WO2019177395A1 - 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법 및 디바이스 - Google Patents

바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법 및 디바이스 Download PDF

Info

Publication number
WO2019177395A1
WO2019177395A1 PCT/KR2019/002954 KR2019002954W WO2019177395A1 WO 2019177395 A1 WO2019177395 A1 WO 2019177395A1 KR 2019002954 W KR2019002954 W KR 2019002954W WO 2019177395 A1 WO2019177395 A1 WO 2019177395A1
Authority
WO
WIPO (PCT)
Prior art keywords
trend
cause
signal data
vital signal
determined
Prior art date
Application number
PCT/KR2019/002954
Other languages
English (en)
French (fr)
Inventor
아일로히트
Original Assignee
삼성전자 주식회사
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
Priority claimed from GBGB1804262.2A external-priority patent/GB201804262D0/en
Priority claimed from KR1020190028858A external-priority patent/KR102153527B1/ko
Application filed by 삼성전자 주식회사 filed Critical 삼성전자 주식회사
Priority to US16/979,247 priority Critical patent/US20210043329A1/en
Priority to EP19766863.5A priority patent/EP3766407A4/en
Priority to CN201980019661.XA priority patent/CN112040838A/zh
Publication of WO2019177395A1 publication Critical patent/WO2019177395A1/ko

Links

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
    • A61B5/4833—Assessment of subject's compliance to treatment
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • 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
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • 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
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients

Definitions

  • Embodiments of the present disclosure relate to a method and a device for determining a cause for a trend of vital signal data, specifically a method for determining a trend of vital signal data acquired for a predetermined time, and determining a cause causing the determined trend, and It relates to a device for executing the method.
  • Such a medicine dispenser may be used to check whether a user has taken a predetermined medicine at a predetermined time.
  • a medicine dispenser may be used to check whether a user has taken a predetermined medicine at a predetermined time.
  • there is a limit to the practical use of such a device since it is not possible to identify whether the user has actually taken it after the medicine has been removed from the drug dispenser.
  • FIG. 1 is a structural diagram of a device for determining a cause for a trend of vital signal data according to an embodiment of the present disclosure.
  • FIG. 2 is a flowchart of a method of determining a cause for a trend of vital signal data according to an embodiment of the present disclosure.
  • FIG. 3 is a structural diagram of a system for determining a cause for a trend of vital signal data according to an embodiment of the present disclosure.
  • FIG. 4 is a flowchart of a method for generating each weight associated with one or more possible causes of a particular trend of vital signal data in accordance with one embodiment of the present disclosure.
  • FIG. 5 is an illustration of the results of generating each weight associated with one or more possible causes of a particular trend of vital signal data, in accordance with an embodiment of the present disclosure.
  • FIG. 6 is an illustration of the results of determining the cause of a particular trend in vital signal data using weights associated with one or more possible causes of the particular trend in vital signal data according to one embodiment of the disclosure.
  • FIG. 7 is a flowchart of a method of determining a cause of a vital signal change of a target by using non- vital signal data according to an embodiment of the present disclosure.
  • FIG. 8 is a structural diagram of a system for determining a cause of change of vital signal data of an object according to an embodiment of the present disclosure.
  • FIG. 9 is a flowchart of a computer executing method for ranking a plurality of possible causes for a particular trend of vital signal data, in accordance with one embodiment of the present disclosure.
  • FIG. 10 is a flowchart of a method for updating weights associated with one or more possible causes of a particular trend of vital signal data, in accordance with an embodiment of the present disclosure.
  • the electronic device in the method for determining the cause for the trend of the vital signal data, the electronic device, obtaining the vital signal data of the target, the Determining the trend over time of the vital signal data, and based on one or more possible causes causing the determined trend and one or more weights stored for the possible causes, the likelihood of causing the determined trend. Determining the highest cause, wherein the stored one or more weights represent a vital signal, each meaning that one or more possible causes causing the determined trend are responsible for the determined trend. Data Trend Cause Resolution This method can be provided.
  • Determining the cause most likely to cause the determined trend comprises: transmitting information about the trend of the determined vital signal data to a server and for a cause that is most likely to cause the determined trend from the server. Receiving information.
  • the stored one or more weights are based on the collected vital signal data and metadata associated with the collected vital signal data, using one or more causes for any trend of the collected vital signal data using a machine learning algorithm. Generated through the step of assigning a weight to and storing the assigned weight, wherein the metadata may mean a cause for a trend of the associated vital signal data for a plurality of individuals.
  • the vital signal data trend cause determination method may include outputting a cause that is most likely to cause the determined trend through a user interface, whether the output most likely cause is a real cause for the trend of the vital signal data; The method may further include receiving an associated first user input and updating the stored weight value according to the first user input.
  • the vital signal data trend cause determination method receives a second user input confirming one of the one or more possible causes having a lower probability than the most likely cause output as the actual cause for the trend of the vital signal data. And updating the stored weights according to the second user input.
  • the one or more possible causes may include a medication taking event in which the subject takes a designated medication.
  • the one or more possible causes include a medication taking missing event in which the subject has not taken the designated medication, and the method for determining the vital signal data trend cause is the most likely cause for the trend of the determined vital signal data.
  • the method may further include outputting a notification according to the determination of the taking-missing event.
  • the vital signal data trend cause determination method may be configured to monitor the effect of the drug dose on the subject in response to determining that the most likely cause for the trend of the vital signal data is the drug dose event.
  • the method may further include storing information related to the vital signal data after the taking event.
  • the vital signal data may be obtained from a wearable electronic device including one or more vital signal sensors.
  • the vital signal data trend cause determination method may further include acquiring non- vital signal data of the object and determining a trend over time of the non- vital signal data, wherein the determined non- vital signal data is determined.
  • the trend of can be considered in determining the most likely cause for the trend of the determined vital signal data.
  • the electronic device for determining the cause of the trend of the vital signal data acquiring the vital signal data of the memory and the object, the trend over time of the vital signal data Determining the cause most likely to cause the determined trend, based on the determining and one or more possible causes causing the determined trend and one or more weights stored for the possible cause.
  • the device may include a communication interface that transmits information about the determined trend of the vital signal data to a server and receives information about a cause most likely to cause the determined trend from the server.
  • the stored one or more weights are based on the collected vital signal data and metadata related to the collected vital signal data, using one or more trends for any trend of the collected vital signal data using a machine learning algorithm. Generated through assigning a weight to a cause and storing the assigned weight, the metadata may mean a cause for a trend in the associated vital signal data for a plurality of individuals.
  • the device outputs a cause that is most likely to cause the determined trend and receives a first user input relating to whether the output most likely cause is a real cause for the trend of the vital signal data.
  • the processor may further include updating the stored weight value according to the first user input.
  • the user interface receives a second user input confirming one of the one or more possible causes having a lower probability than the most likely cause output as the actual cause for the trend of the vital signal data, and
  • the processor may update the stored weights according to the second user input.
  • the one or more possible causes may include a medication taking event in which the subject takes a designated medication.
  • the one or more possible causes include a medication taking missing event in which the subject has not taken the designated medication, and the processor determines that the most likely cause for the trend in the determined vital signal data is the medication taking missing event. Accordingly, the device may output the notification.
  • the processor in response to determining that the most likely cause for the trend of the vital signal data is the drug taking event, monitors the effect of the drug taking on the subject following the drug taking event of the subject. Information related to the vital signal data can be stored.
  • the vital signal data may be obtained from a wearable electronic device including one or more vital signal sensors.
  • the processor may be further configured to acquire non-bital signal data, determine a trend over time of the non-bital signal data, and compare the determined trend of the non-bital signal data with respect to the determined trend of the vital signal data. This may be considered in determining the most likely cause.
  • a computer-readable recording medium having recorded thereon a program for executing the vital signal data trend cause determining method on a computer may be provided.
  • part refers to a hardware component, such as software, FPGA or ASIC, and “part” plays certain roles. However, “part” is not meant to be limited to software or hardware.
  • the “unit” may be configured to be in an addressable storage medium and may be configured to play one or more processors.
  • a “part” refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, procedures, 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 further separated into additional components and “parts”.
  • the device 100 that determines the cause for the trend of the vital signal data may be displayed as the same as the user device 100 or the device 100.
  • FIG. 1 is a structural diagram of a device for determining a cause for a trend of vital signal data according to an embodiment of the present disclosure.
  • the device 100 for determining the cause for the trend of the vital signal data may include a processor 110 and a memory 130.
  • the processor 110 may obtain the vital signal data of the target.
  • the subject may be a wearer of the device 100 or a user using the device 100 to determine the cause for the trend of the vital signal data.
  • the subject may be an animal.
  • Vital signal data in the present disclosure is pulse rate, body temperature, respiration rate, blood pressure, sleep pattern, heart rate variability (HRV), peripheral capillary oxygen saturation (Spo2), etc. It may mean data related to the vital signal of.
  • HRV heart rate variability
  • Spo2 peripheral capillary oxygen saturation
  • the vital signal data may be obtained through various sensors inside or outside the device 100 that determines the cause for the trend of the vital signal data.
  • a trend over time of the vital signal data may mean a change rate of the vital signal data or a tendency of the vital signal data to change during a certain time period.
  • the processor 110 may determine that the HRV has changed within a 15% range for one hour as the trend over time of the vital signal data.
  • the processor 110 may determine the cause that is most likely to cause the determined trend based on one or more possible causes that cause the determined trend and one or more weights stored for the possible causes.
  • Possible causes of the determined trend may include social activities, including walking, running, and the like, social activities, including phone calls, watching movies, eating food, including drinking, eating, and taking designated medications.
  • Weights for causes that may cause trends determined in this disclosure may refer to each possibility that one or more possible causes stored for the determined trends are responsible causes.
  • the weight for the cause that may cause the determined trend may be determined and stored according to previously collected information, which will be described in detail later with reference to FIG. 4.
  • the processor 110 may use the weights for one or more possible causes causing the determined trend, to determine the cause that is most likely to cause the determined trend.
  • the memory 130 may store program instructions or the like that cause execution of the processor 110.
  • the device 100 for determining the cause for the trend of the vital signal data may include a plurality of memories.
  • processor 110 and the memory 130 are represented by separate configuration units, but in some embodiments of the present disclosure, the processor 110 and the memory 130 may be combined to be implemented in the same configuration unit.
  • the processor 110 and the memory 130 are expressed as a component unit located adjacent to the inside of the device 100 that determines the cause for the trend of the vital signal data, but the processor 110 and the memory 130 The devices in charge of each function may not necessarily be physically adjacent to each other, and thus, the processor 110 and the memory 130 may be distributed in some embodiments.
  • the device 100 that determines the cause of the trend of the vital signal data is not limited to a physical device, some of the functions of the device 100 that determine the cause of the trend of the vital signal data are not software but software. It may be implemented.
  • the device 100 for determining the cause for the trend of the vital signal data may further include an output device, a communication interface, and the like.
  • Each of the components described herein may be composed of one or more components, and the names of the components may vary according to the type of device.
  • the device may be configured to include at least one of the components described herein, and some components may be omitted or further include additional other components.
  • some of the components of the device according to various embodiments of the present invention are combined to form a single entity, thereby performing the same functions of the corresponding components before being combined.
  • FIG. 2 is a flowchart of a method of determining a cause for a trend of vital signal data according to an embodiment of the present disclosure.
  • the method shown in FIG. 2 may be executed in a user device 100 such as a wearable electronic device that includes one or more sensors that measure a vital signal of a user wearing the device.
  • a user device 100 such as a wearable electronic device that includes one or more sensors that measure a vital signal of a user wearing the device.
  • the method shown in FIG. 2 may be implemented in other types of user devices such as smartphones, tablet computers, desktop computers or servers.
  • the device 100 may obtain a vital signal of a target.
  • the subject may be the human or animal body from which the vital signal was measured.
  • Vital signal data may include data related to one or more of the vital signals of pulse rate, body temperature, respiration rate, blood pressure, sleep pattern, and peripheral capillary oxygen saturation (Spo2). .
  • Vital signal data also includes vital signal measurements for one or more of pulse rate, body temperature, respiration rate, blood pressure, sleep pattern, and capillary oxygen saturation (Spo2). can do.
  • the vital signal data may include data derived from one or more vital signal measurement values.
  • the vital signal data may include heart rate variability (HRV) data derived from measured values of pulse rate.
  • HRV heart rate variability
  • the device 100 may determine a trend over time of the vital signal data.
  • the determination of the vital signal data trend in step S230 may be performed by applying a moving average filter to determine an average value of the vital signal data over time, and increase or decrease the average value of the predetermined vital signal data. It can be done by determining if it is maintained.
  • the device 100 determines that there is a change in the vital signal data when the average value determined in step S230 increases or decreases, and when the predetermined average value remains the same, the vital signal data also remains stable. It can be judged.
  • the rate of change of the vital signal data may be determined in step S230.
  • the analysis in step S230 may be made continuously as new vital signal data is acquired, or may be made intermittently at predetermined time intervals.
  • the device 100 may determine the largest cause of the vital signal data trend according to one or more stored weights.
  • Each weight may be for one or more possible causes for a given trend, and may be a factor for the probability associated with the cause responsible for the trend.
  • the most likely cause for the trend may be determined by searching the stored weights for one or more possible causes associated with the trend determined in step S230. At this time, the cause having the highest weight among the plurality of possible causes for the determined trend may be determined as the most likely cause.
  • the device 100 may take appropriate action according to the determination. For example, the device 100 may store the determination result of step S103 for later reference by a user or a third party such as a medical professional.
  • the vital signal data may be stored together in association with the most likely cause of the trends revealed in the vital signal data.
  • the device 100 may automatically output an alert according to the detected cause type.
  • FIG. 3 is a structural diagram of a system for determining a cause for a trend of vital signal data according to an embodiment of the present disclosure.
  • the system for determining the cause for the trend of the vital signal data includes a device 100, a server 200, and one or more sensors 300 for determining the cause for the trend of the vital signal data. It may include.
  • the device 100 for determining the cause for the trend of the vital signal data may be a user device such as a wearable electronic device, a smartphone, a tablet computer, a desktop computer.
  • the device 100 that determines the cause for the trend of the vital signal data may perform some processes in the server 200 and the sensor 300 in determining the cause for the trend of the vital signal data according to the flowchart shown in FIG. 2. You can run
  • the weight may be stored in the user device 100 or may be stored remotely. If the weights are stored at the remote device, retrieving the stored weights may be performed remotely at the external device.
  • Identifying the most weighted cause may be performed on the same device as the device analyzing the vital signal data, or may be performed remotely on an external device.
  • the weight may be stored remotely in the server 200 which is an external device of the user device 100.
  • the server 200 may determine causes that may cause the determined trend, and may allocate and store weights based on information collected in advance for each cause.
  • the server 200 may identify a cause having the highest weight among one or more causes for the trend and transmit it to the device 100 that determines the cause for the trend of the vital signal data.
  • the sensor 300 may detect various vital signals for the object and transmit them to the user device 100.
  • the sensor 300 may include an accelerometer, a temperature sensor, a pressure sensor, and the like.
  • FIG. 4 is a flowchart of a method for generating each weight associated with one or more possible causes of a particular trend of vital signal data in accordance with one embodiment of the present disclosure.
  • the method shown in FIG. 4 can be used to generate weights, for example, by creating a table as described in FIG.
  • the steps shown in FIG. 4 need not be performed by the same device as the device that performs the analysis using the stored weights.
  • the weights may be generated and stored remotely at the server 200 using the method shown in FIG.
  • the method shown in FIG. 2 may be performed in a device capable of remote communication with a server, such as a wearable electronic device or a smartphone.
  • the vital signal data and the metadata related to the vital signal data may be obtained for each of the plurality of individuals.
  • Metadata in the present disclosure may mean a possible cause for the trend of vital signal data for a plurality of individuals.
  • the metadata may be entered manually or generated automatically.
  • Non-vital sign data collected concurrently with vital signal data for a particular individual can be automatically analyzed into the type of activity performed by the individual while the data is being collected.
  • accelerometer data may be analyzed to generate metadata such as running or walking to determine that an individual is walking or running.
  • the device 100 or the server 200 may determine one or more causes of any trend of the vital signal data collected using the machine learning algorithm based on the collected vital signal data and related metadata. Weights can be assigned. For accurate weight assignment, the device 100 or the server 200 may collect the vital signal data over a long period of time.
  • the assigned weights may mean each possibility for one or more causes responsible for the vital signal data trends.
  • the weights may be probability values. As can be seen in the example described in FIG. 5, the weights do not indicate the exact likelihood, but rather the relative likelihood of one or more causes that may explain the current trend.
  • the weights allocated in step S430 may be stored in memory in association with information about one or more causes.
  • the assigned weights may be stored in table form as described in FIG. 5 or in other suitable formats.
  • the weights can be continually retrieved to be used in the same way as shown in FIG. 2 and used to determine the most likely cause of the vital signal data trend for a particular subject.
  • FIG. 5 is an illustration of the results of generating each weight associated with one or more possible causes of a particular trend of vital signal data, in accordance with an embodiment of the present disclosure.
  • FIG. 5 illustrates vital signal data 510, trend 520 over time of vital signal data 510, metadata 530 associated with a cause that may cause a trend, and FIG.
  • An example of a database structure is shown that stores weights 540 for each metadata 530.
  • the metadata 530 may refer to an event that may cause a specific trend.
  • the trend was expressed as a percentage of change in HRV measurements and peripheral capillary oxygen saturation (Spo 2) measurements.
  • the percentage for change can be determined, for example, by comparing the value read from the sensor to the last point of that period and the value read from the sensor to the start point of that period during a particular time period.
  • the trend of the vital signal data may be determined by comparing the measured vital signal data with the baseline of the vital signal data for the current subject.
  • the baseline of the vital signal data may be a vital signal data value at the start point of the determined period.
  • HRV is one type of vital signal data.
  • Peripheral capillary oxygen saturation (SpO 2) measured using a pulse oximeter, is an example of a non- vital signal data type.
  • device 100 or server 200 may combine vital signal data and non- vital signal data to use when determining the cause for a determined trend.
  • a plurality of possible causes for the trend may include drug taking events and drug taking missed events.
  • Drug taking event is an event of taking targeted medicine.
  • a medication taking missing event is an event in which a targeted medication is not taken at a given time.
  • the device 100 executing the method shown in FIG. 2 has a time period in which a time period including a predetermined time of taking a drug should be determined in step S230 by a target medicine. You can decide to include it in the period. In this case, the most likely cause determined in step S250 may be whether or not the subject took the designated medicine at the scheduled time.
  • a notification may be output.
  • the notification may be output to the user in the form of audio, video or tactile feedback.
  • the alert may be used as a reminder to take the medicine to the user.
  • the device 100 may output the notification by transmitting the notification message to a medical professional through a suitable communication method such as an SMS text message or an email.
  • device 100 in response to the most likely cause for the trend of vital signal data being determined to be a medication taking event, may store information related to the vital signal data after the subject has taken the medication. .
  • the stored vital signal data can be continuously retrieved and analyzed by the device 100 and used to monitor the effect of the drug on the subject.
  • the device 100 automatically detects when the subject took the medication and immediately records vital signal data according to the medication taking event, allowing the user or medical professional to confirm that the medication has the desired effect. can do.
  • the device 100 may change the dose of the medication or prescribe another type of medication.
  • FIG. 6 is an illustration of the results of determining the cause of a particular trend in vital signal data using weights associated with one or more possible causes of the particular trend in vital signal data according to one embodiment of the disclosure.
  • FIG. 6 may indicate a result that the device 100 may output after performing all the steps of FIG. 2.
  • the device 100 may determine that the cause of the change of the HRV 10-20% for a specific time is a 20% probability of walking and a 5% probability of drinking. In this case, the device 100 may determine, as a walk, the cause most likely to be the cause responsible for the 10-20% change in the trend 620 for the vital signal data 610.
  • Probability values indicating the likelihood of a responsible cause for each metadata can be determined in a variety of ways. For example, in the case of Fig. 5, a prestored weight is used to calculate the probability value.
  • the device 100 may determine more causes as the cause that influenced the trend 620, and display the causes in a sorted order from the most likely cause to the most likely cause. .
  • FIG. 7 is a flowchart of a method of determining a cause of a vital signal change of a target by using non- vital signal data according to an embodiment of the present disclosure.
  • non- vital signal data may be used to help determine the most likely cause for a particular trend of vital signal data.
  • the device 100 may obtain non- vital signal data for the object.
  • non-vital signal data may include SpO2 sensor data, accelerometer data, temperature sensor data, proximity sensor data, gyroscope data, barometric data, and the like. However, it is not limited to this.
  • the device 100 may determine a trend over time of the non-vital signal data.
  • the time period used to determine the non- vital signal data trend may be the same as the time period for the vital signal data trend determined at step S230 of the method described in FIG.
  • the device 100 may use the determined non-vital signal data trend to determine the most likely cause of the trend determined in the vital signal data.
  • the device 100 may improve the accuracy of the determination of step S250 of the method described in FIG.
  • the user device 100 determines some possible causes by determining whether the trend of the non-vital signal data is consistent with the possible causes of the vital signal data trend. Can be excluded.
  • the device 100 may identify possible causes as “running”, “drug taking event” and “drinking” when the trend for HRV change is 15-30%. .
  • the device 100 may identify accelerometer data among the non-vital signal data that may be obtained in operation S710, and thus identify a trend of the non-vital signal data indicating a high acceleration and deceleration pattern in operation S730. .
  • the device 100 may determine whether the trend of non- vital signal data indicating a high acceleration and deceleration pattern matches the trend of vital signal data expected for a “running” event.
  • step S730 If the trend identified in step S730 does not match the trend of the vital signal data expected for the “running” event, the “running” may be excluded from the possible cause of the vital signal data trend.
  • FIG. 8 is a structural diagram of a system for determining a cause of change of vital signal data of an object according to an embodiment of the present disclosure.
  • the system is configured to generate and store a weight associated with the user device 100 configured to determine the cause of the vital signal data change for the subject and one or more possible causes for a particular trend of the vital signal data.
  • 200 may be included.
  • the user device 100 and server 200 shown in FIG. 8 may be configured to execute the methods described above.
  • the user device 100 may include a first processing unit 810 and a first memory 820 that include one or more processors to execute computer program instructions.
  • the first memory 820 may be configured to store computer program instructions that, when executed by the first processing unit 810, cause the user device 100 to execute the methods described above.
  • the user device 100 may further include a first communication interface 830 configured to communicate with the server 200 remotely.
  • the user device 100 may store a local copy of weights associated with a possible cause of the vital signal data trend, in which case it may not include the first communication interface 830.
  • the user device 100 may further include a sensor interface 840 that receives data including vital signal data from one or more sensors 300.
  • the sensor interface 840 may be configured to receive vital signal data and non- vital signal data from the plurality of sensors 310, 320, and 330.
  • the general user device 100 may receive data from the sensors through the sensor interface 840 regardless of how many sensors are present.
  • the plurality of sensors 300 are remote sensors that are not included in the same physical device as the user device 100.
  • the sensor interface 840 may include a wired or wireless interface suitable for remotely communicating with one or more sensors 300.
  • the user device 100 may be a wearable device combined with one or more sensors 300, in which case the sensor interface 840 may not be separately included in the user device 100.
  • the server 200 may include a second processing unit 860 and a second memory 870 that include one or more processors to execute computer program instructions.
  • the second memory 870 may be configured to store computer program instructions that, when executed by the second processing unit 860, cause the server 200 to execute the methods described above.
  • the server 200 may further include a second communication interface 850 configured to remotely communicate with the user device 100.
  • the second communication interface 850 may not be included in the server 200.
  • the second memory 870 can be configured to store a machine learning algorithm 880 that can be used to assign weights to one or more causes for certain trends of vital signal data as described in FIG. 4. .
  • FIG. 9 is a flowchart of a computer executing method for ranking a plurality of possible causes for a particular trend of vital signal data, in accordance with one embodiment of the present disclosure.
  • the vital signal data may be collected and analyzed in the user device 100 capable of remote communication with the server 200 in which the weights are stored.
  • the user device 100 may start the operation by acquiring the vital signal data in operation S910 and determining the trend of the vital signal data over time in operation S920. Since steps S910 and S920 are similar to steps S210 and S230 of FIG. 2, detailed descriptions of steps S910 and S920 will not be repeated herein.
  • the user device 100 may communicate with the server 200 in steps S930 to S960 to determine the most likely cause for the trend determined in step S920.
  • the user device 100 may transmit information about the vital signal data trend to the server 200.
  • the user device 100 may identify a plurality of possible causes for the trend determined in step S920.
  • the server 200 may retrieve the stored weights for the causes that may cause the determined trend, and transmit the searched weights to the user device 100 in operation S950.
  • the server 200 may “run,” “drink”, and “ Possible causes of “drug taking missed event” and stored weights in association with these causes can be retrieved, and the weights retrieved in step S950 can be sent to the user device 100.
  • the user device 100 may arrange the possible causes for the determined trend using the weights stored in the server 200 in order of likelihood.
  • the analysis executed in operation S960 may be performed by the server 200.
  • the device 100 may determine one cause in which the weight is stored as the most likely cause.
  • the device 100 may determine one of the most weighted causes among the plurality of possible causes for which the weight is stored. Can be determined to be the most likely cause.
  • the device 100 may output the aligned causes through the user interface. In one embodiment, only the determined most likely cause may be output to the user device 100 through the user interface. In operation S970, the user device 100 may display possible causes, for example, in a graphic user interface (GUI).
  • GUI graphic user interface
  • the device 100 may receive a user input for checking whether the order of the sorted causes is correct.
  • the device 100 may transmit the user input received in operation S980 to the server 200.
  • the server 200 may update the stored weight based on the received user input. In operation S991, the server 200 may recalculate weights related to trends determined in the vital signal data using a machine learning algorithm.
  • the stored weights may be improved in accuracy over time.
  • FIG. 10 is a flowchart of a method for updating weights associated with one or more possible causes of a particular trend of vital signal data, in accordance with an embodiment of the present disclosure.
  • the device 100 may output a cause most likely to cause a trend determined through the user interface in operation S1010. This step may be similar to step S960 of FIG.
  • the device 100 may receive a first user input as to whether the cause output as the most likely cause is an actual cause for the determined trend.
  • the user device 100 displays a pop-up to select and enter one of "yes” or “no" to the user through the user interface as to whether the cause outputted as the most likely cause matches the actual cause. can do.
  • the user device 100 may update the stored weights by transmitting the first user input to the server 200 according to the received first user input.
  • the user device 100 may directly update the stored weights.
  • the weight associated with the most likely cause may be reduced.
  • the user device 100 may continuously receive the second user input through the user interface. have.
  • the second user input may be an input for selecting one of a plurality of possible causes having a lower probability than the cause determined to be the most likely for the vital signal data trend.
  • the second user input may be one of the possible causes that match the actual activity of the user.
  • the second user input may be distinguished from the first user input that is simply entered as yes / no.
  • the user device 100 may receive an input for selecting one of several causes from a user through a drop down list, or receive a second user input in a form of receiving an input freely written in a text field.
  • the user device 100 may update the stored weights according to the second user input.
  • the user device 100 may update the stored weights by transmitting a second user input to the server 200.
  • the user device 100 may directly update the stored weights.
  • the weight for the cause that matches the cause received in the second user input may be increased.
  • the present embodiment may be implemented by storing computer readable codes in a computer readable storage medium.
  • the computer readable storage medium includes all kinds of storage devices for storing data that can be read by a computer system.
  • the computer readable code when read out from the computer readable storage medium and executed by a processor, is configured to perform the steps of implementing the photographing device control method according to the present embodiment.
  • the computer readable code may be implemented in various programming languages.
  • functional programs, codes, and code segments for implementing the present embodiments may be easily programmed by those skilled in the art to which the present embodiment belongs.
  • Examples of computer-readable storage media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like, and also include implementing in the form of a carrier wave (for example, transmission over the Internet).
  • the computer readable storage medium can also be distributed over network coupled computer systems so that the computer readable code is stored and executed in a distributed fashion.

Abstract

전자 디바이스가 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법에 있어서, 대상의 바이탈 신호 데이터를 획득하는 단계, 바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정하는 단계, 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인 및 가능한 원인에 대하여 저장된 하나 혹은 그 이상의 가중치를 기초로, 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정하는 단계를 포함하고, 저장된 하나 혹은 그 이상의 가중치는 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인이 결정된 트렌드에 대하여 책임이 있는 원인일 각각의 가능성을 의미하는 바이탈 신호 데이터 트렌드 원인 결정 방법을 제공한다.

Description

바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법 및 디바이스
본 개시의 실시예들은 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법 및 디바이스에 관한 것, 구체적으로 일정 시간 동안 획득한 바이탈 신호 데이터의 트렌드를 결정하고, 결정된 트렌드를 야기한 원인을 결정하는 방법 및 그 방법을 실행하는 디바이스에 관한 것이다.
사용자가 어떤 액션을 취하였는지 여부를 자동으로 결정하는 시스템에 대한 연구는 꾸준히 계속되어 왔다. 예를 들어, 보관함으로부터 언제 약이 없어졌는지를 감지하는 자동 약 디스펜서 등이 개발된 바 있다.
이러한 약 디스펜서는 사용자가 미리 지정된 약을 정해진 시간에 복용하였는지 여부를 확인하는 데에 이용될 수 있다. 그러나, 약 디스펜서로부터 약이 제거된 이후에 사용자가 실제로 복용하였는지 여부를 식별할 수는 없으므로, 그러한 디바이스가 실제로 이용되는 데에는 한계가 있다.
사용자가 약을 실제로 복용하였는지 여부까지 확인할 수 있는 보다 발전된 기술에 대한 연구가 필요하다.
도1은 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스의 구조도이다.
도2는 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법의 흐름도이다
도3은 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 시스템의 구조도이다.
도4는 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드의 하나 혹은 그 이상의 가능한 원인과 관련된 각 가중치를 생성하는 방법에 대한 흐름도이다.
도5는 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드의 하나 혹은 그 이상의 가능한 원인과 관련된 각 가중치를 생성한 결과의 예시이다.
도6은 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드의 하나 혹은 그 이상의 가능한 원인과 관련된 가중치를 이용하여 바이탈 신호 데이터의 특정한 트렌드의 원인을 결정한 결과의 예시이다.
도7은 본 개시의 일 실시예에 따라 논-바이탈 신호 데이터를 이용하여 대상의 바이탈 신호 변경의 원인을 결정하는 방법에 대한 흐름도이다.
도8은 본 개시의 일 실시예에 따라 대상의 바이탈 신호 데이터의 변경 원인을 결정하는 시스템에 대한 구조도이다.
도9는 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드에 대한 복수의 가능한 원인에 대하여 순위를 매기는 방법을 컴퓨터가 실행하는 흐름도이다.
도10은 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드의 하나 혹은 그 이상의 가능한 원인과 관련된 가중치를 업데이트하는 방법에 대한 흐름도이다.
　　　 상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 일 실시예에 따르면, 전자 디바이스가 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법에 있어서, 대상의 바이탈 신호 데이터를 획득하는 단계, 상기 바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정하는 단계 및 상기 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인 및 상기 가능한 원인에 대하여 저장된 하나 혹은 그 이상의 가중치를 기초로, 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정하는 단계를 포함하고, 상기 저장된 하나 혹은 그 이상의 가중치는 상기 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인이 상기 결정된 트렌드에 대하여 책임이 있는 원인일 각각의 가능성을 의미하는 바이탈 신호 데이터 트렌드 원인 결정 방법이 제공될 수 있다.
상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정하는 단계는, 상기 결정된 바이탈 신호 데이터의 트렌드에 대한 정보를 서버로 전송하는 단계 및 상기 서버로부터 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인에 대한 정보를 수신하는 단계를 포함할 수 있다.
상기 저장된 하나 혹은 그 이상의 가중치는 수집된 바이탈 신호 데이터 및 상기 수집된 바이탈 신호 데이터에 관련된 메타데이터를 기초로, 머신 러닝 알고리즘을 이용하여 상기 수집된 바이탈 신호 데이터의 어떤 트렌드에 대한 하나 혹은 그 이상의 원인에 대하여 가중치를 할당하는 단계 및 상기 할당된 가중치를 저장하는 단계를 통하여 생성되고, 상기 메타데이터는 복수의 개인에 대한 관련된 상기 수집된 바이탈 신호 데이터의 트렌드에 대한 원인을 의미할 수 있다.
바이탈 신호 데이터 트렌드 원인 결정 방법은 사용자 인터페이스를 통하여 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 출력하는 단계, 상기 출력된 가능성이 가장 높은 원인이 상기 바이탈 신호 데이터의 트렌드에 대한 실제 원인인지 여부와 관련된 제1 사용자 입력을 수신하는 단계 및 상기 제1 사용자 입력에 따라 상기 저장된 가중치를 업데이트하는 단계를 더 포함할 수 있다.
바이탈 신호 데이터 트렌드 원인 결정 방법은 상기 바이탈 신호 데이터의 트렌드에 대한 실제 원인으로 상기 출력된 가장 가능성이 높은 원인보다 낮은 가능성을 가지는 상기 하나 혹은 그 이상의 가능한 원인 중 하나를 컨펌하는 제2 사용자 입력을 수신하는 단계 및 상기 제2 사용자 입력에 따라 상기 저장된 가중치를 업데이트하는 단계를 더 포함할 수 있다.
상기 하나 혹은 그 이상의 가능한 원인은 상기 대상이 지정된 약을 복용하는 약 복용 이벤트를 포함할 수 있다.
상기 하나 혹은 그 이상의 가능한 원인은 상기 대상이 지정된 약을 복용하지 못한 약 복용 누락 이벤트를 포함하고, 바이탈 신호 데이터 트렌드 원인 결정 방법은 상기 결정된 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인이 상기 약 복용 누락 이벤트라는 결정에 따라, 알림을 출력하는 단계를 더 포함할 수 있다.
바이탈 신호 데이터 트렌드 원인 결정 방법은 상기 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인이 상기 약 복용 이벤트라는 결정에 응답하여, 상기 대상에 대한 상기 약 복용의 효과를 모니터링하기 위하여 상기 대상의 상기 약 복용 이벤트 이후의 바이탈 신호 데이터에 관련된 정보를 저장하는 단계를 더 포함할 수 있다.
상기 바이탈 신호 데이터는 하나 혹은 그 이상의 바이탈 신호 센서를 포함하는 웨어러블 전자 디바이스로부터 획득될 수 있다.
바이탈 신호 데이터 트렌드 원인 결정 방법은 상기 대상의 논-바이탈 신호 데이터를 획득하는 단계 및 상기 논-바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정하는 단계를 더 포함하고, 상기 결정된 상기 논-바이탈 신호 데이터의 트렌드가 상기 결정된 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인 결정시 고려될 수 있다.
본 개시 일 실시예의 또 다른 측면에 따르면, 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 전자 디바이스에 있어서, 메모리 및 대상의 바이탈 신호 데이터를 획득하는 단계, 상기 바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정하는 단계 및 상기 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인 및 상기 가능한 원인에 대하여 저장된 하나 혹은 그 이상의 가중치를 기초로, 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정하는 단계를 실행하는 하나 혹은 그 이상의 프로세서를 포함하고, 상기 저장된 하나 혹은 그 이상의 가중치는 상기 상기 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인이 상기 결정된 트렌드에 대하여 책임이 있는 원인일 각각의 가능성을 의미하는 디바이스가 제공될 수 있다.
상기 디바이스는 상기 결정된 바이탈 신호 데이터의 트렌드에 대한 정보를 서버로 전송하고, 상기 서버로부터 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인에 대한 정보를 수신하는 통신 인터페이스를 포함할 수 있다.
상기 저장된 하나 혹은 그 이상의 가중치는, 수집된 바이탈 신호 데이터 및 상기 수집된 바이탈 신호 데이터에 관련된 메타데이터를 기초로, 머신 러닝 알고리즘을 이용하여 상기 수집된 바이탈 신호 데이터의 어떤 트렌드에 대한 하나 혹은 그 이상의 원인에 대하여 가중치를 할당하는 단계 및 상기 할당된 가중치를 저장하는 단계를 통하여 생성되고, 상기 메타데이터는 복수의 개인에 대한 관련된 상기 수집된 바이탈 신호 데이터의 트렌드에 대한 원인을 의미할 수 있다.
상기 디바이스는 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 출력하고, 상기 출력된 가능성이 가장 높은 원인이 상기 바이탈 신호 데이터의 트렌드에 대한 실제 원인인지 여부와 관련된 제1 사용자 입력을 수신하는 사용자 인터페이스를 더 포함하고, 상기 프로세서는 상기 제1 사용자 입력에 따라 상기 저장된 가중치를 업데이트할 수 있다.
상기 사용자 인터페이스는, 상기 바이탈 신호 데이터의 트렌드에 대한 실제 원인으로 상기 출력된 가장 가능성이 높은 원인보다 낮은 가능성을 가지는 상기 하나 혹은 그 이상의 가능한 원인 중 하나를 컨펌하는 제2 사용자 입력을 수신하고, 상기 프로세서는 상기 제2 사용자 입력에 따라 상기 저장된 가중치를 업데이트할 수 있다.
상기 하나 혹은 그 이상의 가능한 원인은 상기 대상이 지정된 약을 복용하는 약 복용 이벤트를 포함할 수 있다.
상기 하나 혹은 그 이상의 가능한 원인은 상기 대상이 지정된 약을 복용하지 못한 약 복용 누락 이벤트를 포함하고, 상기 프로세서는 상기 결정된 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인이 상기 약 복용 누락 이벤트라는 결정에 따라, 디바이스는 알림을 출력할 수 있다.
상기 프로세서는, 상기 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인이 상기 약 복용 이벤트라는 결정에 응답하여, 상기 대상에 대한 상기 약 복용의 효과를 모니터링하기 위하여 상기 대상의 상기 약 복용 이벤트 이후의 바이탈 신호 데이터에 관련된 정보를 저장할 수 있다.
상기 바이탈 신호 데이터는 하나 혹은 그 이상의 바이탈 신호 센서를 포함하는 웨어러블 전자 디바이스로부터 획득될 수 있다.
상기 프로세서는, 논-바이탈 신호 데이터를 획득하고, 상기 논-바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정할 수 있으며, 상기 결정된 상기 논-바이탈 신호 데이터의 트렌드를 상기 결정된 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인 결정시 고려될 수 있다.
본 개시 일 실시예의 또 다른 측면에 따르면, 상기 바이탈 신호 데이터 트렌드 원인 결정 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
　　　본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 제시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다.
　　　본 명세서에서 사용되는 용어에 대해 간략히 설명하고 본 개시에 대해 구체적으로 설명하기로 한다.
　　　본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
　　　명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에서 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.
본 개시에서 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)는 사용자 디바이스(100) 혹은 디바이스(100)와 동일한 것으로 표시될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도1은 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스의 구조도이다.
본 개시의 일 실시예에 따른 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)는 프로세서(110) 및 메모리(130)를 포함할 수 있다.
프로세서(110)는 대상의 바이탈 신호 데이터를 획득할 수 있다.
대상은 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)의 착용자 혹은 디바이스(100)를 이용하는 이용자일 수 있다. 본 개시의 일 실시예에서 대상은 동물일 수도 있다.
본 개시에서 바이탈 신호 데이터는 맥박수(Pulse rate), 체온, 호흡수(Respiration rate), 혈압, 수면 패턴, 심박 변화 자료(Heart Rate Variability, HRV), 모세관 산소 포화도(peripheral capillary oxygen saturation, SpO2) 등의 바이탈 신호에 관련된 데이터를 의미할 수 있다.
바이탈 신호 데이터는 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100) 내부 또는 외부의 다양한 센서를 통하여 획득될 수 있다.
또한, 프로세서(110)는 바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정할 수 있다. 본 개시에서 바이탈 신호 데이터의 시간 경과에 따른 트렌드는 일정한 타임 피어리어드(time period) 동안 바이탈 신호 데이터의 변화율 또는 바이탈 신호 데이터가 변화하는 경향을 의미할 수 있다.
예를 들어, 일 실시예에서 프로세서(110)는 한 시간 동안 HRV가 15% 범위 내에서 변화하였다는 점을 바이탈 신호 데이터의 시간 경과에 따른 트렌드로 결정할 수 있다.
또한, 프로세서(110)는 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인 및 가능한 원인에 대하여 저장된 하나 혹은 그 이상의 가중치를 기초로, 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정할 수 있다.
결정된 트렌드를 야기하는 가능한 원인은 산책, 달리기 등을 포함하는 운동, 전화 통화, 영화 감상 등을 포함하는 사회 활동, 음주, 식사 등을 포함하는 음식 섭취, 지정된 약 복용 등을 포함할 수 있다.
본 개시에서 결정된 트렌드를 야기할 수 있는 원인에 대한 가중치는 결정된 트렌드에 대하여 저장된 하나 혹은 그 이상의 가능한 원인이 책임이 있는 원인일 각각의 가능성을 의미할 수 있다.
결정된 트렌드를 야기할 수 있는 원인에 대한 가중치는 미리 수집된 정보에 의하여 결정되고, 저장될 수 있는데, 이에 대한 자세한 내용은 도4 등에서 후술한다.
프로세서(110)는 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인에 대한 가중치를 이용하여, 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정할 수 있다.
메모리(130)는 프로세서(110)의 실행을 야기하는 프로그램 인스트럭션 등을 저장할 수 있다.
본 개시의 일부 실시예에서 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)는 복수의 메모리를 포함할 수 있다.
본 실시예에서 프로세서(110) 및 메모리(130)는 별도의 구성 단위로 표현되어 있으나, 본 개시의 일부 실시예에서는 프로세서(110) 및 메모리(130)가 합쳐져 동일한 구성 단위로 구현될 수도 있다.
또한 본 실시예에서 프로세서(110) 및 메모리(130)는 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100) 내부에 인접하여 위치한 구성 단위로 표현되었지만, 프로세서(110) 및 메모리(130)의 각 기능을 담당하는 장치는 반드시 물리적으로 인접할 필요는 없으므로, 실시 예에 따라 프로세서(110) 및 메모리(130)가 분산되어 있을 수 있다.
또한, 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)는 물리적 장치에 한정되지 않으므로, 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)의 기능 중 일부는 하드웨어가 아닌 소프트웨어로 구현될 수도 있다.
본 개시의 일부 실시예에 따르면 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)는 출력 디바이스, 통신 인터페이스 등을 더 포함할 수 있다.
본 명세서에서 기술된 구성요소들 각각은 하나 또는 그 이상의 부품(component)으로 구성될 수 있으며, 해당 구성요소의 명칭은 디바이스의 종류에 따라서 달라질 수 있다. 다양한 실시예에서, 디바이스는 본 명세서에서 기술된 구성요소 중 적어도 하나를 포함하여 구성될 수 있으며, 일부 구성요소가 생략되거나 또는 추가적인 다른 구성요소를 더 포함할 수 있다. 또한, 다양한 실시예에 따른 디바이스의 구성요소들 중 일부가 결합되어 하나의 개체(entity)로 구성됨으로써, 결합되기 이전의 해당 구성요소들의 기능을 동일하게 수행할 수 있다.
도2는 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법의 흐름도이다.
도2에 도시된 방법은 디바이스를 착용한 사용자의 바이탈 신호를 측정하는 하나 혹은 그 이상의 센서를 포함하는 웨어러블 전자 디바이스와 같은 사용자 디바이스(100)에서 실행될 수 있다.
도2에 도시된 방법은 스마트폰, 테블릿 컴퓨터, 데스크 탑 컴퓨터 또는 서버와 같은 다른 타입의 사용자 디바이스에서 실행될 수도 있다.
우선, 단계 S210에서 디바이스(100)는 대상의 바이탈 신호를 획득할 수 있다. 실시예에 따라, 대상은 바이탈 신호가 측정된 사람 또는 동물의 신체일 수 있다. 바이탈 신호 데이터는 맥박수(Pulse rate), 체온, 호흡수(Respiration rate), 혈압, 수면 패턴 및 모세관 산소 포화도(peripheral capillary oxygen saturation, SpO2) 중 하나 혹은 그 이상의 바이탈 신호와 관련된 데이터를 포함할 수 있다.
또한, 바이탈 신호 데이터는 맥박수(Pulse rate), 체온, 호흡수(Respiration rate), 혈압, 수면 패턴, 모세관 산소 포화도(peripheral capillary oxygen saturation, SpO2) 중 하나 혹은 그 이상에 대한 바이탈 신호 측정 값을 포함할 수 있다.
본 개시의 일부 실시예에서, 바이탈 신호 데이터는 하나 혹은 그 이상의 바이탈 신호 측정 값으로부터 도출된 데이터를 포함할 수 있다. 예를 들어, 바이털 신호 데이터는 맥박수(pulse rate)의 측정 값으로부터 도출된 심박변이(heart rate variability, HRV) 데이터를 포함할 수 있다.
다음으로, 디바이스(100)는 S230 단계에서 바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정할 수 있다.
S230 단계에서 트렌드의 결정을 위하여 실행되는 분석은 실시예에 따라 다른 형식으로 이루어 질 수 있다. 본 개시의 일부 실시예에서 S230 단계의 바이탈 신호 데이터 트렌드의 결정은 무빙 에버리지 필터를 적용하여 시간에 대한 바이탈 신호 데이터의 평균 값을 정하고, 정해진 바이탈 신호 데이터의 평균 값이 증가하는지, 감소하는지 아니면 그대로 유지되는지를 결정함으로써 이루어질 수 있다.
다른 실시예에서, 디바이스(100)는 S230 단계에서 정해진 평균 값이 증가하거나 감소하는 경우, 바이탈 신호 데이터의 변경이 있는 것으로 판단하고, 정해진 평균 값이 그대로 유지되는 경우, 바이탈 신호 데이터도 안정적으로 유지되는 것으로 판단할 수 있다.
본 개시의 일부 실시예에서, 바이탈 신호 데이터의 변경 비율은 S230 단계에서 결정될 수 있다.
S230 단계에서의 분석은 새로운 바이탈 신호 데이터가 획득됨에 따라 지속적으로 이루어지거나, 정해진 시간 간격 마다 간헐적으로 이루어질 수 있다.
단계 S250에서 디바이스(100)는 바이탈 신호 데이터 트렌드의 가장 큰 원인을 하나 혹은 그 이상의 저장된 가중치에 따라 결정할 수 있다.
각 가중치는 정해진 트렌드에 대한 하나 혹은 그 이상의 가능한 원인에 관한 것일 수 있고, 트렌드에 책임이 있는 원인과 관련된 가능성에 대한 인자일 수 있다.
S250 단계에서, 트렌드에 대한 가장 가능성이 큰 원인은 S230 단계에서 결정된 트렌드와 관련된 하나 혹은 그 이상의 가능한 원인에 대하여 저장된 가중치를 검색함으로써 결정될 수 있다. 이 때, 결정된 트렌드에 대한 복수의 가능한 원인들 중에서 가장 가중치가 높은 원인이 가장 가능성이 큰 원인으로 결정될 수 있다.
디바이스(100)는 가장 가능성이 높은 원인이 결정되면, 결정에 따라 적절한 액션을 취할 수 있다. 예를 들어, 디바이스(100)는 S103 단계의 결정 결과를 사용자 혹은 의학 전문가와 같은 제삼자에 의한 추후 참조를 위하여 저장할 수 있다.
본 개시의 일부 실시예에서, 바이탈 신호 데이터는 바이탈 신호 데이터에서 드러난 트렌드의 가장 가능성이 높은 원인과 관련되어 함께 저장될 수 있다. 본 개시의 다른 실시예에서, 디바이스(100)는 감지된 원인의 타입에 따라 알림(alert)을 자동으로 출력할 수 있다.
도3은 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 시스템의 구조도이다.
도3의 실시예에서, 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 시스템은 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100), 서버(200) 및 하나 혹은 그 이상의 센서(300)를 포함할 수 있다.
도3의 실시예에서, 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)는 웨어러블 전자 디바이스, 스마트폰, 테블릿 컴퓨터, 데스크 탑 컴퓨터와 같은 사용자 디바이스일 수 있다.
바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)는 도2에 도시된 흐름도에 따라 바이탈 신호 데이터의 트렌드에 대한 원인을 결정함에 있어서, 일부 과정을 서버(200) 및 센서(300)에서 실행할 수 있다.
도2 실시예의 S250 단계에서 가중치는 사용자 디바이스(100) 내부에 저장되거나 원격으로 저장되어 있을 수 있다. 가중치가 원격 디바이스에 저장된 경우, 저장된 가중치를 검색하는 단계는 외부디바이스에서 원격으로 실행될 수 있다.
가장 가중치가 높은 원인을 식별하는 단계는 바이탈 신호 데이터를 분석하는 디바이스와 동일한 디바이스에서 실행될 수도 있고, 외부 디바이스에서 원격으로 실행될 수도 있다.
도3의 실시예에서 가중치는 사용자 디바이스(100)의 외부 디바이스인 서버(200)에 원격으로 저장되어 있을 수 있다. 서버(200)는 결정된 트렌드를 야기할 수 있는 원인들을 결정하고, 각 원인들에 대하여 미리 수집된 정보에 의하여 가중치를 할당하여 저장할 수 있다.
또한, 서버(200)는 트렌드에 대한 하나 혹은 그 이상의 원인 중 가장 가중치가 높은 원인을 식별하여 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 디바이스(100)로 전송할 수 있다.
센서(300)는 대상에 대한 다양한 바이털 신호를 감지하여 사용자 디바이스(100)로 전송할 수 있다. 센서(300)는 가속도계, 온도 센서, 압력 센서 등을 포함할 수 있다.
도4는 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드의 하나 혹은 그 이상의 가능한 원인과 관련된 각 가중치를 생성하는 방법에 대한 흐름도이다.
도4에 도시된 방법은 예를 들어, 도5에 기재된 것과 같은 테이블을 생성함으로써 가중치를 생성하는 데 이용될 수 있다. 도4에 도시된 단계들은 저장된 가중치를 이용하여 분석을 실행하는 디바이스와 동일한 디바이스에 의하여 실행될 필요는 없다.
예를 들어, 가중치는 도4에 도시된 방법을 이용하여 서버(200)에서 원격으로 생성되고 저장될 수 있다. 도2에 도시된 방법은 웨어러블 전자 디바이스 또는 스마트폰과 같이 서버와 원격 통신이 가능한 디바이스에서 수행될 수도 있다.
S410 단계에서 바이탈 신호 데이터 및 바이탈 신호 데이터에 관련된 메타데이터는 복수의 개인 각각 대하여 획득될 수 있다.
본 개시에서 메타데이터는 복수의 개인에 대한 바이탈 신호 데이터의 트렌드에 대한 가능한 원인을 의미할 수 있다. 메타데이터는 수동으로 입력되거나, 자동으로 생성될 수 있다.
특정한 개인에 대한 바이털 신호 데이터와 동시에 수집된 논-바이탈 신호 센서 데이터(non-vital sign data)는 데이터가 수집되는 동안 개인에 의해 행해지는 활동 타입으로 자동으로 분석될 수 있다. 예를 들어, 가속도계 데이터는 개인이 걷고 있거나 달리고 있다고 결정할 수 있도록 분석되어 달리기, 산책과 같은 메타데이터로 생성될 수 있다.
　 S430 단계에서, 디바이스(100) 또는 서버(200)는 수집된 바이탈 신호 데이터 및 관련된 메타데이터를 기초로, 머신 러닝 알고리즘을 이용하여 수집된 바이탈 신호 데이터의 어떤 트렌드에 대한 하나 혹은 그 이상의 원인에 대하여 가중치를 할당할 수 있다. 정확한 가중치 할당을 위하여 디바이스(100) 또는 서버(200)는 장기간에 걸쳐 바이탈 신호 데이터를 수집할 수 있다.
　 위에서 기재한 바와 같이, 할당된 가중치들은 바이탈 신호 데이터 트렌드에 대하여 책임이 있는 하나 혹은 그 이상의 원인에 대한 각각의 가능성을 의미할 수 있다.
따라서 가중치들은 확률 값일 수 있다. 도5에 기재된 예시에서도 알 수 있듯이, 가중치들은 정확한 가능성을 가리키지 않고, 현재의 트렌드를 설명할 수 있는 하나 혹은 그 이상의 원인에 대한 상대적인 가능성을 가리킬 수 있다.
S430 단계에서 할당된 가중치들은 하나 혹은 그 이상의 원인에 대한 정보와 관련되어 메모리에 저장될 수 있다. 할당된 가중치들은 도5에 기재된 것과 같이 테이블 형태로 저장되거나, 혹은 다른 적당한 포맷으로 저장될 수 있다.
일단 저장된 가중치들은 도2에서 보여진 것과 같은 방법으로 사용되기 위하여 지속적으로 검색되어, 특정 대상에 대한 바이탈 신호 데이터 트렌드의 가장 가능성 높은 원인을 결정하는 데 이용될 수 있다.
도5는 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드의 하나 혹은 그 이상의 가능한 원인과 관련된 각 가중치를 생성한 결과의 예시이다.
도5는 본 개시의 일 실시예에 따라, 바이탈 신호 데이터(510), 바이탈 신호 데이터(510)의 시간 경과에 따른 트렌드(520), 트렌드를 야기할 수 있는 원인과 관련된 메타데이터(530) 및 각 메타데이터(530)에 대한 가중치(540)를 저장하고 있는 데이터베이스 구조의 한 예시를 도시한다.
메타데이터(530)는 특정한 트렌드를 야기할 수 있는 이벤트를 의미할 수 있다. 도5에 기재된 예시에서, 트렌드는 HRV 측정 및 주변 모세관 산소 포화도(peripheral capillary oxygen saturation, SpO2) 측정에 있어서 변화에 대한 백분율로 표현되었다.
변화에 대한 백분율은 예를 들어, 특정 타임 피어리어드 동안 그 피어리어드의 마지막 포인트에 센서에서 읽은 값과 그 피어리어드의 시작 포인트에 센서에서 읽은 값을 비교함으로써 결정될 수 있다.
일부 실시예에서, 바이탈 신호 데이터의 트렌드는 현재 대상에 대한 바이탈 신호 데이터의 베이스라인과 측정된 바이털 신호 데이터를 비교함으로써 결정될 수도 있다. 이 때, 바이털 신호 데이터의 베이스라인은 정해진 피어리어드의 시작 포인트에서의 바이탈 신호 데이터 값일 수 있다.
위에 기재한 바와 같이, HRV는 바이탈 신호 데이터의 한 타입이다. 펄스 옥시미터(pulse oximeter)를 이용하여 측정되는 주변 모세관 산소 포화도(SpO2)는 논-바이탈 신호 데이터 타입의 예시이다.
일부 실시예에서, 디바이스(100) 또는 서버(200)는 바이탈 신호 데이터 및 논-바이탈 신호 데이터를 결합하여 결정된 트렌드에 대한 원인을 결정할 때에 이용할 수 있다.
도5에 기재된 예시에서, 트렌드에 대한 복수의 가능한 원인은 약 복용 이벤트 및 약 복용 누락 이벤트를 포함할 수 있다. 약 복용 이벤트는 대상이 지정된 약을 복용하는 이벤트이다. 약 복용 누락 이벤트는 대상이 지정된 약을 지정된 시간에 복용하지 않는 이벤트이다.
일부 실시예에서, 도2에 도시된 방법을 실행하는 디바이스(100)는 대상이 지정된 약을 복용해야 하는 예정된 약 복용 시간을 포함하는 타임 피어리어드(time period)가 S230단계에서 트렌드를 결정하는 타임 피어리어드에 포함되도록 결정할 수 있다. 이 경우, 단계 S250에서 결정된 가장 가능성이 높은 원인은 대상이 지정된 약을 예정된 시간에 복용하였는지 여부가 될 수 있다.
결정된 트렌드에 대한 가장 가능성이 높은 원인이 약 복용 누락 이벤트로 결정되는 경우, 알림이 출력될 수 있다. 알림은 사용자에게 오디오적, 비디오적 또는 촉각적인 피드백의 형태로 출력될 수 있다.
알림은 사용자에게 약을 복용시키는 리마인더로 이용될 수 있다. 예를 들면, 디바이스(100)는 의학 전문가에게 SMS 문자 메시지 또는 이메일과 같은 적당한 통신 방법을 통하여 알림 메시지를 전송함으로써 알림을 출력할 수 있다.
일부 실시예에서, 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인이 약 복용 이벤트로 결정된 것에 대한 응답으로, 디바이스(100)는 대상이 약을 복용한 후의 바이탈 신호 데이터와 관련된 정보를 저장할 수 있다.
저장된 바이탈 신호 데이터는 디바이스(100)에 의하여 지속적으로 검색되고, 분석되어 대상에 대한 약의 효과를 모니터링하는 데 이용될 수 있다.
일 실시예에서, 디바이스(100)는 대상이 약을 복용한 시기를 자동으로 감지하고, 약 복용 이벤트에 따른 바이탈 신호 데이터를 즉시 기록함으로써, 사용자 또는 의학 전문가가 약이 바람직한 효과가 있는지를 확인하도록 할 수 있다.
만일, 약 복용 이벤트 후에 바이탈 신호 데이터가 약이 의도된 효과를 가져오지 못한다는 것을 나타내면, 디바이스(100)는 약의 복용 양을 변경하거나, 다른 타입의 약을 처방할 수 있다.
도6은 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드의 하나 혹은 그 이상의 가능한 원인과 관련된 가중치를 이용하여 바이탈 신호 데이터의 특정한 트렌드의 원인을 결정한 결과의 예시이다.
도6은 디바이스(100)가 도2의 단계들을 모두 실행한 후에 출력할 수 있는 결과를 가리킬 수 있다.
예를 들어, 디바이스(100)는 HRV가 특정 시간 동안 10-20% 변경된 원인이 산책일 확률이 20%이고, 음주일 확률이 5%라고 결정할 수 있다. 이 경우, 디바이스(100)는 바이탈 신호 데이터(610)에 대한 트렌드(620)가 10-20% 변경된 것에 대하여 책임이 있는 원인일 가능성이 가장 높은 원인을 산책으로 결정할 수 있다.
각 메타데이터에 대한 책임이 있는 원인일 가능성을 가리키는 확률 값은 다양한 방식에 의하여 결정될 수 있다. 예를 들어, 도5의 경우, 확률 값을 계산하기 위하여 미리 저장된 가중치가 이용되었다.
일부 실시예에서 디바이스(100)는 더 많은 원인들을 트렌드(620)에 영향을 미친 원인으로 결정하고, 책임이 있는 원인일 가능성이 가장 높은 원인부터 가능성이 낮은 원인의 순서로 정렬하여 디스플레이할 수 있다.
도7은 본 개시의 일 실시예에 따라 논-바이탈 신호 데이터를 이용하여 대상의 바이탈 신호 변경의 원인을 결정하는 방법에 대한 흐름도이다.
위에서 기재된 바와 같이, 일부 실시예에서 논-바이탈 신호 데이터는 바이탈 신호 데이터의 특정한 트렌드에 대한 가장 가능성이 높은 원인을 결정하는 것을 돕는 데 이용될 수 있다.
S710 단계에서, 디바이스(100)는 대상에 대한 논-바이탈 신호 데이터를 획득할 수 있다.
논-바이탈 신호 데이터의 예로는 SpO2 센서 데이터, 가속도계 데이터(accelerometer data), 온도 센서 데이터, 근접 센서 데이터(proximity sensor data), 자이로스코프 데이터(gyroscope data), 기압 데이터(barometric data) 등이 있을 수 있지만, 이에 한정되지 않는다.
S730 단계에서, 디바이스(100)는 논-바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정할 수 있다. 논-바이탈 신호 데이터 트렌드를 결정하는 데 이용된 타임 피어리어드는 도2에서 설명된 방법의 S230 단계에서 결정된 바이탈 신호 데이터 트렌드에 대한 타임 피어리어드와 동일할 수 있다.
S750 단계에서 디바이스(100)는 결정된 논-바이탈 신호 데이터 트렌드를 바이탈 신호 데이터에서 결정된 트렌드의 가장 가능성이 높은 원인을 결정할 때 이용할 수 있다.
논-바이탈 신호 데이터 트렌드를 이용함으로써, 디바이스(100)는 도2에서 설명된 방법의 S250 단계의 결정에 대한 정확도를 향상시킬 수 있다.
복수의 가능한 원인들이 바이탈 신호 데이터에 대하여 저장된 가중치를 기초로 식별되는 경우, 사용자 디바이스(100)는 논-바이탈 신호 데이터의 트렌드가 바이탈 신호 데이터 트렌드의 가능한 원인과 일치하는지 여부를 결정함으로써 일부 가능한 원인들을 배제할 수 있다.
도6에 기재된 예시를 참조할 때, 디바이스(100)는 HRV 변경에 대한 트렌드가 15-30%인 경우, 가능한 원인들을 “달리기”, “약 복용 누락 이벤트” 및 “음주”로 식별할 수 있다.
예를 들어, 디바이스(100)는 S710 단계에서 획득할 수 있는 논-바이탈 신호 데이터 중 가속도계 데이터를 획득함으로써, S730 단계에서 높은 가속 및 감속 패턴을 나타내는 논-바이탈 신호 데이터의 트렌드를 식별할 수 있다.
디바이스(100)는 높은 가속 및 감속 패턴을 나타내는 논-바이탈 신호 데이터의 트렌드가 “달리기” 이벤트에 대하여 기대되는 바이탈 신호 데이터의 트렌드와 매치되는지 여부를 결정할 수 있다.
만일, S730 단계에서 식별된 트렌드가, “달리기” 이벤트에 대하여 기대되는 바이탈 신호 데이터의 트렌드와 매치되지 않는 경우, “달리기”는 바이탈 신호 데이터 트렌드의 가능한 원인에서 배제될 수 있다.
도8은 본 개시의 일 실시예에 따라 대상의 바이탈 신호 데이터의 변경 원인을 결정하는 시스템에 대한 구조도이다.
본 실시예에서 시스템은 대상에 대한 바이탈 신호 데이터 변경의 원인을 결정하도록 구성된 사용자 디바이스(100) 및 바이탈 신호 데이터의 특정한 트렌드에 대한 하나 혹은 그 이상의 가능한 원인들과 관련된 가중치를 생성하고 저장하도록 구성된 서버(200)를 포함할 수 있다. 도8에 도시된 사용자 디바이스(100) 및 서버(200)는 위에서 설명된 방법들을 실행하도록 구성될 수 있다.
사용자 디바이스(100)는 컴퓨터 프로그램 인스트럭션을 실행하는 하나 혹은 그 이상의 프로세서를 포함하는 제1 프로세싱 유닛(810) 및 제1 메모리(820)를 포함할 수 있다. 제1 메모리(820)는 제1 프로세싱 유닛(810)에 의하여 실행될 때, 사용자 디바이스(100)가 위에서 설명된 방법들을 실행하도록 하는 컴퓨터 프로그램 인스트럭션을 저장하도록 구성될 수 있다.
본 실시예에서, 사용자 디바이스(100)는 서버(200)와 원격으로 통신하도록 구성된 제1 통신 인터페이스(830)를 더 포함할 수 있다. 일부 실시예에서 사용자 디바이스(100)는 바이탈 신호 데이터 트렌드의 가능한 원인과 관련된 가중치들의 로컬 카피를 저장할 수 있고, 이 경우 제1 통신 인터페이스(830)를 포함하지 않을 수 있다.
본 개시의 일부 실시예에서 사용자 디바이스(100)는 하나 혹은 그 이상의 센서(300)로부터 바이탈 신호 데이터를 포함하는 데이터를 수신하는 센서 인터페이스(840)를 더 포함할 수 있다. 본 실시예에서 센서 인터페이스(840)는 복수의 센서들(310, 320, 330)로부터 바이탈 신호 데이터 및 논-바이탈 신호 데이터를 수신하도록 구성될 수 있다.
비록 도8에 310, 320 및 330과 같이 세 개의 센서가 도시되었지만, 일반적인 사용자 디바이스(100)는 센서가 몇 개 인지와 무관하게 센서들로부터 센서 인터페이스(840)를 통하여 데이터를 수신할 수 있다.
도8의 실시예에서, 복수의 센서들(300)은 사용자 디바이스(100)과 동일한 물리적 디바이스에 포함되지 않는 원격 센서이다.
예를 들어, 사용자 디바이스(100)가 스마트 폰인 경우, 센서 인터페이스(840)는 하나 혹은 그 이상의 센서들(300)과 원격으로 통신하기 위하여 적합한 유선 또는 무선 인터페이스를 포함할 수 있다.
일부 실시예에서 사용자 디바이스(100)는 하나 혹은 그 이상의 센서들(300)과 결합된 웨어러블 디바이스일 수 있고, 이 경우 센서 인터페이스(840)는 사용자 디바이스(100)에 별도로 포함되지 않을 수 있다.
서버(200)는 컴퓨터 프로그램 인스트럭션을 실행하는 하나 혹은 그 이상의 프로세서를 포함하는 제2 프로세싱 유닛(860) 및 제2 메모리(870)를 포함할 수 있다.
제2 메모리(870)는 제2 프로세싱 유닛(860)에 의하여 실행될 때, 서버(200)가 위에서 설명된 방법들을 실행하도록 하는 컴퓨터 프로그램 인스트럭션을 저장하도록 구성될 수 있다.
서버(200)는 사용자 디바이스(100)와 원격으로 통신하도록 구성된 제2 통신 인터페이스(850)를 더 포함할 수 있다. 일부 실시예에서, 사용자 디바이스(100) 및 서버(200)가 동일한 물리적 디바이스로 실시되는 경우, 제2 통신 인터페이스(850)는 서버(200)에 포함되지 않을 수 있다.
제2 메모리(870)는 도4에서 설명된 바와 같이 바이탈 신호 데이터의 어떤 트렌드에 대한 하나 혹은 그 이상의 원인에 가중치를 할당하는 데 이용될 수 있는 머신 러닝 알고리즘(880)을 저장하도록 구성될 수 있다.
도9는 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드에 대한 복수의 가능한 원인에 대하여 순위를 매기는 방법을 컴퓨터가 실행하는 흐름도이다.
본 실시예에서, 바이탈 신호 데이터는 가중치들이 저장된 서버(200)와 원격 통신이 가능한 사용자 디바이스(100)에서 수집되고 분석될 수 있다.
본 실시예에 따라, 사용자 디바이스(100)는 S910 단계에서 바이탈 신호 데이터를 획득하고, S920 단계에서 시간 경과에 따른 바이탈 신호 데이터 트렌드를 결정함으로써 작동을 시작할 수 있다. S910 단계 및 S920 단계는 도2의 S210 단계 및 S230 단계와 유사하므로, S910 단계 및 S920 단계에 대한 자세한 설명은 여기서는 반복하지 않는다.
본 실시예에서, 사용자 디바이스(100)는 S930 단계 내지 S960 단계에서 서버(200)와 통신하여 S920 단계에서 결정된 트렌드에 대한 가장 가능성 높은 원인을 결정할 수 있다.
S930 단계에서 사용자 디바이스(100)는 바이탈 신호 데이터 트렌드에 대한 정보를 서버(200)로 전송할 수 있다. 본 실시예에서, 사용자 디바이스(100)는 S920 단계에서 결정된 트렌드에 대한 복수의 가능한 원인들을 식별할 수 있다.
S940 단계에서, 서버(200)는 결정된 트렌드를 야기할 수 있는 원인들에 대해 저장된 가중치를 검색하고, S950 단계에서 검색된 가중치를 사용자 디바이스(100)로 전송할 수 있다.
예를 들어, 도5를 참조할 때, S920 단계에서 HRV라는 바이탈 신호 데이터에 대하여 결정된 트렌드가 15-30%의 변경율인 경우, 서버(200)는 S940에서 “달리기”, “음주” 및 “약 복용 누락 이벤트”라는 가능한 원인들 및 이 원인들과 관련하여 저장된 가중치를 검색할 수 있고, S950 단계에서 검색된 가중치들을 사용자 디바이스(100)로 전송할 수 있다.
S960 단계에서 사용자 디바이스(100)는 서버(200)에 저장된 가중치들을 이용하여 결정된 트렌드에 대한 가능한 원인을 가능성이 큰 순서대로 정렬할 수 있다.
다른 실시예에서 S960 단계에서 실행되는 분석은 서버(200)에 의하여 실행될 수도 있다.
일 실시예에서, 서버(200)의 검색 결과, 결정된 트렌드에 대하여 하나의 가능한 원인에 대한 가중치만 저장된 경우, 디바이스(100)는 가중치가 저장된 하나의 원인을 가장 가능성이 높은 원인으로 결정할 수 있다.
다른 일 실시예에서, 서버(200)의 검색 결과, 결정된 트렌드에 대하여 복수의 가능한 원인에 대한 가중치가 저장된 경우, 디바이스(100)는 가중치가 저장된 복수의 가능한 원인들 중에서 가장 가중치가 높은 하나의 원인을 가장 가능성이 높은 원인으로 결정할 수 있다.
S970 단계에서 디바이스(100)는 사용자 인터페이스를 통하여 정렬된 원인들을 출력할 수 있다. 일 실시예에서는 결정된 가장 가능성이 높은 원인만 사용자 인터페이스를 통하여 사용자 디바이스(100)에 출력될 수도 있다. S970 단계에서 사용자 디바이스(100)는 가능한 원인들을 예를 들어 그래픽 사용자 인터페이스(GUI)에 디스플레이할 수 있다.
S980 단계에서 디바이스(100)는 정렬된 원인들의 순서가 맞는지 여부를 확인하는 사용자 입력을 수신할 수 있다.
S990 단계에서 디바이스(100)는 S980 단계에서 수신한 사용자 입력을 서버(200)로 전송할 수 있다.
S991 단계에서 서버(200)는 수신된 사용자 입력을 기초로 저장된 가중치를 업데이트할 수 있다. S991 단계에서 서버(200)는 머신 러닝 알고리즘을 이용하여 바이탈 신호 데이터에서 결정된 트렌드와 관련된 가중치들을 재계산할 수 있다.
사용자 입력에 대응하여 저장된 가중치들이 반복적으로 업데이트됨으로써, 저장된 가중치들은 시간이 지남에 따라 정확도가 향상될 수 있다.
도10은 본 개시의 일 실시예에 따라 바이탈 신호 데이터의 특정한 트렌드의 하나 혹은 그 이상의 가능한 원인과 관련된 가중치를 업데이트하는 방법에 대한 흐름도이다.
디바이스(100)는 S1010 단계에서 사용자 인터페이스를 통하여 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 출력할 수 있다. 이 단계는 도9의 S960 단계와 유사할 수 있다.
S1010 단계에서 디바이스(100)는 가능성이 가장 높은 원인으로 출력된 원인이 결정된 트렌드에 대한 실제 원인인지 여부에 대한 제1 사용자 입력을 수신할 수 있다.
예를 들어, 사용자 디바이스(100)는 가능성이 높은 원인으로 출력된 원인이 실제 원인과 일치하는지 여부에 대해 사용자 인터페이스를 통하여 사용자에게 “예” 혹은 “아니오” 중 하나를 선택하여 입력하도록 팝업을 디스플레이할 수 있다.
단계 S1030에서 사용자 디바이스(100)는 수신된 제1 사용자 입력에 따라 제1 사용자 입력을 서버(200)로 전송함으로써 저장된 가중치들을 업데이트시킬 수 있다.
만일, 사용자 디바이스(100)가 가중치들을 저장하고 있는 경우, 사용자 디바이스(100)가 직접 저장된 가중치들을 업데이트할 수 있다.
예를 들어, 가장 가능성이 높은 원인이 바이탈 신호 데이터에서 결정된 트렌드의 실제 원인이 아니라는 제1 사용자 입력에 대응하여, 가장 가능성이 높은 원인과 관련된 가중치는 감소될 수 있다.
S1020 단계에서 가능성이 높은 원인으로 출력된 원인이 실제 원인과 일치하지 않는다는 제1 사용자 입력을 수신한 경우, S1040 단계에서 사용자 디바이스(100)는 사용자 인터페이스를 통하여 계속해서 제2 사용자 입력을 수신할 수 있다.
제2 사용자 입력은 바이탈 신호 데이터 트렌드에 대하여 가장 가능성이 높은 것으로 결정된 원인보다 낮은 가능성을 가지는 복수의 가능한 원인 중 하나를 선택하는 입력일 수 있다.
제2 사용자 입력은 사용자의 실제 활동과 매치되는 가능한 원인들 중 특정한 하나일 수 있다. 제2 사용자 입력은 간단하게 예/아니오로 입력되는 제1 사용자 입력과 구별될 수 있다.
예를 들어, 사용자 디바이스(100)는 사용자로부터 드랍 다운 리스트를 통하여 여러 원인 중 하나를 선택하는 입력을 수신하거나, 텍스트 필드에 자유롭게 기재된 입력을 수신하는 형태로 제2 사용자 입력을 수신할 수 있다.
S1050 단계에서 사용자 디바이스(100)는 제2 사용자 입력에 따라 저장된 가중치를 업데이트할 수 있다. 일 실시예에서 사용자 디바이스(100)는 제2 사용자 입력을 서버(200)로 전송함으로써 저장된 가중치들을 업데이트시킬 수 있다.
만일, 사용자 디바이스(100)가 가중치들을 저장하고 있는 경우, 사용자 디바이스(100)가 직접 저장된 가중치들을 업데이트할 수 있다
예를 들어, 제2 사용자 입력이 수신된 경우, 제2 사용자 입력에서 수신된 원인과 일치하는 원인에 대한 가중치는 증가될 수 있다.
한편, 본 실시 예는 컴퓨터 판독가능 저장매체에 컴퓨터가 판독 가능한 코드를 저장하여 구현하는 것이 가능하다. 상기 컴퓨터 판독가능 저장매체는 컴퓨터 시스템에 의하여 판독될 수 있는 데이터가 저장되는 모든 종류의 저장 장치를 포함한다.
상기 컴퓨터가 판독 가능한 코드는, 상기 컴퓨터 판독가능 저장매체로부터 프로세서에 의하여 독출되어 실행될 때, 본 실시 예에 따른 촬영 디바이스 제어 방법을 구현하는 단계들을 수행하도록 구성된다. 상기 컴퓨터가 판독 가능한 코드는 다양한 프로그래밍 언어들로 구현될 수 있다. 그리고 본 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 실시 예가 속하는 기술분야의 통상의 기술자들에 의하여 용이하게 프로그래밍될 수 있다.
컴퓨터 판독가능 저장매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 반송파(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터 판독가능 저장매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 판독 가능한 코드가 저장되고 실행되는 것도 가능하다.
　　　전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일 형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
　　　본 개시의 범위는 위 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 　　　 전자 디바이스가 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법에 있어서,
    대상의 바이탈 신호 데이터를 획득하는 단계;
    상기 바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정하는 단계; 및
    상기 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인 및 상기 가능한 원인에 대하여 저장된 하나 혹은 그 이상의 가중치를 기초로, 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정하는 단계를 포함하고,
    상기 저장된 하나 혹은 그 이상의 가중치는 상기 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인이 상기 결정된 트렌드에 대하여 책임이 있는 원인일 각각의 가능성을 의미하는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  2. 제1항에 있어서, 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정하는 단계는,
    상기 결정된 바이탈 신호 데이터의 트렌드에 대한 정보를 서버로 전송하는 단계; 및
    상기 서버로부터 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인에 대한 정보를 수신하는 단계를 포함하는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  3. 제1항에 있어서, 상기 저장된 하나 혹은 그 이상의 가중치는,
    수집된 바이탈 신호 데이터 및 상기 수집된 바이탈 신호 데이터에 관련된 메타데이터를 기초로, 머신 러닝 알고리즘을 이용하여 상기 수집된 바이탈 신호 데이터의 어떤 트렌드에 대한 하나 혹은 그 이상의 원인에 대하여 가중치를 할당하는 단계; 및
    상기 할당된 가중치를 저장하는 단계를 통하여 생성되고,
    상기 메타데이터는 복수의 개인에 대한 관련된 상기 수집된 바이탈 신호 데이터의 트렌드에 대한 원인을 의미하는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  4. 제1항에 있어서,
    사용자 인터페이스를 통하여 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 출력하는 단계;
    상기 출력된 가능성이 가장 높은 원인이 상기 바이탈 신호 데이터의 트렌드에 대한 실제 원인인지 여부와 관련된 제1 사용자 입력을 수신하는 단계; 및
    상기 제1 사용자 입력에 따라 상기 저장된 가중치를 업데이트하는 단계를 더 포함하는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  5. 제4항에 있어서,
    상기 바이탈 신호 데이터의 트렌드에 대한 실제 원인으로 상기 출력된 가장 가능성이 높은 원인보다 낮은 가능성을 가지는 상기 하나 혹은 그 이상의 가능한 원인 중 하나를 컨펌하는 제2 사용자 입력을 수신하는 단계; 및
    상기 제2 사용자 입력에 따라 상기 저장된 가중치를 업데이트하는 단계를 더 포함하는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  6. 제1항에 있어서,
    상기 하나 혹은 그 이상의 가능한 원인은 상기 대상이 지정된 약을 복용하는 약 복용 이벤트를 포함하는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  7. 제1항에 있어서, 상기 하나 혹은 그 이상의 가능한 원인은 상기 대상이 지정된 약을 복용하지 못한 약 복용 누락 이벤트를 포함하고,
    　　　　상기 결정된 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인이 상기 약 복용 누락 이벤트라는 결정에 따라, 알림을 출력하는 단계를 더 포함하는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  8. 제6항에 있어서,
    　　　상기 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인이 상기 약 복용 이벤트라는 결정에 응답하여, 상기 대상에 대한 상기 약 복용의 효과를 모니터링하기 위하여 상기 대상의 상기 약 복용 이벤트 이후의 바이탈 신호 데이터에 관련된 정보를 저장하는 단계를 더 포함하는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  9. 제1항에 있어서,
    상기 바이탈 신호 데이터는 하나 혹은 그 이상의 바이탈 신호 센서를 포함하는 웨어러블 전자 디바이스로부터 획득되는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  10. 제1항에 있어서,
    상기 대상의 논-바이탈 신호 데이터를 획득하는 단계; 및
    상기 논-바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정하는 단계를 더 포함하고,
    상기 결정된 상기 논-바이탈 신호 데이터의 트렌드가 상기 결정된 바이탈 신호 데이터의 트렌드에 대한 가장 가능성이 높은 원인 결정시 고려되는 바이탈 신호 데이터 트렌드 원인 결정 방법.
  11. 　　　 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 전자 디바이스에 있어서,
    　　　메모리; 및
    대상의 바이탈 신호 데이터를 획득하는 단계;
    상기 바이탈 신호 데이터의 시간 경과에 따른 트렌드를 결정하는 단계; 및
    　　　 상기 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인 및 상기 가능한 원인에 대하여 저장된 하나 혹은 그 이상의 가중치를 기초로, 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 결정하는 단계를 실행하는 하나 혹은 그 이상의 프로세서를 포함하고,
    상기 저장된 하나 혹은 그 이상의 가중치는 상기 상기 결정된 트렌드를 야기하는 하나 혹은 그 이상의 가능한 원인이 상기 결정된 트렌드에 대하여 책임이 있는 원인일 각각의 가능성을 의미하는 디바이스.
  12. 제11항에 있어서,
    상기 결정된 바이탈 신호 데이터의 트렌드에 대한 정보를 서버로 전송하고, 상기 서버로부터 상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인에 대한 정보를 수신하는 통신 인터페이스를 포함하는 디바이스.
  13. 제11항에 있어서, 상기 저장된 하나 혹은 그 이상의 가중치는,
    수집된 바이탈 신호 데이터 및 상기 수집된 바이탈 신호 데이터에 관련된 메타데이터를 기초로, 머신 러닝 알고리즘을 이용하여 상기 수집된 바이탈 신호 데이터의 어떤 트렌드에 대한 하나 혹은 그 이상의 원인에 대하여 가중치를 할당하는 단계; 및
    상기 할당된 가중치를 저장하는 단계를 통하여 생성되고,
    상기 메타데이터는 복수의 개인에 대한 관련된 상기 수집된 바이탈 신호 데이터의 트렌드에 대한 원인을 의미하는 디바이스.
  14. 제11항에 있어서,
    상기 결정된 트렌드를 야기할 가능성이 가장 높은 원인을 출력하고, 상기 출력된 가능성이 가장 높은 원인이 상기 바이탈 신호 데이터의 트렌드에 대한 실제 원인인지 여부와 관련된 제1 사용자 입력을 수신하는 사용자 인터페이스를 더 포함하고,
    상기 프로세서는 상기 제1 사용자 입력에 따라 상기 저장된 가중치를 업데이트하는 디바이스.
  15. 제 1항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
PCT/KR2019/002954 2018-03-16 2019-03-14 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법 및 디바이스 WO2019177395A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/979,247 US20210043329A1 (en) 2018-03-16 2019-03-14 Method and device for determining cause of trend in vital sign data
EP19766863.5A EP3766407A4 (en) 2018-03-16 2019-03-14 METHOD AND DEVICE FOR DETERMINING THE CAUSE OF A TREND IN VITAL SIGN DATA
CN201980019661.XA CN112040838A (zh) 2018-03-16 2019-03-14 用于确定生命体征数据中的趋势的原因的方法和设备

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
GB1804262.2 2018-03-16
GBGB1804262.2A GB201804262D0 (en) 2018-03-16 2018-03-16 Determining a cause of a trend in vital sign data of a subject
GB1820346.3 2018-12-13
GB1820346.3A GB2572034A (en) 2018-03-16 2018-12-13 Determining a cause of a trend in vital sign data of a subject
KR10-2019-0028858 2019-03-13
KR1020190028858A KR102153527B1 (ko) 2019-03-13 2019-03-13 가챠 이벤트 실행에 따른 누적 보상을 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2019177395A1 true WO2019177395A1 (ko) 2019-09-19

Family

ID=67908404

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002954 WO2019177395A1 (ko) 2018-03-16 2019-03-14 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법 및 디바이스

Country Status (2)

Country Link
US (1) US20210043329A1 (ko)
WO (1) WO2019177395A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020043997A (ko) * 2000-12-05 2002-06-14 윤종용 주성분 분석에 의한 심음 분류 방법
JP2002312487A (ja) * 2001-04-12 2002-10-25 Matsushita Electric Works Ltd 健康管理システム及びそれに用いる管理サーバ
US20100042043A1 (en) * 2007-03-27 2010-02-18 Koninklijke Philips Electronics N.V. Automatic drug administration with reduced power consumption
WO2011021163A1 (en) * 2009-08-20 2011-02-24 Koninklijke Philips Electronics N.V. Medication and/or treatment regimen compliance
US20170246086A1 (en) * 2016-02-25 2017-08-31 Samsung Electronics Co., Ltd. Chronotherapeutic dosing of medication and medication regimen adherence

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5072412A (en) * 1987-03-25 1991-12-10 Xerox Corporation User interface with multiple workspaces for sharing display system objects
US7801591B1 (en) * 2000-05-30 2010-09-21 Vladimir Shusterman Digital healthcare information management
US20050251054A1 (en) * 2004-05-10 2005-11-10 Medpond, Llc Method and apparatus for measurement of autonomic nervous system function
US8538102B2 (en) * 2008-12-17 2013-09-17 Synarc Inc Optimised region of interest selection
US8838217B2 (en) * 2009-11-10 2014-09-16 Makor Issues And Rights Ltd. System and apparatus for providing diagnosis and personalized abnormalities alerts and for providing adaptive responses in clinical trials
US9000927B2 (en) * 2013-02-25 2015-04-07 Sony Corporation System and method for monitoring biometric data
US9554712B2 (en) * 2013-02-27 2017-01-31 Covidien Lp Systems and methods for generating an artificial photoplethysmograph signal
US10285638B2 (en) * 2015-06-02 2019-05-14 Continuous Precision Medicine Methods and systems for medication monitoring
JP6975230B2 (ja) * 2016-10-05 2021-12-01 コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. 患者モニタリングシステム及び方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020043997A (ko) * 2000-12-05 2002-06-14 윤종용 주성분 분석에 의한 심음 분류 방법
JP2002312487A (ja) * 2001-04-12 2002-10-25 Matsushita Electric Works Ltd 健康管理システム及びそれに用いる管理サーバ
US20100042043A1 (en) * 2007-03-27 2010-02-18 Koninklijke Philips Electronics N.V. Automatic drug administration with reduced power consumption
WO2011021163A1 (en) * 2009-08-20 2011-02-24 Koninklijke Philips Electronics N.V. Medication and/or treatment regimen compliance
US20170246086A1 (en) * 2016-02-25 2017-08-31 Samsung Electronics Co., Ltd. Chronotherapeutic dosing of medication and medication regimen adherence

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3766407A4 *

Also Published As

Publication number Publication date
US20210043329A1 (en) 2021-02-11

Similar Documents

Publication Publication Date Title
WO2019088769A1 (ko) 개방형 api 기반 의료 정보 제공 방법 및 시스템
WO2017116052A1 (ko) 컨텐트 인식 장치 및 그 동작 방법
WO2016036143A1 (ko) 전자 장치의 멀티미디어 데이터 처리 방법 및 그 전자 장치
WO2015099445A1 (ko) 일정 관리 디바이스 및 그 방법
WO2015178600A1 (en) Speech recognition method and apparatus using device information
WO2020098013A1 (zh) 电视节目推荐方法、终端、系统及存储介质
WO2017131401A1 (ko) 전자 장치 및 전자 장치의 사용자 인터페이스 제어 방법
WO2018217066A1 (ko) 생체 정보를 측정하는 전자 장치와 이의 동작 방법
EP3254209A1 (en) Method and device for searching for image
WO2016022008A1 (en) Method and apparatus for environmental profile generation
WO2020189930A1 (en) Electronic device and method for notification of biometric information by electronic device
WO2018139792A1 (ko) 헬스케어 프로그램 관리 방법 및 그 전자 장치
WO2016089047A1 (ko) 컨텐트를 제공하는 방법 및 디바이스
WO2017215354A1 (zh) 测量仪数据存储方法和装置
WO2020209618A1 (en) Electronic device and method for providing information for stress relief by same
WO2016190652A1 (en) Electronic device, information providing system and information providing method thereof
WO2021101073A1 (ko) 생체 데이터를 획득하는 장치 및 그 방법
WO2014209005A1 (ko) 라이프 스타일 분석 시스템 및 방법
WO2017078283A1 (ko) 사용자의 위치를 결정하는 전자 장치 및 그 제어 방법
WO2013141667A1 (ko) 일상 건강 정보 제공 시스템 및 일상 건강 정보 제공 방법
WO2015199430A1 (en) Method and apparatus for managing data
WO2019177395A1 (ko) 바이탈 신호 데이터의 트렌드에 대한 원인을 결정하는 방법 및 디바이스
WO2018097514A1 (en) Mobile device for providing exercise contents and wearable device connected therewith
WO2022131488A1 (ko) 전자 장치 및 그 제어 방법
WO2017191875A1 (ko) 전자 장치가 외부 장치를 제어하는 방법 및 그 전자 장치

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: 19766863

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2019766863

Country of ref document: EP