이터 단위에 기초하여 학습 데이터들을 서브 데이터 단위의 서브 학습 데이터들로 구분할 수 있다. 서브 데이터 단위가 단일의 학습 데이터에 대응하는 단위인 경우, 프로세서(483)는 서브 데이터 단위에 기초하여 학습 데이터들 각각을 서브 학습 데이터로 결정할 수 있다. 서브 학습 데이터는 서브 데이터 단위의 학습 데이터로 단일의 학습 데이터일 수 있다.
프로세서(483)는 랜덤 추출법에 기초하여 서브 학습 데이터들 각각을 랜덤하게 추출할 수 있다.
프로세서(483)는 서브 학습 데이터가 추출될 때마다 추출된 서브 학습 데이터에 기초하여 딥러닝 모델을 학습할 수 있다(S1070). 예를 들어, 프로세서(483)는 서브 학습 데이터가 추출될 때마다 추출된 서브 학습 데이터를 딥러닝 모델에 입력하여 딥러닝 모델을 학습할 수 있다. 다시 말하자면, 프로세서(483)는 추출된 서브 학습 데이터인 추출된 서브 데이터 단위의 학습 데이터를 딥러닝 모델에 입력하여 딥러닝 모델을 학습할 수 있다(S1070). 서브 데이터 단위의 학습 데이터는 서브 학습 데이터들 중에서 어느 하나의 서브 학습 데이터로 단일의 학습 데이터일 수 있다.
프로세서(483)가 추출된 서브 데이터 단위의 학습 데이터를 딥러닝 모델에 입력하여 딥러닝 모델을 학습하지만, 이에 한정하지 않는다.
예를 들어, 서브 데이터 단위의 학습 데이터는 복수의 객체들 중에서 어느 하나의 객체로부터 측정된 심전도 데이터로 다양한 노이즈가 포함된 원본 심전도 데이터일 수 있다. 원본 심전도 데이터는 복수의 주파수들을 포함하고, 복수의 주파수들 중에서 적어도 하나의 주파수는 노이즈일 수 있다.
구체적으로, 원본 심전도 데이터는 객체에 이식된 전자 장치 및/또는 객체에 접촉된 전자 장치에서 발생되는 전기 신호, 객체의 피부와 피부에 접촉된 전극 사이에서 발생하는 전기 신호, 전극에 접속된 전선에서 발생하는 전기 신호, 데이터 제공 장치(460) 및/또는 데이터 측정 장치(470) 내부에서 발생하는 전기 신호 등 다양한 이유로 인해 고주파 노이즈가 포함될 수 있다. 원본 심전도 데이터는 객체의 가슴이 오르내리면서 객체가 호흡하는 이유로 인해 저주파 노이즈가 포함될 수 있다.
도 11을 참조하면, 원본 심전도 데이터는 객체의 심장 자체에서 발생하는 전기 신호 중에서 노이즈와 유사한 전기 신호의 주파수를 포함할 수 있다. 이때, 노이즈와 유사한 전기 신호의 주파수는 도 11에 도시된 화살표와 같이 spike 파형의 주파수로 노이즈 주파수와 동일하거나 유사할 수 있다.
예를 들어, 노이즈와 유사한 전기 신호는 비건강 객체에 이식된 심장 박동기에서 발생하는 전기 신호 및/또는 부정맥의 일 예인 심방 세동(atrial fibrillation) 질환이 발생된 심장의 심방 세동에서 발생되는 전기 신호 등 비정상적인 심장에서 발생하는 다양한 전기 신호일 수 있다.
도 12를 참조하면, 프로세서(483)는 추출된 서브 데이터 단위의 학습 데이터에 포함된 노이즈를 제거하기 위해서 추출된 서브 데이터 단위의 학습 데이터를 필터링하여 서브 데이터 단위의 학습 데이터가 필터링된 보정 데이터를 생성하고, 보정 데이터에 기초하여 딥러닝 모델을 학습할 수 있다.
다만, 프로세서(483)는 추출된 서브 데이터 단위의 학습 데이터에 포함된 심장 자체에서 발생하는 전기 신호의 주파수를 노이즈로 인식하여 제거할 수 있다. 예를 들어, 프로세서(483)는 도 11에 도시된 spike 파형의 주파수가 크지 않은 경우에 spike 파형의 주파수를 노이즈로 인식하여 제거할 수 있다.
다시 말하자면, 프로세서(483)의 필터링 동작은 노이즈 뿐만 아니라 심장 자체에서 발생하는 전기 신호의 주파수가 필터링되는 문제점이 있다.
상술한 문제점을 해결하기 위해서 프로세서(483)는 추출된 서브 데이터 단위의 학습 데이터 및 보정 데이터에 기초하여 딥러닝 모델을 학습할 수 있다.
일 예로, 프로세서(483)는 서브 데이터 단위의 학습 데이터가 추출될 때마다 추출된 서브 데이터 단위의 학습 데이터(이하 서브 데이터 단위의 학습 데이터'라 함)를 필터링하여 서브 데이터 단위의 학습 데이터가 필터링된 보정 데이터를 생성할 수 있다. 프로세서(483)는 서브 데이터 단위의 학습 데이터와 보정 데이터를 딥러닝 모델에 동시에 입력하여 딥러닝 모델을 학습할 수 있다. 이때, 보정 데이터는 원본 심전도 데이터에 포함된 복수의 주파수 중에서 노이즈에 대응하는 주파수가 필터링된(또는 삭제된) 심전도 데이터일 수 있다.
다른 예로, 프로세서(483)는 보정 데이터를 필터링하여 보정 데이터가 필터링된 재보정 데이터를 생성할 수 있다. 프로세서(483)는 서브 데이터 단위의 학습 데이터와 재보정 데이터를 딥러닝 모델에 동시에 입력하거나 서브 데이터 단위의 학습 데이터, 보정 데이터 및 재보정 데이터를 딥러닝 모델에 동시에 입력하여 딥러닝 모델을 학습할 수 있다. 이때, 재보정 데이터는 보정 데이터에 포함된 복수의 주파수 중에서 특정 주파수가 필터링된(또는 삭제된) 심전도 데이터일 수 있다.
상술한 바와 같이, 프로세서(483)는 기존 방법의 문제점을 해결하기 위해서 딥러닝 모델 학습시 특정 학습 데이터 세트에 포함된 학습 데이터들 모두 동시에 딥러닝 모델에 입력하지 않고, 학습 데이터들 각각을 딥러닝 모델에 입력하여 단일의 학습 데이터를 통해 딥러닝 모델을 학습할 수 있다
이를 통해, 프로세서(483)는 특정 심전도 데이터만을 분석하는 딥러닝 모델이 아니라 다양한 심전도 데이터를 분석할 수 있는 범용 딥러닝 모델을 제공할 수 있다.
또한, 프로세서(483)는 노이즈 뿐만 아니라 심장 자체에서 발생되는 전기 신호가 제거되는 문제를 해결하기 위해서 서브 데이터 단위의 학습 데이터인 원본 심전도 데이터 뿐만 아니라 보정 및/또는 재보정 데이터를 동시에 이용하여 딥러닝 모델을 학습할 수 있다.
이를 통해, 프로세서(483)는 원본 심전도 데이터, 보정 데이터 또는 재보정 데이터를 이용하여 학습된 딥러닝 모델보다 심전도 분석 정확도가 높은 범용 딥러닝 모델을 제공할 수 있다.
또한, 복수의 심전도 데이터들 모두를 이용하지 않고 일부를 이용하여 딥러닝 모델을 학습하는 경우, 프로세서(483)는 범용 딥러닝 모델을 학습하기 위한 딥러닝 모델 학습 시간 및 학습 비용(예를 들어 딥러닝 모델을 학습하기 위한 기기 구입 비용 등)을 절약할 수 있다.
도 13a는 본 개시의 일 실시예에 따른 프로세서의 학습 데이터 결정 동작을 설명하기 위한 일 예를 나타내고, 도 13b는 본 개시의 일 실시예에 따른 프로세서의 학습 데이터 결정 동작을 설명하기 위한 다른 예를 나타내고, 도 13c는 본 개시의 일 실시예에 따른 프로세서의 학습 데이터 결정 동작을 설명하기 위한 또 다른 예를 나타낸다.
도 13a를 참조하면, 프로세서(483)는 복수의 객체들에 대한 복수의 심전도 데이터들 모두를 학습 데이터들로 결정할 수 있다(S1031).
도 13b 및 도 13c를 참조하면, 프로세서(483)는 복수의 객체들에 대한 복수의 심전도 데이터들 중에서 일부를 학습 데이터들로 결정할 수 있다.
일 예로, 프로세서(483)는 도 13b에 도시된 바와 같이 복수의 심전도 데이터들의 수에 기초하여 복수의 심전도 데이터들 중에서 둘 이상의 심전도 데이터들을 학습 데이터들로 결정할 수 있다(S1033).
다른 예로, 프로세서(483)는 도 13c에 도시된 바와 같이 각 객체를 대표하는 대표 심전도 유도 방식에 기초하여 복수의 심전도 데이터들 중에서 각 객체를 대표하는 대표 심전도 데이터들을 결정할 수 있다(S1035) 이때, 대표 심전도 유도 방식은 각 객체에 대응하는 심전도 유도 방식들 중에서 각 객체를 대표하는 심전도 유도 방식일 수 있다. 대표 심전도 데이터들은 각 객체에 대응하는 심전도 데이터들 중에서 각 객체를 대표하는 대표 심전도 유도 방식에 대응하는 심전도 데이터들일 수 있다.
프로세서(483)는 각 객체를 대표하는 대표 심전도 데이터들을 딥러닝 모델의 후보 학습 데이터들로 결정할 수 있다(S1037). 이때, 후보 학습 데이터들은 학습 데이터들로 결정될 여지가 있는 심전도 데이터들일 수 있다.
프로세서(483)는 후보 학습 데이터들 중에서 적어도 하나의 후보 학습 데이터들을 학습 데이터들로 결정할 수 있다(S1039). 예를 들어, 프로세서(483)는 후보 학습 데이터들 모두를 학습 데이터들로 결정하거나 후보 학습 데이터들 중에서 일부를 학습 데이터들로 결정할 수 있다.
도 14는 도 13b에 도시된 학습 데이터 결정 동작을 설명하기 위한 일 예를 나타낸다.
프로세서(483)는 복수의 객체들에 대한 복수의 심전도 데이터들의 수인 전체 심전도 데이터 수를 계산할 수 있다(S1033a). 예를 들어, 프로세서(483)는 복수의 심전도 데이터들 각각을 카운팅하여 전체 심전도 데이터 수를 계산할 수 있다.
프로세서(483)는 전체 심전도 데이터 수에 기초하여 복수의 심전도 데이터들 중에서 학습 데이터들로 선택할 심전도 데이터들의 수인 심전도 데이터 수를 결정할 수 있다(S1033b).
예를 들어, 프로세서(483)는 전체 심전도 데이터 수가 홀수인지 짝수인지 여부에 기초하여 심전도 데이터 수를 결정할 수 있다. 전체 심전도 데이터 수가 홀수인 경우, 프로세서(483)는 전체 심전도 데이터 수의 절반 이상의 수 내지 전체 심전도 데이터 수 중에서 어느 하나의 홀수를 심전도 데이터 수로 결정할 수 있다. 전체 심전도 데이터 수가 짝수인 경우, 프로세서(483)는 전체 심전도 데이터 수의 절반 이상의 수 내지 전체 심전도 데이터 수 중에서 어느 하나의 짝수를 심전도 데이터 수로 결정할 수 있다.
프로세서(483)는 심전도 데이터 수에 기초하여 복수의 심전도 데이터들 중에서 둘 이상의 심전도 데이터들을 선택할 수 있다(S1033c). 이때, 둘 이상의 심전도 데이터들은 서로 중복되는 심전도 데이터들 및 서로 중복되지 않은 심전도 데이터들 중에서 적어도 하나의 심전도 데이터들을 포함할 수 있다.
프로세서(483)는 선택된 심전도 데이터들을 학습 데이터들로 결정할 수 있다(S1033d). 이때, 선택된 심전도 데이터들의 수는 심전도 데이터 수와 동일할 수 있다.
도 15는 도 13c에 도시된 후보 학습 데이터 결정 동작 및 학습 데이터 결정 동작을 설명하기 위한 일 예를 나타낸다.
프로세서(483)는 복수의 심전도 유도 방식들 및 복수의 심전도 데이터들을 객체별로 분류할 수 있다(S1035a).
예를 들어, 프로세서(483)는 복수의 심전도 데이터들 각각에 데이터 라벨링된 제1 식별자 정보 및 제2 식별자 정보에 기초하여 복수의 심전도 유도 방식들 및 복수의 심전도 데이터들을 객체별로 분류할 수 있다.
프로세서(483)는 복수의 심전도 유도 방식들의 수 및 복수의 객체들의 수에 기초하여 각 객체에 대응하는 심전도 유도 방식들 중에서 어느 하나의 심전도 유도 방식을 각 객체를 대표하는 대표 심전도 유도 방식으로 결정할 수 있다(1035b).
예를 들어, 프로세서(483)는 복수의 심전도 유도 방식들의 수 및 복수의 객체들의 수가 동일한지 여부에 기초하여 각 객체를 대표하는 대표 심전도 유도 방식을 결정할 수 있다.
복수의 심전도 유도 방식들의 수 및 복수의 객체들의 수가 동일한 경우, 프로세서(483)는 각 객체를 대표하는 대표 심전도 유도 방식을 객체마다 서로 상이한 심전도 유도 방식으로 결정할 수 있다. 다시 말하자면, 각 객체를 대표하는 대표 심전도 유도 방식은 객체별로 상이할 수 있다.
복수의 심전도 유도 방식들의 수 및 복수의 객체들의 수가 동일하지 않은 경우, 프로세서(483)는 각 객체를 대표하는 대표 심전도 유도 방식을 각 객체에 대응하는 심전도 유도 방식들 중에서 심전도 데이터 수가 가장 많은 심전도 유도 방식으로 결정할 수 있다.
예를 들어, 제1 객체에 대응하는 심전도 유도 방식이 Lead I 방식 및 Lead II 방식이고, 제1 객체에 대응하는 심전도 데이터가 2개의 Lead I 심전도 데이터 및 1개의 Lead II 심전도 데이터이고, 제2 객체에 대응하는 심전도 유도 방식이 Lead I 방식 및 Lead II 방식이고, 제2 객체에 대응하는 심전도 데이터가 1개의 Lead I 심전도 데이터 및 2개의 Lead II 심전도 데이터인 경우, 프로세서(483)는 제1 객체를 대표하는 대표 심전도 유도 방식을 Lead I 방식으로 결정하고, 제2 객체를 대표하는 대표 심전도 유도 방식을 Lead II 방식으로 결정할 수 있다.
프로세서(483)는 각 객체에 대응하는 심전도 데이터들 중에서 각 객체를 대표하는 대표 심전도 유도 방식에 대응하는 심전도 데이터들을 각 객체를 대표하는 대표 심전도 데이터들로 결정할 수 있다(S1035c).
제1 객체에 대응하는 심전도 유도 방식이 Lead I 방식 및 Lead II 방식이고, 제1 객체에 대응하는 심전도 데이터가 2개의 Lead I 심전도 데이터 및 1개의 Lead II 심전도 데이터이고, 제2 객체에 대응하는 심전도 유도 방식이 Lead I 방식 및 Lead II 방식이고, 제2 객체에 대응하는 심전도 데이터가 1개의 Lead I 심전도 데이터 및 2개의 Lead II 심전도 데이터인 경우, 프로세서(483)는 제1 객체를 대표하는 대표 심전도 데이터를 2개의 Lead I 심전도 데이터로 결정하고, 제2 객체를 대표하는 대표 심전도 데이터를 1개의 Lead II 심전도 데이터로 결정할 수 있다.
프로세서(483)는 각 객체를 대표하는 대표 심전도 데이터들을 후보 학습 데이터들로 결정할 수 있다(S1037).
제1 객체를 대표하는 대표 심전도 데이터가 2개의 Lead I 심전도 데이터이고, 제2 객체를 대표하는 대표 심전도 데이터가 2개의 Lead II 심전도 데이터인 경우, 프로세서(483)는 제1 객체를 대표하는 2개의 Lead I 심전도 데이터 및 제2 객체를 대표하는 2개의 Lead II 심전도 데이터를 후보 학습 데이터들로 결정할 수 있다.
프로세서(483)는 후보 학습 데이터들 중에서 적어도 하나의 후보 학습 데이터들을 학습 데이터들로 결정할 수 있다(S1039).
일 예로, 프로세서(483)는 후보 학습 데이터들 모두를 학습 데이터들로 결정할 수 있다(1039a).
다른 예로, 프로세서(483)는 후보 학습 데이터들 중에서 일부를 학습 데이터들로 결정할 수 있다(1039b). 예를 들어, 프로세서(483)는 후보 학습 데이터들 중에서 둘 이상의 후보 학습 데이터들을 학습 데이터들로 결정할 수 있다.
구체적으로, 프로세서(483)는 후보 학습 데이터들의 수인 전체 후보 학습 데이터 수를 계산할 수 있다. 예를 들어, 프로세서(483)는 후보 학습 데이터들 각각을 카운팅하여 전체 후보 학습 데이터 수를 계산할 수 있다.
프로세서(483)는 전체 후보 학습 데이터 수에 기초하여 후보 학습 데이터들 중에서 학습 데이터들로 선택할 후보 학습 데이터들의 수인 후보 학습 데이터 수를 결정할 수 있다.
예를 들어, 프로세서(483)는 전체 후보 학습 데이터 수가 홀수인지 짝수인지 여부에 기초하여 후보 학습 데이터 수를 결정할 수 있다. 전체 후보 학습 데이터 수가 홀수인 경우, 프로세서(483)는 전체 후보 학습 데이터 수의 절반 이상의 수 내지 전체 후보 학습 데이터 수 중에서 어느 하나의 홀수를 후보 학습 데이터 수로 결정할 수 있다. 전체 후보 학습 데이터 수가 짝수인 경우, 프로세서(483)는 전체 후보 학습 데이터 수의 절반 이상의 수 내지 전체 후보 학습 데이터 수 중에서 어느 하나의 짝수를 후보 학습 데이터 수로 결정할 수 있다.
프로세서(483)는 후보 학습 데이터 수에 기초하여 후보 학습 데이터들 중에서 둘 이상의 후보 학습 데이터들을 선택할 수 있다. 이때, 둘 이상의 후보 학습 데이터들은 서로 중복되는 후보 학습 데이터들 및 서로 중복되지 않은 후보 학습 데이터들 중에서 적어도 하나의 후보 학습 데이터들을 포함할 수 있다.
프로세서(483)는 선택된 후보 학습 데이터들을 학습 데이터들로 결정할 수 있다. 이때, 선택된 후보 학습 데이터들의 수는 후보 학습 데이터 수와 동일할 수 있다.
도 16은 도 12에 도시된 프로세서의 필터링 동작 및 학습 동작을 설명하기 위한 일 예를 나타내고, 도 17a는 본 개시의 일 실시예에 따른 원본 심전도 데이터를 설명하기 위한 일 예를 나타내고, 도 17b는 본 개시의 일 실시예에 따른 보정 데이터를 설명하기 위한 일 예를 나타내고, 도 18a는 본 개시의 일 실시예에 따른 보정 데이터를 설명하기 위한 다른 예를 나타내고, 도 18b는 본 개시의 일 실시예에 따른 보정 데이터를 설명하기 위한 또 다른 예를 나타낸다.
도 16 내지 도 18b를 참조하면, 프로세서(483)는 S1050 단계를 통해 추출된 서브 데이터 단위의 학습 데이터를 딥러닝 모델의 학습 데이터로 획득할 수 있다(S1071). 다시 말하자면, 프로세서(483)는 추출된 서브 데이터 단위의 학습 데이터인 딥러닝 모델의 학습 데이터를 획득할 수 있다.
프로세서(483)는 학습 데이터에 대응하는 객체의 전자 장치에 대한 제1 정보 및 객체의 움직임에 대한 제2 정보 중에서 적어도 하나의 정보에 기초하여 학습 데이터를 필터링함으로써 학습 데이터가 필터링된 보정 데이터를 생성할 수 있다(S1073). 이때, 학습 데이터는 복수의 객체들 중에서 어느 하나의 객체에 대한 심전도 데이터일 수 있다. 학습 데이터는 제1 정보 및 제2 정보 중에서 적어도 하나의 정보가 데이터 라벨링될 수 있다. 제1 정보는 상술한 바와 같이 심전도 데이터가 측정되는 동안에 객체의 전자 장치에서 발생되는 전자기 신호인 제1 전자기 신호에 대한 정보를 포함할 수 있다. 제2 정보는 심전도 데이터가 측정되는 동안에 객체의 근육 움직임에 의해 발생되는 전자기 신호인 제2 전자기 신호 및 객체의 호흡에 의해 발생되는 전자기 신호인 제3 전자기 신호 중에서 적어도 하나의 전자기 신호에 대한 정보를 포함할 수 있다.
예를 들어, 프로세서(483)는 제1 전자기 신호 및 제2 전자기 신호 중에서 적어도 하나의 전자기 신호에 기초하여 학습 데이터에서 고주파 노이즈를 제거하여 고주파 노이즈가 제거된 학습 데이터를 생성할 수 있다.
구체적으로, 프로세서(483)는 제1 전자기 신호 및 제2 전자기 신호 중에서 적어도 하나의 전자기 신호를 고주파 노이즈(또는 고주파 노이즈 신호)로 결정할 수 있다. 프로세서(483)는 학습 데이터에 포함된 복수의 주파수들 중에서 고주파 노이즈의 주파수에 대응하는 주파수를 제거하여 고주파 노이즈가 제거된 학습 데이터를 생성할 수 있다. 이때, 고주파 노이즈의 주파수는 제1 전자기 신호의 주파수 및 제2 전자기 신호의 주파수 중에서 적어도 하나의 주파수일 수 있다.
학습 데이터가 도 17a에 도시된 Original ECG data와 같은 경우, 프로세서(483)는 Original ECG data에 포함된 고주파 노이즈를 제거하여 도 1b에 도시된 Pre-filtered ECG data 1을 생성할 수 있다. Pre-filtered ECG data 1은 고주파 노이즈가 제거된 학습 데이터일 수 있다.
프로세서(483)는 제3 전자기 신호에 기초하여 고주파 노이즈가 제거된 학습 데이터에서 저주파 노이즈를 제거하여 저주파 노이즈가 제거된 학습 데이터를 생성할 수 있다.
예를 들어, 프로세서(483)는 제3 전자기 신호를 저주파 노이즈(또는 저주파 노이즈 신호)로 결정할 수 있다. 프로세서(483)는 고주파 노이즈가 제거된 학습 데이터에 포함된 복수의 주파수들 중에서 저주파 노이즈의 주파수에 대응하는 주파수를 제거하여 고주파 노이즈 및 저주파 노이즈가 제거된 학습 데이터를 생성할 수 있다. 이때, 저주파 노이즈의 주파수는 제3 전자기 신호의 주파수일 수 있다.
고주파 노이즈가 제거된 학습 데이터가 도 18a에 도시된 Pre-filtered ECG data 2와 같은 경우, 프로세서(483)는 Pre-filtered ECG data 2에 포함된 저주파 노이즈를 제거하여 도 18b에 도시된 Post-filtered ECG data를 생성할 수 있다. Post-filtered ECG data는 고주파 노이즈 및 저주파 노이즈가 제거된 학습 데이터일 수 있다.
프로세서(483)는 고주파 노이즈 및 저주파 노이즈가 제거된 학습 데이터를 보정 데이터로 결정할 수 있다.
프로세서(483)는 학습 데이터 및 보정 데이터에 기초하여 딥러닝 모델을 학습할 수 있다(S1075).
일 예로, 프로세서(483)는 학습 데이터 및 보정 데이터를 딥러닝 모델에 동시에 입력하여 딥러닝 모델을 학습할 수 있다.
다른 예로, 프로세서(483)는 학습 데이터 및 재보정 데이터를 딥러닝 모델에 동시에 입력하거나 학습 데이터, 보정 데이터 및 재보정 데이터를 딥러닝 모델에 동시에 입력하여 딥러닝 모델을 학습할 수 있다.
예를 들어, 프로세서(483)는 학습 데이터에 대응하는 객체의 생체에 대한 제3 정보에 기초하여 보정 데이터를 필터링하여 보정 데이터가 필터링된 재보정 데이터를 생성할 수 있다. 이때, 학습 데이터는 제3 정보가 데이터 라벨링될 수 있다. 제3 정보는 상술한 바와 같이 객체의 성별, 연령 및 비만도에 대한 정보를 포함할 수 있다.
구체적으로, 프로세서(483)는 제3 정보에 기초하여 학습 데이터에 대응하는 객체의 정상 심박수를 결정할 수 있다.
[표 1]
예를 들어, 프로세서(483)는 표 1에 도시된 바와 같이 기 저장된 정상 심박수 범위들 중에서 제3 정보에 대응하는 정상 심박수 범위를 획득할 수 있다. 이때, 기 저장된 정상 심박수 범위들은 표 1에 도시된 바와 같이 성별, 연령 및 비만도 중에서 적어도 하나에 따라 다양하게 결정되는 정상 심박수 범위들일 수 있다. 제3 정보에 대응하는 정상 심박수 범위는 정상 심박수 범위들 중에서 객체의 성별, 연령 및 비만도 중에서 적어도 하나에 대응하는 정상 심박수 범위일 수 있다.
객체의 나이가 5세인 경우, 나이가 5세인 객체의 정상 심박수 범위는 표 1에 도시된 바와 같이 75회 내지 120회일 수 있다.
프로세서(483)는 획득된 정상 심박수 범위의 평균값인 평균 심박수를 객체의 정상 심박수로 결정할 수 있다.
프로세서(483)는 보정 데이터에 포함된 복수의 주파수들 중에서 객체의 정상 심박수에 대응하는 주파수를 선택할 수 있다. 예를 들어, 프로세서(483)는 보정 데이터에 포함된 복수의 주파수들 중에서 정상 심박수와 동일한 주파수 또는 정상 심박수와 가장 유사한 주파수를 정상 심박수에 대응하는 주파수로 선택할 수 있다.
프로세서(483)는 보정 데이터에 포함된 복수의 주파수들 중에서 객체의 정상 심박수에 대응하는 주파수를 기준으로 임계 주파수 간격 내에 포함된 주파수를 제거할 수 있다. 이때, 임계 주파수 간격은 기 설정되어 메모리(481)에 저장될 수 있다. 예를 들어, 임계 주파수 간격은 객체의 정상 심박수에 대응하는 주파수를 기준으로 ±5Hz일 수 있지만, 이에 한정되지 않는다. 예를 들어, 임계 주파수 간격은 객체의 정상 심박수에 대응하는 주파수를 기준으로 ±10Hz 또는 ±15Hz 등 다양할 수 있다.
복수의 주파수들이 50Hz 내지 70 Hz이고, 객체의 정상 심박수에 대응하는 주파수가 60 Hz이고, 임계 주파수 간격이 ±5Hz인 경우, 프로세서(483)는 50Hz 내지 70 Hz 중에서 55Hz 내지 65Hz를 제거할 수 있다.
프로세서(483)는 임계 주파수 간격 내에 포함된 주파수가 제거된 학습 데이터를 재보정 데이터로 결정할 수 있다. 이때, 재보정 데이터는 학습 데이터 및 보정 데이터보다 객체의 정상 심박수를 더욱 명확하게 나타내는 학습 데이터일 수 있다.
프로세서(483)는 학습 데이터와 재보정 데이터를 딥러닝 모델에 동시에 입력하여 딥러닝 모델을 학습하거나 학습 데이터, 보정 데이터 및 재보정 데이터를 딥러닝 모델에 동시에 입력하여 딥러닝 모델을 학습할 수 있다.
도 19는 본 개시의 일 실시예에 따른 프로세서의 건강 상태 진단 동작을 설명하기 위한 일 예를 나타낸다.
프로세서(483)는 데이터 측정 장치(470)로부터 제공된 타겟 객체에 대한 심전도 데이터들을 획득할 수 있다(S1910). 예를 들어, 프로세서(483)는 복수의 심전도 유도 방식들 중에서 둘 이상의 심전도 유도 방식들을 통해 측정되는 타겟 객체에 대한 심전도 데이터들을 획득할 수 있다. 이때, 타겟 객체에 대한 심전도 데이터들 각각은 적어도 둘 이상의 심전도 유도 방식들 각각에 대응하는 심전도 데이터일 수 있다.
프로세서(483)는 학습된 딥러닝 모델을 통해 생성된 분석 모델들 각각에 타겟 객체에 대한 심전도 데이터들 각각을 입력하여 타겟 객체에 대한 심전도 데이터들 각각을 건강 객체에 대응하는 정상 심전도 데이터 및 비건강 객체에 대응하는 비정상 심전도 데이터 중에서 어느 하나의 심전도 데이터로 결정할 수 있다(S1930). 이때, 분석 모델은 심전도 데이터를 분석하는 딥러닝 모델일 수 있다. 건강 객체는 심장에 발생 가능한 질병을 보유하지 않고, 빈혈 수치 및 무기질 수치가 정상인 객체일 수 있다. 비건강 객체는 심장에 발생 가능한 질병을 보유하거나 빈혈 수치 및 무기질 수치 중에서 적어도 하나의 수치가 비정상인 객체일 수 있다.
예를 들어, 프로세서(483)는 학습된 딥러닝 모델 및 타겟 객체에 대한 심전도 데이터들의 데이터 수에 기초하여 분석 모델들을 생성할 수 있다(S1931). 이때, 분석 모델들 각각은 학습된 딥러닝 모델과 동일한 딥러닝 모델일 수 있다. 분석 모델들의 모델 수는 타겟 객체에 대한 심전도 데이터들의 데이터 수와 동일할 수 있다. 다시 말하자면, 분석 모델은 학습된 딥러닝 모델과 동일한 모델로 타겟 객체에 대한 심전도 데이터들 수 만큼 생성될 수 있다.
프로세서(483)는 분석 모델들 각각에 타겟 객체에 대한 심전도 데이터들 각각을 입력할 수 있다(S1933).
프로세서(483)는 심전도 데이터가 입력된 분석 모델들로부터 출력되는 분석 결과값들에 기초하여 타겟 객체에 대한 심전도 데이터들 각각을 정상 심전도 데이터 및 비정상 심전도 데이터 중에서 어느 하나의 심전도 데이터로 결정할 수 있다(S1935). 이때, 타겟 객체에 대한 심전도 데이터들 각각은 각 분석 모델을 통해 분석될 수 있다. 각 분석 모델은 각 분석 모델에 입력되는 심전도 데이터를 분석하여 분석 결과값을 출력할 수 있다. 다시 말하자면, 분석 결과값들 각각은 분석 모델들 각각으로부터 출력될 수 있다. 분석 결과값들 각각은 0 내지 1 중에서 어느 하나의 값일 수 있다. 분석 결과값은 질병이 발병될 확률을 의미할 수 있다. 질병은 상술한 바와 같이 심장에 발생 가능한 질병일 수 있다. 분석 결과값이 1에 가까운 경우에는 질병이 발병될 확률이 낮고, 분석 결과값이 0에 가까운 경우에는 질병이 발병될 확률이 높을 수 있지만, 이에 한정되지 않는다. 예를 들어, 분석 결과값이 1에 가까운 경우에는 질병이 발병될 확률이 높고, 분석 결과값이 0에 가까운 경우에는 질병이 발병될 확률이 낮을 수 있다. 이하에서는 설명의 편의를 위해서 분석 결과값이 1에 가까운 경우에는 질병이 발병될 확률이 낮고, 분석 결과값이 0에 가까운 경우에는 질병이 발병될 확률이 높다고 가정하도록 한다.
예를 들어, 프로세서(483)는 분석 결과값들 중에서 0.5를 기준으로 임계 간격 내에 포함된 분석 결과값을 삭제하여 분석 결과값들 중에서 임계 간격 내에 포함된 분석 결과값을 제외한 나머지 분석 결과값들을 획득할 수 있다. 이때, 임계 간격은 기 설정되어 메모리(481)에 저장될 수 있다. 임계 간격은 0.5를 기준으로 ±0.05일 수 있지만, 이에 한정되지 않는다. 예를 들어, 임계 간격은 0.5를 기준으로 ±0.1 또는 ±0.2 등 다양할 수 있다.
프로세서(483)는 나머지 분석 결과값들에 기초하여 타겟 객체에 대한 심전도 데이터들 중에서 나머지 분석 결과값들에 대응하는 심전도 데이터들을 정상 심전도 데이터 및 비정상 심전도 데이터들 중에서 어느 하나의 심전도 데이터로 결정할 수 있다. 이때, 나머지 분석 결과값들에 대응하는 심전도 데이터들은 나머지 분석 결과값들을 출력한 분석 모델들에 입력된 심전도 데이터들일 수 있다.
예를 들어, 프로세서(483)는 나머지 분석 결과값들에 대응하는 심전도 데이터들 중에서 분석 결과값이 0.5를 초과하지 않는 심전도 데이터를 비정상 심전도 데이터로 결정할 수 있다. 프로세서(483)는 나머지 분석 결과값들에 대응하는 심전도 데이터들 중에서 분석 결과값이 0.5를 초과하는 심전도 데이터를 정상 심전도 데이터로 결정할 수 있다.
상술한 바와 같이 프로세서(483)는 0.5를 초과하는 심전도 데이터를 정상 심전도 데이터로 결정하고, 0.5를 초과하지 않는 심전도 데이터를 비정상 심전도 데이터로 결정하지만, 이에 한정되지 않는다. 예를 들어, 프로세서(483)는 딥러닝 모델을 모델링한 알고리즘에 따라 0.5를 초과하는 심전도 데이터를 비정상 심전도 데이터로 결정하고, 0.5를 초과하지 않는 심전도 데이터를 정상 심전도 데이터로 결정할 수 있다.
프로세서(483)는 타겟 객체에 대한 심전도 데이터들 중에서 정상 심전도 데이터로 결정된 심전도 데이터의 수 및 비정상 심전도 데이터로 결정된 심전도 데이터의 수에 기초하여 타겟 객체의 건강 상태를 진단(또는 결정)할 수 있다(S1950).
예를 들어, 프로세서(483)는 정상 심전도 데이터로 결정된 심전도 데이터의 수가 비정상 심전도 데이터로 결정된 심전도 데이터의 수보다 높은지 여부에 기초하여 타겟 객체의 건강 상태를 정상 상태 및 비정상 상태 중에서 어느 하나의 상태로 결정할 수 있다. 이때, 정상 상태는 건강 객체에 대응하는 상태로 질병을 보유하지 않고, 빈혈 수치 및 무기질 수치가 정상인 상태일 수 있다. 비정상 상태는 비건강 객체에 대응하는 상태로 질병을 보유하거나(또는 보유하고) 빈혈 수치 및 무기질 수치 중에서 적어도 하나의 수치가 비정상인 상태일 수 있다.
정상 심전도 데이터로 결정된 심전도 데이터의 수가 비정상 심전도 데이터로 결정된 심전도 데이터의 수보다 높은 경우, 프로세서(483)는 타겟 객체를 건강 객체로 결정하고, 타겟 객체의 건강 상태를 정상 상태로 결정할 수 있다.
타겟 객체에 대한 심전도 데이터들 중에서 정상 심전도 데이터로 결정된 심전도 데이터의 수가 비정상 심전도 데이터로 결정된 심전도 데이터의 수보다 낮거나 동일한 경우, 프로세서(483)는 타겟 객체를 비건강 객체로 결정하고, 타겟 객체의 건강 상태를 비정상 상태로 결정할 수 있다.
프로세서(483)는 타겟 객체의 건강 상태에 대한 정보(또는 건강 정보)를 타겟 객체 및/또는 타겟 객체를 관리하는 관리자에게 제공할 수 있다(S1970). 예를 들어, 프로세서(483)는 타겟 객체 및/또는 관리자가 사용하는 전자 장치에 타겟 객체의 건강 상태에 대한 정보를 전송할 수 있다. 이때, 타겟 객체의 건강 상태에 대한 정보는 타겟 객체가 건강 객체인지 비건강 객체인지 여부를 나타내는 정보 및/또는 타겟 객체의 건강 상태가 정상 상태인지 비정상 상태인지 여부를 나타내는 정보 등 타겟 객체의 심장 건강에 대한 다양한 정보가 포함될 수 있다.
이를 통해, 프로세서(483)는 타겟 객체 및/또는 관리자가 타겟 객체의 심장을 건강하게 관리하게 할 수 있다.
프로세서(483)는 마사지 장치(100)의 제어부(1200)와 구별되게 구현되지만, 이에 한정되지 않는다. 예를 들어, 제어부(1200)는 내부에 프로세서(483)를 포함하게 구현되거나 상술한 프로세서(483)의 동작이 수행가능하게 구현되어 상술한 프로세서(483)의 동작을 수행할 수 있다.
본 발명의 당업자라면 본 발명이 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알것이다. 예를 들어, 본 발명은 컴퓨터-판독가능 매체에 의해 구현될 수 있다.
컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독 가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독 가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.
컴퓨터 판독 가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기 술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발 명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (9)

  1. 딥러닝 모델을 학습하는 방법에 있어서,
    복수의 심전도 유도 방식들을 통해 측정되는 복수의 객체들에 대한 복수의 심전도 데이터들을 획득하는 단계;
    각 객체를 대표하는 대표 심전도 유도 방식에 기초하여 상기 복수의 심전도 데이터들 중에서 각 객체를 대표하는 대표 심전도 데이터들을 결정하는 단계;
    상기 대표 심전도 데이터들을 상기 딥러닝 모델의 후보 학습 데이터들로 결정하는 단계;
    상기 후보 학습 데이터들 중에서 적어도 하나의 후보 학습 데이터들을 상기 딥러닝 모델의 학습 데이터들로 결정하는 단계;
    상기 학습 데이터들을 서브 데이터 단위로 추출하는 단계; 및
    추출된 서브 데이터 단위의 학습 데이터를 상기 딥러닝 모델에 입력하여 상기 딥러닝 모델을 학습하는 단계;
    를 포함하는,
    방법.
  2. 제1항에 있어서,
    상기 복수의 심전도 데이터들 각각은 상기 복수의 심전도 유도 방식들 각각에 대응하는 심전도 데이터이고,
    상기 복수의 심전도 유도 방식들은 심전도 데이터 측정시 사용되는 전극에 따라 구분되고, 상기 복수의 심전도 유도 방식들은 제1 심전도 유도 방식 및 제2 심전도 유도 방식 중에서 적어도 하나의 심전도 유도 방식을 포함하고, 상기 제1 심전도 유도 방식은 실제 전극을 이용하여 심전도 데이터를 측정하는 방식이고, 상기 제2 심전도 유도 방식은 상기 실제 전극 및 가상 전극을 이용하여 심전도 데이터를 측정하는 방식인,
    방법.
  3. 제1항에 있어서,
    상기 대표 심전도 데이터들을 결정하는 단계는:
    복수의 심전도 유도 방식들 및 복수의 심전도 데이터들을 객체별로 분류하는 단계;
    상기 복수의 심전도 유도 방식들의 수 및 상기 복수의 객체들의 수에 기초하여 각 객체에 대응하는 심전도 유도 방식들 중에서 어느 하나의 심전도 유도 방식을 각 객체를 대표하는 대표 심전도 유도 방식으로 결정하는 단계; 및
    각 객체에 대응하는 심전도 데이터들 중에서 상기 대표 심전도 유도 방식에 대응하는 심전도 데이터들을 상기 대표 심전도 데이터들로 결정하는 단계;
    를 포함하는,
    방법.
  4. 제3항에 있어서,
    상기 대표 심전도 유도 방식은 객체별로 상이한 심전도 유도 방식인,
    방법.
  5. 제3항에 있어서,
    상기 대표 심전도 유도 방식으로 결정하는 단계는:
    상기 복수의 심전도 유도 방식들의 수 및 상기 복수의 객체들의 수가 동일한지 여부에 기초하여 상기 대표 심전도 유도 방식을 결정하는 단계;
    를 포함하고,
    상기 대표 심전도 유도 방식을 결정하는 단계는:
    상기 복수의 심전도 유도 방식들의 수 및 상기 복수의 객체들의 수가 동일한 경우, 상기 대표 심전도 유도 방식을 객체마다 서로 상이한 심전도 유도 방식으로 결정하는 단계; 및
    상기 복수의 심전도 유도 방식들의 수 및 상기 복수의 객체들의 수가 동일하지 않은 경우, 상기 대표 심전도 유도 방식을 각 객체에 대응하는 심전도 유도 방식들 중에서 심전도 데이터 수가 가장 많은 심전도 유도 방식으로 결정하는 단계;
    를 포함하는,
    방법.
  6. 제1항에 있어서,
    상기 학습 데이터들로 결정하는 단계는:
    상기 후보 학습 데이터들 모두를 상기 학습 데이터들로 결정하는 단계;
    를 포함하는,
    방법.
  7. 제1항에 있어서,
    상기 추출하는 단계는:
    상기 서브 데이터 단위에 기초하여 상기 학습 데이터들을 상기 서브 데이터 단위의 서브 학습 데이터들로 구분하는 단계; 및
    상기 랜덤 추출법에 기초하여 상기 서브 학습 데이터들 각각을 랜덤하게 추출하는 단계;
    를 포함하는,
    방법.
  8. 제7항에 있어서,
    상기 구분하는 단계는:
    상기 학습 데이터들 각각을 서브 학습 데이터로 결정하는 단계;
    를 포함하는,
    방법.
  9. 제7항에 있어서,
    상기 학습하는 단계는:
    상기 서브 학습 데이터가 추출될 때마다 추출된 서브 학습 데이터를 상기 딥러닝 모델에 입력하여 상기 딥러닝 모델을 학습하는 단계;
    를 포함하는,
    방법.
KR1020210019299A 2020-10-26 2021-02-10 딥러닝 모델을 학습하는 장치 KR20220055383A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020200139261 2020-10-26
KR20200139261 2020-10-26

Publications (1)

Publication Number Publication Date
KR20220055383A true KR20220055383A (ko) 2022-05-03

Family

ID=81590801

Family Applications (8)

Application Number Title Priority Date Filing Date
KR1020210019318A KR102509030B1 (ko) 2020-10-26 2021-02-10 딥러닝 모델을 학습하는 장치 및 이를 제어하는 방법
KR1020210019299A KR20220055383A (ko) 2020-10-26 2021-02-10 딥러닝 모델을 학습하는 장치
KR1020210019323A KR20220055385A (ko) 2020-10-26 2021-02-10 건강을 진단할 딥러닝 모델을 학습하는 방법
KR1020210019241A KR20220055381A (ko) 2020-10-26 2021-02-10 딥러닝 모델을 학습하는 방법
KR1020210019350A KR102509035B1 (ko) 2020-10-26 2021-02-10 건강을 진단하는 방법
KR1020210019324A KR102509534B1 (ko) 2020-10-26 2021-02-10 건강을 진단할 딥러닝 모델을 학습하는 방법 및 이를 수행하는 장치
KR1020210019291A KR102526777B1 (ko) 2020-10-26 2021-02-10 딥러닝 모델을 학습하는 방법 및 이를 수행하는 장치
KR1020210019333A KR20220055387A (ko) 2020-10-26 2021-02-10 건강을 진단할 딥러닝 모델을 학습하는 장치

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020210019318A KR102509030B1 (ko) 2020-10-26 2021-02-10 딥러닝 모델을 학습하는 장치 및 이를 제어하는 방법

Family Applications After (6)

Application Number Title Priority Date Filing Date
KR1020210019323A KR20220055385A (ko) 2020-10-26 2021-02-10 건강을 진단할 딥러닝 모델을 학습하는 방법
KR1020210019241A KR20220055381A (ko) 2020-10-26 2021-02-10 딥러닝 모델을 학습하는 방법
KR1020210019350A KR102509035B1 (ko) 2020-10-26 2021-02-10 건강을 진단하는 방법
KR1020210019324A KR102509534B1 (ko) 2020-10-26 2021-02-10 건강을 진단할 딥러닝 모델을 학습하는 방법 및 이를 수행하는 장치
KR1020210019291A KR102526777B1 (ko) 2020-10-26 2021-02-10 딥러닝 모델을 학습하는 방법 및 이를 수행하는 장치
KR1020210019333A KR20220055387A (ko) 2020-10-26 2021-02-10 건강을 진단할 딥러닝 모델을 학습하는 장치

Country Status (1)

Country Link
KR (8) KR102509030B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024019523A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024019575A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
WO2024025350A1 (ko) * 2022-07-29 2024-02-01 주식회사 메디컬에이아이 심전도 판독을 위한 인공지능 모델의 업데이트 방법, 프로그램 및 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180032829A (ko) * 2016-09-23 2018-04-02 산들정보통신주식회사 의류용 심박 신호 측정 장치
WO2018199031A1 (ja) 2017-04-27 2018-11-01 日本電信電話株式会社 学習型信号分離方法、及び学習型信号分離装置
KR20190128841A (ko) * 2018-05-09 2019-11-19 삼성에스디에스 주식회사 심전도 신호의 클러스터링 방법 및 이를 수행하기 위한 심전도 처리 장치
KR102022510B1 (ko) * 2018-11-30 2019-09-18 가천대학교 산학협력단 심전도 신호를 이용한 개인 인증 방법 및 장치
KR102078703B1 (ko) * 2019-07-23 2020-02-19 이재용 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024019523A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치

Also Published As

Publication number Publication date
KR102509534B1 (ko) 2023-03-10
KR20220055381A (ko) 2022-05-03
KR102509035B1 (ko) 2023-03-10
KR102526777B1 (ko) 2023-05-16
KR102509030B1 (ko) 2023-03-10
KR20220055387A (ko) 2022-05-03
KR20220055382A (ko) 2022-05-03
KR20220055384A (ko) 2022-05-03
KR20220055386A (ko) 2022-05-03
KR20220055385A (ko) 2022-05-03
KR20220055388A (ko) 2022-05-03

Similar Documents

Publication Publication Date Title
KR102509035B1 (ko) 건강을 진단하는 방법
JP6868126B2 (ja) 患者の健康状態を評価するためのシステム及び方法
Masood et al. Modeling mental stress using a deep learning framework
US8764651B2 (en) Fitness monitoring
TW201725559A (zh) 一種評估心跳停止發生可能的穿戴式裝置及其方法
US20200170515A1 (en) Heart failure monitor using gait information
US11543879B2 (en) System for communicating sensory information with an interactive system and methods thereof
US20220313098A1 (en) Wearable biometric waveform analysis systems and methods
Nogueira et al. A review of commercial and medical-grade physiological monitoring devices for biofeedback-assisted quality of life improvement studies
EP3862042A1 (en) Method for providing mental massage to help treat anxiety and depression, and massage device
KR102223507B1 (ko) 뇌를 자극하기 위한 자기장 자극기를 장착한 마사지 장치 및 방법
KR20210023919A (ko) 뇌를 자극하기 위한 자기장 자극기를 장착한 마사지 장치 및 방법
Candelieri et al. Automated rehabilitation exercises assessment in wearable sensor data streams
US20210378582A1 (en) Systems and methods for assessing stroke risk
Luprano et al. HeartCycle: advanced sensors for telehealth applications
Armoundas et al. State of the art on wearable and implantable devices for cardiac and respiratory monitoring
Bleda et al. A quality and ergonomic heart monitoring device with user-friendly app for telemedicine
Nam et al. A phonocardiogram-based noise-robust real-time heart rate monitoring algorithm for outpatients during normal activities
Yoshida et al. Machine-learning estimation of body posture and physical activity by wearable acceleration and heartbeat sensors
Schmidt et al. Real-time QRS detection using integrated variance for ECG gated cardiac MRI
Sprowls et al. Integrated Sensing Systems for Monitoring Interrelated Physiological Parameters in Young and Aged Adults: A Pilot Study
Chowdhury et al. Future techniques and perspectives on implanted and wearable heart failure detection devices
Karnad A review on smart sensing devices in health surveillance
Fleury Characterization and Clinical Applications of Textile-based Sensors in Rehabilitation
KR102556537B1 (ko) 생체 신호를 측정하는 마사지 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application