KR20240092777A - Method for predicting continuous glucose data and apparatus thereof - Google Patents
Method for predicting continuous glucose data and apparatus thereof Download PDFInfo
- Publication number
- KR20240092777A KR20240092777A KR1020220175475A KR20220175475A KR20240092777A KR 20240092777 A KR20240092777 A KR 20240092777A KR 1020220175475 A KR1020220175475 A KR 1020220175475A KR 20220175475 A KR20220175475 A KR 20220175475A KR 20240092777 A KR20240092777 A KR 20240092777A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- blood sugar
- continuous blood
- sugar prediction
- learning
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title claims abstract description 29
- 239000008103 glucose Substances 0.000 title claims abstract description 29
- 239000008280 blood Substances 0.000 claims abstract description 190
- 210000004369 blood Anatomy 0.000 claims abstract description 190
- 238000005259 measurement Methods 0.000 claims abstract description 18
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 235000012054 meals Nutrition 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 10
- 102000004877 Insulin Human genes 0.000 claims description 9
- 108090001061 Insulin Proteins 0.000 claims description 9
- 229940125396 insulin Drugs 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000306 recurrent effect Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 4
- 102000017011 Glycated Hemoglobin A Human genes 0.000 claims description 3
- 108091005995 glycated hemoglobin Proteins 0.000 claims description 3
- 239000004615 ingredient Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000009534 blood test Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 210000003205 muscle Anatomy 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000007204 Brain death Diseases 0.000 description 1
- 206010024264 Lethargy Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 235000021180 meal component Nutrition 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 210000000496 pancreas Anatomy 0.000 description 1
- 230000000291 postprandial effect Effects 0.000 description 1
- 238000011160 research Methods 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
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
본 발명은 컴퓨팅 장치에 의해 수행되는 연속혈당 예측 방법에 관한 것으로, 개인의 연속혈당측정(CGM) 데이터가 포함된 학습 데이터를 수집하는 단계; 상기 수집된 학습 데이터를 기반으로 연속혈당 예측 모델을 생성하는 단계; 및 상기 생성된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측하는 단계를 포함한다.The present invention relates to a continuous blood sugar prediction method performed by a computing device, comprising: collecting learning data including personal continuous blood glucose measurement (CGM) data; Generating a continuous blood sugar prediction model based on the collected learning data; And a step of predicting the continuous blood sugar data of a specific user based on the life log data of the specific user using the generated continuous blood sugar prediction model.
Description
본 발명은 미래의 연속혈당 데이터를 예측하는 방법 및 그 장치에 관한 것으로서, 보다 구체적으로는 라이프로그(lifelog) 데이터를 기반으로 미래의 연속혈당 데이터를 예측할 수 있는 방법 및 그 장치에 관한 것이다.The present invention relates to a method and device for predicting future continuous blood sugar data, and more specifically, to a method and device for predicting future continuous blood sugar data based on lifelog data.
혈당은 혈액 속에 포함된 포도당의 농도를 나타내는 말이다. 포도당은 우리 몸의 주요 에너지원으로 부족하면 무기력 단계에서부터 심할 경우 뇌 손상 및 사망에 이를 수 있고, 반대로 높은 상태로 지속하면 심각한 대사 질환을 유발한다.Blood sugar refers to the concentration of glucose contained in the blood. Glucose is our body's main source of energy, and if it is lacking, it can range from lethargy to brain damage and death in severe cases. Conversely, if it continues to be high, it can cause serious metabolic diseases.
연속혈당측정기(Continuous Glucose Monitoring, CGM)는 개인의 혈당수치와 추세에 대한 실시간의 정보를 제공하는 기기로서 personal CGM와 professional CGM로 분류된다. 연속혈당측정기(CGM)는 적시에 인슐린 공급이 필요한 당뇨병 환자들뿐만 아니라 일상적으로 혈당 관리를 희망하는 사람들에게도 매우 유용한 장치이다. 전세계적으로 당뇨병 환자의 지속적인 증가에 따라 전통적인 채혈방식을 대체하기 위한 기술개발 요구가 오랫동안 이어져 오고 있으며, 현재는 무 채혈 최소 침습 방식으로 혈당 변화율을 24시간 이상 연속 측정하는 것도 가능하다.Continuous Glucose Monitoring (CGM) is a device that provides real-time information on an individual's blood sugar levels and trends and is classified into personal CGM and professional CGM. A continuous glucose monitor (CGM) is a very useful device not only for diabetic patients who need timely insulin supply, but also for people who wish to manage their blood sugar levels on a daily basis. As the number of diabetic patients continues to increase worldwide, there has been a long-standing demand for technology development to replace traditional blood collection methods. Currently, it is possible to measure blood sugar change rate continuously for more than 24 hours using a non-blood collection minimally invasive method.
이러한 연속혈당측정(CGM) 데이터를 활용하여 미래의 연속혈당 데이터를 예측하는 연구들이 활발하게 진행되고 있다. 그러나 이전의 연속혈당측정(CGM) 데이터만으로는 미래의 연속혈당 데이터를 정확하게 예측하기 어려워, 예측 데이터의 활용도가 제한적일 수밖에 없다. 따라서, 미래의 연속혈당 데이터를 정확하게 예측할 수 있는 방법이 필요하다. Research to predict future continuous blood sugar data using continuous blood glucose measurement (CGM) data is actively being conducted. However, it is difficult to accurately predict future continuous blood sugar data using only previous continuous blood glucose measurement (CGM) data, so the utility of predicted data is inevitably limited. Therefore, a method that can accurately predict future continuous blood sugar data is needed.
본 발명은 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다. 또 다른 목적은 시계열 라이프로그(lifelog) 데이터를 기반으로 미래의 연속혈당 데이터를 정확하게 예측할 수 있는 방법 및 그 장치를 제공함에 있다.The present invention aims to solve the above-mentioned problems and other problems. Another purpose is to provide a method and device for accurately predicting future continuous blood sugar data based on time series lifelog data.
또 다른 목적은 시계열 라이프로그 데이터와 비시계열 라이프로그 데이터를 기반으로 미래의 연속혈당 데이터를 정확하게 예측할 수 있는 방법 및 그 장치를 제공함에 있다.Another purpose is to provide a method and device for accurately predicting future continuous blood sugar data based on time series lifelog data and non-time series lifelog data.
또 다른 목적은 순환신경망 알고리즘을 이용하여 라이프로그 데이터를 기반으로 미래의 연속혈당 데이터를 정확하게 예측할 수 있는 방법 및 그 장치를 제공함에 있다.Another purpose is to provide a method and device that can accurately predict future continuous blood sugar data based on life log data using a recurrent neural network algorithm.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 개인의 연속혈당측정(CGM) 데이터가 포함된 학습 데이터를 수집하는 단계; 상기 수집된 학습 데이터를 기반으로 연속혈당 예측 모델을 생성하는 단계; 및 상기 생성된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측하는 단계를 포함하는 연속혈당 예측 방법을 제공한다.According to one aspect of the present invention in order to achieve the above or other purposes, the method includes collecting learning data including personal continuous blood glucose measurement (CGM) data; Generating a continuous blood sugar prediction model based on the collected learning data; and predicting continuous blood sugar data of a specific user based on the user's lifelog data using the generated continuous blood sugar prediction model.
본 발명의 다른 측면에 따르면, 개인의 연속혈당측정(CGM) 데이터가 포함된 학습 데이터를 저장하는 데이터베이스; 상기 데이터베이스에 저장된 학습 데이터를 기반으로 연속혈당 예측 모델을 생성하는 학습모델 생성부; 및 상기 생성된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측하는 연속혈당 예측부를 포함하는 연속혈당 예측 장치를 제공한다.According to another aspect of the present invention, a database storing learning data including personal continuous blood glucose measurement (CGM) data; a learning model generator that generates a continuous blood sugar prediction model based on the learning data stored in the database; and a continuous blood sugar prediction unit that predicts continuous blood sugar data of a specific user based on life log data of the user using the generated continuous blood sugar prediction model.
본 발명의 또 다른 측면에 따르면, 개인의 연속혈당측정(CGM) 데이터가 포함된 학습 데이터를 수집하는 과정; 상기 수집된 학습 데이터를 기반으로 연속혈당 예측 모델을 생성하는 과정; 및 상기 생성된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측하는 과정이 컴퓨터 상에서 실행 가능하도록 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.According to another aspect of the present invention, a process of collecting learning data including an individual's continuous blood glucose measurement (CGM) data; A process of generating a continuous blood sugar prediction model based on the collected learning data; and a computer program stored in a computer-readable recording medium so that a process of predicting continuous blood sugar data of a specific user based on the life log data of the user using the generated continuous blood sugar prediction model can be executed on a computer.
본 발명의 실시 예들에 따른 연속혈당 데이터 예측 방법 및 그 장치의 효과에 대해 설명하면 다음과 같다.The effect of the method and device for predicting continuous blood sugar data according to embodiments of the present invention will be described as follows.
본 발명의 실시 예들 중 적어도 하나에 의하면, 순환신경망 알고리즘을 이용하여 시계열 라이프로그 데이터 및/또는 비시계열 라이프로그 데이터를 학습함으로써, 연속혈당 예측 모델의 예측 정확도를 개선할 수 있다는 장점이 있다. According to at least one of the embodiments of the present invention, there is an advantage in that the prediction accuracy of a continuous blood sugar prediction model can be improved by learning time series lifelog data and/or non-time series lifelog data using a recurrent neural network algorithm.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 미리 학습된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 정확하고 신속하게 예측할 수 있다는 장점이 있다.In addition, according to at least one of the embodiments of the present invention, there is an advantage that the continuous blood sugar data of a specific user can be accurately and quickly predicted based on the user's lifelog data using a pre-trained continuous blood sugar prediction model.
다만, 본 발명의 실시 예들에 따른 연속혈당 데이터 예측 방법 및 그 장치가 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.However, the effects that can be achieved by the continuous blood sugar data prediction method and the device according to the embodiments of the present invention are not limited to those mentioned above, and other effects not mentioned can be found in the technology to which the present invention belongs from the description below. It will be clearly understandable to those with ordinary knowledge in the field.
도 1은 본 발명의 일 실시 예에 따른 연속혈당 예측 장치의 구성을 나타내는 도면;
도 2는 시계열 라이프로그 데이터를 예시하는 도면;
도 3은 비시계열 라이프로그 데이터를 예시하는 도면;
도 4는 본 발명의 일 실시 예에 따라 연속혈당 예측 모델을 생성하는 방법을 설명하는 순서도;
도 5 및 도 6은 도 4의 연속혈당 예측 모델 생성 방법을 설명하기 위해 참조되는 도면;
도 7은 본 발명의 일 실시 예에 따라 연속혈당 데이터를 예측하는 방법을 설명하는 순서도;
도 8 내지 도 11은 다양한 종류의 라이프로그 데이터를 기반으로 미래의 연속혈당 데이터를 예측하는 방법을 예시하는 도면;
도 12는 본 발명의 일 실시 예에 따른 사용자 맞춤형 혈당 예측 모델을 예시하는 도면;
도 13은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 구성 블록도.1 is a diagram showing the configuration of a continuous blood sugar prediction device according to an embodiment of the present invention;
2 is a diagram illustrating time series lifelog data;
3 is a diagram illustrating non-time series lifelog data;
Figure 4 is a flowchart illustrating a method for generating a continuous blood sugar prediction model according to an embodiment of the present invention;
FIGS. 5 and 6 are diagrams referenced to explain the method of generating the continuous blood sugar prediction model of FIG. 4;
7 is a flowchart illustrating a method for predicting continuous blood sugar data according to an embodiment of the present invention;
8 to 11 are diagrams illustrating a method of predicting future continuous blood sugar data based on various types of lifelog data;
Figure 12 is a diagram illustrating a user-customized blood sugar prediction model according to an embodiment of the present invention;
13 is a block diagram of a computing device according to an embodiment of the present invention.
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. 즉, 본 발명에서 사용되는 '부'라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '부'는 어떤 역할들을 수행한다. 그렇지만 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부'들로 결합되거나 추가적인 구성요소들과 '부'들로 더 분리될 수 있다.Hereinafter, embodiments disclosed in the present specification will be described in detail with reference to the attached drawings. However, identical or similar components will be assigned the same reference numbers regardless of reference numerals, and duplicate descriptions thereof will be omitted. The suffixes “module” and “part” for components used in the following description are given or used interchangeably only for the ease of preparing the specification, and do not have distinct meanings or roles in themselves. That is, the term 'unit' used in the present invention refers to a hardware component such as software, FPGA, or ASIC, and the 'unit' performs certain roles. However, 'wealth' is not limited to software or hardware. The 'part' may be configured to reside on an addressable storage medium and may be configured to run on one or more processors. Therefore, as an example, 'part' refers to components such as software components, object-oriented software components, class components and task components, processes, functions, properties, procedures, Includes subroutines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. The functionality provided within the components and 'parts' may be combined into a smaller number of components and 'parts' or may be further separated into additional components and 'parts'.
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.Additionally, in describing the embodiments disclosed in this specification, if it is determined that detailed descriptions of related known technologies may obscure the gist of the embodiments disclosed in this specification, the detailed descriptions will be omitted. In addition, the attached drawings are only for easy understanding of the embodiments disclosed in this specification, and the technical idea disclosed in this specification is not limited by the attached drawings, and all changes included in the spirit and technical scope of the present invention are not limited. , should be understood to include equivalents or substitutes.
본 발명은 시계열 라이프로그 데이터를 기반으로 미래의 연속혈당 데이터를 정확하게 예측할 수 있는 방법 및 그 장치를 제안한다. 또한, 본 발명은 시계열 라이프로그 데이터와 비시계열 라이프로그 데이터를 기반으로 미래의 연속혈당 데이터를 정확하게 예측할 수 있는 방법 및 그 장치를 제안한다. 또한, 본 발명은 순환신경망 알고리즘을 이용하여 라이프로그 데이터를 기반으로 미래의 연속혈당 데이터를 정확하게 예측할 수 있는 방법 및 그 장치를 제안한다.The present invention proposes a method and device that can accurately predict future continuous blood sugar data based on time series lifelog data. Additionally, the present invention proposes a method and device that can accurately predict future continuous blood sugar data based on time series lifelog data and non-time series lifelog data. Additionally, the present invention proposes a method and device that can accurately predict future continuous blood sugar data based on life log data using a recurrent neural network algorithm.
이하에서는, 본 발명의 다양한 실시 예들에 대하여, 도면을 참조하여 상세히 설명한다.Hereinafter, various embodiments of the present invention will be described in detail with reference to the drawings.
도 1은 본 발명의 일 실시 예에 따른 연속혈당 예측 장치의 구성을 나타내는 도면이다.Figure 1 is a diagram showing the configuration of a continuous blood sugar prediction device according to an embodiment of the present invention.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 연속혈당 예측 장치(100)는 데이터 수집부(110), 데이터베이스(120), 학습모델 생성부(130) 및 연속혈당 예측부(140)를 포함할 수 있다. 도 1에 도시된 구성요소들은 연속혈당 예측 장치를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 연속혈당 예측 장치는 위에서 열거된 구성요소들 보다 많거나 또는 적은 구성요소들을 가질 수 있다.Referring to FIG. 1, the continuous blood
데이터 수집부(110)는 미래의 연속혈당 데이터를 예측하기 위한 딥러닝 모델(deep learning model)을 생성하기 위해 필요한 학습 데이터를 수집할 수 있다. 여기서, 학습 데이터는 라이프로그(lifelog) 데이터를 포함할 수 있다.The
라이프로그 데이터는 개인의 일상 생활 속에서 기록되고 저장되는 데이터를 의미한다. 상기 라이프로그 데이터는 시계열 라이프로그 데이터와 비시계열 라이프로그 데이터 중 적어도 하나를 포함할 수 있다. Lifelog data refers to data recorded and stored in an individual's daily life. The lifelog data may include at least one of time series lifelog data and non-time series lifelog data.
시계열 라이프로그 데이터는 시간의 흐름에 따라 기록되고 저장되는 데이터를 의미한다. 가령, 도 2에 도시된 바와 같이, 시계열 라이프로그 데이터(200)는 시간대별 연속혈당측정(CGM) 데이터, 인슐린 투여량 데이터, 식사량 데이터, 식사종류 데이터, 식사성분 데이터, 수면량 데이터, 활동(운동) 시간 데이터, 활동 강도 데이터, 활동 시각 데이터 중 적어도 하나를 포함할 수 있으며 반드시 이에 제한되지는 않는다. 여기서, 연속혈당측정(CGM) 데이터는, 연속혈당측정기를 통해 측정된 혈당 데이터로서, 일정 기간 동안 미리 결정된 시간 주기로 연속 측정된 혈당 데이터를 의미한다. Time series lifelog data refers to data that is recorded and stored over time. For example, as shown in FIG. 2, time
비시계열 라이프로그 데이터는 시간의 흐름과 관계없이 기록되고 저장되는 데이터를 의미한다. 가령, 도 3에 도시된 바와 같이, 비시계열 라이프로그 데이터(300)는 당화혈색소 데이터, 체중/키/체질량 데이터, 나이 데이터, 성별 데이터, 근육량 데이터, 중성지방 데이터, 혈액검사 데이터, 외래 혈당 프로파일(Ambulatory Glucose Profile, AGP) 데이터 중 적어도 하나를 포함할 수 있으며 반드시 이에 제한되지는 않는다. Non-time series lifelog data refers to data that is recorded and stored regardless of the passage of time. For example, as shown in FIG. 3, the non-time
이러한 시계열 및 비시계열 라이프로그 데이터는 특정인을 대상으로 일정 기간 동안 수집되거나 혹은 불특정 다수의 사람들을 대상으로 일정 기간 동안 수집될 수 있다.Such time-series and non-time-series lifelog data may be collected over a certain period of time for a specific person, or may be collected over a certain period of time for an unspecified number of people.
데이터베이스(120)는 데이터 수집부(110)를 통해 수집된 라이프로그 데이터를 저장할 수 있다. 데이터베이스(120)는 저장된 라이프로그 데이터를 학습모델 생성부(130)로 제공할 수 있다.The
학습모델 생성부(130)는 데이터베이스(120)로부터 획득한 데이터를 학습하여 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측하기 위한 연속혈당 예측 모델을 생성할 수 있다.The
좀 더 구체적으로, 학습모델 생성부(130)는 데이터베이스(120)로부터 획득한 학습 데이터를 기반으로 딥러닝 알고리즘의 변수를 설정할 수 있다. 여기서, 딥러닝 알고리즘의 변수는 입력 벡터에 해당하는 독립 변수와 출력 벡터에 해당하는 종속 변수를 포함할 수 있다.More specifically, the
학습모델 생성부(130)는 학습 데이터 중 라이프로그 데이터를 딥러닝 알고리즘의 독립 변수로 설정할 수 있고, 연속혈당측정(CGM) 데이터를 해당 알고리즘의 종속 변수로 설정할 수 있다.The
학습모델 생성부(130)는 독립 변수 및 종속 변수로 설정된 학습 데이터를 기반으로 미리 결정된 딥러닝 알고리즘을 수행하여 연속혈당 예측 모델을 생성할 수 있다. 이때, 상기 딥러닝 알고리즘으로는 순환신경망(Recurrent Neural Network, RNN) 알고리즘, 장단기 메모리(Long Short-Term Memory, LSTM) 알고리즘, Bi-LSTM 알고리즘 또는 LSTM intention 알고리즘 등이 사용될 수 있으며 반드시 이에 제한되지는 않는다.The
학습모델 생성부(130)는 이러한 딥러닝 과정을 통해 생성된 연속혈당 예측 모델을 데이터베이스(120)에 저장할 수 있다. The
연속혈당 예측부(140)는 미리 학습된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측할 수 있다.The continuous blood
즉, 연속혈당 예측부(140)는 사용자의 라이프로그 데이터를 획득하고, 상기 획득된 라이프로그 데이터를 미리 학습된 연속혈당 예측 모델에 입력하여 해당 사용자의 미래 연속혈당 데이터를 예측할 수 있다. 상기 예측된 연속혈당 데이터는 해당 사용자의 생활 습관을 가이드 하는데 활용될 수 있다.That is, the continuous blood
이상 상술한 바와 같이, 본 발명의 일 실시 예에 따른 연속혈당 예측 장치는 미리 학습된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 미래 연속혈당 데이터를 정확하고 신속하게 예측할 수 있다.As described above, the continuous blood sugar prediction device according to an embodiment of the present invention uses a pre-learned continuous blood sugar prediction model to accurately and quickly predict the user's future continuous blood sugar data based on the user's lifelog data. It is predictable.
도 4는 본 발명의 일 실시 예에 따라 연속혈당 예측 모델을 생성하는 방법을 설명하는 순서도이다. 본 실시 예에 따른 연속혈당 예측 모델 생성 방법은 연속혈당 예측 장치(100)에 의해 수행될 수 있다. 도시된 순서도에서는 연속혈당 예측 모델 생성 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.Figure 4 is a flowchart explaining a method of generating a continuous blood sugar prediction model according to an embodiment of the present invention. The method for generating a continuous blood sugar prediction model according to this embodiment can be performed by the continuous blood
도 4를 참조하면, 본 발명의 일 실시 예에 따른 연속혈당 예측 장치(100)는 미래의 연속혈당 데이터를 예측하기 위한 딥러닝 모델을 생성하기 위해 필요한 학습 데이터를 수집할 수 있다(S410). 여기서, 학습 데이터는 시계열 라이프로그 데이터와 비시계열 라이프로그 데이터 중 적어도 하나를 포함할 수 있다. 상기 라이프로그 데이터는 특정인을 대상으로 일정 기간 동안 수집되거나 혹은 불특정 다수의 사람들을 대상으로 일정 기간 동안 수집될 수 있다.Referring to FIG. 4, the continuous blood
연속혈당 예측 장치(100)는 수집된 학습 데이터를 기반으로 딥러닝 알고리즘의 변수를 설정할 수 있다(S420). 일 예로, 연속혈당 예측 장치(100)는 상기 수집된 학습 데이터 중 라이프로그 데이터를 딥러닝 알고리즘의 독립 변수로 설정할 수 있고, 연속혈당측정(CGM) 데이터를 해당 알고리즘의 종속 변수로 설정할 수 있다. The continuous blood
한편, 독립 변수로 설정된 라이프로그 데이터의 종류가 많아질수록, 종속 변수로 설정된 연속혈당 데이터에 대한 예측 정확도가 점점 증가하는 장점이 있지만, 입력 데이터의 종류가 증가함에 따라 연속혈당 예측 모델이 점점 복잡해지는 단점이 있다. 따라서, 사용자의 연속혈당에 영향을 미치는 라이프로그 데이터를 독립 변수로 설정하는 것이 바람직하다. Meanwhile, as the type of lifelog data set as an independent variable increases, the prediction accuracy for continuous blood sugar data set as a dependent variable has the advantage of increasing. However, as the type of input data increases, the continuous blood sugar prediction model becomes more complex. There is a downside to canceling. Therefore, it is desirable to set lifelog data that affects the user's continuous blood sugar level as an independent variable.
연속혈당 예측 장치(100)는 독립 변수 및 종속 변수로 설정된 학습 데이터를 전 처리하는 동작을 수행할 수 있다(S430). 일 예로, 연속혈당 예측 장치(100)는 학습 데이터의 결측치 및 이상치를 검출하고, 상기 검출된 결측치 및 이상치를 미리 결정된 전 처리 방식에 따라 보정할 수 있다. 또한, 연속혈당 예측 장치(100)는 서로 다른 단위 또는 포맷을 갖는 학습 데이터를 정규화(normalization)할 수 있다. The continuous blood
연속혈당 예측 장치(100)는 전 처리된 학습 데이터를 두 종류의 데이터 셋, 즉 훈련 데이터 셋(training data set)과 시험 데이터 셋(test data set)으로 분류할 수 있다(S440). 여기서, 훈련 데이터 셋은 딥러닝 모델을 생성하기 위해 사용될 수 있고, 시험 데이터 셋은 딥러닝 모델을 검증하기 위해 사용될 수 있다. 한편, 해당 분류 과정은 본 발명의 실시 형태에 따라 생략 가능하도록 구성될 수 있다.The continuous blood
연속혈당 예측 장치(100)는 훈련 데이터 셋을 기반으로 미리 결정된 딥러닝 알고리즘을 수행하여 연속혈당 예측 모델을 생성할 수 있다(S450). 이때, 상기 딥러닝 알고리즘으로는 순환신경망(Recurrent Neural Network, RNN) 알고리즘, 장단기 메모리(Long Short-Term Memory, LSTM) 알고리즘, Bi-LSTM 알고리즘 또는 LSTM intention 알고리즘 등이 사용될 수 있으며 반드시 이에 제한되지는 않는다. The continuous blood
일 예로, 도 5에 도시된 바와 같이, 연속혈당 예측 장치(100)는 순환신경망(RNN) 알고리즘(510)을 이용하여 훈련 데이터 셋을 기반으로 연속혈당 예측 모델을 생성할 수 있다. 여기서, 훈련 데이터 셋은 독립 변수에 해당하는 시계열 라이프로그 데이터(520)와 종속 변수에 해당하는 연속혈당측정 데이터(530)를 포함할 수 있다. For example, as shown in FIG. 5 , the continuous blood
한편, 다른 예로, 도 6에 도시된 바와 같이, 연속혈당 예측 장치(100)는 장단기 메모리(LSTM) 알고리즘(610)을 이용하여 훈련 데이터 셋을 기반으로 연속혈당 예측 모델을 생성할 수 있다. 여기서, 훈련 데이터 셋은 독립 변수에 해당하는 시계열 및 비시계열 라이프로그 데이터(620)와, 종속 변수에 해당하는 연속혈당측정 데이터(630)를 포함할 수 있다.Meanwhile, as another example, as shown in FIG. 6, the continuous blood
연속혈당 예측 장치(100)는, 딥러닝 알고리즘의 종속 변수에 관한 예측 정확도가 기준치 이상이 될 때까지, 해당 알고리즘을 반복적으로 수행하여 미래의 연속혈당 데이터를 예측하기 위한 연속혈당 예측 모델을 생성할 수 있다.The continuous blood
연속혈당 예측 장치(100)는 시험 데이터 셋을 기반으로 연속혈당 예측 모델의 성능을 검증할 수 있다(S460). 해당 검증 과정은 본 발명의 실시 형태에 따라 생략 가능하도록 구성될 수 있다.The continuous blood
연속혈당 예측 장치(100)는 검증 완료된 연속혈당 예측 모델을 데이터베이스에 저장할 수 있다. 상기 데이터베이스에 저장된 연속혈당 예측 모델은 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 추론하기 위해 사용될 수 있다.The continuous blood
도 7은 본 발명의 일 실시 예에 따라 연속혈당 데이터를 예측하는 방법을 설명하는 순서도이다. 본 실시 예에 따른 연속혈당 예측 방법은 연속혈당 예측 장치(100)에 의해 수행될 수 있다. 도시된 순서도에서는 연속혈당 예측 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.Figure 7 is a flowchart explaining a method for predicting continuous blood sugar data according to an embodiment of the present invention. The continuous blood sugar prediction method according to this embodiment can be performed by the continuous blood
도 7을 참조하면, 본 발명의 일 실시 예에 따른 연속혈당 예측 장치(100)는 특정 사용자의 라이프로그 데이터를 획득할 수 있다(S710). 여기서, 라이프로그 데이터는 시계열 라이프로그 데이터 및 비시계열 라이프로그 데이터 중 적어도 하나를 포함할 수 있다. Referring to FIG. 7, the continuous blood
연속혈당 예측 장치(100)는 미리 학습된 연속혈당 예측 모델을 데이터베이스로부터 호출할 수 있다(S720).The continuous blood
연속혈당 예측 장치(100)는 상기 호출된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측할 수 있다(S730). The continuous blood
일 실시 예로, 도 8에 도시된 바와 같이, 연속혈당 예측 장치(100)는 특정 사용자의 라이프로그 데이터(820)를 연속혈당 예측 모델(810)에 입력하여 해당 사용자의 미래 연속혈당 데이터(830)를 출력할 수 있다. 여기서, 상기 라이프로그 데이터(820)는 연속혈당측정기를 통해 일정 시간(가령, 30분 내지 2시간) 동안 측정된 연속혈당측정(CGM) 데이터일 수 있다. 상기 연속혈당 데이터(830)는 일정 시간(가령, 2시간) 동안 5분 단위의 연속혈당 데이터일 수 있다.In one embodiment, as shown in FIG. 8, the continuous blood
한편, 다른 실시 예로, 도 9에 도시된 바와 같이, 연속혈당 예측 장치(100)는 특정 사용자의 라이프로그 데이터(920)를 연속혈당 예측 모델(910)에 입력하여 해당 사용자의 미래 연속혈당 데이터(930)를 출력할 수 있다. 여기서, 상기 라이프로그 데이터(920)는 일정 시간 동안의 연속혈당측정(CGM) 데이터와 식사량 데이터와 인슐린 투여량 데이터를 포함할 수 있다. 상기 연속혈당 데이터(930)는 일정 시간(가령, 2시간) 동안 5분 단위의 연속혈당 데이터일 수 있다.Meanwhile, in another embodiment, as shown in FIG. 9, the continuous blood
또 다른 실시 예로, 도 10에 도시된 바와 같이, 연속혈당 예측 장치(100)는 특정 사용자의 라이프로그 데이터(1020)를 연속혈당 예측 모델(1010)에 입력하여 해당 사용자의 미래 연속혈당 데이터(1030)를 출력할 수 있다. 여기서, 상기 라이프로그 데이터(1020)는 일정 시간 동안의 연속혈당측정(CGM) 데이터, 식사량 데이터, 인슐린 투여량 데이터와 함께 추가 시계열 데이터(가령, 식사종류 데이터, 식사성분 데이터, 활동 시간 데이터, 활동 강도 데이터 등)를 포함할 수 있다. 상기 연속혈당 데이터(1030)는 일정 시간(가령, 2시간) 동안 5분 단위의 연속혈당 데이터일 수 있다.In another embodiment, as shown in FIG. 10, the continuous blood
또 다른 실시 예로, 도 11에 도시된 바와 같이, 연속혈당 예측 장치(100)는 특정 사용자의 라이프로그 데이터(1120)를 연속혈당 예측 모델(1110)에 입력하여 해당 사용자의 미래 연속혈당 데이터(1130)를 출력할 수 있다. 여기서, 상기 라이프로그 데이터(1120)는 일정 시간 동안의 연속혈당측정(CGM) 데이터, 식사량 데이터, 인슐린 투여량 데이터와 함께, 추가 시계열 데이터(가령, 식사종류 데이터, 식사성분 데이터, 활동 시간 데이터, 활동 강도 데이터 등), 비시계열 데이터(가령, 나이 데이터, 성별 데이터, 당화혈색소 데이터 등)를 포함할 수 있다. 상기 연속혈당 데이터(1130)는 일정 시간(가령, 2시간) 동안 5분 단위의 연속혈당 데이터일 수 있다. In another embodiment, as shown in FIG. 11, the continuous blood
상술한 과정을 통해 예측된 연속혈당 데이터는 다양한 분야에 활용될 수 있다. 첫 번째로 특정 음식의 혈당을 사전에 미리 예측함으로써 해당 음식이 혈당에 미치는 영향을 고려하여 개인의 혈당건강관리에 도움이 되는 음식을 추천할 수 있다. 두 번째로 개인의 활동량에 따른 혈당을 예측함으로써 일주 혹은 한달 간의 활동 계획을 미리 세워 최적의 혈당을 관리할 수 있다. 세 번째로 식후 인슐린 혹은 Basal 인슐린 투여량을 미리 계산하는 데 활용하여, 폐쇄 루프(Closed Loop) 인공 췌장 시스템에 적용할 수 있다. 마지막으로 혈당 예측을 통한 복약 관리 등을 포함하여 모든 생활 습관 가이드에 활용될 수 있다.Continuous blood sugar data predicted through the above-described process can be used in various fields. First, by predicting the blood sugar level of a specific food in advance, it is possible to recommend foods that are helpful in managing an individual's blood sugar health, taking into account the effect of that food on blood sugar level. Second, by predicting blood sugar levels according to an individual's activity level, you can manage your blood sugar levels optimally by planning activities for a week or a month in advance. Third, it can be used to pre-calculate postprandial insulin or basal insulin dosage and be applied to a closed loop artificial pancreas system. Lastly, it can be used in all lifestyle guides, including medication management through blood sugar prediction.
이상 상술한 바와 같이, 본 발명의 일 실시 예에 따른 연속혈당 예측 방법은 미리 학습된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 미래 연속혈당 데이터를 정확하고 신속하게 예측할 수 있다.As described above, the continuous blood sugar prediction method according to an embodiment of the present invention uses a pre-learned continuous blood sugar prediction model to accurately and quickly predict the user's future continuous blood sugar data based on the user's lifelog data. It is predictable.
도 12는 본 발명의 일 실시 예에 따른 사용자 맞춤형 혈당 예측 모델을 예시하는 도면이다. 도 12에 도시된 바와 같이, 본 발명에 따른 연속혈당 예측 장치(100)는 사용자의 혈당 데이터, 인슐린 데이터, 식이 데이터 및 활동량 데이터를 포함하는 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측하기 위한 사용자 맞춤형 혈당 예측 모델을 생성할 수 있다. 이때, 상기 연속혈당 예측 장치(100)는 LSTM 알고리즘을 이용하여 사용자 맞춤형 혈당 예측 모델을 생성할 수 있다. Figure 12 is a diagram illustrating a user-customized blood sugar prediction model according to an embodiment of the present invention. As shown in FIG. 12, the continuous blood
연속혈당 예측 장치(100)는 사용자의 라이프로그 데이터를 정규화(normalization)하고, 상기 정규화된 데이터를 기반으로 학습하여 사용자 맞춤형 혈당 예측 모델을 생성할 수 있다. 데이터 정규화를 수행함에 따라 머신러닝에 사용되는 학습 데이터의 값이 너무 크거나 작지 않고 적당한 범위(예컨대, -1 내지 1까지의 범위)에 있게 되어 모델의 정확도가 높아질 수 있다. The continuous blood
도 13은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 구성 블록도이다.Figure 13 is a block diagram of a computing device according to an embodiment of the present invention.
도 13을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(1300)는 적어도 하나의 프로세서(1310), 컴퓨터 판독 가능 저장 매체(1320) 및 통신 버스(1330)를 포함한다. 상기 컴퓨팅 장치(1300)는 상술한 연속혈당 예측 장치(100) 또는 상기 연속혈당 예측 장치(100)를 구성하는 요소들에 포함되는 하나 이상의 컴포넌트일 수 있다.Referring to FIG. 13, a computing device 1300 according to an embodiment of the present invention includes at least one
프로세서(1310)는 컴퓨팅 장치(1300)로 하여금 앞서 언급된 예시적인 실시 예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(1310)는 컴퓨터 판독 가능 저장 매체(1320)에 저장된 하나 이상의 프로그램들(1325)을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(1310)에 의해 실행되는 경우 컴퓨팅 장치(1300)로 하여금 예시적인 실시 예에 따른 동작들을 수행하도록 구성될 수 있다.The
컴퓨터 판독 가능 저장 매체(1320)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(1320)에 저장된 프로그램(1325)은 프로세서(1310)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시 예에서, 컴퓨터 판독 가능 저장 매체(1320)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(1300)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.Computer-
통신 버스(1330)는 프로세서(1310), 컴퓨터 판독 가능 저장 매체(1320)를 포함하여 컴퓨팅 장치(1300)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(1300)는 또한 하나 이상의 입출력 장치(1350)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(1340) 및 하나 이상의 네트워크 통신 인터페이스(1360)를 포함할 수 있다. 입출력 인터페이스(1340) 및 네트워크 통신 인터페이스(1360)는 통신 버스(1330)에 연결된다.Computing device 1300 may also include one or more input/
입출력 장치(1350)는 입출력 인터페이스(1340)를 통해 컴퓨팅 장치(1300)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(1350)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(1350)는 컴퓨팅 장치(1300)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(1300)의 내부에 포함될 수도 있고, 컴퓨팅 장치(1300)와는 구별되는 별개의 장치로 컴퓨팅 장치(1300)와 연결될 수도 있다.Input/
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 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.The present invention described above can be implemented as computer-readable code on a program-recorded medium. A computer-readable medium may continuously store a computer-executable program or temporarily store it for execution or download. In addition, the medium may be a variety of recording or storage means in the form of a single or several pieces of hardware combined. It is not limited to a medium directly connected to a computer system and may be distributed over a network. Examples of media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floptical disks, And there may be something configured to store program instructions, including ROM, RAM, flash memory, etc. Additionally, examples of other media include recording or storage media managed by app stores that distribute applications, sites that supply or distribute various other software, or servers. Accordingly, the above detailed description should not be construed as restrictive in all respects and should be considered illustrative. The scope of the present invention should be determined by reasonable interpretation of the appended claims, and all changes within the equivalent scope of the present invention are included in the scope of the present invention.
100: 연속혈당 예측 장치 110: 데이터 수집부
120: 데이터베이스 130: 학습모델 생성부
140: 연속혈당 예측부 1300: 컴퓨팅 장치100: Continuous blood sugar prediction device 110: Data collection unit
120: Database 130: Learning model creation unit
140: Continuous blood sugar prediction unit 1300: Computing device
Claims (13)
개인의 연속혈당측정(Continuous Glucose Monitoring, CGM) 데이터가 포함된 학습 데이터를 수집하는 단계;
상기 수집된 학습 데이터를 기반으로 연속혈당 예측 모델을 생성하는 단계; 및
상기 생성된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측하는 단계를 포함하는 연속혈당 예측 방법.In a continuous blood sugar prediction method performed by a computing device,
Collecting learning data including personal continuous glucose monitoring (CGM) data;
Generating a continuous blood sugar prediction model based on the collected learning data; and
A continuous blood sugar prediction method comprising predicting continuous blood sugar data of a specific user based on the user's life log data using the generated continuous blood sugar prediction model.
상기 학습 데이터는, 특정인을 대상으로 수집되거나 혹은 불특정 다수의 사람들을 대상으로 수집되는 것을 특징으로 하는 연속혈당 예측 방법.According to paragraph 1,
A continuous blood sugar prediction method wherein the learning data is collected from a specific person or from an unspecified number of people.
상기 학습 데이터는, 시계열 라이프로그 데이터 및 비시계열 라이프로그 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 연속혈당 예측 방법.According to paragraph 1,
The learning data includes at least one of time series lifelog data and non-time series lifelog data.
상기 시계열 라이프로그 데이터는 연속혈당측정(CGM) 데이터, 인슐린 투여량 데이터, 식사량 데이터, 식사종류 데이터, 식사성분 데이터, 수면량 데이터, 활동량 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 연속혈당 예측 방법.According to paragraph 3,
The time series lifelog data includes at least one of continuous blood glucose measurement (CGM) data, insulin dosage data, meal amount data, meal type data, meal ingredient data, sleep amount data, and activity amount data.
상기 비시계열 데이터는 당화혈색소 데이터, 체중/키/체질량 데이터, 나이 데이터, 성별 데이터, 근육량 데이터, 중성지방 데이터, 혈액검사 데이터, 외래 혈당 프로파일(Ambulatory Glucose Profile, AGP) 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 연속혈당 예측 방법.According to paragraph 3,
The non-time series data includes at least one of glycated hemoglobin data, weight/height/body mass data, age data, gender data, muscle mass data, neutral fat data, blood test data, and ambulatory glucose profile (AGP) data. A continuous blood sugar prediction method characterized by:
미리 결정된 딥러닝 알고리즘을 이용하여 상기 연속혈당 예측 모델을 생성하는 것을 특징으로 하는 연속혈당 예측 방법.The method of claim 1, wherein the generating step includes:
A continuous blood sugar prediction method characterized by generating the continuous blood sugar prediction model using a predetermined deep learning algorithm.
상기 딥러닝 알고리즘으로는 순환신경망(Recurrent Neural Network, RNN) 알고리즘, 장단기 메모리(Long Short-Term Memory, LSTM) 알고리즘, Bi-LSTM 알고리즘 및 LSTM intention 알고리즘 중 어느 하나가 사용되는 것을 특징으로 하는 연속혈당 예측 방법.According to clause 6,
Continuous blood sugar, characterized in that any one of the deep learning algorithm is used, a Recurrent Neural Network (RNN) algorithm, a Long Short-Term Memory (LSTM) algorithm, a Bi-LSTM algorithm, and an LSTM intention algorithm. Prediction method.
상기 학습 데이터 중 라이프로그 데이터를 상기 딥러닝 알고리즘의 독립 변수로 설정하고, 상기 학습 데이터 중 연속혈당측정 데이터를 상기 딥러닝 알고리즘의 종속 변수로 설정하는 것을 특징으로 하는 연속혈당 예측 방법.The method of claim 6, wherein the generating step includes:
A continuous blood sugar prediction method characterized by setting lifelog data among the learning data as an independent variable of the deep learning algorithm, and setting continuous blood glucose measurement data among the learning data as a dependent variable of the deep learning algorithm.
상기 수집된 학습 데이터를 정규화(normalization)하는 단계를 더 포함하는 것을 특징으로 하는 연속혈당 예측 방법.The method of claim 1, wherein the generating step includes:
A continuous blood sugar prediction method further comprising the step of normalizing the collected learning data.
특정 사용자의 라이프로그 데이터를 획득하고, 상기 획득된 라이프로그 데이터를 상기 연속혈당 예측 모델에 입력하여 해당 사용자의 연속혈당 데이터를 예측하는 것을 특징으로 하는 연속혈당 예측 방법.The method of claim 1, wherein the prediction step is,
A continuous blood sugar prediction method comprising acquiring lifelog data of a specific user and inputting the acquired lifelog data into the continuous blood sugar prediction model to predict continuous blood sugar data of the user.
상기 데이터베이스에 저장된 학습 데이터를 기반으로 연속혈당 예측 모델을 생성하는 학습모델 생성부; 및
상기 생성된 연속혈당 예측 모델을 이용하여 특정 사용자의 라이프로그 데이터를 기반으로 해당 사용자의 연속혈당 데이터를 예측하는 연속혈당 예측부를 포함하는 연속혈당 예측 장치.A database that stores learning data containing personal continuous glucose monitoring (CGM) data;
a learning model generator that generates a continuous blood sugar prediction model based on the learning data stored in the database; and
A continuous blood sugar prediction device comprising a continuous blood sugar prediction unit that predicts continuous blood sugar data of a specific user based on the life log data of the specific user using the generated continuous blood sugar prediction model.
상기 학습 데이터를 수집하는 데이터 수집부를 더 포함하는 연속혈당 예측 장치.According to clause 12,
A continuous blood sugar prediction device further comprising a data collection unit that collects the learning data.
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240092777A true KR20240092777A (en) | 2024-06-24 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sopic et al. | Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems | |
| US20230181077A1 (en) | Machine differentiation of abnormalities in bioelectromagnetic fields | |
| Zhang et al. | Sleep stage classification based on multi-level feature learning and recurrent neural networks via wearable device | |
| Akbulut et al. | A smart wearable system for short-term cardiovascular risk assessment with emotional dynamics | |
| Ramirez-Villegas et al. | Heart rate variability dynamics for the prognosis of cardiovascular risk | |
| US20150148621A1 (en) | Methods and systems for creating a preventative care plan in mental illness treatment | |
| Saalasti | Neural networks for heart rate time series analysis | |
| Georga et al. | Data mining for blood glucose prediction and knowledge discovery in diabetic patients: The METABO diabetes modeling and management system | |
| Gonçales et al. | Measuring the cognitive load of software developers: An extended Systematic Mapping Study | |
| Di Martino et al. | High-resolution physiological stress prediction models based on ensemble learning and recurrent neural networks | |
| US20210241916A1 (en) | Forecasting and explaining user health metrics | |
| KR102097246B1 (en) | Stress managing method based on complex stress index and apparatus for the same | |
| Poddar et al. | Automated diagnosis of coronary artery diseased patients by heart rate variability analysis using linear and non-linear methods | |
| Reimer et al. | Recognizing Sleep Stages with Wearable Sensors in Everyday Settings. | |
| De Falco et al. | A genetic programming-based regression for extrapolating a blood glucose-dynamics model from interstitial glucose measurements and their first derivatives | |
| Zhang et al. | Towards early detection and burden estimation of atrial fibrillation in an ambulatory free-living environment | |
| Luo et al. | GlucoGuide: an intelligent type-2 diabetes solution using data mining and mobile computing | |
| Mongin et al. | Dynamical system modeling of self-regulated systems undergoing multiple excitations: first order differential equation approach | |
| KR20240092777A (en) | Method for predicting continuous glucose data and apparatus thereof | |
| Noaro et al. | An ensemble learning algorithm based on dynamic voting for targeting the optimal insulin dosage in type 1 diabetes management | |
| Ahmed et al. | Recent trends and techniques of blood glucose level prediction for diabetes control | |
| Deng et al. | Patient-specific deep offline artificial pancreas for blood glucose regulation in type 1 diabetes | |
| Honarvar et al. | Enhancing convolutional neural network predictions of electrocardiograms with left ventricular dysfunction using a novel sub-waveform representation | |
| Maria et al. | Stress prediction using enhanced feature selection and knn model | |
| Morales-Contreras et al. | Robust glucose control via μ-synthesis in type 1 diabetes mellitus |