KR20230107460A - 안대형 수면측정장치를 이용한 ai 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법 - Google Patents
안대형 수면측정장치를 이용한 ai 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법 Download PDFInfo
- Publication number
- KR20230107460A KR20230107460A KR1020220003049A KR20220003049A KR20230107460A KR 20230107460 A KR20230107460 A KR 20230107460A KR 1020220003049 A KR1020220003049 A KR 1020220003049A KR 20220003049 A KR20220003049 A KR 20220003049A KR 20230107460 A KR20230107460 A KR 20230107460A
- Authority
- KR
- South Korea
- Prior art keywords
- sleep
- data
- bio
- signal
- unit
- Prior art date
Links
- 238000007726 management method Methods 0.000 title claims abstract description 38
- 230000007958 sleep Effects 0.000 claims abstract description 137
- 208000019116 sleep disease Diseases 0.000 claims abstract description 81
- 208000020685 sleep-wake disease Diseases 0.000 claims abstract description 68
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 17
- 238000002372 labelling Methods 0.000 claims description 46
- 238000004891 communication Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 9
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 7
- 230000036760 body temperature Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000013518 transcription Methods 0.000 claims description 4
- 230000035897 transcription Effects 0.000 claims description 4
- 238000000746 purification Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 10
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000004424 eye movement Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008452 non REM sleep Effects 0.000 description 3
- 230000036385 rapid eye movement (rem) sleep Effects 0.000 description 3
- 201000002859 sleep apnea Diseases 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 230000002194 synthesizing effect Effects 0.000 description 3
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 208000035475 disorder Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 208000006199 Parasomnias Diseases 0.000 description 1
- 206010062519 Poor quality sleep Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 206010020765 hypersomnia Diseases 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003860 sleep quality Effects 0.000 description 1
- 230000008667 sleep stage Effects 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
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6813—Specially adapted to be attached to a specific body part
- A61B5/6814—Head
- A61B5/6821—Eye
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F9/00—Methods or devices for treatment of the eyes; Devices for putting-in contact lenses; Devices to correct squinting; Apparatus to guide the blind; Protective devices for the eyes, carried on the body or in the hand
- A61F9/04—Eye-masks ; Devices to be worn on the face, not intended for looking through; Eye-pads for sunbathing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
- A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
- A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Anesthesiology (AREA)
- Social Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Ophthalmology & Optometry (AREA)
- Hospice & Palliative Care (AREA)
- Pulmonology (AREA)
- Educational Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Nursing (AREA)
- Vascular Medicine (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pain & Pain Management (AREA)
- Acoustics & Sound (AREA)
- Hematology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법에 관한 것으로, 안대형 수면측정장치에 측정된 생체신호 데이터와 블랙박스장치에서 수집된 수면영상을 AI 수면장애 관리 시스템에서 분석하여 수면장애를 진단하고 그 결과를 포탈 서버에 공유하여 의료진, 관계자 및 사용자가 열람할 수 있는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법에 관한 것이다.
본 발명은 인공지능에 의해 수면장애를 정밀하게 분석하여 그 분석결과를 포탈에 공유하여 의료진, 관계자, 사용자 등이 수면장애 분석결과에 쉽게 접근할 수 있는 이점이 있다.
또한, 본 발명은 수면장애를 분석하여 각각의 환자에 맞는 맞춤형 치료나 의료 정보를 제공할 수 있는 이점이 있다.
본 발명은 인공지능에 의해 수면장애를 정밀하게 분석하여 그 분석결과를 포탈에 공유하여 의료진, 관계자, 사용자 등이 수면장애 분석결과에 쉽게 접근할 수 있는 이점이 있다.
또한, 본 발명은 수면장애를 분석하여 각각의 환자에 맞는 맞춤형 치료나 의료 정보를 제공할 수 있는 이점이 있다.
Description
본 발명은 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법에 관한 것으로, 안대형 수면측정장치에 측정된 생체신호 데이터와 블랙박스장치에서 수집된 수면영상을 AI 수면장애 관리 시스템에서 분석하여 수면장애를 진단하고 그 결과를 포탈 서버에 공유하여 의료진, 관계자 및 사용자가 열람할 수 있는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법에 관한 것이다.
수면은 우리 모두가 경험하는 자연적인 현상이다. 적절한 수면시간은 사람들마다 다르다. 정상적인 경우 신생아 때는 하루 16시간, 1세 때는 12~13시간 잠을 자며, 성인은 밤에 8시간, 노년기에는 6시간 정도의 잠을 잔다. 수면은 크게 넌렘(Non-REM)수면과 렘(REM)수면으로 나뉜다. 넌렘수면은 전체 수면의 75-80%를 차지하면서, 우리 몸의 신체적인 회복에 필요하다. 넌렘수면은 다시 4단계로 나뉘어져서 1, 2단계는 옅은 잠이고, 3, 4단계는 깊은 잠이다. 렘수면은 꿈을 꾸는 잠으로 알려져 있는데, 수면의 20-25%를 차지하며, 마음과 정신의 피로를 회복하는데 필요한 잠이다.
따라서, 여러 가지 원인에 의하여 잠이 부족하거나 깊은 잠과 렘수면이 적어지면 일상생활에 많은 장애를 초래한다. 수면장애의 종류는 불면증, 수면무호흡증, 수면과다증, 수면중 이상행동(Parasomnia), 수면주기장애 등과 그 외에도 수십 가지가 있다. 또한, 각 수면장애의 원인은 매우 다양하기 때문에 진단을 정확하게 하는 것이 중요하다. 섣불리 약을 복용하는 것은 치료를 더욱 어렵게 하거나, 수면장애 자체를 악화시켜서 뇌졸중이나 심근경색증과 같은 심각한 중증을 야기할 수도 있다. 수면장애의 진단에 가장 도움이 되는 검사가 수면다원검사이다. 수면다원검사(Polysomnography)는 수면장애를 진단하기 위한 검사로서, 수면 중 뇌파, 안구운동, 근육의 움직임, 호흡, 심전도 등을 종합적으로 측정하고 동시에 수면 상태를 비디오로 녹화한 후, 측정 및 녹화된 기록을 분석하여 수면과 관련된 질환을 진단하고 치료방침을 정하는데 사용되고 있다.
수면다원검사는 1) 수면의 각 단계별로 자는 시간을 분석하여 수면의 질을 평가하며, 2) 나쁜 수면 중에는 근육이 계속 긴장하고 있으므로 신체 회복이 안 되기 때문에 수면 중의 근육 긴장도를 검사하며, 3) 수면무호흡증이나 심한 코골이가 있으면, 심장박동수의 변화가 매우 심해지고, 심장부정맥이 발생하기 때문에 수면 중 지속적인 심전도의 측정으로 수면 중의 심장의 활동을 모니터링하며, 4) 수면 중 좁은 기도가 일시적으로 막혀서 숨을 쉬지 못하는 것을 수면무호흡증이라 하는데, 수면 중 호흡량을 지속적으로 측정하여 호흡장애를 정확하게 평가하며, 5) 수면 중의 저산소증을 평가하기 위해 수면 중 혈중 산소량의 측정하며, 6) 수면 중의 코골이 정도를 측정하며, 7) 수면 중의 다리 경련을 감시하기 위해 다리 움직임을 관찰하며, 8) 수면장애를 분석하기 위해 수면 중의 몸의 위치를 감시하는 것 등으로 구성된다.
정확한 수면의 평가를 위해서는 병원에서 수면다원검사를 시행하게 된다. 수면다원검사를 받기 위해서 따로 병원을 방문하여 전문가의 관찰 아래 장비를 착용하고 수면하는 등 많은 비용과 불편이 있었다. 또한, 환자의 수면다원검사 자료를 여려 분야에서 다양하게 사용하고자 하는 수요가 늘고 있어 이를 관리할 수 있는 방법에 대해서 더 많은 연구가 필요한 실정이다.
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 안대형 수면측정 장치에서 전송한 생체신호 데이터 및 블랙박스장치에서 전송한 수면영상 데이터를 인공지능에 의해 수면장애를 분석 및 진단하여 그 결과를 포탈에 공유하여 의료진, 관계자, 사용자 등이 조회할 수 있는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템을 제공하는 것을 그 목적으로 한다.
상기와 같은 목적을 달성하기 위하여 본 발명의 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템은, 안대형 생체신호 측정장치의 생체신호 데이터를 모바일 디바이스로부터 전송받고, 수면영상 데이터를 블랙박스장치로부터 전송받는 통신부; 상기 통신부에서 전송된 생체신호 데이터 및 수면영상 데이터를 가공하여 정제하는 수면예측 AI 서버; 및 상기 수면예측 AI 서버로부터 전달된 수면예측 분석결과를 의료진, 관계자 및 사용자가 사전 모니터링할 수 있도록 지원하는 포탈 서버;를 포함하는 것을 특징으로 한다.
본 발명의 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템은, 수면하는 환자의 생체신호를 측정하는 안대형 생체신호 측정장치; 상기 안대형 생체신호 측정장치에서 측정된 환자의 생체신호 데이터를 전송받는 모바일 디바이스; 수면하는 환자의 수면영상을 측정하는 블랙박스장치; 상기 환자의 생체신호 데이터를 모바일 디바이스에서 전송받고, 또한 상기 측정된 수면영상을 블랙박스에서 전송받는 통신부; 상기 통신부에서 전송된 생체신호 데이터 및 수면영상 데이터를 라벨링하고 학습하여 수면장애를 분석하는 수면예측 AI 서버; 및 상기 수면예측 AI 서버로부터 전달된 수면예측 분석결과를 의료진, 관계자 및 사용자가 모니터링할 수 있도록 지원하는 포탈 서버;를 포함하는 것을 특징으로 한다.
상기 수면예측 AI 서버는 상기 통신부에서 전달된 상기 생체신호 데이터 및 수면영상 데이터에 대한 정제 및 라벨링을 통해 학습 데이터를 생성하는 AI 데이터 라벨링부; 상기 AI 데이터 라벨링부에서 처리된 생체신호 데이터를 LSTM(Long Short Term Memory) 또는 GRU(Gated Recurrent Unit) 모델을 사용하여 인공지능으로 분석하고, 상기 AI 데이터 라벨링부에서 처리된 수면영상 데이터를 MLP(Multi-Layer Perceptron) 모델을 사용하여 인공지능으로 분석하는 수면장애 학습모델 AI 엔진부; 수면장애의 진단 및 임상정보를 종합하여 맞춤형으로 추천하여 환자의 치료에 도움을 주는 개인맞춤 추천부;를 포함한다.
상기 포탈 서버는, 상기 수면예측 분석결과를 의료진이 진료, 진단 및 치료에 활용할 수 있도록 분석 정보를 의료진이 사용하는 모바일 기기의 디스플레이에 제공하는 의료진 서버; 상기 수면예측 분석결과를 관계자가 활용할 수 있도록 지역별, 연령별 및 주기별로 분석 정보를 관계자가 사용하는 모바일 기기의 디스플레이에 제공하는 관계자 서버; 및 상기 수면예측 분석결과를 사용자의 모바일 기기의 디스플레이에 개인맞춤 서비스 정보를 제공하는 사용자 서버;를 포함한다.
본 발명의 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법은 환자에게 상기 안대형 생체신호 측정장치가 착용되고 환자가 누워있는 침대의 상부에 블랙박스장치가 동작한 후 상기 안대형 생체신호 측정장치에서 측정된 생체신호 데이터가 상기 통신부로 전송되고, 블랙박스장치에서 측정된 수면영상 데이터가 상기 통신부로 전송하는 제1 단계; 상기 통신부로부터 상기 생체신호 데이터 및 수면영상 데이터를 전송받고 AI 데이터 라벨링부에서 데이터를 라벨링하는 제2 단계; 상기 제2 단계에서 라벨링된 생체신호 데이터 및 수면영상 데이터에 대해 수면장애 학습모델 AI 엔진부에 의해 인공지능으로 분석하는 제3 단계; 상기 제2 단계 및 제3 단계에서 분석된 데이터를 기반으로 수면장애를 진단하고 임상정보를 종합하여 맞춤형으로 치료 정보를 생성하는 제4 단계; 및 상기 제4 단계의 진단 및 치료 정보를 포탈 서버에 공유시켜 의료진이 사용하는 사용하는 모바일 기기의 디스플레이에 나타나게 하고, 관계자가 사용하는 모바일 기기의 디스플레이에 나타나게 하고, 사용자가 사용하는 모바일 기기의 디스플레이에 나타나게 하는 제5 단계;를 포함하는 것을 특징으로 한다.
상기 AI 데이터 라벨링부에서 데이터를 라벨링하는 제2 단계는, 생체신호 감지모듈에 의하여 측정된 산소포화도, 심박수, 소리 감지모듈에서 측정된 호흡 신호, 온도 감지모듈에서 측정된 체온에 대한 데이터, 블랙박스장치에서 측정된 수면영상 데이터를 수집하는 제2-1 단계; 상기 제2-1 단계에서 수집된 데이터를 기준값에 대하여 재분류하는 제2-2 단계; 상기 제2-2 단계에서 분류된 데이터를 음성 데이터는 전사(transcrition)을 기반으로 라벨링을 진행하고, 영상 데이터는 이미지 어노테이션(image annotation) 방식으로 라벨링을 진행하는 제2-3 단계; 상기 제2-3 단계에서 라벨링된 데이터의 개인정보가 비식별화되고 이를 검증하는 제2-4 단계; 상기 2-4 단계에서 검증된 데이터는 통계 처리를 위하여 저장되는 제2-5 단계;를 포함한다.
상술한 바와 같이 본 발명은 인공지능에 의해 수면장애를 정밀하게 분석하여 그 분석결과를 포탈에 공유하여 의료진, 관계자, 사용자 등이 수면장애 분석결과에 쉽게 접근할 수 있는 이점이 있다.
또한, 본 발명은 수면장애를 분석하여 각각의 환자에 맞는 맞춤형 치료나 의료 정보를 제공할 수 있는 이점이 있다.
도 1은 본 발명의 일 실시예에 의한 안대형 수면측정장치의 사시도이다.
도 2는 본 발명의 일 실시예에 의한 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템의 개요도이다.
도 3은 본 발명의 일 실시예에 의한 수면예측 AI 서버의 개요도이다.
도 4는 본 발명의 일 실시예에 의한 수면장애 학습모델 AI 엔진부에서 수면영상을 라벨링을 하는 예시도이다.
도 5는 본 발명의 일 실시예에 의한 포탈 서버의 개요도이다.
도 6은 본 발명의 일 실시예에 의한 안대형 수면측정장치의 사시도이다.
도 7은 본 발명의 일 실시예에 의한 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법의 순서도이다.
도 2는 본 발명의 일 실시예에 의한 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템의 개요도이다.
도 3은 본 발명의 일 실시예에 의한 수면예측 AI 서버의 개요도이다.
도 4는 본 발명의 일 실시예에 의한 수면장애 학습모델 AI 엔진부에서 수면영상을 라벨링을 하는 예시도이다.
도 5는 본 발명의 일 실시예에 의한 포탈 서버의 개요도이다.
도 6은 본 발명의 일 실시예에 의한 안대형 수면측정장치의 사시도이다.
도 7은 본 발명의 일 실시예에 의한 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법의 순서도이다.
하기에 나타난 도면에서 동일한 참조부호는 동일한 구성요소를 지칭하며, 도면상에서 각 구성요소의 크기는 설명의 명료성과 편의상 과장되어 있을 수 있다. 한편, 이하에 설명되는 실시예는 단지 예시적인 것에 불과하며, 이러한 실시예로부터 다양한 변형이 가능하다. 이하에서, 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 “...부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미한다.
이하에서는 본 발명의 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템(10)의 구성에 대해 도면을 참조하여 설명한다. 도 2는 본 발명의 일 실시예에 의한 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템(10)의 개요도이다. 도 2를 참조하면, 본 발명의 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템(10)은 통신부(100), 수면예측 AI 서버(200) 및 포탈 서버(300)를 포함하여 구성될 수 있다.
본 발명의 통신부(100)는 안대형 생체신호 측정장치의 생체신호 데이터를 모바일 디바이스(미도시)로부터 전송받고, 수면영상 데이터를 블랙박스장치(미도시)로부터 전송받는다. 도 1은 본 발명의 일 실시예에 의한 안대형 수면측정장치의 사시도이다. 본 발명의 일 실시예에서는 통신부(100)는 WAN 또는 LAN 환경에서 모바일 디바이스 또는 블랙박스장치로부터 데이터를 전송받을 수 있다. 구체적으로는, 안대형 생체신호 측정장치는 수면 중인 환자의 안구동작 신호, 심전도, 호흡 소리, 체온 등을 실시간으로 측정하여 사용자 정보가 입력된 모바일 디바이스로 전송하면 모바일 디바이스는 사용자 정보와 생체신호 데이터를 병합하고 저장한 후 이 데이터를 통신부(100)로 전송한다. 또한, 수면 중인 환자의 신체 상부에 설치된 블랙박스장치는 수면 중인 환자의 수면 자세를 적외선 카메라로 촬영하고 환자의 모습이 노출된 영상만 추출하여 저장하고 이 수면영상을 통신부(100)로 전송한다.
수면예측 AI 서버(200)는 통신부(100)에서 전송된 생체신호 데이터 및 수면영상 데이터를 라벨링하고 학습하여 수면장애를 분석한다. 도 3은 본 발명의 일 실시예에 의한 수면예측 AI 서버(200)의 개요도이다. 도 3을 참조하면, 수면예측 AI 서버(200)는 AI 데이터 라벨링부(210), 수면장애 학습모델 AI 엔진부(220) 및 개인맞춤 추천부(230)를 포함하여 구성될 수 있다. 또한, 수면예측 AI 서버(200)는 수면 제어 서버를 더욱 포함할 수 있다.
본 발명의 AI 데이터 라벨링부(210)는 통신부(100)에서 전달된 생체신호 데이터 및 수면영상 데이터에 대한 정제 및 라벨링을 통해 학습 데이터를 생성한다. 데이터 라벨링은 인공지능 알고리즘 고도화를 위해 AI가 스스로 학습할 수 있는 형태로 데이터를 가공하는 작업을 일컫는다. 인공지능을 위한 학습 데이터 구축 단계는 다음의 다섯 단계로 구성된다. 제1 단계는 원천 데이터 수집 단계로, 수집할 수 있는 데이터는 정형(텍스트) 데이터와 비정형(영상, 음성) 데이터로 나눌 수 있다. 제2 단계는 데이터의 수집 및 정제 단계로, 수집된 원천 데이터를 기반으로 실제 목적에 맞는 인공지능을 학습시키기 위해 데이터를 목표와 기준에 맞는 선정을 하는 과정이다. 제3 단계는 데이터 라벨링 단계로, 영상의 경우는 이미지 어노테이션(Image Annotation) 기법을 통하여 영상을 분석하고 각 객체에 대한 라벨링을 진행한다. 음성의 경우는 전사(transcrition)를 기반으로 라벨링을 진행한다. 제4 단계는 데이터 검증 단계로, 레벨링 데이터가 유효성 있는 데이터인지 개인정보와 같은 민감정보는 비식별화가 되었는지에 대한 검증 과정이다. 제5 단계는 데이터 베이스 구축 단계로, 학습에 사용된 데이터를 효율적인 방석으로 저장하는 단계이다.
본 발명에서는 상기 AI 데이터 라벨링부에서 데이터를 라벨링하는 단계는 생체신호 감지모듈에 의하여 측정된 산소포화도, 심박수, 소리 감지모듈에서 측정된 호흡 신호, 온도 감지모듈에서 측정된 체온에 대한 데이터, 블랙박스장치에서 측정된 수면영상 데이터를 수집하는 제2-1 단계; 상기 제2-1 단계에서 수집된 데이터를 기준값에 대하여 재분류하는 제2-2 단계; 상기 제2-2 단계에서 분류된 데이터를 음성 데이터는 전사(transcrition)을 기반으로 라벨링을 진행하고, 영상 데이터는 이미지 어노테이션(image annotation) 방식으로 라벨링을 진행하는 제2-3 단계; 상기 제2-3 단계에서 라벨링된 데이터의 개인정보가 비식별화되고 이를 검증하는 제2-4 단계; 상기 2-4 단계에서 검증된 데이터는 통계 처리를 위하여 저장되는 제2-5 단계;를 포함할 수 있다.
본 발명의 AI 데이터 라벨링부(210)는 안대형 생체신호 측정장치에서 측정한 수면 중인 환자의 안구동작 신호, 심전도, 호흡 소리, 체온 데이터 및 블랙박스장치에서 수집한 수면 중인 환자의 수면영상에 대한 데이터 라벨링을 진행하여 학습모델 AI 엔진부(220)에서 AI 학습이 가능하도록 학습 데이터를 정제 및 라벨링하게 된다. 도 4는 본 발명의 일 실시예에 의한 수면장애 학습모델 AI 엔진부에서 수면영상을 라벨링을 하는 예시도이다.
본 발명의 수면장애 학습모델 AI 엔진부(220)는 AI 데이터 라벨링부(210) 처리된 생체신호 데이터를 LSTM(Long Short Term Memory) 또는 GRU(Gated Recurrent Unit) 모델을 사용하여 인공지능으로 분석하고, AI 데이터 라벨링부(210) 처리된 수면영상 데이터를 MLP(Multi-Layer Perception) 모델을 사용하여 인공지능으로 분석한다. LSTM(Long Short Term Memory)은 기존의 RNN이 출력과 먼 위치에 있는 정보를 기억할 수 없다는 단점을 보완하여 장/단기 기억을 가능하게 설계한 신경망의 구조를 말하며, 주로 시계열 처리나 자연어 처리에 사용된다. RNN(Recurrent Neural Network)은 Input x가 들어가면 여러 번의 순환을 거처 output인 y가 나오는 구조이다. 이전 단계에서 얻은 정보가 지속할 수 있도록 체인과 같은 구조로 이루어져 있고, tanh layer를 모듈로 사용한다. RNN은 BPTT(BackPropagation Through Time) 역전파 방식을 사용한다. RNN 방식은 모든 타임 스텝마다 처음부터 끝까지 역전파를 하게 되는데, 타임 스텝이 크면 매우 깊은 네트워크가 되며 이러한 네트워크는 Gradient vanishing/exploding 문제를 일으키게 된다. 또한, 장기간의 패턴을 학습할 수 없다는 문제가 있다. 이를 해결하기 위해 장기간의 메모리를 가질 수 있는 LSTM 셀을 사용할 수 있다. LSTM도 RNN과 같은 체인 구조로 되어 있지만, 반복 모듈은 단순한 한 개의 tanh layer가 아닌 4개의 layer가 서로 정보를 주고받는 구조로 되어 있다. LSTM 셀에서는 상태(state)가 크게 두 개의 벡터로 나누어진다. ht를 단기 상태(short-term state), ct를 장기 상태(long-term state)라고 볼 수 있다. Cell state는 정보가 바뀌지 않고 그대로 흐르도록 하는 역할이고, Forget gate는 cell state에서 sigmoid layer를 거쳐 어떤 정보를 버릴 것인지 정한다. Input gate는 앞으로 들어오는 새로운 정보 중 어떤 것을 cell state에 저장할 것인지를 정하며, 먼저 sigmoid layer를 거처 어떤 값을 업데이트할 것인지를 정한 후 tanh layer에서 새로운 후보 Vector를 만든다. 이전 gate에서 버릴 정보들과 업데이트할 정보들을 정했다면, Cell state update 과정에서 업데이트를 진행한다. Output gate는 어떤 정보를 output으로 내보낼지 정하게 된다. 먼저 sigmoid layer에 input data를 넣어 output 정보를 정한 후 Cell state를 tanh layer에 넣어 sigmoid layer의 output과 곱하여 output으로 내보낸다. LSTM은 딥러닝 구조에서 하나의 레이어를 나타내는 것이기 때문에, 해당 레이어의 가중치와 바이어스가 존재하면, 이러한 LSTM 레이어 내의 가중치와 바이어스는 출력층의 가중치와 바이어스와 함께 학습을 통해 최적화시켜야 하는 파라미터이다. LSTM은 RNN의 치명적인 한계점이었던, Long-term dependency 문제를 해결하면서 긴 시퀀스를 가진 데이터에서도 좋은 성능을 내는 모델이 되었지만, 복잡한 구조 때문에 RNN에 비하여 파라미터가 많이 필요하게 되었다. LSTM은 파라미터가 많아지는데 데이터가 충분하지 않은 경우, 오버피팅이 발생하는데, 이러한 단점을 개선하기 위하여 LSTM의 변형인 GRU가 등장하게 되었다. GRU(Gated Recurrent Unit)는 LSTM의 forget gate와 input gate를 통합하여 하나의 update gate를 만들고, Cell State와 Hidden State를 통합한다. GRU는 LSTM에 비하여 파라미터수가 적기 때문에 연산 비용이 적게 들고, 구조도 더 간단하지만, 성능에서도 LSTM과 비슷한 결과를 낸다. 데이터 양이 적을 때는 매개 변수의 양이 적은 GRU을 사용하고, 데이터 양이 더 많으면 LSTM을 사용한다. 여기서, 생체신호 데이터 분석 시 LSTM와 GRU 중 하나를 선택하여 사용할 수 있다.
본 발명의 학습모델 AI 엔진부(220)는 LSTM 딥러닝 신경망을 구비한 신경망 모듈(221), 일련의 다수의 생체신호 데이터를 시계열 순으로 정규화 하는 전처리부(222), 생체신호 학습 데이터를 전처리부(222)에 의해 전처리하게 하고, 전처리된 학습 데이터를 이용하여 신경망을 학습시키는 학습부(223) 및 환자의 생체신호 데이터를 신경망에 적용하여 수면장애를 판단하는 판단부(224)을 포함할 수 있다. 신경망 모듈(221)의 입력은 생체신호 데이터의 시계열 데이터이고, 출력은 수면장애의 예측값일 수 있다.
본 발명의 학습모델 AI 엔진부(220)는 수면영상 데이터를 MLP(Multi-Layer Perceptron) 모델을 사용하여 인공지능으로 분석한다. MLP란 여러 개의 퍼셉트론 뉴런을 여러 층으로 쌓은 다층신경망 구조 입력층과 출력층 사이에 하나 이상의 은닉층을 가지고 있는 신경망이다. 복잡한 패턴 분류를 위해서는 입출력 간의 복잡한 변환 구조가 필요하며, 사용하는 뉴런의 수를 늘리고 층을 추가하여 복잡한 구조의 의사결정 경계를 생성할 수 있다. 단일뉴런(퍼셉트론)으로는 선형분리 가능한 경계선만 생성가능하기 때문에, 두개의 뉴런을 결합함으로써 XOR 과 같은 비선형 분리가 가능한 결정선을 생성할 수 있다. 뉴런을 추가함으로써 다각형 모양의 경계선을 생성할 수 있고, 복잡한 데이터의 분류가 가능해진다, 일반적으로 다층 신경망은 2~3개 계층으로 구성된다. MLP는 지시된 그래프로 여러 층을 연결하는 신경망이다. 즉, 노드를 통과하는 신호 경로가 한 방향으로만 이동한다는 의미이다. 입력 노드와 별도로 각 노드에는 비선형 활성화 기능이 있다. MLP는 Supervised(감독된 학습 기법)으로 백프로파싱을 사용한다. 뉴런의 층이 여러 개이기 때문에, MLP는 딥 러닝 기법인 것이다.
MPL는 적외선 이미지로부터 대상체를 분류 또는 인식하는데 활용될 수 있다. 본 발명의 학습모델 AI 엔진부(220)는 블랙박스장치의 적외선 카메라로부터 수집된 학습 데이터를 입력 데이터로 하여 딥러닝 모델을 학습시킬 수 있다. 상기 전처리된 학습 데이터를 이용하여 신경망을 학습시키는 학습부(223)는 MLP 학습부(225)를 사용할 수 있고, 상기 MLP 학습부(225)는 딥러닝 모델에 입력되기 적합한 형태로 적외선 수면영상에 대한 정규화를 수행할 수 있다. 적외선 수면영상이 비트(bit)가 높고 딥러닝 모델이 수용할 수 있는 영상의 비트(bit)가 낮은 경우, 적외선 이미지를 딥러닝 모델에 입력할 경우 딥러닝이 원활히 수행되지 않을 수 있다. 따라서, MLP 학습부(225)는 적외선 수면영상에 대한 정규화를 수행함으로써 적외선 수면영상의 비트를 딥러닝 모델에 입력하기에 적합한 비트로 조정할 수 있다. 상기 학습모델 AI 엔진부(220)는 학습영상 데이터 생성부(226)를 더욱 포함할 수 있고, 상기 학습영상 데이터 생성부(226)는 정규화된 복수의 영역 데이터를 결합하여 학습 데이터를 생성할 수 있다. MLP 학습부(225)는 학습영상 데이터를 입력 데이터로 하여 딥러닝 모델을 학습시킬 수 있다.
본 발명의 개인맞춤 추천부(230)는 수면장애 학습모델 AI 엔진부에서 학습된 수면장애의 진단 및 임상정보를 종합하여 맞춤형으로 추천하여 환자의 치료에 도움을 준다. 즉, 개인맞춤 추천부(230)는 수면장애 진단 수치와 함께 생체신호 정보, 영상 및 증상, 임상정보 등을 종합하여 맞춤형 처방 추천하며 환자의 생활 습관과 증상 등을 종합해 치료 및 개선 활동에 도움을 주는 케어 기능 제공한다. 본 발명은 수면장애 및 파킨슨병을 진단할 수 있으며, 개인맞춤 추천부(230)에서는 수면장애 및 파킨슨병과 관련된 임상정보 등을 종합하여 환자에게 도움이 되는 정보를 제공할 수 있다.
본 발명의 수면 제어 서버는 환자의 신체위치 분석부, 환자의 신체방향 분석부, 안정화 여부 판단부, 생체신호 및 수면영상 연동부, 경고 발신부를 포함한다.
상기 환자의 신체위치 분석부는 상기 환자의 수면 영상으로부터 환자가 침대에 누운 상태에서 환자의 머리 부분, 환자의 몸통 부분, 환자의 팔 부분, 환자의 다리 부분의 위치를 좌표로 데이터화하고, 또한 수면 영상에서 환자의 머리 부분, 환자의 몸통 부분, 환자의 팔 부분, 환자의 다리 부분의 면적을 데이터화한다.
상기 환자의 신체방향 분석부는 몸통방향 서브 분석부 및 얼굴방향 서브 분석부를 구비하고, 상기 몸통방향 서브 분석부는 상기 환자의 몸통 부분을 기준으로 바로 누운 상태를 정면상태, 환자의 몸통 부분을 기준으로 왼쪽으로 누운 상태를 왼쪽상태, 환자의 몸통 부분을 기준으로 오른쪽으로 누운 상태를 오른쪽상태, 환자의 몸통 부분을 기준으로 엎드려 누운 상태를 엎드린상태라고 하면, 상기 정면상태를 0°, 왼쪽상태를 90°, 엎드린상태를 180°, 오른쪽상태를 270°로 정의하면, 시간에 따른 침대에 대하여 상기 환자의 몸통 부분의 회전 각도를 저장하고, 또한, 상기 얼굴방향 서브 분석부는 얼굴과 몸통의 바라보는 방향을 기준으로 얼굴과 가슴이 같은 방향으로 바라보는 경우를 0°, 몸통에 대하여 얼굴이 오른쪽으로 바라보게 되는 회전 각도를 (+) 회전 각도, 몸통에 대하여 얼굴이 왼쪽으로 바라보게 되는 회전 각도를 (-) 회전 각도로 정의하면, 시간에 따른 상기 몸통에 대하여 얼굴이 회전되는 각도를 저정한다. 상기 침대에 대하여 상기 환자의 몸통 부분의 시간에 따른 회전 각도를 실시간으로 저정하고, 상기 얼굴과 몸통의 바라보는 각도를 실시간으로 저정하여 데이터화 한다.
상기 안정화 여부 판단부는 상기 진동 센서부, 생체신호 센서부, 소리 센서부, 온도 센서부에서 측정된 생체신호 데이터를 기준 데이터에 비교하여 환자의 수면의 정상 및 비정상 여부를 판단한다.
상기 생체신호 및 수면영상 연동부는 상기 환자의 신체위치 분석부에서 얻어진 데이터와 상기 환자의 신체방향 분석부에서 분석된 데이터를 상기 안정화 여부 판단부에서 판단된 데이터와 연동하여 환자의 수면의 정상 및 비정상 여부를 매칭한다. 예를 들어, 상기 생체신호 데이터가 정상인 경우에 대응되는 침대 위에서 정상의 신체 위치나 신체 방향을 특정할 수 있고, 상기 생체신호 데이터가 비정상인 경우에 대응되는 침대 위에서 비정상의 신체 위치나 신체 방향을 특정할 수 있다.
상기 경고 발신부는 상기 안대형 생체신호 측정장치에서 측정된 생체신호 데이터가 비정상인 경우 상기 모바일 디바이스의 디스플레이에 비정상 표시를 하거나, 또는 상기 안대형 생체신호 측정장치에서 측정된 생체신호 데이터가 정상이지만 상기 생체신호 및 수면영상 연동부에서 매칭된 비정상의 신체 위치나 신체 방향으로 판단되는 경우 상기 모바일 디바이스의 디스플레이에 비정상 표시가 될 수 있다. 나아가, 안대형 생체신호 측정장치의 왼쪽 프레임에 제1 진동부를 구비하고, 안대형 생체신호 측정장치의 오른쪽 프레임에 제2 진동부를 구비하여, 상기 생체신호 데이터가 비정상인 경우 또는 매칭된 비정상의 신체 위치나 신체 방향으로 판단되는 경우에 수면 위치를 바꾸기 위하여 제1 진동부 또는 제2 진동부에 진동 신호를 송신할 수 있다. 예를 들어, 환자가 왼쪽으로 누운 상태에서 비정상된다고 판단되면 제1 진동부의 진동에 의하여 환자는 무의식적으로 특정 방향으로 수면 위치나 방향을 전환할 수 있다.
본 발명의 포탈 서버(300)는 수면예측 AI 서버(200)로부터 전달된 수면예측 분석결과를 의료진, 관계자 및 사용자가 모니터링할 수 있도록 지원한다. 도 5는 본 발명의 일 실시예에 의한 포탈 서버(300)의 개요도이다. 도 5를 참조하면, 본 발명의 포탈 서버(300)는 의료진 서버(310), 관계자 서버(320) 및 사용자 서버(330)을 포함하여 구성될 수 있다.
본 발명의 의료진 서버(310)은 수면예측 분석결과를 의료진이 진료, 진단 및 치료에 활용할 수 있도록 분석 정보를 제공한다. 즉, 상기 수면예측 AI 서버가 안대형 생체신호 측정장치에서 측정한 생체신호 데이터와 블랙박스장치에서 수집한 수면영상을 인공지능에 의해 학습하여 분석한 환자의 수면장애에 대한 진단 결과를 병원의 의료진이 조회할 수 있도록 하여, 환자의 치료와 처치에 이용할 수 있다.
본 발명의 관계자 서버(320)은 수면예측 분석결과를 관계자가 활용할 수 있도록 지역별, 연령별 및 주기별로 분석 정보를 제공한다. 여기서, 관계자는 정부기관, 지방자치단체, 관련 기업 등일 수 있다. 관계자 서버(320)에 게시되는 정보는 상기 의료진 서버(310)과는 상이하게 환자의 수면장애에 대한 자세한 임상 데이터가 공유되는 것이 아니라, 통계 자료로 사용이 가능한 수면장애에 대한 지역별, 연령별 및 주기별 정보를 제공할 수 있다.
본 발명의 사용자 서버(330)은 수면예측 분석결과를 사용자에게 개인맞춤 서비스를 제공한다. 사용자 서버(330)은 개인맞춤 추천부(230)에서 제공하는 환자 개인의 수면장애의 진단 및 수면장애에 대한 맞춤형 정보를 공유하여 환자의 치료에 도움을 줄 수 있다.
이하에서는 본 발명의 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법에 대해 설명한다. 도 7은 본 발명의 일 실시예에 의한 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법의 순서도이다. 도 7을 참조하면, 본 발명의 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법은 다음의 단계로 구성될 수 있다.
제1 단계(S10) : 환자에게 안대형 생체신호 측정장치를 착용하고, 블랙박스장치를 설치한 후 생체신호 데이터 및 수면영상 데이터를 통신부(100)로 전송하는 단계
제2 단계(S20) : 통신부(100)로부터 전달받은 생체신호 데이터 및 수면영상 데이터를 AI 데이터 라벨링부(210)에서 데이터를 라벨링하는 단계
제3 단계(S30) ; 상기 제2 단계(S20)에서 라벨링된 생체신호 데이터 및 수면영상 데이터에 대해 수면장애 학습모델 AI 엔진부(220)에 의해 인공지능으로 분석하는 단계
제4 단계(S40) : 제2 단계(S20) 및 제3 단계(S30)에서 분석된 데이터를 기반으로 수면장애를 진단하고 임상정보를 종합하여 맞춤형으로 치료 정보를 생성하는 단계
제5 단계(S50) : 상기 제4 단계(S40)의 진단 및 치료 정보를 포탈 서버(300)에 공유시켜 의료진, 관계자, 사용자가 열람하는 단계
제1 단계(S10)는 환자에게 안대형 생체신호 측정장치를 착용하고, 환자의 신체 상부에 블랙박스장치를 설치한 후 안대형 생체신호 측정장치에서 측정한 환자의 생체신호 데이터는 모바일 데이터에 환자의 사용자 정보와 함께 병합 및 저장된 후 생체신호 데이터를 통신부(100)로 전송하고, 블랙박스장치에서 수집한 수면 중인 환자의 수면영상 데이터를 통신부(100)로 전송하는 단계이다. 안대형 생체신호 측정장치에서는 환자의 안구동작, 심전도, 호흡, 체온 등을 측정하고, 블랙박스장치는 환자의 수면 중 자세를 적외선 카메라로 촬영하여 수면영상을 기록한다.
제2 단계(S20)는 통신부(100)로부터 전달받은 생체신호 데이터 및 수면영상 데이터를 AI 데이터 라벨링부(210)에서 인공지능이 학습할 수 있는 형태로 데이터를 정제하고 라벨링하는 단계이다. 인공지능의 학습을 위해 데이터 라벨링은 필수적인 공정이다.
제3 단계(S30)는 상기 제2 단계(S20)에서 라벨링된 생체신호 데이터에 대해서는 LSTM 모델 또는 GRU 모델에 의해 학습을 진행하고, 라벨링된 수면영상 데이터에 대해서는 MLP 모델에 의해 학습을 진행하여 수면장애를 분석하는 단계이다.
제4 단계(S40)는 상기 제2 단계(S20) 및 제3 단계(S30)에서 분석된 데이터를 기반으로 수면장애를 진단하고 임상정보를 종합하여 환자에 맞는 맞춤형으로 치료 정보를 생성하는 단계이다.
제5 단계(S50)는 상기 제4 단계(S40)의 진단 및 치료 정보를 포탈 서버(300)에 공유시켜 의료진, 관계자, 사용자가 열람하는 단계이다. 진단이 끝난 데이터를 의료진, 정부단체, 지방자치단체, 기업, 환자 등이 각자에 맞는 정보를 공유할 수 있도록 하여 단순히 수면장애의 분석 및 진단에 끝나는 것이 아니라 관련 정보를 여러 사용자에게 공유할 수 있도록 한다.
본 발명은 상기 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 제조될 수 있으며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
10 : AI 수면장애 관리 시스템
100 : 통신부
200 : 수면예측 AI 서버
210 : AI 데이터 라벨링부
220 : 수면장애 학습모델 AI 엔진부
221 : 신경망 모듈
222 : 전처리부
223 : 학습부
224 : 판단부
225 : MLP 학습부
226 : 학습영상 데이터 생성부
230 : 개인맞춤 추천부
300 : 포탈 서버
310 : 의료진 서버
320 : 관계자 서버
330 : 사용자 서버
100 : 통신부
200 : 수면예측 AI 서버
210 : AI 데이터 라벨링부
220 : 수면장애 학습모델 AI 엔진부
221 : 신경망 모듈
222 : 전처리부
223 : 학습부
224 : 판단부
225 : MLP 학습부
226 : 학습영상 데이터 생성부
230 : 개인맞춤 추천부
300 : 포탈 서버
310 : 의료진 서버
320 : 관계자 서버
330 : 사용자 서버
Claims (6)
- 안대형 생체신호 측정장치의 생체신호 데이터를 모바일 디바이스로부터 전송받고, 수면영상 데이터를 블랙박스장치로부터 전송받는 통신부;
상기 통신부에서 전송된 생체신호 데이터 및 수면영상 데이터를 라벨링하고 학습하여 수면장애를 분석하는 수면예측 AI 서버; 및
상기 수면예측 AI 서버로부터 전달된 수면예측 분석결과를 의료진, 관계자 및 사용자가 모니터링할 수 있도록 지원하는 포탈 서버;를 포함하는 것을 특징으로 하는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템. - 수면하는 환자의 생체신호를 측정하는 안대형 생체신호 측정장치;
상기 안대형 생체신호 측정장치에서 측정된 환자의 생체신호 데이터를 전송받는 모바일 디바이스;
수면하는 환자의 수면영상을 측정하는 블랙박스장치;
상기 환자의 생체신호 데이터를 모바일 디바이스에서 전송받고, 또한 상기 측정된 수면영상을 블랙박스에서 전송받는 통신부;
상기 통신부에서 전송된 생체신호 데이터 및 수면영상 데이터를 라벨링하고 학습하여 수면장애를 분석하는 수면예측 AI 서버; 및
상기 수면예측 AI 서버로부터 전달된 수면예측 분석결과를 의료진, 관계자 및 사용자가 모니터링할 수 있도록 지원하는 포탈 서버;를 포함하는 것을 특징으로 하는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템. - 청구항 1 또는 2에 있어서,
상기 수면예측 AI 서버는,
상기 통신부에서 전달된 상기 생체신호 데이터 및 수면영상 데이터에 대한 정제 및 라벨링을 통해 학습 데이터를 생성하는 AI 데이터 라벨링부;
상기 AI 데이터 라벨링부에서 처리된 생체신호 데이터를 LSTM(Long Short Term Memory) 또는 GRU(Gated Recurrent Unit) 모델을 사용하여 인공지능으로 분석하고, 상기 AI 데이터 라벨링부에서 처리된 수면영상 데이터를 MLP(Multi-Layer Perceptron) 모델을 사용하여 인공지능으로 분석하는 수면장애 학습모델 AI 엔진부;
수면장애의 진단 및 임상정보를 종합하여 맞춤형으로 추천하여 환자의 치료에 도움을 주는 개인맞춤 추천부;를 포함하는 것을 특징으로 하는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템. - 청구항 3에 있어서,
상기 포탈 서버는,
상기 수면예측 분석결과를 의료진이 진료, 진단 및 치료에 활용할 수 있도록 분석 정보를 의료진이 사용하는 모바일 기기의 디스플레이에 제공하는 의료진 서버;
상기 수면예측 분석결과를 관계자가 활용할 수 있도록 지역별, 연령별 및 주기별로 분석 정보를 관계자가 사용하는 모바일 기기의 디스플레이에 제공하는 관계자 서버; 및
상기 수면예측 분석결과를 사용자의 모바일 기기의 디스플레이에 개인맞춤 서비스 정보를 제공하는 사용자 서버;를 포함하는 것을 특징으로 하는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템. - 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법에 있어서,
환자에게 상기 안대형 생체신호 측정장치가 착용되고 환자가 누워있는 침대의 상부에 블랙박스장치가 동작한 후 상기 안대형 생체신호 측정장치에서 측정된 생체신호 데이터가 상기 통신부로 전송되고, 블랙박스장치에서 측정된 수면영상 데이터가 상기 통신부로 전송하는 제1 단계;
상기 통신부로부터 상기 생체신호 데이터 및 수면영상 데이터를 전송받고 AI 데이터 라벨링부에서 데이터를 라벨링하는 제2 단계;
상기 제2 단계에서 라벨링된 생체신호 데이터 및 수면영상 데이터에 대해 수면장애 학습모델 AI 엔진부에 의해 인공지능으로 분석하는 제3 단계;
상기 제2 단계 및 제3 단계에서 분석된 데이터를 기반으로 수면장애를 진단하고 임상정보를 종합하여 맞춤형으로 치료 정보를 생성하는 제4 단계; 및
상기 제4 단계의 진단 및 치료 정보를 포탈 서버에 공유시켜 의료진이 사용하는 사용하는 모바일 기기의 디스플레이에 나타나게 하고, 관계자가 사용하는 모바일 기기의 디스플레이에 나타나게 하고, 사용자가 사용하는 모바일 기기의 디스플레이에 나타나게 하는 제5 단계;를 포함하는 것을 특징으로 하는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법. - 청구항 5에 있어서,
상기 AI 데이터 라벨링부에서 데이터를 라벨링하는 제2 단계는,
생체신호 감지모듈에 의하여 측정된 산소포화도, 심박수, 소리 감지모듈에서 측정된 호흡 신호, 온도 감지모듈에서 측정된 체온에 대한 데이터, 블랙박스장치에서 측정된 수면영상 데이터를 수집하는 제2-1 단계;
상기 제2-1 단계에서 수집된 데이터를 기준값에 대하여 재분류하는 제2-2 단계;
상기 제2-2 단계에서 분류된 데이터를 음성 데이터는 전사(transcrition)을 기반으로 라벨링을 진행하고, 영상 데이터는 이미지 어노테이션(image annotation) 방식으로 라벨링을 진행하는 제2-3 단계;
상기 제2-3 단계에서 라벨링된 데이터의 개인정보가 비식별화되고 이를 검증하는 제2-4 단계;
상기 2-4 단계에서 검증된 데이터는 통계 처리를 위하여 저장되는 제2-5 단계;를 포함하는 것을 특징으로 하는 안대형 수면측정장치를 이용한 AI 수면장애 관리 시스템에 의한 수면장애 관리방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220003049A KR20230107460A (ko) | 2022-01-08 | 2022-01-08 | 안대형 수면측정장치를 이용한 ai 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220003049A KR20230107460A (ko) | 2022-01-08 | 2022-01-08 | 안대형 수면측정장치를 이용한 ai 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230107460A true KR20230107460A (ko) | 2023-07-17 |
Family
ID=87430254
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220003049A KR20230107460A (ko) | 2022-01-08 | 2022-01-08 | 안대형 수면측정장치를 이용한 ai 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230107460A (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200063689A (ko) | 2018-11-28 | 2020-06-05 | 한국디자인진흥원 | 수면건강증진 시스템 및 수면건강증진 서비스 제공 방법 |
| KR102251388B1 (ko) | 2019-08-12 | 2021-05-12 | (주)허니냅스 | 딥러닝을 이용한 수면질환 판정 자동화 장치 및 그 동작 방법 |
| KR102258726B1 (ko) | 2019-08-12 | 2021-06-01 | (주)허니냅스 | 딥러닝을 이용한 수면질환 자동 판정을 위한 데이터 처리 장치 및 그 동작 방법 |
| KR20210130501A (ko) | 2020-04-22 | 2021-11-01 | 주식회사 엘엠티코리아 | 수면 모니터링 및 수면장애 대응 시스템 |
-
2022
- 2022-01-08 KR KR1020220003049A patent/KR20230107460A/ko not_active Application Discontinuation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200063689A (ko) | 2018-11-28 | 2020-06-05 | 한국디자인진흥원 | 수면건강증진 시스템 및 수면건강증진 서비스 제공 방법 |
| KR102251388B1 (ko) | 2019-08-12 | 2021-05-12 | (주)허니냅스 | 딥러닝을 이용한 수면질환 판정 자동화 장치 및 그 동작 방법 |
| KR102258726B1 (ko) | 2019-08-12 | 2021-06-01 | (주)허니냅스 | 딥러닝을 이용한 수면질환 자동 판정을 위한 데이터 처리 장치 및 그 동작 방법 |
| KR20210130501A (ko) | 2020-04-22 | 2021-11-01 | 주식회사 엘엠티코리아 | 수면 모니터링 및 수면장애 대응 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200060566A1 (en) | Automated detection of brain disorders | |
| ES2659945T3 (es) | Monitorización basada en residuos de la salud humana | |
| US20230039882A1 (en) | Artificial intelligence-based platform to optimize skill training and performance | |
| Aghalya et al. | Real-time Monitoring and Prediction of Respiratory Diseases Using IoT and Machine Learning | |
| CN108652587A (zh) | 一种认知功能障碍预防监测装置 | |
| PC et al. | Developing a Cognitive Learning and Intelligent Data Analysis-Based Framework for Early Disease Detection and Prevention in Younger Adults with Fatigue | |
| Al-Hajjar et al. | An overview of machine learning methods in enabling IoMT-based epileptic seizure detection | |
| Shafi et al. | Prediction of heart abnormalities using deep learning model and wearabledevices in smart health homes | |
| Salimi-Badr et al. | A type-2 neuro-fuzzy system with a novel learning method for Parkinson’s disease diagnosis | |
| Thilakarathne et al. | Artificial Intelligence-Enabled IoT for Health and Wellbeing Monitoring | |
| Harish Padmanaban et al. | Developing a Cognitive Learning and Intelligent Data Analysis‐Based Framework for Early Disease Detection and Prevention in Younger Adults with Fatigue | |
| Alsaeedi et al. | Ambient assisted living framework for elderly care using Internet of medical things, smart sensors, and GRU deep learning techniques | |
| Haque et al. | State-of-the-Art of Stress Prediction from Heart Rate Variability Using Artificial Intelligence | |
| Xia et al. | Dynamic viewing pattern analysis: towards large-scale screening of children with ASD in remote areas | |
| KR20230107460A (ko) | 안대형 수면측정장치를 이용한 ai 수면장애 관리 시스템 및 이를 이용한 수면장애 관리방법 | |
| EP4124287A1 (en) | Regularized multiple-input pain assessment and trend | |
| de J Lozoya-Santos et al. | Current and Future Biometrics: Technology and Applications | |
| El-Tallawy et al. | Incorporation of “Artificial Intelligence” for Objective Pain Assessment: A Comprehensive Review | |
| Kohzadi et al. | Determination of sleep apnea severity using multi-layer perceptron neural network | |
| Tenepalli et al. | A Systematic Review on IoT and Machine Learning Algorithms in E-Healthcare | |
| Ramalatha et al. | Machine learning-based cognitive support system for healthcare | |
| Leino | Novel computational methods for improved sleep apnea diagnostics: special focus on stroke patients | |
| US20240194343A1 (en) | Pain detection via machine learning applications | |
| Cerf et al. | Using Biometrics in Healthcare Management and Diagnostics | |
| US20230277122A1 (en) | Evaluating pain of a user via time series of parameters from portable monitoring devices |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |