KR20230044160A - 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 - Google Patents
기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 Download PDFInfo
- Publication number
- KR20230044160A KR20230044160A KR1020230037268A KR20230037268A KR20230044160A KR 20230044160 A KR20230044160 A KR 20230044160A KR 1020230037268 A KR1020230037268 A KR 1020230037268A KR 20230037268 A KR20230037268 A KR 20230037268A KR 20230044160 A KR20230044160 A KR 20230044160A
- Authority
- KR
- South Korea
- Prior art keywords
- machine learning
- glycated hemoglobin
- features
- hba1c
- blood sugar
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 42
- 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 title claims abstract description 40
- 239000008103 glucose Substances 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 title claims abstract description 32
- 210000004369 blood Anatomy 0.000 claims abstract description 137
- 239000008280 blood Substances 0.000 claims abstract description 137
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 102000017011 Glycated Hemoglobin A Human genes 0.000 claims description 110
- 108091005995 glycated hemoglobin Proteins 0.000 claims description 110
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 23
- 206010012601 diabetes mellitus Diseases 0.000 claims description 23
- 229910052760 oxygen Inorganic materials 0.000 claims description 23
- 239000001301 oxygen Substances 0.000 claims description 23
- 238000010183 spectrum analysis Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 102000001554 Hemoglobins Human genes 0.000 claims description 4
- 108010054147 Hemoglobins Proteins 0.000 claims description 4
- 230000036252 glycation Effects 0.000 claims 2
- 230000001678 irradiating effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 210000000707 wrist Anatomy 0.000 description 4
- 210000001736 capillary Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 210000003743 erythrocyte Anatomy 0.000 description 2
- 201000001421 hyperglycemia Diseases 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 108010064719 Oxyhemoglobins Proteins 0.000 description 1
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 241000510442 Ratibida peduncularis Species 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 210000003467 cheek Anatomy 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000003811 finger Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002641 glycemic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000291 postprandial effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 208000012113 pregnancy disease Diseases 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- -1 that is Proteins 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000004580 weight loss Effects 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- 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
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
- A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
본 발명은 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 방법 및 장치에 관한 것으로, 상기 방법은 측정 대상자의 생체신호를 수집하는 신호 수집 단계; 상기 생체신호로부터 복수의 특징들을 추출하는 특징 추출 단계; 상기 복수의 특징들을 포함하는 학습 데이터를 학습하여 당화혈색소 또는 혈당 추정을 위한 기계학습 모델을 구축하는 기계학습 모델 구축 단계; 및 상기 측정 대상자로부터 추출한 생체신호를 기초로 입력 데이터를 생성하고 상기 기계학습 모델에 입력하여 상기 측정 대상자의 당화혈색소 또는 혈당을 추정하는 당화혈색소/혈당 추정 단계;를 포함한다.
Description
본 발명은 비침습적 당화혈색소 또는 혈당 추정 기술에 관한 것으로, 보다 상세하게는 측정 대상자의 생체신호로부터 추출된 다양한 특징 정보들을 학습하여 비침습적으로 당화혈색소 또는 혈당을 보다 정확하게 추정할 수 있는 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치에 관한 것이다.
당뇨병은 신체 내에서 혈당 조절에 필요한 인슐린의 분비나 기능 장애로 인해 발생된 고혈당을 특징으로 하는 대사성 질환이다. 당뇨병으로 인한 만성적 고혈당은 신체 각 기관의 손상과 기능 부전을 초래하게 되는데 특히, 망막, 신장, 신경에 나타나는 미세혈관 합병증과 동맥경화, 심혈관, 뇌혈관질환과 같은 거대 혈관 합병증을 유발하고 이로 인한 사망률을 증가시킨다.
그러나, 당뇨병은 혈당조절, 체중 감량 및 투약으로 인해 당뇨병의 악화 또는 합병증 발생률을 증가시킬 수 있다. 따라서, 당뇨병 환자들은 혈당 관리를 위하여 수시로 자가 혈당을 측정하고, 당뇨병 환자의 혈당만큼 중요한 치료지표인 당화혈색소(HbA1C) 검사를 주기적으로 받아야 한다.
당화혈색소(HbA1c) 검사는 혈액 내에서 산소를 운반해 주는 역할을 하는 적혈구 내의 혈색소가 어느 정도로 당화(糖化)되었는지를 보는 검사이며, 적혈구의 평균 수명기간에 따라 최근 3~4개월 정도의 혈당 변화를 반영한다. 정상인에서도 당연히 포도당이 존재하므로 우리의 혈액 내에는 혈색소가 어느 정도 당화되어 있는데, 검사 방법에 따라 정상치의 차이가 있으나 대개 5.6%까지가 정상이다.
당뇨병 환자의 경우 혈액 내 포도당의 농도가 높아지므로 당화된 혈색소, 즉 당화혈색소 수치 역시 올라가게 된다. 따라서 그 동안의 혈당 관리 정도가 고스란히 드러나는 이 결과를 보고 추후 치료 방향을 결정하게 된다.
한편, 종래의 당화혈색소(HbA1c)을 측정하는 방법은 측정 대상자 팔의 정맥에서 채혈하거나 손가락 끝을 작고 뾰족한 침으로 찔러 모세혈 검체를 획득하고, 획득한 혈액을 이용하여 당화혈색소(HbA1c)의 농도를 측정하였다. 이러한 침습적 당화혈색소 측정 방법은 측정 대상자들로 하여금 채혈 부담을 가중시키고, 적혈구 수명이 짧거나 임신, 신장질환이 있는 경우에는 부정확한 수치를 제공하는 문제점이 있었다.
본 발명의 일 실시예는 측정 대상자의 생체신호로부터 추출된 다양한 특징 정보들을 학습하여 비침습적으로 당화혈색소 또는 혈당을 보다 정확하게 추정할 수 있는 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치를 제공하고자 한다.
본 발명의 일 실시예는 다양한 연령층, 환자, 성별 등 기계학습에서 학습이 가능한 데이터를 충분히 수집하고 개별적인 특징벡터의 고유한 장점들을 결합하여 비침습적 당화혈색소 또는 혈당 추정을 위한 학습 모델을 구축할 수 있는 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치를 제공하고자 한다.
실시예들 중에서, 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 방법은 측정 대상자의 생체신호를 수집하는 신호 수집 단계; 상기 생체신호에서 직접 추출되는 내부 특징들 중에서 중요도에 따라 적어도 하나의 대표 특징들을 결정하고, 상기 대표 특징들에 상기 측정 대상자로부터 직접 측정되고 체질량 지수(BMI, Body Mass Index) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 포함하는 외부 특징들 중 적어도 하나 이상을 추가하면서 상기 생체신호의 측정 위치가 손가락인 경우 상기 외부 특징으로서 손가락 두께(FW, Finger Width)를 더 추가해 구성되도록 함으로써 상기 생체신호로부터 복수의 특징들을 추출하는 특징 추출 단계; 상기 복수의 특징들을 포함하는 학습 데이터를 학습하여 당화혈색소 또는 혈당 추정을 위한 기계학습 모델을 구축하는 기계학습 모델 구축 단계; 및 상기 측정 대상자로부터 추출한 생체신호를 기초로 입력 데이터를 생성하고 상기 기계학습 모델에 입력하여 상기 측정 대상자의 당화혈색소 또는 혈당을 추정하는 당화혈색소/혈당 추정 단계;를 포함한다.
상기 신호 수집 단계는 상기 측정 대상자의 PPG 신호들(PPG signals)을 측정하여 상기 생체신호로서 수집하는 단계를 포함할 수 있다.
상기 신호 수집 단계는 상기 측정 대상자의 신체부위 일측에 위치한 LED 모듈을 통해 상기 신체부위를 향해 광을 조사하는 단계; 상기 LED 모듈에 대응되어 위치한 광검지부를 통해 상기 신체부위를 투과하는 투과광 또는 상기 신체부위에 반사되는 반사광을 검지하는 단계; 및 상기 투과광 또는 상기 반사광의 세기 변화를 기초로 상기 PPG 신호들을 측정하는 단계를 포함할 수 있다.
상기 특징 추출 단계는 상기 PPG 신호들을 기초로 영교차율(ZCR, Zero-Crossing Rate), 자기 상관 (Auto Correlation), 전력 스펙트럼 밀도(PSD, Power Spectral Density), 카이저-티저 에너지(KTE, Kaiser-Teager Energy), 스펙트럼 분석(SA, Spectral Analysis), 웨이블릿 분석(WA, Wavelet Analysis), 자기 회귀 계수(ARC, Autoregressive Coefficients), 심박수(HR, Heart Rate) 및 호흡수(BR, Breathing Rate)를 상기 내부 특징들로서 추출하는 단계; 및 체질량 지수(BMI, Body Mass Index), 손가락 두께(FW, Finger Width) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 상기 외부 특징들로서 수집하는 단계를 포함할 수 있다.
상기 기계학습 모델은 랜덤 포레스트(Random Forest) 또는 XG부스트(XGBoost) 알고리즘을 이용하여 학습된 기계학습 모델을 포함할 수 있다.
상기 당화혈색소/혈당 추정 단계는 상기 당화혈색소 또는 혈당을 분석하여 상기 측정 대상자의 당뇨 등급을 결정하는 단계를 포함할 수 있다.
실시예들 중에서, 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 장치는 측정 대상자의 생체신호를 수집하는 신호 수집부; 상기 생체신호에서 직접 추출되는 내부 특징들 중에서 중요도에 따라 적어도 하나의 대표 특징들을 결정하고, 상기 대표 특징들에 상기 측정 대상자로부터 직접 측정되고 체질량 지수(BMI, Body Mass Index) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 포함하는 외부 특징들 중 적어도 하나 이상을 추가하면서 상기 생체신호의 측정 위치가 손가락인 경우 상기 외부 특징으로서 손가락 두께(FW, Finger Width)를 더 추가해 구성되도록 함으로써 상기 생체신호로부터 복수의 특징들을 추출하는 특징 추출부; 상기 복수의 특징들을 포함하는 학습 데이터를 학습하여 당화혈색소 또는 혈당 추정을 위한 기계학습 모델을 구축하는 모델 구축부; 및 상기 측정 대상자로부터 추출한 생체신호를 기초로 입력 데이터를 생성하고 상기 기계학습 모델에 입력하여 상기 측정 대상자의 당화혈색소 또는 혈당을 추정하는 당화혈색소/혈당 추정부;를 포함한다.
상기 특징 추출부는 상기 PPG 신호들을 기초로 영교차율(ZCR, Zero-Crossing Rate), 자기 상관 (Auto Correlation), 전력 스펙트럼 밀도(PSD, Power Spectral Density), 카이저-티저 에너지(KTE, Kaiser-Teager Energy), 스펙트럼 분석(SA, Spectral Analysis), 웨이블릿 분석(WA, Wavelet Analysis), 자기 회귀 계수(ARC, Autoregressive Coefficients), 심박수(HR, Heart Rate) 및 호흡수(BR, Breathing Rate)를 상기 내부 특징들로서 추출하고, 체질량 지수(BMI, Body Mass Index), 손가락 두께(FW, Finger Width) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 상기 외부 특징들로서 수집할 수 있다.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명의 일 실시예에 따른 기계학습을 이용한 비침습적 당화혈색소 추정 방법 및 장치는 측정 대상자의 생체신호로부터 추출된 다양한 특징 정보들을 학습하여 비침습적으로 당화혈색소 또는 혈당을 보다 정확하게 추정할 수 있다.
본 발명의 일 실시예에 따른 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치는 다양한 연령층, 환자, 성별 등 기계학습에서 학습이 가능한 데이터를 충분히 수집하고 개별적인 특징벡터의 고유한 장점들을 결합하여 비침습적 당화혈색소 또는 혈당 추정을 위한 학습 모델을 구축할 수 있다.
도 1은 본 발명에 따른 당화혈색소 또는 혈당 추정 시스템을 설명하는 도면이다.
도 2는 도 1의 당화혈색소 또는 혈당 추정 장치의 기능적 구성을 설명하는 도면이다.
도 3은 본 발명에 따른 비침습적 당화혈색소 또는 혈당 추정 과정을 설명하는 순서도이다.
도 4는 본 발명에 따른 전체 학습 시스템을 설명하는 도면이다.
도 5 내지 7은 본 발명에 따른 학습 알고리즘을 설명하는 도면이다.
도 8a 및 8b는 본 발명에 따른 당화혈색소 추정에 관한 성능 비교를 설명하는 도면이다.
도 9는 본 발명에 따른 당화혈색소 추정에 관한 특징 중요도 그래프를 설명하는 도면이다.
도 10은 본 발명에 따른 혈당 추정에 관한 성능 비교를 설명하는 도면이다.
도 11은 본 발명에 따른 혈당 추정에 관한 특징 중요도 그래프를 설명하는 도면이다.
도 2는 도 1의 당화혈색소 또는 혈당 추정 장치의 기능적 구성을 설명하는 도면이다.
도 3은 본 발명에 따른 비침습적 당화혈색소 또는 혈당 추정 과정을 설명하는 순서도이다.
도 4는 본 발명에 따른 전체 학습 시스템을 설명하는 도면이다.
도 5 내지 7은 본 발명에 따른 학습 알고리즘을 설명하는 도면이다.
도 8a 및 8b는 본 발명에 따른 당화혈색소 추정에 관한 성능 비교를 설명하는 도면이다.
도 9는 본 발명에 따른 당화혈색소 추정에 관한 특징 중요도 그래프를 설명하는 도면이다.
도 10은 본 발명에 따른 혈당 추정에 관한 성능 비교를 설명하는 도면이다.
도 11은 본 발명에 따른 혈당 추정에 관한 특징 중요도 그래프를 설명하는 도면이다.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
도 1은 본 발명에 따른 당화혈색소 또는 혈당 추정 시스템을 설명하는 도면이다.
도 1을 참조하면, 당화혈색소 또는 혈당 추정 시스템(100)은 사용자 단말(110), 당화혈색소 또는 혈당 추정 장치(130) 및 데이터베이스(150)를 포함할 수 있다.
사용자 단말(110)은 기계학습을 위한 데이터를 제공하고 비침습적 당화혈색소 추정에 따른 결과를 확인할 수 있는 컴퓨팅 장치에 해당할 수 있다. 예를 들어, 사용자는 사용자 단말(110)을 통해 자신의 생체신호에 관한 정보를 입력할 수 있고, 기계학습 모델에 의해 추정된 당화혈색소 또는 혈당 정보를 확인할 수 있다. 일 실시예에서, 사용자 단말(110)은 사용자로부터 생체신호를 직접 측정할 수 있다. 예를 들어, 사용자 단말(110)은 생체신호를 측정하기 위한 전용 어플리케이션을 설치하여 실행할 수 있으며, 이를 통해 사용자의 생체신호에 관한 PPG 신호를 수집할 수 있다.
또한, 사용자 단말(110)은 당화혈색소 또는 혈당 추정 장치(130)와 연결되어 동작 가능한 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 사용자 단말(110)은 당화혈색소 또는 혈당 추정 장치(130)와 유선 또는 무선 네트워크를 통해 연결될 수 있으며, 복수의 사용자 단말(110)들은 당화혈색소 또는 혈당 추정 장치(130)와 동시에 연결될 수 있다.
당화혈색소 또는 혈당 추정 장치(130)는 당화혈색소 또는 혈당 추정을 위한 기계학습 모델을 구축하고 이를 기반으로 비침습적인 당화혈색소 또는 혈당 추정에 관한 동작을 수행할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 당화혈색소 또는 혈당 추정 장치(130)는 사용자 단말(110)과 블루투스, WiFi 등과 같은 무선 네트워크로 연결될 수 있고, 네트워크를 통해 사용자 단말(110)과 데이터를 송·수신할 수 있다. 또한, 당화혈색소 또는 혈당 추정 장치(130)는 데이터의 수집 또는 추가 기능의 제공을 위하여 별도의 외부 시스템(도 1에 미도시함)과 연동하여 동작하도록 구현될 수도 있다.
데이터베이스(150)는 당화혈색소 또는 혈당 추정 장치(130)의 동작 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 예를 들어, 데이터베이스(150)는 사용자로부터 수집된 생체신호에 관한 정보를 저장할 수 있고, 학습을 통해 구축된 기계학습 모델들에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 당화혈색소 또는 혈당 추정 장치(130)가 기계학습을 이용하여 비침습적으로 당화혈색소 또는 혈당 추정 방법을 수행하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.
한편, 도 1에서, 데이터베이스(150)는 당화혈색소 또는 혈당 추정 장치(130)와 독립적인 장치로서 도시되어 있으나, 반드시 이에 한정되지 않고, 당화혈색소 또는 혈당 추정 장치(130)의 논리적인 저장장치로서 당화혈색소 또는 혈당 추정 장치(130)에 포함되어 구현될 수 있음은 물론이다.
도 2는 도 1의 당화혈색소 또는 혈당 추정 장치의 기능적 구성을 설명하는 도면이다.
도 2를 참조하면, 당화혈색소 또는 혈당 추정 장치(130)는 신호 수집부(210), 특징 추출부(230), 모델 구축부(250), 당화혈색소/혈당 추정부(270) 및 제어부(290)를 포함할 수 있다.
신호 수집부(210)는 측정 대상자의 생체신호를 수집할 수 있다. 생체신호는 살아있는 세포의 활동에서 발생되는 생물학적 신호로서 주로 전기 및 자기신호에 해당할 수 있으며, 신호의 크기가 매우 작기 때문에 정밀 측정 기술이 요구된다. 예를 들어, 생체신호는 체온, 맥박, 혈압, 호흡, 혈당, 뇌파, 심전도, 산소포화도 등 측정 대상자로부터 다양한 측정 장치를 통해 수집될 수 있는 정보들을 포함할 수 있다. 신호 수집부(210)는 사용자 단말(110)과 연동하여 생체신호에 관한 수집 동작을 수행할 수 있으며, 필요에 따라 생체신호 측정을 위한 독립된 장치와 연동하여 동작할 수도 있다. 신호 수집부(210)는 측정 장치의 종류에 따라 측정 대상자의 신체에 직접 접촉하여 생체신호를 측정할 수 있다.
일 실시예에서, 신호 수집부(210)는 측정 대상자의 PPG 신호들(PPG signals)을 측정하여 생체신호로서 수집할 수 있다. 즉, 신호 수집부(210)는 측정 대상자의 PPG 신호를 측정하는 전용 장치를 통해 PPG 신호를 실시간으로 수집하여 데이터베이스(150)에 저장할 수 있다. 이하에서, PPG 신호를 수집하는 구체적인 실시예를 설명하지만, 반드시 이에 한정되지 않으며, 신호 수집부(210)는 다양한 방식으로 PPG 신호를 측정할 수 있음은 물론이다.
일 실시예에서, 신호 수집부(210)는 측정 대상자로부터 PPG 신호를 비침습적으로 수집하기 위한 복수의 단계들을 수행할 수 있다. 보다 구체적으로, 신호 수집부(210)는 측정 대상자의 신체부위 일측에 위치한 LED 모듈을 통해 신체부위를 향해 광을 조사하는 단계와, LED 모듈에 대응되어 위치한 광검지부를 통해 신체부위를 투과하는 투과광 또는 신체부위에 반사되는 반사광을 검지하는 단계 및, 투과광 또는 반사광의 세기 변화를 기초로 PPG 신호들을 측정하는 단계를 수행할 수 있다.
여기에서, LED 모듈은 특정 파장을 갖는 광을 투사할 수 있는 광원으로 구현될 수 있고, 단일 또는 복수개로 형성될 수 있으며, 복수개로 형성되는 경우 각 LED 모듈은 서로 다른 파장을 갖는 광들을 투사할 수 있다. LED 모듈은 측정 대상자의 신체부위 일측에 설치될 수 있다. 예를 들어, LED 모듈은 측정대상자의 손가락, 손목, 팔목, 이마, 뺨(볼), 귀 등의 신체부위 일측에 설치될 수 있으며, 반드시 이에 한정되지 않고, 설치 조건 및 피부 두께에 따라 해당 피부 아래에 존재하는 모세혈관의 감지가 가능한 다양한 신체부위가 포함될 수 있음은 물론이다.
또한, 광검지부(Photo Detector)는 LED 모듈로부터 투사된 광들을 측정할 수 있는 장치에 해당할 수 있다. 광검지부는 LED 모듈의 위치에 대응하는 곳에 설치될 수 있다. 예를 들어, 광검지부는 LED 모듈의 위치를 기준으로 대향되는 지점에 설치되거나 또는 LED 모듈의 위치와 동일 평면 상의 지점에 설치될 수 있다. 광검지부는 LED 모듈의 위치와의 관계에 따라 신체부위를 경유하여 파생되는 반사광 또는 투과광을 검지할 수 있으며, 광의 세기를 측정할 수 있다. 이에 따라, 신호 수집부(210)는 광검지부에 의해 측정된 광의 세기 변화를 관찰할 수 있으며, 광의 세기 변화를 기초로 PPG 신호들을 측정할 수 있다.
특징 추출부(230)는 생체신호로부터 복수의 특징들을 추출할 수 있다. 즉, 비침습적 당화혈색소를 추정에 활용되는 학습 모델의 구축을 위해 학습 데이터로서 측정 대상자로부터 측정된 생체신호에 관한 다양한 특징 정보들이 활용될 수 있다. 특징 추출부(230)는 생체신호를 분석하여 다양한 특징 정보들을 획득할 수 있다. 예를 들어, 특징 추출부(230)는 생체신호를 기초로 주파수 분석, 통계적 분석, 파형 분석 등을 적용하여 다양한 특징들을 추출할 수 있다. 이때, 특징 추출부(230)는 필요에 따라 생체신호에 대한 샘플링(sampling), 필터링(filtering), 정규화(normalization) 등의 전처리 동작을 수행할 수 있다.
일 실시예에서, 특징 추출부(230)는 PPG 신호들로부터 직접 추출되는 내부 특징(feature)들과 함께 측정 대상자로부터 직접 측정되는 외부 특징들을 수집하여 복수의 특징들로 결정할 수 있다. 특징 추출부(230)는 비침습적인 당화혈색소 추정의 정확도를 높이기 위해 복수의 중요하고 구별되는 특징들을 정의하고 측정대상자의 PPG 신호에 기반하여 특징들을 추출할 수 있다. 특히, 이러한 특징들은 PPG 신호 기반의 생리학적 특징, 신호 지향 특성 및 물리적 매개변수를 포함할 수 있다.
일 실시예에서, 특징 추출부(230)는 PPG 신호들을 기초로 영교차율(ZCR, Zero-Crossing Rate), 자기 상관(Auto Correlation), 전력 스펙트럼 밀도(PSD, Power Spectral Density), 카이저-티저 에너지(KTE, Kaiser-Teager Energy), 스펙트럼 분석(SA, Spectral Analysis), 웨이블릿 분석(WA, Wavelet Analysis), 자기 회귀 계수(ARC, Autoregressive Coefficients), 심박수(HR, Heart Rate) 및 호흡수(BR, Breathing Rate)를 내부 특징들로서 추출하고, 체질량 지수(BMI, Body Mass Index), 손가락 두께(FW, Finger Width) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 외부 특징들로서 수집할 수 있다.
보다 구체적으로, 영교차율(ZCR, Zero-Crossing Rate)은 PPG의 전체 신호 또는 해당 신호의 특정 프레임에서 (양에서 음으로 또는 반대) 총 부호 변화 수에 해당할 수 있으며, 다음의 수학식 1과 같이 표현될 수 있다.
[수학식 1]
여기에서, 1R<0은 지시 함수를 의미하며, T는 신호의 시간 길이를 의미한다.
자기 상관(Auto Correlation)은 (데이터에 포함된) 시계열 변수의 시간에 따른 자기 상관 관계에 해당할 수 있다. 즉, 신호의 주기적 성분은 자기 상관을 통해 획득될 수 있다. 일반적으로, 자기 상관은 시간이 지연된 버전의 해당 신호에 해당할 수 있다. 예를 들어, 시간 지연이 0이면 최대 자기 상관관계가 된다. 자기 상관의 시간 영역 버전과 주파수 영역 버전은 각각 다음의 수학식 2 및 3으로 표현될 수 있다.
[수학식 2]
[수학식 3]
여기에서, τ는 시간 지연이고, s(t)와 S(ω)는 각각 PPG 신호와 해당 푸리에 변환을 의미한다.
전력 스펙트럼 밀도(PSD, Power Spectral Density)는 신호의 다양한 주파수 구성 요소에 대한 에너지 분포에 해당할 수 있다. 여기에서는 PSD를 계산하는 다양한 방법 중 Welch의 방법이 활용될 수 있다. Welch 방법에 의해 PPG 신호는 프레임으로 처리될 수 있다. 각 프레임 (k=1, 2, 3, ..., K)에서 이러한 시퀀스의 푸리에 변환은 다음의 수학식 4와 같이 표현될 수 있다. 또한, 이러한 방법으로 수정 주기율은 다음의 수학식 5와 같이 표현될 수 있다.
[수학식 4]
[수학식 5]
이때, PSD는 다음의 수학식 6을 통해 계산될 수 있다. 여기에서, 주기도는 평균화 될 수 있으며, PSD의 첨도, 분산 및 평균은 형상 벡터로 표현될 수 있다.
[수학식 6]
카이저-티저 에너지(KTE, Kaiser-Teager Energy)는 신호 프레임을 주기 파형으로 간주하면서 획득된 PPG 신호의 에너지 프로파일을 분석하기 위해 사용될 수 있다. KTE는 다음의 수학식 7에 따라 측정될 수 있다. 또한, 에너지 프로파일의 첨도, 왜도, 분산 및 평균과 같은 일부 통계적 특성이 계산될 수 있다.
[수학식 7]
스펙트럼 분석(SA, Spectral Analysis)은 입력 PPG 신호의 고속 푸리에 변환(FFT, Fast Fourier Transform)을 취함으로써 신호의 다양한 주파수 영역 속성을 분석할 수 있다. 여기에서, 스펙트럼 분석의 입력 특징으로서 주파수 분포의 평탄도(첨도)와 비대칭도가 고려될 수 있다.
웨이블릿 분석(WA, Wavelet Analysis)은 연속 웨이블릿 변환(CWT, Continuous Wavelet Transform) 기반 특징을 얻기 위해 PPG 신호는 다음의 수학식 8과 같이 '멕시칸 햇 웨이블릿'으로 모델링 될 수 있으며, CWT에서 절대 평균이 계산될 수 있다.
[수학식 8]
자기 회귀 계수(ARC, Autoregressive Coefficients)는 자기 회귀(AR: Autoregressive) 모델을 통해 모델링 될 수 있다. 예를 들어, PPG 신호의 지름이 다른 혈관을 통한 전파(모세혈관, 정맥, 동맥)와 점도는 자기 회귀 모델을 통해 모델링 될 수 있다. 즉, 길이 5(5차 AR 모델)의 벡터는 율-워커 방정식(Yule-Walker equation)을 사용하여 추출될 수 있다. 한편, AR 모델의 일반적인 표현은 다음의 수학식 9와 같이 표현될 수 있다.
[수학식 9]
심박수(HR, Heart Rate)는 PPG 신호의 피크 위치를 정확하게 감지하는 방법에 따라 측정될 수 있다. 즉, 심박수는 연속 피크 거리를 계산하여 다음의 수학식 10을 통해 산출될 수 있다.
[수학식 10]
호흡수(BR, Breathing Rate)는 증분 병합 분할 알고리즘을 사용하여 세 가지 호흡 영향을 받는 매개변수(즉, 진폭, 강도, 주파수)를 PPG 신호에서 추출한 후, 이러한 특징들을 스마트 융합 알고리즘에 의해 융합함으로써 획득될 수 있다.
체질량 지수(BMI, Body Mass Index)는 당뇨병과 밀접한 관련이 있으므로, 당화혈색소 또는 혈당 추정을 위한 기계학습 모델의 학습 데이터인 특징 벡터에 포함될 수 있다. 체질량 지수는 본 발명에 따른 당화혈색소 또는 혈당 추정을 위한 기계학습 모델에 대한 중요한 물리적 매개변수에 해당할 수 있다. BMI를 계산하는 수학 방정식은 다음의 수학식 11과 같이 표현될 수 있다.
[수학식 11]
손가락 두께(FW, Finger Width)는 반사 타입과 투과 타입 모두에서 효과적인 특징에 해당할 수 있다. 반사의 경우 손가락에 조사된 빛이 다시 되돌아오기까지의 거리를 예측할 수 있고, 투과의 경우도 마찬가지로 손가락에 조사된 빛이 손가락을 투과하여 반대쪽 끝에 전달되는 거리를 예측할 수 있는 중요한 인자에 해당될 수 있다.
혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)는 혈액 내 옥시 헤모글로빈의 비율에 해당할 수 있다. 다음의 수학식 12를 통해 획득된 비율 R에 대해 일반적으로 교정이 수행될 수 있다. 본 발명의 경우 의료 기기(Schiller Argus OXM Plus)를 통해 측정 대상자로부터 SpO2 값을 직접 측정하여 활용할 수 있다.
[수학식 12]
특징 추출부(230)는 상기에서 설명한 특징들을 기초로 최종 특징 벡터를 다음의 수학식 13과 같이 도출할 수 있다. 즉, PPG 신호의 각 프레임 f에 대해 특징 벡터가 정의될 수 있다. 이때, 심박수와 호흡수는 각 신호를 양호한 PPG 신호로 한정하는 의사 결정을 위해 사용될 수 있다.
[수학식 13]
일 실시예에서, 특징 추출부(230)는 내부 특징들 중에서 중요도에 따라 적어도 하나의 대표 특징들을 결정하고, 대표 특징들에 외부 특징들을 추가하여 복수의 특징들을 결정할 수 있다. 즉, 대표 특징들에는 내부 특징들 중에서 절대 차이 합(SAD, Sum of Absolute Difference), 전력 스펙트럼 밀도 분산(PSD Variance), 카이저-티저 에너지 분산(KTE Variance) 및 영교차율(ZCR)이 포함될 수 있고, 외부 특징들인 체질량 지수(BMI, Body Mass Index), 손가락 두께(FW, Finger Width) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen) 중 적어도 하나 이상이 포함될 수 있다. 특징 추출부(230)는 기존의 18개의 특징들에서 최상위 중요도를 갖는 7개의 특징들을 선택적으로 결정할 수 있다. 특징 추출부(230)에 의해 결정된 대표 특징들만으로 정의되는 특징 벡터를 학습한 결과로서 당화혈색소 추정을 위한 기계학습 모델이 구축될 수 있다. 한편, 대표 특징의 개수와 유형은, 반드시 이에 한정되지 않으며, 필요에 따라 가변적으로 적용될 수 있음은 물론이다.
모델 구축부(250)는 복수의 특징들을 포함하는 학습 데이터를 학습하여 당화혈색소 또는 혈당 추정을 위한 기계학습 모델을 구축할 수 있다. 즉, 모델 구축부(250)는 특징 추출부(230)에 의해 생성된 특징 벡터를 학습 데이터로 학습하여 기계학습 모델을 구축할 수 있다. 모델 구축부(250)에 의한 기계학습 모델의 구축 과정은 사전에 설정된 학습량에 도달하거나 또는 구축된 모델의 정확도(accuracy)가 소정의 기준을 충족할 때까지 반복적으로 수행될 수 있다.
일 실시예에서, 모델 구축부(250)는 대표 특징들로 구성된 학습 데이터를 학습하여 기계학습 모델을 구축할 수 있다. 학습에 사용되는 학습 데이터는 복수의 특징들에 관한 특징 벡터로 구현될 수 있으며, 모델 구축부(250)는 당화혈색소 또는 혈당 추정에 있어 최상위 중요도를 갖는 7개의 특징들을 대표 특징들로서 선별적으로 학습하여 기계학습 모델을 구축할 수도 있다. 이 경우, 복수의 특징들 중에서 소수의 특징들 만을 선별적으로 학습함으로써 학습 과정을 효율적으로 수행하면서도 높은 예측 성능을 달성할 수 있다.
한편, 생체신호의 측정 부위가 손가락이 아닌 손목에 해당하는 경우에는 손가락 두께에 관한 특징은 학습 과정에서 선택적으로 제외될 수 있다. 또한, 참조 혈당값은 측정 대상자로부터 측정되는 혈당 수치에 해당할 수 있으며, 크게 공복혈당과 식후혈당으로 구분될 수 있다. 참조 혈당값은 필요에 따라 기계학습 모델의 학습 과정에서 사용될 수 있다.
당화혈색소/혈당 추정부(270)는 측정 대상자로부터 추출한 생체신호를 기초로 입력 데이터를 생성하고 기계학습 모델에 입력하여 측정 대상자의 당화혈색소 또는 혈당을 추정할 수 있다. 기계학습 모델의 구축이 완료된 경우 당화혈색소/혈당 추정부(270)는 이를 활용하여 당화혈색소 또는 혈당 추정 동작을 수행할 수 있다. 당화혈색소/혈당 추정부(270)는 측정 대상자로부터 추출한 생체신호에 기반하여 입력 데이터를 생성한 다음 기계학습 모델에 입력하여 그 결과로서 당화혈색소 또는 혈당에 관한 추정치를 생성할 수 있다. 이때, 입력 데이터는 소정의 기간 동안 수집된 PPG 신호를 기초로 생성될 수 있으며, 입력 데이터의 생성에 사용되는 PPG 신호의 시간 주기 또는 범위는 필요에 따라 가변적으로 적용될 수 있다.
일 실시예에서, 기계학습 모델은 랜덤 포레스트(Random Forest) 또는 XG부스트(XGBoost) 알고리즘을 이용하여 학습된 기계학습 모델을 포함할 수 있다. 이에 대해서는 도 5 내지 7을 참조하여 보다 자세히 설명한다.
일 실시예에서, 당화혈색소/혈당 추정부(270)는 당화혈색소 또는 혈당을 분석하여 측정 대상자의 당뇨 등급을 결정할 수 있다. 즉, 당화혈색소/혈당 추정부(270)는 당화혈색소 또는 혈당이 추정되면 추정된 당화혈색소 또는 혈당을 분석하여 측정 대상자를 세가지 등급(예를 들어, 정상, 전당뇨, 당뇨)으로 진단할 수 있다. 예를 들어, 당화혈색소의 추정치가 6.5 이상은 당뇨 등급으로 결정되고, 5.7 ~ 6.4는 전당뇨 등급으로 결정되며, 5.6 이하는 정상 등급으로 결정될 수 있다. 다른 예로서, 공복 혈당을 기준으로 혈당의 추정치가 126(mg/dl) 이상은 당뇨 등급으로 결정되고, 110 ~ 125(mg/dl)는 전당뇨 등급으로 결정되며, 70 ~ 110(mg/dl)은 정상 등급으로 결정될 수 있다.
제어부(290)는 당화혈색소 또는 혈당 추정 장치(130)의 전체적인 동작을 제어하고, 신호 수집부(210), 특징 추출부(230), 모델 구축부(250) 및 당화혈색소/혈당 추정부(270) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.
도 3은 본 발명에 따른 비침습적 당화혈색소 또는 혈당 추정 과정을 설명하는 순서도이다.
도 3을 참조하면, 당화혈색소 또는 혈당 추정 장치(130)는 신호 수집부(210)를 통해 측정 대상자의 생체신호를 수집할 수 있다(단계 S310). 당화혈색소 또는 혈당 추정 장치(130)는 특징 추출부(230)를 통해 생체신호로부터 복수의 특징들을 추출할 수 있다(단계 S330). 당화혈색소 또는 혈당 추정 장치(130)는 모델 구축부(250)를 통해 복수의 특징들을 포함하는 학습 데이터를 학습하여 당화혈색소 또는 혈당 추정을 위한 기계학습 모델을 구축할 수 있다(단계 S350). 당화혈색소 또는 혈당 추정 장치(130)는 당화혈색소/혈당 추정부(270)를 통해 측정 대상자로부터 추출한 생체신호를 기초로 입력 데이터를 생성하고 기계학습 모델에 입력하여 측정 대상자의 당화혈색소 또는 혈당을 추정할 수 있다(단계 S370).
도 4는 본 발명에 따른 전체 학습 시스템을 설명하는 도면이다.
도 4를 참조하면, 당화혈색소 또는 혈당 추정 장치(130)는 기계학습 모델(Machine Learning model)을 활용하여 당화혈색소 또는 혈당을 비침습적으로 추정할 수 있다. 이때, 사용되는 기계학습 모델은 측정 대상자의 생체신호, 즉 PPG 신호(PPG signals)을 기초로 생성된 특징 벡터를 학습하여 구축될 수 있다. 당화혈색소 또는 혈당 추정 장치(130)는 기계학습 모델을 통해 측정 대상자의 당화혈색소 또는 혈당의 농도를 정확히 추정할 수 있으며, 추정된 당화혈색소 또는 혈당 값을 기초로 당뇨 등급을 분류(Classification)할 수 있다. 이때, 당뇨 등급은 세가지로 구분되어 정의될 수 있다. 예를 들어, 당뇨 등급은 정상, 전당뇨 및 당뇨로 구분될 수 있으며, 당화혈색소 또는 혈당 추정 장치(130)는 추정된 당화혈색소 또는 혈당 값에 기반하여 측정 대상자의 당뇨 등급을 추정 결과와 함께 제공할 수 있다.
도 5 내지 7은 본 발명에 따른 학습 알고리즘을 설명하는 도면이다. 도 5는 배깅(Bagging)에 관한 것이고, 도 6은 부스팅(Boosting)에 관한 것이며, 도 7은 랜덤 포레스트에 관한 것이다.
도 5를 참조하면, 본 발명에 따른 당화혈색소 추정 방법은 두가지의 다른 회귀 알고리즘을 활용하여 기계학습 모델을 구축할 수 있다. 하나는 랜덤 포레스트(RF, Random Forest) 회귀 분석이고, 다른 하나는 XGBoost(XGB)에 해당할 수 있다. 두 알고리즘 모두 앙상블 기계학습 모델에 해당할 수 있다.
먼저, 결정 트리(Decision tree)와 앙상블(Ensemble)에 대해 설명한다. 결정 트리는 의사 결정 규칙과 그 결과들을 트리 구조로 도식화한 의사 결정 지원 도구의 일종에 해당할 수 있다. 결정 트리는 의사 결정 분석에서 목표에 가장 가까운 결과를 낼 수 있는 전략을 찾기 위해 주로 사용될 수 있다. 앙상블은 여러 개의 모델을 조합해서 그 결과를 뽑아 내는 방법에 해당할 수 있다. 정확도가 높은 강한 모델을 하나 사용하는 것보다, 정확도가 낮은 약한 모델을 여러 개 조합하는 방식이 정확도가 높다는 방법에 기반한 방법이다. 또한, 앙상블은 방식에 따라 배깅(Bagging)과 부스팅(Boosting)으로 분류될 수 있다.
도 5와 같이, 배깅은 여러 모델을 사용할 때, 각 모델에서 나온 값을 계산하여 최종 결과값을 내는 방식으로 구현될 수 있다. 즉, 데이터 x에 기반한 입력 데이터 x1, x2, x3을 독립된 모델인 m1, m2, m3에 각각 입력할 수 있으며, 각 모델의 출력인 y1, y2, y3을 획득할 수 있다. 이때, 배깅은 각 출력들에 대한 투표(voting)를 통해 가장 최선의 결과를 선택하여 최종적인 출력으로 결정할 수 있다.
도 6을 참조하면, 부스팅은 처음 데이터(x)가 들어가는 모델 m1에는 입력 데이터 x에서 샘플링된 데이터가 입력될 수 있다. 모델 m1의 출력인 y1의 결과 중에서, 예측이 잘못된 값들에 대해 가중치를 반영하여 입력 데이터 x를 갱신하고 갱신된 x'로부터 샘플링된 데이터가 다음 모델인 m2에 입력될 수 있다. 마찬가지로, 모델 m2의 출력인 y2의 결과에서 예측이 잘못된 값들에 대해 가중치를 반영하여 입력 데이터 x'를 갱신하고 갱신된 x''로부터 샘플링된 데이터가 모델 m3에 입력될 수 있다. 한편, 각 모델의 성능이 다르기 때문에 각 모델에 가중치 W를 반영하여 최종 결과를 생성할 수 있다. 도 6에서, 부스팅에 따른 최종 결과는 W1y1+W2y2+W3y3에 해당할 수 있다.
도 7을 참조하면, 랜덤 포레스트는 배깅의 개념이 사용될 수 있다. 즉, 여러 개의 결정 트리를 형성하고 새로운 데이터 포인트를 각 트리에 동시에 통과시키며, 각 트리가 분류한 결과에서 투표를 실시하여 가장 많이 득표한 결과가 최종 분류 결과로서 선택될 수 있다. 랜덤 포레스트가 생성한 일부 트리는 과적합(overfitting) 될 수 있지만, 많은 수의 트리를 생성함으로써 과적합이 예측 결과에 미치는 영향을 줄일 수 있다. 한편, XGB는 기울기(Gradient) 부스팅 알고리즘에 해당할 수 있다. 즉, XGB는 병렬 트리 부스팅 기능을 제공할 수 있다.
도 8a 및 8b는 본 발명에 따른 당화혈색소 추정에 관한 성능 비교를 설명하는 도면이다.
도 8a를 참조하면, 본 발명에 따른 기계학습을 이용한 비침습적 당화혈색소 추정에 있어 총 18개의 특징들을 모두 사용한 경우와 7개의 대표 특징들을 선별하여 사용한 경우에 대한 당뇨 판정 성능의 비교 결과를 확인할 수 있다. 도 8a의 상단 표의 경우, 18개의 특징들 중에서 최종적으로 7개의 대표 특징(Sum of Absolute Difference, PSD Variance, KTE Variance, Zero Crossing Rate, BMI, FW, SpO2)들을 추출하여 당화혈색소 추정 과정에 적용한 결과에 해당할 수 있다. 18개의 특징들에 대한 예측 결과와 7개의 특징들에 대한 예측 결과를 살펴보면, 7개의 특징들에 대한 XGBoost 모델의 R2 점수(R2 score)가 다른 모델들에 비해 가장 높은 것을 확인할 수 있다. 또한, 도 8a의 하단 표의 경우, 당뇨 판정에 있어서도 7개의 특징들에 대한 XGBoost 모델의 진단 성능이 가장 높은 것을 확인할 수 있다.
도 8b를 참조하면, 본 발명에 따른 기계학습을 이용한 비침습적 당화혈색소 추정에 있어 측정 위치가 손가락이 아닌 다른 신체부위(예를 들어, 손목 등)에 해당하는 경우에는 손가락 두께에 관한 특징은 학습 및 추론 과정에서 당연히 배제될 수 있다. 도 8b의 경우, 총 17개의 특징들을 모두 사용한 경우와 6개의 대표 특징들을 선별하여 사용한 경우에 대한 당뇨 판정 성능의 비교 결과를 확인할 수 있다. 도 8b에서, 17개의 특징들 중에서 최종적으로 6개의 대표 특징(Sum of Absolute Difference, PSD Variance, KTE Variance, Zero Crossing Rate, BMI, SpO2)들을 추출하여 당화혈색소 추정 과정에 적용한 결과에 해당할 수 있다. 17개의 특징들에 대한 예측 결과와 6개의 특징들에 대한 예측 결과를 살펴보면, 6개의 특징들에 대한 XGBoost 모델의 R2 점수(R2 score)가 다른 모델들에 비해 가장 높은 것을 확인할 수 있다.
도 9는 본 발명에 따른 당화혈색소 추정에 관한 특징 중요도 그래프를 설명하는 도면이다.
도 9를 참조하면, 당화혈색소 추정에 있어서, 총 18개의 특징들 중에서 외부 입력 특징에 해당하는 BMI, FW 및 SpO2를 제외한 특징들에 관한 중요도 그래프를 확인할 수 있다. 랜덤 포레스트의 경우 특징 SAD의 중요도(Importance)가 가장 높은 것을 확인할 수 있으며, 대표 특징(사각형으로 강조됨)들의 중요도는 다른 특징들과 유사하게 나타나는 것을 확인할 수 있다. XGBoost의 경우 SAD를 포함하여 대표 특징들의 중요도가 다른 특징들에 비해 상대적으로 높게 나타나는 것을 확인할 수 있다. 결과적으로, XGBoost를 통해 학습된 기계학습 모델의 경우 대표 특징들에 대한 학습만으로도 모든 특징들을 학습하는 경우와 유사한 예측 성능을 달성할 수 있다.
도 10은 본 발명에 따른 혈당 추정에 관한 성능 비교를 설명하는 도면이다.
도 10을 참조하면, 혈당의 경우 기본 구조는 당화혈색소 추정과 동일할 수 있다. 즉, 손가락 두께(FW)를 포함한 총 18개의 특징들을 학습하여 기계학습 모델을 구축할 수 있으며, 7개의 대표 특징들을 선별하여 추가적인 기계학습 모델이 구축될 수 있다. 또한, 손가락 두께(FW)를 제외한 총 17개의 특징들을 사용하여 기계학습 모델을 구축할 수도 있으며, 6개의 대표 특징들을 선별하여(FW 제외) 추가적인 기계학습 모델이 구축될 수도 있다. 도 10의 상단 표는 17개의 특징을 모두 사용했을 경우와 6개의 선별한 대표 특징을 사용했을 경우의 성능 비교에 해당할 수 있으며, 도 10의 하단 표는 17개의 특징을 모두 사용했을 경우와 6개의 선별한 대표 특징을 사용했을 경우의 당뇨 판정 성능을 비교한 것에 해당할 수 있다.
도 11은 본 발명에 따른 혈당 추정에 관한 특징 중요도 그래프를 설명하는 도면이다.
도 11을 참조하면, 혈당의 경우 17개의 특징 중 외부 입력 특징인 BMI, SpO2를 제외한 특징들에 관한 중요도 그래프를 확인할 수 있다. 여기에서, 대표 특징의 선택은 당화혈색소와 동일하게 수행될 수 있다. 또한, 혈당의 경우에도 손가락 두께를 포함하여 총 18개의 특징들과 7개의 대표 특징들을 이용할 수 있으며, 손가락 두께를 제외하여 총 17개의 특징들과 6개의 대표 특징들을 이용할 수도 있다. 결과적으로, 당화혈색소와 혈당의 추정 과정은 동일한 수식과 단계들을 기초로 거의 동일하게 수행될 수 있다.
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 당화혈색소 또는 혈당 추정 시스템
110: 사용자 단말 130: 당화혈색소 또는 혈당 추정 장치
150: 데이터베이스
210: 신호 수집부 230: 특징 추출부
250: 모델 구축부 270: 당화혈색소/혈당 추정부
290: 제어부
110: 사용자 단말 130: 당화혈색소 또는 혈당 추정 장치
150: 데이터베이스
210: 신호 수집부 230: 특징 추출부
250: 모델 구축부 270: 당화혈색소/혈당 추정부
290: 제어부
Claims (8)
- 측정 대상자의 생체신호를 수집하는 신호 수집 단계;
상기 생체신호에서 직접 추출되는 내부 특징들 중에서 중요도에 따라 적어도 하나의 대표 특징들을 결정하고, 상기 대표 특징들에 상기 측정 대상자로부터 직접 측정되고 체질량 지수(BMI, Body Mass Index) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 포함하는 외부 특징들 중 적어도 하나 이상을 추가하면서 상기 생체신호의 측정 위치가 손가락인 경우 상기 외부 특징으로서 손가락 두께(FW, Finger Width)를 더 추가해 구성되도록 함으로써 상기 생체신호로부터 복수의 특징들을 추출하는 특징 추출 단계;
상기 복수의 특징들을 포함하는 학습 데이터를 학습하여 당화혈색소 또는 혈당 추정을 위한 기계학습 모델을 구축하는 기계학습 모델 구축 단계; 및
상기 측정 대상자로부터 추출한 생체신호를 기초로 입력 데이터를 생성하고 상기 기계학습 모델에 입력하여 상기 측정 대상자의 당화혈색소 또는 혈당을 추정하는 당화혈색소/혈당 추정 단계;를 포함하는 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 방법.
- 제1항에 있어서, 상기 신호 수집 단계는
상기 측정 대상자의 PPG 신호들(PPG signals)을 측정하여 상기 생체신호로서 수집하는 단계를 포함하는 것을 특징으로 하는 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 방법.
- 제2항에 있어서, 상기 신호 수집 단계는
상기 측정 대상자의 신체부위 일측에 위치한 LED 모듈을 통해 상기 신체부위를 향해 광을 조사하는 단계;
상기 LED 모듈에 대응되어 위치한 광검지부를 통해 상기 신체부위를 투과하는 투과광 또는 상기 신체부위에 반사되는 반사광을 검지하는 단계; 및
상기 투과광 또는 상기 반사광의 세기 변화를 기초로 상기 PPG 신호들을 측정하는 단계를 포함하는 것을 특징으로 하는 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 방법.
- 제1항에 있어서, 상기 특징 추출 단계는
상기 PPG 신호들을 기초로 영교차율(ZCR, Zero-Crossing Rate), 자기 상관 (Auto Correlation), 전력 스펙트럼 밀도(PSD, Power Spectral Density), 카이저-티저 에너지(KTE, Kaiser-Teager Energy), 스펙트럼 분석(SA, Spectral Analysis), 웨이블릿 분석(WA, Wavelet Analysis), 자기 회귀 계수(ARC, Autoregressive Coefficients), 심박수(HR, Heart Rate) 및 호흡수(BR, Breathing Rate)를 상기 내부 특징들로서 추출하는 단계; 및
체질량 지수(BMI, Body Mass Index), 손가락 두께(FW, Finger Width) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 상기 외부 특징들로서 수집하는 단계를 포함하는 것을 특징으로 하는 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 방법.
- 제1항에 있어서, 상기 기계학습 모델은
랜덤 포레스트(Random Forest) 또는 XG부스트(XGBoost) 알고리즘을 이용하여 학습된 기계학습 모델을 포함하는 것을 특징으로 하는 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 방법.
- 제1항에 있어서, 상기 당화혈색소/혈당 추정 단계는
상기 당화혈색소 또는 혈당을 분석하여 상기 측정 대상자의 당뇨 등급을 결정하는 단계를 포함하는 것을 특징으로 하는 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 방법.
- 측정 대상자의 생체신호를 수집하는 신호 수집부;
상기 생체신호에서 직접 추출되는 내부 특징들 중에서 중요도에 따라 적어도 하나의 대표 특징들을 결정하고, 상기 대표 특징들에 상기 측정 대상자로부터 직접 측정되고 체질량 지수(BMI, Body Mass Index) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 포함하는 외부 특징들 중 적어도 하나 이상을 추가하면서 상기 생체신호의 측정 위치가 손가락인 경우 상기 외부 특징으로서 손가락 두께(FW, Finger Width)를 더 추가해 구성되도록 함으로써 상기 생체신호로부터 복수의 특징들을 추출하는 특징 추출부;
상기 복수의 특징들을 포함하는 학습 데이터를 학습하여 당화혈색소 또는 혈당 추정을 위한 기계학습 모델을 구축하는 모델 구축부; 및
상기 측정 대상자로부터 추출한 생체신호를 기초로 입력 데이터를 생성하고 상기 기계학습 모델에 입력하여 상기 측정 대상자의 당화혈색소 또는 혈당을 추정하는 당화혈색소/혈당 추정부;를 포함하는 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 장치.
- 제7항에 있어서, 상기 특징 추출부는
상기 PPG 신호들을 기초로 영교차율(ZCR, Zero-Crossing Rate), 자기 상관 (Auto Correlation), 전력 스펙트럼 밀도(PSD, Power Spectral Density), 카이저-티저 에너지(KTE, Kaiser-Teager Energy), 스펙트럼 분석(SA, Spectral Analysis), 웨이블릿 분석(WA, Wavelet Analysis), 자기 회귀 계수(ARC, Autoregressive Coefficients), 심박수(HR, Heart Rate) 및 호흡수(BR, Breathing Rate)를 상기 내부 특징들로서 추출하고,
체질량 지수(BMI, Body Mass Index), 손가락 두께(FW, Finger Width) 및 혈중 산소 포화도(SpO2, Saturation Pulse Oxygen)를 상기 외부 특징들로서 수집하는 것을 특징으로 하는 기계학습을 이용한 비침습적 당화혈색소(HbA1c) 또는 혈당(Blood glucose) 추정 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230037268A KR20230044160A (ko) | 2021-09-08 | 2023-03-22 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
| KR1020240012245A KR20240015709A (ko) | 2021-09-08 | 2024-01-26 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210119524A KR20230036695A (ko) | 2021-09-08 | 2021-09-08 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
| KR1020230037268A KR20230044160A (ko) | 2021-09-08 | 2023-03-22 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210119524A Division KR20230036695A (ko) | 2021-09-08 | 2021-09-08 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240012245A Division KR20240015709A (ko) | 2021-09-08 | 2024-01-26 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230044160A true KR20230044160A (ko) | 2023-04-03 |
Family
ID=85506580
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210119524A KR20230036695A (ko) | 2021-09-08 | 2021-09-08 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
| KR1020230037268A KR20230044160A (ko) | 2021-09-08 | 2023-03-22 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
| KR1020240012245A KR20240015709A (ko) | 2021-09-08 | 2024-01-26 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210119524A KR20230036695A (ko) | 2021-09-08 | 2021-09-08 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020240012245A KR20240015709A (ko) | 2021-09-08 | 2024-01-26 | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (3) | KR20230036695A (ko) |
| WO (1) | WO2023038254A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100871074B1 (ko) | 2007-02-01 | 2008-11-28 | 삼성전자주식회사 | 비침습형 혈당 측정 장치 및 그 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102547325B1 (ko) * | 2019-12-19 | 2023-06-23 | 연세대학교 원주산학협력단 | 연속혈당 측정기와 심전도 기반의 저혈당 예측 시스템 및 그 제어방법 |
| KR20210091559A (ko) * | 2020-01-14 | 2021-07-22 | (주)이플마인드 | 심전도 웨어러블 디바이스를 활용한 혈압과 혈당 측정 방법 및 장치 |
| KR20210101895A (ko) * | 2020-02-11 | 2021-08-19 | 부경대학교 산학협력단 | 무구속 무침습 연속 혈당 모니터링을 위한 다파장 복수 ｌｅｄ를 이용한 ｐｐｇ 시스템 및 그의 제어 방법 |
| KR102326557B1 (ko) * | 2020-02-11 | 2021-11-15 | 부경대학교 산학협력단 | 혈당 농도 측정을 위한 손목 위 다지점 ｐｐｇ를 이용한 펄스 전달 시간 계산을 위한 장치 및 방법 |
-
2021
- 2021-09-08 KR KR1020210119524A patent/KR20230036695A/ko active Application Filing
-
2022
- 2022-07-05 WO PCT/KR2022/009639 patent/WO2023038254A1/ko unknown
-
2023
- 2023-03-22 KR KR1020230037268A patent/KR20230044160A/ko not_active Application Discontinuation
-
2024
- 2024-01-26 KR KR1020240012245A patent/KR20240015709A/ko active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100871074B1 (ko) | 2007-02-01 | 2008-11-28 | 삼성전자주식회사 | 비침습형 혈당 측정 장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023038254A1 (ko) | 2023-03-16 |
| KR20240015709A (ko) | 2024-02-05 |
| KR20230036695A (ko) | 2023-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liang et al. | A new, short-recorded photoplethysmogram dataset for blood pressure monitoring in China | |
| Monte-Moreno | Non-invasive estimate of blood glucose and blood pressure from a photoplethysmograph by means of machine learning techniques | |
| US10163174B2 (en) | Methods, systems, and computer program products for evaluating a patient in a pediatric intensive care unit | |
| KR102008196B1 (ko) | 심전도 데이터를 이용한 혈중 칼륨농도 예측모델 생성장치 및 그 방법 | |
| WO2019161609A1 (zh) | 多参数监护数据分析方法和多参数监护仪 | |
| Simjanoska et al. | Multi-level information fusion for learning a blood pressure predictive model using sensor data | |
| Tang et al. | Synthetic photoplethysmogram generation using two Gaussian functions | |
| Karimi Moridani et al. | Non-linear feature extraction from HRV signal for mortality prediction of ICU cardiovascular patient | |
| Wang et al. | Photoplethysmography-based blood pressure estimation combining filter-wrapper collaborated feature selection with LASSO-LSTM model | |
| Moreno et al. | Type 2 diabetes screening test by means of a pulse oximeter | |
| Ramachandran et al. | Computerized approach for cardiovascular risk level detection using photoplethysmography signals | |
| CN112674779A (zh) | 一种基于ecg信号的睡眠自动分期方法 | |
| CN114420301B (zh) | 基于分段域rf建模预测血糖的方法、系统及存储介质 | |
| Athaya et al. | An efficient fingertip photoplethysmographic signal artifact detection method: A machine learning approach | |
| KR20190106004A (ko) | 사망 위험도의 예측 방법 및 이를 이용한 사망 위험도의 예측 디바이스 | |
| KR20230044160A (ko) | 기계학습을 이용한 비침습적 당화혈색소 또는 혈당 추정 방법 및 장치 | |
| Sarkar et al. | Schrödinger spectrum based continuous cuff-less blood pressure estimation using clinically relevant features from PPG signal and its second derivative | |
| CN115836847A (zh) | 一种血压预测装置及设备 | |
| Habbu et al. | Comparison of noninvasive blood glucose estimation using various regression models | |
| Kanoga et al. | Comparison of seven shallow and deep regressors in continuous blood pressure and heart rate estimation using single-channel photoplethysmograms under three evaluation cases | |
| Beh et al. | Machine-Aided PPG Signal Quality Assessment (SQA) for Multi-Mode Physiological Signal Monitoring | |
| Weber-Boisvert et al. | Intensive care photoplethysmogram datasets and machine-learning for blood pressure estimation: Generalization not guarantied | |
| Ni et al. | RecogHypertension: early recognition of hypertension based on heart rate variability | |
| Jayasinghe | A Real-Time Framework for Arrhythmia Classification | |
| CN116269391B (zh) | 一种心脑耦合分析评估方法及其系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application | ||
| E601 | Decision to refuse application | ||
| E801 | Decision on dismissal of amendment |