WO2016122052A1 - 지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치 - Google Patents

지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치 Download PDF

Info

Publication number
WO2016122052A1
WO2016122052A1 PCT/KR2015/004499 KR2015004499W WO2016122052A1 WO 2016122052 A1 WO2016122052 A1 WO 2016122052A1 KR 2015004499 W KR2015004499 W KR 2015004499W WO 2016122052 A1 WO2016122052 A1 WO 2016122052A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameter
cpr
prediction model
measuring
air pressure
Prior art date
Application number
PCT/KR2015/004499
Other languages
English (en)
French (fr)
Inventor
권예람
이성원
박신후
Original Assignee
주식회사 아이엠랩
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아이엠랩 filed Critical 주식회사 아이엠랩
Publication of WO2016122052A1 publication Critical patent/WO2016122052A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
    • G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
    • G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
    • G09B23/288—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine for artificial respiration or heart massage

Definitions

  • a CPR training device and a method of operating the same and more particularly, a device capable of providing training feedback using measured values even in a low-cost CPR training device.
  • Cardiopulmonary resuscitation refers to a treatment that combines artificial respiration with cardiac compression. Compression and respiration are very important processes at the CPR stage. In addition to performing cardiopulmonary resuscitation quickly, generating adequate pressure and breathing volume contributes significantly to the survival of cardiac arrest patients. To this end, schools and companies are actively teaching CPR training.
  • Cardiopulmonary resuscitation curriculum is primarily provided by manikin (or dummy), which is capable of CPR. Providing abundant feedback through precise and rapid measurement of trainees' compressions and respirations can enhance learning and contribute to the ability to cope with CPR in real emergencies.
  • manikin or dummy
  • Providing abundant feedback through precise and rapid measurement of trainees' compressions and respirations can enhance learning and contribute to the ability to cope with CPR in real emergencies.
  • low-cost manikin models which are mainly used for CPR training, have slightly different properties among manufacturers, and even the same model may vary depending on time or degree of care.
  • a data processing apparatus includes a first sensor measuring a first parameter associated with CPR repeatedly performed on an object, a second sensor associated with the CPR and measuring a second parameter, and the first sensor. And a processing unit for constructing a correlation between the first parameter and the second parameter as a predictive model.
  • the first parameter corresponds to a pressure applied to the object in association with the CPR
  • the second parameter corresponds to an acceleration at which one side of the object is compressed due to the pressure
  • the processing unit calculates the force value by calculating the displacement of the force value in the compression period in consideration of the direction of the pressure.
  • the processor may calculate the speed by integrating the acceleration, calculate the depth by integrating the calculated speed, and calculate a depth value based on the distance displacement according to the calculated depth.
  • the first parameter corresponds to an air pressure applied to the object in association with the CPR
  • the second parameter corresponds to a volume of air inflated by one side of the object due to the air pressure
  • a cardiopulmonary resuscitation training apparatus is constructed by learning a sensor for measuring a first parameter associated with CPR performed on an object, and a correlation between the first parameter and a second parameter associated with CPR. And a processor configured to estimate a second parameter associated with the CPR using a predictive model.
  • the first parameter corresponds to a pressure applied to the object in association with the CPR
  • the second parameter corresponds to a depth value at which one side of the object is compressed due to the pressure
  • the first parameter corresponds to an air pressure applied to the object in association with the CPR
  • the second parameter corresponds to a volume of air inflated by one side of the object due to the air pressure
  • the cardiopulmonary resuscitation training apparatus includes a patch-type device detachable from one side of the object.
  • a method of operating a cardiopulmonary resuscitation training device includes measuring, by a sensor, a first parameter associated with CPR performed on an object, and in a processing unit, between the first parameter and a second parameter associated with CPR. Estimating a second parameter associated with the CPR by using a predictive model constructed by learning a correlation of.
  • measuring the first parameter comprises measuring a pressure applied to the object in association with the CPR
  • estimating the second parameter comprises: And estimating a depth value at which one side of the object is compressed.
  • the measuring of the first parameter may include measuring an air pressure applied to the object in association with the CPR, and the estimating of the second parameter may be based on the air pressure. Estimating a swelling volume of one side of the object.
  • the senor includes a patch-type device detachable from one side of an object.
  • real-time feedback is possible during CPR training by reducing a process for calculating a result value according to CPR training.
  • continuous and consistent data measurement is possible regardless of the manikin model.
  • rich feedback through accurate and rapid value measurement can improve the learning effect of CPR training.
  • FIG. 1 is a diagram illustrating a data processing apparatus for constructing a prediction model, according to an exemplary embodiment.
  • FIG. 2 is a diagram illustrating a cardiopulmonary resuscitation training apparatus using a prediction model according to an embodiment.
  • FIG. 3 is a flowchart illustrating an operation of a data processing device and an operation of a CPR training device according to an embodiment.
  • FIG. 4 is a flowchart illustrating a method of calculating a force-depth linear prediction model of a prediction model, according to an exemplary embodiment.
  • FIG. 5 is a diagram illustrating a force-depth linear prediction model calculated in FIG. 4.
  • FIG. 6 is a flowchart illustrating a method of calculating an air pressure-breathing capacity linear prediction model of a prediction model, according to an exemplary embodiment.
  • FIG. 7 is a diagram illustrating an air pressure-breathing amount linear prediction model calculated in FIG. 6.
  • FIG. 1 is a diagram for describing a data processing apparatus 100 for constructing a prediction model, according to an exemplary embodiment.
  • the data processing apparatus 100 may build a predictive model by applying supervised learning, which is a method of machine learning, before training CPR.
  • the data processing apparatus 100 may generate a predictive model related to compression depth and respiratory volume, respectively, from training data for a specific object.
  • the predictive model constructed can be recorded as the corrective function of the CPR so that the trainee can immediately provide continuous and consistent depth and respiration for the trainee in the actual implementation phase.
  • the prediction model is constructed for each object, its own specification of each object may be reflected.
  • the data processing apparatus 100 may include a first sensor 110, a second sensor 120, and a processor 130.
  • the first sensor 110 measures a first parameter associated with CPR repeatedly performed on an object
  • the second sensor 120 measures a second parameter associated with CPR.
  • the processor 130 may build a correlation between the first parameter and the second parameter as a prediction model.
  • the first parameter may correspond to a pressure applied to the object in association with CPR
  • the second parameter may correspond to an acceleration at which one side of the object is compressed due to the pressure. That is, the first parameter may include a CPR pressure that is repeated more than a predetermined number of times, and the second parameter may include an acceleration of one side of the object, for example, the chest of the dummy, by the force. Can be. Since the depth value can be calculated by the acceleration, the second parameter can also be interpreted as the depth value at which the chest of the dummy is compressed.
  • the processor 130 may calculate the force value by calculating the displacement of the force value in the compression period in consideration of the direction of the pressure to the first parameter in order to build the predictive model.
  • the processor 130 may calculate the speed by integrating the acceleration, calculate the depth by integrating the calculated speed, and calculate the depth value based on the distance displacement according to the calculated depth.
  • the processor 130 may build a predictive model using the calculated force and depth values.
  • the generated prediction model may include a force-depth linear prediction model.
  • the first parameter may correspond to the air pressure applied to the object in association with CPR
  • the second parameter may correspond to the amount of respiration of one side of the object, for example, the chest of the dummy, due to the air pressure.
  • the processor 130 may generate a prediction model including an air pressure-breathing amount linear prediction model by using air pressure instead of pressure and using a breathing volume instead of a depth value.
  • the predictive model may be classified according to age, gender, etc. for the subjects of CPR.
  • the prediction model of the adult male in 30s and the prediction model of the teenage female may be generated separately from each other.
  • the processor 130 may generate a predictive model of an adult male in 30s by applying weights to the predictive model of a teenage female.
  • FIG. 2 is a diagram illustrating a cardiopulmonary resuscitation training apparatus using a prediction model according to an embodiment.
  • the cardiopulmonary resuscitation training apparatus 200 reduces the process of calculating a result value according to the cardiopulmonary resuscitation training by using the predictive model constructed so that real-time feedback during the cardiopulmonary resuscitation training is possible.
  • the cardiopulmonary resuscitation training apparatus 200 according to an embodiment enables continuous and consistent data measurement regardless of the manikin model during cardiopulmonary resuscitation training, and provides abundant feedback due to accurate and rapid value measurement. You can improve the learning effect.
  • the cardiopulmonary resuscitation training apparatus 200 may include a sensor 210 and a processor 220.
  • the sensor 210 measures the first parameter associated with CPR performed on the object.
  • the processor 220 may estimate the second parameter related to CPR using the instrumented predictive model.
  • the predictive model is constructed by learning a correlation between the first parameter and a second parameter associated with CPR, and provides a second parameter corresponding to the measured first parameter.
  • the prediction model may be maintained after being recorded in the storage 230, and the storage 230 may be implemented in the form of a local memory or an external database.
  • the second parameter calculation process can be omitted.
  • the first parameter may correspond to a pressure applied to the object in association with CPR
  • the second parameter may correspond to a depth value at which one side of the object is compressed due to the pressure. That is, the force value of the trainee generated during CPR using only the pressure sensor may be measured, and the depth value, which is the second parameter in the predictive model, may be estimated using the measured force value as the first parameter.
  • the first parameter may correspond to an air pressure applied to the object in association with CPR
  • the second parameter may correspond to a volume of air inflated by one side of the object due to the air pressure
  • the cardiopulmonary resuscitation training apparatus 200 may check whether the estimated depth value is data within an appropriate range and repeat or terminate the training process of the trainee. In addition, by providing feedback to the trainee whether the data is within the appropriate range, the trainee can improve the interest according to the education.
  • Cardiopulmonary resuscitation training apparatus 200 may be implemented in the form of a patch-type device detachable from one side of the object.
  • FIG. 3 is a flowchart illustrating an operation of a data processing device and an operation of a CPR training device according to an embodiment.
  • the data processing apparatus may measure a first parameter associated with CPR (step 301), and measure a second parameter corresponding to the measured first parameter (step 302).
  • the data processing apparatus may build a correlation between the first parameter and the second parameter as a predictive model (step 303).
  • the data processing apparatus may measure the pressure displacement associated with CPR using the first parameter generated in the object, and calculate the distance displacement by measuring the second parameter generated in the object.
  • a force value corresponding to the calculated pressure displacement and a depth value corresponding to the calculated distance displacement may be calculated, and may be repeated over a predetermined number of times to construct a predictive model based on the force value and the depth value.
  • the data processing device may build a prediction model including the air pressure-breathing volume information.
  • a prediction model may be constructed in the data processing apparatus.
  • the constructed predictive model can be used for CPR training.
  • the CPR training apparatus may load the generated predictive model (step 304).
  • the cardiopulmonary resuscitation training apparatus may load an instrumented predictive model when measuring a first parameter associated with CPR performed on an object through a sensor.
  • the prediction model may be recorded in a local memory, or may be recorded in an external database through a wired or wireless network.
  • the cardiopulmonary resuscitation training device may extract at least one of the depth value and the respiratory volume using the predictive model (step 305).
  • the CPR training apparatus may extract a depth value corresponding to the pressure using a predictive model.
  • the cardiopulmonary resuscitation training device may extract a breath volume corresponding to the barometric pressure using a predictive model.
  • FIG. 4 is a flowchart illustrating a method of calculating a force-depth linear prediction model of a prediction model, according to an exemplary embodiment.
  • the prediction model may include a force-depth linear prediction model.
  • the operating method of the data processing apparatus may calculate the force value due to the pressure displacement as the first parameter in response to the pressure 401 applied by the trainee (step 402).
  • the method of operation of the data processing apparatus calculates the speed through the integration of the acceleration value (step 403), calculates the depth by the integration of the calculated speed (step 404) in response to the pressing (step 401).
  • the depth value at which the chest of the dummy is compressed may be calculated using the determined depth (step 405).
  • the method of operation of the data processing device can calculate the force value measured from the pressure sensor and the acceleration for each axis measured from the three-axis acceleration sensor.
  • the compression period can be classified in consideration of the directionality, and the displacement of the force value in the period, for example, the difference between the highest value and the lowest value can be calculated and used for calculating the depth value.
  • the operating method of the data processing apparatus may repeat the processes of steps 402 to 405 more than a predetermined number of times.
  • the process of steps 402 to 405 may be repeated 30 or more times as indicated by reference numeral 406.
  • the operation method of the data processing apparatus may acquire force-depth data (step 408), and calculate a force-depth linear prediction model based on this (step 408).
  • FIG. 5 is a diagram illustrating the force-depth linear prediction model 500 calculated in FIG. 4.
  • two-dimensional training data are generated one by one each time learning corresponding to compression is performed, and a force-depth linear prediction model 500 is repeated as a result of repeating statistically sufficient data.
  • the force-depth linear prediction model 500 can be predicted from sufficient two-dimensional data by a linear regression analysis method, for example, a least-square method or the like can be used.
  • the force-depth linear prediction model 500 corresponding to the manikin can be loaded and used at any time. Therefore, the force-depth linear prediction model 500 may be used to obtain the corresponding depth value in real time only by the force value by the pressure sensor in actual training.
  • FIG. 6 is a flowchart illustrating a method of calculating an air pressure-breathing capacity linear prediction model of a prediction model, according to an exemplary embodiment.
  • the first parameter may correspond to an air pressure applied to the object in association with the CPR
  • the second parameter may correspond to a volume of air inflated by one side of the object due to the air pressure
  • the prediction model may include an air pressure-breathing linear prediction model.
  • the method of operating the data processing device may inject air into the object in the appropriate breathing amount in response to the breathing 601 performed by the trainee (step 602).
  • Breathing to obtain sample data may be performed in the form of an infuser or the actual breathing of a CPR specialist.
  • the air pressure applied to the air injected into the object through the sensor is measured (step 603).
  • the method of operating the data processing device uses a single air pressure sensor, which is connected to a breath pack inside the manikin and can be attached to measure the air pressure inside the breath pack.
  • the operation method of the data processing apparatus repeats the processes of steps 601 to 603 to acquire sample data (step 605), and acquires barometric pressure-breathing volume data as a result of repeating 30 or more times (step 604).
  • the operating method of the data processing apparatus may calculate the barometric pressure-breathing linear prediction model using the obtained barometric pressure-breathing volume data (step 606).
  • FIG. 7 is a diagram illustrating an air pressure-breathing amount linear prediction model 700 calculated in FIG. 6.
  • two-dimensional training data is generated one by one when learning corresponding to breathing is performed, and may be repeated until statistically sufficient data are collected.
  • the operating method of the data processing apparatus may calculate the air pressure-breathing amount linear prediction model 700.
  • the barometric pressure-breathing linear prediction model 700 can be predicted from sufficient two-dimensional data by a linear regression analysis method, for example, a least-square method or the like can be used.
  • the reason for using the linear model in the volume sensing may be to reduce the amount of calculation in the measurement of breathing by the user in the actual training and to provide consistent breathing feedback.
  • the air pressure-breathing amount linear prediction model 700 may be used to obtain a corresponding air volume in real time only by the air pressure collected by the air pressure sensor in actual training.
  • the present invention it is possible to reduce the process for calculating the result value according to the cardiopulmonary resuscitation training in real time feedback during CPR training.
  • Method according to an embodiment of the present invention can be implemented in the form of program instructions that can be executed by various computer means may be recorded on a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program instructions recorded on the media may be those specially designed and constructed for the purposes of the present invention, or they may be of the kind well-known and available to those having skill in the computer software arts.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, and magnetic disks, such as floppy disks.
  • Examples of program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

Abstract

데이터 처리 장치가 제공된다. 일실시예에 따른 장치는 오브젝트에 반복 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 제1 센서, 상기 심폐소생술에 연관되는 및 제2 파라미터를 측정하는 제2 센서, 및 상기 제1 파라미터와 상기 제2 파라미터 사이의 상관 관계를 예측모델로 구축하는 처리부를 포함할 수 있다.

Description

지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치
심폐소생술 훈련 장치 및 그 동작 방법에 연관되며, 보다 특정하게는 저가형 심폐소생술 훈련 장치에서도 측정된 값을 이용하여 훈련 피드백을 제공할 수 있는 장치에 연관된다.
북미, 유럽 등을 중심으로 하여 전세계적으로 심폐소생술과 관련한 교육의 필요성이 대두되고 있다. 심폐소생술은 인공호흡과 심장 압박을 동시에 하는 처치법을 의미하는데, 심폐소생술 단계에서 압박과 호흡의 시행은 매우 중요한 과정이다. 심폐소생술은 빠른 시간 내에 수행하는 것뿐만 아니라, 적절한 깊이의 압박과 호흡량을 생성하는 것이 심정지 환자의 생존률을 높이는데 크게 기여한다. 이를 위해, 학교나 기업 등에서는 심폐소생술 관련 교육을 적극적으로 하는 추세이다.
심폐소생술의 교육과정은 심폐소생술이 가능한 마네킨(또는 더미)을 통해 주로 이루어진다. 훈련생의 압박과 호흡 시행 시 정밀하고 신속한 값 측정에 의한 풍부한 피드백 제공은 학습 효과를 높여 실제 응급 상황에서 심폐소생술 대처능력을 기르는데 기여할 수 있다. 하지만 심폐소생술 교육시 주로 활용되는 저가 마네킨 모델은 제조사들마다 조금씩 상이한 속성을 지니며, 동일한 모델이라도 시간이나 관리 정도에 따라 달라질 수 있다.
또한, 심폐소생술 교육에서는, 스위치나 기구물을 활용하여 이산 값을 측정하거나 매번 센싱 후 복잡한 계산 과정을 통해 결과 값을 제공한다. 따라서 센싱 후 일정시간이 지연된 후에 결과 값을 제공한다. 즉, 센싱과 결과 값의 제공이 실시간으로 이뤄지지 않아 적절한 시기에 훈련생에게 피드백을 제공할 수 없다. 또한, 한 명의 교육자는 다수의 훈련생의 훈련 동작들을 모두 면밀히 모니터링 할 수 없다.
일실시예에 따른 데이터 처리 장치는, 오브젝트에 반복 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 제1 센서, 상기 심폐소생술에 연관되는 및 제2 파라미터를 측정하는 제2 센서, 및 상기 제1 파라미터와 상기 제2 파라미터 사이의 상관 관계를 예측모델로 구축하는 처리부를 포함한다.
일실시예에 따른 상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력에 대응하고, 상기 제2 파라미터는 상기 압력에 기인하여 상기 오브젝트의 일측이 압착되는 가속도에 대응한다.
일실시예에 따른 상기 처리부는, 상기 압력의 방향성을 고려하여 압박 주기 내 힘 값의 변위를 계산하여 힘 값을 계산한다.
일실시예에 따른 상기 처리부는, 상기 가속도를 적분하여 속도를 산출하고, 산출된 속도를 적분하여 깊이를 산출하며, 상기 산출된 깊이에 따른 거리 변위에 기초하여 깊이 값을 산출한다.
일실시예에 따른 상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압에 대응하고, 상기 제2 파라미터는 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량에 대응한다.
일실시예에 따른 심폐소생술 훈련 장치는 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 센서, 및 상기 제1 파라미터와 심폐소생술에 연관되는 제2 파라미터 사이의 상관 관계를 학습하여 구축된 예측모델을 이용하여, 상기 심폐소생술에 연관되는 제2 파라미터를 추정하는 처리부를 포함한다.
일실시예에 따른 상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력에 대응하고, 상기 제2 파라미터는 상기 압력에 기인하여 상기 오브젝트의 일측이 압착되는 깊이 값에 대응한다.
일실시예에 따른 상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압에 대응하고, 상기 제2 파라미터는 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량에 대응한다.
일실시예에 따른 상기 심폐소생술 훈련 장치는 오브젝트의 일측에서 탈착 가능한 패치형 디바이스를 포함한다.
일실시예에 따른 심폐소생술 훈련 장치 동작 방법은 센서에서, 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 단계, 및 처리부에서, 상기 제1 파라미터와 심폐소생술에 연관되는 제2 파라미터 사이의 상관 관계를 학습하여 구축된 예측모델을 이용하여, 상기 심폐소생술에 연관되는 제2 파라미터를 추정하는 단계를 포함한다.
일실시예에 따른 상기 제1 파라미터를 측정하는 단계는, 상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력을 측정하는 단계를 포함하고, 상기 제2 파라미터를 추정하는 단계는, 상기 측정된 압력에 기인하여 상기 오브젝트의 일측이 압착되는 깊이 값을 추정하는 단계를 포함한다.
일실시예에 따른 상기 제1 파라미터를 측정하는 단계는, 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압을 측정하는 단계를 포함하고, 상기 제2 파라미터를 추정하는 단계는, 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량을 추정하는 단계를 포함한다.
일실시예에 따른 상기 센서는 오브젝트의 일측에서 탈착 가능한 패치형 디바이스를 포함한다.
일부실시예에 따르면, 심폐소생술 훈련에 따른 결과값을 연산하기 위한 과정을 줄여 심폐소생술 훈련 시 실시간의 피드백이 가능하다. 또한, 심폐소생술 훈련 시 마네킨 모델에 관계없이 연속적이고 일관된 데이터 측정이 가능하다. 나아가 정밀하고 신속한 값 측정에 의한 풍부한 피드백 제공으로 인해 심폐소생술 훈련에 따른 학습 효과 향상이 가능하다.
도 1은 일실시예에 따른 예측모델을 구축하는 데이터 처리 장치를 설명하는 도면이다.
도 2는 일실시예에 따른 예측모델을 이용하는 심폐소생술 훈련 장치를 설명하는 도면이다.
도 3은 일실시예에 따른 데이터 처리 장치의 동작과 심폐소생술 훈련 장치의 동작을 설명하는 흐름도이다.
도 4는 일실시예에 따른 예측모델 중 힘-깊이 선형 예측모형을 산출하는 방법을 설명하는 흐름도이다.
도 5는 도 4에서 산출된 힘-깊이 선형 예측모형을 설명하는 도면이다.
도 6은 일실시예에 따른 예측모델 중 기압-호흡량 선형 예측모형을 산출하는 방법을 설명하는 흐름도이다.
도 7은 도 6에서 산출된 기압-호흡량 선형 예측모형을 설명하는 도면이다.
이하에서, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 이러한 실시예들에 의해 권리범위가 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명에서 사용되는 용어는, 연관되는 기술 분야에서 일반적이고 보편적인 것으로 선택되었으나, 기술의 발달 및/또는 변화, 관례, 기술자의 선호 등에 따라 다른 용어가 있을 수 있다. 따라서, 아래 설명에서 사용되는 용어는 기술적 사상을 한정하는 것으로 이해되어서는 안 되며, 실시예들을 설명하기 위한 예시적 용어로 이해되어야 한다.
또한 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세한 그 의미를 기재할 것이다. 따라서 아래 설명에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가지는 의미와 명세서 전반에 걸친 내용을 토대로 이해되어야 한다.
도 1은 일실시예에 따른 예측모델을 구축하는 데이터 처리 장치(100)를 설명하는 도면이다.
일실시예에 따른 데이터 처리 장치(100)는 심폐소생술의 교육 이전에 기계 학습의 한 방법인 지도학습을 적용하여 예측모델을 구축할 수 있다. 예를 들어, 데이터 처리 장치(100)는 특정 오브젝트에 대한 훈련 데이터들로부터 각각 압박 깊이와 호흡량과 관련된 예측모델을 생성할 수 있다.
구축된 예측모델은 해당 심폐소생술의 보정함수로 기록되어 실제 시행 단계인 교육 상황에서 훈련생의 시행에 대해 연속적이고 일관성 있는 깊이와 호흡량을 즉각적으로 제공할 수 있다. 또한, 예측모델이 오브젝트 별로 구축되기 때문에 각 오브젝트의 자체 특정이 반영될 수 있다.
이를 위해, 일실시예에 따른 데이터 처리 장치(100)는 제1 센서(110), 제2 센서(120), 및 처리부(130)를 포함할 수 있다.
먼저, 제1 센서(110)는 오브젝트에 반복 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하고, 제2 센서(120)는 심폐소생술에 연관되는 및 제2 파라미터를 측정한다.
처리부(130)는 제1 파라미터와 제2 파라미터 사이의 상관 관계를 예측모델로 구축할 수 있다.
일례로, 제1 파라미터는 심폐소생술에 연관되어 오브젝트에 가해지는 압력에 대응하고, 제2 파라미터는 압력에 기인하여 오브젝트의 일측이 압착되는 가속도에 대응할 수 있다. 즉, 제1 파라미터는 일정 횟수 이상으로 반복되는 심폐소생술에 의한 힘(pressure)을 포함할 수 있고, 제2 파라미터는 힘에 의해 오브젝트의 일측, 예를 들어 더미의 흉부가 압착되는 가속도를 포함할 수 있다. 가속도에 의해 깊이 값을 산출할 수 있기 때문에, 제2 파라미터를 더미의 흉부가 압착되는 깊이 값으로 해석할 수도 있다.
보다 구체적으로, 처리부(130)는 예측모델의 구축을 위해 제1 파라미터에 압력의 방향성을 고려하여 압박 주기 내 힘 값의 변위를 계산하여 힘 값을 계산할 수 있다. 또한, 처리부(130)는 가속도를 적분하여 속도를 산출하고, 산출된 속도를 적분하여 깊이를 산출하며, 산출된 깊이에 따른 거리 변위에 기초하여 깊이 값을 산출할 수 있다.
처리부(130)는 산출된 힘 값 및 깊이 값을 이용하여 예측모델을 구축할 수 있다. 이렇게 생성된 예측모델은 힘-깊이 선형 예측모형을 포함할 수 있다.
한편, 제1 파라미터는 심폐소생술에 연관되어 오브젝트에 인가되는 기압에 대응하고, 제2 파라미터는 기압에 기인하여 오브젝트의 일측, 예를 들어 더미의 흉부가 부풀어 오르는 호흡량에 대응할 수 있다.
이 경우, 처리부(130)는 압력 대신에 기압을 이용하고, 깊이 값 대신에 호흡량을 이용하여 기압-호흡량 선형 예측모형을 포함하는 예측모델을 생성할 수 있다. 예를 들어, 예측모델은 심폐소생술의 대상자에 대한 연령대, 성별 등에 따라 구분될 수 있다. 구체적으로, 30대의 성인 남성의 예측모델과 10대 여성의 예측모델은 서로 구분되어 생성될 수 있다. 예를 들어, 처리부(130)는 10대 여성의 예측모델에 가중치를 적용하여 30대의 성인 남성의 예측모델을 생성할 수 있다.
도 2는 일실시예에 따른 예측모델을 이용하는 심폐소생술 훈련 장치를 설명하는 도면이다.
일실시예에 따른 심폐소생술 훈련 장치(200)는 구축한 예측모델을 이용하여, 심폐소생술 훈련에 따른 결과값을 연산하는 과정을 줄여 심폐소생술 훈련 시 실시간의 피드백이 가능할 수 있게 한다. 또한, 일실시예에 따른 심폐소생술 훈련 장치(200)는 심폐소생술 훈련 시 마네킨 모델에 관계없이 연속적이고 일관된 데이터 측정이 가능하고, 정밀하고 신속한 값 측정에 의한 풍부한 피드백 제공으로 인해 심폐소생술 훈련에 따른 학습 효과를 높일 수 있다.
이를 위해, 일실시예에 따른 심폐소생술 훈련 장치(200)는 센서(210) 및 처리부(220)를 포함할 수 있다.
센서(210)는 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정한다. 이에, 처리부(220)는 기구축된 예측모델을 이용하여, 심폐소생술에 연관되는 제2 파라미터를 추정할 수 있다. 예측모델은 제1 파라미터와 심폐소생술에 연관되는 제2 파라미터 사이의 상관 관계를 학습하여 구축된 것으로서, 측정된 제1 파라미터에 상응하는 제2 파라미터를 제공한다.
예측모델은 저장부(230)에 기록 후 유지될 수 있고, 저장부(230)는 로컬의 메모리 또는 외부의 데이터베이스의 형태로 구현될 수 있다.
다시 말해, 예측모델을 이용하여 제1 파라미터에 상응하는 제2 파라미터를 추정하기 때문에 제2 파라미터 연산과정을 생략할 수 있다.
일례로, 제1 파라미터는 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력에 대응하고, 제2 파라미터는 압력에 기인하여 오브젝트의 일측이 압착되는 깊이 값에 대응할 수 있다. 즉, 압력 센서만을 이용하여 심폐소생술시 발생하는 훈련생의 힘 값을 측정하고, 측정된 힘 값을 제1 파라미터로 하여 예측모델에서 제2 파라미터인 깊이 값을 추정할 수 있다.
다른 일례로, 제1 파라미터는 심폐소생술에 연관되어 오브젝트에 인가되는 기압에 대응하고, 제2 파라미터는 기압에 기인하여 오브젝트의 일측이 부풀어 오르는 호흡량에 대응할 수 있다.
일실시예에 따른 심폐소생술 훈련 장치(200)는 추정된 깊이 값이 적절한 범위 내의 데이터인지를 확인하여 훈련생의 훈련 과정을 반복하거나 종료할 수 있다. 또한, 적절한 범위 내의 데이터인지를 훈련생에게 피드백 함으로써, 훈련생으로 하여금 교육에 따른 흥미를 향상시킬 수 있다.
일실시예에 따른 심폐소생술 훈련 장치(200)는 오브젝트의 일측에서 탈착 가능한 패치형 디바이스의 형태로 구현될 수 있다.
도 3은 일실시예에 따른 데이터 처리 장치의 동작과 심폐소생술 훈련 장치의 동작을 설명하는 흐름도이다.
일실시예에 따른 데이터 처리 장치에서는 심폐소생술에 연관되는 제1 파라미터를 측정하고(단계 301), 상기 측정된 제1 파라미터에 상응하여 제2 파라미터를 측정할 수 있다(단계 302). 또한, 데이터 처리 장치에서는 제1 파라미터와 제2 파라미터 사이의 상관 관계를 예측모델로 구축할 수 있다(단계 303).
일례로, 데이터 처리 장치에서는 오브젝트에 발생하는 제1 파라미터를 이용하여 심폐소생술에 연관되는 압력 변위를 측정하고, 오브젝트에 발생하는 제2 파라미터를 측정하여 거리 변위를 계산할 수 있다. 또한, 계산된 압력 변위에 상응하는 힘 값 및 계산된 거리 변위에 상응하는 깊이 값을 계산하고, 이를 미리 지정된 회수 이상으로 반복하여 힘 값 및 깊이 값에 의한 예측모델을 구축할 수 있다.
만약, 데이터 처리 장치에서 제1 파라미터로서 기압을 측정하고, 제2 파라미터로서 호흡량을 측정하였다면, 데이터 처리 장치는 기압-호흡량 정보가 포함된 예측모델을 구축할 수 있다.
단계 301 내지 단계 303을 통해 데이터 처리 장치에서 예측모델을 구축할 수 있다.
심폐소생술 훈련 장치에서, 구축된 예측모델을 심폐소생술 훈련에 이용할 수 있다.
구체적으로, 심폐소생술 훈련 장치는 센싱 정보가 수집되면, 생성된 예측모델을 로드할 수 있다(단계 304). 예를 들어, 심폐소생술 훈련 장치는 센서를 통해 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 경우, 기구축된 예측모델을 로드할 수 있다.
일례로, 예측모델은 로컬 메모리에 기록될 수 있고, 유무선 네트워크를 통해 외부의 데이터베이스에 기록될 수도 있다.
다음으로, 심폐소생술 훈련 장치는 예측모델을 이용하여 깊이 값 및 호흡량 중에서 적어도 하나를 추출할 수 있다(단계 305).
만약, 측정한 제1 파라미터가 압력 센서에 의한 압력(힘 값)인 경우, 심폐소생술 훈련 장치는 예측모델을 이용하여 압력에 상응하는 깊이 값을 추출할 수 있다. 또한, 측정한 제1 파라미터가 기압 센서에 의한 기압인 경우, 심폐소생술 훈련 장치는 예측모델을 이용하여 기압에 상응하는 호흡량을 추출할 수 있다.
도 4는 일실시예에 따른 예측모델 중 힘-깊이 선형 예측모형을 산출하는 방법을 설명하는 흐름도이다.
제1 파라미터는 심폐소생술에 연관되어 오브젝트에 가해지는 압력에 대응하고, 제2 파라미터는 압력에 기인하여 오브젝트의 일측이 압착되는 가속도인 경우, 예측모델은 힘-깊이 선형 예측모형을 포함할 수 있다.
구체적으로, 데이터 처리 장치의 동작 방법은 훈련생에 의해 시행되는 압박(401)에 응답하여, 압력 변위에 의한 힘 값을 제1 파라미터로 산출할 수 있다(단계 402). 또한, 데이터 처리 장치의 동작 방법은 압박(단계 401)에 응답하여, 가속도 값의 적분을 통해 속도를 산출하고(단계 403), 산출된 속도의 적분에 의한 깊이를 산출하며(단계 404), 산출된 깊이를 이용하여 더미의 흉부가 압착되는 깊이 값을 산출할 수 있다(단계 405).
압박 시행 시, 데이터 처리 장치의 동작 방법은 압력 센서로부터 측정되는 힘 값과 3축 가속도 센서로부터 측정되는 각 축에 대한 가속도를 산출할 수 있다. 또한, 방향성을 고려하여 압박 주기를 구분하고 주기 내 힘 값의 변위, 예를 들어 최고값과 최저값의 차를 계산하여 깊이 값 산출에 이용할 수 있다.
데이터 처리 장치의 동작 방법은 단계 402 내지 단계 405의 과정을 미리 지정된 횟수 이상으로 반복할 수 있다. 일례로, 도면부호 406과 같이 단계 402 내지 단계 405의 과정을 30회 이상 반복할 수 있다.
단계 406의 반복 과정이 종료되면, 데이터 처리 장치의 동작 방법은 힘-깊이 데이터를 획득하고(단계 408), 이를 기반으로 힘-깊이 선형 예측 모형을 산출할 수 있다(단계 408).
도 5는 도 4에서 산출된 힘-깊이 선형 예측모형(500)을 설명하는 도면이다.
도 4의 단계 402 내지 단계 405와 같이, 압박에 상응하는 학습이 진행될 때마다 2차원 훈련 데이터가 하나씩 생성되며 통계적으로 충분한 수의 데이터를 수집하기까지 반복한 결과, 힘-깊이 선형 예측모형(500)이 산출될 수 있다. 힘-깊이 선형 예측모형(500)은 선형 회귀 분석 방법에 의해 충분한 이차원 데이터로부터 예측될 수 있고, 예를 들어 최소자승법(least-square) 등이 사용될 수 있다.
이후 훈련의 시행 단계에는, 해당 마네킨에 상응하는 힘-깊이 선형 예측모형(500)을 언제든지 로드하여 활용할 수 있다. 따라서, 힘-깊이 선형 예측모형(500)을 이용해서 실제 교육시 압력 센서에 의한 힘 값만으로 대응되는 깊이 값을 실시간으로 획득할 수 있다.
또한, 센싱된 힘 값이 힘-깊이 선형 예측모형(500) 중 도면부호 510에 해당하는지를 판단함으로써, 현재 통용되는 적정 심폐소생술에 따른 압박 기준에 따른 평가가 용이하다.
도 6은 일실시예에 따른 예측모델 중 기압-호흡량 선형 예측모형을 산출하는 방법을 설명하는 흐름도이다.
제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압에 대응하고, 제2 파라미터는 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량에 대응될 수 있다. 이 경우, 예측모델은 기압-호흡량 선형 예측모형을 포함할 수 있다.
구체적으로, 데이터 처리 장치의 동작 방법은 훈련생에 의해 시행되는 호흡(601)에 응답하여, 적정 호흡량 내의 공기를 오브젝트에 주입할 수 있다(단계 602).
샘플 데이터 획득을 위한 호흡은 공기주입기 또는 심폐소생술 전문가의 실제 호흡 등의 형태로 수행될 수 있다.
이에, 데이터 처리 장치의 동작 방법은 센서를 통해 오브젝트에 주입된 공기에 의합 기압을 측정한다(단계 603). 기압을 측정하기 위해, 데이터 처리 장치의 동작 방법은 단일 기압 센서를 사용하며 이는 마네킨 내부의 호흡팩과 연결되어 호흡팩 내부의 기압을 측정할 수 있도록 부착될 수 있다.
데이터 처리 장치의 동작 방법은 샘플 데이터의 획득을 위해 단계 601 내지 603의 과정을 반복하고(단계 605), 30회 이상 반복한 결과 기압-호흡량 데이터를 획득한다(단계 604).
이후, 데이터 처리 장치의 동작 방법은 상기 획득한 기압-호흡량 데이터를 이용하여 기압-호흡량 선형 예측 모형을 산출할 수 있다(단계 606).
도 7은 도 6에서 산출된 기압-호흡량 선형 예측모형(700)을 설명하는 도면이다.
도 6의 단계 601 내지 단계 603와 같이, 호흡에 상응하는 학습이 진행될 때마다 2차원 훈련 데이터가 하나씩 생성되며 통계적으로 충분한 수의 데이터를 수집하기까지 반복할 수 있다. 이 결과, 데이터 처리 장치의 동작 방법은 기압-호흡량 선형 예측모형(700)을 산출할 수 있다. 기압-호흡량 선형 예측모형(700)은 선형 회귀 분석 방법에 의해 충분한 이차원 데이터로부터 예측될 수 있고, 예를 들어 최소자승법(least-square) 등이 사용될 수 있다. 또한, 호흡량 센싱에서 선형 모형을 사용하는 이유는 실제 교육에서 사용자에 의한 호흡 측정시 계산량을 줄이고 일관성 있는 호흡 피드백을 제공할 수 있다.
이후 훈련의 시행 단계에는, 기압-호흡량 선형 예측모형(700)을 이용해서 실제 교육시 기압 센서에 의해 수집된 기압만으로 대응되는 호흡량을 실시간으로 획득할 수 있다.
본 발명에 따르면, 심폐소생술 훈련에 따른 결과값을 연산하기 위한 과정을 줄여 심폐소생술 훈련 시 실시간의 피드백이 가능하다. 뿐만 아니라, 심폐소생술 훈련 시 마네킨 모델에 관계없이 연속적이고 일관된 데이터 측정이 가능하고, 정밀하고 신속한 값 측정에 의한 풍부한 피드백 제공으로 인해 심폐소생술 훈련에 따른 학습 효과를 높일 수 있다.
본 발명의 일실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (13)

  1. 오브젝트에 반복 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 제1 센서;
    상기 심폐소생술에 연관되는 및 제2 파라미터를 측정하는 제2 센서; 및
    상기 제1 파라미터와 상기 제2 파라미터 사이의 상관 관계를 예측모델로 구축하는 처리부
    를 포함하는 데이터 처리 장치.
  2. 제1항에 있어서,
    상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력에 대응하고, 상기 제2 파라미터는 상기 압력에 기인하여 상기 오브젝트의 일측이 압착되는 가속도에 대응하는, 데이터 처리 장치.
  3. 제2항에 있어서,
    상기 처리부는,
    상기 압력의 방향성을 고려하여 압박 주기 내 힘 값의 변위를 계산하여 힘 값을 계산하는 데이터 처리 장치.
  4. 제2항에 있어서,
    상기 처리부는,
    상기 가속도를 적분하여 속도를 산출하고, 산출된 속도를 적분하여 깊이를 산출하며, 상기 산출된 깊이에 따른 거리 변위에 기초하여 깊이 값을 산출하는 데이터 처리 장치.
  5. 제1항에 있어서,
    상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압에 대응하고, 상기 제2 파라미터는 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량에 대응하는, 데이터 처리 장치.
  6. 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 센서; 및
    상기 제1 파라미터와 심폐소생술에 연관되는 제2 파라미터 사이의 상관 관계를 학습하여 구축된 예측모델을 이용하여, 상기 심폐소생술에 연관되는 제2 파라미터를 추정하는 처리부
    를 포함하는, 심폐소생술 훈련 장치.
  7. 제6항에 있어서,
    상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력에 대응하고, 상기 제2 파라미터는 상기 압력에 기인하여 상기 오브젝트의 일측이 압착되는 깊이 값에 대응하는, 심폐소생술 훈련 장치.
  8. 제6항에 있어서,
    상기 제1 파라미터는 상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압에 대응하고, 상기 제2 파라미터는 상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량에 대응하는, 심폐소생술 훈련 장치.
  9. 제6항에 있어서,
    상기 심폐소생술 훈련 장치는 오브젝트의 일측에서 탈착 가능한 패치형 디바이스를 포함하는 심폐소생술 훈련 장치.
  10. 센서에서, 오브젝트에 수행되는 심폐소생술에 연관되는 제1 파라미터를 측정하는 단계; 및
    처리부에서, 상기 제1 파라미터와 심폐소생술에 연관되는 제2 파라미터 사이의 상관 관계를 학습하여 구축된 예측모델을 이용하여, 상기 심폐소생술에 연관되는 제2 파라미터를 추정하는 단계
    를 포함하는, 심폐소생술 훈련 장치 동작 방법.
  11. 제10항에 있어서,
    상기 제1 파라미터를 측정하는 단계는,
    상기 심폐소생술에 연관되어 상기 오브젝트에 가해지는 압력을 측정하는 단계
    를 포함하고,
    상기 제2 파라미터를 추정하는 단계는,
    상기 측정된 압력에 기인하여 상기 오브젝트의 일측이 압착되는 깊이 값을 추정하는 단계
    를 포함하는, 심폐소생술 훈련 장치 동작 방법.
  12. 제10항에 있어서,
    상기 제1 파라미터를 측정하는 단계는,
    상기 심폐소생술에 연관되어 상기 오브젝트에 인가되는 기압을 측정하는 단계
    를 포함하고,
    상기 제2 파라미터를 추정하는 단계는,
    상기 기압에 기인하여 상기 오브젝트의 일측이 부풀어 오르는 호흡량을 추정하는 단계
    를 포함하는, 심폐소생술 훈련 장치 동작 방법.
  13. 제10항에 있어서,
    상기 센서는 오브젝트의 일측에서 탈착 가능한 패치형 디바이스를 포함하는 심폐소생술 훈련 방법.
PCT/KR2015/004499 2015-01-29 2015-05-06 지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치 WO2016122052A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020150014494A KR20160093457A (ko) 2015-01-29 2015-01-29 지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치
KR10-2015-0014494 2015-01-29

Publications (1)

Publication Number Publication Date
WO2016122052A1 true WO2016122052A1 (ko) 2016-08-04

Family

ID=56543646

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2015/004499 WO2016122052A1 (ko) 2015-01-29 2015-05-06 지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치

Country Status (2)

Country Link
KR (1) KR20160093457A (ko)
WO (1) WO2016122052A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200068254A (ko) * 2018-12-05 2020-06-15 마이웨이다이나믹스 주식회사 휴대용 심폐 소생기 및 심폐 소생술 제공방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6306107B1 (en) * 1999-05-31 2001-10-23 Laerdal Medical As System for measuring and using parameters during chest compression in a life-saving situation or a practice situation, and also application thereof
JP2008242424A (ja) * 2006-12-15 2008-10-09 Laerdal Medical As 信号処理装置
US20120004582A1 (en) * 2002-10-25 2012-01-05 ZOLL Circulation Corporation Method of Determining Depth of Chest Compressions During CPR
KR20120053727A (ko) * 2010-11-18 2012-05-29 경도메디칼시뮬레이션 주식회사 심폐소생 시술 훈련 마네킹을 이용한 심폐소생 시술 훈련시 인공호흡 량 검출 및 표시장치
KR20130125762A (ko) * 2010-10-26 2013-11-19 라엘덜 메디칼 에이에스 Cpr 모니터링 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6306107B1 (en) * 1999-05-31 2001-10-23 Laerdal Medical As System for measuring and using parameters during chest compression in a life-saving situation or a practice situation, and also application thereof
US20120004582A1 (en) * 2002-10-25 2012-01-05 ZOLL Circulation Corporation Method of Determining Depth of Chest Compressions During CPR
JP2008242424A (ja) * 2006-12-15 2008-10-09 Laerdal Medical As 信号処理装置
KR20130125762A (ko) * 2010-10-26 2013-11-19 라엘덜 메디칼 에이에스 Cpr 모니터링 시스템
KR20120053727A (ko) * 2010-11-18 2012-05-29 경도메디칼시뮬레이션 주식회사 심폐소생 시술 훈련 마네킹을 이용한 심폐소생 시술 훈련시 인공호흡 량 검출 및 표시장치

Also Published As

Publication number Publication date
KR20160093457A (ko) 2016-08-08

Similar Documents

Publication Publication Date Title
US10264958B2 (en) Sensor-equipped laryngoscope and system and method for quantifying intubation performance
KR20130125762A (ko) Cpr 모니터링 시스템
CN103077649B (zh) 进行批量伤员检伤分类与救治流程训练的模拟训练系统
WO2018062722A1 (ko) 침술 훈련용 시뮬레이션 시스템
CN107871116A (zh) 用于确定人的姿势平衡的方法和系统
CN107945601A (zh) 交互式心肺复苏术教学辅具装置
WO2016122052A1 (ko) 지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치
US11328624B2 (en) Medical sensors for clinical and training applications
CN112331001A (zh) 一种基于虚拟现实技术的教学系统
CN111915950A (zh) 无人化智能化医学培训训练舱
CN111369853A (zh) 一种医学整合式实验教学系统及其实现方法
KR101740110B1 (ko) 이기종 모바일 디바이스를 지원하는 일대다 심폐소생 훈련 장치 및 방법
WO2014104463A1 (ko) 네츄럴 인터렉션 기반의 건강 및 재활 장치
US20160098935A1 (en) Clinical monitor emulator for cpr feedback
WO2018124376A1 (ko) 스마트 기기와 연동하는 코어 운동기구 시스템
WO2023022406A1 (ko) 학습 실력 평가 방법, 학습 실력 평가 장치 및 학습 실력 평가 시스템
KR20170054352A (ko) 지도학습 기반으로 예측모델을 생성하는 장치 및 예측모델을 이용하는 심폐소생술 훈련 장치
CN203455999U (zh) 进行批量伤员检伤分类与救治流程训练的模拟训练系统
WO2016064175A1 (ko) 운동능력 검사방법 및 운동능력 검사시스템
WO2020080689A2 (ko) 체성분 변화 성과를 비교하기 위한 지수값을 생성하는 장치 및 방법
JP2021097990A (ja) トレーニング機器の制御方法
Sato et al. Visualization of Acquisition Experience in Sternal Compression Maneuver Using Kinect Sensoring: For Co-Creation of Medical Technique Experiential Values
WO2023068765A1 (ko) 코그니사이즈 콘텐츠 제공 장치
WO2022035282A1 (ko) 움직임코드 기반 감성행동 분석 시스템
Feng et al. Research on application of novel virtual reality technology in medical teaching

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15880232

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 04/12/2017)

122 Ep: pct application non-entry in european phase

Ref document number: 15880232

Country of ref document: EP

Kind code of ref document: A1