KR20230070721A

KR20230070721A - 혈류 바이오마커 기반의 이비인후과 질환 분석 및 예측 장치

Info

Publication number: KR20230070721A
Application number: KR1020210156593A
Authority: KR
Inventors: 김영호; 신일형
Original assignee: 서울대학교병원; 인더스마트 주식회사
Priority date: 2021-11-15
Filing date: 2021-11-15
Publication date: 2023-05-23

Abstract

본 실시예에 따른 혈류 바이오마크 기반 이비인후과 질환 분석 장치는 피검자의 좌, 우 경동맥 혹은 경정맥에 각각 부착되어 발생된 제1 및 제2생체 신호를 각각 측정하기 위한 제1 및 제2 센서 및 제1생체 신호와 상기 제2생체 신호 차이를 비교하는 제어부를 포함하고, 본 실시예로 따른 혈류 바이오마크 기반 이비인후과 질환 예측 장치는 프로세서 및 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는 피검자의 좌, 우측 혈관으로부터 각각 측정된 제1생체 신호 이미지와 제2생체 신호 이미지를 오버랩하여 제3생체 신호 이미지를 생성하고, 기계학습모델에 기초하여 상기 제3생체 신호 이미지의 속성정보를 추출한다.

Description

혈류 바이오마커 기반의 이비인후과 질환 분석 및 예측 장치 {Prediction And Analysis Apparatus Of Otorhinolaryngological Disease Based On Blood Flow Biomarker}

본 발명은 혈류 바이오마커를 기반으로 귀, 코, 목(구강, 인후두, 기관, 식도, 갑상선) 등과 같은 이비인후과 질환을 예측 및 진단할 수 있는 장치 및 방법에 관한 것으로, 더욱 자세하게는 혈류 바이오마커를 기반으로 박동성 이명과 같은 이명 진단뿐 만 아니라 수면 무호흡증이나 코골이와 같은 코질환을 예측 및 진단할 수 있는 장치 및 방법에 관한 것이다.

인체에서 혈관을 통해 지나가는 혈류의 측정은 건강상태를 체크할 수 있는 건강지표 중 하나로 혈관 속 혈류속도나 맥박, 압력상태 등을 체크하여 인체의 특정질환을 예측 및 진단할 수 있다. 대표적으로, 심근경색 및 협심증을 일으킬 수 있는 관상동맥 질환, 뇌졸중, 뇌경색, 뇌출혈을 일으킬 수 있는 뇌동맥류 같은 뇌혈관 질환, 하지 정맥류, 장골동맥 협착증 등을 일으킬 수 있는 말초혈관 질환 등이 혈류측정에 의한 질병의 예측 및 진단 대상이다.

이러한 방식의 질환 예측은 대부분 혈관 문제와 직접적인 관련이 되는 질환 자체에 국한되어 있어 이와는 다르게 혈관 상태의 변화에 의한 이차적 질환들의 예측 및 진단은 다른 방법으로 연구 및 개발의 필요성이 있다.

일례로, 이명(tinnitus)은 외부의 청각적 자극이 없는 상태에서 소리를 인지하는 증상으로, 감각기관 질환 중 가장 흔한 질환의 하나이다. 이명은 환자가 인지하는 소리의 특성에 따라, 박동성(pulsatile) 및 비박동성(nonpulsatile)으로 분류되는데, 이 중 박동성 이명은 본인의 맥박과 동조되는 '심장이 뛰는 소리'로 표현되는 소리를 인지하는 증상으로서, 상당수의 환자들에서 동맥 혹은 정맥 등 혈관계의 이상에 기인한다. 또한, 철결핍성 빈혈(iron deficiency anemia)이나 자궁 내 근종(uterine myoma)의 출혈에 따른 빈혈에 의한 혈류역학적(hemodynamic) 이상이 동반되는 경우에도 박동성 이명을 경험하게 되는데 이러한 신체이상이 교정되는 경우 이명은 소실될 수 있다. 이처럼, 혈류정보와 상기한 질병과의 연관성 및 진단적 의미를 확인하면 임상적으로 중요한 가치를 가질 수 있다.

대한민국 공개특허공보 10-2009-0079006 (2009년 07월 21)

본 발명의 일 실시예는 혈관에서 생성된 생체 신호를 활용하여 이비인후과 질환들을 진단할 수 있는 혈류 바이오마커 기반 질환 분석장치 및 방법을 제공하고자 한다.

또한, 본 발명의 일 실시예는 생체 신호에 대해 기계 학습모델을 이용하여 이비인후과 질환 및 뇌질환 등을 예측할 수 있는 혈류 바이오마커 기반 질환 예측장치 및 방법을 제공하고자 한다.

본 출원의 과제는 이상에서 언급한 과제로 제한되지 않으며, 언급되지 않는 또 다른 과제는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일측면에 따른 혈류 바이오마크 기반 이비인후과 질환 분석 장치는 피검자의 좌, 우 경동맥 혹은 경정맥에 각각 부착되어 발생된 제1 및 제2생체 신호를 각각 측정하기 위한 제1 및 제2 센서 및 제1생체 신호와 상기 제2생체 신호 차이를 비교하는 제어부를 포함한다.

실시예로, 제1 및 제2생체 신호는 초음파에 의해 발생된 신호일 수 있고, 초음파는 다양한 주파수 갖고 상기 피검자의 좌, 우 경동맥 혹은 경정맥에 조사될 수 있다.

실시예로, 제어부는 피검자의 신체정보를 반영하여 상기 제1 및 제2생체 신호차이를 비교할 수 있다.

본 발명의 다른 측면에 따른 혈류 바이오마크 기반 이비인후과 질환 예측 장치는 프로세서 및 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는 피검자의 좌, 우측 혈관으로부터 각각 측정된 제1생체 신호 이미지와 제2생체 신호 이미지를 오버랩하여 제3생체 신호 이미지를 생성하고, 기계학습모델에 기초하여 상기 제3생체 신호 이미지의 속성정보를 추출한다.

실시예로, 속성정보는 상기 제3생체 신호 이미지내의 펄스에서 인식되는 불규칙한 이상신호 정보일 수 있다.

본 발명의 또 다른 측면에 따른 혈류 바이오마크 기반 이비인후과 질환 예측 장치는 프로세서; 및 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는, 피검자의 좌, 우측 혈관으로부터 각각 측정된 제1생체 신호 이미지와 제2생체 신호 이미지를 오버랩하여 제3생체 신호 이미지를 생성하고, 기계학습모델에 기초하여 상기 제1생체 신호 이미지 혹은 상기 제2생체 신호 이미지의 제1 속성정보 및 상기 제3생체 신호 이미지의 제2 속성정보를 추출한다.

실시예로, 제1 속성정보는 상기 제1 또는 제2생체 신호 이미지내의 펄스에서 인식되는 불규칙한 이상신호 정보이고, 상기 제2속성정보는 상기 제3생체 신호 이미지내에서 인식되는 펄스가 상기 제1생체 신호 이미지 혹은 상기 제2생체 신호 이미지내에서 인식되는 펄스와 일치하지 않은 이상신호 정보일 수 있다.

본 발명의 실시예는 혈관으로부터 생성된 혈류 정보인 생체 신호 데이터와 기계 학습모델을 이용하여 관련 질환들의 연관성 및 질환을 분석 및 예측할 수 있는 효과가 있다.

본 출원의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않는 또 다른 효과는 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 제1실시예에 따른 질환 분석장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 제1실시예에 따른 신호 분석부의 생체 신호 분석방법을 설명하기 위한 블록도이다.
도 3은 본 발명의 제2실시예에 따른 질환 분석장치의 구성을 나타낸 블록도이다.
도 4는 제2실시예에 따른 신호 분석부의 생체 신호 분석방법을 설명하기 위한 블록도이다.
도 5는 본 발명의 제3실시예에 따른 질환 분석장치의 구성을 나타낸 블록도이다.
도 6은 본 발명의 제3실시예에 따른 신호 분석부의 생체 신호 분석방법을 설명하기 위한 블록도이다.
도 7은 본 발명에 따른 질환 분석장치의 동작을 설명하기 위한 개략도이다.
도 8은 본 발명의 일실시예에 따른 질환 예측 장치의 예시적 구성을 개략적으로 나타낸 도이다.
도 9는 본 발명의 일 실시예에 따른 질환 예측 시스템을 개략적으로 나타낸 도이다.
도 10은 본 발명의 일 실시예에 따른 질환 예측을 위한 프로세서의 블록도를 나타낸 도이다.
도 11은 본 발명의 다른 실시예에 따른 컴퓨팅 장치에 의해 생체 신호 이미지의 속성정보를 추출하는 과정을 예시적으로 나타낸 도이다.

이하 본 발명의 실시예에 대하여 첨부한 도면을 참조하여 상세하게 설명하기로 한다. 다만, 첨부된 도면은 본 발명의 내용을 보다 쉽게 개시하기 위하여 설명되는 것일 뿐, 본 발명의 범위가 첨부된 도면의 범위로 한정되는 것이 아님은 이 기술분야의 통상의 지식을 가진 자라면 용이하게 알 수 있을 것이다.

또한, 본 발명의 상세한 설명 및 청구항들에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

본 발명의 상세한 설명 및 청구항들에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 발명의 상세한 설명 및 청구항들에서, "학습", 혹은 "러닝" 등의 용어는 절차에 따른 컴퓨팅(computing)을 통하여 기계학습(machine learning)을 수행함을 일컫는 용어인바, 인간의 교육활동과 같은 정신적 작용을 지칭하도록 의도된 것이 아닌 것으로 이해되어야 한다.

본 발명의 상세한 설명 및 청구항들에서 사용한 "이미지"의 용어는 사람 또는 사물의 형태 또는 그의 구체적인 특성을 디지털 형태로 복제 또는 모방한 것으로 정의될 수 있고, 이미지는 JPEG 이미지, PNG 이미지, GIF 이미지, TIFF 이미지 또는 당 업계에 알려진 임의의 다른 디지털 이미지 형식 일 수 있지만 이에 제한되지는 않는다. 또한, "이미지"는 "사진"과 같은 의미로 사용될 수 있다.

본 발명의 상세한 설명 침 청구항들에서 사용한 "속성"은 이미지 데이터 내에서 인식될 수 있는 대상체의 라벨 혹은 변위를 인식할 수 있는 대상체의 하나 이상의 설명적 특성의 그룹으로 정의될 수 있고, "속성"은 숫자적 특징으로 표현될 수 있다.

더욱이 본 발명은 본 발명의 상세한 설명에 표시된 실시예들의 모든 가능한 조합들을 망라한다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 사상 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 사상 및 범위를 벗어나 지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하에서는 도면을 참조하여 본 발명의 실시 예에 따른질환 분석장치 및 방법을 설명한다.

도 1은 본 발명의 제1실시예에 따른 질환 분석장치의 구성을 나타낸 블록도이다.

도 1를 참조하면, 질환 분석장치(100)는 몸체부(10), 바이오센서부(20), 제어부(30)를 포함한다.

몸체부(10)는 피검자의 소정 부위 예를들어, 목 주변의 경동맥(carotid artery), 경정맥(carotid vein), 척추동맥(vertebral artery) 영역 등에 밀착하여 바이오센서를 지지할 수 있는 넥밴드 형상으로 이루어질 수 있고, 피검자의 인체 부위에 따라 접하여 바이오센서를 효율적으로 지지할 수 있는 다양한 형상을 가질 수 있다.

바이오센서부(20)는 피검자의 인체부위에 접촉하여 인체의 소정부위로부터 다양한 생체 신호(예, 맥파)를 이용하여 혈류 속도, 혈압, 혈류 변화량 등을 감지한다. 바이오센서부(20)는 하나 이상의 초음파, 광, 압력을 이용한 센서를 포함할 수 있고, 예를들어, 초음파 센서(Ultrasonic sensor), PPG(Photoplethysmography, 광전용적맥파) 센서 등을 포함할 수 있다.

제어부(30)는 몸체부(1) 및 바이오센서부(20)와 전기 및 기구적으로 커플링되어 전기적 신호를 자동으로 프로세싱 하는 프로세싱 모듈일수 있고, CPU, AP(Application Processor), 마이크로 컨트롤러 등일 있으나 이에 한정되는 것은 아니다. 또한, 제어부(30)는 몸체부, 외부 기기와 유, 무선적으로 통신함과 동시에 바이오센서부(20)에서 검출된 전기적 신호에 대해 신호처리를 수행한다. 제어부(30)는 신호 증폭부(Signal amplifying Unit, 31), 필터링부(Filtering Unit, 33), 아날로로그/디지털(A/D) 변환부(A/D converting Unit, 35), 신호 분석부(Signall analysor, 37), 신호 저장부(Signal storage, 37a), 정보 저장부(Information storage, 37b), 및 통신 인터페이스부(Interface Unit, 39)를 포함할 수 있다.

신호 증폭부(31)는 계측 증폭기 (instrumental amplifier)등을 이용하여 바이오센서부(20)에서 감지한 생체 신호들을 증폭할 수 있다.

필터링부(33)는 신호 증폭부(31)에서 증폭된 생체 신호중에서 불필요한 성분, 예컨데 노이즈 성분을 필터링할 수 있다. 필터링된 생체 신호는 디지털 신호로 변환하기 위해 아날로그/디지털 변환부(35)에 의해 디지털 생체 신호로 변환될 수 있다.

신호 분석부(37)는 디지털 이미징 프로세서로써, 디지털 생체 신호를 분석하여 이명, 코골이와 같은 이비인후과 질환을 진단하고, 더하여 뇌나 목의 신경질환을 진단할 수 있는 데이터를 추출할 수 있다. 이에 대한 구체적인 분석 방법에 대해선 후술하기로 한다.

신호 저장부(36)는 신호 분석부(37)에서 분석하여 추출된 디지털 생체 신호를 저장하고, 의학적 질환에 있어서 정상군 혹은 비정상군에 속하는 생체 신호에 따른 표준 정보가 미리 설정 및 저장될 수 있다.

정보 저장부(38)는 입력기기를 이용하여 피검자의 신체정보를 입력할 수 있다. 예를들어, 정보 저장부(38)는 피검자의 나이, 성별, 신장, 몸무게 등과 같은 신체 정보가 저장될 수 있다. 또한, 피검자의 신체정보에 따른 의학적 표준 생체 신호 데이터가 저장될 수 있다.

인터페이스부(39)는 유, 무선 통신 인터페이스로써, 도 7에 도시된 바와 같이, 신호 분석부(37)에서 분석된 디지털 생체 신호 분석 결과를 외부의 장치, 예컨대 피검자의 PC, 노트북, PDA 또는 이동통신 단말기 등으로 전송할 수 있다. 이는 유비쿼터스 의료 환경과 관련하여 피검자가 자신의 건강 상태를 주기적으로 측정하여 외부의 전문가인 의사의 검진 또는 전문 분석 프로그램에 의한 진단을 수행할 수 있도록 할 수 있다.

한편, 일실시예로, 바이오센서부(20)가 도플러 초음파와 같은 초음파 센서를 이용하여 생체 신호(예, 혈류 파형)를 측정할 경우, 예를들어, 제어부(30)는 다음과 같은 방법으로 동작될 수 있다. 먼저, 초음파 센서에서 송출한 도플러를 수신하고, 수신된 도플러에 대한 주파수 중에서 고주파 및 저주파 노이즈를 교번으로 제거하는 동안 주파수를 증폭시킬 수 있다. 이후, 노이즈가 제거된 주파수의 대역을 Mhz에서 Khz로 감소시키고, 감소된 주파수를 전압값으로 변환시켜 얻은 오디오 주파수를 거르는 필터링 및 연산을 실행할 수 있다. 이후, 양질의 오디오로 변환된 아날로그 주파수를 디지털화 시키고, 디지털화된 생체 신호 정보(예, 혈류 정보)를 비교 분석하여 출력하고, 분석된 생체 신호 정보를 저장한 후, 출력회로를 통해 생체 신호 정보를 출력할 수 있다.

도 2는 본 발명의 제1실시예에 따른 신호 분석부의 생체 신호 분석방법을 설명하기 위한 블록도이다.

도시된 바와 같이, 신호 분석부(37)는 연산부(Calculating Unit, 37a)와 비교부(Comparing Unit, 37b)를 포함할 수 있다. 신호 분석부(37)는 피검자의 생체 신호가 입력되면, 내부에 포함된 연산부(37a)가 생체 신호를 신호 처리하여 디지털 수치값으로 변환하고, 비교부(37b)가 디지털 생체 신호 수치값과 미리 설정된 기준 임계값과 비교하여 일정 범위 이상 차이 유무에 따라 정상군 혹은 비정상군으로 나누어 신호 데이터를 출력한다. 실시예에서, 디지털 생체 신호 수치값은 생체 신호가 파형으로 나타날 때, 파형의 피크값(Peak value) 일수 있다. 이때, 신호 분석부(37)는 정보 저장부(38)에 포함된 피검자의 신체 정보 등을 매칭 및 활용하여 정상군 혹은 비정상군으로 나누어 신호 데이터를 출력할 수 있다.

실시예로, 측정된 디지털 생체 신호 수치값이 비정상군일 경우, 신호 분석부(37)는 신호 저장부(36)의 룩업테이블(Look-up Table)에 포함된 고위험군 그룹 데이터와 저위험군 그룹 데이터와 비교하여 위험군 정도를 나눠 출력할 수 있다. 비정상군은 코골이나 박동성 이명과 같은 이비인후과 질환뿐만 아니라 뇌혈관 질환등이 있음을 의미하는 군이다.

도 3은 본 발명의 제2실시예에 따른 질환 분석장치의 구성을 나타낸 블록도이다.

도 3을 참조하면, 본 발명의 제2실시예에 따른 질환 분석장치(200)는 몸체부(10), 바이오센서부(20a, 20b), 제어부(30) 및 입력부(32)를 포함할 수 있다. 몸체부(10) 및 제어부(30)에 포함된 구성요소들은 전술한 도1에 대응되는 구성요소와 유사하여 그에 대한 동작 및 기능에 대한 설명은 생략하기로 한다. 다만, 본 실시예에 따른 제어부(30)는 모드설정부(Mode setting Unit, 34)를 더 포함하고, 모드 설정을 위한 입력부(32)가 몸체부에 내장될 수 있다. 바이오센서부(20a, 20b)는 제1 센서(20a) 및 제2센서(20b)를 포함할 수 있다. 제1 센서(20a)는 몸체부(10)에 내재되어 형성될 수 있지만 몸체부(10)와 물리적으로 분리되어 패치(patch)형태로 피검자의 소정 부위에 접착될 수 있다. 실시예로 제1센서(20a)는 피검자의 움직임여부를 측정할 수 있는 자이로센서나 가속도 센서를 포함할 수 있다. 제1센서(20a)에서 측정된 움직임 량 데이터는 정보 저장부(38)에 저장되어 생체 신호 분석시 이비인후과 질환을 진단할 수 있는 데이터 중 하나의 파라미터가 될 수 있다. 제2센서(20b)는 전술한 도 1에서 대응되는 구성요소(20)와 유사하여 그에 대한 동작 및 기능에 대한 설명 역시 생략하기로 한다.

한편, 설정모드는 안정모드(Stabilized mode) 혹은 비안정모드(Non-stabilized mode)로 저장되고 기타 피검자의 환경에 따라 다양한 모드로 설정될 수 있다. 예를들어, 안정모드는 피검자가 취침 중이거나 일정 운동량 아래로 자세를 취하고 일을 하고 있을 때 취해지고, 비안정모드는 피검자가 운동같이 일정 운동량 이상으로 자세를 취하고 있을 때 취해질 수 있다. 모드설정은 제 1센서(20a)에 의해 측정된 값에 따라 제어부(30)의 제어하에 자동적으로 안정모드 혹은 비안정모드로 설정될 수 있고, 입력부(32)를 통하여 피검자에 의해 수동적으로 다양한 모드 설정될 수 있다.

도 4는 본 발명의 제2실시예에 따른 신호 분석부의 생체 신호 분석방법을 설명하기 위한 블록도이다.

도시된 바와 같이, 신호 분석부(37)는 전술한 도2에 대응되는 구성요소와 유사하여 그에 따른 동작 및 기능에 대한 설명은 생략하기로 한다. 다만, 본 실시예에 따른 신호 분석부(37)는 제1센서(20a)를 통하여 얻어진 혹은 피검자에 의해 직접 입력된 설정 모드 데이터를 추가하여 이를 기반으로 피검자의 생체 신호를 분석하여 이비인후과 질환 혹은 뇌혈관 질환 등을 진단할 수 있다.

도 5는 본 발명의 제3실시예에 따른 질환 분석장치의 구성을 나타낸 블록도이다.

도 5를 참조하면, 본 발명의 제3실시예에 따른 질환 분석장치(300)는 전술한 도1에 대응되는 구성요소와 유사하여 그에 대한 동작 및 기능에 대한 설명은 생략하기로 한다. 다만, 본 실시예에 따른 바이오센서부(20a, 20b)는 제1센서(20a) 및 제2센서(20b)를 포함하고, 제1센서(20a) 및 제2센서(20b)는 전술한 도 1에서 대응되는 구성요소(20)와 유사하다. 실시예로, 제 1센서 및 제2 센서는 피검자의 좌, 우 혈관 (예, 경동맥 혹은 경정맥)에 부착하여 발생된 생체 신호(예, 맥파)를 측정하고, 신호 분석부(37)는 측정된 좌, 우 혈관의 생체 신호를 분석하여 질환여부를 진단할 수 있다.

본 발명의 제3실시예에와 같이, 피검자의 좌, 우 혈관에 센서(20a,20b)를 각각 부착하여 동시에 생체 신호를 측정함은 피검자의 좌, 우 혈관 중 어느 한 혈관에 센서를 부착하여 생체 신호를 측정하는 것보다 이비인후과 질환이나 뇌혈관 질환을 더욱 정확히 진단할 수 있다. 예를들어, 박동성 이명 같은 이비인후과 질환은 피검자의 좌, 우 혈관 중 어느 한 혈관에서 혈관 질환이 있어서 나타날 수 있다. 그러나 어느 한쪽의 혈관의 생체 신호만을 측정할 경우, 경우에 따라 혈관 질환으로 인한 박동성 이명이라는 진단 결과를 가져오지 못할 수 있기 때문이다. 따라서 피검자의 좌, 우 혈관에 센서가 부착되어 시간적으로 동일하게 측정될 수 있도록 함이 필요하고, 이때 센서는 다양한 주파수를 갖는 초음파가 혈관에 전달되어 적절한 생체신호를 측정할 수 있다.

도 6은 본 발명의 제3실시예에 따른 신호 분석부의 생체 신호 분석방법을 설명하기 위한 블록도이다.

도시된 바와 같이, 신호 분석부(37)는 전술한 도 2에 대응되는 구성요소와 유사하여 그에 따른 동작 및 기능에 대한 설명은 생략하기로 한다. 다만, 본 실시예에 따른 신호 분석부(37)는 제1센서(20a)와 제2센서(20b)로 측정된 제1 및 제2생체 신호를 비교 분석할 수 있다. 즉, 제1생체 신호와 제2생체 신호의 차이, 예를들어, 제1 및 제2생체 신호가 파형으로 출력되어 측정될 때, 파형의 변곡점 피크값들을 비교하여 생체 신호의 차이를 계산하고, 이후, 차이값을 정상범위의 임계값과 비교하여 질환의 여부를 진단할 수 있다.

도 8은 본 발명의 일실시예에 따른 질환 예측 장치의 예시적 구성을 개략적으로 나타낸 도이다.

도 8를 참조하면, 본 발명의 일실시예에 따른 질환 예측 장치(400)는 컴퓨팅 장치(Computing Device, 410), 디스플레이 디바이스(Display Device, 130), 바이오센서(Sensor, 20, 20a, 20b,)를 포함할 수 있다. 컴퓨팅 장치(410)는 프로세서(Processor, 111), 메모리부(Memory Unit, 113), 스토리지 디바이스(Storage Device, 115), 입, 출력 인터페이스(117), 네트웍 어뎁터(Network Adapter, 118), 디스플레이 어뎁터(Display Adapter, 119), 및 프로세서를 포함한 다양한 시스템 구성요소를 메모리부(113)에 연결하는 시스템 버스(System bus, 112)를 포함할 수 있지만 이에 한정되지 않는다. 또한, 실시간 생체 이미지 조직 인식장치는 정보를 전달하기 위한 시스템 버스(112)뿐만 아니라 다른 통신 메커니즘을 포함할 수 있다.

시스템 버스 또는 다른 통신 메커니즘은, 프로세서, 컴퓨터 판독가능한 기록매체인 메모리, 근거리 통신 모듈(예를 들어, 블루투스나 NFC), 네트워크 인터페이스나 이동통신 모듈을 포함하는 네트워크 어뎁터, 디스플레이 디바이스(예를 들면, CRT 또는 LCD 등), 입력장치 (예를 들면, 키보드, 키패드, 가상 키보드, 마우스, 트랙볼, 스타일러스, 터치 감지 수단 등), 및/또는 하위 시스템들을 상호 접속한다. 프로세서(111)는 기계 학습모델(13)을 활용하여 자동으로 프로세싱 하는 프로세싱 모듈일 수 있고, CPU, AP(Application Processor), 마이크로 컨트롤러, 등일 수 있으나 이에 한정되는 것은 아니다.

프로세서(111)는 디스플레이 디바이스용 하드웨어 제어기 예를들어, 디스플레이 어뎁터(119)와 통신하여 디스플레이 디바이스(130) 상에 질환 예측 장치의 동작 및 유저 인터페이스를 표시할 수 있다.

프로세서(111)는 메모리부(113)에 접속하여 메모리부에 저장된 명령들이나 로직의 하나 이상의 시퀀스들을 실행하는 것에 의해 이후 설명될 본 발명의 실시예에 따른 질환 예측 장치의 동작을 제어한다.

이러한 명령들은, 정적 저장부(Static storage) 또는 디스크 드라이브와 같은 다른 컴퓨터 판독가능 기록매체로부터 메모리 안에서 판독될 수도 있다. 다른 실시형태들에서, 본 개시를 구현하기 위한 소프트웨어 명령들을 대신하거나 소프트웨어 명령들과 조합된 하드웨어에 내장된 회로부(hard-wired circuitry)가 사용될 수도 있다. 로직은, 프로세서로 명령들을 제공하는 데 참여하는 임의의 매체를 지칭할 수도 있으며, 메모리부(113)에 로딩될 수도 있다.

시스템 버스(System bus, 112)는 다양한 버스 구조(architectures) 중 임의의 것을 사용하는 메모리 버스 또는 메모리 컨트롤러, 주변장치버스, 가속 그래픽 포트 및 프로세서 혹은 로컬 버스를 포함하는 여러 가능한 유형의 버스 구조 중 하나 이상을 나타낸다. 예를 들어, 이런 구조들(architectures)은 ISA (Industry Standard Architecture) 버스, MCA(Micro Channel Architecture) 버스, EISA(Enhanced ISA)버스, VESA(Video Electronics Standard Association) 로컬 버스, AGP(Accelerated Graphics Port) 버스 및 PCI(Peripheral Component Interconnects), PCI-Express 버스, PCMCIA(Personal Computer Memory Card Industry Association), USB(Universal Serial Bus)과 같은 것을 포함할 수 있다.

시스템 버스(System bus, 112)는 유, 무선 네트워크 연결로써 실행될 수 있다. 프로세서(Processor, 111), 대용량 스토리지 장치(Mass Storage Device), 오퍼레이팅 시스템(Operating System, 113c, 115a), 이미징 소프트웨어(Imaging Software, 113b, 115b), 이미징 데이터(Imaging Data, 113a, 115c), 네트워크 어뎁터(Network Adapter, 118), 시스템 메모리(System Memory), 입/출력 인터페이스(Input/Output Interface, 117), 디스플레이 어뎁터(Display Adapter, 119), 디스플레이 디바이스(Display Device, 130)를 포함하는 서브 시스템 각각은 물리적으로 분리된 위치에 후술할 하나 이상의 원격 컴퓨팅 디바이스(Remote Computing Device, 500, 600, 700) 안에 포함될 수 있고, 분산된 시스템을 효율적으로 실행하는데 있어 이와 같은 형태의 버스들을 통해 연결될 수 있다.

버스의 배선들(wires)을 포함하는 송신 매체들은 동축 케이블, 동선(copper wire), 및 광섬유들을 포함할 수 있다. 일 예에서, 송신 매체들은, 라디오 파 통신이나 적외선 데이터 통신 동안 생성된 음파 또는 광파의 형태를 취할 수도 있다.

본 발명의 실시예에 따른 질환 예측 장치(400)는, 네트워크 링크 및 네트워크 어뎁터(Network Adapter, 118)를 통해 메시지들, 데이터, 정보 및 하나 이상의 프로그램들(즉, 애플리케이션 코드)을 포함하는 명령들을 송신하고 수신할 수도 있다.

네트워크 어뎁터(Network Adapter, 118)는, 네트워크 링크를 통한 송수신을 가능하게 하기 위한, 별개의 또는 통합된 안테나를 포함할 수도 있다. 네트워크 어뎁터(118)는 네트워크에 접속하여 원격 컴퓨팅 장치(Remote Computing Device, 500, 600, 700)와 통신할 수 있다. 네트워크는 LAN, WLAN, PSTN, 및 셀룰러 폰 네트워크 중 적어도 하나를 포함할 수 있으나 이에 한정되는 것은 아니다.

네트워크 어뎁터(118)는 상기 네트워크에 접속하기 위한 네트워크 인터페이스 및 이동통신 모듈 중 적어도 하나를 포함할 수 있다. 이동통신 모듈은 세대별 이동통신망(예를 들어, 2G 내지 5G 이동통신망)에 접속가능하다.

프로그램 코드는 수신될 때 프로세서(111)에 의해 실행될 수도 있고/있거나 실행을 위해 메모리부(113)의 디스크 드라이브 또는 디스크 드라이브와는 다른 종류의 비휘발성 메모리에 저장될 수도 있다.

컴퓨팅 장치(Computing device, 410)는 다양한 컴퓨터 판독가능한 기록매체일 수 있다. 판독가능한 매체는 컴퓨팅 디바이스에 의해 접근 가능한 임의의 다양한 매체가 될 수 있고, 예를들어, 휘발성(volatile) 또는 비휘발성 매체(non-volatile media), 유동 매체(removable media), 비유동 매체(non-removablemedia)를 포함할 수 있지만 이에 한정되지 않는다.

메모리부(113)는 본 발명의 실시예에 따른 생체 이미지 조직 인식 장치의 동작에 필요한 운영체제, 드라이버, 애플리케이션 프로그램, 데이터 및 데이터 베이스 등을 저장할 수 있으나 이에 한정되는 것은 아니다. 또한, 메모리부(113)는RAM(Random Acces Memory)과 같은 휘발성 메모리, ROM(Read Only Memory) 및 플래시 메모리와 같은 비휘발성 메모리 형태로 컴퓨터 판독 가능한 매체를 포함할 수 있고, 또한, 디스크 드라이브 예를들면, 하드 디스크 드라이브(Hard Disk Drive), 솔리드 스테이트 드라이브(Solid State Drive), 광 디스크 드라이브 등을 포함할 수 있지만 이에 한정되지 않는다. 또한, 메모리부(113)와 스토리지 디바이스(115)는 각각 전형적으로 대상체의 생체 이미지와 같은 이미징 데이터(Imaging Data, 113a, 115a)와 같은 데이터, 프로세서(111)에 의해 동작되도록 즉시 접속될 수 있는 이미징 소프트웨어(113b, 115b)와 오퍼레이팅 시스템(113c, 115c)과 같은 프로그램 모듈을 포함할 수 있다.

기계 학습모델(13)은 프로세서, 메모리부(113) 혹은 스토리지 디바이스(115)에 삽입될 수 있다. 이때의 기계 학습모델은 기계학습 알고리즘의 하나인 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN) 등을 포함할 수 있고, 이에 한정되지 않는다.

바이오센서(Sensor, 20, 20a, 20b,)는 전술한 바와 같이 제1센서(20a)와 제2센서(20b)를 이용하여 피검자의 생체 신호를 측정하고, 이를 파형 이미지로 출력한다. 출력된 생체 신호에 해당하는 파형 이미지(이미지 데이터)는 입/출력 인터페이스(117)를 통하여 프로세서(111)에 제공되어 기계 학습모델(13)에 기초하여 처리되거나 메모리부(113) 혹은 스토리지 디바이스(115)에 저장될 수 있다.

도 9는 본 발명의 일 실시예에 따른 질환 예측 시스템을 개략적으로 나타낸 도이다.

도 9를 참조하면, 본 발명의 일실시예에 따른 질환 예측 시스템(1000)은 컴퓨팅 디바이스(Computing Device, 410), 디스플레이 디바이스(Display Device, 130), 바이오센서(Sensor, 20, 20a, 20b,)및 하나 이상의 원격 컴퓨팅 디바이스(Remote Compting Device, 500, 600, 700)를 포함할 수 있다. 컴퓨팅 디바이스(410)과 원격 컴퓨팅 디바이스들(500, 600, 700) 간은 인터넷 네트웍으로 서로 연결될 수 있다. 컴퓨팅 디바이스(Computing Device, 410)에 포함된 구성요소들은 전술한 8에서 대응되는 구성요소와 유사하여 그에 대한 동작 및 기능에 대한 설명은 생략하기로 한다. 또한, 원격 컴퓨팅 디바이스(500, 600, 700) 각각에 포함된 구성요소들은 컴퓨팅 디바이스(410)의 구성요소와 유사하다.

컴퓨팅 디바이스(410) 및 원격 컴퓨팅 디바이스(500, 600, 700)은 본 발명의 실시예에서 제시된 방법, 기능 및/또는 동작 중 하나 이상을 수행할 수 있도록 구성될 수 있다. 이러한 컴퓨팅 디바이스(410, 500, 600, 700)는 적어도 하나의 컴퓨팅 디바이스에서 동작하는 어플리케이션을 포함할 수 있다. 또한, 컴퓨팅 디바이스(410, 500, 600, 700)는 하나 이상의 컴퓨터와 하나 이상의 데이터 베이스를 포함할 수 있고, 단일 장치, 분산장치, 클라우드 기반 컴퓨터 또는 이들의 조합일 수 있다.

본 발명에 따른 실시간 생체 이미지 조직 인식장치는 랩탑 컴퓨터, 데스크탑 컴퓨터 및 서버에 제한되지 않고, 데이터를 처리할 수 있는 임의의 명령을 실행할 수 있는 컴퓨팅 장치 또는 시스템에서 구현될 수 있고, 인터넷 네트웍을 통한 다른 컴퓨팅 장치 및 시스템으로 구현될 수 있다. 또한, 실시간 생체 이미지 조직 인식 장치는 펌웨어를 포함하는 소프트웨어, 하드웨어 또는 이들의 조합을 포함하는 다양한 방식으로 구현될 수 있다. 예를 들어, 다양한 방식으로 실행하기 위한 기능은 개별로직 구성요소, 하나이상의 ASIC(Application Specific Integrated Circuits) 및/또는 프로그램 제어 프로세서를 포함하는 다양한 방식으로 구현되는 구성요소에 의해 수행될 수 있다.

도 10은 본 발명의 일 실시예에 따른 질환 예측을 위한 프로세서의 블록도를 나타낸 도이다.

도 10을 참조하면, 프로세서(111)는 기계 학습모델(211a, 213a, 230a)을 학습시킬 학습 데이터를 수신하고, 수신한 학습 데이터에 기반하여 학습 데이터의 속성정보를 추출할 수 있다. 학습 데이터는 생체 신호 이미지 (예, signal wave image) 데이터 혹은 센서 데이터일 수 있다. 일 실시예로, 생체 신호 이미지 데이터는 복수의 생체 신호 이미지 데이터 혹은 단일 생체 신호 이미지 데이터일 수 있고, 센서 데이터는 가속도 센서나 자이로 센서 등으로 얻어진 변위 데이터(displacement data)일수 있다.

또한, 학습 데이터는 생체 신호 이미지 데이터에서 추출된 속성정보일 수 있다. 일 실시예에서, 생체 신호 이미지 데이터로부터 추출된 속성정보는 생체 신호 이미지 데이터내에서 인식(detection)된 펄스를 분류하는 라벨(Label)정보일 수 있다. 예를 들어, 라벨은 생체 신호 이미지 데이터에서 표현된 펄스에 따라 경동맥(carotid artery) 펄스, 경정맥(carotid vein) 펄스, 척추동맥(vertebral artery) 펄스나 뇌기저동맥(basilar artery)펄스 같은 혈관 종류별 펄스로 분류된 카테고리일 수 있다. 또한, 속성정보는 생체 신호 이미지 데이터에서 시간에 따라 변화된 펄스의 변위(displacement)정보 일 수 있다. 예를들어, 생체 신호 이미지 데이터는 측정된 대상체의 움직임이나 운동량에 따라 펄스의 변화(예, 하나의 펄스에서 다수의 변곡점 발생)를 가져오고, 이러한 펄스의 변화는 생체 신호의 변위 정보가 될 수 있다. 또한, 생체 신호 이미지 데이터는 측정된 대상체의 움직임과 상관없이 펄스의 변화(예, 불규칙 생체 신호 펄스, 일정치 않은 피크 생체 신호 펄스)을 가져오고, 이러한 펄스의 변화 역시 생체 신호의 변위정보가 될 수 있다. 특히, 생체 신호 이미지 데이터의 속성정보인 변위 정보는 이비인후과 질환이나 뇌질환 등을 예측 및 판단의 근거가 된다. 또한, 속성정보는 센서에 인식되는 대상체의 각도 변화량, 가속도 변화량, 각가속도 변화량, 속도 변화량, 각속도 변화량 등을 나타내는 특징 벡터일 수 있다. 이때, 특징 벡터는 센서 데이터와 연동하여 대응되는 생체 신호 이미지 데이터로부터 추출될 수 있다.

프로세서(111)는 데이터 처리부(Data processor, 210) 및 속성정보 모델 학습부(Feature information model training unit, 230)를 포함할 수 있다. 데이터 처리부(210)는 속성정보 모델을 학습시킬 생체 신호 이미지 데이터와 센서 데이터 혹은 생체 신호 이미지의 속성정보 데이터와 센서 데이터를 수신하고, 수신한 생체 신호 이미지 데이터 및 센서 데이터 혹은 생체 이미지의 속성정보 데이터와 센서 데이터를 속성정보 모델의 학습에 적합한 데이터로 변환(transforming) 혹은 이미지 처리(processing)할 수 있다. 데이터 처리부(210)는 라벨 생성부(Label generator, 211), 특징 추출부(Feature extractor, 213)를 포함할 수 있다.

라벨 생성부(211)는 제1기계 학습모델(211a)을 이용하여 수신한 생체 신호 이미지 데이터에 대응하는 라벨 정보를 생성할 수 있다. 라벨 정보는 수신한 생체 신호 이미지 데이터내에서 인식되는 신호 펄스에 따라 결정된 하나 이상의 카테고리에 대한 정보일 수 있다. 일 실시예에서, 라벨 정보는 라벨정보와 대응하는 생체 신호 이미지 데이터에 대한 정보와 함께 메모리부(113)나 스토리지 디바이스(115)에 저장될 수 있다.

특징 추출부(213)는 제2기계 학습모델(213a)을 이용하여 수신한 생체 신호 이미지 데이터에 대응하는 특징 벡터를 추출할 수 있다. 예를들어, 특징 추출부(213)는 센서 데이터에 기반하여 생체 신호 이미지 데이터에서 인식되는 대상의 위치 변화를 나타내는 특징벡터를 추출할 수 있다.

속성정보 모델 학습부(230)는 제3기계 학습모델(230a)를 포함하고, 라벨 생성부(211), 특징 추출부(213)에서 생성 및 추출한 라벨 정보, 특징벡터를 포함한 데이터를 제3기계 학습모델(230a)에 입력하여 융합 학습(fusion learning)시켜 생체 신호 이미지 데이터에 대한 속성정보를 추출할 수 있다. 속성정보는 상기 생체 신호 이미지 데이터에서 인식되는 대상 이미지의 특징과 관련된 정보를 가리킨다. 예를들어, 속성정보는 전술한 바와 같이, 생체 신호 이미지 데이터내에서 대상을 분류하는 라벨 정보이거나 생체 신호 이미지 데이터에서 시간에 따라 변화된 펄스의 변위(displacement)정보일 수 있다.

도 11은 본 발명의 다른 실시예에 따른 컴퓨팅 장치에 의해 생체 신호 이미지의 속성정보를 추출하는 과정을 예시적으로 나타낸 도이다.

도 11를 참조하면, 피검자의 좌, 우측의 경동맥 또는 경정맥으로부터 각각 측정된 제1생체 신호 이미지(70a)와 제2생체 신호 이미지(70b)가 프로세서(700)에 입력되면, 프로세서는 제1생체 신호 이미지(70a)와 제2생체 신호 이미지(70b)를 오버랩(overlap)하여 새로운 제3생체 신호 이미지(70c)를 생성하고, 생성된 제3생체 신호 이미지(70c)는 기계 학습모델(710)에 입력된다. 프로세서(700)는 내부에 포함된 기계 학습모델(710)에 기초하여 제3생체 신호 이미지(70c)의 속성정보(720)를 추출할 수 있다. 또한, 제1생체 신호 이미지(70a)와 제2생체 신호 이미지(70b)가 기계 학습모델(710)에 직접 입력되면, 프로세서(700)는 기계 학습모델(710)에 기초하여 제1생체 신호 이미지(70a) 또는 제2생체 신호 이미지(70b)의 속성정보(720)를 추출할 수 있다. 프로세서(700)는 도 8 및 도 9의 컴퓨팅 장치(410)에 포함된 프로세서(111)일 수 있다.

속성정보(720)는 의료진과 같은 엔티티(entity)가 질환을 예측하는데 지원할 수 있는 정보, 예를들어, 제3생체 신호 이미지(70c)내에서 인식되는 신호(펄스)가 제1생체 신호 이미지(70a) 혹은 제2생체 신호 이미지(70b)내에서 인식되는 신호(펄스)와 일치하지 않은 이상신호(예, 불일치 펄스) 정보일 수 있다. 또한, 속성정보(720)는 제1생체 신호 이미지(70a) 혹은 제2생체 신호 이미지(70b)내에서 인식되는 신호(펄스) 자체에서 불규칙한 이상신호(예, peak가 다른 다양한 펄스, 주기가 다른 펄스, 변곡점이 다양한 펄스) 정보일 수 있고, 제3 생체 신호 이미지내에서 인식되는 신호(펄스) 자체에서 불규칙한 이상신호(예, peak가 다른 다양한 펄스, 주기가 다른 펄스, 변곡점이 다양한 펄스) 정보일 수 있다. 속성정보(720)는 시스템 메모리부(113)나 스토리지 디바이스(115)에 저장될 수 있다. 한편, 프로세서(700)는 제1생체 신호 이미지 혹은 제2생체 신호 이미지의 속성정보와 제3생체 신호 이미지의 속성정보를 추출할 경우, 이를 서로 비교하여 디스플레이 디바이스를 통해 표시할 수 있다.

기계 학습모델(710)은 도시되지 않았지만 컴퓨터 판독 가능한 기록매체에 입력되어 실행될 수 있고 메모리부(113)나 스토리지 디바이스(115)에 입력되고, 상기 프로세서(700)에 의해 동작되어 실행될 수 있다. 생체 신호 이미지의 속성정보를 추출하는 컴퓨팅 장치는 시계열적 생체 신호 이미지 데이터셋을 학습 데이터로 제공받는 장치로써, 기계 학습모델의 수행결과로 학습된 데이터를 생성할 수 있다. 본 실시예에 따른 방법에 속한 각각의 동작을 설명함에 있어서, 그 주체에 대한 기재가 생략된 경우에는 해당 동작의 주체는 상기 컴퓨팅 장치인 것으로 이해될 수 있을 것이다.

위 실시예에서와 같이, 본 발명의 동작 및 방법은 소프트웨어 및 하드웨어의 결합을 통하여 달성되거나 하드웨어만으로 달성될 수 있다는 점을 명확하게 이해할 수 있다. 본 발명의 기술적 해법의 대상물 또는 선행 기술들에 기여하는 부분들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 기계 판독 가능한 기록 매체에 기록될 수 있다. 상기 기계 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 기계 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 통상의 기술자에게 공지되어 사용 가능한 것일 수도 있다.

기계 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다.

상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다. 상기 하드웨어 장치는, 프로그램 명령어를 저장하기 위한 ROM/RAM 등과 같은 메모리와 결합되고 상기 메모리에 저장된 명령어들을 실행하도록 구성되는 CPU나 GPU와 같은 프로세서를 포함할 수 있으며, 외부 장치와 신호를 주고받을 수 있는 통신부를 포함할 수 있다. 덧붙여, 상기 하드웨어 장치는 개발자들에 의하여 작성된 명령어들을 전달받기 위한 키보드, 마우스, 기타 외부 입력장치를 포함할 수 있다.

이상과 같이 본 발명에 따른 실시예를 살펴보았으며, 앞서 설명된 실시예 이외에도 본 발명이 그 취지나 범주에서 벗어남이 없이 다른 특정 형태로 구체화될 수 있다는 사실은 해당 기술에 통상의 지식을 가진 이들에게는 자명한 것이다. 그러므로, 상술된 실시예는 제한적인 것이 아니라 예시적인 것으로 여겨져야 하고, 이에 따라 본 발명은 상술한 설명에 한정되지 않고 첨부된 청구항의 범주 및 그 동등 범위 내에서 변경될 수도 있다.

10: 몸체부
20: 바이오센서부
30: 제어부
31: 신호 증폭부
33: 필터링부
35: 아날로그/디지털 변환부
36: 신호 저장부
37: 신호 분석부
38: 정보 저장부
39: 인터페이스부

Claims

피검자의 좌, 우 경동맥 혹은 경정맥에 각각 부착되어 발생된 제1 및 제2생체 신호를 각각 측정하기 위한 제1 및 제2 센서; 및
상기 제1생체 신호와 상기 제2생체 신호 차이를 비교하는 제어부를 포함하는 혈류 바이오마크 기반 이비인후과 질환 분석 장치.
제1항에 있어서,
상기 제1 및 제2생체 신호는 초음파에 의해 발생된 신호이고, 상기 초음파는 다양한 주파수 갖고 상기 피검자의 좌, 우 경동맥 혹은 경정맥에 조사되는 것을 특징으로 하는 혈류 바이오마크 기반 이비인후과 질환 분석 장치.
제1항에 있어서,
상기 제어부는 상기 피검자의 신체정보를 반영하여 상기 제1 및 제2생체 신호차이를 비교하는 것을 특징으로 하는 혈류 바이오마크 기반 이비인후과 질환 분석 장치.
프로세서; 및
상기 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는,
피검자의 좌, 우측 혈관으로부터 각각 측정된 제1생체 신호 이미지와 제2생체 신호 이미지를 오버랩하여 제3생체 신호 이미지를 생성하고,
기계학습모델에 기초하여 상기 제3생체 신호 이미지의 속성정보를 추출하는 혈류 바이오마크 기반 이비인후과 질환 예측장치.
제 4항에 있어서,
상기 속성정보는 상기 제3생체 신호 이미지내의 펄스에서 인식되는 불규칙한 이상신호 정보인 것을 특징으로 하는 혈류 바이오마크 기반 이비인후과 질환 예측장치.
프로세서; 및
상기 프로세서에 의해 수행되도록 구현된 하나 이상의 명령어(instructions)를 포함하는 메모리를 포함하고, 상기 프로세서는,
피검자의 좌, 우측 혈관으로부터 각각 측정된 제1생체 신호 이미지와 제2생체 신호 이미지를 오버랩하여 제3생체 신호 이미지를 생성하고,
기계학습모델에 기초하여 상기 제1생체 신호 이미지 혹은 상기 제2생체 신호 이미지의 제1 속성정보 및 상기 제3생체 신호 이미지의 제2 속성정보를 추출하는 혈류 바이오마크 기반 이비인후과 질환 예측장치.
제6항에 있어서,
상기 제1 속성정보는 상기 제1 또는 제2생체 신호 이미지내의 펄스에서 인식되는 불규칙한 이상신호 정보이고, 상기 제2속성정보는 상기 제3생체 신호 이미지내에서 인식되는 펄스가 상기 제1생체 신호 이미지 혹은 상기 제2생체 신호 이미지내에서 인식되는 펄스와 일치하지 않은 이상신호 정보인 것을 특징으로 하는 혈류 바이오마크 기반 이비인후과 질환 예측 장치.