WO2021025507A1 - 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기 - Google Patents

심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기 Download PDF

Info

Publication number
WO2021025507A1
WO2021025507A1 PCT/KR2020/010442 KR2020010442W WO2021025507A1 WO 2021025507 A1 WO2021025507 A1 WO 2021025507A1 KR 2020010442 W KR2020010442 W KR 2020010442W WO 2021025507 A1 WO2021025507 A1 WO 2021025507A1
Authority
WO
WIPO (PCT)
Prior art keywords
heart rate
patient
machine learning
learning algorithm
valsalva
Prior art date
Application number
PCT/KR2020/010442
Other languages
English (en)
French (fr)
Inventor
김병조
김정빈
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to CN202080056181.3A priority Critical patent/CN114206209A/zh
Priority to US17/632,707 priority patent/US20220280046A1/en
Publication of WO2021025507A1 publication Critical patent/WO2021025507A1/ko

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4029—Detecting, measuring or recording for evaluating the nervous system for evaluating the peripheral nervous systems
    • A61B5/4035—Evaluating the autonomic nervous system
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • A61B5/72—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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • 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
    • G16H40/63—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 local 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
    • G16H50/30—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

Definitions

  • the present application relates to a system and method for selecting orthostatic hypotension using a machine learning algorithm based on heart rate, and a wearable measuring device.
  • Orthostatic intolerance is an autonomic nervous system function that causes mild dizziness, dizziness, blurred vision, palpitations, nausea, and fatigue when a patient wakes up from a lying or sitting position, due to reduced blood flow to the brain and heart. Speak of disability.
  • Orthostatic Hypotension is one of the OIs, and is defined as not causing an increase in heart rate for maintaining blood flow even though systolic blood pressure drops by 20 mmHg or more and diastolic blood pressure by 10 mmHg or more due to standing up.
  • OH can appear in a variety of diseases related to the autonomic nervous system, such as Parkinson's disease, multiple atrophy, pure autonomic failure, and diabetic autonomic neuropathy, and is associated with an increased risk of falls, cardiovascular events, and cognitive impairment. They need to be discovered and managed in a timely manner.
  • HUT head-up tilt table test
  • patients who are unable to maintain their posture on the tilt table due to physical disabilities, or have contraindications to the use of HUT, such as severe anemia, kidney or heart failure, heart valve disease, severe coronary artery disease, and acute and subacute stroke or myocardial infarction.
  • HUT head-up tilt table test
  • the burden of the time and cost required to perform HUT, and the limitation that the possibility of false negative is high by performing OH generated by various stimuli in daily life only within a designated laboratory environment.
  • an embodiment of the present invention provides a system for screening orthostatic hypotension using a machine learning algorithm based on a heart rate measured during non-magnetic stimulation.
  • the orthostatic hypotension screening system using the heart rate-based machine learning algorithm includes at least one of the EI difference and E:I ratio calculated from the patient's age, blood pressure, and heart rate, and the Valsalva ratio calculated according to the Valsalva method.
  • An input unit receiving a variable to be input; And a determination unit that determines whether the patient's orthostatic hypotension is based on a previously learned machine learning algorithm based on a variable input through the input unit.
  • the orthogonal hypotension screening system using the heart rate-based machine learning algorithm includes: a wearable measuring device worn on the patient's body to measure the patient's heart rate; A processing device for calculating an E-I difference and an E:I ratio from the heart rate measured by the wearable measuring device, and calculating a Valsalva ratio from the heart rate measured by the wearable measuring device according to the Valsalva method; And a determination unit that determines whether or not the patient has orthostatic hypotension based on the E-I difference, the E:I ratio, and the Valsalva ratio calculated by the processing device.
  • another embodiment of the present invention provides a method for selecting orthostatic hypotension using a machine learning algorithm based on a heart rate.
  • the method for selecting orthostatic hypotension using a heart rate-based machine learning algorithm includes: calculating an E-I difference and an E:I ratio from a patient's heart rate; Calculating a Valsalva ratio according to the Valsalva method; And determining whether or not orthostatic hypotension based on the E-I difference, E:I ratio, and Valsalva ratio according to a machine learning algorithm.
  • another embodiment of the present invention provides a wearable measuring device.
  • the wearable measuring device is a wearable measuring device that is worn on the patient's body to measure the patient's heart rate, and is equipped with software implementing a method for selecting orthogonal hypotension using a heart rate-based machine learning algorithm, based on the measured heart rate. It is characterized in that it determines whether the patient's orthostatic hypotension by the software.
  • FIG. 1 is a block diagram of a system for screening orthostatic hypotension using a machine learning algorithm based on heart rate according to an embodiment of the present invention.
  • FIG. 2 is a block diagram of a system for screening orthostatic hypotension using a machine learning algorithm based on heart rate according to another embodiment of the present invention.
  • FIG. 3 is a flow chart of a method for selecting orthostatic hypotension using a machine learning algorithm based on heart rate according to another embodiment of the present invention.
  • FIG. 1 is a block diagram of a system for screening orthostatic hypotension using a machine learning algorithm based on heart rate according to an embodiment of the present invention.
  • an orthogonal hypotension screening system 100 using a heart rate-based machine learning algorithm includes an input unit 110, a determination unit 120, and a learning data DB 130. It may be configured as a result, and may further include a display unit 140.
  • the input unit 110 is for receiving a variable used for screening orthostatic hypotension.
  • the input unit 110 receives a variable including at least one of the EI difference and E:I ratio calculated from the patient's age, blood pressure, and heart rate, and the Valsalva ratio calculated according to the Valsalva method.
  • the input variable includes an EI difference, an E:I ratio, and a Valsalva ratio.
  • E represents exhalation
  • I represents inhalation.
  • the patient's heart rate may be measured during deep breathing, measured in a lying position at rest, or measured in a standing position at rest. That is, according to the embodiment of the present invention, it is possible to determine whether or not orthostatic hypotension based on the heart rate obtained from non-surgery stimulation including deep breathing, resting position, and standing position for a patient without HUT.
  • the input unit 110 may receive patient age and blood pressure information corresponding to basic patient information from a patient terminal, a medical staff terminal, or an external server (hospital information system).
  • the blood pressure information may include reference systolic and diastolic blood pressure information.
  • the input unit 110 receives the EI difference and the E:I ratio calculated from the heart rate measured during the non-voluntary stimulation, or receives the heart rate information measured during the non-voluntary stimulation, and calculates the EI difference and the E:I ratio therefrom. It can also be calculated.
  • the input unit 110 may include a processing device for calculating the E-I difference and the E:I ratio.
  • the heart rate range is measured during deep breathing (eg, 6 breaths per minute), and based on this, the EI difference is determined during inspiration for each 6 breathing cycles. It is calculated by subtracting the minimum heart rate during exhalation from the maximum heart rate of, and the E:I ratio can be calculated as the ratio of the longest RR interval during exhalation to the shortest RR intervals during inspiration.
  • the input unit 110 may receive the Valsalva ratio calculated according to the Valsalva method, or receive heart rate information measured according to the Valsalva method, and calculate the Valsalva ratio therefrom.
  • the patient measures the heart rate range in a state where it is requested to maintain a pressure of 40 mmHg for 15 seconds through a mouthpiece attached to a pressure gauge in a comfortable reclining position according to the Valsalva method, and the Valsalva rate is maximum. It can be calculated by dividing the RR interval by the minimum RR interval.
  • measurement of heart rate during deep breathing, at rest, or according to the Valsalva method may be performed by a wearable measuring device that can be worn on the patient's body, and for this purpose, deep breathing through the display unit 140 additionally provided.
  • a wearable measuring device that can be worn on the patient's body, and for this purpose, deep breathing through the display unit 140 additionally provided.
  • the determination unit 120 is for determining whether or not the patient's orthostatic hypotension is based on a variable input through the input unit 110 according to the machine learning algorithm 121.
  • the machine learning algorithm 121 may receive at least one of a patient's age, blood pressure, E-I difference, E:I ratio, and Valsalva ratio and determine whether or not orthostatic hypotension based on the input.
  • the variables received by the machine learning algorithm 121 include an E-I difference, an E:I ratio, and a Valsalva ratio.
  • the machine learning algorithm 121 may perform learning in advance using learning data stored in the previously constructed learning data DB 130.
  • the machine learning algorithm 121 is the learning data stored in the learning data DB 130, that is, the age, blood pressure, EI difference, E:I of patients diagnosed as OH and non-OH patients by HUT. Learning can be performed to determine whether or not orthostatic hypotension using the ratio and Valsalva's ratio data.
  • the machine learning algorithm 121 may use a machine learning algorithm such as a Support Vector Machine (SVM) algorithm, a K-Nearest Neighbor (KNN) algorithm, and a random forest algorithm, but is not necessarily limited thereto. You can choose from a variety of learning algorithms known to the technicians of SVM.
  • SVM Support Vector Machine
  • KNN K-Nearest Neighbor
  • Table 1 shows the performance according to the type of algorithm used in the machine learning algorithm. Specifically, the SVM algorithm using five input variables including the patient's age, blood pressure, EI difference, E:I ratio, and Valsalva ratio, It shows the classification accuracy when applying the KNN algorithm and the Random forest algorithm, respectively.
  • FIG. 2 is a block diagram of a system for screening orthostatic hypotension using a machine learning algorithm based on heart rate according to another embodiment of the present invention.
  • the orthogonal hypotension screening system 200 using a heart rate-based machine learning algorithm includes a wearable measuring device 210, a processing device 220, a determination unit 230, and It may be configured to include the learning data DB 240, and may further include a display device 250.
  • the wearable measuring device 210 may be worn on the patient's body to measure the patient's heart rate.
  • the processing device 220 calculates the EI difference and the E:I ratio from the heart rate measured by the wearable measuring device 210, and calculates the Valsalva ratio from the heart rate measured by the wearable measuring device 210 according to the Valsalva method. Can be calculated.
  • the determination unit 230 may determine whether or not the patient's orthostatic hypotension is based on the machine learning algorithm 231 previously learned based on the EI difference, E:I ratio, and Valsalva ratio calculated by the processing device 220. have.
  • the display device 250 may provide content that induces deep breathing or Valsalva manipulation.
  • FIG. 3 is a flow chart of a method for selecting orthostatic hypotension using a machine learning algorithm based on heart rate according to another embodiment of the present invention.
  • the age and blood pressure information of the patient is obtained (S31), the EI difference and the E:I ratio are calculated from the measured heart rate (S32), and the Valsalva ratio can be calculated according to the Valsalva method. Yes (S33).
  • the patient's heart rate may be measured during deep breathing, measured in a lying position while at rest, or measured in a standing position at rest.
  • FIG. 3 it is shown that it is sequentially performed in the order of steps S31 to S33, but this is only an example and the order is not necessarily limited thereto, and the patient's age, blood pressure, EI difference, E:I ratio, and Valsalva It is enough to obtain the ratio information.
  • a detailed method for executing each step of the orthostatic hypotension screening method using the heart rate-based machine learning algorithm shown in FIG. 3 is the same as described above with reference to FIG. 1, and thus a redundant description thereof will be omitted.
  • the method for selecting orthogonal hypotension using the heart rate-based machine learning algorithm shown in FIG. 3 may be performed by a processing device capable of executing the machine learning algorithm.
  • a computer-readable storage medium in which instructions executable by a processor for executing each step of the orthostatic hypotension screening method using a heart rate-based machine learning algorithm shown in FIG. 3 are recorded is provided.
  • a method for selecting orthostatic hypotension using a machine learning algorithm based on heart rate shown in FIG. 3 is implemented in the form of software, and the software is worn on the patient's body to measure the patient's heart rate. It can be mounted on wearable measuring devices. Accordingly, it can be used as an OH screening tool capable of measuring the heart rate of a patient in daily life by a wearable measuring device and determining whether or not orthostatic hypotension based on this.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Vascular Medicine (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템은, 환자의 나이, 혈압, 심박수로부터 산출된 E-I 차이 및 E:I 비율, 및 발살바법에 따라 산출된 발살바 비율 중 적어도 하나를 포함하는 변수를 입력받는 입력부; 및 상기 입력부를 통해 입력받은 변수를 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함할 수 있다.

Description

심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기
본 출원은 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기에 관한 것이다.
기립성 불내응증(OI; Orthostatic intolerance)은 환자가 누워있거나 앉은 자세에서 일어날 때, 뇌와 심장으로 가는 혈류가 줄어서 가벼운 현기증, 현기증, 흐린 시력, 심계항진, 메스꺼움 및 피로감 등을 초래하는 자율 신경계 기능 장애를 말한다.
기립성 저혈압(OH; Orthostatic Hypotension)은 OI 중 하나로서, 기립에 의해 수축기 혈압이 20mmHg 이상, 이완기 혈압이 10mmHg 이상 떨어짐에도 불구하고 혈류 유지를 위한 심박수 상승이 발생하지 않는 것으로 정의된다. OH는 파킨슨 병, 다발성 위축, 순수 자율 신경 실패, 당뇨병 자율 신경 병증과 같은 자율 신경계와 관련된 다양한 질환에서 나타날 수 있으며, 낙상, 심혈관계 사건 및 인지장애의 위험 증가와 관련이 있으므로, OH를 조기에 발견하고 시기 적절하게 관리할 필요가 있다.
OH의 진단을 위해서 기립경사 검사(HUT; Head-Up Tilt Table Test)가 널리 사용되고 있다. 그러나, 신체적 장애로 인해 틸트 테이블 상에서 자세를 유지할 수 없거나, 심한 빈혈, 신장 또는 심부전, 심장 판막 질환, 심한 관상 동맥 질환 및 급성 및 아급성기 뇌졸중 또는 심근 경색과 같이 HUT의 사용금기사유가 있는 환자들이 많이 있다. 이와 같은 신체적인 제약 외에도, HUT를 수행하기 위해 소요되는 시간과 비용의 부담, 일상 생활 중 다양한 자극에 의해 발생하는 OH를 정해진 검사실 환경 내에서만 시행함으로서 위음성의 가능성이 높다는 한계 때문에 OH의 치료 반응과 증상 진행을 모니터링하기 위해 HUT를 반복적으로 수행하는 것은 한계가 있다.
이와 같은 HUT의 한계를 극복하기 위해서 OH의 진단을 위한 대안의 바이오 마커를 발견하기 위한 연구가 진행되고 있으나, 아직까지 일상 생활에서 HUT 없이 비자세 자극(non-postural stimuli)으로부터 얻을 수 있는 심박수 변화를 이용하여 OH를 적시에 정확하게 진단하기 위한 기술은 부재한 실정이다.
따라서, 당해 기술분야에서는 일상 생활에서 HUT 없이 비자세 자극으로부터 얻을 수 있는 심박수 변화를 이용하여 OH를 적시에 정확하게 진단하기 위한 방안이 요구되고 있다.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 비자세성 자극 중 측정된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템을 제공한다.
상기 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템은, 환자의 나이, 혈압, 심박수로부터 산출된 E-I 차이 및 E:I 비율, 및 발살바법에 따라 산출된 발살바 비율 중 적어도 하나를 포함하는 변수를 입력받는 입력부; 및 상기 입력부를 통해 입력받은 변수를 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함할 수 있다.
또한, 상기 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템은, 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기; 상기 웨어러블 측정기기에 의해 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하고, 발살바법에 따라 상기 웨어러블 측정기기에 의해 측정된 심박수로부터 발살바 비율을 산출하는 프로세싱 장치; 및 상기 프로세싱 장치에 의해 산출된 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함할 수 있다.
한편, 본 발명의 다른 실시예는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법을 제공한다.
상기 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법은, 환자의 심박수로부터 E-I 차이 및 E:I 비율을 산출하는 단계; 발살바법에 따라 발살바 비율을 산출하는 단계; 및 상기 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기계학습 알고리즘에 따라 기립성 저혈압 여부를 판단하는 단계를 포함할 수 있다.
한편, 본 발명의 다른 실시예는 웨어러블 측정기기를 제공한다.
상기 웨어러블 측정기기는, 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기에 있어서, 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법을 구현한 소프트웨어가 탑재되며, 측정된 심박수를 기초로 상기 소프트웨어에 의해 상기 환자의 기립성 저혈압 여부를 판단하는 것을 특징으로 한다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 일상 생활에서 HUT 없이 비자세 자극으로부터 얻을 수 있는 심박수 변화를 이용하여 OH를 적시에 정확하게 진단할 수 있다.
도 1은 본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템의 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템의 구성도이다.
도 3은 본 발명의 또 다른 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법의 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템(100)은 입력부(110), 판단부(120) 및 학습데이터 DB(130)를 포함하여 구성될 수 있으며, 디스플레이부(140)를 더 포함할 수 있다.
입력부(110)는 기립성 저혈압 선별을 위해 사용되는 변수를 입력받기 위한 것이다.
일 실시예에 따르면, 입력부(110)는 환자의 나이, 혈압, 심박수로부터 산출된 E-I 차이 및 E:I 비율, 그리고 발살바법에 따라 산출된 발살바 비율 중 적어도 하나를 포함하는 변수를 입력받을 수 있으며, 특히, 입력받는 변수는 E-I 차이, E:I 비율 및 발살바 비율을 포함하는 것이 바람직하다. 여기서, E는 exhalation을 나타내고, I는 inhalation을 나타내는 것이다. 또한, 환자의 심박수는 심호흡 동안 측정되거나, 안정시 누운 자세에서 측정되거나, 또는 안정시 기립 자세에서 측정된 것일 수 있다. 즉, 본 발명의 실시예에 따르면, 환자에 대해 HUT 없이도 심호흡, 안정시 누운 자세 및 기립 자세를 포함하는 비자세 자극으로부터 얻을 수 있는 심박수를 기반으로 기립성 저혈압 여부를 판단할 수 있다.
예를 들어, 입력부(110)는 환자 단말, 의료진 단말 또는 외부 서버(병원 정보 시스템) 등으로부터 환자의 기본 정보에 해당하는 환자의 나이 및 혈압 정보를 입력받을 수 있다. 여기서, 혈압 정보는 기준 수축기 및 이완기 혈압 정보를 포함할 수 있다.
또한, 입력부(110)는 비자세 자극 동안 측정된 심박수로부터 산출된 E-I 차이 및 E:I 비율을 입력 받거나, 또는 비자세 자극 동안 측정된 심박수 정보를 입력받아서 이로부터 E-I 차이 및 E:I 비율을 산출할 수도 있다. 이를 위해, 입력부(110)는 E-I 차이 및 E:I 비율 산출을 위한 프로세싱 장치를 구비할 수 있다.
구체적으로, 일 실시예에 따라 심호흡 동안 측정된 심박수를 이용하는 경우, 심호흡(예를 들어 분당 6회의 호흡) 동안에 심박수 범위를 측정하고, 이를 기초로 E-I 차이는 각각의 6회 호흡 사이클에 대해 흡기 동안의 최대 심박수로부터 호기 동안의 최소 심박수를 빼서 산출하며, E:I 비율은 흡기 동안의 가장 짧은 R-R 간격(R-R intervals) 에 대한 호기 동안의 가장 긴 R-R 간격의 비율로 산출할 수 있다.
또한, 입력부(110)는 발살바법에 따라 산출된 발살바 비율을 입력받거나, 또는 발살사법에 따라 측정한 심박수 정보를 입력받아서 이로부터 발살바 비율을 산출할 수도 있다.
구체적으로, 환자는 발살바법에 따라 편안하게 기대어 있는 자세에서 압력계에 부착된 마우스피스를 통해 15초 동안 40mmHg의 압력을 유지하도록 불도록 요청된 상태에서 심박수 범위를 측정하며, 발살바 비율은 최대 R-R 간격을 최소 R-R 간격으로 나눈 값으로 산출할 수 있다.
일 실시예에 따르면, 심호흡시, 안정시 또는 발살바법에 따른 심박수의 측정은 환자의 신체에 착용 가능한 웨어러블 측정기기에 의해 수행될 수 있으며, 이를 위해 추가적으로 구비된 디스플레이부(140)를 통해 심호흡 또는 발살바 수기를 수행하도록 유도하는 컨텐츠를 제공하고 수행 자극 동안의 심박수를 측정할 수 있다. 이를 통해, 일상 생활에서도 심호흡 또는 안정시나, 발살바법에 따른 비자세 자극 시에 환자의 심박수를 측정하고 이를 기초로 보다 편리하게 기립성 저혈압 여부를 판단할 수 있다.
판단부(120)는 입력부(110)를 통해 입력받은 변수를 기초로 기계학습 알고리즘(121)에 따라 환자의 기립성 저혈압 여부를 판단하기 위한 것이다.
일 실시예에 따르면, 기계학습 알고리즘(121)은 환자의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율 중 적어도 하나를 입력받고 이를 기초로 기립성 저혈압 여부를 판단할 수 있다. 특히, 기계학습 알고리즘(121)이 입력받는 변수는 E-I 차이, E:I 비율 및 발살바 비율을 포함하는 것이 바람직하다.
이를 위해, 기계학습 알고리즘(121)은 기 구축된 학습데이터 DB(130)에 저장된 학습데이터를 이용하여 사전에 학습을 수행할 수 있다. 예를 들어, 기계학습 알고리즘(121)은 학습데이터 DB(130)에 저장되어 있는 학습데이터, 즉 HUT에 의해 OH로 진단된 환자 및 비-OH 환자 군의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율 데이터를 이용하여 기립성 저혈압 여부를 판단하도록 학습을 수행할 수 있다.
일 실시예에 따르면, 기계학습 알고리즘(121)은 SVM(Support Vector Machine) 알고리즘, KNN(K-Nearest Neighbor) 알고리즘 및 Random forest 알고리즘 등의 기계학습 알고리즘을 사용할 수 있으나 반드시 이로 제한되는 것은 아니며, 통상의 기술자에게 알려진 다양한 학습 알고리즘 중에서 선택하여 사용할 수 있다.
표 1은 기계학습 알고리즘에서 사용한 알고리즘의 종류에 따른 성능을 나타내는 것으로, 구체적으로 환자의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율을 포함하는 5가지 입력 변수를 이용하여 SVM 알고리즘, KNN 알고리즘 및 Random forest 알고리즘을 각각 적용한 경우의 분류 정확도를 나타낸다.
Algorithms precision Recall Accuracy
SVX 0.83 0.88 0.84
KNN 0.83 0.88 0.84
Random forest 0.94 0.88 0.91
표 1로부터 Random forest 알고리즘을 적용한 경우의 정확도가 가장 높은 것을 알 수 있다.
상술한 바와 같이 학습을 수행한 기계학습 알고리즘(121)을 이용하면, 입력부(110)를 통해 실시간으로 입력되는 변수를 기초로 일상 생활에서도 적시에 정확하게 기립성 저혈압 여부를 판단할 수 있게 된다.
도 2는 본 발명의 다른 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템의 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템(200)은 웨어러블 측정기기(210), 프로세싱 장치(220), 판단부(230) 및 학습데이터 DB(240)를 포함하여 구성될 수 있으며, 디스플레이 기기(250)를 더 포함할 수 있다.
웨어러블 측정기기(210)는 환자의 신체에 착용되어 환자의 심박수를 측정할 수 있다.
프로세싱 장치(220)는 웨어러블 측정기기(210)에 의해 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하고, 발살바법에 따라 웨어러블 측정기기(210)에 의해 측정된 심박수로부터 발살바 비율을 산출할 수 있다.
판단부(230)는 프로세싱 장치(220)에 의해 산출된 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기 학습된 기계학습 알고리즘(231)에 따라 환자의 기립성 저혈압 여부를 판단할 수 있다.
디스플레이 기기(250)는 심호흡 또는 발살바 수기를 수행하도록 유도하는 컨텐츠를 제공할 수 있다.
도 2에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템(200)의 각 구성요소의 구체적인 기능은 도 1을 참조하여 상술한 바와 동일하므로 이에 대한 중복적인 설명은 생략한다.
도 3은 본 발명의 또 다른 실시예에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법의 흐름도이다.
도 3을 참조하면, 우선 환자의 나이 및 혈압 정보를 획득하고(S31), 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하고(S32), 발살바법에 따라 발살바 비율을 산출할 수 있다(S33). 여기서, 환자의 심박수는 심호흡 동안 측정되거나, 안정시 누운 자세에서 측정되거나, 또는 안정시 기립 자세에서 측정된 것일 수 있다.
도 3에서는 S31 내지 S33 단계의 순서로 순차적으로 수행되는 것으로 도시되어 있으나, 이는 일 예에 불과한 것으로 순서가 반드시 이로 제한되는 것은 아니며, 환자의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율 정보를 획득하면 족하다.
이후, S31 내지 S33 단계에서 획득한 정보, 즉 환자의 나이, 혈압, E-I 차이, E:I 비율 및 발살바 비율을 기초로 기계학습 알고리즘에 따라 기립성 저혈압 여부를 판단할 수 있다(S34).
도 3에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법의 각 단계를 실행하기 위한 구체적인 방법은 도 1을 참조하여 상술한 바와 동일하므로 이에 대한 중복적인 설명은 생략한다.
또한, 도 3에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법은 기계학습 알고리즘의 실행이 가능한 프로세싱 장치에 의해 수행될 수 있다.
본 발명의 일 실시예에 따르면, 도 3에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법의 각 단계를 실행하기 위한 프로세서에 의해 실행 가능한 명령들이 기록된 컴퓨터 판독 가능한 저장매체가 제공될 수 있다.
본 발명의 다른 실시예에 따르면, 도 3에 도시된 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법을 소프트웨어의 형태로 구현하고, 해당 소프트웨어를 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기에 탑재할 수 있다. 이로써, 웨어러블 측정기기에 의해 일상 생활에서 환자의 심박수를 측정하고 이를 기초로 기립성 저혈압 여부까지 판단할 수 있는 OH 스크리닝 도구로 활용할 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.

Claims (8)

  1. 환자의 나이, 혈압, 심박수로부터 산출된 E-I 차이 및 E:I 비율, 및 발살바법에 따라 산출된 발살바 비율 중 적어도 하나를 포함하는 변수를 입력받는 입력부; 및
    상기 입력부를 통해 입력받은 변수를 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템.
  2. 제 1 항에 있어서,
    상기 심박수는 환자의 심호흡 동안 측정되거나, 안정시 누운 자세에서 측정되거나, 또는 안정시 기립 자세에서 측정된 것을 특징으로 하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템.
  3. 제 1 항에 있어서,
    심호흡 또는 발살바 수기를 수행하도록 유도하는 컨텐츠를 제공하는 디스플레이부를 더 포함하는 것을 특징으로 하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템.
  4. 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기;
    상기 웨어러블 측정기기에 의해 측정된 심박수로부터 E-I 차이 및 E:I 비율을 산출하고, 발살바법에 따라 상기 웨어러블 측정기기에 의해 측정된 심박수로부터 발살바 비율을 산출하는 프로세싱 장치; 및
    상기 프로세싱 장치에 의해 산출된 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기 학습된 기계학습 알고리즘에 따라 환자의 기립성 저혈압 여부를 판단하는 판단부를 포함하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템.
  5. 제 4 항에 있어서,
    심호흡 또는 발살바 수기를 수행하도록 유도하는 컨텐츠를 제공하는 디스플레이 기기를 더 포함하는 것을 특징으로 하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템.
  6. 환자의 심박수로부터 E-I 차이 및 E:I 비율을 산출하는 단계;
    발살바법에 따라 발살바 비율을 산출하는 단계; 및
    상기 E-I 차이, E:I 비율 및 발살바 비율을 기초로 기계학습 알고리즘에 따라 기립성 저혈압 여부를 판단하는 단계를 포함하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법.
  7. 제 6 항에 있어서,
    환자의 나이 및 혈압 정보를 획득하는 단계를 더 포함하며,
    상기 기립성 저혈압 여부를 판단하는 단계는 상기 환자의 나이 및 혈압 정보를 추가로 고려하여 기립성 저혈압 여부를 판단하는 것을 특징으로 하는 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법.
  8. 환자의 신체에 착용되어 환자의 심박수를 측정하는 웨어러블 측정기기에 있어서,
    제 6 항에 따른 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 방법을 구현한 소프트웨어가 탑재되며, 측정된 심박수를 기초로 상기 소프트웨어에 의해 상기 환자의 기립성 저혈압 여부를 판단하는 것을 특징으로 하는 웨어러블 측정기기.
PCT/KR2020/010442 2019-08-07 2020-08-06 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기 WO2021025507A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202080056181.3A CN114206209A (zh) 2019-08-07 2020-08-06 使用基于心率的机器学习算法的直立性低血压检测系统和方法及可穿戴测量设备
US17/632,707 US20220280046A1 (en) 2019-08-07 2020-08-06 System and method for screening orthostatic hypotension by using heart rate-based machine learning algorithm, and wearable measurement device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2019-0096268 2019-08-07
KR1020190096268A KR102290274B1 (ko) 2019-08-07 2019-08-07 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기

Publications (1)

Publication Number Publication Date
WO2021025507A1 true WO2021025507A1 (ko) 2021-02-11

Family

ID=74502760

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/010442 WO2021025507A1 (ko) 2019-08-07 2020-08-06 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기

Country Status (4)

Country Link
US (1) US20220280046A1 (ko)
KR (1) KR102290274B1 (ko)
CN (1) CN114206209A (ko)
WO (1) WO2021025507A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117275737B (zh) * 2023-11-22 2024-02-23 首都医科大学宣武医院 一种直立性低血压智能诊疗方法、设备及可存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160107007A (ko) * 2015-03-03 2016-09-13 삼성전자주식회사 혈압 측정 장치 및 방법
KR20170067131A (ko) * 2015-12-07 2017-06-15 삼성전자주식회사 혈압 측정 장치 및 이를 이용한 혈압 측정 방법
US20170209053A1 (en) * 2016-01-25 2017-07-27 Fitbit, Inc. Calibration of pulse-transit-time to blood pressure model using multiple physiological sensors and various methods for blood pressure variation
KR20190056858A (ko) * 2017-11-17 2019-05-27 가천대학교 산학협력단 딥러닝 기반의 혈압 예측 시스템 및 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140171795A1 (en) * 2012-09-04 2014-06-19 Cardiox Corporation Method, apparatus and system for the performance of valsalva maneuvers
CN104127194B (zh) * 2014-07-14 2016-05-04 华南理工大学 一种基于心率变异性分析方法的抑郁症的评估系统
US11213212B2 (en) * 2015-12-07 2022-01-04 Samsung Electronics Co., Ltd. Apparatus for measuring blood pressure, and method for measuring blood pressure by using same
WO2017099749A1 (en) * 2015-12-09 2017-06-15 Ansar Group, Inc. Method and system of measurement, correlation, and analysis of simultaneous and independent parasympathetic and sympathetic autonomic nervous system activity
US10835129B2 (en) * 2016-09-06 2020-11-17 Cardiac Pacemakers, Inc. System to diagnose and manage orthostatic intolerance
US10849568B2 (en) * 2017-05-15 2020-12-01 Cardiac Pacemakers, Inc. Systems and methods for syncope detection and classification

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160107007A (ko) * 2015-03-03 2016-09-13 삼성전자주식회사 혈압 측정 장치 및 방법
KR20170067131A (ko) * 2015-12-07 2017-06-15 삼성전자주식회사 혈압 측정 장치 및 이를 이용한 혈압 측정 방법
US20170209053A1 (en) * 2016-01-25 2017-07-27 Fitbit, Inc. Calibration of pulse-transit-time to blood pressure model using multiple physiological sensors and various methods for blood pressure variation
KR20190056858A (ko) * 2017-11-17 2019-05-27 가천대학교 산학협력단 딥러닝 기반의 혈압 예측 시스템 및 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LEE, TAE-KYEONG ET AL.: "Tests for dysautonomia in dizziness", RES VESTIBUL SCI, vol. 9.2, 1 December 2010 (2010-12-01), pages S104 - S109 *

Also Published As

Publication number Publication date
CN114206209A (zh) 2022-03-18
KR102290274B1 (ko) 2021-08-20
US20220280046A1 (en) 2022-09-08
KR20210017270A (ko) 2021-02-17

Similar Documents

Publication Publication Date Title
WO2016144077A1 (ko) 생체 신호 측정 및 측정된 생체 신호에 기초한 실시간 혈압 추정 모니터링 기능을 구비한 모바일 단말기
WO2016195413A1 (ko) 생체 신호 측정을 위해 구비된 복수의 전극을 터치 센서로 활용하는 생체 신호 측정 장치
US20160256086A1 (en) Non-Invasive, Bioelectric Lifestyle Management Device
WO2016195347A1 (ko) 상대물에 따라 동작을 달리하는 생체 신호 측정 장치
WO2016186472A1 (ko) 생체신호 측정 수단을 포함하는 이어폰 및 이러한 이어폰을 포함하는 생체신호 모니터링 시스템
WO2015047015A1 (ko) 혈압을 실시간으로 모니터링하기 위한 시스템
ES2259662T3 (es) Silla y aparato auxiliar con medios de diagnosstico medico en un sistema de control de salud a distancia.
US20080154098A1 (en) Apparatus for monitoring physiological, activity, and environmental data
EP3295867B1 (en) A phone for use in health monitoring
WO2011031062A2 (ko) 손 거치대가 구비된 생체정보 측정장치
JP2022532752A (ja) 小型３リードモバイル心臓監視装置
WO2014084441A1 (ko) 가속도 센서를 이용한 환자분석 장치 및 방법
WO2017135492A1 (ko) 무구속 생체정보 기반의 산만도 추정 시스템
WO2014149781A1 (en) Cloud-based physiological monitoring system
WO2021025507A1 (ko) 심박수 기반의 기계학습 알고리즘을 이용한 기립성 저혈압 선별 시스템 및 방법, 및 웨어러블 측정기기
WO2011031061A2 (ko) 생체정보 측정장치
Wu et al. A wearable wireless medical sensor network system towards internet-of-patients
WO2017171228A1 (ko) 스마트 체중계를 이용한 부정맥을 포함한 생체신호 측정 시스템
WO2022211855A1 (en) Platform, system, device, and method for remote clinical communication
US11478343B2 (en) Apparatus configured to be attachable and detachable to and from oral cavity
WO2020209401A1 (ko) 안구촬영장치
CN109559833A (zh) 一种远程诊疗系统和方法
KR20220063705A (ko) 휴대용 의료 진단 장치 및 이를 이용한 질병 진단 방법
Minckley et al. Myocardial infarct stress-of-transfer inventory: development of a research tool
WO2016144094A1 (ko) 다중 생체 신호를 측정하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

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: 20849742

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20849742

Country of ref document: EP

Kind code of ref document: A1