KR20230061866A - Core body temperature estimation apparatus and method - Google Patents
Core body temperature estimation apparatus and method Download PDFInfo
- Publication number
- KR20230061866A KR20230061866A KR1020210146549A KR20210146549A KR20230061866A KR 20230061866 A KR20230061866 A KR 20230061866A KR 1020210146549 A KR1020210146549 A KR 1020210146549A KR 20210146549 A KR20210146549 A KR 20210146549A KR 20230061866 A KR20230061866 A KR 20230061866A
- Authority
- KR
- South Korea
- Prior art keywords
- core body
- body temperature
- blood vessel
- processor
- image
- Prior art date
Links
- 230000036757 core body temperature Effects 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 18
- 210000004204 blood vessel Anatomy 0.000 claims description 133
- 230000008859 change Effects 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000010438 heat treatment Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 14
- 238000003708 edge detection Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000008646 thermal stress Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000010989 Bland-Altman Methods 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000008642 heat stress Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000036737 immune function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000006461 physiological response Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
- A61B5/02007—Evaluating blood vessel condition, e.g. elasticity, compliance
-
- 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
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—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
- A61B5/72—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
Abstract
본 개시의 일 실시 예에 따른 심부 체온 추정 장치 및 방법이 개시된다. 심부 체온 추정 장치는 프로세서와, 프로세서와 동작 가능하게 연결되고 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 메모리는 프로세서를 통해 실행될 때 프로세서로 하여금, 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 기초하여 대상체의 심부 체온을 추정하도록 야기하는 코드를 저장할 수 있다.An apparatus and method for estimating core body temperature according to an embodiment of the present disclosure are disclosed. An apparatus for estimating core body temperature includes a processor and a memory operatively connected to the processor and storing at least one code executed by the processor, wherein the memory, when executed through the processor, causes the processor to determine the skin temperature, heart rate and Code that causes an estimate of the subject's core body temperature based on the vessel diameter may be stored.
Description
본 개시는 대상체의 피부 온도 및 심장 박동수와 함께, 혈관 지름에 기초하여 심부 체온을 용이하고 정확하게 추정하는 심부 체온 추정 장치 및 방법에 관한 것이다.The present disclosure relates to an apparatus and method for estimating core body temperature easily and accurately based on a blood vessel diameter together with skin temperature and heart rate of an object.
일반적으로 항온 동물의 생체 내에서는 끊임없이 단백질이나 탄수화물 지방 등의 영양소가 산화 작용으로 연소되어 열을 발생시키고 있으며, 몸 밖으로의 열 방산과 생체의 체온 조절 작용에 의해 거의 일정한 체온이 유지되고 있다. 적절한 심부 체온 유지는 면역 기능과 깊은 관계가 있고 심부체온 저하는 다양한 질병의 원인이 된다. 이러한 관점에서 인체의 심부 체온의 정확한 측정은 중요하다.In general, in the body of a warm-blooded animal, nutrients such as proteins, carbohydrates, and fats are constantly burned through oxidation to generate heat, and an almost constant body temperature is maintained by heat dissipation outside the body and body temperature control. Proper maintenance of core body temperature is closely related to immune function, and low core body temperature causes various diseases. From this point of view, accurate measurement of the body's core body temperature is important.
종래에, 인체의 심부 체온 측정 방법은 인체의 피부 온도 또는 직장 온도를 측정하고, 이에 기초하여 인체의 심부 체온을 추정할 수 있다. 그러나, 직장 온도에 기초하여 추정되는 인체의 심부 체온은 피부 온도에 기초하여 추정되는 인체의 심부 체온보다 정확할 수 있으나, 직장 온도의 측정이 침습식으로 이루어짐에 따라, 측정이 용이하지 않다.Conventionally, a method for measuring a core body temperature of a human body may measure a skin temperature or a rectal temperature of the human body, and estimate the core body temperature based on the measurement. However, although the core body temperature estimated based on the rectal temperature may be more accurate than the core body temperature estimated based on the skin temperature, measurement of the rectal temperature is performed in an invasive manner, making it difficult to measure.
또한, 피부 온도의 측정은 비침습식으로 이루어짐에 따라, 측정이 용이할 수 있으나, 피부 온도에 기초하여 추정되는 인체의 심부 체온은 직장 온도에 기초하여 추정되는 인체의 심부 체온보다 부정확할 수 있다.In addition, since the skin temperature is measured in a non-invasive manner, the measurement may be easy, but the core body temperature estimated based on the skin temperature may be more inaccurate than the core body temperature estimated based on the rectal temperature.
선행기술(공개특허 제10-2021-0006073호)에는 피부온도 센서와 맥박 센서를 이용하여 인체의 피부 온도 및 심장 박동수를 비침습식으로 측정하고, 이에 기초하여 인체의 심부 체온을 추정하는 구성을 개시하고 있으나, 인체의 심부 체온의 추정 정확도는 여전히 높지 않다.The prior art (Patent Publication No. 10-2021-0006073) discloses a configuration for non-invasively measuring the skin temperature and heart rate of a human body using a skin temperature sensor and a pulse rate sensor, and estimating the core body temperature of the human body based thereon. However, the accuracy of estimating the body's core body temperature is still not high.
따라서, 인체의 심부 체온의 추정 정확도를 높일 수 있는 기술이 필요하다.Therefore, there is a need for a technique capable of increasing the estimation accuracy of the core body temperature of the human body.
본 개시의 일 실시 예는 대상체의 피부 온도 및 심장 박동수와 함께, 혈관 지름에 기초하여 대상체의 심부 체온을 비침습식으로, 용이하고 정확하게 추정하는 심부 체온 추정 장치 및 방법을 제공하는 것을 목적으로 한다.An object of one embodiment of the present disclosure is to provide a device and method for estimating the core body temperature of an object in a non-invasive manner, easily and accurately, based on the diameter of a blood vessel as well as the skin temperature and heart rate of the object.
본 개시의 일 실시 예는 대상체를 촬영한 복수의 영상으로부터 생성된 입력 영상에 머신 러닝 기반의 제1 학습 모델을 적용하여 혈관 영역 영상을 용이하게 생성하고, 혈관 영역 영상에서 미리 설정된 길이만큼 혈관의 길이 방향을 따른 대상 영역을 결정하고, 대상 영역의 평균 혈관 지름을 대상체의 혈관 지름으로 산출함으로써, 혈관 지름의 산출 오류를 최소화할 수 있게 하는 것을 목적으로 한다.According to an embodiment of the present disclosure, a blood vessel region image is easily generated by applying a machine learning-based first learning model to an input image generated from a plurality of images obtained by capturing an object, and a blood vessel region is formed by a predetermined length in the blood vessel region image. An object of the present invention is to minimize a blood vessel diameter calculation error by determining a target region along a longitudinal direction and calculating an average blood vessel diameter of the target region as a blood vessel diameter of an object.
또한, 본 개시의 일 실시 예는 추정된 대상체의 심부 체온이 미리 설정된 임계치 범위를 벗어나는 것으로 판단되는 경우, 대상체를 기준으로 설정된 공간 범위에 위치하는 냉난방 제어 시스템을 제어함으로써, 대상체의 심부 체온을 일정하게 유지시킬 수 있게 하는 것을 목적으로 한다.In addition, according to an embodiment of the present disclosure, when it is determined that the estimated core body temperature of the object is out of a preset threshold range, a heating/cooling control system located in a space range set with respect to the object is controlled to keep the core body temperature of the object constant. It is aimed at making it possible to maintain
본 개시의 일 실시 예는 대상체의 피부 온도 및 심장 박동수와 함께, 혈관 지름에 기초하여 대상체의 심부 체온을 비침습식으로, 용이하고 정확하게 추정하는 심부 체온 추정 장치 및 방법일 수 있다.An embodiment of the present disclosure may be an apparatus and method for estimating a core body temperature of an object in a non-invasive manner, easily and accurately, based on a blood vessel diameter as well as skin temperature and heart rate of the object.
본 개시의 일 실시 예는 프로세서와, 프로세서와 동작 가능하게 연결되고 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고, 메모리는 프로세서를 통해 실행될 때 프로세서로 하여금, 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 기초하여 대상체의 심부 체온을 추정하도록 야기하는 코드를 저장하는, 심부 체온 추정 장치일 수 있다.An embodiment of the present disclosure includes a processor and a memory operably connected to the processor and storing at least one code executed by the processor, wherein the memory, when executed through the processor, causes the processor to: It may be a core body temperature estimating device that stores a code that causes core body temperature to be estimated based on the number of beats and the diameter of a blood vessel.
본 개시의 일 실시 예는 대상체의 피부 온도, 심장 박동수 및 혈관 지름을 획득하는 단계와, 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 기초하여 대상체의 심부 체온을 추정하는 단계를 포함하는 심부 체온 추정 방법일 수 있다.An embodiment of the present disclosure includes obtaining a skin temperature, heart rate, and diameter of a blood vessel of an object, and estimating a core body temperature of the object based on the skin temperature, heart rate, and diameter of a blood vessel of the object. it could be a way
본 개시의 실시 예에 의하면, 대상체의 피부 온도 및 심장 박동수와 함께, 혈관 지름에 기초하여 대상체의 심부 체온을 비침습식으로, 용이하고 정확하게 추정할 수 있다.According to an embodiment of the present disclosure, the core body temperature of an object can be easily and accurately estimated based on the diameter of a blood vessel together with the skin temperature and heart rate of the object in a non-invasive manner.
본 개시의 실시 예에 의하면, 대상체를 촬영한 복수의 영상으로부터 생성된 입력 영상에 머신 러닝 기반의 제1 학습 모델을 적용하여 혈관 영역 영상을 용이하게 생성하고, 혈관 영역 영상에서 미리 설정된 길이만큼 혈관의 길이 방향을 따른 대상 영역을 결정하고, 대상 영역의 평균 혈관 지름을 대상체의 혈관 지름으로 산출함으로써, 혈관 지름의 산출 오류를 최소화할 수 있다.According to an embodiment of the present disclosure, a blood vessel region image is easily generated by applying a machine learning-based first learning model to an input image generated from a plurality of images obtained by capturing an object, and a blood vessel region image is formed by a preset length in the blood vessel region image. By determining the target area along the longitudinal direction of the target area and calculating the average vessel diameter of the target area as the vessel diameter of the object, an error in calculating the vessel diameter can be minimized.
또한, 본 개시의 실시 예에 의하면, 추정된 대상체의 심부 체온이 미리 설정된 임계치 범위를 벗어나는 것으로 판단되는 경우, 대상체를 기준으로 설정된 공간 범위에 위치하는 냉난방 제어 시스템을 제어함으로써, 대상체의 심부 체온을 일정하게 유지시킬 수 있다.In addition, according to an embodiment of the present disclosure, when it is determined that the estimated core body temperature of the object is out of a preset threshold range, the core body temperature of the object is controlled by controlling a heating and cooling control system located in a space range set with respect to the object. can be kept constant.
도 1은 본 개시의 일 실시 예에 따른 심부 체온 추정 장치의 구성 일례를 도시한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 심부 체온 추정 장치에서 대상체의 피부 온도, 심작 박동수 및 혈관 지름과 대상체의 심부 체온 간의 상관 관계를 도출하기 위한 실험 환경을 도시한 도면이다.
도 3은 복수의 대상체의 심부 체온의 변화에 따라 측정된 대상체의 피부 온도, 심작 박동수 및 혈관 지름의 변화를 도시한 도면이다.
도 4는 예측 모델에 기반하여 예측된 대상체의 심부 체온과 대상체로부터 측정된 대상체의 심부 체온 간의 상관도 및 차이를 열 응력 구간 및 열 이완 구간별로 도시한 도면이다.
도 5는 MLR 예측 모델에서 VD를 고려한 대상체의 심부 체온의 예측값과 측정값의 상관성 및 Bland-Altman 플롯(b)를 도시한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 심부 체온 추정 장치에서 사용되는 제1 학습 모델의 학습 영상을 생성하는 방법을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 심부 체온 추정 장치에서 사용되는 제1 학습 모델의 출력 결과물과 이미지 처리 방법에 의한 혈관 인식 결과를 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시 예에 따른 심부 체온 추정 장치에서 혈관 지름을 산출하는 일례를 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 심부 체온 추정 방법을 도시한 흐름도이다.1 is a diagram illustrating an example of a configuration of an apparatus for estimating core body temperature according to an embodiment of the present disclosure.
FIG. 2 is a diagram illustrating an experimental environment for deriving a correlation between a skin temperature, a heartbeat rate, and a vessel diameter of an object and a core body temperature of an object in the core body temperature estimating apparatus according to an embodiment of the present disclosure.
3 is a diagram illustrating changes in skin temperature, heart rate, and blood vessel diameter of a plurality of objects measured according to changes in core body temperature of the plurality of objects.
4 is a diagram illustrating a correlation and a difference between a core body temperature of an object predicted based on a prediction model and a core body temperature measured from the object for each thermal stress section and thermal relaxation section.
5 is a diagram illustrating a correlation between a predicted value and a measured value of a subject's core body temperature considering VD in the MLR prediction model and a Bland-Altman plot (b).
6 is a diagram for explaining a method of generating a learning image of a first learning model used in an apparatus for estimating core body temperature according to an embodiment of the present disclosure.
7 is a diagram for explaining an output result of a first learning model used in an apparatus for estimating core body temperature according to an embodiment of the present disclosure and a blood vessel recognition result by an image processing method.
8 is a diagram for explaining an example of calculating a blood vessel diameter in the apparatus for estimating core body temperature according to an embodiment of the present disclosure.
9 is a flowchart illustrating a method for estimating core body temperature according to an embodiment of the present disclosure.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Hereinafter, the embodiments disclosed in this specification will be described in detail with reference to the accompanying drawings, but the same or similar elements are given the same reference numerals regardless of reference numerals, and redundant description thereof will be omitted. The suffixes "module" and "unit" for components used in the following description are given or used together in consideration of ease of writing the specification, and do not have meanings or roles that are distinct from each other by themselves. In addition, in describing the embodiments disclosed in this specification, if it is determined that a detailed description of a related known technology may obscure the gist of the embodiment disclosed in this specification, the detailed description thereof will be omitted. In addition, the accompanying drawings are only for easy understanding of the embodiments disclosed in this specification, the technical idea disclosed in this specification is not limited by the accompanying drawings, and all changes included in the spirit and technical scope of the present invention , it should be understood to include equivalents or substitutes.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms including ordinal numbers, such as first and second, may be used to describe various components, but the components are not limited by the terms. These terms are only used for the purpose of distinguishing one component from another.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.It is understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle. It should be. On the other hand, when an element is referred to as “directly connected” or “directly connected” to another element, it should be understood that no other element exists in the middle.
도 1은 본 개시의 일 실시 예에 따른 심부 체온 추정 장치의 구성 일례를 도시한 도면이다.1 is a diagram illustrating an example of a configuration of an apparatus for estimating core body temperature according to an embodiment of the present disclosure.
도 1을 참조하면, 본 개시의 일 실시 예에 따른 심부 체온 추정 장치(100)는 센서(110), 프로세서(120), 메모리(130) 및 연결부(140)를 포함할 수 있다.Referring to FIG. 1 , an
센서(110)는 온도 센서(111), 심박 센서(112) 및 카메라 센서(113)를 포함할 수 있다. 여기서, 센서(110)는 심부 체온 추정 장치(100)의 내부에 포함될 수 있으나, 이에 한정되지 않고 심부 체온 추정 장치(100)의 외부에 포함되어, 센서(110)에서 획득한 정보를 심부 체온 추정 장치(100)에 제공할 수 있다.The
온도 센서(111)는 대상체의 피부 온도를 측정할 수 있으며, 예를 들어, 적외선 온도 센서 및 카메라 영상 기반 온도 센서 중 어느 하나일 수 있다.The
심박 센서(112)는 대상체의 심장 박동수를 측정할 수 있으며, 예를 들어, ECG(electrocardiogram) 센서, PPG(photoplethysmography) 센서 및 카메라 영상 기반 심박 추정 센서 중 어느 하나일 수 있다.The
카메라 센서(113)는 예를 들어, 비젼 카메라 센서, 적외선 카메라 센서일 수 있으며, 미리 설정된 주기마다 대상체의 특정 부분(혈관을 포함하는 부분)을 촬영하여 영상을 생성할 수 있다. 카메라 센서(113)는 예를 들어, 0.1초마다 '사람의 손등'을 촬영하여 복수의 영상을 생성하고, '손등'의 혈관 지름을 산출하기 위한 데이터로서, 복수의 영상을 프로세서(120)에 제공할 수 있다.The
프로세서(120)는 하나 이상의 프로세서를 포함할 수 있으며, 심부 체온 추정 장치(100)가 동작하도록 심부 체온 추정 장치(100) 내 각 구성을 제어할 수 있다.The
프로세서(120)는 온도 센서(111)로부터 대상체의 피부 온도를 수신하고, 심박 센서(112)로부터 대상체의 심장 박동수를 수신하여, 대상체의 피부 온도 및 심작 박동수를 획득할 수 있다. 또한, 프로세서(120)는 카메라 센서(113)로부터 대상체의 특정 부분을 촬영한 복수의 영상을 수신하고, 복수의 영상으로부터 대상체의 혈관 지름을 획득할 수 있다.The
대상체의 혈관 지름을 획득하기 위해, 프로세서(120)는 먼저, 카메라 센서(113)에 의해 획득한 복수의 영상에 기반한 입력 영상(일 실시 예에서, 입력 영상은 획득한 영상을 전 처리한 영상일 수 있다)에 머신 러닝 기반의 제1 학습 모델을 적용하여 혈관 영역 영상(예를 들어, 혈관 영역만 레이블링한 마스크 영상일 수 있다)을 생성할 수 있다. 여기서, 제1 학습 모델은 대상체의 혈관 여부가 픽셀 별로 레이블링된 학습 영상에 기반하여 입력된 영상에서 혈관 영역을 픽셀 별로 판단한 혈관 영역 영상을 생성하도록 미리 학습될 수 있다. 구체적으로, 제1 학습 모델은 카메라 센서(113)에 의해 획득한 복수의 영상들 각각에 설정된 관심 영역들의 픽셀 값을 그레이스케일 형식으로 변환하고, 변환된 관심 영역들을 정규화하고, 정규화된 관심 영역들에 CLAHE(Contrast limited adaptive histogram equalization)을 적용하고, CLAHE가 적용된 관심 영역들에 감마 조정을 위한 처리를 수행하여 생성된 학습 영상을 입력으로 하고, 대상체의 혈관 여부가 픽셀 별로 레이블링된 학습 영상을 출력으로 하여 훈련된 학습 모델이다.To obtain the diameter of a blood vessel of an object, the
이후, 프로세서(120)는 혈관 영역 영상에서 혈관 지름을 결정할 수 있다. 일 실시 예에서, 프로세서(120)는 혈관 영역 영상에서 미리 설정된 길이만큼 혈관의 길이 방향을 따른 대상 영역을 결정하고, 대상 영역의 평균 혈관 지름을 대상체의 혈관 지름으로 산출할 수 있다. 이때, 프로세서(120)는 대상 영역에서 혈관의 길이 방향에 수직한 방향을 따라 복수의 위치에서 측정된 픽셀 값의 변화의 반치전폭(full width at half maximum: FWHM) 값에 기반하여 평균 혈관 지름을 산출할 수 있다.Thereafter, the
프로세서(120)는 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 기초하여 대상체의 심부 체온을 정확하게 추정하고, 추정된 대상체의 심부 체온을 출력부(예를 들어, 디스플레이, 스피커)(도시하지 않음)를 통해 출력하거나 외부 장치를 제어하는 신호를 출력할 수 있다.The
이때, 프로세서(120)는 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 머신 러닝 기반의 제2 학습 모델을 적용하여 대상체의 심부 체온을 추정할 수 있다. 여기서, 제2 학습 모델은 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 레이블링된 대상체의 심부 온도에 기반하여, 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 대응하는 대상체의 심부 체온을 추정하도록 미리 학습할 수 있다. 이때, 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 레이블링된 대상체는 대상체의 키, 몸무게, 성별 및 나이 중 적어도 어느 하나에 부여된 가중치에 기반하여 레이블링될 수 있다.In this case, the
실시예에서, 제2 학습 모델은 나이에 따라 서로 다른 데이터로 학습된 복수의 학습 모델일 수 있다. 프로세서(120)는 대상체의 나이를 입력 받고, 입력 받은 대상체의 나이에 기반하여 심부 체온 추정에 사용할 제2 학습 모델을 결정함으로써, 영유아의 심부 체온이 성인의 심부 체온보다 높은 점을 고려하여 심부 체온을 보다 정확하게 추정할 수 있게 한다.In an embodiment, the second learning model may be a plurality of learning models learned with different data according to age. The
또한, 프로세서(120)는 제2 학습 모델 외에, 미리 설정된 심부 체온 추정 테이블에 기초하여 대상체의 심부 체온을 추정할 수 있다. 즉, 프로세서(120)는 획득한 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 대응하는 심부 체온을 심부 체온 추정 테이블에서 검색하여 추정할 수 있다. 이때, 프로세서(120)는 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 대해, 대상체의 키, 몸무게, 성별 및 나이 중 적어도 어느 하나에 기반한 가중치를 각각 부여하고, 가중치에 기초하여 대상체의 심부 체온을 추정함으로써, 대상체의 상태에 기반하여 대상체의 심부 체온을 보다 정확하게 획득할 수 있다.Also, the
다른 실시예로서, 프로세서(120)는 대상체의 키, 몸무게, 성별 및 나이 중 적어도 어느 하나에 기반하여 부여된 가중치를 적용한 후 제2 학습 모델에 입력하여 대상체의 심부 체온을 추정할 수 있다.As another embodiment, the
실시예에서, 프로세서(120)는 추정된 대상체의 심부 체온에 기초하여 주변 환경을 제어할 수 있다. 구체적으로, 프로세서(120)는 추정된 대상체의 심부 체온이 미리 설정된 임계치 범위를 벗어나는 것으로 판단되는 경우, 대상체를 기준으로 설정된 공간 범위에 위치하는 냉난방 제어 시스템으로 온도 제어 명령을 발송함으로써, 대상체의 심부 체온을 일정하게 유지할 수 있게 한다. 즉, 대상체인 사람이 냉난방 제어 시스템을 제어하기 어려운 상황(예를 들어, 사람이 어리거나, 병상에서 움직이지 못하거나, 수면인 상태인 경우)에서도 대상체의 심부 체온을 정확하게 추정하여 냉난방 제어 시스템을 제어하는 프로세서(120)에 의해, 대상체는 심부 체온을 최적으로 유지할 수 있다. 또한, 단순히 피부 온도에 기반해 냉난방 시스템을 제어하는 것보다 심부 체온에 기반하여 냉난방 시스템을 제어함으로써 대상자에게 더 적합하도록 냉난방 시스템을 제어할 수 있다. In an embodiment, the
메모리(130)는 프로세서(120)와 동작 가능하게 연결되고 프로세서(120)에서 수행되는 적어도 하나의 코드를 저장할 수 있다.The
또한, 메모리(130)는 제1 학습 모델, 제2 학습 모델 및 심부 체온 추정 테이블 중 적어도 하나를 더 저장할 수 있다. 여기서, 제1 학습 모델 및 제2 학습 모델은 외부 서버로부터 수신되어 메모리(130)에 저장될 수 있으나, 이에 한정되지 않고 프로세서(120)에 의해 훈련될 수도 있다.Also, the
연결부(140)는 출력부를 포함하는 기기(예를 들어, 스마트 폰)와 연결될 수 있다. 프로세서(120)는 연결부(140)에 기기가 연결된 것으로 확인되면, 기기에 대상체의 정보(예를 들어, 대상체의 피부 온도, 심장 박동수, 혈관 지름, 심부 체온)을 전달함으로써, 기존의 기기와 연동하여 심부 체온 추정 장치(100)가 동작될 수 있게 한다.The
도 2는 본 개시의 일 실시 예에 따른 실험 장치에서 대상체의 피부 온도, 심작 박동수 및 혈관 지름과 대상체의 심부 체온 간의 상관 관계를 도출하기 위한 실험 환경을 도시한 도면이다.2 is a diagram illustrating an experimental environment for deriving a correlation between a subject's skin temperature, heart rate, and blood vessel diameter and a subject's core body temperature in an experiment device according to an embodiment of the present disclosure.
도 2를 참조하면, 실험 장치는 대상체의 일부(예를 들어, 다리)가 미리 설정된 온도 이상인 물에 잠김에 따라, 대상체의 피부 온도, 심작 박동수, 혈관 지름 및 심부 체온을 미리 설정된 주기(예를 들어, 10분)마다 획득할 수 있다. 이때, 실험 장치는 대상체의 일부가 물에 잠기기 전(201, Rest), 대상체의 일부가 물에 잠겨있는 동안(202, Leg immersion)(열 응력 구간), 대상체가 물을 벗어난 후(203, Thermal relaxation)(열 이완 구간)의 모든 기간에 걸쳐 대상체의 피부 온도, 심작 박동수, 혈관 지름 및 심부 체온을 획득할 수 있다.Referring to FIG. 2 , the experimental apparatus measures the skin temperature, heart rate, blood vessel diameter, and core body temperature of the subject at a preset cycle (eg, For example, every 10 minutes). At this time, the experimental device is before part of the object is submerged in water (201, Rest), while part of the object is submerged in water (202, Leg immersion) (thermal stress section), after the object is out of the water (203, Thermal The subject's skin temperature, heart rate, blood vessel diameter, and core body temperature may be acquired throughout the entire period of relaxation (thermal relaxation period).
구체적으로, 실험 장치는 온도 센서(211)를 통해, 대상체의 피부 온도(손의 온도)를 획득하고, 심박 센서(212)를 통해, 대상체의 심장 박동수를 획득할 수 있다. 또한, 실험 장치는 NIR(near infrared) 이미지 시스템(213)을 통해, 대상체의 혈관 부분(손등)을 촬영한 영상을 획득하고, 영상으로부터 혈관 지름을 획득할 수 있다. 이때, 실험 장치는 대상체가 고정된 지지 물체(214)를 잡도록 하여 대상체의 움직임이 제한된 상태에서, NIR 이미지 시스템(211)을 통해 영상을 획득함으로써, 영상에서 혈관이 정확하게 도출될 수 있게 한다. 또한, 대상체의 혈관 부분(손등)에 마크(mark)(215)가 표시될 수 있으며, 이는 설정된 주기마다 촬영되는 복수의 영상 간의 매칭 기준점으로 활용될 수 있다.In detail, the experimental device may acquire the skin temperature (hand temperature) of the object through the
실험 장치는 예를 들어, 직장 온도계를 통해 직장 온도를 측정함으로써, 심부 체온을 획득할 수 있다.The experimental device may obtain core body temperature, for example, by measuring rectal temperature through a rectal thermometer.
실험 장치는 획득한 대상체의 피부 온도, 심작 박동수, 혈관 지름 및 심부 체온에 기초하여 대상체의 피부 온도, 심작 박동수 및 혈관 지름과, 대상체의 심부 체온 간의 관계를 통해 대상체의 심부 체온을 예측하는 다중 회귀 분석에 기반한 예측 모델을 [수학식 1]과 같이, 도출할 수 있다.The experimental device is a multi-regression method for predicting the core body temperature of a subject through the relationship between the skin temperature, heart rate, and blood vessel diameter of a subject based on the acquired skin temperature, heart rate, blood vessel diameter, and core body temperature of the subject. A predictive model based on the analysis can be derived as shown in [Equation 1].
여기서, Tcore는 대상체의 심부 체온이고, VD(Vein diameter)는 대상체의 혈관 지름이며, HR(Heart Rate)은 대상체의 심작 박동수이고, Thand는 대상체의 피부 온도이다. 또한, Tcore, rest, VDrest, HRrest Thand, rest는 각각 물에 잠기기 전, 대상체의 심부 체온, 혈관 지름, 심작 박동수, 피부 온도이다. A, B, C는 각 항목(Tcore, VD, HR, Thand, Tcore, rest, VDrest, HRrest Thand, rest)의 측정값에 기초하여 결정되는 상수이다.Here, T core is the core body temperature of the object, VD (Vein diameter) is the object's blood vessel diameter, HR (Heart Rate) is the object's heart rate, and T hand is the object's skin temperature. In addition, T core, rest , VD rest , HR rest T hand , rest are core body temperature, blood vessel diameter, heart rate, and skin temperature of the subject before being immersed in water, respectively. A, B, and C are constants determined based on the measured values of each item (T core , VD , HR , T hand , T core , rest , VD rest , HR rest T hand , rest ).
도 3은 도 2의 실험에서 측정된 결과를 설명하는 도면으로서, 복수의 대상체의 심부 체온의 변화에 따라 측정된 대상체의 피부 온도, 심작 박동수 및 혈관 지름의 변화를 도시한 도면이다.FIG. 3 is a diagram explaining the results measured in the experiment of FIG. 2 and showing changes in skin temperature, heart rate, and blood vessel diameter measured according to changes in core body temperatures of a plurality of objects.
도 3을 참조하면, Tcore가 상승하는 동안 HR, Thand 및 VD와 같은 여러 생리학적 반응이 변화되었음을 알 수 있다. 모든 피험자(참가자)(n=12)의 Tcore, HR, Thand, VD는 도 3의 (a), (c), (e) 및 (g)에 도시되어 있다. 피험자들은 60분 동안 수동적 열 스트레스를 받은 후, 증가된 Tcore를 안정화시키기 위해 40분 동안 휴식을 취하였다. 또한, 해당 분수 변화를 측정하고 분수에서 1을 뺀 결과를 정규화하여 원시 데이터에서 무차원 데이터가 생성될 수 있다. 무차원 데이터는 그림 도 3의 (b), (d), (f) 및 (h)에 도시되어 있다. 모든 피험자에 대해 기록된 평균 최저 온도, 최고 온도 및 최고 온도는 각각 37.1℃, 37.4℃ 및 0.3℃이다.Referring to FIG. 3, it can be seen that several physiological responses such as HR, T hand , and VD are changed while T core is elevated. T core, HR, T hand , and VD of all subjects (participants) (n = 12) are shown in (a), (c), (e) and (g) of FIG. After the subjects received passive heat stress for 60 minutes, they took a break for 40 minutes to stabilize the increased T core . In addition, dimensionless data can be generated from the raw data by measuring the corresponding fractional change and normalizing the result of subtracting 1 from the fraction. Dimensionless data are shown in Fig. 3 (b), (d), (f) and (h). The average lowest temperature, highest temperature and highest temperature recorded for all subjects were 37.1 °C, 37.4 °C and 0.3 °C, respectively.
여기서, 도 3의 (a) 및 (b)의 주황색과 파란색 막대는 각각 열 응력(stress)(대상체의 일부가 설정된 온도 이상인 물에 잠겨 있음) and 열 이완(relaxation)(대상체가 물을 벗어남) 구간이고, 검은색 실선은 피험자들의 각 항목(Tcore, HR, Thand, VD)에 대한 평균을 의미할 수 있다.Here, the orange and blue bars in (a) and (b) of FIG. 3 indicate thermal stress (a part of the object is immersed in water having a set temperature or higher) and thermal relaxation (object leaves the water), respectively. It is an interval, and the black solid line may mean the average for each item (T core, HR, T hand , VD) of the subjects.
열 응력 구간과 열 이완 구간에서 측정된 Tcore 예측의 산점도는 각각 도 4의 (a)와 (c)에 각각 도시되어 있다. 또한, 열 응력 구간과 열 이완 구간에서 대상체의 심부 체온과 대상체로부터 측정된 대상체의 심부 체온 간의 차이는 도 4의 (b)와 (d)에 각각 도시되어 있다. 여기서, 빨간색 원은 VD를 제외하여 예측된 값을 의미하고, 파란색 원은 VD를 포함하여 예측된 값을 의미할 수 있다. 산점도 내 검은색 직선과 점선은 VD를 포함하여 측정된 값과 예측된 값 사이의 일치와 VD를 제외하여 측정된 값과 예측된 값 사이의 일치를 나타낸다.Scatter plots of the T core predictions measured in the thermal stress section and the thermal relaxation section are shown in (a) and (c) of FIG. 4, respectively. In addition, the difference between the core body temperature of the object and the core body temperature measured from the object in the thermal stress period and the thermal relaxation period is shown in FIGS. 4(b) and (d), respectively. Here, a red circle may mean a predicted value excluding VD, and a blue circle may mean a predicted value including VD. The black straight and dotted lines in the scatterplot represent the agreement between the measured and predicted values including VD and the agreement between measured and predicted values excluding VD.
열 응력 구간에서의 Tcore에 대한 MLR(Multiple Linear Regression) 기반 예측 모델에서 Thand의 기여는 HR 및 VD의 기여보다 더 중요한 것을 보여주었다. [수학식 1]의 C계수는 예를 들어, 0.014로 도출될 수 있다.In the multiple linear regression (MLR)-based prediction model for T core in the thermal stress range, the contribution of T hand was shown to be more important than that of HR and VD. The C coefficient of [Equation 1] may be derived as, for example, 0.014.
또한, 측정의 편향은 -0.05℃이고, 일치의 하한 및 상한(LOA)은 각각 -0.2℃ 및 +0.09℃이다.In addition, the bias of the measurement is -0.05 °C, and the lower and upper limits of agreement (LOA) are -0.2 °C and +0.09 °C, respectively.
열 이완 구간(냉각 구간)에서 결정 계수(R2)(회귀 모델에 기반하여 예측된 대상체의 심부 체온과 대상체로부터 측정된 대상체의 심부 체온 간의 회귀식 적합도를 의미함)는 도 4의 (c)와 같이 모델에서 VD를 예측 변수로 고려할 때 상대적으로 높은 값(R2 = 0.94)일 수 있다. 그러나, VD가 [수학식 1]에 도입되지 않은 경우, 결정 계수(R2)는 상대적으로 낮은 값(R2 = 0.68)을 보여 주었다. 이 두 측정 사이에 26%의 증가가 있음을 확인할 수 있다. 도 4의 (d)의 Bland-Altman 플롯은 Tcore의 측정값에서 예측의 편차를 보여준다. 구체적으로, VD가 예측 모델에 포함될 때(포함되지 않을 때) 측정 바이어스는 0.06℃(0.05℃)일 수 있다. MLR 모델에 대한 계수, [수학식 1]에서의 B와 C는 VD를 사용하지 않고 예측할 때, 각각 0.043 및 0.008로 결정될 수 있다.The coefficient of determination (R 2 ) (meaning the goodness of fit of the regression equation between the core temperature of the object predicted based on the regression model and the core temperature of the object measured from the object) in the thermal relaxation period (cooling period) is shown in FIG. 4 (c) It can be a relatively high value (R 2 = 0.94) when considering VD as a predictor in the model, such as However, when VD was not introduced into [Equation 1], the coefficient of determination (R 2 ) showed a relatively low value (R 2 = 0.68). It can be seen that there is an increase of 26% between these two measurements. The Bland-Altman plot in (d) of FIG. 4 shows the deviation of prediction from the measured value of T core . Specifically, when VD is included (not included) in the predictive model, the measurement bias may be 0.06°C (0.05°C). The coefficients for the MLR model, B and C in [Equation 1], can be determined to be 0.043 and 0.008, respectively, when predicted without using VD.
또한, 도 4의 (c)에 도시된 바와 같이, VD를 제외(포함)할 때의 평균 냉각 구간에서 R2는 0.68(0.94)일 수 있다. 이때, [수학식 1]에서의 A, B 및 C는 0.013, 0.02 및 0으로 결정될 수 있다. VD가 MLR 예측 모델에 도입되었을 때 Thand는 심부 온도 값을 추정하는데 거의 기여하지 않았다.In addition, as shown in (c) of FIG. 4 , R 2 in the average cooling period when VD is excluded (including) may be 0.68 (0.94). At this time, A, B, and C in [Equation 1] may be determined as 0.013, 0.02, and 0. When VD was introduced into the MLR prediction model, T hand contributed little to estimating core temperature values.
MLR 예측 모델은 피험자의 모든 생리적 매개변수의 평균을 사용하여 훈련될 수 있다. 검증 결과는 도 5에 도시된 바와 같이, 열 이완(relaxation) 구간 동안 예측된 Tcore에서 좋은 일치를 보여주고 있다. 도 5의 (a) 및 (b)와 같이, 결정된 계수와 회귀 모델에 따라 각 대상(subject)의 데이터는 평가될 수 있다. 측정값과 예측값 사이의 선형성은 R2 값이 0.66일 때에 결정될 수 있다. 측정값과 예측값의 차이(△Tcore)를 나타내는 데 사용된 Bland-Altman 플롯은 도 5(b)와 같이 도시될 수 있다.The MLR predictive model can be trained using the average of all physiological parameters of the subject. As shown in FIG. 5, the verification results show a good agreement in the predicted T core during the thermal relaxation period. As shown in (a) and (b) of FIG. 5 , data of each subject may be evaluated according to the determined coefficient and regression model. The linearity between the measured value and the predicted value can be determined when the R 2 value is 0.66. A Bland-Altman plot used to represent the difference between the measured value and the predicted value (ΔT core ) can be shown in FIG. 5(b).
도 6은 본 개시의 일 실시 예에 따른 심부 체온 추정 장치에서 사용되는 제1 학습 모델의 학습 영상을 생성하기 위한 도면이다.6 is a diagram for generating a learning image of a first learning model used in an apparatus for estimating core body temperature according to an embodiment of the present disclosure.
도 6을 참조하면, 심부 체온 추정 장치는 카메라 센서에 의해, 대상체의 특정 부분을 주기마다 촬영한 복수의 영상에 기반한 입력 영상을 전 처리하여 혈관 영역 영상을 생성하고, 심부 체온을 주기적 또는 일시적으로 추정할 수 있다.Referring to FIG. 6 , the apparatus for estimating core body temperature pre-processes an input image based on a plurality of images of a specific part of an object periodically captured by a camera sensor to generate a blood vessel region image, and periodically or temporarily measures core body temperature. can be estimated
여기서, 제1 학습 모델의 학습 영상은 임의의 대상체의 특정 부분이 촬영된 영상에 기반한 입력 영상으로부터 생성될 수 있다. 여기서, 촬영된 영상은 혈관을 포함하는 부분이 미리 설정된 주기마다 촬영된 영상일 수 있다. 또한, 입력 영상은 일정 시간 윈도우에서 촬영된 복수의 영상 각각이거나, 일정 시간 윈도우에서 촬영된 복수의 영상의 평균 영상일 수 있다. 입력 영상은 전 처리되거나 전처리 없이 제1 학습 모델에 입력되어 혈관 영역 영상으로 생성될 수 있다.Here, the learning image of the first learning model may be generated from an input image based on an image in which a specific part of an object is photographed. Here, the photographed image may be an image of a portion including blood vessels at predetermined intervals. Also, the input image may be each of a plurality of images captured in a predetermined time window or an average image of a plurality of images captured in a predetermined time window. The input image may be pre-processed or input to the first learning model without pre-processing to generate a blood vessel region image.
구체적으로, 도 6의 (a)입력 영상(Row)(601)으로부터 CLAHE(Contrast-limited adaptive histogram equalization)를 통해, 도 6의 (b)CLAHE 영상(602)이 생성되고, CLAHE 이미지으로부터 미리 설정된 임계치를 기준으로 도 6의 (c)Threshold 영상(603)이 생성될 수 있다. 또한, Threshold 영상으로부터 이진화 처리 과정을 통해 도 6의 (d)binarized 영상(604)이 생성될 수 있으며, binarized 영상으로부터 에지 검출 과정을 통해, 도 6의 (e)Edge detection 영상(605)이 생성될 수 있다.Specifically, (b)
또한, 도 6의 (f)입력 영상은 도 6의 (a)입력 영상(Row)이 도출된 복수의 영상과 상이한 시점에 촬영된 다른 복수의 영상으로부터 도출된 영상일 수 있다. 도 6의 (e)Edge detection 영상과 마찬가지로, 도 6의 (f)입력 영상으로부터 CLAHE, 임계치 필터, 이진화 처리 과정, 에지 검출 과정을 거쳐, 도 6의 (j)Edge detection 영상이 생성될 수 있다.Also, the input image (f) of FIG. 6 may be an image derived from a plurality of images captured at a different time point from the plurality of images from which the input image (Row) of (a) of FIG. 6 is derived. Like the (e) edge detection image of FIG. 6, the (j) edge detection image of FIG. 6 can be generated from the (f) input image of FIG. 6 through CLAHE, threshold filter, binarization process, and edge detection process. .
도 6의 binarized 영상(604) 또는 Edge detection 영상(605)을 수정하고(예를 들어, 몰폴로지를 적용하거나 매뉴얼로 혈관 영역을 구분하여) 혈관 영역을 레이블링하여 제1 학습 모델의 학습 영상으로서 활용할 수 있다. The
도 7은 본 개시의 일 실시 예에 따른 심부 체온 추정 장치에서 사용되는 제1 학습 모델의 결과를 팬텀 실험으로 이미지 처리 방법과 비교한 결과를 보여주는 도면이다.7 is a diagram showing a result of comparing a result of a first learning model used in an apparatus for estimating core body temperature according to an embodiment of the present disclosure with an image processing method through a phantom experiment.
도 7을 참조하면, 임의의 대상체의 특정 부분이 촬영된 복수의 영상에 기반한 입력 영상(또는, 촬영된 복수의 영상)에 설정된 관심 영역(701)은 예를 들어, 256×256 픽셀 크기(702)로 다운 샘플링될 수 있다.Referring to FIG. 7 , a region of
다운 샘플링된 관심 영역은 그레이스케일 형식으로 변환될 수 있으며, 변환된 관심 영역은 정규화될 수 있다. 이때, 관심 영역 내 각 픽셀 값에서 최소값을 빼고, 최대 및 최소 픽셀 값의 차이로 나눈 후, 255를 곱하여 정규화될 수 있다.The down-sampled ROI may be converted to a grayscale format, and the converted ROI may be normalized. In this case, normalization may be performed by subtracting the minimum value from each pixel value in the region of interest, dividing by the difference between the maximum and minimum pixel values, and then multiplying by 255.
정규화된 관심 영역은 CLAHE가 적용된 후, 감마 조정을 위한 처리가 수행됨으로써, 관심 영역의 영상(703)이 처리 전 영상(704)에 비해 향상될 수 있다.After CLAHE is applied to the normalized ROI, processing for gamma adjustment is performed, so that the
향상된 영상(703)에 기반하여 생선되는 970x970 해상도의 33개의 영상 세트는 제1 학습 모델의 학습 영상으로 활용될 수 있다.A set of 33 images of 970x970 resolution generated based on the
혈관이 팽창했을 때의 입력 영상으로부터 생성된 Edge detection 영상(705)과 입력 영상에 제1 학습 모델을 적용하여 생성된 혈관 영역 영상(706)의 비교 결과(설정치 이상의 일치율)와, 혈관이 축소했을 때의 입력 영상으로부터 생성된 Edge detection 영상(707)과 입력 영상에 제1 학습 모델을 적용하여 생성된 혈관 영역 영상(708)의 비교 결과를 보면, 제1 학습 모델로부터 결정된 혈관 영상 영역이 오인 영역이 더 적음을 확인할 수 있다.The result of comparison between the
도 8은 본 개시의 일 실시 예에 따른 심부 체온 추정 장치에서 혈관 지름으로 산출하는 일례를 설명하기 위한 도면이다.8 is a diagram for explaining an example of calculating the diameter of a blood vessel in the apparatus for estimating core body temperature according to an embodiment of the present disclosure.
도 8을 참조하면, 심부 체온 추정 장치는 대상체의 특정 부분을 촬영한 영상에 기반한 입력 영상(801)에 머신 러닝 기반의 제1 학습 모델을 적용하여 혈관 영역 영상(802)을 생성한 후, 혈관 영역 영상(802)으로부터 혈관 지름을 획득할 수 있다. 여기서, 혈관 영역 영상(802)은 혈관 영역이 픽셀 별로 구분되어 표시될 수 있다. 예를 들어, 혈관 영역 영상(802)은 각 픽셀이 혈관 영역에 속할 확률 값을 가질 수 있다.Referring to FIG. 8 , the apparatus for estimating core body temperature generates a blood
구체적으로, 심부 체온 추정 장치는 혈관 영역 영상(802)에서 혈관의 길이 방향에 수직한 방향의 라인(802-1)을 미리 설정된 길이만큼 결정하고, 라인(802-1)에 포함된 픽셀 값의 변화에 기초하여 혈관 지름(예를 들어, 픽셀 값이 1 보다 작거나 특정 값 이하를 갖는 픽셀의 수)를 획득할 수 있다. 일 실시 예에서, 심부 체온 추정 장치는 라인(802-1)에 포함된 픽셀 값의 변화에서 반치전폭(full width at half maximum: FWHM) 값을 혈관 지름으로 결정할 수 있다. 제1 학습 모델에 의해 결정된 혈관 영역 영상(802) 내 (802-1)에 포함된 픽셀 값의 변화(802-2)는 입력 영상(801) 내 라인(801-1)에 포함된 픽셀 값의 변화(801-2)보다 극명하게 나타나는 것을 확인할 수 있다.Specifically, the apparatus for estimating core body temperature determines a line 802-1 in a direction perpendicular to the longitudinal direction of a blood vessel in the blood
실시예에서, 심부 체온 추정 장치는 혈관 영역 영상(802)에서 미리 설정된 길이만큼 혈관의 길이 방향을 따른 대상 영역(803, 804, 805)을 결정하고, 대상 영역(803, 804, 805)의 평균 혈관 지름을 혈관 지름으로 산출함으로써, 혈관 지름에 대한 산출 에러를 감소시킬 수 있다. 이때, 심부 체온 추정 장치는 대상 영역(803, 804, 805)에서 혈관의 길이 방향에 수직한 방향을 따라 복수의 위치(즉, 복수의 라인)에서 측정된 픽셀 값의 변화의 반치전폭 값에 기반하여 평균 혈관 지름을 산출할 수 있다.In an embodiment, the apparatus for estimating core body temperature determines
일 실시예에서, 각 대상 영역(803, 804, 805)의 제1 내지 제3 라인에서, 제1 라인에 포함된 픽셀 값의 변화의 반치전폭 값이 '12.5', 제2 라인에 포함된 픽셀 값의 변화의 반치전폭 값이 '13.75', 제3 라인에 포함된 픽셀 값의 변화의 반치전폭 값이 '11.5'일 경우, 이들의 평균 값을 혈관 지름으로서 산출할 수 있다.In one embodiment, in the first to third lines of each of the
다른 실시예에서, 심부 체온 추정 장치는 혈관 영역 영상에서 복수의 대상 영역의 평균 혈관 지름에 대한 평균을 대상체의 혈관 지름으로서 산출할 수 있다. 예를 들어, 제1 라인이 포함된 대상 영역(빨간 빗금)의 혈관 지름 분포가 평균 '12.4'이고, 제2 라인이 포함된 대상 영역(녹색 빗금)의 혈관 지름 분포가 평균 '13.6', 제3 라인이 포함된 대상 영역(주황 빗금)의 혈관 지름 분포가 평균 '11.6'인 경우, 이들의 평균을 대상체의 혈관 지름으로서 산출할 수 있다. 이 경우, 에러 값을 좀더 줄일 수 있다. In another embodiment, the apparatus for estimating core body temperature may calculate an average of average blood vessel diameters of a plurality of target regions in the blood vessel region image as the diameter of a blood vessel of the object. For example, the average blood vessel diameter distribution of the target region (red hatched line) including the first line is '12.4', and the average blood vessel diameter distribution of the target region (green hatched line) including the second line is '13.6'. When the average distribution of blood vessel diameters in the target region (orange hatched lines) including the 3 lines is '11.6', the average of these distributions may be calculated as the diameter of the blood vessel of the object. In this case, the error value can be further reduced.
도 9는 본 개시의 일 실시 예에 따른 심부 체온 추정 방법을 도시한 흐름도이다.9 is a flowchart illustrating a method for estimating core body temperature according to an embodiment of the present disclosure.
도 9를 참조하면, 단계 S901에서, 심부 체온 추정 장치는 대상체의 피부 온도, 심장 박동수 및 혈관 지름을 획득할 수 있다.Referring to FIG. 9 , in step S901, the apparatus for estimating core body temperature may obtain the skin temperature, heart rate, and diameter of blood vessels of the object.
여기서, 심부 체온 추정 장치는 온도 센서를 통해, 대상체의 피부 온도를 획득할 수 있다. 심부 체온 추정 장치는 심박 센서를 통해, 대상체의 심장 박동수를 측정할 수 있다.Here, the core body temperature estimating device may obtain the skin temperature of the object through the temperature sensor. The core body temperature estimating device may measure the heart rate of the object through the heart rate sensor.
또한, 심부 체온 추정 장치는 카메라 센서를 통해, 미리 설정된 주기마다 대상체의 특정 부분(혈관을 포함하는 부분)을 촬영하여 영상을 획득하고, 영상으로부터 혈관 지름을 획득할 수 있다. 이때, 심부 체온 추정 장치는 메모리에 저장된 제1 학습 모델을 이용하여 혈관 영역이 표시된 영상을 획득하고, 혈관 영역이 표시된 영상에서 혈관 지름을 산출할 수 있다.Also, the apparatus for estimating core body temperature may obtain an image by capturing a specific part (part including a blood vessel) of the object at predetermined intervals through a camera sensor, and obtain a blood vessel diameter from the image. In this case, the apparatus for estimating core body temperature may obtain an image in which the blood vessel region is displayed by using the first learning model stored in the memory, and calculate a blood vessel diameter from the image in which the blood vessel region is displayed.
구체적으로, 심부 체온 추정 장치는 카메라 센서에 의해 획득한 복수의 영상에 기반한 입력 영상에 머신 러닝 기반의 제1 학습 모델을 적용하여 혈관 영역 영상을 생성할 수 있다. 여기서, 제1 학습 모델은, 대상체의 혈관 여부(확률일 수 있다)가 픽셀 별로 레이블링된 학습 영상에 기반하여 입력된 영상에서 혈관 영역을 픽셀 별로 판단한 혈관 영역 영상을 생성하도록 미리 학습될 수 있다. 또한, 제1 학습 모델은 상기 카메라 센서에 의해 획득한 복수의 영상들 각각에 설정된 관심 영역들의 픽셀 값을 그레이스케일 형식으로 변환하고, 변환된 관심 영역들을 정규화하고, 정규화된 관심 영역들에 CLAHE(Contrast limited adaptive histogram equalization)을 적용하고, CLAHE가 적용된 관심 영역들에 감마 조정을 위한 처리를 수행하여 생성된 영상을 픽셀 별로 혈관 영역 여부를 레이블링한 학습 영상을 출력으로 하여 훈련된 학습 모델일 수 있다.Specifically, the apparatus for estimating core body temperature may generate a blood vessel region image by applying a first learning model based on machine learning to an input image based on a plurality of images acquired by a camera sensor. Here, the first learning model may be pre-learned to generate a blood vessel region image in which blood vessel regions are determined for each pixel in an input image based on a learning image labeled for each pixel whether or not the object has blood vessels (which may be a probability). In addition, the first learning model converts pixel values of regions of interest set in each of a plurality of images acquired by the camera sensor into a gray scale format, normalizes the transformed regions of interest, and assigns CLAHE (CLAHE) to the normalized regions of interest. Contrast limited adaptive histogram equalization) is applied, and processing for gamma adjustment is performed on regions of interest to which CLAHE is applied. It may be a learning model trained by outputting a training image in which the vessel region is labeled for each pixel. .
심부 체온 추정 장치는 혈관 영역 영상이 생성되면, 미리 설정된 길이만큼 혈관의 길이 방향을 따른 대상 영역을 결정하고, 대상 영역의 평균 혈관 지름을 혈관 지름으로 산출할 수 있다. 이때, 심부 체온 추정 장치는 대상 영역에서 혈관의 길이 방향에 수직한 방향을 따라 복수의 위치에서 측정된 픽셀 값의 변화의 반치전폭(full width at half maximum: FWHM) 값에 기반하여 평균 혈관 지름을 산출할 수 있다.When the blood vessel region image is generated, the apparatus for estimating core body temperature may determine a target region along a longitudinal direction of the blood vessel by a preset length, and calculate an average blood vessel diameter of the target region as the blood vessel diameter. In this case, the apparatus for estimating core body temperature calculates an average blood vessel diameter based on a full width at half maximum (FWHM) value of changes in pixel values measured at a plurality of locations along a direction perpendicular to the longitudinal direction of blood vessels in the target region. can be calculated
단계 S902에서, 심부 체온 추정 장치는 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 기초하여 대상체의 심부 체온을 추정할 수 있다. 이때, 심부 체온 추정 장치는 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 메모리에 저장된 머신 러닝 기반의 제2 학습 모델을 적용하여 대상체의 심부 체온을 추정할 수 있다. 여기서, 제2 학습 모델은 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 레이블링된 대상체의 심부 온도에 기반하여, 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 대응하는 대상체의 심부 체온을 추정하도록 미리 학습될 수 있다.In step S902, the core body temperature estimating apparatus may estimate the core body temperature of the object based on the skin temperature, heart rate, and blood vessel diameter of the object. In this case, the core body temperature estimating apparatus may estimate the core body temperature of the object by applying the machine learning-based second learning model stored in the memory to the skin temperature, heart rate, and blood vessel diameter of the object. Here, the second learning model is trained in advance to estimate the object's core temperature corresponding to the object's skin temperature, heart rate, and blood vessel diameter based on the object's core temperature labeled with the object's skin temperature, heart rate, and blood vessel diameter. It can be.
실시예에서, 제2 학습 모델은 나이에 따라 서로 다른 데이터로 학습된 복수의 학습 모델일 수 있으며, 심부 체온 추정 장치는 대상체의 나이를 입력 받고, 입력 받은 대상체의 나이에 기반하여 제2 학습 모델을 결정함으로써, 나이에 기초하여 심부 체온을 보다 정확하게 추정할 수 있다.In an embodiment, the second learning model may be a plurality of learning models learned with different data according to age, and the apparatus for estimating core body temperature receives the age of the object, and the second learning model is based on the received age of the object. By determining the core body temperature based on the age, it is possible to more accurately estimate the core body temperature.
다른 실시예에서, 심부 체온 추정 장치는 제2 학습 모델 외에, 미리 설정된 심부 체온 추정 테이블에 기초하여 대상체의 심부 체온을 추정할 수 있다. 예를 들어, 심부 체온 추정 장치는 획득한 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 대응하는 심부 체온을 심부 체온 추정 테이블에서 검색하여 추정할 수 있다. 이때, 심부 체온 추정 장치는 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 대해, 대상체의 키, 몸무게, 성별 및 나이 중 적어도 어느 하나에 기반한 가중치를 각각 부여하고, 가중치에 기초하여 대상체의 심부 체온을 추정할 수 있다.In another embodiment, the core body temperature estimating apparatus may estimate the core body temperature of the object based on a preset core body temperature estimation table in addition to the second learning model. For example, the core body temperature estimating apparatus may retrieve and estimate the core body temperature corresponding to the acquired skin temperature, heart rate, and blood vessel diameter of the object from a core body temperature estimation table. In this case, the apparatus for estimating core body temperature assigns weights based on at least one of the height, weight, gender, and age of the object to the skin temperature, heart rate, and blood vessel diameter of the object, respectively, and calculates the core body temperature of the object based on the weights. can be estimated
단계 S903에서, 심부 체온 추정 장치는 추정된 대상체의 심부 체온에 기초하여 주변 환경을 제어할 수 있다. 예를 들어, 심부 체온 추정 장치는 추정된 대상체의 심부 체온이 미리 설정된 임계치 범위를 벗어나는 것으로 판단되는 경우, 대상체를 기준으로 설정된 공간 범위에 위치하는 냉난방 제어 시스템으로 온도 제어 명령을 발송함으로써, 대상체의 심부 체온을 일정하게 유지할 수 있게 한다.In step S903, the apparatus for estimating core body temperature may control the surrounding environment based on the estimated core body temperature of the object. For example, when it is determined that the estimated core body temperature of the object is out of a preset threshold range, the core body temperature estimating apparatus transmits a temperature control command to a cooling/heating control system located in a space range set with respect to the object, thereby controlling the temperature of the object. It helps to maintain a constant core body temperature.
전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 각 장치의 프로세서를 포함할 수도 있다.The present disclosure described above can be implemented as computer readable codes in a medium on which a program is recorded. The computer-readable medium includes all types of recording devices in which data that can be read by a computer system is stored. Examples of computer-readable media include Hard Disk Drive (HDD), Solid State Disk (SSD), Silicon Disk Drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, etc. there is Also, the computer may include a processor of each device.
한편, 상기 프로그램은 본 개시를 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수 있다. 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.On the other hand, the program may be specially designed and configured for the present disclosure, or may be known and usable to those skilled in the art in the field of computer software. Examples of programs may include not only machine language codes generated by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like.
본 개시의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 개시에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. In the specification of the present disclosure (particularly in the claims), the use of the term "above" and similar indicating terms may correspond to both singular and plural. In addition, when a range is described in the present disclosure, as including the invention to which individual values belonging to the range are applied (unless otherwise stated), each individual value constituting the range is described in the detailed description of the invention Same as
본 개시에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다. 본 개시에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 개시를 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 개시의 범위가 한정되는 것은 아니다. 또한, 통상의 기술자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 인자(factor)에 따라 구성될 수 있음을 알 수 있다.Unless an order is explicitly stated or stated to the contrary for steps comprising a method according to the present disclosure, the steps may be performed in any suitable order. The present disclosure is not necessarily limited to the order of description of the steps. The use of all examples or exemplary terms (eg, etc.) in this disclosure is simply to explain the present disclosure in detail, and the scope of the present disclosure is limited due to the examples or exemplary terms unless limited by the claims. it is not going to be In addition, those skilled in the art can appreciate that various modifications, combinations and changes can be made according to design conditions and factors within the scope of the appended claims or equivalents thereof.
따라서, 본 개시의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 개시의 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present disclosure should not be limited to the above-described embodiments, and not only the claims to be described later, but also all ranges equivalent to or equivalent to these claims are within the scope of the spirit of the present disclosure. will be said to belong to
100: 심부 체온 추정 장치
110: 센서
120: 프로세서
130: 메모리
140: 연결부100: core body temperature estimation device
110: sensor
120: processor
130: memory
140: connection part
Claims (12)
상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,
상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서로 하여금, 대상체의 피부 온도, 심장 박동수 및 혈관 지름에 기초하여 상기 대상체의 심부 체온을 추정하도록 야기하는 코드를 저장하는,
심부 체온 추정 장치.processor; and
a memory operatively connected to the processor and storing at least one code executed by the processor;
wherein the memory stores code that, when executed by the processor, causes the processor to estimate the core body temperature of the object based on the skin temperature, heart rate, and blood vessel diameter of the object;
A device for estimating core body temperature.
상기 메모리는 상기 프로세서로 하여금,
상기 카메라 센서에 의해 획득한 영상에 기반한 입력 영상에 머신 러닝 기반의 제1 학습 모델을 적용하여 영상의 각 픽셀이 혈관 여부와 관련된 값으로 구성된 혈관 영역 영상을 생성하도록 야기하는 코드를 저장하는,
심부 체온 추정 장치.According to claim 1,
The memory causes the processor to:
Stores a code that causes a blood vessel region image to be generated by applying a machine learning-based first learning model to an input image based on an image obtained by the camera sensor to generate a blood vessel region image composed of values related to whether or not each pixel of the image has a blood vessel.
A device for estimating core body temperature.
상기 제1 학습 모델은,
대상체의 혈관 여부가 픽셀 별로 레이블링된 학습 영상에 기반하여 입력된 영상에서 혈관 영역을 픽셀 별로 판단한 상기 혈관 영역 영상을 생성하도록 미리 학습된,
심부 체온 추정 장치.According to claim 2,
The first learning model,
Whether or not the object is a blood vessel is pre-learned to generate the blood vessel region image by determining the blood vessel region for each pixel in the input image based on the learning image labeled for each pixel.
A device for estimating core body temperature.
상기 제1 학습 모델은 상기 카메라 센서에 의해 획득한 복수의 영상들 각각에 설정된 관심 영역들의 픽셀 값을 그레이스케일 형식으로 변환하고, 상기 변환된 관심 영역들을 정규화하고, 상기 정규화된 관심 영역들에 CLAHE(Contrast limited adaptive histogram equalization)을 적용하고, 상기 CLAHE가 적용된 관심 영역들에 감마 조정을 위한 처리를 수행하여 생성된 학습 영상을 입력으로 하고 대상체의 혈관 여부가 픽셀 별로 레이블링된 상기 학습 영상을 출력으로 하여 훈련된 학습 모델인,
심부 체온 추정 장치.According to claim 3,
The first learning model converts pixel values of regions of interest set in each of a plurality of images acquired by the camera sensor into a gray scale format, normalizes the converted regions of interest, and CLAHEs the normalized regions of interest. (Contrast limited adaptive histogram equalization) is applied, and the training image generated by performing gamma adjustment processing on the regions of interest to which the CLAHE is applied is used as an input, and the training image labeled for each pixel of whether or not the object has blood vessels is output. A learning model trained by
A device for estimating core body temperature.
상기 메모리는 상기 프로세서로 하여금,
상기 혈관 영역 영상에서 미리 설정된 길이만큼 혈관의 길이 방향을 따른 대상 영역을 결정하고, 상기 대상 영역의 평균 혈관 지름을 상기 혈관 지름으로 산출하도록 야기하는 코드를 더 저장하는,
심부 체온 추정 장치.According to claim 2,
The memory causes the processor to:
further storing code that causes a target region along a longitudinal direction of a blood vessel to be determined by a predetermined length in the blood vessel region image and an average blood vessel diameter of the target region to be calculated as the blood vessel diameter;
A device for estimating core body temperature.
상기 메모리는 상기 프로세서로 하여금,
상기 대상 영역에서 혈관의 길이 방향에 수직한 방향을 따라 복수의 위치에서 측정된 픽셀 값의 변화의 반치전폭(full width at half maximum: FWHM) 값에 기반하여 상기 평균 혈관 지름을 산출하도록 야기하는 코드를 더 저장하는,
심부 체온 추정 장치.According to claim 5,
The memory causes the processor to:
Code causing the average blood vessel diameter to be calculated based on a full width at half maximum (FWHM) value of a change in pixel values measured at a plurality of positions along a direction perpendicular to the longitudinal direction of the blood vessel in the target region. to save more
A device for estimating core body temperature.
상기 메모리는 상기 프로세서로 하여금,
상기 대상체의 상기 피부 온도를 측정하는 온도 센서 및 상기 대상체의 상기 심장 박동수를 측정하는 심박 센서로부터 상기 피부 온도 및 상기 심장 박동수를 수신하도록 야기하는 코드를 저장하는,
심부 체온 추정 장치.According to claim 1,
The memory causes the processor to:
storing a code causing the skin temperature and the heart rate to be received from a temperature sensor for measuring the skin temperature of the object and a heart rate sensor for measuring the heart rate of the object;
A device for estimating core body temperature.
상기 메모리는 상기 프로세서로 하여금,
대상체의 상기 피부 온도, 상기 심장 박동수 및 상기 혈관 지름에 머신 러닝 기반의 제2 학습 모델을 적용하여 상기 대상체의 심부 체온을 추정하도록 야기하는 코드를 저장하는,
심부 체온 추정 장치.According to claim 1,
The memory causes the processor to:
storing a code that causes a core body temperature of the object to be estimated by applying a machine learning-based second learning model to the skin temperature, heart rate, and blood vessel diameter of the object;
A device for estimating core body temperature.
상기 제2 학습 모델은 나이에 따라 서로 다른 데이터로 학습된 복수의 학습 모델이고,
상기 메모리는 상기 프로세서로 하여금,
상기 대상체의 나이를 입력 받고, 입력 받은 상기 대상체의 나이에 기반하여 상기 제2 학습 모델을 결정하도록 야기하는 코드를 저장하는,
심부 체온 추정 장치.According to claim 8,
The second learning model is a plurality of learning models learned with different data according to age,
The memory causes the processor to:
For receiving the age of the object and storing a code that causes the second learning model to be determined based on the received age of the object,
A device for estimating core body temperature.
상기 메모리는 상기 프로세서로 하여금,
상기 피부 온도, 상기 심장 박동수 및 상기 혈관 지름에 대해, 상기 대상체의 키, 몸무게, 성별 및 나이 중 적어도 어느 하나에 기반한 가중치를 각각 부여하고, 상기 가중치에 기초하여 상기 대상체의 심부 체온을 추정하도록 야기하는 코드를 저장하는,
심부 체온 추정 장치.According to claim 1,
The memory causes the processor to:
Weights based on at least one of the height, weight, sex, and age of the object are assigned to the skin temperature, the heart rate, and the blood vessel diameter, respectively, and the core body temperature of the object is estimated based on the weights. to save the code,
A device for estimating core body temperature.
상기 메모리는 상기 프로세서로 하여금,
상기 추정된 대상체의 심부 체온이 미리 설정된 임계치 범위를 벗어나는 것으로 판단되는 경우, 상기 대상체를 기준으로 설정된 공간 범위에 위치하는 냉난방 제어 시스템으로 온도 제어 명령을 발송하도록 야기하는 코드를 저장하는,
심부 체온 추정 장치.According to claim 1,
The memory causes the processor to:
When it is determined that the estimated core body temperature of the object is outside a preset threshold range, a code causing a temperature control command to be sent to a heating/cooling control system located in a space range set based on the object is stored,
A device for estimating core body temperature.
대상체의 상기 피부 온도, 상기 심장 박동수 및 상기 혈관 지름에 기초하여 상기 대상체의 심부 체온을 추정하는 단계를 포함하는,
심부 체온 추정 방법.obtaining a skin temperature, heart rate, and blood vessel diameter of the subject; and
Estimating the core body temperature of the object based on the skin temperature, heart rate, and blood vessel diameter of the object,
A method for estimating core body temperature.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210146549A KR102626956B1 (en) | 2021-10-29 | 2021-10-29 | Core body temperature estimation apparatus and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210146549A KR102626956B1 (en) | 2021-10-29 | 2021-10-29 | Core body temperature estimation apparatus and method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230061866A true KR20230061866A (en) | 2023-05-09 |
| KR102626956B1 KR102626956B1 (en) | 2024-01-18 |
Family
ID=86408333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210146549A KR102626956B1 (en) | 2021-10-29 | 2021-10-29 | Core body temperature estimation apparatus and method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102626956B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280331A1 (en) * | 2007-11-28 | 2010-11-04 | Department Of The Navy | Method and apparatus for non-invasively estimating body core temperature |
| JP2020162952A (en) * | 2019-03-29 | 2020-10-08 | 学校法人産業医科大学 | Deep body temperature estimation device, method, and program |
| KR20210006073A (en) | 2019-07-08 | 2021-01-18 | (주)유니텍 | Non-invasive type core body temperature thermometer for smart monitoring |
-
2021
- 2021-10-29 KR KR1020210146549A patent/KR102626956B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280331A1 (en) * | 2007-11-28 | 2010-11-04 | Department Of The Navy | Method and apparatus for non-invasively estimating body core temperature |
| JP2020162952A (en) * | 2019-03-29 | 2020-10-08 | 学校法人産業医科大学 | Deep body temperature estimation device, method, and program |
| KR20210006073A (en) | 2019-07-08 | 2021-01-18 | (주)유니텍 | Non-invasive type core body temperature thermometer for smart monitoring |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102626956B1 (en) | 2024-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109890274B (en) | Apparatus, system and method for determining a core body temperature of a subject | |
| US9848780B1 (en) | Assessing cardiovascular function using an optical sensor | |
| JP6371837B2 (en) | Devices and methods for obtaining vital signs of subjects | |
| RU2691928C2 (en) | Apparatus and method for determining vital sign information from subject | |
| US20210401332A1 (en) | Self-monitoring and care assistant for achieving glycemic goals | |
| CN107205663A (en) | Equipment, system and method for skin detection | |
| US20210113093A1 (en) | Blood pressure estimation system, blood pressure estimation method, learning method, and program | |
| JP7131709B2 (en) | Estimation device, method and program | |
| KR102626956B1 (en) | Core body temperature estimation apparatus and method | |
| WO2019186955A1 (en) | Biological information estimation device, biological information estimation method, and biological information estimation program | |
| Bajraktari et al. | Methods of Contactless Blood Pressure Measurement: A Systematic Review | |
| US20220104715A1 (en) | Blood-pressure measurement device, model setting device, and blood-pressure measurement method | |
| US10251564B2 (en) | Thermal patient signal analysis | |
| Aario et al. | Respiratory Pattern Recognition from Low-Resolution Thermal Imaging. | |
| Lee et al. | Video-based bio-signal measurements for a mobile healthcare system | |
| Hessler et al. | A non-contact method for extracting heart and respiration rates | |
| CN113397516B (en) | Newborn-oriented visual heart rate estimation method, device and system | |
| US20230293113A1 (en) | System and method of estimating vital signs of user using artificial intelligence | |
| EP4094696A1 (en) | Noninvasive measurement of left ventricular compliance | |
| KR102608205B1 (en) | Dementia related information generation method using volume predicted from 2-dimensional magnetic resonance imaging and analysis apparatus | |
| KR20230081689A (en) | Heart Rate Estimation Method Using video-based physiological signal | |
| Ma | Towards a Contactless Vital Sign System | |
| Trirongjitmoah et al. | Assessing heart rate and blood pressure estimation from image photoplethysmography using a digital blood pressure meter | |
| Chen et al. | Non-contact blood pressure measurement based on pulse transit time | |
| Lai et al. | IoB-Enhanced Deep Learning for Non-specific Thermal Respiratory Rate Monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |