KR20230099494A - 누워 지내는 환자를 헬스케어하기 위한 장치 - Google Patents

Abstract

헬스케어 기능을 구비한 침대 장치는, 침대 패드를 구비한 본체부; 상기 침대 패드에 누워있는 환자의 심탄도 신호들를 센싱하기 위해 상기 침대 패드 내부에 구비된 심탄도 센서부; 소정 시간 동안 상기 심탄도 센서부에서 센싱된 심탄도 신호들에 대해 전처리를 수행하고, 상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하며, 상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 프로세서를 포함할 수 있다.

Description

누워 지내는 환자를 헬스케어하기 위한 장치{APPARATUS FOR HEALTH CARE OF PATIENTS WHO LIE DOWN}

본 발명은 누워 지내는 환자를 헬스케어하기 위한 장치 및 그 방법에 관한 것이다.

욕창은 신체에 지속적으로 가해지는 압력으로 혈액순환 장애가 일어나 뼈 돌출 부위의 피부와 조직의 괴사를 일으키는 것을 뜻한다. 욕창이 발생하면 살이 패여 들어가 내부 조직이 드러나고 괴사한 부분이 감염되면 패혈증과 같은 부작용을 일으킬 수 있다. 욕창 발생률은 일반병동에서 3~14%, 중환자실의 경우에는 21~35.2%로 발생률이 높다. 특히 중환자실 환자의 경우 욕창 유병률은 일반병동의 3~12%보다 높아 30~40%에 이른다. 따라서 욕창 발생 가능성 부위에 압력을 최소화하거나 자세를 주기적으로 바꿈으로써 욕창을 사전에 예방하는 것이 필요하다.

기존에는 환자의 보호자가 옆에서 모니터링하여 환자의 욕창 방지를 위해 자세를 변경하도록 돕는 등 보호자에 의해 욕창 방지가 관리되었다. 그러나, COVID-19와 같은 전염병이 유행하고 있는 현재 실정에서 중환자의 경우 의료진 외에는 접촉하지 않는 것이 필요하다.

따라서, 비접촉식으로 환자를 모니터링하여 욕창을 방지할 수 있는 헬스케어 기능을 구비한 침대나 사용자 장치가 요구된다. 그러나, 아직까지는 이에 대한 연구와 제품이 전무한 실정이다.

이에 본 발명에서는 비접촉식으로 환자를 모니터링하여 욕창을 방지할 수 있는 헬스케어 기능을 구비한 침대나 사용자 장치를 제안하고자 한다.

본 발명에서 이루고자 하는 기술적 과제는 제공하는 헬스케어 기능을 구비한 침대 장치를 제공하는데 있다.

본 발명에서 이루고자 하는 다른 기술적 과제는 헬스케어 기능을 구비한 단말 장치를 제공하는 데 있다.

본 발명에서 이루고자 하는 또 다른 기술적 과제는 침대 장치가 침대에 누워지내는 환자를 케어하는 방법을 제공하는 데 있다.

본 발명에서 이루고자 하는 또 다른 기술적 과제는 단말 장치가 침대에 누워지내는 환자를 케어하는 방법을 제공하는 데 있다.

본 발명에서 이루고자 하는 또 다른 기술적 과제는 침대 장치가 침대에 누워지내는 환자를 케어하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다.

본 발명에서 이루고자 하는 또 다른 기술적 과제는 단말 장치가 침대에 누워지내는 환자를 케어하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기의 기술적 과제를 달성하기 위한, 헬스케어 기능을 구비한 침대 장치는,침대 패드를 구비한 본체부; 상기 침대 패드에 누워있는 환자의 심탄도 신호들를 센싱하기 위해 상기 침대 패드 내부에 구비된 심탄도 센서부; 소정 시간 동안 상기 심탄도 센서부에서 센싱된 심탄도 신호들에 대해 전처리를 수행하고, 상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하며, 상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 프로세서를 포함할 수 있다.

상기 침대 장치는 상기 생성된 경고 신호를 상기 환자에게 알리는 알람부를 더 포함할 수 있다.

상기 침대 장치는 상기 생성된 경고 신호를 상기 환자의 보호자의 단말기 또는 상기 환자가 입원한 병원의 단말기로 전송하는 통신부를 더 포함할 수 있다.

상기 심탄도 센서부는, 박막형 압력 센서; 및 상기 박막형 압력 센서를 양면으로 덮기 위한 복수의 실리콘 재질의 패드를 포함할 수 있다. 상기 박막형 압력 센서는 PDVF(Polyvinylidene Fluoride) 재질의 박막 센서를 포함할 수 있다.

상기 프로세스가 수행하는 전처리는 4Hz 내지 15Hz의 신호를 통과시키는 대역통과 필터링을 포함할 수 있다.

상기 프로세서는 상기 환자의 누운 자세를 똑바로 누운 자세(supine), 엎드린 자세(prone), 왼쪽으로 누운 자세 또는 오른쪽으로 누운 자세 중 어느 하나로 추정할 수 있다.

상기의 다른 기술적 과제를 달성하기 위한, 단말 장치는 침대를 이용하는 환자에 대해 소정 시간 동안 센싱된 심탄도 신호들에 대한 정보를 외부로부터 수신하는 통신부; 및 상기 수신된 심탄도 신호들에 대해 전처리를 수행하고, 상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하며, 상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 프로세서를 포함할 수 있다.

상기 프로세스가 수행하는 전처리는 4Hz 내지 15Hz의 신호를 통과시키는 대역통과 필터링을 포함할 수 있다.

상기 프로세서는 상기 환자의 누운 자세를 똑바로 누운 자세(supine), 엎드린 자세(prone), 왼쪽으로 누운 자세 또는 오른쪽으로 누운 자세 중 어느 하나로 추정할 수 있다.

상기 통신부는 상기 생성된 환자의 누운 자세에 대해 경고할 수 있는 신호를 상기 환자의 단말기, 상기 환자의 보호자의 단말기 및 상기 환자가 입원한 병원의 단말기(서버 등을 포함하는 개념) 중 적어도 어느 하나에 전송할 수 있다.

상기의 또 다른 기술적 과제를 달성하기 위한, 침대 장치가 침대에 누워지내는 환자를 케어하는 방법은, 침대 패드에 누워있는 환자의 심탄도 신호들를 센싱하는 단계; 소정 시간 동안 센싱된 심탄도 신호들에 대해 전처리를 수행하는 단계; 상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하는 단계; 및 상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 단계를 포함할 수 있다.

상기 방법은 상기 생성된 경고 신호를 상기 환자에게 전달하는 단계를 더 포함할 수 있다.

상기 방법은 상기 생성된 경고 신호를 상기 환자의 보호자의 단말기 또는 상기 환자가 입원한 병원의 단말기로 전송하는 단계를 더 포함할 수 있다.

상기 전처리를 수행하는 단계는 센싱된 심탄도 신호들에 대해 4Hz 내지 15Hz의 신호를 통과시키는 대역통과 필터링하는 단계를 포함할 수 있다.

상기의 또 다른 기술적 과제를 달성하기 위한, 단말 장치가 침대에 누워지내는 환자를 케어하는 방법은, 단말 장치가 침대에 누워지내는 환자를 케어하는 방법은, 침대를 이용하는 환자에 대해 소정 시간 동안 센싱된 심탄도 신호들에 대한 정보를 외부로부터 수신하는 단계; 상기 수신된 심탄도 신호들에 대해 전처리를 수행하는 단계; 상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하는 단계; 및 상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 단계를 포함할 수 있다.

상기 전처리를 수행하는 단계는 센싱된 심탄도 신호들에 대해 4Hz 내지 15Hz의 신호를 통과시키는 대역통과 필터링하는 단계를 포함할 수 있다.

본 발명에서는 욕창 방지를 위해 동일한 자세를 일정 시간 이상 유지할 경우 환자 및 보호자에게 알람을 전송함으로써 자세를 변경하여 욕창을 방지할 수 있는 시스템을 통해 더욱 효과적으로 욕창을 예방할 수 있다.

특히 자신의 의사를 명확하게 표현하지 못하는 중환자의 경우 일반 환자보다 욕창 발병률이 더 높기 때문에 자세 여부를 실시간으로 보호자가 알게 함으로써 욕창으로 인한 합병증을 예방할 수 있게 되었다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 인공신경망의 계층 구조(layer structure)를 예시한 도면이다.
도 2는 심층 신경망의 일 예를 도시한 도면이다.
도 3는 BCG 파형을 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 헬스케어 기능을 구비한 침대 장치의 구성요소를 설명하기 위한 블록도이다.
도 5는 헬스케어 기능을 구비한 침대 장치(400)의 일 실시형태를 예시한 도면이다.
도 6은 개인 별 심탄도 파형을 예시한 도면이다.
도 7은 개인 별 누운 자세 구분 실험에 따른 자세 분류 정확도를 나타낸 도면이다.
도 8은 본 발명에 따른 학습된 어텐션 알고리즘 모델에서 누운 자세를 분류하기 위해 어텐션 스코어 합 등을 계산하는 방법을 예시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 헬스케어 기능을 구비한 단말 장치의 구성요소를 설명하기 위한 블록도이다.

이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.

본 발명은 욕창 방지를 위해 심탄도 신호를 이용한 딥러닝 알고리즘 기반 자세 분류 알고리즘 방법 및 시스템에 관한 것으로 침대에 내장된 심탄도 센서부로부터 사용자의 심탄도 신호를 받아 딥러닝 알고리즘으로 자세를 분류하고 장시간 동일한 자세를 유지할 경우 환자 및 보호자에게 알람을 통해 자세 변경 시점 안내함으로써 중환자의 피부 궤양을 예방할 수 있는 시스템에 관한 것이다.

본 발명을 설명하기에 앞서 인공 지능(AI), 머신 러닝, 딥러닝에 대해 설명한다. 이러한 세 가지 개념의 관계를 가장 쉽게 파악하는 방법은 세 개의 동심원을 가상하면 된다. 인공 지능이 가장 큰 원이고, 그 다음이 머신 러닝이며, 현재의 인공지능 붐을 주도하는 딥 러닝이 가장 작은 원이라 할 수 있다.

인공 지능이라는 개념은 1956년 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의에서 처음 등장했으며, 최근 몇 년 사이 폭발적으로 성장하고 있는 중이다. 특히 2015년 이후 신속하고 강력한 병렬 처리 성능을 제공하는 GPU의 도입으로 더욱 가속화되고 있죠. 갈수록 폭발적으로 늘어나고 있는 저장 용량과 이미지, 텍스트, 매핑 데이터 등 모든 영역의 데이터가 범람하게 된 빅데이터 시대의 도래도 이러한 성장세에 큰 영향을 미쳤다.

인공 지능 - 인간의 지능을 기계로 구현

1956년 당시 인공 지능의 선구자들이 꿈꾼 것은 최종적으로 인간의 지능과 유사한 특성을 가진 복잡한 컴퓨터를 제작하는 것이었다. 이렇듯 인간의 감각, 사고력을 지닌 채 인간처럼 생각하는 인공 지능을 ‘일반 AI(General AI)’라고 하지만, 현재의 기술 발전 수준에서 만들 수 있는 인공지능은 ‘좁은 AI(Narrow AI)’의 개념에 포함된다. 좁은 AI는 소셜 미디어의 이미지 분류 서비스나 얼굴 인식 기능 등과 같이 특정 작업을 인간 이상의 능력으로 해낼 수 있는 것이 특징이다.

머신 러닝 - 인공 지능을 구현하는 구체적 접근 방식

머신 러닝은 메일함의 스팸을 자동으로 걸러주는 역할을 합니다. 한편, 머신 러닝은 기본적으로 알고리즘을 이용해 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측을 수행한다. 따라서 궁극적으로는 의사 결정 기준에 대한 구체적인 지침을 소프트웨어에 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 ‘학습’시켜 작업 수행 방법을 익히는 것을 목표로 한다. 머신 러닝은 초기 인공 지능 연구자들이 직접 제창한 개념에서 나온 것이며, 알고리즘 방식에는 의사 결정 트리 학습, 귀납 논리 프로그래밍, 클러스터링, 강화 학습, 베이지안(Bayesian) 네트워크 등이 포함된다. 그러나 이 중 어느 것도 최종 목표라 할 수 있는 일반 AI를 달성하진 못했으며, 초기의 머신 러닝 접근 방식으로는 좁은 AI 조차 완성하기 어려운 경우도 많았던 것이 사실이다.

현재 머신 러닝은 컴퓨터 비전 등의 분야에서 큰 성과를 이뤄내고 있으나, 구체적인 지침이 아니더라도 인공 지능을 구현하는 과정 전반에 일정량의 코딩 작업이 수반된다는 한계점에 봉착하였다. 가령 머신 러닝 시스템을 기반으로 정지 표지판의 이미지를 인식할 경우, 개발자는 물체의 시작과 끝 부분을 프로그램으로 식별하는 경계 감지 필터, 물체의 면을 확인하는 형상 감지, ‘S-T-O-P’와 같은 문자를 인식하는 분류기 등을 직접 코딩으로 제작해야 한다. 이처럼 머신 러닝은 ‘코딩’된 분류기로부터 이미지를 인식하고, 알고리즘을 통해 정지 표지판을 ‘학습’하는 방식으로 작동된다.

머신 러닝의 이미지 인식률은 상용화하기에 충분한 성능을 구현하지만, 안개가 끼거나 나무에 가려서 표지판이 잘 보이지 않는 특정 상황에서는 이미지 인식률이 떨어지기도 한다. 최근까지 컴퓨터 비전과 이미지 인식이 인간의 수준으로 올라오지 못한 이유는 이 같은 인식률 문제와 잦은 오류 때문이다.

딥러닝 - 완전한 머신 러닝을 실현하는 기술

초기 머신 러닝 연구자들이 만들어 낸 또 다른 알고리즘인 인공 신경망(artificial neural network)에 영감을 준 것은 인간의 뇌가 지닌 생물학적 특성, 특히 뉴런의 연결 구조였습니다. 그러나 물리적으로 근접한 어떤 뉴런이든 상호 연결이 가능한 뇌와는 달리, 인공 신경망은 레이어 연결 및 데이터 전파 방향이 일정합니다.

예를 들어, 이미지를 수많은 타일(tile)로 잘라 신경망의 첫 번째 레이어에 입력하면, 그 뉴런들은 데이터를 다음 레이어로 전달하는 과정을 마지막 레이어에서 최종 출력이 생성될 때까지 반복합니다. 그리고 각 뉴런에는 수행하는 작업을 기준으로 입력의 정확도를 나타내는 가중치가 할당되며, 그 후 가중치를 모두 합산해 최종 출력이 결정됩니다. 정지 표지판의 경우, 팔각형 모양, 붉은 색상, 표시 문자, 크기, 움직임 여부 등 그 이미지의 특성이 잘게 잘려 뉴런에서 ‘검사’되며, 신경망의 임무는 이것이 정지 표지판인지 여부를 식별하는 것입니다. 여기서는 충분한 데이터를 바탕으로 가중치에 따라 결과를 예측하는 ‘확률 벡터(probability vector)’가 활용된다.

딥 러닝은 인공신경망에서 발전한 형태의 인공 지능으로, 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습합니다. 그러나 기본적인 신경망조차 굉장한 양의 연산을 필요로 하는 탓에 딥 러닝의 상용화는 초기부터 난관에 부딪혔다. 그럼에도 불구하고 연구자들의 연구는 지속됐고, 슈퍼컴퓨터를 기반으로 딥 러닝 개념을 증명하는 알고리즘을 병렬화하는데 성공했다. 그리고 병렬 연산에 최적화된 GPU의 등장은 신경망의 연산 속도를 획기적으로 가속하며 진정한 딥 러닝 기반 인공 지능의 등장을 불러왔다.

신경망 네트워크는 ‘학습’ 과정에서 수많은 오답을 낼 가능성이 크다. 정지 표지판의 예로 돌아가서, 기상 상태, 밤낮의 변화에 관계 없이 항상 정답을 낼 수 있을 정도로 정밀하게 뉴런 입력의 가중치를 조정하려면 수백, 수천, 어쩌면 수백만 개의 이미지를 학습해야 할지도 모른다. 이 정도 수준의 정확도에 이르러서야 신경망이 정지 표지판을 제대로 학습했다고 볼 수 있다. 2012년, 구글과 스탠퍼드대 앤드류 응(Andrew NG) 교수는 1만6,000개의 컴퓨터로 약 10억 개 이상의 신경망으로 이뤄진 ‘심층신경망(Deep Neural Network)’을 구현했다. 이를 통해 유튜브에서 이미지 1,000만 개를 뽑아 분석한 뒤, 컴퓨터가 사람과 고양이 사진을 분류하도록 하는데 성공했습니다. 컴퓨터가 영상에 나온 고양이의 형태와 생김새를 인식하고 판단하는 과정을 스스로 학습하게 한 것이다.

딥 러닝으로 훈련된 시스템의 이미지 인식 능력은 이미 인간을 앞서고 있습니다. 이 밖에도 딥 러닝의 영역에는 혈액의 암세포, MRI 스캔에서의 종양 식별 능력 등이 포함된다. 구글의 알파고는 바둑의 기초를 배우고, 자신과 같은 AI를 상대로 반복적으로 대국을 벌이는 과정에서 그 신경망을 더욱 강화해 나갔다. 딥 러닝의 등장으로 인해 머신 러닝의 실용성은 강화됐고, 인공 지능의 영역은 확장됐다. 딥 러닝은 컴퓨터 시스템을 통해 지원 가능한 모든 방식으로 작업을 세분화한다. 운전자 없는 자동차, 더 나은 예방 의학, 더 정확한 영화 추천 등 딥 러닝 기반의 기술들은 우리 일상에서 이미 사용되고 있거나, 실용화를 앞두고 있다. 딥 러닝은 공상 과학에서 등장했던 일반 AI를 실현할 수 있는 잠재력을 지닌 인공 지능의 현재이자, 미래로 평가 받고 있다.

이하 딥러닝에 대해 좀 더 구체적으로 살펴본다.

딥러닝이란 인간의 신경망(Neural Network) 이론을 이용한 인공신경망(Artificial Neural Network, ANN)의 일종으로, 계층 구조(Layer Structure)로 구성하면서 입력층(Input layer)과 출력층(Output layer) 사이에 하나 이상의 숨겨진 층(Hidden layer)(이하, 중간층이라 지칭함)을 갖고 있는 심층 신경망(Deep Neural Network, DNN)을 지칭하는 기계학습(Machine Learning) 모델 또는 알고리즘의 집합입니다. 간단히 말하면, 딥러닝(Deep Learning)은 심층 계층을 가진 인공신경망이라 할 수 있다.

사람의 뇌는 250억 개의 신경세포로 구성되어 있다고 추정됩니다. 뇌는 신경세포로 이루어지며, 각각의 신경세포(뉴런, Neuron)는 신경망을 구성하는 신경세포 1개를 지칭한다. 신경세포는 1개의 세포체(cell body)와 세포체의 돌기인 1개의 축삭(Axon or nurite) 및 보통 여러 개의 수상돌기(dendrite or protoplasmic process)를 포함하고 있다. 이러한 신경세포들 간의 정보 교환은 시냅스라고 부르는 신경세포 간의 접합부를 통하여 전달됩니다. 신경세포 하나만 떼어 놓고 보면 매우 단순하지만, 이러한 신경세포들이 모이면 인간의 지능을 지닐 수 있다. 수상돌기에서 다른 신경세포들이 보내는 신호를 전달받는 부분(Input)이고 축색돌기는 세포체로부터 아주 길게 뻗어가는 부분으로 다른 신경세포에 신호를 전달하는 부분(Output)이다. 신경세포들 사이의 신호를 전달해주는 축색돌기와 수상돌기 간을 연결해주는 시냅스라는 연결부가 있는데, 신경세포의 신호를 무조건 전달하는 것이 아니라, 신호 강도가 일정한 값(임계치, Threshold) 이상이 되어야 신호를 전달하는 것이다. 즉, 각 시냅스마다 연결강도가 다를 뿐만 아니라 신호를 전달할지 말지를 결정하게 되는 것이다.

인공지능의 한 분야인 인공신경망(ANN)은 생물학(통상 인간)의 뇌 구조(신경망)를 모방하여 모델링한 수학적 모델이다. 즉, 인공신경망은 이러한 생물학적 신경세포의 정보처리 및 전달 과정을 모방하여 구현한 것이다. 인간의 뇌가 문제를 해결하는 방식과 유사하게 구현한 것으로서 신경망은 각 신경세포가 독립적으로 동작하는 하기 때문에 병렬성이 뛰어나다. 또한 많은 연결선에 정보가 분산되어 있어서 몇몇 신경세포에 문제가 발생해도 전체에 큰 영향을 주지 않으므로 일정 수준의 오류에 강하고 주어진 환경에 대한 학습 능력을 갖고 있다.

심층신경망(Deep neural network)는 인공신경망의 후손이라 볼 수 있으며, 기존의 한계를 뛰어넘어서 과거에 수많은 인공 지능 기술이 실패를 겪었던 영역에 성공 사례를 거두고 인공신경망의 최신 버전이다. 생물학적 신경망을 모방하여 인공신경망을 모델링한 내용을 살펴보면 처리 단위(Processing unit) 측면에서는 생물적인 뉴런(neurons)이 노드(nodes)로, 연결성(Connections)은 시냅스(Synapse)가 가중치(weights)로 다음 표 1과 같이 모델링 되었다.

생물학적 신경망	인공신경망
세포체	노드(node)
수상돌기	입력(input)
축삭(Axon)	출력(output)
시냅스	가중치(weight)

도 1은 인공신경망의 계층 구조(layer structure)를 예시한 도면이다.

인간의 생물학적 신경세포가 하나가 아닌 다수가 연결되어 의미 있는 작업을 하듯, 인공신경망의 경우도 개별 뉴런들을 서로 시냅스를 통해 서로 연결시켜서 복수개의 계층(layer)이 서로 연결되어 각 층간의 연결 강도는 가중치로 수정(update) 가능합니다. 이와 같이 다층 구조와 연결강도로 학습과 인지를 위한 분야에 활용됩니다.

각 노드들은 가중치가 있는 링크들로 연결되어 있고, 전체 모델은 가중치를 반복적으로 조정하면서 학습을 한다. 가중치는 장기 기억을 위한 기본 수단으로서 각 노드들의 중요도를 표현한다. 간단히 이야기하면, 인공신경망은 이들 가중치를 초기하고 훈련시킬 데이터 세트로 가중치를 갱신하여 조정하여 전체 모델을 훈련시키는 것입니다. 훈련이 완료된 후에 새로운 입력값이 들어오면 적절한 출력값을 추론해 내게 된다. 인공신경망의 학습원리는 경험의 일반화로부터 지능이 형성되는 과정이라고 보면 되고 bottom-up 방식으로 이루어지게 된다. 도 1에서 중간층이 2개 이상(즉 5~10개)일 경우를 층이 깊어진다고 보고 심층신경망(Deep Neural Netowkr)이라 하며, 이러한 심층신경망을 통해서 이루어진 학습과 추론 모델을 딥러닝이라고 지칭할 수 있다.

인공신경망은 입력과 출력을 제외하고 하나의 중간계층(통상적으로 은닉계층, 'hidden layer'라 지칭함)을 가지고 있어도 어느 정도의 역할을 수행할 수 있지만, 문제의 복잡도가 커지면 노드의 수 또는 계층의 수를 증가시켜야 한다. 이 중에서 계층의 수를 증가시켜 다층구조 모델을 가져가는 것이 효과적인데, 효율적인 학습이 불가능하고 네트워크를 학습하기 위한 계산량이 많다는 한계로 인해 활용 범위가 제한적이다.

그러나, 위와 같이 기존의 한계점이 극복됨으로써, 인공신경망은 깊은 구조(Deep Structure)를 가져갈 수 있게 되었습니다. 이로 인해 복잡하고 표현력 높은 모델을 구축할 수 있게 되어 음성인식, 얼굴인식, 물체인식, 문자인식 등 다양한 분야에서 획기적인 결과들이 발표되고 있다.

도 2는 심층 신경망의 일 예를 도시한 도면이다.

심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다. 입력층(Input layer)과 출력층(Output layer) 사이에 하나 이상의 은닉계층(Hidden layer)을 갖고 있는 심층 신경망(Deep Neural Network, DNN)을 지칭하는 머신 러닝(기계학습(Machine Learning)) 모델 또는 알고리즘의 집합이다. 신경망의 연결은 입력층에서 은닉계층으로,은닉계층에서 출력층으로 이루어진다.

심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. 예를 들어, 물체 식별 모델을 위한 심층 신경망 구조에서는 각 물체가 영상의 기본적 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모인 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경망에 비해 더 적은 수의 유닛(unit, node)들 만으로도 복잡한 데이터를 모델링할 수 있게 해준다.

이전의 심층 신경망들은 보통 앞먹임 신경망으로 설계되어 왔지만, 최근의 연구들은 심층 학습 구조들을 순환 신경망(Recurrent Neural Network, RNN)에 성공적으로 적용했다. 일례로 언어 모델링(language modeling) 분야에 심층 신경망 구조를 적용한 사례 등이 있다. 합성곱 신경망(Convolutional Neural Network, CNN)의 경우에는 컴퓨터 비전(computer vision) 분야에서 잘 적용되었을 뿐만 아니라, 각각의 성공적인 적용 사례에 대한 문서화 또한 잘 되어 있다. 더욱 최근에는 합성곱 신경망이 자동음성인식(Automatic Speech Recognition, ASR)을 위한 음향 모델링(acoustic modeling) 분야에 적용되었으며, 기존의 모델들 보다 더욱 성공적으로 적용되었다는 평가를 받고 있다. 심층 신경망은 표준 오류역전파 알고리즘으로 학습될 수 있다. 이때, 가중치(weight)들은 아래의 등식을 이용한 확률적 경사 하강법(stochastic gradient descent)을 통하여 갱신될 수 있다.

어텐션 메커니즘(어텐션 알고리즘)

본 발명에서 사용하는 알고리즘 모델은 어텐션 메커니즘(Attention Mechanism) 혹은 어텐션 알고리즘이다. 기존 RNN(Recurrent Neural Networks) 방식은 연속적인 데이터를 처리하는데 특화된 알고리즘으로 각광을 받았지만, 몇가지 문제점을 가지고 있다. 즉, 시퀀스로 입력을 모두 받은 후에 디코딩을 하는 방식이기 때문에 병렬화가 불가능하고, 고정된 크기의 Context 벡터에 모든 입력 값에 대한 정보를 압축하여 집어넣기 때문에 긴 데이터를 처리할 때 병목현상이 발생되어 정확도가 떨어지고, 관련 노드와의 거리가 멀어지면 long-term dependency 특성에 의해 예측에 문제가 생긴다.

어텐션 메커니즘은 영상처리 분야에서 등장한 개념으로 사람의 눈은 자신이 보고자 하는 것에 초점을 맞춰서 봄으로써 마치 필요한 정보에 가중치를 두고 처리하는 듯한 구조를 가진다. 어텐션(Attention)은 말 그대로 필요한 정보에 주목해 그 정보로부터 sequence 변환을 수행하는 구조이다. 어텐션 매커니즘은 기계번역을 위한 seq2seq모델에 처음 도입되었다. 어텐션 메커니즘은 seq2seq의 Encoder와 Decoder를 개선하는 방향으로 개발되었다. seq2seq모델에 입력과 출력이 서로 대응되는 정보에 큰 가중치를 매길 수 있도록 해주는 것이 어텐션 메커니즘의 아이디어이다.

첫번째 개선한 점은 Decoder가 입력의 정보 중 필요한 정보에만 주목해 변환을 수행하도록 하는 것이다. 그러기 위해서 어떤 계산을 수행하는 층이 추가된다. 어떤 계산을 통해 필요한 정보만 골라 Affine layer로 넘겨주고, 이렇게 우리는 각 시점에서 Decoder에 입력된 값과 대응 관계인 정보에 주목한다. 다만, 이 개선에는 한가지 문제가 따르는데, 어떤 시점의 입력에 중요한 정보를 선택하는 작업은 미분할 수 없다는 점입니다. 일반적으로 오차역전파법을 사용하기 위해서는 미분이 가능해야합니다. 이런 문제를 해결하는 아이디어로, '하나를 선택' 하는 것이 아니라, '모든 것을 선택' 하면 된다. 그때 모든 정보에 중요도를 매겨 '가중치'를 별도로 부여합니다. 그리고 가중합을 계산해, Context Vector (맥락 벡터)를 계산한다. 이 맥락 벡터에는 그 시점의 변환을 수행하는 데 필요한 정보가 담기게 된다.

두 번째 개선한 점은, 맥락 벡터를 얻기 위해, 각 정보의 중요도를 나타내는 가중치를 구할 수 있도록 준비해야 한다. 수작업이 아닌, 데이터로부터 자동으로 학습할 수 있게 준비해야 한다. 가중치를 구하기 위해 먼저 개선된 Encoder의 hidden state 행렬과 Decoder의 각 시점의 hidden state 벡터의 유사도를 계산한다. 이때 유사도를 계산하기 위해 내적을 사용한다. 유사도 계산의 척도는 내적 외에도 많다. 그 후 유사도를 정규화하기 위해 Softmax 함수를 적용한다다. 이와 같이, 각 정보의 중요도를 나타내는 가중치를 구할 수 있게 된다. Decoder의 개선의 어떤 계산을 (1) 각 정보의 중요도 가중치 구하기 (2) 맥락 벡터 계산의 두가지 내용으로 나눠서 확인했고, 이 어떤 계산을 해주는 계층을 '어텐션(Attention)' layer으로 부른다.

본 발명에서 환자의 욕창 방지를 위해 환자의 심탄도 신호를 센싱하는데 먼저 심탄도에 대한 사항을 간략히 설명한다. 본 발명에서는 심탄도 신호를 이용해 딥러닝 알고리즘으로 자세를 분류하고 장시간 동안 자세에 변동이 없을 때 환자 및 보호자에게 알람을 주게 된다. 심탄도(Ballistocardiogram, BCG)는 심장 박동 시 신체에서 발생하는 미세한 진동을 측정하는 방법이다. 본 발명에서는 침대에 내장된 심탄도 센서(예, PVDF 센서)로부터 심탄도를 측정하고 측정된 심탄도 파형을 딥러닝 알고리즘을 통과하여 4개의 클래스(정자세, 엎드린 자세, 오른쪽으로 누운 자세, 왼쪽으로 누운 자세)로 분류함과 동시에 데이터베이스에 결과를 저장하고 자세 유지 시간을 확인한다. 이하 본 발명을 구체적으로 설명하기에 앞서 심탄도에 대한 간략히 설명한다.

심탄도(Ballistocardiogram, BCG)

심장주기 동안 심실로부터 배출된 혈액이 대동맥을 통과하는 순간 우리 몸에 반동을 전달하게 된다. 이와 관련된 심장 및 혈관에서의 혈류변화에 따른 진동(탄도)을 계측한 신호를 심탄도(Ballistocardiogram, BCG)라고 한다. 심탄도는 심장의 수축과 이완에 따라 심장과 혈관에서의 혈류변화에 따른 탄도를 계측한 신호를 의미하며, 심전도와 유사하게 심장의 활동 상태를 나타내는 지표이다.

심탄도는 심전도와 유사하게 심장의 활동상태를 나타내는 지표로서 심박출량, 심근기능 손상에 따른 역류 및 이상혈류 현상에 대한 정보를 포함하는 것으로 알려져 있다. 따라서 이 생체신호는 심장기능 평가, 심장병(심근장애 등) 진단, 치료효과 확인 및 회복 정도 관찰 등 임상적으로 활용할 수 있는 잠재성을 가지고 있다. 심탄도 신호는 가속도 센서, 로드셀 센서, PVDF필름 센서, EMFi 센서 등을 통해 측정할 수 있다. 이러한 센서들을 이용하면 신체에 전극을 부착할 필요가 없기 때문에 무구속/무자각 상태에서 신호를 계측할 수 있으며, 장시간 또는 일상생활 중 건강 모니터링에 유용하게 활용될 수 있다.

도 3는 BCG 파형을 예시한 도면이다.

도 3을 참조하면, 심방 수축하면 BCG 맥파가 시작되고 이어서 심실이 수축한다. 맥파 최대 값과 최소값은 H에서 N까지 문자로 표시한다. 심실 수축기에 해당하는 H-K 파와 심장의 이완에 해당하는 확장기 동안 L-N 파가 발생한다. BCG 맥파의 파형은 심장과 혈액 흐름에 의해 생성되는 힘의 조합이다. 이로 인해 파형을 특정 생리적 현상과 관련시키는 것이 쉽지 않다. 개별적으로 인체의 물리적 특성은 다른 BCG 펄스를 나타낸다. I 파는 심실 수축기 직후에 발생한다. 주로 대동맥으로의 혈액 가속으로 인한 반동 효과에 의해 발생한다. 머리방향으로의 혈액 흐름은 다리 방향으로 반동력을 유발한다. 대동맥궁이 아래 방향으로 향하면 혈액 흐름의 방향이 바뀐다. 이때, 머리 방향으로 반동력을 생성하며, 심탄도는 강한 J 파를 나타낸다. K-파는 체순환 혈류 감속으로 인해 발생한다고 추정한다. 이완기 L-, M- 및 N- 파의 해석은 불확실하다. 이 파형들은 주로 말초 순환의 혈류 방향 변화에 기인한다고 생각한다. 심장으로 순환되어 심방이 채워지는 이완기 혈액 흐름은 이완기 파형에 작은 영향을 미친다[31]. 호흡 효과로 인해, I 및 J 파는 일반적으로 흡기 동안 진폭이 증가하고 호기 동안 진폭이 감소한다. 모든 파형의 합은 상대적인 심박출량을 나타낸다. 심탄도(ballistocardiogram)는 일반적으로 머리로 향한 힘이 상승파로 나타나고 다리로 향한 힘이 감소파로 나타나는 방식으로 측정된다.

본 발명에서 환자의 욕창 방지를 위해 환자의 심탄도 신호를 센싱하여 소정의 학습된 어텐션 알고리즘에 적용하여 환자의 누운 자세를 분류하여 판단하는 방법을 제안한다.

도 4는 본 발명의 일 실시예에 따른 헬스케어 기능을 구비한 침대 장치의 구성요소를 설명하기 위한 블록도이고, 도 5는 헬스케어 기능을 구비한 침대 장치(400)의 일 실시형태를 예시한 도면이다.

도 4를 참조하면, 헬스케어 기능을 구비한 침대 장치(400)는 프로세서(410), 심탄도 센서부(420), 통신부(430), 메모리(440), 알람부(450) 및 본체부(460)를 포함할 수 있다.

도 5에 도시한 바와 같이, 본체부(460)는 침대 패드, 침대 프레임 등을 구비할 수 있다. 특히, 환자가 누울 수 있는 침대 패드 내부에는 심탄도 센서부(420)(예를 들어, 박막형 압력 센서를 포함하는 센서부)가 구비될 수 있다. 심탄도 센서부(420)는 박막형 압력 센서 및 박막형 압력 센서를 양면으로 덮기 위한 복수의 실리콘 재질의 패드를 포함할 수 있다.

심탄도 센서부(420)는 침대 패드에 누워있는 환자의 심탄도 신호들를 센싱할 수 있다. 박막형 압력 센서는 예를 들어, PVDF 재질 혹은 PZT, BST, PN, PT 등의 세라믹스 박막 재질 등으로 이루어진 센서일 수 있고, 박막형 압력 센서를 양면으로 덮고 있는 실리콘 재질의 패드, 열선 등이 심탄도 센서부(420)에 포함될 수 있다. 여기서는 설명의 편의를 위해 박막형 압력 센서를 PVDF 센서라고 칭하여 이하 설명한다.

PVDF 센서를 앙면으로 덮는 재질로서 본 발명에서는 다양한 실험을 통해 실리콘 재질로 할 것을 제안하는데, 이는 환자의 누운 자세에서 심탄도 신호를 센싱하는데 실리콘 재질의 패드에서 응답 특성이 가장 좋게 나왔기 때문이다. 특히, 실리콘 재질의 패드는 실리콘 0.3mm, 0.6mm, 1.0mm, 2.0mm 등이 될 수 있으나 두께 별로 응답 특성의 차이는 크게 보이지 않으나 침대, 안락 의자(리클라이너) 제품에 적용 시 이물감을 최소화하기 위해 0.3mm 두께로 하는 것이 바람직할 수 있다. 심탄도 센서부(420)에 열선이 포함될 수 있는데, 열선으로 온열을 작동하였을 때, 심탄도 신호 측정에 대한 영향은 실험단계에서는 발견되지 않아서 장시간 온열이 아니라면 열선이 동작하더라도 무방하다.

도 5에 도시한 바와 같이, 누운 자세를 정확히 센싱하기 위해서 심탄도 센서부(420)(PVDF 센서)가 침대 패드 위에서 바라본 경우‘알파벳 엔(N)’자 모양으로 배치되어 있는 것이 바람직하다. 심탄도 센서부(420)를 침대 패드 내부 표면에 접촉하도록 배치할 필요가 있다. 만약 심탄도 센서부(420)가 침대패드 표면 사이에 스폰지 등의 중간 물질이 있게 된다면 이 역시 누운 자세로부터 신호가 잘 관측되지 않을 수 있기 때문이다. 이와 같이, 심탄도 센서부(420)는 침대 패드면의 내부에 부착되어 환자의 심탄도를 센싱하도록 구비된다. 침대 패드면은 특정 재질(예, 가죽 등)로 커버되어 있을 수 있다. 심탄도 센서부(420)는 환자가 누운 자세에서 센싱할 수 있기 위해 침대 패드의 센터에 배치되도록 구비될 수 있다.

도 6은 개인 별 심탄도 파형을 예시한 도면이다.

도 6을 참고하면, 총 10명(Subject 1 내지 Subject 10)의 개인 별로 심탄도 파형을 정자세(등을 바닥에 대고 반듯이 누운 자세)(Supine), 엎드린 자세(Prone), 오른쪽으로 누운 자세(Right), 왼쪽으로 누운 자세(Left) 별로 각각 도시하고 있다. 도 6에 도시된 것과 같이 환자의 심탄도 파형을 어텐션 알고리즘 모델에 학습시킨다.

본 발명에서 환자의 누운 자세 분류에 사용된 방법은 어텐션 알고리즘 모델이다. 어텐션 알고리즘 모델은 데이터로부터 분류할 자세에 높은 중요도(가중치)를 가지는 부분을 참고해서 예측하는 방법이다. 분류 과정은 다음과 같다. 우선 침대에 내장된 심탄도 센서부(420)를 통해 1채널 심탄도 신호에 대한 데이터를 측정 및 획득한다. 프로세서(410)는 소정 시간 동안 심탄도 센서부(420)에서 센싱된 심탄도 신호들에 대해 전처리를 수행한다.

프로세서(410)는 획득한 심탄도 신호에 대한 데이터(Raw data)에서 노이즈를 제거하기 위해 대역통과 필터링(Bandpass filtering) 하는 등의 전처리를 수행하는데, 대역통과 필터링 시, 심탄도 신호의 특성을 고려하여 저주파 차단 주파수를 4Hz, 고주파 차단 주파수를 15Hz 로 설정하여, 4Hz~15Hz의 신호만을 통과하도록 처리한다.

프로세서(420)는 전처리된 데이터가 소정의 학습된 어텐션 알고리즘 모델에서 연산을 거쳐 4가지 자세 중 한 자세를 추정한다. 프로세서(410)는 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 소정 시간 동안의 환자의 누운 자세를 분류할 수 있는데, 전처리된 심탄도 신호들에서 가중치를 적용하여 상기 누운 자세를 분류할 수 있다. 어텐션 알고리즘 모델은 4가지 자세에 대해 전처리된 심탄도 신호들을 각각 학습하되, 단위시간 동안 심탄도 신호의 파형의 진폭의 크기가 큰 부분에 더 가중치를 부여하는 방식으로 학습된다.

여기서, 전처리는 센싱된 심탄도 신호들을 아날로그 필터링하고,필터링된 심탄도 신호들을 증폭하고, 증폭된 심탄도 신호들을 디지털 신호로 변환하고, 디지털 신호로 변환된 심탄도 신호들을 디지털 필터링하는 일련의 프로세스를 포함할 수 있다.

프로세서(420)는 소정 시간 동안 상기 환자의 누운 자세가 변경되지 않는 것으로 확인한 경우에 알람부(450)가 환자에게 경고음, 경고화면 등으로 알람을 주도록 제어할 수 있다. 또한, 프로세서(420)는 소정 시간 동안 상기 환자의 누운 자세가 변경되지 않는 것으로 확인한 경우에, 통신부(430)가 환자의 누운 자세 변경을 요청하는 메시지를 환자 곁에 있지 않는 환자의 보호자 및/또는 환자가 입원한 병원의 단말기로 전송하도록 제어할 수 있다. 예를 들어, 프로세서(420)는 소정 시간(예, 1분) 마다 환자의 누운 자세를 분류하되 소정 시간(예, 1시간)동안 연속적으로 같은 누운 자세로 추정되는 경우에 알람을 발생시킬 수 있다.

프로세서(420)는 입력된 심탄도 신호들을 학습된 어텐션 알고리즘 모델에 적용하여 환자의 누운 자세를 똑바로 누운 자세(supine), 엎드린 자세(prone), 왼쪽으로 누운 자세 또는 오른쪽으로 누운 자세 중 어느 하나로 분류할 수 있다.

도 7은 개인 별 누운 자세 구분 실험에 따른 자세 분류 정확도를 나타낸 도면이고, 도 8은 본 발명에 따른 학습된 어텐션 알고리즘 모델에서 누운 자세를 분류하기 위해 어텐션 스코어 합 등을 계산하는 방법을 예시한 도면이다.

도 7을 참조하면, 어텐션 알고리즘 모델은 4가지 자세에 대해 전처리된 심탄도 신호들을 각각 학습하되, 단위시간 동안 심탄도 신호의 파형의 진폭의 크기가 큰 부분에 더 가중치를 부여하는 방식으로 학습되었다. 피실험자(subject) 10명 각각에 대해 센싱된 심탄도 파형을 본 발명에 따른 학습된 어텐션 알고리즘 모델에 적용하여 누운 자세를 분류하여 예측하였을때 99.2%의 정확도를 보였으며, 상당히 정확도가 높다는 것을 알 수 있었다.

도 8에 도시된 어텐션 알고리즘 모델의 수학식에 따라 어텐션 스코어의 합을 계산하여 4가지의 누운 자세 중 하나를 환자의 누운 자세로 추정할 수 있다. 1시간(60분간) 환자의 누운 자세가 동일한 것으로 추정되는 경우에는 알람을 주도록 설계되었음을 알 수 있다.

본 발명에서는 욕창 방지를 위해 동일한 자세를 일정 시간 이상 유지할 경우 환자 및 보호자에게 알람을 전송함으로써 자세를 변경하여 욕창을 방지할 수 있는 시스템을 통해 더욱 효과적으로 욕창을 예방할 수 있다. 특히 자신의 의사를 명확하게 표현하지 못하는 중환자의 경우 일반 환자보다 욕창 발병률이 더 높기 때문에 자세 여부를 실시간으로 보호자가 알게 함으로써 욕창으로 인한 합병증을 예방할 수 있게 되었다.

도 9는 본 발명의 일 실시예에 따른 헬스케어 기능을 구비한 단말 장치의 구성요소를 설명하기 위한 블록도이다.

도 9를 참조하면, 헬스케어 기능을 구비한 단말 장치(900)는 프로세서(910), 통신부(920) 및 메모리(930)을 포함할 수 있다. 통신부(920)는 침대를 이용하는 환자에 대해 소정 시간 동안 센싱된 심탄도 신호들에 대한 정보를 외부(예를 들어, 환자의 누워있는 침대 장치(400) 혹은 병원의 단말/서버 등)로부터 수신할 수 있다. 프로세서(910)는 수신된 심탄도 신호들에 대해 전처리를 수행하고, 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정할 수 있다. 프로세서(910)는 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성할 수 있다.

프로세서(910)의 전처리는 4Hz 내지 15Hz의 신호를 통과시키는 대역통과 필터링을 포함할 수 있다. 프로세서(910)는 환자의 누운 자세를 똑바로 누운 자세(supine), 엎드린 자세(prone), 왼쪽으로 누운 자세 또는 오른쪽으로 누운 자세 중 어느 하나로 추정할 수 있다.

통신부(920)는 생성된 환자의 누운 자세에 대해 경고할 수 있는 신호를 상기 환자의 단말기, 상기 환자의 보호자의 단말기 및 상기 환자가 입원한 병원의 단말기 중 적어도 어느 하나에 전송할 수 있다. 메모리(930)는 소정 시간 동안 추정된 환자의 누운 자세의 분류 등을 데이터베이스화하여 저장할 수 있다. 단말 장치(900)는 사용자가 휴대할 수 있는 단말기로서 스마트폰, 태블릿 PC, 웨어러블 디바이스 등 다양한 형태일 수 있으며, 단말 장치(900)의 프로세서(910)는 침대 장치(400)의 프로세서(410)의 기능과 거의 동일하므로, 동일한 사항들에 대한 설명은 생략하였으며, 프로세서(910)의 기능은 프로세서(410)의 기능 설명 부분이 적용된다고 할 수 있다.

프로세서(410, 910)는 컨트롤러(controller), 마이크로 컨트롤러(microcontroller), 마이크로 프로세서(microprocessor), 마이크로 컴퓨터(microcomputer) 등으로도 호칭될 수 있다. 한편, 프로세서(410, 910)는 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어, 또는 이들의 결합에 의해 구현될 수 있다. 하드웨어를 이용하여 본 발명의 실시예를 구현하는 경우에는, 본 발명을 수행하도록 구성된 ASICs(application specific integrated circuits) 또는 DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays) 등이 프로세서(410, 910)에 구비될 수 있다.

이상에서 설명된 실시예들은 본 발명의 구성요소들과 특징들이 소정 형태로 결합된 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려되어야 한다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시예를 구성하는 것도 가능하다. 본 발명의 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다. 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함시킬 수 있음은 자명하다.

본 발명은 본 발명의 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (13)

1. 헬스케어 기능을 구비한 침대 장치에 있어서,
   침대 패드를 구비한 본체부;
   상기 침대 패드에 누워있는 환자의 심탄도 신호들를 센싱하기 위해 상기 침대 패드 내부에 구비된 심탄도 센서부;
   소정 시간 동안 상기 심탄도 센서부에서 센싱된 심탄도 신호들에 대해 전처리를 수행하고,
   상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하며,
   상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 프로세서를 포함하는, 침대 장치.
2. 제 1항에 있어서,
   상기 생성된 경고 신호를 상기 환자에게 알리는 알람부; 및
   상기 생성된 경고 신호를 상기 환자의 보호자의 단말기 또는 상기 환자가 입원한 병원의 단말기로 전송하는 통신부를 더 포함하는, 침대 장치.
3. 제 1항에 있어서,
   상기 심탄도 센서부는,
   박막형 압력 센서; 및
   상기 박막형 압력 센서를 양면으로 덮기 위한 복수의 실리콘 재질의 패드를 포함하는, 침대 장치.
4. 제 1항에 있어서,
   상기 프로세스가 수행하는 전처리는 4Hz 내지 15Hz의 신호를 통과시키는 대역통과 필터링을 포함하는, 침대 장치.
5. 제 1항에 있어서,
   상기 프로세서는 상기 환자의 누운 자세를 똑바로 누운 자세(supine), 엎드린 자세(prone), 왼쪽으로 누운 자세 또는 오른쪽으로 누운 자세 중 어느 하나로 추정하는, 침대 장치.
6. 단말 장치에 있어서,
   침대를 이용하는 환자에 대해 소정 시간 동안 센싱된 심탄도 신호들에 대한 정보를 외부로부터 수신하는 통신부; 및
   상기 수신된 심탄도 신호들에 대해 전처리를 수행하고,
   상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하며,
   상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 프로세서를 포함하는, 단말 장치.
7. 제 6항에 있어서,
   상기 프로세서는 상기 환자의 누운 자세를 똑바로 누운 자세(supine), 엎드린 자세(prone), 왼쪽으로 누운 자세 또는 오른쪽으로 누운 자세 중 어느 하나로 추정하는, 단말 장치.
8. 제 6항에 있어서,
   상기 통신부는 상기 생성된 환자의 누운 자세에 대해 경고할 수 있는 신호를 상기 환자의 단말기, 상기 환자의 보호자의 단말기 및 상기 환자가 입원한 병원의 단말기 중 적어도 어느 하나에 전송하는, 단말 장치.
9. 침대 장치가 침대에 누워지내는 환자를 케어하는 방법에 있어서,
   침대 패드에 누워있는 환자의 심탄도 신호들를 센싱하는 단계;
   소정 시간 동안 센싱된 심탄도 신호들에 대해 전처리를 수행하는 단계;
   상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하는 단계; 및
   상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 단계를 포함하는, 침대 장치가 침대에 누워지내는 환자를 케어하는 방법.
10. 제 9항에 있어서,
    상기 생성된 경고 신호를 상기 환자, 상기 환자의 보호자의 단말기 및 상기 환자가 입원한 병원의 단말기 중 적어도 어느 하나로 전달하는 단계를 더 포함하는, 침대 장치가 침대에 누워지내는 환자를 케어하는 방법.
11. 단말 장치가 침대에 누워지내는 환자를 케어하는 방법에 있어서,
    침대를 이용하는 환자에 대해 소정 시간 동안 센싱된 심탄도 신호들에 대한 정보를 외부로부터 수신하는 단계;
    상기 수신된 심탄도 신호들에 대해 전처리를 수행하는 단계;
    상기 전처리된 심탄도 신호들을 학습된 소정의 어텐션 알고리즘 모델에 적용하여 4개의 누운 자세 중에서 상기 소정 시간 동안의 상기 환자의 누운 자세를 추정하는 단계; 및
    상기 추정된 환자의 누운 자세가 일정 시간 동일하다가 판단되는 경우 상기 환자의 누운 자세에 대해 경고할 수 있는 신호를 생성하는 단계를 포함하는, 단말 장치가 침대에 누워지내는 환자를 케어하는 방법.
12. 제 9항 및 제 10항 중 어느 한항에 기재된 침대 장치가 침대에 누워지내는 환자를 케어하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
13. 제 11항에 기재된 단말 장치가 침대에 누워지내는 환자를 케어하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

Images