KR20220129283A - 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법 - Google Patents
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법 Download PDFInfo
- Publication number
- KR20220129283A KR20220129283A KR1020210033975A KR20210033975A KR20220129283A KR 20220129283 A KR20220129283 A KR 20220129283A KR 1020210033975 A KR1020210033975 A KR 1020210033975A KR 20210033975 A KR20210033975 A KR 20210033975A KR 20220129283 A KR20220129283 A KR 20220129283A
- Authority
- KR
- South Korea
- Prior art keywords
- artificial intelligence
- signal
- abnormal
- intelligence algorithm
- biosignal
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 66
- 238000005259 measurement Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims description 33
- 230000002159 abnormal effect Effects 0.000 claims abstract description 91
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000013523 data management Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002567 electromyography Methods 0.000 description 3
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6844—Monitoring or controlling distance between sensor and tissue
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Psychology (AREA)
- Data Mining & Analysis (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Electrotherapy Devices (AREA)
Abstract
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템이 제공된다. 상기 시스템은 소정의 신체부위에서의 생체신호를 센싱하는 센싱부, 미리 학습된 인공지능 알고리즘에 기초하여 상기 센싱된 생체신호가 비정상적으로 측정된 비정상 신호인지 여부를 판별하는 비정상 신호 감지부 및 상기 판별 결과 비정상 신호인 경우, 사용자에게 알림을 제공하는 측정상태 알림부를 포함한다.
Description
본 발명은 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법에 관한 것이다.
환자의 건강 상태를 진단하기 위한 다양한 헬스케어 장치들이 사용 또는 개발되고 있다. 최근에는 생체신호 측정 센서의 발달과 신호처리 기술의 발달로 의료 및 헬스케어 장치에서 생체신호들이 많이 사용되고 있다.
특히, 머신러닝 기술의 발달로 생체신호를 분석하여 환자의 상태를 진단 및 예측하거나, 인간의 생체신호를 이용하여 기계 등을 제어하는 기술들이 상용화되고 있다.
한편, 머신러닝 기술에서 가장 중요한 요소는 데이터의 질이다. 그러나 생체신호 측정시 대상자들의 움직임이나 외부 노이즈, 센서의 부착 상태에 따라 데이터가 정상적으로 측정되지 않는 경우가 많고, 이로 인해 데이터의 질이 상당히 저하되는 문제가 있다.
본 발명이 해결하고자 하는 과제는 소정의 생체신호의 측정 성능을 향상시키고 획득되는 데이터의 질을 향상시키기 위하여, 인공지능 알고리즘을 통해 생체신호의 측정상태를 판별하고, 판별 결과 비정상적으로 측정되고 있는 경우 사용자에게 알림을 제공하는, 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 상기된 바와 같은 과제로 한정되지 않으며, 또다른 과제들이 존재할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 제1 측면에 따른 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법은 소정의 신체부위에서의 생체신호를 센싱하는 단계; 미리 학습된 인공지능 알고리즘에 기초하여 상기 센싱된 생체신호가 비정상적으로 측정된 비정상 신호인지 여부를 판별하는 단계; 및 상기 판별 결과 비정상 신호인 경우, 사용자에게 알림을 제공하는 단계를 포함한다,
또한, 본 발명의 제2 측면에 따른 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템은 소정의 신체부위에서의 생체신호를 센싱하는 센싱부, 미리 학습된 인공지능 알고리즘에 기초하여 상기 센싱된 생체신호가 비정상적으로 측정된 비정상 신호인지 여부를 판별하는 비정상 신호 감지부 및 상기 판별 결과 비정상 신호인 경우, 사용자에게 알림을 제공하는 측정상태 알림부를 포함한다.
상술한 과제를 해결하기 위한 본 발명의 다른 면에 따른 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어 상기 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법을 실행하며, 컴퓨터 판독가능 기록매체에 저장된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
전술한 본 발명의 일 실시예에 의하면, 생체신호 측정의 효율을 높일 수 있으며, 비정상인 데이터들을 자동으로 구분되도록 하여 구축되는 데이터의 질을 향상시킬 수 있다.
또한, 환자의 생세신호 측정시 측정상태를 안정적으로 유지할 수 있도록 도움을 주어, 생체신호로부터 환자의 건강상태를 모니터링하는 경우 또는 생체신호로부터 기계 장치들을 제어하는 경우 정확도를 더욱 높일 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템의 블록도이다.
도 2는 인공지능 알고리즘을 학습 및 적용시키는 일 실시예를 설명하기 위한 도면이다.
도 3a 및 도 3b는 인공지능 알고리즘을 학습 및 적용시키는 다른 일 실시예를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 비정상 신호 감지부의 구성 블록도이다.
도 5는 본 발명의 일 실시예에 따른 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법의 순서도이다.
도 2는 인공지능 알고리즘을 학습 및 적용시키는 일 실시예를 설명하기 위한 도면이다.
도 3a 및 도 3b는 인공지능 알고리즘을 학습 및 적용시키는 다른 일 실시예를 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 비정상 신호 감지부의 구성 블록도이다.
도 5는 본 발명의 일 실시예에 따른 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법의 순서도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 제한되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야의 통상의 기술자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다. 명세서 전체에 걸쳐 동일한 도면 부호는 동일한 구성 요소를 지칭하며, "및/또는"은 언급된 구성요소들의 각각 및 하나 이상의 모든 조합을 포함한다. 비록 "제1", "제2" 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야의 통상의 기술자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
본 발명은 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템(100) 및 방법에 관한 것이다.
본 발명은 소정의 생체 신호의 측정 성능을 높이기 위하여, 머신러닝과 같은 인공지능 알고리즘을 통해 생체신호의 측정 상태가 정상인지 비정상인지 여부를 판별한 후, 그 결과를 사용자에게 제공하는 기술에 관한 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예에 따른 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템을 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템(100)의 블록도이다.
본 발명의 일 실시예에 따른 생체신호 비정상 측정상태 알림 시스템(100)은 센싱부(110), 비정상 신호 감지부(120) 및 측정상태 알림부(130)를 포함한다.
먼저, 센싱부(110)는 소정의 신체부위에서의 생체신호를 센싱한다.
센싱부(110)는 사용자의 생체신호를 측정하기 위한 것이라면 어느 것이라도 무방하다. 일 예로, 센싱부(110)는 뇌파계, 뇌파분석장치, 망막전위계, 맥파계, 분만감시장치, 서모그래피(thermography), 세극등현미경(slit lamp microscope), 신장계, 심음계, 심전계, 체온계, 체중계, 초음파혈류계, 혈압계, 혈당계, 폐활량계 등이 이에 해당할 수 있다. 이 경우, 생체신호는 뇌파분석자료, 심전도 신호, 근전도, 체온, 혈압수치, 몸무게, 비만도, 체지방량, 간 수치, 콜레스테롤 수치, 혈당량, 심장 박동수, 산소 포화도 등을 의미한다.
이하에서는 설명의 편의를 위하여, 본 발명에서의 센싱부(110)는 ECG(Electrocardigraphy), PPG(Photoplethysmogram), EMG(Electromyography) 중 어느 하나의 생체신호를 측정하는 것으로 설명할 것이나, 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 본 실시예에서의 생체 신호는 뇌파(brain wave) 신호, 근전도 신호(Electromyography) 등 사용자의 신체에서 전기적으로 검출될 수 있는 다른 생체신호를 모두 포함하며, 센싱부(110)는 전술한 사용자의 생체신호를 센싱할 수 있는 모든 장치와 설비들을 포함하고, 전술한 복수 개의 생체신호들 중 적어도 하나를 측정할 수 있음을 알 수 있다.
비정상 신호 감지부(120)는 미리 학습된 인공지능 알고리즘에 기초하여 센싱부(110)에 의해 센싱된 생체신호가 비정상적으로 측정된 비정상 신호인지 여부를 판별한다.
여기에서 비정상적으로 측정된 경우라 함은 생체신호 측정시 사용자의 움직임 등으로 인해 측정된 생체신호에 외부 노이즈가 포함되는 경우, 센서의 부착 상태에 따라 생체신호가 정상적으로 측정되지 않는 경우 등을 포함한다.
예를 들어, 측정된 생체신호가 전술한 심전도 신호를 포함하는 경우 사용자의 신체에는 전극이 부착될 수 있다. 이러한 전극이 피부와 접촉되지 않은 상태에서 측정되는 경우 비정상적으로 측정된 경우라 할 수 있다.
또한, 생체신호 측정 중 사용자의 움직임이 발생한 경우, 피부에 밀착된 전극이 피부에서 떨어지거나, 또는 전하 분포 등의 변화가 일시적으로 생길 수 있으며, 측정된 생체신호는 이와 같은 변화들에 의해 영향을 받아 변동될 수 있는바, 이 경우 비정상적으로 측정된 경우라 할 수 있다.
비정상 신호 감지부(120)는 인공지능 알고리즘을 학습한 후, 학습된 인공지능 알고리즘에 센싱된 생체신호를 입력하여 해당 신호가 정상적으로 측정되었는지 아니면 비정상적으로 측정되었는지를 감지한다.
일 실시예로, 비정상 신호 감지부(120)는 GMM(Gaussian Mixture Model), SVM(Support Vector Machine) 등과 같은 기계학습 기반의 인공지능 알고리즘 또는 CNN(Convolutional Neural Network), GAN(Generative Adversarial Network), RNN(Recurrent Neural Network), AE(Autoencoder) 등과 같은 딥러닝 기반의 인공지능 알고리즘으로 구성될 수 있다.
한편, 본 발명의 일 실시예는 사용자의 움직임 정보를 측정하기 위한 IMU 또는 가속도 센서를 더 이용할 수 있다. 일 예로, IMU나 가속도 센서에 의한 센싱값을 기반으로 판단시 사용자의 움직임에 변화가 없으나, 비정상 신호 감지부(120)에 의해 비정상적으로 측정된 것으로 감지된 경우, 센싱부(110)의 고장 등 측정 방식 또는 측정 상태에 문제가 있을 수 있으므로, 본 발명의 일 실시예는 이를 확인하기 위해 IMU 또는 가속도 센서를 더 이용할 수 있다
도 2는 인공지능 알고리즘을 학습 및 적용시키는 일 실시예를 설명하기 위한 도면이다.
비정상 신호 감지부(120)는 미리 준비된 정상 신호 그룹과 비정상 신호 그룹을 기반으로 인공지능 알고리즘을 학습할 수 있다. 즉, 정상 신호와 비정상 신호를 분류하는 모델을 생성하기 위해, 비정상 상태로 측정된 데이터 그룹과 정상 상태로 측정된 데이터 그룹을 나누어 인공지능 알고리즘을 학습한다. 이때, 학습을 위한 입력 데이터에는 센싱된 생체신호 외에 사용자 정보, 생체신호가 가공된 신호들이 사용될 수 있다.
이후, 비정상 신호 감지부(120)는 센싱된 생체신호(a1)를 인공지능 알고리즘에 입력하여 비정상 신호 여부를 판별할 수 있다.
도 3a 및 도 3b는 인공지능 알고리즘을 학습 및 적용시키는 다른 일 실시예를 설명하기 위한 도면이다.
비정상 신호를 획득하기 어려운 경우에는 입력을 복원하도록 하는 모델을 사용할 수 있다. 즉, 비정상 신호 감지부(120)는 센서장치에 의해 측정된 생체신호, 생체신호의 미분이나 적분 값 등의 가공된 값을 출력변수(b2)로 설정하고, 출력변수로 설정된 생체신호나 가공된 값 및 출력변수로 미설정된 생체신호의 가공된 값을 입력변수(a1)로 설정하여 인공지능 알고리즘을 학습할 수 있다.
이러한 학습 과정에서, 비정상 신호 감지부(120)는 학습모델의 학습시 노이즈에 강인하도록 하기 위하여, 가상으로 생성된 노이즈 또는 실제 발생되어 측정된 노이즈를 입력변수로 더 설정하여 인공지능 알고리즘을 학습할 수도 있다.
인공지능 알고리즘의 학습이 완료됨에 따라, 비정상 신호 감지부(120)는 센싱된 생체신호(c1)를 인공지능 알고리즘에 입력하여 출력값(c2)을 획득한다. 그 다음, 입력된 생체신호와 출력값의 오차 신호(c3)를 산출하고, 산출된 오차 신호(c3)를 미리 설정된 임계값과 비교하고, 비교 결과에 기초하여 센싱된 생체신호가 비정상 신호인지 여부를 판별한다.
다시 도 1을 참조하면, 측정상태 알림부(130)는 센싱된 생체신호의 판별 결과 비정상 신호인 경우, 사용자에게 알림을 제공한다. 측정상태 알림부(130)는 텍스트 타입, 진동, 햅틱, 사운드, 디스플레이 장치 중 적어도 하나를 통해 사용자에게 비정상 신호임을 알릴 수 있다.
또한, 데이터 관리부(140)는 판별 결과 비정상 신호인 경우, 측정된 생체신호의 측정상태 정보를 기록하여 관리할 수 있다. 이러한 비정상 신호로 판별시 측정상태 정보를 기록하여 관리함으로써, 추후 사용자로 하여금 비정상 신호의 획득 가능성을 더욱 낮출 수 있다.
도 4는 본 발명의 일 실시예에 따른 비정상 신호 감지부(120)의 구성 블록도이다.
전술한 바에 따른 비정상 신호 감지부(120)는 통신모듈(10), 메모리(20) 및 프로세서(30)를 포함하여 구성될 수 있다.
통신모듈(10)은 센싱부(110)에 의해 센싱된 생체신호를 수신하며, 측정상태 알림부(130)로 판별 결과를 제공한다.
메모리(20)에는 미리 학습된 인공지능 알고리즘에 기초하여 센싱된 생체신호가 비정상적으로 측정된 비정상 신호인지 여부를 판별하기 위한 프로그램이 저장되며, 프로세서(30)는 메모리(20)에 저장된 프로그램을 실행시킨다.
참고로, 본 발명의 실시예에 따른 도 1에 도시된 구성 요소들은 소프트웨어 또는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)와 같은 하드웨어 형태로 구현될 수 있으며, 소정의 역할들을 수행할 수 있다.
그렇지만 '구성 요소들'은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 각 구성 요소는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.
따라서, 일 예로서 구성 요소는 소프트웨어 구성 요소들, 객체지향 소프트웨어 구성 요소들, 클래스 구성 요소들 및 태스크 구성 요소들과 같은 구성 요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다.
구성 요소들과 해당 구성 요소들 안에서 제공되는 기능은 더 작은 수의 구성 요소들로 결합되거나 추가적인 구성 요소들로 더 분리될 수 있다.
이하에서는 도 5을 참조하여 본 발명의 일 실시예에 따른 딥러닝 기반의 동맥혈압 추정 방법을 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법의 순서도이다.
한편, 도 5에 도시된 각 단계는 전술한 생체신호 비정상 측정상태 알림 시스템(100)을 구성하는 서버 또는 장치에 의해 수행되는 것으로 이해될 수 있으나, 반드시 이에 한정되는 것은 아니다.
먼저, 소정의 신체부위에서의 생체신호를 센싱한다(S110).
다음으로, 미리 학습된 인공지능 알고리즘에 기초하여, 센싱된 생체신호가 비정상적으로 측정된 비정상 신호인지 여부를 판별한다(S120).
다음으로, 판별 결과 비정상 신호인 경우, 사용자에게 알림을 제공한다(S130).
한편, 상술한 설명에서, 단계 S110 내지 S130은 본 발명의 구현예에 따라서, 추가적인 단계들이 더 추가 또는 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다. 아울러, 기타 생략된 내용이라 하더라도 도 1 내지 도 4의 내용은 도 5의 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법에도 적용된다.
이상에서 전술한 본 발명의 일 실시예는, 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, Ruby, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 이미지를 저장하는 매체가 아니라 반영구적으로 이미지를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 이미지 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 생체신호 비정상 측정상태 알림 시스템
110: 센싱부
120: 비정상 신호 감지부
130: 측정상태 알림부
140: 데이터 관리부
110: 센싱부
120: 비정상 신호 감지부
130: 측정상태 알림부
140: 데이터 관리부
Claims (13)
- 컴퓨터에 의해 수행되는 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법에 있어서,
소정의 신체부위에서의 생체신호를 센싱하는 단계;
미리 학습된 인공지능 알고리즘에 기초하여 상기 센싱된 생체신호가 비정상적으로 측정된 비정상 신호인지 여부를 판별하는 단계; 및
상기 판별 결과 비정상 신호인 경우, 사용자에게 알림을 제공하는 단계를 포함하는,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법.
- 제1항에 있어서,
상기 미리 학습된 인공지능 알고리즘에 기초하여 상기 센싱된 생체신호가 비정상적으로의 측정된 비정상 신호인지 여부를 판별하는 단계는,
상기 센싱된 생체신호를 정상 신호 그룹과 비정상 신호 그룹으로 분류하는 상기 인공지능 알고리즘에 입력하여 상기 비정상 신호 여부를 판별하는 것인,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법.
- 제2항에 있어서,
미리 준비된 정상 신호 그룹과 비정상 신호 그룹을 기반으로 상기 인공지능 알고리즘을 학습하는 단계를 더 포함하는,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법.
- 제1항에 있어서,
상기 센서장치에 의해 측정된 생체신호, 상기 생체신호의 가공된 값을 출력변수로 설정하고, 상기 출력변수로 설정된 생체신호나 가공된 값 및 상기 출력변수로 미설정된 생체신호의 가공된 값을 입력변수로 설정하여 상기 인공지능 알고리즘을 학습하는 단계를 더 포함하는,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법.
- 제4항에 있어서,
상기 인공지능 알고리즘을 학습하는 단계는,
가상으로 생성된 노이즈 또는 실제 발생되어 측정된 노이즈를 입력변수로 더 설정하여 상기 인공지능 알고리즘을 학습하는 것인,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법.
- 제4항에 있어서,
상기 미리 학습된 인공지능 알고리즘에 기초하여 상기 센싱된 생체신호가 비정상적으로의 측정된 비정상 신호인지 여부를 판별하는 단계는,
상기 센싱된 생체신호를 상기 인공지능 알고리즘에 입력하여 출력값을 획득하는 단계;
상기 입력된 생체신호와 출력값의 오차 신호를 산출하는 단계;
상기 산출된 오차 신호를 미리 설정된 임계값과 비교하는 단계; 및
상기 비교 결과에 기초하여 상기 센싱된 생체신호가 비정상 신호인지 여부를 판별하는 단계를 포함하는,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법.
- 제1항에 있어서,
상기 판별 결과 비정상 신호인 경우, 상기 측정된 생체신호의 측정상태 정보를 기록하는 단계를 더 포함하는,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 방법.
- 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템에 있어서,
소정의 신체부위에서의 생체신호를 센싱하는 센싱부,
미리 학습된 인공지능 알고리즘에 기초하여 상기 센싱된 생체신호가 비정상적으로 측정된 비정상 신호인지 여부를 판별하는 비정상 신호 감지부 및
상기 판별 결과 비정상 신호인 경우, 사용자에게 알림을 제공하는 측정상태 알림부를 포함하는,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템.
- 제8항에 있어서,
상기 비정상 신호 감지부는 미리 준비된 정상 신호 그룹과 비정상 신호 그룹을 기반으로 상기 센싱된 생체신호를 정상 신호 그룹과 비정상 신호 그룹으로 분류하도록 상기 인공지능 알고리즘을 학습하고, 상기 학습된 인공지능 알고리즘에 상기 센싱된 생체신호를 입력하여 상기 비정상 신호 여부를 판별하는 것인,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템.
- 제8항에 있어서,
상기 비정상 신호 감지부는 상기 센서장치에 의해 측정된 생체신호, 상기 생체신호의 가공된 값을 출력변수로 설정하고, 상기 출력변수로 설정된 생체신호나 가공된 값 및 상기 출력변수로 미설정된 생체신호의 가공된 값을 입력변수로 설정하여 상기 인공지능 알고리즘을 학습하는 것인,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템.
- 제10항에 있어서,
상기 비정상 신호 감지부는 가상으로 생성된 노이즈 또는 실제 발생되어 측정된 노이즈를 입력변수로 더 설정하여 상기 인공지능 알고리즘을 학습하는 것인,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템.
- 제10항에 있어서,
상기 비정상 신호 감지부는 상기 센싱된 생체신호를 상기 인공지능 알고리즘에 입력하여 출력값을 획득하고, 상기 입력된 생체신호와 출력값의 오차 신호를 산출하여 미리 설정된 임계값과 비교하고, 상기 비교 결과에 기초하여 상기 센싱된 생체신호가 비정상 신호인지 여부를 판별하는 것인,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템.
- 제8항에 있어서,
상기 판별 결과 비정상 측정상태인 경우, 상기 측정된 생체신호의 측정상태 정보를 기록하는 데이터 관리부를 더 포함하는,
인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210033975A KR20220129283A (ko) | 2021-03-16 | 2021-03-16 | 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210033975A KR20220129283A (ko) | 2021-03-16 | 2021-03-16 | 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220129283A true KR20220129283A (ko) | 2022-09-23 |
Family
ID=83445886
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210033975A KR20220129283A (ko) | 2021-03-16 | 2021-03-16 | 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220129283A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024136002A1 (ko) * | 2022-12-22 | 2024-06-27 | 주식회사 뷰노 | 생체 정보 측정 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190120684A (ko) | 2018-04-16 | 2019-10-24 | 삼성전자주식회사 | 생체신호 측정 상태 모니터링 장치 및 방법과, 생체정보 측정 장치 및 방법 |
-
2021
- 2021-03-16 KR KR1020210033975A patent/KR20220129283A/ko not_active Application Discontinuation
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190120684A (ko) | 2018-04-16 | 2019-10-24 | 삼성전자주식회사 | 생체신호 측정 상태 모니터링 장치 및 방법과, 생체정보 측정 장치 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024136002A1 (ko) * | 2022-12-22 | 2024-06-27 | 주식회사 뷰노 | 생체 정보 측정 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11877830B2 (en) | Machine learning health analysis with a mobile device | |
| US20190076031A1 (en) | Continuous monitoring of a user's health with a mobile device | |
| KR102141617B1 (ko) | 인공 신경망을 이용하여 부정맥을 추정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 | |
| US20190104951A1 (en) | Continuous monitoring of a user's health with a mobile device | |
| US8597185B2 (en) | Residual-based monitoring of human health | |
| Paviglianiti et al. | A comparison of deep learning techniques for arterial blood pressure prediction | |
| WO2019071201A1 (en) | CONTINUOUS MONITORING OF THE HEALTH OF A USER WITH A MOBILE DEVICE | |
| US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
| WO2021127566A1 (en) | Devices and methods for measuring physiological parameters | |
| CN114901128A (zh) | 心律失常性心跳弹性睡眠呼吸暂停检测 | |
| EP3861558A1 (en) | Continuous monitoring of a user's health with a mobile device | |
| KR20220129283A (ko) | 인공지능 알고리즘 기반의 생체신호 비정상 측정상태 알림 시스템 및 방법 | |
| KR20170112954A (ko) | 생체 신호 또는 생체 인식에 근거한 분류 및 후속 에스컬레이션 방법 및 장치 | |
| EP3860436A1 (en) | Machine learning health analysis with a mobile device | |
| Durga | Intelligent Support for Cardiovascular Diagnosis: The AI-CDSS Approach | |
| KR20220129282A (ko) | 딥러닝 기반의 동맥혈압 추정 방법 및 시스템 | |
| EP4368115A1 (en) | Cardiotocographic scanning session duration | |
| EP4390958A1 (en) | A computer implemented method for adaptive physiology-based monitoring of a subject | |
| Abirami | AI Clinical Decision Support System (AI-CDSS) for Cardiovascular Diseases | |
| Wuerich et al. | Cuffless Beat-to-Beat Blood Pressure Estimation from Photoplethysmogram Signals | |
| US20220142526A1 (en) | System and method for automatic detection of blood lactate levels | |
| US20240099593A1 (en) | Machine learning health analysis with a mobile device | |
| US20210275058A1 (en) | Systems and methods for automated localization of wearable cardiac monitoring systems and sensor position-independent hemodynamic inference | |
| US20220031208A1 (en) | Machine learning training for medical monitoring systems | |
| WO2023220245A2 (en) | Method and apparatus for determining abnormal cardiac conditions non-invasively |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal |