KR20230002513A - 휴대용 모니터링 장치의 모니터링에 의한 사용자의 건강 예측 - Google Patents

휴대용 모니터링 장치의 모니터링에 의한 사용자의 건강 예측 Download PDF

Info

Publication number
KR20230002513A
KR20230002513A KR1020227037501A KR20227037501A KR20230002513A KR 20230002513 A KR20230002513 A KR 20230002513A KR 1020227037501 A KR1020227037501 A KR 1020227037501A KR 20227037501 A KR20227037501 A KR 20227037501A KR 20230002513 A KR20230002513 A KR 20230002513A
Authority
KR
South Korea
Prior art keywords
user
value
health
assessment data
predictive model
Prior art date
Application number
KR1020227037501A
Other languages
English (en)
Inventor
알리 레자이
빅터 피노모어
피에르 디애스
클레이 마쉬
Original Assignee
웨스트 버지니아 유니버시티 보드 오브 거버너스 온 비해프 오브 웨스트 버지니아 유니버시티
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 웨스트 버지니아 유니버시티 보드 오브 거버너스 온 비해프 오브 웨스트 버지니아 유니버시티 filed Critical 웨스트 버지니아 유니버시티 보드 오브 거버너스 온 비해프 오브 웨스트 버지니아 유니버시티
Publication of KR20230002513A publication Critical patent/KR20230002513A/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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/162—Testing reaction times
    • 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
    • A61B5/02—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
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • 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
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Cardiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Neurology (AREA)
  • Educational Technology (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Neurosurgery (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

사용자의 건강을 모니터링하기 위한 방법 및 시스템. 정의된 기간 동안 휴대용 장치에서 상기 사용자를 나타내는 건강 관련 매개변수가 모니터링되어 상기 건강 관련 매개변수의 시계열을 생성한다. 상기 사용자에 대해 제1 세트 및 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나가 상기 정의된 기간 내의 각각의 제1 및 제2 시간에서 획득된다. 상기 건강 관련 매개변수의 상기 시계열, 상기 제1 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나, 및 상기 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나에 따라 예측 모델을 통해 상기 사용자에게 값이 할당된다.

Description

휴대용 모니터링 장치의 모니터링에 의한 사용자의 건강 예측
[관련 출원]
본 출원은 2020년 3월 27일에 출원된 미국 가출원 번호 63/000,607 및 2020년 5월 29일에 출원된 미국 가출원 번호 63/032,036 각각의 우선권을 주장한다. 그 주제는 그 전체가 참조로 여기에 포함된다.
본 발명은 휴대용 모니터링 장치의 모니터링에 의한 사용자의 건강의 예측에 관한 것이다.
개인의 건강과 건강함에 영향을 미치는 많은 질환은 해결하기에 가장 효과적인 시간인, 질환의 초기 단계에서는 감지하기가 어려울 수 있다. 예를 들어, 전염병은 잠복기가 있으므로 그 동안에는 증상을 경험하지 않거나 비교적 무해한 증상만 경험하면서 다른 사람에게 전염시킬 수 있다. 유사하게, 많은 질환에서, 시기적절한 치료로 개인이 최악의 증상을 예방할 수 있다.
본 발명의 일 측면에 따르면, 사용자의 건강을 모니터링하기 위한 방법이 제공된다. 정의된 기간 동안 휴대용 장치에서 상기 사용자를 나타내는 건강 관련 매개변수가 모니터링되어 상기 건강 관련 매개변수의 시계열을 생성한다. 상기 정의된 기간 내의 각각의 제1 및 제2 시간에서 상기 사용자에 대해 제1 세트 및 제2 세트의 인지 평가 데이터 또는 심리사회적 평가 데이터가 획득된다. 상기 건강 관련 매개변수의 상기 시계열, 상기 제1 세트의 인지 평가 데이터 또는 심리사회적 평가 데이터 중 하나, 및 상기 제2 세트의 인지 평가 데이터 또는 심리사회적 평가 데이터 중 하나에 따라 예측 모델을 통해 상기 사용자에게 값이 할당된다.
본 발명의 다른 측면에 따르면, 시스템은 정의된 기간 동안 사용자를 나타내는 건강 관련 매개변수를 모니터링하여 상기 모니터링된 매개변수의 시계열을 생성하는 웨어러블 장치를 포함한다. 휴대용 장치는 상기 정의된 기간 내의 각각의 제1 및 제2 시간에서 상기 사용자에 대한 제1 세트 및 제2 세트의 인지 평가 데이터 또는 심리사회적 평가 데이터 중 하나를 수신한다. 예측 모델은 상기 건강 관련 매개변수의 상기 시계열, 상기 제1 세트의 인지 평가 데이터 또는 심리사회적 평가 데이터 중 하나, 및 상기 제2 세트의 인지 평가 데이터 또는 심리사회적 평가 데이터 중 하나에 따라 상기 사용자에게 값을 할당한다.
본 발명의 다른 측면에 따르면, 사용자의 건강을 모니터링하는 방법이 제공된다. 정의된 기간에 걸쳐 웨어러블 장치에서 상기 사용자를 나타내는 복수의 건강 관련 매개변수가 모니터링되어 상기 모니터링된 매개변수의 각각의 시계열을 생성한다. 상기 복수의 건강 관련 매개변수의 상기 시계열로부터 상기 사용자를 나타내는 특징 세트가 추출된다. 상기 특징 세트는 상기 복수의 건강 관련 매개변수 중 적어도 하나에 대한 예측 값을 포함한다. 상기 특징 세트에 따라 예측 모델을 통해 상기 사용자에게 값이 할당된다.
도 1은 본 발명의 일 측면에 따른 사용자의 건강을 모니터링하기 위한 시스템을 도시한다.
도 2는 복수의 휴대용 모니터링 장치를 사용하는, 도 1의 시스템을 도시하는 개략도이다. ;
도 3은 예시적인 인지 평가 애플리케이션으로부터의 반응 시간 테스트의 스크린샷이다.
도 4는 예시적인 인지 평가 애플리케이션으로부터의 주의력 테스트의 스크린샷이다.
도 5 및 6은 예시적인 인지 평가 애플리케이션의 반응 억제 테스트의 스크린샷이다.
도 7은 예시적인 인지 평가 애플리케이션으로부터의 작업 기억(1-back) 테스트의 스크린샷이다.
도 8은 예시적인 인지 평가 애플리케이션으로부터의 작업 기억(2-back) 테스트의 스크린샷이다.
도 9는 COVID-19의 증상 시작을 예측하는 데 사용되는 시스템의 예에 대해 오전에 완료된 제1 설문조사에 대한 예시의 질문을 도시한다.
도 10은 도 9의 예에 대해 오후에 완료된 제2 설문조사에 대한 예시의 질문을 도시한다.
도 11은 목표 위치에 대해 생성될 수 있는 위험 점수 맵의 단순화된 예를 도시한다.
도 12는 전염병의 발병 이전 기간에 걸친 여러 건강 관련 매개변수의 그래프를 도시한다.
도 13은 발병 동안 도 12의 매개변수의 그래프를 도시한다.
도 14는 일반 인구에 대해 COVID-19에 감염된 개인에 대한 다양한 건강 관련 매개변수의 평균 값을 비교하는 레이더 플롯을 도시한다;
도 15는 사용자의 건강을 모니터링하기 위한 방법의 일 예를 도시한다.
도 16은 사용자의 건강을 모니터링하기 위한 다른 예를 도시한다.
도 17은 하드웨어 구성요소의 예시적인 시스템을 도시하는 개략적인 블록도이다.
본 명세서에서 사용된 용어 "건강"은 사용자의 정신적, 신체적, 인지적, 사회적 및 정서적 건강을 지칭하며 사용자의 건강, 기능, 균형, 회복력, 항상성, 질병 및 상태를 각각 포함하는 것으로 해석되어야 한다. 본 명세서의 다양한 예에서, 사용자의 건강은 사용자의 작업 관련 기능을 수행하는 준비 상태, 사용자의 전염병에 대한 감수성, 사용자의 전염병으로부터 회복 능력, 사용자가 전염병의 증상을 보이는 상황, 사용자가 전염병 증상을 보이는 정도, 전염병에서 회복하는 능력, 효능 및 부작용을 포함하여 사용자에 미치는 백신 또는 기타 치료 물질의 영향, 및 이전에 걸린 전염병에 의한 재감염을 피할 수 있는 능력과 관련될 수 있다.
"건강 관련 매개변수"는 사용자의 건강과 관련된 생리적, 인지적, 감각적(예를 들어, 냄새, 맛, 시각, 땀, 청각 등), 심리사회적 또는 행동적 매개변수이다.
"생물학적 리듬"은 제한하는 것은 아니지만, 일주기 리듬, 울트라라디안 리듬, 인프라디안 리듬, 일주 주기, 수면/각성 주기 및 생활 패턴을 포함하여, 인간에게 영향을 미치는 모든 연대기생물학적 현상이다.
본 명세서에서 사용된 "휴대용 모니터링 장치"는 사용자로부터 입력을 수신하기 위한 입력 장치와 사용자 인터페이스 중 하나 또는 둘 다 및 건강 관련 매개변수 또는 건강 관련 매개변수를 계산하거나 추정하는 데 사용될 수 있는 매개변수를 모니터링하기 위한 센서를 통합하는, 사용자가 착용하거나 휴대하거나 사용자 내부에 이식하는 장치를 의미한다. 예를 들어 스마트워치, 반지 및 이와 유사한 장치와 같은 웨어러블, 스마트폰 및 태블릿과 같은 모바일 장치, 랩톱 또는 노트북 컴퓨터가 있다.
본 명세서에서 사용된 "지수"는 일련의 관찰에서 파생되고 지표 또는 척도로 사용되는 종합 통계 및 AI 결과를 포함하기 위한 것이다. 지수는 관찰 및 상관 관계를 나타내는 서수, 연속 또는 범주형 값이 될 수 있으며, 전통적으로 "점수"라고 하는 통계와 지수의 보다 기술적인 의미를 포괄하는 것으로 읽어야 한다.
"심리사회적 평가 데이터"는 사용자의 기능 및 스트레스 수준을 평가하는데 사용될 수 있는 심리사회적, 행동적, 및 스트레스 관련 매개변수를 포함한다. 표 3에 나열된 각 매개변수는 심리사회적 평가 데이터의 예이다.
"인지 평가 데이터"는 하나 이상의 인지 테스트에 의해 평가된 사용자의 실행 기능, 의사 결정, 작업 기억, 주의력 및 피로도를 나타낸다. 표 2에 나열된 각 매개변수는 심리사회적 평가 데이터의 예이다.
도 1은 본 발명의 일 측면에 따른 사용자의 건강함, 건강 및 기능적 상태를 모니터링하기 위한 시스템(100)을 도시한다. 시스템(100)은 사용자에 대한 건강 매개변수를 추적하는 모니터링 시스템을 위한 센서를 포함하는 복수의 휴대용 모니터링 장치(102, 110)를 포함한다. 주어진 휴대용 모니터링 장치(예: 102)는 건강 관련 매개변수를 서버에 제공하기 위해 원격 서버(120)와 직접 통신하거나 건강 관련 매개변수를 서버에 중계하는 다른 휴대용 모니터링 장치(예: 110)와 통신할 수 있다는 것이 이해될 것이다. 휴대용 모니터링 장치(102, 110)를 사용함으로써, 사용자의 집, 교실, 직장 또는 운동장으로부터, 말 그대로 전장에서 회의실에 이르기까지, 모든 곳에서 측정을 연속적으로 수행할 수 있으므로, 사용자에게 디지털 개인 보호 장비를 효율적으로 제공할 수 있다. 위에서 언급한 바와 같이, 건강 관련 매개변수는 적어도 생리학적, 인지적, 심리사회적, 감각적 및 행동적 매개변수를 포함할 수 있다. 표 1은 측정될 수 있는 생리학적 매개변수의 비제한적인 예와 생리학적 매개변수를 측정하기 위한 예시적인 테스트, 장치 및 방법을 제공한다.
생리학적 매개변수 생리학적 매개변수를 측정하기 위한 예시적인 장치 및 방법
두뇌 활동 기능적 자기 공명 영상(fMRI), PET, SPECT, MEG 및 그 외 전기, 혈류, 신경 전달 물질 및 대사 기능을 관찰하는 뇌 영상 기법 포함하는, 뇌파, 자기공명영상
심박수 심전도 및 광혈량계
심박수 변동성 심전도, 광혈량계
시선 추적 단속운동 추적, 고정 및 동공 크기(예: 확장)를 포함한 동공 측정
발한 땀 센서
혈압 혈압계
체온 온도계
혈중산소포화도와 호흡수 맥박 산소 농도계/가속도계
맥박 산소 농도계/가속도계 전기 피부 활동
교감 및 부교감 음색 위의 측정값에서 파생
유전적 바이오마커 유전자 검사
TNF-알파, 면역 변화(예: IL), 산화 스트레스 및 호르몬(예: 코티솔)을 포함한 면역 바이오마커 혈액, 타액 및/또는 소변 검사
생리학적 매개변수는 웨어러블 또는 이식형 장치를 통해 측정할 수 있을 뿐만 아니라 모바일 장치의 애플리케이션을 통해 사용자에 의해 자가 보고할 수 있으므로, 자연주의적, 비임상적 설정에서 이들 생리적 매개변수를 쉽게 측정할 수 있다. 예를 들어, 스마트워치는 사용자의 심박수, 심박수 변동, 체온, 혈중 산소 포화도, 움직임 및 수면을 측정하는 데 사용할 수 있다. 이들 값은 또한 변동을 추정하기 위한 일별 분석의 대상이 될 수 있으며 생체 리듬으로 인한 예상 변화 뿐만 아니라 생체 리듬의 예상 패턴과의 편차의 관점에서 검토될 수 있다. 예를 들어, 사용자의 생체 리듬을 미리 정해진 기간(예: 10일) 동안 추적하여 생체 리듬의 정상적인 패턴을 설정할 수 있다. 생물학적 리듬의 진동은 이런 확립된 패턴에서 벗어나는 것으로 감지될 수 있다.
인지 매개변수는 예를 들어 실행 기능, 의사 결정, 작업 기억, 주의력 및 피로를 측정하는 수많은 인지 테스트로 평가할 수 있다. 표 2는 게임화되어 측정될 수 있는 인지 매개변수의 비제한적인 예와 이들 인지 매개변수를 측정하기 위한 예시적인 방법 및 테스트/과제를 제공한다.
인지 매개변수 인지 매개변수를 측정하기 위한 예시적인 테스트 및 방법
임시 할인 Kirby 지연 디스카운팅 작업
주의력과 피로 정신 운동 경계 작업
주의 집중 및 반응 억제 에릭슨 플랭커 작업
작업 기억 N-백 작업
감정적 신호에 대한 주의적 편향 도트 프로브 작업
융통성 없는 끈기 위스콘신 카드 분류 작업
의사결정 Iowa 갬블링 과제
위험을 감수하는 행동 풍선 아날로그 위험 작업
억제 통제 반 단속운동 작업
지속적인 관심 지속적인 관심
실행 기능 작업 이동 또는 이동 작업 설정
이러한 인지 테스트는 임상/실험실 설정 또는 사용자가 집, 직장 또는 기타 비임상 설정지에 있을 때와 같이 자연주의적 비임상 설정에서 시행될 수 있다. 스마트폰, 태블릿 또는 스마트 시계와 같은 스마트 장치는 자연주의적이고 비임상적인 환경에서 이들 인지 매개변수를 쉽게 측정할 수 있다. 예를 들어, 에릭슨 플랭커(Erikson Flanker), 엔-백(N-Back) 및 정신 운동 경계 작업(Psychomotor Vigilance Tasks)은 스마트폰, 태블릿 또는 스마트 워치의 애플리케이션을 통해 수행될 수 있다.
표 3은 측정될 수 있는 심리사회적, 행동적 및 스트레스 관련 매개변수의 비제한적인 예 및 행동 매개변수를 측정하기 위한 예시적인 테스트, 장치 및 방법을 제공한다.
심리사회적 또는 행동적 매개변수 심리사회적 또는 행동적 매개변수를 측정하기 위한 예시적인 테스트 및 방법
증상 로그 특정 증상의 존재(예: 발열, 두통, 기침, 후각 상실)
번아웃 번아웃 인벤토리 또는 이와 유사한 것
신체적, 정신적, 사회적 건강 사용자 보고 결과 측정 정보 시스템(PROMIS)
우울증 해밀턴 우울증 등급 척도
불안 해밀턴 불안 등급 척도
열광 스나이스-해밀턴 즐거움 척도
분위기/
재앙적 규모		 기분 상태의 프로필; 긍정적인 영향 부정적인 영향 일정
영향 긍정적인 영향 부정적인 영향 스케줄
충동성 배럿 충동 척도
안헤도니아 스나이스-해밀턴 즐거움 척도
잠 웨어러블 가속도계 및 PPG에서 수면 시작과 끝, 수면 질, 수면 양
활동 수준 웨어러블 가속도계, 걸음 수로, 하루 총 이동량, 활동 시간
부정적 어린시절 경험 어린 시절의 트라우마
일상 생활 노출, 위험 감수
일일 업무량 및 스트레스 NASA 작업 부하 지수, 인지 스트레스 척도(PSS), 사회 재적응 등급 척도(SRRS)
건강의 사회적 결정 요인 건강 설문지의 사회적 결정 요인
행동 및 심리사회적 매개변수는 웨어러블 장치를 통한 사용자의 움직임, 주관적/자기 보고식 설문지 등고 같은, 사용자의 기능을 측정할 수 있다. 이러한 매개변수는 정기적으로 업데이트되는 사용자의 전체 스트레스 수준을 정량화하는 데 사용할 수도 있다. 주관적/자가 보고 설문지는 사용자가 집, 직장 또는 기타 비임상 설정지에 있을 때와 같이 임상/실험실 설정 또는 자연주의적, 야생, 비임상 환경에서 수집될 수 있다. 스마트폰, 태블릿 또는 개인용 컴퓨터와 같은 스마트 장치를 사용하여 주관적/자가 보고 설문지를 관리할 수 있다. 내장된 가속도계와 카메라를 사용하여, 이들 스마트 장치는 사용자의 움직임을 포착하고 표정 분석을 통해 기분, 불안, 우울, 동요 및 피로를 나타낼 수 있는 사용자의 표정을 분석하는 데에 사용할 수 있다.
생리적, 인지적, 심리사회적, 행동적 매개변수의 하나 이상의 조합 외에도, 임상 데이터는 건강 예측에 대한 다차원 피드백 접근 방식의 일부일 수 있다. 이러한 임상 데이터는 예를 들어 사용자의 임상 상태, 사용자의 병력(가족력 포함), 고용 정보 및 거주 상태를 포함할 수 있다.
원격 서버는 휴대용 모니터링 장치(102 및 110)에 의해 수집된 데이터를 분석한다. 원격 서버(120)는 전용 물리적 서버로서 또는 클라우드 서버 배열의 일부로서 구현될 수 있다. 원격 서버 외에도, 로컬 장치 자체 및/또는 연합 학습 메커니즘에서 데이터는 분석될 수 있다. 휴대용 모니터링 장치(102, 110)로부터 수신된 정보는 예측 모델(124)에서 사용하기 위해 복수의 특징을 추출하는 특징 추출기(122)에 제공된다. 특징 추출기(122)는 건강 관련 매개변수를 나타내는 범주형 및 연속 매개변수를 결정한다. 일 예에서, 매개변수는 중심 경향 측정(예: 중앙값, 최빈값, 산술 평균 또는 기하 평균) 및 모니터링되는 매개변수의 시계열의 편차(예: 범위, 사분위수 범위, 분산, 표준 편차 등) 뿐만 아니라 시계열 자체의 측정과 같은, 기술 통계를 포함할 수 있다. 일 구현에서, 특징 추출기(124)는 웨이블릿 계수의 세트를 제공하기 위해 하나 이상의 매개변수에 대한 값의 시계열에 대해 웨이블릿 변환을 수행할 수 있다. 본 명세서에서 사용된 웨이블릿 변환은 2차원이므로, 계수는 시간 및 주파수 또는 스케일에 따라 2차원 어레이로 구상될 수 있다는 것이 이해될 것이다.
매개변수의 주어진 시계열 xi에 대해, 웨이블릿 분해시 생성되는, 웨이블릿 계수 Wa(n)은 다음과 같이 정의될 수 있다:
Figure pct00001
여기서
Figure pct00002
는 웨이블릿 함수이고, M은 시계열의 길이이고, a 및 n은 계수 계산 위치를 정의한다.
웨이블릿 계수는 개별적인 특징으로 사용될 수 있을 뿐만 아니라 복합적 특징을 만들기 위해 집계될 수 있다는 것이 이해될 것이다. 일 예에서, 시간 및 주파수 또는 스케일의 순서 쌍으로 표현되는, 무게 중심이 예측 모델(124)에서 특징을 제공하는 데 사용될 수 있다. 또는, 웨이블릿 계수의 하나 이상의 가중치 조합이 특징으로 사용될 수 있으며, 각 조합에 대한 가중치는 예측 모델의 훈련 과정에서 결정된다.
추가적으로 또는 대안적으로, 건강 관련 매개변수는 예를 들어, 주어진 조건이나 행동의 존재 여부를 나타내는, 건강 관련 매개변수에 대한 값의 시계열에 따라 작동하는, 건강 관련 매개변수 또는 규칙 세트에 대한 임계값에 따라, 사용자에게 복수의 범주 매개변수를 할당하도록 사용될 수 있다. 예측 모델(124)은 또한 예를 들어 고용 정보(예를 들어, 직위, 부서, 근무조), 연령, 성별, 우편번호, 게놈 데이터, 영양 정보, 약물 섭취량, 가구 정보(예를 들어, 집 유형, 거주자의 수 및 연령), 사회적 및 심리 사회적, 소비자 지출 및 프로필, 재정, 식품 안전, 신체적 학대 및 관련 병력을 포함하여, 원격 서버(120)에 저장된 사용자 데이터(126)를 활용할 수 있다. 또한, 모델은 함께 상호 작용하는 여러 사용자를 결합하여 배우자, 자녀, 가족, 동료, 친구 및 기타의 사회적 모델과 같은 예측을 개선할 수 있다.
예측 모델(124)은 하나 이상의 패턴 인식 알고리즘을 활용할 수 있으며, 이들 각각은 추출된 특징 또는 추출된 특징의 하위 집합을 분석하여 사용자에게 연속 또는 범주형 매개변수를 할당한다. 일 예에서, 할당된 매개변수는 사용자의 예측되는 "번아웃", 즉 스트레스, 피로 또는 질병으로 인한 인지 기능이 직무 수행에 실질적으로 영향을 미칠 정도로, 예측되는 감소를 나타낼 수 있다. 이 예에서 수면 및 활동 데이터는 인지 평가 및 기분 보고 애플리케이션의 결과와 함께 사용되어 사용자가 경험한 번아웃 정도를 나타내는 연속 지수를 제공할 수 있다. 그러나 추가 또는 대체 기능이 분석에 사용될 수 있으며 지수는 예를 들어 지수에 하나 이상의 결정 임계값을 적용함으로써 일부 구현에서 범주형 분류(예: "기준선에 가까움", "감소됨", "손상됨")로 대체될 수 있다는 것이 이해될 것이다.
다른 예에서, 예측 모델(124)은 뇌 신체 균형, 항상성, 탄력성 및 건강의 내부 마커를 나타내는 지수를 제공하는 데 사용될 수 있다. 또 다른 예에서, 예측 모델(124)은 사용자에 대한 항상성의 척도를 나타내는 지수를 제공하거나 자율 신경계 톤, 뿐만 아니라, 뿐만 아니라 포도당, C 반응성 단백질 및 IL-6을 포함하여 다양한 신체 기관, 눈, 심혈관계, 위장관, GU를 나타내는 특정 바이오마커, 면역 및 내분비계의 수준을 예측하는 데 사용될 수 있다. 또 다른 예에서, 예측 모델(124)은 환자의 주어진 조직 또는 체액에서 현재 또는 미래의 병원체(예를 들어, 바이러스, 박테리아, 진균, 프리온) 농도를 예측할 수 있다. 다른 예에서, 예측 모델(124)은 면역접종에 의해 사용자에게 제공되는 예상되는 면역 정도를 나타낼 수 있다. 예를 들어, 예측 모델의 출력은 면역접종 후 미리 결정된 기간 후에 사용자의 혈액에서 주어진 백신과 관련된 예사되는 항체의 농도를 나타낼 수 있다.
또 다른 예에서, 건강 관련 데이터를 사용하여 특정 질병 또는 질병의 등급(예를 들어, 면역 질환, 사이토카인 폭풍, 암 및 전염병)에 의해 사용자에게 제기되는 위험을 나타내는 연속적인 지수를 제공할 수 있다. 예를 들어, 지수는 감염 위험, 즉 개인이 전염될 것으로 예상되는 시간으로 표현되는 전염 위험, 또는 비인두 및 입 및 타액에서 예측된 바이러스 PCR(중합효소 연쇄 반응) 수준, 또는 혈액 검사, 증상 발병 예상 시간, 잠재적 감염으로부터 회복 가능성, 또는 이러한 요소 중 둘 이상의 조합을 나타내는 단일 값으로 표현될 수 있다. 면역 질환은 자가면역 질환, 과민성 증후군, 면역 결핍 질환, 및 이들의 조합을 포함한다. 이러한 면역 질환은 세포 매개 면역(T 림프구), 체액성 면역(B 림프구) 및 면역 관용에 의해 유발될 수 있다. 면역 질환은 신체 조직의 파괴, 장기의 비정상적 성장 및/또는 장기 기능의 변화를 초래할 수 있다. 면역 질환은 하나 이상의 장기 또는 조직 유형에 영향을 미칠 수 있다.
자가 면역 질환은 정상적인 신체에서 면역반응을 일으키지 않아야 하는 건강한 세포나 조직을 표적으로 하는 비정상적이거나 과장된 적응 면역 반응으로 인해 발생하는 면역 질환의 일종이다. 자가 면역 질한은 비테프스키(Witebsky)의 가정에 따른 질환을 포함한다. 이러한 질환은 다발성 경화증, 강직성 척추염, 류마티스 관절염, 체강 질환, 근염, 중증 근무력증, 애디슨병, 루푸스, 용혈성빈혈, 백반증, 경피증, 건선, 하시모토병, 애디슨병, 그레이브병, 반응성 관절염, 쇼그렌 증후군, 신염, 만성 라임병, 혈관염, 심내막염, 포구 원형 탈모증, 혈관성 두드러기, 섬유근육통, 혈전색전염, 결절홍반, 피부염, 습진, 제1형 당뇨병, 측두동맥염, 크론병, 베체트병 또는 건선성 관절염을 포함한다.
과민성 증후군은 즉시성(I형) 과민증, 항체 매개(II형) 과민증, 면역복합체 약물(III형) 과민증 및 세포 매개(IV형) 과민증을 포함한다. 유형 I 과민성 질환의 비제한적 예로는 만성 또는 급성 알레르기, 아토피 형태의 기관지 천식, 및 아나필락시스가 있다. 유형 II 과민성 증후군의 비제한적인 예로는 자가면역 용혈성 빈혈, 자가면역 혈소판 감소성 자반병, 심상성 천포창, 항호중구 세포질 항체에 의해 유발된 혈관염, 굿파스처 증후군, 급성 류마티스열, 중증 근무력증, 그레이브스병, 및 인슐린 저항성 빈혈이 있다. 유형 II 과민증 증후군은 장기 거부를 유발하는 동종 이식 후와 용혈을 유발하는 혈액형 비교불가와 같은, 자가 항체에 결합하는 항체의 생성 및 예를 들어, 종양 관련 항원에 결합하여 부신생물 증후군, 신경병증 및 채널병증을 유발하는 항체의 생성으로 인해 발생할 수 있다. 유형 II 과민증은 또한 예를 들어 헤파린 유도 혈소판 감소증과 같은 약물 유도 세포 사멸을 초래하는 세포막 결합 약물에 대한 항체에 의해 유발될 수 있다. 유형 III 과민성 질환의 비제한적 예로는 전신성 홍반성 루푸스, 연쇄상 구균성 사구체신염, 급성 사구체신염, 혈청병, Arthus 반응, 반응성 관절염 및 결절성 다발동맥염이다. 유형 IV 과민성 증후군의 비제한적인 예는 접촉 피부염, 다발성 경화증, 유형 1 당뇨병, 이식 거부, 류마티스 관절염, 결핵 및 말초 신경병증이 있다.
면역 결핍 질환은 1차 면역 결핍 질환 및 2차 면역 결핍 질환을 포함한다. 원발성 면역결핍 질환의 비제한적 예로는 X-연관 무감마글로불린혈증, 공통 가변성 면역결핍, 단독 IgA 결핍, 고-IgM 증후군, 디조지 증후군, 중증 복합 면역결핍 질환(SCID), 비스콧-알드리치 증후군 및 보체계의 유전적 결핍이 있다. 2차 면역결핍 질환의 비제한적인 예로는 후천성 면역결핍 증후군(AIDS), 인간 면역결핍 바이러스(HIV) 감염, 복합 면역 결핍 증후군(CIDS), 및 척수 손상 유발 면역 우울증 증후군(SCI-IDS)이 있다.
전염병의 비제한적인 예로는, 아시네토박터 감염, 방선균증, 아프리카 수면병(아프리카 트리파노소마증), AIDS(후천성 면역결핍 증후군), 아메바증, 아나플라즈마증, 혈관강화증, 아니사키증, 탄저병, 아르카노박테리움 헤몰리티쿰 감염, 아르헨티나 출혈 아스트로바이러스 감염, 바베시오증, 바실러스 세레우스 감염, 세균성 뇌수막염, 세균성 폐렴, 세균성 질염, 박테로이데스 감염, 발안티다증, 바르토넬라증, 바일리자스카리스, 감염, BK 바이러스 감염, 흑색 피에드라, 배반포증, 배반균증, 볼리비아 출혈열, 유아보툴리누스증, 브라질 출혈열, 브루셀라병, 선페스트, 부르크홀데리아 감염, 부룰리 궤양, 칼리시바이러스 감염(노로바이러스 및 사포바이러스), 캄필로박테리아증, 칸디다증(모닐리아증; 아구창), 모세혈관염, 카리온병, 고양이 긁힘병, 봉와직염, 샤가소미병(미국 트리파노병), 찬크로이드, 수두, 치쿤구니아, 클라미디아, 뉴모니아 클라미도필라 감염(대만 급성 호흡기제 또는 TWAR), 콜레라, 염색체모세포 균증, 키트리디움균증, 간경변증, 클로스트리디움 디피실리, 대장염, 콕시디오이데스진균증, 콜로라도 바이러스성 진드기열(CTF), 감기(급성 바이러스성 비인두염; 급성 코리자), 2019년 코로나바이러스, 크로이츠펠트-야콥병(CJD), 크림-콩고 출혈열(CCHF), 크립토구균증, 크립토스포리디움증, 피부 유충 이동성(CLM), 사선포자충증, 낭포자충증, 거대세포바이러스 감염, 뎅기열 감염, 디프테리아, 디필로보트리아증, 드라쿤쿨리아증, 에볼라 출혈열, 에키노코커스, 에를리히증, 장구균 감염, 엔테로바이러스 감염, 장티푸스, 감염성 홍반(제5병), 돌발 발진(제6병), 비대흡충증, 불면증(FFI), 필라리아병, 클로스트리디움 퍼프린젠스에 의한 식중독, 자유생활 아메바 감염, 푸소박테리움 감염, 가스 괴저(클로스트리듐 근괴사), 지오트리큐진규증, Gerstmann-Straussler-Scheinker 증후군(GSS), 편모충증, 글랜더, 나토토미아증, 임질, 사타구니 육아종(도노바노시스), A군 연쇄상구균 감염, B군 연쇄상구균 감염, 헤모필루스 인플루엔자 감염, "수족구병(HFMD)", 한타바이러스 폐증후군(HPS), 하트랜드 바이러스 질환, 헬리코박터 파일로리 감염, 용혈성 요독 증후군(HUS), 신증후군 출혈열(HFRS), 헨드라 바이러스 감염, A형 간염, B형 간염, C형 간염, D형 간염, E형 간염, 단순 포진, 히스토플라스마증, 십이지장충 감염, 인간 보카바이러스 감염, 인간 에윙기 에를리히증, 인간 과립구 아나플라즈마증(HGA), 인간 메타뉴모바이러스 감염, 인간 단핵구 에를리히증, 인유두종바이러스(HPV) 감염, 인간 파라인플루엔자 바이러스 감염, 자막구균증, 엡스타인-바 바이러스 감염성 단핵구증(모노플루), 이소포자충증, 가와사키병, 각막염, 킹겔라 킹애 감염, 쿠루, 라사열, 레지오넬라증(군인병), 폰티악열, 르 이시만편모충증, 나병, 렙토스피라증, 리스테리아증, 라임병(라임 보렐리오증), 림프 사상충증(엘레판티아증), 림프구성 맥락수막염, 말라리아, 마르부르크 출혈열(MHF), 홍역, 중동호흡기증후군 (메르스), 멜리오이드증(휘트모어병), 뇌수막염, 수막구균 질환, 후천성 감염, 소포자충증, 전염성 연체동물(MC), 원숭이 두창, 볼거리, 쥐 발진티푸스(풍토성 발진티푸스), 마이코플라스마 폐렴, 마이코플라스마 생식기 감염, 균종, 마이아시스, 신생아 결막염(신생아 안과), 니파 바이러스 감염, 노로바이러스(어린이 및 유아), "(신규) 변종 크로이츠펠트-야콥병(vCJD, nvCJD)", 협심증, 사상충증(강변 실명증), 안구건조증, 파라콕시디오이데스진균증(남아메리카 분구균증), 기생충증, 파스퇴렐라증, 머리이기생증(머릿니), 몸이기생증(사면발이), "음모슬증(사면발이, 게 이)", 골반 염증성 질환(PID), 백일해(백일해), 역병, 폐렴구균 감염, 폐포자충 폐렴(PCP), 폐렴, 소아마비, 프레보텔라 감염, 원발성 아메바성 수막뇌염(PAM), 진행성 다초점 백질뇌병증, 시타코시스, Q열, 광견병, 재발열, 호흡기융합바이러스 감염, 라이노스포리디움증, 라이노바이러스 감염, 리케차 감염, 리케차두, 리프트밸리열(RVF), 록키산반점열(RMSF), 로타바이러스 감염, 풍진, 살모넬라증, 사스(중증급성호흡기증후군), 옴, 성홍열, 주혈흡충증, 패혈증, 이질(세균성 이질), 대상포진(대상포진), 천연두(수두), 포자충증, 포도상구균 식중독, 포도상구균 감염, 스트롱길로이드증, 아급성 경화성 범뇌염, 베젤, 매독, 요우, 태니아증, 파상풍(록턱), 수염 백선(이발사의 가려움증), 두부 백선(두피 백선), 백선(몸의 백선), 백선증(완선), 티네마눔(손의 백선), 흑색선, 족부 백선(무좀), 손톱백선(조갑진균증), 전풍(어루러기), 톡소카리아증(안구 유충 이동(OLM)), 톡소카리아증(내장 유충 이동(VLM)), 톡소플라스마증, 트라코마, 선모충증, 트리코모나스 증, 선모충증(편충 감염), 결핵, 야토병, 장티푸스, 장티푸스, 우레아플라스마 감염 , 베네수엘라 말뇌염, 베네수엘라 출혈열, 비브리오 불니피쿠스 감염, 비브리오 파라헤몰리티쿠스 장염, 바이러스성 폐렴, 웨스트 나일열, 백선백선(백선), 예르시니아 가결핵 감염, 예르시니아증, 황열병, 제아스포라, 지카열, 접합균증을 포함한다.
다중 분류 또는 회귀 모델이 사용되는 경우, 중재 요소는 복수의 모델로부터 일관된 결과를 제공하기 위해 활용될 수 있다. 주어진 분류기의 훈련 과정은 구현에 따라 달라지지만, 훈련은 일반적으로 출력 등급과 관련된 하나 이상의 매개변수로 훈련 데이터의 통계적 집계를 포함한다. 훈련 프로세스는 원격 시스템 및/또는 로컬 장치 또는 웨어러블 앱에서 수행할 수 있다. 훈련 프로세스는 연합 방식 또는 비연합 방식으로 달성할 수 있다. 예를 들어 한 명 이상의 전문가가 제공되는, 의사결정 트리, 도메인 지식과 같은 규칙 기반 모델의 경우, 추출된 특성을 사용하여 사용자를 분류하기 위한 규칙을 선택할 때 훈련 데이터를 대신하거나 보완하는 데 사용할 수 있다. 분류 알고리즘에는 지원 벡터 머신, 회귀 모델, 자체 구성 맵, 퍼지 논리 시스템, 데이터 융합 프로세스, 부스팅 및 배깅 방법, 규칙 기반 시스템 또는 인공 신경망을 포함하여, 다양한 기술이 사용될 수 있다.
연합 학습(일명 협업 학습)은 데이터 샘플을 교환하지 않고 로컬 데이터 샘플을 보유하는 여러 분산형 에지 장치 또는 서버에서 알고리즘을 훈련하는 기계 학습 기술이다. 이 접근 방식은 모든 데이터 샘플이 하나의 서버에 업로드되는 기존의 중앙 집중식 머신 러닝 기술, 뿐만 아니라 로컬 데이터 샘플이 동일하게 분포되어 있다고 가정하는 보다 고전적인 분산 접근 방식과 대조된다. 연합 학습을 통해 여러 행위자가 데이터를 공유하지 않고 공통의 강력한 기계 학습 모델을 구축할 수 있다. 따라서 데이터 개인 정보 보호, 데이터 보안, 데이터 액세스 권한 및 이기종 데이터에 대한 액세스와 같은 중요한 문제를 해결한다. 그 애플리케이션은 방위, 통신, IoT 또는 제약을 포함한 여러 산업에 걸쳐 있다.
예를 들어, SVM 분류기는 N차원 특징 공간에서 경계를 개념적으로 분할하기 위해 초평면(hyperplane)이라고 하는 복수의 기능을 활용할 수 있으며, 여기서 N 차원의 각각은 특징 벡터의 연관된 하나의 특징을 나타낸다. 경계는 각 등급와 연관된 기능 값의 범위를 정의한다. 따라서, 경계에 대한 특징 공간에서의 위치에 따라 주어진 입력 특징 벡터에 대한 출력 등급 및 관련 신뢰 값이 결정될 수 있다. 일 구현에서, SVM은 선형 또는 비선형 커널을 사용하는 커널 방법을 통해 구현할 수 있다.
ANN 분류기는 복수의 상호 연결을 갖는 복수의 노드를 포함한다. 특징 벡터의 값은 복수의 입력 노드에 제공된다. 입력 노드는 각각 이러한 입력 값을 하나 이상의 중간 노드의 계층에 제공한다. 주어진 중간 노드는 이전 노드로부터 하나 이상의 출력 값을 받는다. 수신된 값은 분류기의 훈련 중에 설정된 일련의 가중치에 따라 가중치가 부여된다. 중간 노드는 노드의 전달 함수에 따라 수신된 값을 단일 출력으로 변환한다. 예를 들어, 중간 노드는 수신된 값을 합산하고 합을 이진 단계 함수로 처리할 수 있다. 노드의 마지막 계층은 ANN의 출력 등급에 대해 신뢰도 값을 제공하고, 각 노드는 분류기의 관련 출력 등급 중 하나에 대한 신뢰도를 나타내는 관련 값을 갖는다.
많은 ANN 분류기는 전체 연결되고 피드포워드된다. 그러나 컨볼루션 신경망은 이전 계층의 노드가 컨볼루션 계층의 노드 하위 집합에만 연결되는 컨볼루션 계층을 포함한다. 순환 신경망은 노드 간의 연결이 시간적 시퀀스를 따라 방향 그래프를 형성하는 신경망의 한 종류이다. 피드포워드 네트워크와 달리, 순환 신경망은 이전 입력으로 인한 상태의 피드백을 통합하므로, 주어진 입력에 대한 순환 신경망의 출력은 입력뿐만 아니라 하나 이상의 이전 입력의 함수가 될 수 있다. 예로서, 장단기 메모리(LSTM) 네트워크는 반복 신경망의 수정된 버전으로, 메모리에서 과거 데이터를 더 쉽게 기억할 수 있다.
규칙 기반 분류기는 추출된 특징에 논리적 규칙의 세트를 적용하여 출력 등급을 선택한다. 일반적으로 규칙은 순서대로 적용되며 각 단계의 논리적 결과는 이후 단계의 분석에 영향을 미친다. 특정 규칙과 순서는 훈련 데이터의 일부 또는 전체, 이전 사례의 유추적 추론 또는 기존 도메인 지식에서 결정할 수 있다. 규칙 기반 분류기의 한 예는 특징 벡터에 대한 등급을 선택하기 위해 특징 세트의 특징 값이 계층적 트리 구조의 해당 임계값과 비교되는 결정 트리 알고리즘이다. 랜덤 포레스트 분류기는 부트스트랩 집계 또는 "배깅" 접근법을 사용하는 결정 트리 알고리즘을 수정한 것이다. 이 접근법에서, 다수의 결정 트리가 훈련 세트의 무작위 샘플에 대해 훈련되고, 다수의 결정 트리에 걸친 평균(예를 들어, 평균, 중앙값 또는 모드) 결과가 반환된다. 분류 작업의 경우 각 트리의 결과는 범주형이므로 모달 결과를 사용할 수 있다.
일 구현에서, 예측 모델(124)은 입력으로서 웨이블릿 변환 계수의 하나 이상의 2차원 어레이가 제공되는 컨볼루션 신경망과 같은 건강 관련 매개변수에 대한 향후 값을 예측하는 구성 모델을 포함할 수 있다. 웨이블릿 계수는 시간 뿐만 아니라 시간 패턴의 변화를 감지하므로, 사용자의 일상적인 생체 리듬의 변화를 반영할 수 있다. 일 구현에서, 구성 모델에 의해 예측된 건강 관련 매개변수는 심박수, 온도 및 심박수 변동과 같은 측정된 매개변수, 뿐만 아니라 두통, 피로, 숨가쁨, 기침 및 수면 질환와 같은 증상을 포함할 수 있다. 주어진 구성 모델은 이러한 예측을 제공하기 위해 다른 측정된 특징 및 사용자 데이터(126)와 같은 데이터를 웨이블릿 계수에 추가하여 사용할 수 있다는 것이 이해될 것이다.
예측 모델(124)의 출력은 "감염됨" 또는 "감염되지 않음", "전염성" 또는 "비전염성", 또는 "회복됨" 또는 "회복되지 않음"과 같은 사용자의 상태를 나타내는 범주형 매개변수일 수 있다. 공항 보안경비 및 의료 입원과 같이, 전염성이 있는 개인에 대해 보안 구역을 검사하는 데 사용되는 일 예에서, 범주형 매개변수는 개인이 즉시 입원할 수 있는지, 입원이 거부될 수 있는지 또는 추가 심사를 받을 수 있는지를 나타낼 수 있다. 범주형 매개변수는 현재 또는 예측된 상태에 대한 가능성 범위를 나타낼 수도 있다. 다른 구현에서, 예측 모델(124)의 출력은 예측 또는 현재 상태의 가능성과 같은 연속 매개변수일 수 있다. 일 예에서, 예측 모델(124)은 미래 시간에 건강 관련 매개변수에 대한 값을 예측하는 하나 이상의 구성 모델을 포함할 수 있다. 예를 들어, 주어진 모델은 특징 추출기(122) 및 저장된 사용자 데이터(126)로부터 수신된 데이터에 기초하여 미래 시간(예를 들어, 3일 후)에 사용자에 대한 심박수 또는 온도를 예측할 수 있다. 이러한 예측 값은 사용자에게 제공되거나 추가 모델에 대한 입력으로 활용되어 향후 사용자의 상태를 예측할 수 있다. 일 예에서, 예측 모델(124)은 건강 관련 매개변수에 대한 향후 값을 예측하도록 각각 구성된 복수의 컨볼루션 신경망을 포함하고, 사용자의 미래 상태를 예측하는 데 사용되는 복수의 컨볼루션 신경망에서 예측된 값을 사용한다.
일부 구현에서, 예측 모델(124)은 피드백 구성요소(128)를 포함할 수 있고 모델에 의해 만들어진 예측의 정확도에 기초하여 예측 모델(124)의 다양한 매개변수를 조정할 수 있다. 일 예에서, 피드백 구성요소(128)는 각 예측 모델과 관련된 사용자의 결과가 모델의 출력으로 예측된 결과와 비교하여, 복수의 예측 모델(124)에 의해 공유될 수 있다. 범주형 입력 또는 연속 값의 출력을 생성하기 위한 임계값과 같은, 모델과 관련된 매개변수는 실제 및 예측 결과의 차이에 따라 조정될 수 있다. 일 예에서, 시스템의 연속 출력을 임계값과 비교하여 환자가 감염성인지 비감염성인지 결정할 수 있다. 이 임계값은 결정의 정확도를 증가시키기 위해 피드백 모델(128)에 의해 변경될 수 있다.
대안적으로, 예측 모델(124)은 개별 모델의 수준에서 피드백을 얻을 수 있다. 예를 들어, 건강 관련 매개변수의 향후 값을 예측하기 위해 구성 모델을 사용하는 예측 모델(124)에서, 모델은 건강 관련 매개변수가 측정되면 이러한 예측의 정확도에 대해 일관된 피드백을 받는다. 이 피드백은 해당 사용자가 연속 값에서 범주형 입력 또는 출력을 생성하거나 환자와 관련된 생물학적 리듬에 대한 기준 값을 생성하기 위한 개별화된 임계값을 포함하여 모델의 매개변수를 조정하는 데 사용될 수 있다. 또는, 피드백은 모델의 최종 출력에서 제공될 수 있고 사용자가 보고한 상태(예를 들어, 주어진 상태에 대해 증상이 있거나 무증상)와 같은 다른 데이터와 비교되어, 모델에 피드백을 제공할 수 있다. 일 구현에서, 강화 학습 접근법은 예측 모델(124)의 중간 단계에서 건강 관련 매개변수의 예측된 향후 값 또는 예측 모델의 출력에 기초하여 모델 매개변수를 조정하는 데 사용될 수 있다. 예를 들어, 예측 모델(124)에 의해 생성된 연속 지수로부터 범주형 출력을 생성하는 데 사용되는 결정 임계값은 이전 사용자의 복수 모델로부터의 피드백에 기반하여 초기 값으로 설정되고 강화 모델을 통해 조정되어 사용자에게 특정한 결정 임계값을 생성할 수 있다.
도 2는 복수의 휴대용 모니터링 장치(152, 154, 160)를 사용하는, 도 1의 시스템의 개략적인 예(150)를 도시한다. 도시된 구현에서, 제1 및 제2 휴대용 모니터링 장치(152, 154)는 각각 손목 및 손가락에 착용되는 웨어러블 장치이다. 제1 및 제2 휴대용 모니터링 장치(152, 154)에 의해 모니터링되는 건강 관련 매개변수는 예를 들어, 맥박 산소 측정기, 최대 산소 소비량, 온도 및 온도 변화로 측정되는 바와 같이, 심박수, 심박수 변동, 수면 질 메트릭, 생물학적 리듬 변화, 수면량 메트릭스, 사용자의 신체 활동, 신체 방향, 움직임, 동맥 혈압, 호흡수, 말초 동맥 산소 헤모글로빈 포화도를 포함할 수 있다. 본 명세서에 사용된 웨어러블 장치는 시계, 손목 밴드, 반지, 머리띠, 및 그 외 건강 관련 매개변수를 모니터링하기 위해 적절한 위치에 센서를 유지할 수 있는 웨어러블 아이템을 포함하여, 적절한 센서로 구현된 임의의 웨어러블 아이템을 포함할 수 있다. 주어진 웨어러블 장치(152, 154)는 데이터의 상세한 시계열이 생성되도록 하는 높은 빈도(예를 들어, 5분마다)로 이러한 매개변수 중 다수를 모니터링할 수 있다는 것이 이해될 것이다.
시스템(150)은 로컬 송수신기(162)를 통해 제1 및 제2 휴대용 모니터링 장치(152, 154)와 통신하는 모바일 장치(160)를 더 포함할 수 있다. 모바일 장치(160)는 또한 사용자가 베이스 유닛에 저장된 하나 이상의 데이터 수집 애플리케이션(166)과 상호작용할 수 있게 하는 그래픽 사용자 인터페이스(164)를 포함할 수 있다. 가능한 데이터 수집 애플리케이션의 일 예는 인지 기능의 다양한 측정을 테스트하는 인지 평가 애플리케이션을 포함할 수 있다. 이들은 작업 기억, 주의력, 반응 억제, 피로, 인지를 포함할 수 있다. 더 나아가, 이러한 메트릭은 설정된 기준과 비교하여 사용자의 피로도를 추정할 수 있다. 예시적인 인지 평가 애플리케이션으로부터의 스크린샷이 도 3 내지 도 8과 같이 제공된다. 다른 데이터 수집 애플리케이션은 사용자가 증상, 기분, 정신적, 신체적, 정서적 상태 및 스트레스를 자가 보고할 수 있는 설문 애플리케이션을 포함할 수 있다. 도 9는 COVID-19의 증상의 시작을 예측하는 데 사용되는 체계의 예를 위해 오전에 완료되는 제1 설문조사에 대한 질문의 예를 보여준다. 도 10은 이 예에 대해 오후에 완료된 제2 설문조사에 대한 질문의 예를 보여준다. 일반적으로, 데이터 수집 애플리케이션(166)은 다음 각각을 모니터링하도록 선택 및 구성될 수 있다.
1. 주의력, 각성, 피로- 경심리학자-- 정신 과부하, 의사 결정, 집중력, 주의 산만, 억제 제어, 플랭커 작업, 반응 시간, 불을 키는 횟수 및 경과, 선택 반응 작업 및 기타 주의 구성 요소, 주의 산만, 집중, 지속적인 인식, 스트룹 측정
2. 기억-- SAGE-자가 관리 노인인지 검사, 서술 기억
3. 언어-
4. 기분과 감정-CES-D, 우울증 및 기분 프로필
5. 보상 및 위험 감수-지연 디스카운팅, 보상 학습,
6. 지각 처리-시각, 청각, 후각, 체성 감각/다중 모드
7. 피로-정신 운동 각성 작업 및 기타 주의력 작업
8. 후각, 미각, 시각, 청각, 촉각과 같은 감각 시스템
9. 운동
10. 신경 용량
11. 사회 체계
12. 소셜 네트워크
모바일 장치(160)는 시스템(150)이 근거리 통신망 또는 인터넷 연결을 통해 원격 서버(170)와 통신하는 네트워크 송수신기(168)를 더 포함한다. 이 예에서, 원격 서버(170)는 순환 신경망, 구체적으로 장단기 메모리 아키텍처를 갖는 네트워크로서 구현된 예측 모델을 포함한다. 이 예에서는, 설문 응답 및 인지 평가와 함께 온도와 같은 웨어러블 장치(152 및 154)로부터의 건강 관련 매개변수는 다른 관련 데이터와 함께 시계열로 예측 모델에 제공될 수 있다. 모델의 출력은 COVID-19가 사용자에게 가하는 위험을 나타내는 지수이다.
데이터는 예를 들어 가족, 동료 또는 친구와 같이 사회적으로 연결될 수 있는 복수의 사용자로부터 수집될 수 있다는 것이 이해될 것이다. 일 예는 개인을 둘러싼 사회적 맥락으로 계산된 "집단 면역"의 개념이다. 사용자 간의 사회적 연결은 자체 보고되거나 자체 보고된 데이터로부터 파생되거나, 일 예에서 모니터링되는 사용자의 모바일 장치로부터의 위치 이력 분석을 통해 결정될 수 있다. 임계 거리 내에서 다른 사용자와 관련된 휴대용 모니터링 장치를 감지하는 위치 데이터 또는 근접 센서를 사용하게 되면 의도적인 사회적 접촉이 아닌 빈번한 공간적 근접의 경우를 가능하게 할 수 있다(예: 대중교통 차량을 공유). 일 예에서, 사용자가 휴대한 모바일 장치 간의 블루투스 또는 유사한 단거리 통신을 사용하여 사용자가 공간적으로 근접했는지 확인할 수 있다. 전염병에 대한 감수성 또는 수축을 나타내는 지수는 연결된 다른 개인에 대한 예측 변수의 일부로 사용될 수 있다. 이 데이터는 질병이 퍼질 수 있는 위치를 예측하는 데에도 사용되어, 인공 지능 기반 스마트 사회적 거리를 허용할 수 있다. 사용자로부터 수집된 정보는 암호화된 형태로 저장되며 사용자의 개인 정보를 보호하기 위해 개인 식별 데이터를 제거한 후에만 공유된다.
일 예에서, 소매점, 공항, 대학 캠퍼스, 학교 또는 병원과 같이 교통량이 많은 위치에는 알려진 위치에 여러 블루투스 비콘이 있을 수 있다. 사용자가 비콘을 통과하면, 모바일 장치의 블루투스 송수신기는 사용자의 식별자와 각 상호 작용에 대해 저장된 시간을 사용하여 비콘과 상호 작용한다. 이러한 값과 애플리케이션에서 수집한 기타 위치 및 근접 정보는 접촉 추적 및 다양한 위치와 관련된 감염 위험을 결정하는 데 사용할 수 있다. GPS 수신기에서 수집한 지리 위치 데이터를 사용하여 유사한 프로세스가 수행될 수 있으며, 이 때 사용자는 기록된 특정 위치 또는 감염된 존재와 관련된 지오펜스 영역을 통과하거나 전염성이 있는 사용자는 기록된 각 장치와 연결된 동적 지오펜스를 통과한다.
사용자 장치 및/또는 설계된 블루투스 비콘의 위치 데이터를 사용하여 관심 영역 전반에 걸친 감염 위험 매핑을 생성할 수 있다. 일 예에서, 데이터 수집 애플리케이션(166) 중 하나를 통해 주어진 전염병과 관련된 증상을 보고하는 사용자의 존재는 주어진 위치에 할당될 수 있다. 다른 예에서, 보고된 증상을 가진 사용자와 예측 모델(124)로부터 전염성이 있는 것으로 예측되는 사용자 모두는 위험 점수를 생성하는 데 사용될 수 있다. 일 구현에서, 전염성이 있는 것으로 예측되는 사용자의 위험 점수에 대한 기여도는 전염성 예측과 관련된 확률 또는 신뢰도 값에 따라 가중치가 부여될 수 있다.
맵을 조정하여 감염의 기호, 색상 또는 기타 지수를 표시하여, 위험 점수를 생성할 수 있다. 위험 점수는 총계로 또는 해당 위치의 감염 밀도를 나타내는 값을 생성하기 위해 해당 위치의 면적으로 나누어 정의된 시간의 창에 대해, 주어진 전염병에 대해 해당 위치에서 보고된 총 감염 수, 정의된 기간 동안 해당 위치에서 보고된 감염 수, 또는 해당 위치에서 보고된 감염 수를 나타낼 수 있다. 각 위치에 대한 위험 점수를 지도에 표시할 수 있다.
도 11은 목표 위치에 대해 생성될 수 있는 위험 점수의 맵(180)의 단순화된 예를 도시한다. 단순화된 예에서, 위치에 대한 위험 점수는 세 가지 범주 값으로 도시되며, 제1 범주는 알려진 감염 위험이 없음을 나타내고, 제2 범주는 낮은 수준의 감염 위험을 나타내고, 제3 범주는 증가된 감염 위험 수준을 나타낸다. 도시된 맵(180)에서, 제1 수준의 감염 위험은 음영이 없는 위치로 표시되고 제2 수준의 감염 위험은 밝은 음영(182)이 있는 위치로 표시되며 제3 수준의 감염 위험은 더 어두운 음영(184)이 있는 위치로 표시된다. 정의된 또는 동적 임계값을 각 위치에 대해 생성된 연속 위험 점수에 적용함으로써 각각의 범주형 값이 제공될 수 있다는 것이 이해될 것이다.
일 구현에서, 각 카테고리를 정의하는 데 사용되는 임계값은 예를 들어, 사용자 데이터(126)에 의해 또는 예측된 모델(124)에서 결정된 바와 같이 감염에 대한 사용자의 회복력의 결정에 의해 표현되는 바와 같이, 사용자의 특성에 따라 정의될 수 있다. 예를 들어, 사용자가 감염의 고위험 범주(예를 들어, 고령, 면역 저하 또는 동반 질환)에 있는 경우 임계값을 낮추어 사용자의 증가된 감염 위험을 나타낼 수 있다. 마찬가지로, 사용자의 회복력이 임의의 시간에 낮다고 판단되면, 사용자의 감염 저항 능력 감소를 나타내기 위해 임계값을 일시적으로 낮출 수 있다. 따라서 맵은 주어진 사용자에게 개인화될 수 있을 뿐만 아니라, 특정 시간에 사용자에게 위험을 나타내도록 조정될 수 있다.
게다가, 생성된 지수는 민감한 개인에게 사회적 접촉을 피하도록 조언하거나 전염성을 예측 및 예보함으로써 예방 조치로 사용할 수 있다. 예를 들어, 특정 전염병에 걸리기 쉬우거나 전염될 것으로 알려진 개인은 상태가 개선될 때까지 사회적 거리두기를 강화할 수 있다. 유사하게, 감독자는 특히 건강 관리 환경에서 고객과의 직접 접촉에서 특히 민감하거나 전염될 가능성이 있는 직원을 분리할 수 있다. 인구 내에서 감수성과 예측된 전염성을 모두 얻을 수 있는 경우, 전염성이 있다고 예상되는 개인은 사회망 내에서 민감한 개인과 접촉하지 않도록 주의를 받아, 취약한 인구 간의 질병의 확산을 줄일 수 있다.
회복력이나 회복 가능성을 측정하는 지수는 희소한 의료 자원을 할당하는 데 사용할 수 있다. 예를 들어, 높은 회복력을 가진 개인은 병원 치료가 필요한 증상이 발생할 가능성이 적기 때문에 적어도 초기에는 외래 환자로 치료받도록 할 수 있다. 비슷하게, 약품이나 인공호흡기 등 의료장비가 부족한 경우, 이들은 의료 자원의 효율성을 극대화하기 위해 회복이 더 필요하거나 회복 가능성이 높은 환자에게 제공될 수 있다. 다른 경우에, 지수는 전반적인 신체 탄력성을 고려하여 진단 및 의료 상태 분류 및 치료 옵션을 보다 효과적으로 안내할 수 있다.
마지막으로, 주어진 관심 위치에 대한 데이터를 사용하여 감염이 확산되기 시작할 가능성이 있는 지역을 감지할 수 있다. 도 12는 전염병의 발병 이전 기간 동안의 여러 건강 관련 매개변수를 도시한다. 도 13은 발병 동안 동일한 매개변수를 도시한다. 관심 위치의 평균 체온과 심박수 변동성은 떨어지는 반면, 발병이 진행됨에 따라 심박수 평균과 준비 상태 및 활동 측정값은 감소한다는 것에 유의한다. 그러나 도 12로부터 이러한 각 경향은 발병이 진행되기 전에 분명했으며, 예측 모델(140)의 사용, 특히 순환 네트워크(예를 들어, LSTM)에서 이러한 값의 시계열의 평가는 심각성을 줄이기 위한 조치를 취하기 위해 제 시간의 발병 예측을 가능하게 할 수 있다는 것이 이해될 것이다.
도 14는 COVID-19에 감염된 개인(192)에 대한 다양한 건강 관련 매개변수 세트의 평균값을 일반 인구(194)에 대한 다양한 건강 관련 매개변수 세트의 평균값과 비교하는 레이더 플롯(190)을 도시한다. 차트에서 알 수 있는 바와 같이, COVID-19에 감염된 개인은 수면 질과 수면 시간이 중간 정도 감소하고, 주의력, 보고된 건강 및 심박수 변동성이 현저하게 감소한다. 환자의 평시 심박수도 크게 증가한다. 환자는 또한 약간 증가된 "작업량", 즉 일상적인 작업을 수행하는 추가 스트레스와 피로의 형태의 비용을 경험하게 된다. 이러한 건강 관련 매개변수는 무증상 사용자의 COVID-19 감염 발병을 식별하는 데 특히 유용할 수 있다는 것이 이해될 것이다.
전술한 구조적 및 기능적 특징을 고려하여, 본 발명의 다양한 측면에 따른 방법은 도 15 및 도 16을 참조하여 더 잘 이해될 것이다. 설명의 편의를 위해, 도 15 및 16의 방법은 직렬로 실행되는 것으로 도시되고 설명되지만, 일부 측면은 본 발명에 따라 도시되고 설명된 것과 다른 순서로 및/또는 다른 측면와 동시에 발생할 수 있기 때문에, 본 발명은 예시된 순서에 의해 제한되지 않는 것으로 이해되고 이해되어야 한다. 더욱이, 예시된 모든 특징이 본 발명에 따른 방법을 구현하기 위해 요구되는 것은 아니다.
도 15는 사용자의 건강을 모니터링하기 위한 방법의 일 예를 도시한다. 202에서, 사용자를 나타내는 건강 관련 매개변수는 정의된 기간에 걸쳐 휴대용 장치에서 모니터링되어 건강 관련 매개변수의 시계열을 생성한다. 건강 관련 매개변수의 예는 심박수 변동성 및 체온을 포함할 수 있으며, 이는 예를 들어 웨어러블 장치에서 모니터링될 수 있다. 204에서, 제1 세트 및 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 어느 하나 또는 둘 모두가 정의되는 기간의 제1 및 제2 시간 각각에서 사용자에 대해 획득된다. 일 예에서, 제1 세트 및 제2 세트의 평가 데이터를 제공하기 위해 휴대용 장치와 연관된 모바일 장치와 같은 베이스 유닛에서 인지 평가 애플리케이션 또는 심리사회적 평가 애플리케이션과 상호작용하도록 사용자에게 프롬프트된다.
206에서, 건강 관련 매개변수의 시계열 및 제1 및 제2 세트의 인지 평가 데이터 또는 심리사회적 평가 데이터에 따라 예측 모델을 통해 값이 사용자에게 할당된다. 일 예에서, 상기 값은 사용자가 코, 비인두, 입, 혈액 또는 기타 체액의 DNA, RNA 또는 단백질 또는 항체 측정에 의해 전염병 또는 예측된 병원체 수준에 감염될 때까지, 사용자의 예측 또는 예보된 전염성, 예측된 날 수와 같이, 특정 질병 또는 질병의 등급에 의해 사용자에게 제기되는 예측된 위험을 나타낸다.
일 구현에서, 예측 모델은 건강 관련 매개변수의 시계열에 대해 웨이블릿 분해를 수행하여 웨이블릿 계수 세트를 제공한다. 웨이블릿 계수는 그 자체로 예측 모델의 기능으로 사용되거나 하나 이상의 복합 기능으로 집계될 수 있다. 예를 들어, 웨이블릿 계수 세트의 적어도 일부의 가중 조합은 예측 모델의 훈련 프로세스 동안 할당된 가중치로 생성될 수 있다. 대안적으로, 웨이블릿 계수 세트에 기초한 2차원 어레이의 무게 중심은 예측 모델에 대한 특징을 제공하기 위해 생성될 수 있다. 예측 모델은 값을 할당할 때 기능으로 중간 예측을 사용할 수도 있다. 예를 들어, 하나 이상의 건강 관련 매개변수에 대한 향후 값은 모니터링된 데이터에서 예측한 다음 예측 모델의 기능으로 사용할 수 있다.
일 예에서, 예측 모델은 예를 들어, 연속 출력에서 범주형 값을 생성하기 위한 결정 임계값과 같은, 모델의 재훈련 또는 하나 이상의 특정 매개변수에 대한 강화 학습 프로세스의 사용을 통해, 피드백을 활용하여 예측 모델과 관련된 매개변수를 조정할 수 있다. 이 구현에서, 사용자와 관련된 결과가 측정되고 예측 모델을 통해 사용자에게 할당된 값과 비교된다. 이 비교에 따라 예측 모델과 관련된 매개변수가 변경된다.
도 16은 사용자의 건강을 모니터링하는 방법의 다른 예를 도시한다. 302번에서, 사용자를 나타내는 복수의 건강 관련 매개변수는 모니터링된 매개변수의 각각의 시계열을 생성하기 위해 정의된 기간에 걸쳐 웨어러블 장치에서 모니터링된다. 304에서, 사용자를 나타내는 특징 세트는 복수의 건강 관련 매개변수의 시계열로부터 추출된다. 특징 세트는 심박수 변동성 또는 체온과 같은 복수의 건강 관련 매개변수 중 적어도 하나에 대한 예측 값을 포함한다. 306에서, 특징 세트에 따른 예측 모델을 통해 값이 사용자에게 할당된다.
도 17은 여기에 개시된 시스템 및 방법의 예를 구현할 수 있는 하드웨어 구성요소의 예시적인 시스템(400)을 도시하는 개략적인 블록도이다. 시스템(400)은 다양한 시스템 및 서브시스템을 포함할 수 있다. 시스템(400)은 개인용 컴퓨터, 랩톱 컴퓨터, 워크스테이션, 컴퓨터 시스템, 기기, 주문형 집적 회로(ASIC), 서버, 서버 BladeCenter, 서버 팜 등일 수 있다.
시스템(400)은 시스템 버스(402), 프로세싱 유닛(404), 시스템 메모리(406), 메모리 장치(408, 410), 통신 인터페이스(412)(예를 들어, 네트워크 인터페이스), 통신 링크(414), 디스플레이(416)(예를 들어, 비디오 스크린), 및 입력 장치(418)(예를 들어, 키보드, 터치 스크린, 및/또는 마우스)를 포함한다. 시스템 버스(402)는 처리 유닛(404) 및 시스템 메모리(406)와 통신할 수 있다. 하드 디스크 드라이브, 서버, 독립형 데이터베이스 또는 기타 비휘발성 메모리와 같은 추가 메모리 장치(408 및 410)는 또한 시스템 버스(402)와 통신할 수 있다. 시스템 버스(402)는 처리 유닛(404), 메모리 장치(406-410), 통신 인터페이스(412), 디스플레이(416), 및 입력 장치(418)를 상호 연결한다. 일부 예에서, 시스템 버스(402)는 또한 범용 직렬 버스(USB) 포트와 같은 추가 포트(미도시)를 상호 연결한다.
프로세싱 유닛(404)은 컴퓨팅 장치일 수 있고 주문형 집적 회로(ASIC)를 포함할 수 있다. 처리 유닛(404)은 본 명세서에 개시된 예의 동작을 구현하기 위해 명령어 세트를 실행한다. 프로세싱 유닛은 프로세싱 코어를 포함할 수 있다.
추가 메모리 장치(406, 408, 410)는 데이터, 프로그램, 명령, 텍스트 또는 컴파일된 형태의 데이터베이스 쿼리, 및 기타 컴퓨터를 작동하는 데 필요할 수 있는 정보를 저장할 수 있다. 메모리(406, 408, 410)는 메모리 카드, 디스크 드라이브, 컴팩트 디스크(CD) 또는 네트워크를 통해 액세스할 수 있는 서버와 같은, 컴퓨터 판독 가능 매체(통합 또는 제거 가능)로 구현될 수 있다. 특정 예에서, 메모리(406, 408 및 410)는 텍스트, 이미지, 비디오, 및/또는 오디오를 포함할 수 있고, 그 일부는 인간이 이해할 수 있는 형식으로 이용가능할 수 있다.
추가적으로 또는 대안적으로, 시스템(400)은 시스템 버스(402) 및 통신 링크(414)와 통신할 수 있는 통신 인터페이스(412)를 통해 외부 데이터 소스 또는 쿼리 소스에 액세스할 수 있다.
운영 동안, 시스템(400)은 본 발명에 따라 사용자의 건강을 모니터링하기 위한 시스템의 하나 이상의 부분을 구현하는 데 사용될 수 있다. 모니터링 시스템을 구현하기 위한 컴퓨터 실행 가능 로직은 시스템 메모리(406) 및 특정 예에 따른 메모리 장치(408 및 410) 중 하나 이상에 상주한다. 처리 유닛(404)은 시스템 메모리(406) 및 메모리 장치(408, 410)로부터 발생하는 하나 이상의 컴퓨터 실행 가능 명령을 실행한다. 본 명세서에서 사용되는 용어 "컴퓨터 판독 가능 매체"는 실행을 위해 처리 유닛(404)에 명령을 제공하는 데 참여하는 매체를 지칭한다. 이 매체는 공통 프로세서 또는 관련 프로세서 세트에 모두 작동 가능하게 연결된 여러 개별 어셈블리에 분산될 수 있다. 구체적인 세부사항은 실시예의 완전한 이해를 제공하기 위해 위의 설명에서 제공된다. 그러나, 이러한 특정 세부사항 없이 실시예가 실시될 수 있음이 이해된다. 예를 들어, 물리적 구성요소는 실시예를 불필요한 세부사항으로 모호하게 하지 않기 위해 블록도에 표시될 수 있다. 다른 예에서, 잘 알려진 회로, 프로세스, 알고리즘, 구조 및 기술은 실시예를 모호하게 하는 것을 피하기 위해 불필요한 세부 사항 없이 표시될 수 있다.
위에서 설명한 기술, 블록, 단계 및 수단의 구현은 다양한 방식으로 수행될 수 있다. 예를 들어, 이러한 기술, 블록, 단계 및 수단은 하드웨어, 소프트웨어 또는 이들의 조합으로 구현될 수 있다. 하드웨어 구현의 경우, 처리 장치는 하나 이상의 주문형 집적 회로(ASIC), 디지털 신호 프로세서(DSP), 디지털 신호 처리 장치(DSPD), 프로그램 가능 논리 장치(PLD), 필드 프로그램 가능 게이트 어레이(FPGA), 프로세서, 컨트롤러, 마이크로컨트롤러, 마이크로프로세서, 위에서 설명된 기능을 수행하도록 설계된 기타 전자 유닛, 및/또는 이들의 조합내에서 구현될 수 있다.
또한, 실시예는 플로우챠트, 흐름도, 데이터 흐름도, 구조도, 또는 블록도로서 도시된 프로세스로서 설명될 수 있음에 유의한다. 순서도는 작업을 순차적 프로세스로 설명할 수 있지만, 많은 작업은 병렬로 또는 동시에 수행될 수 있다. 또한 작업의 순서는 다시 정렬될 수 있다. 프로세스는 그 작업이 완료되면 종료되지만 도면에 포함되지 않은 추가 단계가 있을 수 있다. 프로세스는 메소드, 함수, 프로시져, 서브루틴, 서브프로그램 등에 해당할 수 있다. 프로세스가 함수에 대응할 때, 그 종료는 호출하는 함수나 메인 함수에 대한 함수의 반환에 해당한다.
뿐만 아니라, 실시예는 하드웨어, 소프트웨어, 스크립팅 언어, 펌웨어, 미들웨어, 마이크로코드, 하드웨어 기술 언어, 및/또는 이들의 임의의 조합에 의해 구현될 수 있다. 소프트웨어, 펌웨어, 미들웨어, 스크립팅 언어 및/또는 마이크로코드로 구현되는 경우, 필요한 작업을 수행하기 위한 프로그램 코드 또는 코드 세그먼트는 저장 매체와 같은 기계 판독 가능 매체에 저장될 수 있다. 코드 세그먼트 또는 기계 실행 가능 명령어는 프로시져, 함수, 서브프로그램, 프로그램, 루틴, 서브루틴, 모듈, 소프트웨어 패키지, 스크립트, 등급 또는 명령어, 데이터 구조 및/또는 프로그램 문장의 조합을 나타낼 수 있다. 코드 세그먼트는 정보, 데이터, 인수, 매개변수 및/또는 메모리 내용을 전달 및/또는 수신하여 다른 코드 세그먼트 또는 하드웨어 회로에 연결될 수 있다. 정보, 인수, 매개변수, 데이터 등은 메모리 공유, 메시지 전달, 티켓 전달, 네트워크 전송 등을 포함한 적절한 수단을 통해 전달, 이송 또는 전송될 수 있다.
펌웨어 및/또는 소프트웨어 구현의 경우, 방법론은 본 명세서에서 설명된 기능을 수행하는 모듈(예: 절차, 기능 등)로 구현될 수 있다. 명령을 유형적으로 구현하는 임의의 기계 판독 가능 매체가 본 명세서에서 설명된 방법론을 구현하는 데 사용될 수 있다. 예를 들어 소프트웨어 코드를 메모리에 저장할 수 있다. 메모리는 프로세서 내부에 구현되거나 프로세서 외부에 구현될 수 있다. 본 명세서에서 사용된 용어 "메모리"는 모든 유형의 장기, 단기, 휘발성, 비휘발성 또는 기타 저장 매체를 의미한다. 특정 유형의 메모리 또는 메모리의 수 또는 메모리가 저장되는 미디어 유형에 제한되지 않는다.
또한, 본 명세서에 개시된 바와 같이, "저장 매체"라는 용어는 읽기 전용 메모리(ROM), 랜덤 액세스 메모리(RAM), 자기 RAM, 코어 메모리, 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 장치 및/또는 정보를 저장하기 위한 다른 기계 판독 가능 매체를 나타낼 수 있다. "기계 판독 가능 매체"라는 용어는 제한하는 것은 아니지만, 휴대용 또는 고정식 저장 장치, 광학 저장 장치, 무선 채널 및/또는 명령 및/또는 데이터를 포함하거나 운반할 수 있는 다양한 기타 저장 매체를 포함한다.
상술된 것은 예시적이다. 물론, 구성 요소나 방법론의 모든 가능한 조합을 설명하는 것은 가능한 것은 아니지만, 당업자라면 더 많은 조합 및 순열이 가능하다는 것을 인식할 것이다. 따라서, 본 개시내용은 첨부된 청구범위를 포함하여 본 출원의 범위 내에 속하는 모든 변경, 수정 및 변형을 포함하도록 의도된다. 본 명세서에 사용된 바와 같이, 용어 "포함한다"는 제한하지 않고 포함한다 것을 의미하고, 용어 "포함하는"은 제한하지 않고 포함하는 것을 의미한다. "~에 기초한"이라는 용어는 적어도 부분적으로 ~에 기초한 것을 의미한다. 추가로, 개시 또는 청구범위가 단수 형태, "제1" 또는 "다른" 요소, 또는 그 등가물을 인용하는 경우, 하나 이상의 요소를 포함하는 것으로 해석되어야 하며 둘 이상의 요소를 요구하거나 배제하지 않는다.

Claims (21)

  1. 사용자의 건강을 모니터링하기 위한 방법에 있어서, 상기 방법은:
    정의된 기간 동안 휴대용 장치에서 상기 사용자를 나타내는 건강 관련 매개변수를 모니터링하여 상기 건강 관련 매개변수의 시계열을 생성하는 단계;
    상기 정의된 기간 내의 각각의 제1 및 제2 시간에서 상기 사용자에 대해 제1 세트 및 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나를 획득하는 단계; 및
    상기 건강 관련 매개변수의 상기 시계열, 상기 제1 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나, 및 상기 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나에 따라 예측 모델을 통해 상기 사용자에게 값을 할당하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서, 상기 건강 관련 매개변수의 상기 시계열에 따라 예측 모델을 통해 상기 사용자에게 값을 할당하는 단계는, 웨이블릿 계수 세트를 제공하기 위해 상기 건강 관련 매개변수의 상기 시계열에 대해 웨이블릿 분해를 수행하는 단계 및 적어도 상기 웨이블릿 계수 세트에 따라 상기 값을 할당하는 단계를 포함하는, 방법.
  3. 제2항에 있어서, 상기 웨이블릿 계수 세트의 적어도 일부의 가중 조합을 생성하는 단계를 더 포함하고, 적어도 상기 웨이블릿 계수 세트에 따라 상기 값을 할당하는 단계는 적어도 상기 가중된 조합에 따라 상기 값을 할당하는 단계를 포함하는, 방법.
  4. 제2항에 있어서, 상기 웨이블릿 계수 세트는 제1 및 제2 변수에 대한 2차원 배열이며, 상기 방법은 상기 제1 변수에 대한 제1 대표 값 및 상기 제2 변수에 대한 제2 대표 값으로서 상기 웨이블릿 계수 세트에 기초하여 상기 2차원 어레이의 무게 중심을 생성하는 단계를 더욱 포함하고, 적어도 상기 웨이블릿 계수 세트에 따라 상기 값을 할당하는 단계는 적어도 상기 제1 및 제2 대표 값에 따라 상기 값을 할당하는 단계를 포함하는, 방법.
  5. 제1항에 있어서, 상기 사용자와 관련된 결과를 측정하는 단계;
    상기 측정된 결과를 예측 모델을 통해 상기 사용자에게 할당된 상기 값과 비교하는 단계; 및
    상기 측정된 결과와 상기 예측 모델을 통해 상기 사용자에게 할당된 상기 값의 비교에 따라 상기 예측 모델과 관련된 매개변수를 변경하는 단계
    를 더 포함하는, 방법.
  6. 제5항에 있어서, 상기 측정된 결과와 상기 예측 모델을 통해 상기 사용자에게 할당된 상기 값의 비교에 따라 상기 예측 모델과 관련된 상기 매개변수를 변경하는 단계는 상기 사용자에게 할당된 상기 값과 상기 측정된 결과의 유사성에 기반하는 강화 학습 프로세스에 대한 보상을 생성하는 단계 및 상기 강화 학습 프로세스를 통해 상기 매개변수를 변경하는 단계를 포함하는, 방법.
  7. 제6항에 있어서, 상기 예측 모델과 관련된 상기 매개변수는 상기 예측 모델에서 제공하는 연속형 지수의 범주형 값으로 상기 사용자에게 상기 값을 할당하는 데 사용되는 결정 임계값인, 방법.
  8. 제1항에 있어서, 상기 값은 면역접종에 의해 상기 사용자에게 제공되는 예상되는 면역 정도를 나타내는, 방법.
  9. 제1항에 있어서, 상기 값은 특정 질병 또는 질병의 등급에 의해 상기 사용자에게 제기되는 예측 위험을 나타내는, 방법.
  10. 제9항에 있어서, 상기 값은 상기 사용자의 예측 또는 예보되는 전염성을 나타내는, 방법.
  11. 제10항에 있어서, 상기 값은 상기 사용자가 전염병에 감염될 때까지 예상되는 일 수를 나타내는, 방법.
  12. 제9항에 있어서, 상기 값은 코, 비인두, 입 또는 체액의 DNA, RNA 또는 단백질 또는 항체 측정으로 예측되는 병원체 수준을 나타내는, 방법.
  13. 제1항에 있어서, 상기 예측 모델을 통해 상기 사용자에게 상기 값을 할당하는 단계는:
    상기 건강 관련 매개변수의 상기 시계열, 상기 제1 세트의 인지 평가 데이터 및 심리 사회적 평가 데이터 중 하나, 및 상기 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나에 따라 상기 건강 관련 매개변수의 향후 값을 나타내는 제1 값을 상기 사용자에게 할당하는 단계; 및
    적어도 상기 제1 값에 따라 상기 사용자에게 상기 값을 할당하는 단계
    를 더 포함하는, 방법.
  14. 제1항에 있어서, 상기 건강 관련 매개변수는 심박수 변동인, 방법.
  15. 시스템으로서:
    정의된 기간 동안 사용자를 나타내는 건강 관련 매개변수를 모니터링하여 상기 모니터링된 매개변수의 시계열을 생성하는 웨어러블 장치;
    상기 정의된 기간 내의 각각의 제1 및 제2 시간에서 상기 사용자에 대한 제1 세트 및 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나를 수신하는 휴대용 장치; 및
    상기 건강 관련 매개변수의 상기 시계열, 상기 제1 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나, 및 상기 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나에 따라 상기 사용자에게 값을 할당하는 예측 모델
    을 포함하는, 시스템.
  16. 제15항에 있어서, 상기 제1 세트와 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나는 상기 제1 세트 및 제2 세트의 인지 평가 데이터이고, 상기 휴대용 장치는 상기 제1 세트의 인지 평가 데이터 및 상기 제2 세트의 인지 평가 데이터를 제공하기 위해 상기 사용자가 상기 웨어러블 장치와 연관된 베이스 유닛에서 인지 평가 애플리케이션과 상호작용할 수 있도록 하는 사용자 인터페이스를 포함하는, 시스템.
  17. 제15항에 있어서, 상기 예측 모델은 상기 사용자를 나타내는 지수를 생성하는 순환 신경망 및 상기 사용자의 건강을 나타내는 범주형 매개변수로 상기 사용자에게 상기 값을 할당하는 데 사용되는 결정 임계값을 지속적으로 개선하는 강화 학습 모델로 구현되는, 시스템.
  18. 제15항에 있어서, 상기 모니터링된 매개변수의 상기 시계열로부터 특징 세트를 결정하는 특징 추출기를 더 포함하고, 상기 예측 모델은 상기 특징 세트, 상기 제1 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나, 및 제2 세트의 인지 평가 데이터 및 심리사회적 평가 데이터 중 하나에 따라, 상기 사용자에게 상기 값을 할당하는, 시스템.
  19. 제18항에 있어서, 상기 특징 추출기는 웨이블릿 계수 세트를 제공하도록 상기 건강 관련 매개변수의 시계열에 대해 웨이블릿 분해를 수행하여 상기 특징 세트를 제공하는, 시스템.
  20. 제18항에 있어서, 상기 예측 모델은 상기 건강 관련 매개변수의 상기 시계열에 따라 상기 건강 관련 매개변수의 향후 값을 나타내는 제1 값을 상기 사용자에게 할당하고 적어도 상기 제1 값에 따라 상기 값을 상기 사용자에게 할당하는, 시스템.
  21. 사용자의 건강을 모니터링하는 방법에 있어서, 상기 방법은:
    정의된 기간에 걸쳐 웨어러블 장치에서 상기 사용자를 나타내는 복수의 건강 관련 매개변수를 모니터링하여 상기 모니터링된 매개변수의 각각의 시계열을 생성하는 단계;
    상기 복수의 건강 관련 매개변수의 상기 시계열로부터 상기 사용자를 나타내는 특징 세트를 추출하는 단계 - 상기 특징 세트는 상기 복수의 건강 관련 매개변수 중 적어도 하나에 대한 예측 값을 포함함 -; 및
    상기 특징 세트에 따라 예측 모델을 통해 상기 사용자에게 값을 할당하는 단계
    를 포함하는, 방법.
KR1020227037501A 2020-03-27 2021-03-29 휴대용 모니터링 장치의 모니터링에 의한 사용자의 건강 예측 KR20230002513A (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US202063000607P 2020-03-27 2020-03-27
US63/000,607 2020-03-27
US202063032036P 2020-05-29 2020-05-29
US63/032,036 2020-05-29
PCT/US2021/024617 WO2021195616A1 (en) 2020-03-27 2021-03-29 Predicting wellness of a user with monitoring from portable monitoring devices

Publications (1)

Publication Number Publication Date
KR20230002513A true KR20230002513A (ko) 2023-01-05

Family

ID=77890593

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227037501A KR20230002513A (ko) 2020-03-27 2021-03-29 휴대용 모니터링 장치의 모니터링에 의한 사용자의 건강 예측

Country Status (8)

Country Link
US (1) US20230140151A1 (ko)
EP (1) EP4125562A4 (ko)
JP (1) JP2023521255A (ko)
KR (1) KR20230002513A (ko)
CN (1) CN115443093A (ko)
AU (1) AU2021244627A1 (ko)
CA (1) CA3173456A1 (ko)
WO (1) WO2021195616A1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3224172A1 (en) * 2021-08-11 2023-02-16 Simon Green Methods for determining secondary immunodeficiency
WO2023096265A1 (ko) * 2021-11-26 2023-06-01 서울대학교병원 생체신호를 이용한 covid-19 환자의 중증도 예측 스코어링 장치 및 그 방법
CN114403047B (zh) * 2022-02-09 2023-01-06 上海依蕴宠物用品有限公司 一种基于图像分析技术的老龄动物健康干预方法及系统
US20240105335A1 (en) * 2022-07-27 2024-03-28 West Virginia University Board of Governors on behalf of West Virginia University Analysis framework for evaluating human wellness
CN116671906A (zh) * 2023-08-01 2023-09-01 亿慧云智能科技（深圳）股份有限公司 一种智能手表无创血糖测量方法及系统

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2004227999B2 (en) * 2003-04-01 2009-09-24 Proactive Oral Solutions, Inc. Caries risk test for predicting and assessing the risk of disease
US7733224B2 (en) * 2006-06-30 2010-06-08 Bao Tran Mesh network personal emergency response appliance
US9526455B2 (en) * 2011-07-05 2016-12-27 Saudi Arabian Oil Company Systems, computer medium and computer-implemented methods for monitoring and improving health and productivity of employees
US10606353B2 (en) * 2012-09-14 2020-03-31 Interaxon Inc. Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data
US10779747B2 (en) * 2013-03-15 2020-09-22 Cerora, Inc. System and signatures for the multi-modal physiological stimulation and assessment of brain health
US20170308671A1 (en) * 2016-04-20 2017-10-26 Bionous, LLC Personal health awareness system and methods
EP3463062A4 (en) * 2016-06-07 2020-02-19 Neurosteer Ltd. SYSTEMS AND METHODS FOR CEREBRAL ACTIVITY ANALYSIS AND APPLICATIONS THEREOF
US20190239791A1 (en) * 2018-02-05 2019-08-08 Panasonic Intellectual Property Management Co., Ltd. System and method to evaluate and predict mental condition

Also Published As

Publication number Publication date
EP4125562A1 (en) 2023-02-08
WO2021195616A1 (en) 2021-09-30
US20230140151A1 (en) 2023-05-04
EP4125562A4 (en) 2024-04-17
JP2023521255A (ja) 2023-05-23
AU2021244627A1 (en) 2022-11-03
CN115443093A (zh) 2022-12-06
CA3173456A1 (en) 2021-09-30

Similar Documents

Publication Publication Date Title
Kyriakou et al. Detecting moments of stress from measurements of wearable physiological sensors
Yu et al. AI-based stroke disease prediction system using real-time electromyography signals
Junaid et al. Recent advancements in emerging technologies for healthcare management systems: a survey
Aminizadeh et al. The applications of machine learning techniques in medical data processing based on distributed computing and the Internet of Things
KR20230002513A (ko) 휴대용 모니터링 장치의 모니터링에 의한 사용자의 건강 예측
Qureshi et al. Deep learning-based ambient assisted living for self-management of cardiovascular conditions
Vahabzadeh et al. Digital suicide prevention: can technology become a game-changer?
McDonald et al. Continuous monitoring and detection of post-traumatic stress disorder (PTSD) triggers among veterans: a supervised machine learning approach
JP2016520228A (ja) 医療システムにおけるコンテキスト意識予測
Abdel-Basset et al. The fusion of Internet of Intelligent Things (IoIT) in remote diagnosis of obstructive Sleep Apnea: A survey and a new model
Petrescu et al. Machine learning methods for fear classification based on physiological features
Goergen et al. Detection and monitoring of viral infections via wearable devices and biometric data
Dahan A smart IoMT based architecture for E-healthcare patient monitoring system using artificial intelligence algorithms
Benchekroun et al. Cross dataset analysis for generalizability of HRV-based stress detection models
Lei et al. Hybrid decision support to monitor atrial fibrillation for stroke prevention
Deebak et al. EEI-IoT: Edge-Enabled Intelligent IoT Framework for Early Detection of COVID-19 Threats
Wu et al. A precision health service for chronic diseases: development and cohort study using wearable device, machine learning, and deep learning
Kamrud et al. Generalized deep learning EEG models for cross-participant and cross-task detection of the vigilance decrement in sustained attention tasks
Purawat et al. TemPredict: a big data analytical platform for scalable exploration and monitoring of personalized multimodal data for COVID-19
Guo et al. A Teenager Physical Fitness Evaluation Model Based on 1D-CNN with LSTM and Wearable Running PPG Recordings
Ebada et al. Applying apache spark on streaming big data for health status prediction
Raj Theeng Tamang et al. A Machine-Learning-Based Approach to Predict the Health Impacts of Commuting in Large Cities: Case Study of London
Cho et al. Roles of artificial intelligence in wellness, healthy living, and healthy status sensing
Sharma et al. Ai and gnn model for predictive analytics on patient data and its usefulness in digital healthcare technologies
Poli et al. Cross-Domain Classification of Physical Activity Intensity: An EDA-Based Approach Validated by Wrist-Measured Acceleration and Physiological Data