WO2023101119A1 - 생체값의 예측 방법 - Google Patents

생체값의 예측 방법 Download PDF

Info

Publication number
WO2023101119A1
WO2023101119A1 PCT/KR2022/007876 KR2022007876W WO2023101119A1 WO 2023101119 A1 WO2023101119 A1 WO 2023101119A1 KR 2022007876 W KR2022007876 W KR 2022007876W WO 2023101119 A1 WO2023101119 A1 WO 2023101119A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
biometric
biometric information
user
prediction
Prior art date
Application number
PCT/KR2022/007876
Other languages
English (en)
French (fr)
Inventor
이다빛
강영재
남학현
Original Assignee
주식회사 아이센스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 아이센스 filed Critical 주식회사 아이센스
Priority to AU2022401221A priority Critical patent/AU2022401221A1/en
Publication of WO2023101119A1 publication Critical patent/WO2023101119A1/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
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/15—Devices for taking samples of blood
    • A61B5/155—Devices specially adapted for continuous or multiple sampling, e.g. at predetermined intervals
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present invention relates to a method for predicting a biometric value in a blood glucose measurement system, and more specifically, a predictive model is generated through a communication terminal having a small amount of memory and computation, such as a smartphone, which is always carried by a user to manage the biometric value. It is possible to predict the user's future biometric value by applying the user's biometric information to the generated predictive model, and by generating a personalized prediction model based on the user's biometric history information, it does not require the biometric information of other nearby users.
  • a biometric value prediction method capable of predicting a user's future biometric value without access to a server.
  • Diabetes is a chronic disease that occurs frequently in modern people, and reaches more than 2 million people, which accounts for 5% of the total population in Korea.
  • Diabetes is an absolute or relatively insufficient amount of insulin produced by the pancreas due to various causes such as obesity, stress, wrong eating habits, and innate genetics. get sick and get sick
  • Blood usually contains a certain concentration of glucose, and tissue cells obtain energy from it.
  • Diabetes is characterized by almost no subjective symptoms in the early stages, but as the disease progresses, the symptoms characteristic of diabetes such as next, large meals, polyuria, weight loss, general malaise, itching of the skin, and prolonged wounds on the hands and feet do not heal. As the disease progresses further, complications such as vision impairment, high blood pressure, kidney disease, stroke, periodontal disease, muscle spasms and neuralgia, and gangrene appear.
  • a finger prick method is used to manage blood sugar in diabetic patients.
  • This blood glucose meter is helpful in managing blood sugar in diabetic patients.
  • problems that are difficult to pinpoint the blood sampling type blood glucose meter needs to collect blood every time to measure blood sugar at any time throughout the day, and thus, a diabetic patient has a problem in that the burden of blood collection is great.
  • a diabetic patient usually alternates between hyperglycemic and hypoglycemic states, and emergencies occur in hypoglycemic states.
  • a hypoglycemic state occurs when sugar levels do not last for a long time and can lead to loss of consciousness or, in the worst case, death. Therefore, immediate detection of hypoglycemic conditions is very important for diabetic patients.
  • blood sampling type blood glucose meters that intermittently measure blood sugar have obvious limitations.
  • CGMS Continuous Glucose Monitoring System
  • the continuous blood glucose measurement system includes a body attached unit inserted into a human body to measure blood sugar using a body fluid such as blood of a user, and a communication terminal configured to communicate with the body attached unit and display a blood glucose level measured by the body attached unit.
  • the body attachment unit is partly inserted into the body for a certain period of time, for example, within 3 months (7 weeks, 15 days, 1 month, etc.) and generates a biosignal representing the user's blood sugar level from body fluid. It consists of a transmitter that transmits the received biosignal to the communication terminal in real time or periodically or upon request from the communication terminal.
  • the body attachable unit generates a biosignal and transmits it to a communication terminal.
  • a blood sugar management application is installed in the communication terminal to receive the biosignal from the body attachable unit, preprocessing such as removing noise from the received biosignal, and performing a biosignal of the received current value. It is output so that the user can check it through procedures such as unit calibration with blood glucose values and calibration using reference blood sugar values.
  • the continuous blood glucose measurement system not only measures the user's vital signs in real time and outputs the user's blood sugar value, but also based on the user's blood sugar value history, user's activity history, meal history, and medication administration history such as insulin, etc. of future blood glucose values can be predicted.
  • the prediction of the user's future blood glucose value can be performed in various ways. Representatively, a predictive model is generated based on the user's blood glucose value history and other nearby users' blood sugar value histories, and the user's current blood sugar value is based on the generated predictive model. It is possible to predict the user's future blood glucose value by applying .
  • the technology for predicting the user's future blood glucose level has an effect of predicting in advance the possibility that the user may fall into hypoglycemia or hyperglycemia, and thus being able to deal with the user before reaching an actual hypoglycemia or hyperglycemia situation.
  • the predictive model used for predicting future blood glucose values is created using a large amount of blood sugar history information, meal history information, activity history, etc. It requires a very large memory space for the prediction model and requires a large amount of computation to predict the future blood glucose value by applying the user's biosignal to the predictive model.
  • the creation and modification of the predictive model and the prediction of the future blood glucose value using the predictive model must be performed mainly through a separate server, and the communication terminal must always communicate with the server to predict the future blood glucose value.
  • the present invention is intended to solve the above-mentioned problems of the conventional methods for predicting future blood glucose values, and an object of the present invention is to use a small memory and memory through a communication terminal such as a smart phone that a user always carries in order to manage blood sugar levels.
  • An object of the present invention is to provide a method for predicting a biometric value capable of predicting a user's future blood glucose level with an amount of computation.
  • Another object of the present invention is to provide a method for generating a personalized predictive model for a user based on biometric history information of the user and predicting a future biometric value of the user without access to a server.
  • Another object to be achieved by the present invention is to calculate the prediction error from the user's predicted biometric value and the actual biometric value, determine the expression characteristics of the prediction error, and relearn or regenerate the predictive model according to the expression characteristics of the prediction error to improve the user's performance.
  • An object of the present invention is to provide a method for predicting a biometric value capable of accurately predicting a future biometric value.
  • Another object to be achieved by the present invention is a predictive model personalized to a user using a first feature value extracted from preprocessed biometric information and a second feature value extracted from biometric information obtained by time-correction and unit correction of the preprocessed biometric information. It is to provide a way to accurately predict the biometric value of the user through the generated prediction model.
  • a method for predicting a user's biometric value using biometric information measured from a sensor of a body attachment unit includes the steps of extracting a first characteristic value from the measured user's biometric information; Correcting the biometric information of and extracting a second feature value from the corrected biometric information, generating a feature vector value by reducing and combining the first feature value and the second feature value, and predicting the generated feature vector value It is characterized in that it includes the step of predicting the biometric value of the user by applying the model.
  • the senor is characterized in that it is a sensor that is partially inserted into the user's body for a certain period of time and measures the user's biometric information.
  • the method for predicting biometric information according to the present invention further includes the step of preprocessing the measured biometric information by removing noise from the measured biometric information, and the first feature value and the second feature value are obtained from the preprocessed biometric information. characterized in that it is extracted.
  • the first feature value is directly extracted from the preprocessed biometric information
  • the second feature value is extracted from the corrected biometric information generated by correcting the time delay and unit discrepancy of the preprocessed biometric information.
  • the unit mismatch is corrected based on the preprocessed biometric information or the reference biometric value.
  • the unit mismatch is characterized in that the preprocessed biometric information is corrected by assigning a weight when ascending or descending.
  • unit mismatch is characterized in that it is corrected by a weight assigned according to a difference between a biometric value determined from measured biometric information and a reference biometric value.
  • the biometric value prediction method comprises the steps of calculating a prediction error from the difference between the predicted biometric value at a first prediction time point and the biometric value actually measured at the first prediction time point, and a predictive model based on the prediction error. It is characterized in that it further comprises the step of determining whether to re-learn.
  • the prediction error when the prediction error is greater than a threshold value or a threshold ratio, it is characterized in that it is determined to relearn the prediction model.
  • prediction is made using a subsequent data set generated from user's biometric information measured up to the current point in addition to the previous data set used to generate the predictive model. It is characterized by retraining the model.
  • the biometric value prediction method according to the present invention is characterized in that it further comprises a step of determining whether to regenerate the prediction model based on the expression characteristics of the prediction error during unit time.
  • the expression characteristic is characterized in that at least one of the number of times the prediction error continuously exceeds the threshold value or the threshold rate during unit time and the total number of times the prediction error exceeds the threshold value or the threshold rate during the unit time.
  • the biometric value prediction method according to the present invention has the following effects.
  • the biometric value prediction method generates a predictive model through a communication terminal with a small amount of memory and computation, such as a smartphone that the user always carries to manage the biometric value, and uses the generated predictive model to generate the user's biometric value.
  • the user's future biometric value can be predicted by applying the information.
  • the biometric value prediction method generates a prediction model personalized for the user based on the user's biometric history information, so that the biometric information of other nearby users is not required and the user's future biometric value is not accessed to a server. can predict
  • the biometric value prediction method calculates the prediction error from the user's predicted biometric value and the actual biometric value, determines the expression characteristics of the prediction error, and relearns or regenerates the prediction model according to the expression characteristics of the prediction error. By doing so, it is possible to accurately predict the user's future biometric value.
  • the biometric value prediction method uses a first feature value extracted from preprocessed biometric information and a second feature value extracted from corrected biometric information obtained by time-correction and unit correction of the preprocessed biometric information to provide information to the user.
  • a personalized predictive model By generating a personalized predictive model, it is possible to accurately predict the biometric value of the user through the generated predictive model.
  • FIG. 1 is a schematic diagram showing a blood glucose measurement system according to an embodiment of the present invention.
  • FIG. 2 is a functional block diagram for explaining the biometric value prediction device according to the present invention.
  • FIG. 3 is a functional block diagram for explaining an example of a feature value generation unit according to the present invention.
  • FIG. 4 is a functional block diagram for explaining an example of a learning unit according to the present invention.
  • FIG. 5 is a flowchart for explaining a biometric value prediction method according to the present invention.
  • FIG. 6 is a flowchart for explaining an example of a step of re-learning a predictive model in the present invention.
  • FIG. 7 is a flowchart for explaining an example of a step of regenerating a predictive model in the present invention.
  • FIG. 8 is a diagram for explaining an example of time delay correction.
  • FIG. 9 is a diagram for explaining an example of a unit mismatch correction method.
  • 10 is a diagram for explaining another example of a method for correcting unit mismatch.
  • 11 and 12 are diagrams for explaining an example of determining whether to relearn a predictive model.
  • FIG. 13 is a diagram for explaining an example of regenerating a predictive model.
  • a continuous blood glucose measurement system that continuously measures biometric information indicating blood glucose value through a body attachment unit attached to the user's body for a certain period of time and transmits the measured biometric information to a communication terminal.
  • the body attachable unit may measure various types of biometric information and transmit the measured biometric information to the communication terminal, which falls within the scope of the present invention.
  • FIG. 1 is a schematic diagram showing a blood glucose measurement system according to an embodiment of the present invention.
  • a blood glucose measurement system 1 includes a body attachment unit 10 and a communication terminal 30 .
  • the body attachment unit 10 is attached to the body.
  • one end of the sensor of the body attachment unit 10 is inserted into the skin to measure the user's blood sugar using bodily fluids during the use period of the sensor.
  • the displayed biometric information is continuously measured.
  • the communication terminal 30 is a terminal capable of receiving biometric information from the body attachment unit 10 and displaying the received biometric information to a user, for example, a smartphone, a tablet PC, or a laptop computer.
  • a mobile terminal capable of communicating with may be used.
  • the communication terminal 13 is not limited thereto, and may be any type of terminal as long as it has a communication function and can install programs or applications.
  • the body attachment unit 10 transmits the measured biometric information to the communication terminal 30 at the request of the communication terminal 30 or at each set time, data communication between the body attachment unit 10 and the communication terminal 30
  • the body attachable unit 10 and the communication terminal 30 may be connected to each other through a wired communication method such as a USB cable or the like, or through a wireless communication method such as infrared communication, NFC communication, or Bluetooth.
  • the communication terminal 30 predicts the user's future biometric value based on the received biometric information and provides the predicted biometric value to the user.
  • the communication terminal 30 may provide a high blood sugar or low blood sugar alarm to the user based on the predicted biological value or provide a necessary prescription to the user together with the low blood sugar or low blood sugar alarm.
  • the communication terminal 30 may store the received biometric information for a certain period of time, and the communication terminal 30 may generate a predictive model using the stored biometric information.
  • the communication terminal 30 monitors and compares the predicted biometric value for a certain time in the future with the actual biometric value actually measured after a certain period of time, and based on the prediction error between the predicted biometric value and the actual biometric value or the prediction error. Predictive models created based on expression features can be retrained or recreated.
  • FIG. 2 is a functional block diagram for explaining the biometric value prediction device according to the present invention.
  • the biometric value prediction device can be implemented in a communication terminal. Looking more specifically with reference to FIG. Stores the received biometric information.
  • the storage unit 130 may store the received biometric information by mapping it to the reception time.
  • the biometric value determiner 180 determines the user's biometric value from the received biometric information, outputs the determined biometric value to the user, or maps the received biometric value to the storage unit 130 and stores it.
  • biometric information can be measured through a sensor inserted into the user's body for a certain period of time.
  • biometric information it may be biometric information representing the user's blood sugar information, and the biometric value is blood sugar determined from the biometric information. can be a value
  • the biometric value determined from the biometric information may be stored in the storage unit 130 together with the biometric information received from the body attachable unit. Creates a feature value vector used for
  • the prediction unit 170 uses the prediction model stored in the storage unit 130 to determine the predicted biometric value after a certain time based on the current point in time.
  • the prediction unit 170 converts the generated feature value vector to the prediction model. It is applied to determine the predicted biometric value.
  • the predicted biometric value is a predicted biometric value that the user will have after a certain period of time has elapsed from the current point in time.
  • the biometric value of the user is predicted in advance after a certain period of time has elapsed using the predicted biometric value, and the user is alarmed based on the predicted biometric value. or provide necessary prescriptions.
  • a low blood sugar alarm may be provided to the user or a prescription to eat food may be provided.
  • the storage unit 130 stores the predicted biological value determined by the prediction unit 170 and the actual biological value determined by the biological value determining unit 180.
  • the learning unit 190 stores the actual biological value determined after a certain period of time and The user's predicted biometric values predicted before time are monitored and compared with each other.
  • the learning unit 190 relearns the prediction model stored in the storage unit 130 based on the size or ratio of the prediction error between the predicted biometric value and the actual biometric value, or uses the predictive model based on the expression characteristics of the prediction error.
  • a new predictive model may be regenerated by learning again from the beginning, and the predictive model stored in the storage unit 130 may be updated with the generated new predictive model.
  • FIG. 3 is a functional block diagram for explaining an example of a feature value generation unit according to the present invention.
  • the pre-processing unit 151 removes or reduces noise from the biometric information received through the transceiver.
  • Biometric information measured through the body attachment unit or received from the body attachment unit may include noise.
  • the sensor since a sensor of the body attachment unit is partially inserted into the human body, the sensor may move whenever the person moves, and as the sensor moves, biometric information data measured by the body attachment unit may include noise.
  • biometric information when transmitted from the body-attached unit to the communication terminal, it may be affected by ambient electromagnetic waves, and as a result, noise may be included in biometric information received from the communication terminal.
  • the pre-processor 151 performs outlier processing and filtering on the received biometric information or performs low-pass filtering on the biometric information for which outlier processing has been completed.
  • the first feature value extractor 153 extracts a first feature value from the preprocessed biometric information
  • the second feature value extractor 157 extracts a second feature value from the calibrated biometric information corrected by the corrector 155. do.
  • the preprocessed biometric information received from the body attachment unit is current value information that varies differently according to the user's biometric value
  • the calibrated biometric information is the biometric information preprocessed by the calibration unit 155 that is time-delay corrected or unit discrepancy corrected. means information.
  • the calibration unit 155 calibrates the preprocessed biometric information and provides the calibrated biometric information to the second feature value extraction unit 157.
  • the calibration unit corrects the time delay of the preprocessed biometric information or the biometric information of current value. is calibrated in units of biometric values, for example, units of blood glucose values.
  • the feature vector value generation unit 159 generates a feature vector value by simply combining the first feature value and the second feature value or by reducing and combining the first feature value and the second feature value in a resource reduction method.
  • FIG. 4 is a functional block diagram for explaining an example of a learning unit according to the present invention.
  • the prediction error calculation unit 191 monitors the actual biometric value determined after a certain period of time and the predicted biometric value of the user predicted in advance before a certain amount of time, and compares them with the actual biometric value and predicted biometric value. Calculate the prediction error between biological values. For example, a predicted biometric value after time t has elapsed based on the current point in time is determined from the feature vector value, and a prediction error between actual biometric values determined using biometric information after actual time t has elapsed is calculated.
  • the prediction error feature determiner 195 is configured to display prediction errors such as the number of times the prediction error exceeds a threshold value or threshold ratio during unit time or the number of times the prediction error consecutively exceeds the threshold value or threshold ratio during unit time. judge the characteristics
  • the condition determination unit 193 determines the re-learning condition based on whether the prediction error exceeds a set threshold or whether the prediction error ratio to the actual biological value or the predicted biometric value exceeds a set threshold ratio, or the occurrence of prediction errors. Based on the feature, it is determined whether the regeneration condition of the predictive model is satisfied.
  • the re-learning unit 197 re-learns the predictive model stored in the storage unit when the re-learning condition is satisfied, and updates the predictive model with the re-learned predictive model.
  • a predictive model stored in the storage unit is newly generated and the predictive model is updated with the newly generated predictive model.
  • FIG. 5 is a flowchart for explaining a biometric value prediction method according to the present invention.
  • the user's biometric information is received (S110).
  • the user's biometric information may be received from a body attachment unit that is attached to the user's body for a certain period of time and continuously measures the user's biometric information.
  • the communication terminal pre-processes the received biometric information (S130). Looking at the pre-processing process in more detail, data out of a predetermined range is found among received biometric information for singular value processing and filtering, and the corresponding biometric information is processed. At this time, if it is determined that the biometric information has a singular value, the corresponding biometric information may be removed and processed. However, it is not limited thereto, and biometric information having a singular value may be corrected and used if necessary. Low-pass filtering may be performed on the biometric information processed with the singular value. The low-band filtering may remove components corresponding to the high-band and leave only biometric information corresponding to the low-band.
  • An average value for the low-pass filtered biometric information may be calculated and processed using the low-pass filtered biometric information, and a cut average value may be used. Pretreatment can be performed in various ways depending on the field to which the present invention is applied, which falls within the scope of the present invention.
  • a first feature value is extracted from the preprocessed biometric information (S140).
  • the pre-processed biometric information may be a user's biometric value measured by the body attachment unit, for example, a current value indicating a blood sugar level.
  • the first feature value is a feature value such as difference, slope, deviation, average, rms value, sharpness, etc. of biometric information extracted from statistical techniques, or a feature extracted by frequency domain analysis of biometric information such as Fourier transform or wavelet transform. is the value
  • calibrated biometric information is generated by correcting the preprocessed biometric information (S150), and a second characteristic value is extracted from the calibrated biometric information (S150).
  • a second characteristic value is extracted from the calibrated biometric information (S150).
  • time delay or unit mismatch included in the preprocessed biometric information may be corrected.
  • a time delay occurs between the time when the user's biometric information is actually measured by the body attachment unit and the time point when the user's biometric information is received by the communication terminal. It may occur according to the physical structure until it is measured and generated, or it may occur due to the computation time required to generate biometric information.
  • the preprocessed biometric information is current value information representing the user's biometric value, and since the biometric value is not self-contained, the unit discrepancy must be corrected from the current value to the actual user's biometric value.
  • Unit discrepancy can be corrected using a reference biometric value measured through a blood sampling type biometric value measuring device using a separate sensor strip (blood test strip) and collected blood. For example, if the current value of the biometric information is 10nA and the reference biometric value measured at this time is 100mg/dL, the calibration slope (A) is set to 10, and then the current value of the biometric information is multiplied by the slope to determine the user's biometric value. .
  • the unit mismatch when calibrating the unit mismatch, can be corrected by assigning a weight according to whether the biometric value is increasing or decreasing or how much the difference is between the measured biometric value and the reference biometric value. .
  • a second feature value is extracted using the calibrated biometric information (S160).
  • the second feature value is a feature value such as difference, slope, deviation, average, rms value, sharpness, etc. of calibrated biometric information extracted from a statistical technique, or extracted by frequency domain analysis of calibrated biometric information such as Fourier transform or wavelet transform is a feature value.
  • a feature vector value is generated from the first feature value and the second feature value by simple combining or resource reduction of the first feature value and the second feature value (S170).
  • the generated feature vector value is applied to the predictive model to generate a predicted biometric value after a certain time (S190).
  • the predictive model is used to generate predicted biological values after a certain time by using feature vector values. For example, the number of components constituting the feature vector value (x) generated at regular intervals is 10, and each feature vector value If the label y for is the predicted biological value after a certain time, the input (x) and label (y) of each feature vector value are expressed as in Equation (1) below.
  • the feature vector value generated from feature value 1 and feature value 2 into the predictive model the predicted biological value y' after a certain time is output.
  • the predictive model uses the user's feature vector as training data, and machine learning such as SVM (Support Vector Machine) and GMM (Gaussian Mixture Model), deep learning such as CNN (Convolution Neutal Network) and RNN (Recurrent Neural Network) , reinforcement learning such as model-free RL and model-based RL, and deep reinforcement learning such as DQN (Deep Q Network).
  • machine learning such as SVM (Support Vector Machine) and GMM (Gaussian Mixture Model)
  • deep learning such as CNN (Convolution Neutal Network) and RNN (Recurrent Neural Network)
  • reinforcement learning such as model-free RL and model-based RL
  • DQN Deep reinforcement learning
  • the first feature value and the second feature value have very many features. If a predictive model is to be generated with such data, the learning rate is slow and the performance is likely to be poor because the dimension of the data is large. To this end, a predictive model may be generated by simply combining the first feature value and the second feature value, or by selecting or reducing a feature among them. Projection and manifold learning, which are methods of reducing the dimension of data, ) and principal component analysis (PCA), which is a representative dimensionality reduction algorithm, or feature selection algorithms such as Lasso, etc., may be used. Various well-known techniques may be used to generate feature vector values from the first feature value and the second feature value, and a detailed description thereof will be omitted.
  • PCA principal component analysis
  • the present invention by generating a predictive model using both the first feature value and the second feature value generated from the user's biometric information, it is possible to accurately predict the user's biometric value personalized to the user without using the data of other nearby users. It is possible to generate a predictive model with the first feature value and the second feature value, and apply the feature vector value generated from the first feature value and the second feature value to the predictive model to have an effect of accurately predicting the biometric value of the user.
  • FIG. 6 is a flowchart for explaining an example of a step of re-learning a predictive model in the present invention.
  • the prediction error is obtained from the difference between the predicted biometric value at the first prediction time point generated using the feature vector value and the actual biometric value measured using the actual biometric value at the first predicted time point. Calculate (S211).
  • the re-learning requirement is determined to be satisfied when the prediction error exceeds the threshold value or the threshold ratio, or the prediction error exceeds the threshold value or the threshold ratio and the average value of the prediction errors for a first predetermined time is the threshold average value. It may be determined that it is satisfied, or it may be determined that it is satisfied when the prediction error exceeds the threshold value or the threshold ratio and the prediction error continuously exceeds the threshold value or the threshold ratio for a second time thereafter.
  • the predictive model is re-learned and the previously used predictive model is updated with the re-learned predictive model (S217).
  • the re-learning of the predictive model is characterized by using a later data set generated from the user's biometric information measured up to the current point in time in addition to the previous data set used to generate the predictive model stored in the storage unit.
  • the data set is characterized in that it is a feature vector value generated from the first feature value and the second feature value.
  • FIG. 7 is a flowchart for explaining an example of a step of regenerating a predictive model in the present invention.
  • the expression characteristics of the prediction error are determined (S231).
  • the expression characteristics of the prediction error are the average value of the prediction error during unit time, the number of times that the prediction error exceeds the threshold value or threshold rate during unit time, the number of consecutive times that the prediction error exceeds the threshold value or threshold rate during unit time, and the unit
  • the time-to-prediction error may be a threshold or a ratio of time exceeding a threshold ratio, and the like.
  • the regeneration condition of the predictive model is when the average value of prediction errors during unit time exceeds a first threshold average value, the number of prediction errors exceeding the threshold value or threshold ratio during unit time exceeds the first threshold number of times, or during unit time The number of times that the prediction error consecutively exceeds the threshold value or the threshold ratio exceeds the second threshold number of times, or the ratio of time in which the prediction error exceeds the threshold value or the threshold ratio with respect to unit time exceeds the first threshold ratio, or the like; It may be a combination of these.
  • the predictive model is regenerated using the training data, and the previously used predictive model is updated with the regenerated predictive model (S235).
  • the regeneration of the predictive model is characterized by using a later data set generated from the user's biometric information measured up to the current point in time in addition to the previous data set used to generate the predictive model stored in the storage unit.
  • the data set is characterized in that it is a feature vector value generated from the first feature value and the second feature value.
  • FIG. 8 is a diagram for explaining an example of time delay correction.
  • FIG. 9 is a diagram for explaining an example of a unit mismatch correction method.
  • the biometric information received from the body-attached unit in the continuous blood glucose measurement system is stored at predetermined time intervals (t 1 , t 2 , t 3 , t 4 %), for example, 12 Hourly, every 24 hours, unit discrepancies should be corrected using reference biometric values.
  • the unit discrepancy When calibrating the unit discrepancy, it is possible to correct it by assigning a weight considering whether the biometric information (indicated by a solid line) is rising or falling, and multiplying the assigned weight by the calibration slope (A).
  • weights when the biometric information is ascending, weights may be allocated in inverse proportion to the ascending speed, and when the biometric information is descending, weights may be allocated in proportion to the descending speed.
  • the weight when the biometric information is rising, the weight may be assigned a low value in inverse proportion to the rising speed (lower values such as 0.90, 0.80, 0.70, etc. as the rising speed increases), and when the biometric information is falling, the weight is It can be assigned a higher value proportional to the rate of descent (the higher the rate of descent, the higher the value is 1.10, 1.20, 1.30).
  • 10 is a diagram for explaining another example of a method for correcting unit mismatch.
  • the biometric information received from the body-attached unit in the continuous blood glucose measurement system is stored at predetermined time intervals (t 1 , t 2 , t 3 , t 4 %), for example, 12 Hourly, every 24 hours, unit discrepancies should be corrected using reference biometric values.
  • unit mismatch When unit mismatch is corrected, it may be corrected based on the difference between the reference biometric value and the measured biometric value (indicated by a solid line). Based on the difference between the reference biometric value and the measured biometric value, a weight is assigned to reduce the difference (for example, a weight is calculated and assigned so that the calibration slope has an average value of the reference biometric value and the measured biometric value), or A weight may be assigned to reduce the difference only when the difference between the measured biological values is out of a critical range.
  • 11 and 12 are diagrams for explaining an example of determining whether to relearn a predictive model.
  • the prediction error (d 1 ) between the predicted biometric value predicted at the first prediction time point (t 1 ) and the measured biometric value actually measured at the first predicted time point is the threshold value or threshold range.
  • the prediction error (d 2 ) between the predicted biometric value predicted at the second prediction time point (t 2 ) and the measured biometric value actually measured at the second prediction time point (t 2 ) is out of the threshold value or threshold range, the first predicted time point
  • the predictive model may be re-learned at the time point and the second prediction time point, respectively.
  • FIG. 13 is a diagram for explaining an example of regenerating a predictive model.
  • the total number of prediction errors between the predicted biometric value predicted for a certain unit time (t D ) and the measured biometric value actually measured at the corresponding time exceeds the threshold value or threshold range is the threshold number of times.
  • the prediction error between the predicted biometric value predicted for a certain unit time (t D ) and the measured biometric value actually measured at the corresponding time exceeds the threshold value or the number of consecutive deviations from the threshold range, or When all of these combinations are satisfied, the predictive model may be regenerated.
  • the above-described embodiments of the present invention can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium.
  • the computer-readable recording medium includes a magnetic storage medium (eg, ROM, floppy disk, hard disk, etc.), an optical reading medium (eg, CD-ROM, DVD, etc.), and a carrier wave (eg, Internet transmission through).
  • a magnetic storage medium eg, ROM, floppy disk, hard disk, etc.
  • an optical reading medium eg, CD-ROM, DVD, etc.
  • a carrier wave eg, Internet transmission through

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Hematology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Emergency Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 혈당측정 시스템에서 생체값을 예측하는 방법에 관한 것으로, 보다 구체적으로 사용자가 생체값을 관리하기 위하여 항상 소지하는 스마트폰과 같은 적은 메모리와 연산량으로 가지는 통신 단말기를 통해 예측 모델을 생성하고 생성한 예측 모델에 사용자의 생체값을 적용하여 사용자의 미래 생체값을 예측할 수 있으며, 사용자의 생체 이력 정보에 기초하여 사용자에 개인화된 예측 모델을 생성함으로써 다른 주변 사용자의 생체 정보를 필요로 하지 않고 서버에 접속없이도 사용자의 미래 생체값을 예측할 수 있는 생체값의 예측 방법에 관한 것이다.

Description

생체값의 예측 방법
본 발명은 혈당측정 시스템에서 생체값을 예측하는 방법에 관한 것으로, 보다 구체적으로 사용자가 생체값을 관리하기 위하여 항상 소지하는 스마트폰과 같은 적은 메모리와 연산량으로 가지는 통신 단말기를 통해 예측 모델을 생성하고 생성한 예측 모델에 사용자의 생체 정보를 적용하여 사용자의 미래 생체값을 예측할 수 있으며, 사용자의 생체 이력 정보에 기초하여 사용자에 개인화된 예측 모델을 생성함으로써 다른 주변 사용자의 생체 정보를 필요로 하지 않고 서버에 접속없이도 사용자의 미래 생체값을 예측할 수 있는 생체값의 예측 방법에 관한 것이다.
당뇨병은 현대인에게 많이 발생되는 만성질환으로 국내의 경우 전체 인구의 5%에 해당하는 200만 명 이상에 이르고 있다.
당뇨병은 비만, 스트레스, 잘못된 식습관, 선천적 유전 등 다양한 원인에 의해 췌장에서 만들어지는 인슐린이 절대적으로 부족하거나 상대적으로 부족하여 혈액에서 당에 대한 균형을 바로 잡아주지 못함으로써 혈액 안에 당 성분이 절대적으로 많아지게 되어 발병한다.
혈액 중에는 보통 일정 농도의 포도당이 함유되어 있으며 조직 세포는 여기에서 에너지를 얻고 있다.
그러나, 포도당이 필요 이상으로 증가하게 되면 간장이나 근육 또는 지방세포 등에 적절히 저장되지 못하고 혈액 속에 축적되며, 이로 인해 당뇨병 환자는 정상인보다 훨씬 높은 혈당이 유지되며, 과다한 혈당은 조직을 그대로 통과하여 소변으로 배출됨에 따라 신체의 각 조직에 절대적으로 필요한 당분은 부족해져서 신체 각 조직에 이상을 불러일으키게 된다.
당뇨병은 초기에는 거의 자각 증상이 없는 것이 특징인데, 병이 진행되면 당뇨병 특유의 다음, 다식, 다뇨, 체중감소, 전신 권태, 피부 가려움증, 손과 발의 상처가 낫지 않고 오래가는 경우 등의 특유의 증상이 나타나며, 병이 한층 더 진행되면 시력장애, 고혈압, 신장병, 중풍, 치주질환, 근육 경련 및 신경통, 괴저 등으로 진전되는 합병증이 나타난다.
이러한 당뇨병을 진단하고 합병증으로 진전되지 않도록 관리하기 위해서는 체계적인 혈당 측정과 치료가 병행되어야 한다.
당뇨병은 관리를 위해 꾸준하게 혈당을 측정할 필요가 있어 혈당 측정과 관련된 장치는 그 수요가 꾸준히 증가하는 추세이다. 당뇨병 환자가 혈당 조절을 엄격하게 하는 경우, 당뇨병의 합병증 발생이 현저하게 줄어드는 것은 각종 연구를 통해 확인되고 있다. 그에 따라 당뇨병 환자는 혈당 조절을 위해 규칙적으로 혈당을 측정하는 것이 매우 중요하다.
당뇨병 환자의 혈당 관리를 위해 일반적으로 채혈식 혈당기(finger prick method)가 주로 사용되는데, 이러한 채혈식 혈당기는 당뇨병 환자의 혈당 관리에 도움을 주지만, 측정 당시의 결과만 나타나기 때문에 자주 변화하는 혈당 수치를 정확하게 파악하는 것이 어려운 문제가 있다. 또한, 채혈식 혈당기는 하루에도 수시로 혈당을 측정하기 위해 매번 채혈을 할 필요가 있어, 당뇨병 환자에게 채혈에 대한 부담이 큰 문제가 있다.
당뇨병 환자는, 일반적으로 고혈당 및 저혈당 상태를 오가는데, 응급상황은 저혈당 상태에서 발생한다. 저혈당 상태는 당분이 오랫동안 지속되지 않는 경우에 발생하며, 의식을 잃거나 최악의 경우 목숨을 잃을 수도 있다. 따라서 저혈당 상태를 즉각적으로 발견하는 것은 당뇨병 환자에게 매우 중요하다. 하지만, 간헐적으로 혈당을 측정하는 채혈식 혈당기는 분명한 한계가 있다.
이러한 채혈식 혈당기의 한계를 극복하기 위해, 인체 내에 삽입하여 수분 간격으로 혈당을 측정하는 연속 혈당 측정 시스템(CGMS, Continuous Glucose Monitoring System)이 개발되었으며, 이를 이용하여 당뇨병 환자의 관리와 응급 상황에 용이하게 대처할 수 있다.
연속 혈당 측정 시스템은, 인체에 삽입되어 사용자의 혈액과 같은 체액을 이용하여 혈당을 측정하는 신체 부착 유닛 및 신체 부착 유닛과 통신하여 신체 부착 유닛에서 측정된 혈당치를 표시하기 위한 통신 단말기를 포함한다.
신체 부착 유닛은 일정 시간 동안, 예를 들어 3달 이내의 시간 동안(7주일, 15일, 1달 등) 신체에 일부 삽입되어 체액으로부터 사용자의 혈당값을 나타내는 생체 신호를 생성하는 센서 및 센서에서 수신한 생체 신호를 실시간으로 또는 주기적으로 또는 통신 단말기로부터 요청이 있는 경우 통신 단말기로 송신하는 트랜스미터로 이루어진다.
신체 부착 유닛은 생체 신호를 생성하여 통신 단말기로 송신하는데, 통신 단말기에는 혈당 관리 애플리케이션이 설치되어 신체 부착 유닛으로부터 생체 신호를 수신하며 수신한 생체 신호에서 노이즈 제거 등 전처리, 수신한 전류값의 생체 신호를 혈당값으로 단위 교정, 기준혈당값을 이용한 교정 등의 절차를 거쳐 사용자가 확인할 수 있게 출력한다.
이와 같이 연속 혈당 측정 시스템은 실시간으로 사용자의 생체 신호를 측정하여 사용자의 혈당값을 출력하는 것뿐만 아니라 사용자의 혈당값 이력, 사용자의 활동 이력, 식사 이력, 인슐린 등의 의약품 투여 이력 등에 기초하여 사용자의 미래 혈당값을 예측할 수 있다.
이와 같은 사용자의 미래 혈당값의 예측은 다양한 방식으로 이루어질 수 있는데, 대표적으로 사용자의 혈당값 이력과 주변 다른 사용자의 혈당값 이력에 기초하여 예측 모델을 생성하고 생성한 예측 모델에 사용자의 현재 혈당값을 적용하여 사용자의 미래 혈당값을 예측할 수 있다.
이러한 사용자의 미래 혈당값의 예측 기술은 사용자가 저혈당 또는 고혈당에 빠질 수 있는 가능성을 미리 예측하여 사용자가 실제 저혈당 또는 고혈당 상황에 도달하기 전 미리 대처할 수 있다는 효과를 가진다.
그러나 종래 미래 혈당값의 예측을 위해 사용되는 예측 모델은 사용자뿐만 아니라 다른 주변 사용자의 방대한 혈당 이력 정보, 식사 이력 정보, 활동 이력 등을 이용하여 생성되기 때문에 예측 모델을 생성하기 위해 필요한 정보를 저장하기 위한 매우 큰 메모리 공간이 필요하며, 예측 모델에 사용자의 생체 신호를 적용하여 미래 혈당값을 예측하기 위하여 많은 연산량이 필요하다는 문제점을 가진다.
따라서 이러한 예측 모델의 생성과 수정 그리고 예측 모델을 이용한 미래 혈당값의 예측은 주로 별도의 서버를 통해 이루어져야 하며, 미래 혈당값 예측을 위해 통신 단말기는 항상 서버와 통신을 수행하여야 한다는 문제점을 가진다.
본 발명은 위에서 언급한 종래 미래 혈당값의 예측 방법이 가지는 문제점을 해결하기 위한 것으로, 본 발명이 이루고자 하는 목적은 사용자가 혈당을 관리하기 위하여 항상 소지하는 스마트폰과 같은 통신 단말기를 통해 적은 메모리와 연산량으로 사용자의 미래 혈당값을 예측할 수 있는 생체값의 예측 방법을 제공하는 것이다.
본 발명이 이루고자 하는 다른 목적은 사용자의 생체 이력 정보에 기초하여 사용자에 개인화된 예측 모델을 생성하며 서버에 접속없이도 사용자의 미래 생체값을 예측할 수 있는 방법을 제공하는 것이다.
본 발명이 이루고자 하는 또 다른 목적은 사용자의 예측된 생체값과 실제 생체값으로부터 예측 오차를 계산하여 예측 오차의 발현 특징을 판단하며 예측 오차의 발현 특징에 따라 예측 모델을 재학습하거나 재생성하여 사용자의 미래 생체값을 정확하게 예측할 수 있는 생체값의 예측 방법을 제공하는 것이다.
본 발명이 이루고자 하는 또 다른 목적은 전처리된 생체 정보로부터 추출되는 제1 특징값 및 전처리된 생체 정보를 시간 보정하고 단위 보정한 생체 정보로부터 추출되는 제2 특징값을 이용하여 사용자에 개인화된 예측 모델을 생성하고 생성한 예측 모델을 통해 사용자의 생체값을 정확하게 예측할 수 있는 방법을 제공하는 것이다.
본 발명의 목적을 달성하기 위하여 신체부착유닛의 센서로부터 측정한 생체 정보를 이용하여 사용자의 생체값을 예측하는 방법은 측정한 사용자의 생체 정보로부터 제1 특징값을 추출하는 단계와, 측정한 사용자의 생체 정보를 보정하고 보정한 생체 정보로부터 제2 특징값을 추출하는 단계와, 제1 특징값과 제2 특징값을 축소 결합하여 특징 벡터값을 생성하는 단계와, 생성한 특징 벡터값을 예측 모델에 적용하여 사용자의 생체값을 예측하는 단계를 포함하는 것을 특징으로 한다.
여기서 센서는 일정기간 동안 사용자의 신체에 일부 삽입되어 사용자의 생체 정보를 측정하는 센서인 것을 특징으로 한다.
바람직하게, 본 발명에 따른 생체 정보의 예측 방법은 측정한 생체 정보에서 노이즈를 제거하여 측정한 생체 정보를 전처리하는 단계를 더 포함하며, 제1 특징값과 제2 특징값은 전처리된 생체 정보로부터 추출되는 것을 특징으로 한다.
여기서 제1 특징값은 전처리된 생체 정보로부터 직접 추출되고, 제2 특징값은 전처리된 생체 정보를 시간 지연과 단위 불일치를 보정하여 생성되는 보정 생체 정보로부터 추출되는 것을 특징으로 한다.
여기서 단위 불일치는 전처리된 생체 정보 또는 기준 생체값에 기초하여 보정되는 것을 특징으로 힌디.
본 발명의 일 실시예에서 단위 불일치는 전처리된 생체 정보가 상승 또는 하강시 가중치를 부여하여 보정되는 것을 특징으로 한다.
본 발명의 다른 실시예에서 단위 불일치는 측정한 생체 정보로부터 판단된 생체값와 기준 생체값의 차이에 따라 할당되는 가중치에 의해 보정되는 것을 특징으로 한다.
바람직하게, 본 발명에 따른 생체값의 예측 방법은 제1 예측 시점의 예측된 생체값와 제1 예측 시점에 실제 측정한 생체값의 차이로부터 예측 오차를 계산하는 단계와, 예측 오차에 기초하여 예측 모델을 재학습할지 결정하는 단계를 더 포함하는 것을 특징으로 한다.
여기서 예측 오차가 임계값 또는 임계 비율보다 큰 경우 예측 모델을 재학습하는 것으로 결정하는 것을 특징으로 한다.
본 발명에 따른 생체값의 예측 방법에서 예측 모델을 재학습하는 것으로 결정하는 경우, 예측 모델을 생성하는데 이용한 이전 데이터 세트 이외에 현재 시점까지 측정한 사용자의 생체 정보로부터 생성되는 이후 데이터 세트를 이용하여 예측 모델을 재학습하는 것을 특징으로 한다.
바람직하게, 본 발명에 따른 생체값의 예측 방법은 단위 시간 동안 예측 오차의 발현 특징에 기초하여 예측 모델을 재생성할지 결정하는 단계를 더 포함하는 것을 특징으로 한다.
여기서 발현 특징은 단위 시간 동안 예측 오차가 임계값 또는 임계 비율을 연속하여 초과하는 횟수 및 단위 시간 동안 상기 예측 오차가 임계값 또는 임계 비율을 초과하는 전체 횟수 중 적어도 어느 하나인 것을 특징으로 한다.
본 발명에 따른 생체값의 예측 방법은 다음과 같은 효과를 가진다.
첫째, 본 발명에 따른 생체값의 예측 방법은 사용자가 생체값을 관리하기 위하여 항상 소지하는 스마트폰과 같은 적은 메모리와 연산량으로 가지는 통신 단말기를 통해 예측 모델을 생성하고 생성한 예측 모델에 사용자의 생체 정보를 적용하여 사용자의 미래 생체값을 예측할 수 있다.
둘째, 본 발명에 따른 생체값의 예측 방법은 사용자의 생체 이력 정보에 기초하여 사용자에 개인화된 예측 모델을 생성함으로써, 다른 주변 사용자의 생체 정보를 필요로 하지 않으며 서버에 접속없이도 사용자의 미래 생체값을 예측할 수 있다.
셋째, 본 발명에 따른 생체값의 예측 방법은 사용자의 예측된 생체값과 실제 생체값으로부터 예측 오차를 계산하여 예측 오차의 발현 특징을 판단하며 예측 오차의 발현 특징에 따라 예측 모델을 재학습하거나 재생성함으로써, 사용자의 미래 생체값을 정확하게 예측할 수 있다.
넷째, 본 발명에 따른 생체값의 예측 방법은 전처리된 생체 정보로부터 추출되는 제1 특징값 및 전처리된 생체 정보를 시간 보정하고 단위 보정한 보정 생체 정보로부터 추출되는 제2 특징값을 이용하여 사용자에 개인화된 예측 모델을 생성함으로써, 생성한 예측 모델을 통해 사용자의 생체값을 정확하게 예측할 수 있다.
도 1은 본 발명의 일 실시예에 따른 혈당 측정 시스템을 도시한 개략도이다.
도 2는 본 발명에 따른 생체값 예측 장치를 설명하기 위한 기능 블록도이다.
도 3은 본 발명에 따른 특징값 생성부의 일 예를 설명하기 위한 기능 블록도이다.
도 4는 본 발명에 따른 학습부의 일 예를 설명하기 위한 기능 블록도이다.
도 5는 본 발명에 따른 생체값의 예측 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명에서 예측 모델을 재학습하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 7은 본 발명에서 예측 모델을 재생성하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 8은 시간 지연 보정의 일 예를 설명하기 위한 도면이다.
도 9는 단위 불일치의 교정 방법의 일 예를 설명하기 위한 도면이다.
도 10은 단위 불일치의 교정 방법의 다른 예를 설명하기 위한 도면이다.
도 11과 도 12는 예측 모델의 재학습 여부를 판단하는 예를 설명하기 위한 도면이다.
도 13은 예측 모델을 재생성하는 일 예를 설명하기 위한 도면이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
이하 첨부한 도면을 참고로 본 발명에 따른 생체값의 예측 방법에 대해 보다 구체적으로 설명한다.
이하에서는 사용자의 신체에 일정 기간 부착된 신체 부착 유닛을 통해 혈당값을 나타내는 생체 정보를 연속하여 측정하고 측정한 생체 정보를 통신 단말기로 송신하는 연속 혈당 측정 시스템으로 설명하나, 본 발명이 적용되는 분야에 따라 신체 부착 유닛은 다양한 종류의 생체 정보를 측정하고 측정한 생체 정보를 통신 단말기로 송신할 수 있으며 이는 본 발명의 범위에 속한다.
도 1은 본 발명의 일 실시예에 따른 혈당 측정 시스템을 도시한 개략도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 혈당 측정 시스템(1)은 신체 부착 유닛(10) 및 통신 단말기(30)를 포함한다.
신체 부착 유닛(10)은 신체에 부착되는데 신체 부착 유닛(10)이 신체에 부착시 신체 부착 유닛(10)의 센서 일단은 피부에 삽입되어 센서의 사용기간 동안 체액 등을 이용하여 사용자의 혈당을 나타내는 생체 정보를 연속하여 측정한다.
통신 단말기(30)는 신체 부착 유닛(10)로부터 생체 정보를 수신하고 수신한 생체 정보를 사용자에 표시할 수 있는 단말기로, 예를 들어 스마트폰, 태블릿 PC, 또는 노트북 등과 같이 신체 부착 유닛(10)과 통신할 수 있는 이동 단말기가 사용될 수 있다. 물론, 통신 단말기(13)는 이에 한정되는 것은 아니며, 통신 기능을 포함하고 프로그램이나 어플리케이션이 설치될 수 있는 단말기이면 어떤 종류의 단말기일 수 있다.
신체 부착 유닛(10)은 통신 단말기(30)의 요청에 의해 또는 설정된 시각마다 측정된 생체 정보를 통신 단말기(30)로 전송하는데, 신체 부착 유닛(10)과 통신 단말기(30) 사이에서 데이터 통신을 위해 신체 부착 유닛(10)과 통신 단말기(30)는 서로 USB 케이블 등에 의해 유선으로 통신 연결되거나 또는 적외선 통신, NFC 통신, 블루투스 등의 무선 통신 방식으로 통신 연결될 수 있다.
통신 단말기(30)는 수신한 생체 정보에 기초하여 사용자의 미래 생체값을 예측하고 예측 생체값을 사용자에 제공한다. 바람직하게 통신 단말기(30)는 예측 생체값에 기초하여 사용자에 고혈당 또는 저혈당 알람을 제공하거나 저혈당 또는 저혈당 알람과 함께 사용자에 필요한 처방을 제공할 수 있다.
여기서 통신 단말기(30)는 수신한 생체 정보를 일정 기간 저장할 수 있는데, 통신 단말기(30)는 저장한 생체 정보를 이용하여 예측 모델을 생성할 수 있다.
또한 통신 단말기(30)는 미래 일정 시간에 대한 예측 생체값과 일정 시간 경과 후 실제 측정한 실제 생체값을 모니터링하여 비교하며, 예측 생체값과 실제 생체값 사이의 예측 오차에 기초하여 또는 예측 오차의 발현 특징에 기초하여 생성한 예측 모델을 재학습하거나 재생성할 수 있다.
도 2는 본 발명에 따른 생체값 예측 장치를 설명하기 위한 기능 블록도이다.
본 발명에 따른 생체값 예측 장치는 통신 단말기에서 구현될 수 있는데, 도 2를 참고로 보다 구체적으로 살펴보면, 송수신부(110)는 신체 부착 유닛으로부터 사용자의 생체 정보를 수신하고 저장부(130)는 수신한 생체 정보를 저장한다. 여기서 저장부(130)는 수신한 생체 정보를 수신 시각에 매핑하여 저장할 수 있다.
생체값 판단부(180)는 수신한 생체 정보로부터 사용자의 생체값을 판단하고 판단한 생체값을 사용자에 출력하거나 저장부(130)에 수신 시간과 매핑하여 저장한다.
여기서 사용자의 신체에 일정 기간 삽입된 센서를 통해 여러 종류의 생체 정보가 측정될 수 있는데, 이하에서는 생체 정보의 일 예로 사용자의 혈당 정보를 나타내는 생체 정보일 수 있으며 생체값은 생체 정보로부터 판단되는 혈당값일 수 있다.
저장부(130)에는 신체 부착 유닛으로부터 수신한 생체 정보와 함께 생체 정보로부터 판단된 생체값이 저장될 수 있는데, 특징값 생성부(150)는 생체 정보를 이용하여 미래 시점의 예측 생체값을 판단하는데 이용되는 특징값 벡터를 생성한다.
예측부(170)는 저장부(130)에 저장되어 있는 예측 모델을 이용하여 현재 시점을 기준으로 일정 시간 경과 후의 예측 생체값을 판단하는데, 예측부(170)는 생성한 특징값 벡터를 예측 모델에 적용하여 예측 생체값을 판단한다. 여기서 예측 생체값은 현재 시점을 기준으로 일정 시간 경과 후 사용자가 가질 예측된 생체값으로, 예측 생체값을 이용하여 일정 기간 경과 후 사용자의 생체값을 미리 예측하고 예측 생체값에 기초하여 사용자에 알람을 제공하거나 필요한 처방을 제공할 수 있다.
예를 들어 사용자가 현재 시점을 기준으로 3시간 후 예측 생체값이 60mg/dL 이하로 판단되는 경우, 사용자에 저혈당 알람을 제공하거나 음식을 섭취하라고 처방을 제공할 수 있다.
한편 저장부(130)에는 예측부(170)에서 판단한 예측 생체값과 생체값 판단부(180)에서 판단한 실제 생체값이 저장되는데, 학습부(190)는 일정 시간 경과 후 판단한 실제 생체값과 일정 시간 이전에 예측한 사용자의 예측 생체값을 모니터링하며 서로 비교한다.
학습부(190)는 예측 생체값과 실제 생체값의 예측 오차의 크기나 비율에 기초하여 저장부(130)에 저장되어 있는 예측 모델을 재학습하거나, 예측 오차의 발현 특징에 기초하여 예측 모델을 처음부터 다시 학습하여 새로운 예측 모델을 재생성하고 생성한 새로운 예측 모델로 저장부(130)에 저장되어 있는 예측 모델를 갱신할 수 있다.
도 3은 본 발명에 따른 특징값 생성부의 일 예를 설명하기 위한 기능 블록도이다.
도 3을 참고로 보다 구체적으로 살펴보면, 전처리부(151)는 송수신부를 통해 수신한 생체 정보에서 노이즈를 제거하거나 축소한다.
신체 부착 유닛을 통해 측정되거나 신체 부착 유닛으로부터 수신한 생체 정보에는 노이즈가 포함될 수 있다. 예를 들어 신체 부착 유닛의 센서가 인체에 일부 삽입되기 때문에 사람이 움직일 때마다 센서가 움직일 수 있고, 이러한 센서가 움직임에 따라 신체 부착 유닛에서 측정된 생체 정보 데이터에 노이즈가 포함될 수 있다.
또는 신체 부착 유닛으로부터 통신 단말기로 생체 정보가 전송될 때, 주변의 전자기파 등에 의해 영향을 받을 수 있으며, 그로 인해 통신 단말기에서 수신되는 생체 정보에 노이즈가 포함될 수 있다.
전처리부(151)는 수신한 생체 정보에 대해 특이값(outlier) 처리 필터링 과정을 수행하거나 특이값 처리가 완료된 생체 정보에 대해 저대역 필터링 과정을 수행한다.
제1 특징값 추출부(153)는 전처리된 생체 정보에서 제1 특징값을 추출하고 제2 특징값 추출부(157)는 교정부(155)에서 교정된 교정 생체 정보로부터 제2 특징값을 추출한다. 신체 부착 유닛으로부터 수신하는, 전처리된 생체 정보는 사용자의 생체값에 따라 상이하게 변화하는 전류값 정보이며 교정 생체 정보는 교정부(155)에서 전처리된 생체 정보를 시간 지연 교정하거나 단위 불일치 교정한 생체 정보를 의미한다.
바람직하게, 교정부(155)는 전처리된 생체 정보를 교정하여 교정 생체 정보를 제2 특징값 추출부(157)로 제공하는데, 교정부는 전처리된 생체 정보의 시간 지연을 교정하거나 전류값의 생체 정보를 생체값의 단위, 예를 들어 혈당값의 단위로 교정한다.
특징 벡터값 생성부(159)는 제1 특징값과 제2 특징값을 단순 결합하거나 자원 축소 등의 방식으로 제1 특징값과 제2 특징값을 축소 및 결합하여 특징 벡터값을 생성한다.
도 4는 본 발명에 따른 학습부의 일 예를 설명하기 위한 기능 블록도이다.
도 4를 참고로 보다 구체적으로 살펴보면, 예측 오차 계산부(191)는 일정 시간 경과 후 판단한 실제 생체값과 일정 시간 이전에 미리 예측한 사용자의 예측 생체값을 모니터링하며 서로 비교하여 실제 생체값과 예측 생체값 사이의 예측 오차를 계산한다. 예를 들어, 특징 벡터값으로부터 현재시점을 기준으로 t 시간 경과 후의 예측 생체값을 판단하고 실제 t시간 경과 후 생체 정보를 이용하여 판단한 실제 생체값 사이의 예측 오차를 계산한다.
예측 오차 특징 판단부(195)는 단위 시간 동안 예측 오차가 임계값을 초과하거나 임계 비율을 초과하는 횟수 또는 단위 시간 동안 예측 오차가 임계값 또는 임계 비율을 연속하여 초과하는 횟수 등의 예측 오차의 발현 특징을 판단한다.
조건 판단부(193)는 예측 오차가 설정한 임계값을 초과하거나 실제 생체값 또는 예측 생체값 대비 예측 오차 비율이 설정한 임계비율을 초과하는지에 기초하여 재학습 조건을 판단하거나, 예측 오차의 발현 특징에 기초하여 예측 모델의 재생성 조건을 만족하는지 판단한다.
재학습부(197)는 재학습 조건을 만족하는 경우 저장부에 저장되어 있는 예측 모델을 재학습하여 재학습한 예측 모델로 예측 모델을 갱신하며, 생성부(199)는 재생성 조건을 만족하는 경우 저장부에 저장되어 있는 예측 모델을 새로 생성하여 새로 생성한 예측 모델로 예측 모델을 갱신한다.
도 5는 본 발명에 따른 생체값의 예측 방법을 설명하기 위한 흐름도이다.
도 5를 참고로 보다 구체적으로 살펴보면, 사용자의 생체 정보를 수신한다(S110). 여기서 사용자의 생체 정보는 사용자의 신체에 일정 기간 부착되어 연속하여 사용자의 생체 정보를 측정하는 신체 부착 유닛으로부터 수신할 수 있다.
통신 단말기는 수신한 생체 정보를 전처리한다(S130). 전처리 과정을 보다 구체적으로 살펴보면, 특이값 처리 필터링을 위해 수신한 생체 정보 중 소정의 범위를 벗어난 데이터를 찾아 해당 생체 정보를 처리한다. 이때, 특이값을 갖는 생체 정보인 것으로 판단되면, 해당 생체 정보를 제거하여 처리할 수 있다. 하지만, 이에 한정되는 것은 아니며, 필요에 따라 특이값을 갖는 생체 정보를 교정하여 이용할 수도 있다. 특이값이 처리된 생체 정보에 대해 저대역 필터링을 수행할 수 있다. 저대역 필터링은, 고대역에 해당하는 성분을 제거하고 저대역에 해당하는 생체 정보만 남길 수 있다. 저대역 필터링된 생체 정보를 이용하여 저대역 필터링된 생체 정보에 대한 평균값을 산정하여 처리할 수 있으며, 절삭 평균값을 이용할 수 있다. 본 발명이 적용되는 분야에 따라 다양한 방식으로 전처리가 가능하며 이는 본 발명의 범위에 속한다.
전처리된 생체 정보로부터 제1 특징값을 추출한다(S140). 전처리된 생체 정보는 신체 부착 유닛에서 측정한 사용자의 생체값, 예를 들어 혈당값을 나타내는 전류값일 수 있다. 여기서 제1 특징값은 통계적 기법으로부터 추출되는 생체 정보의 차이, 기울기, 편차, 평균, 실효값, 첨예도 등의 특징값이거나, 푸리에 변환, 웨이블릿 변환 등과 같이 생체 정보를 주파수 영역 분석하여 추출되는 특징값이다.
한편 전처리된 생체 정보를 교정하여 교정 생체 정보를 생성하고(S150), 교정 생체 정보로부터 제2 특징값을 추출한다(S150). 여기서 전처리된 생체 정보는 제2 특징값을 추출하기 전, 전처리된 생체 정보에 포함되어 있는 시간 지연 또는 단위 불일치 등을 교정할 수 있다.
신체 부착 유닛에서 사용자의 생체 정보를 실제 측정한 시점과 통신 단말기에서 사용자의 생체 정보를 수신한 시점 사이에는 시간 지연이 발생하는데, 이러한 시간 지연은 신체 부착 유닛의 센서에서 사용자의 체액으로부터 생제 정보를 측정하고 생성할 때까지 물리적 구조에 따라 발생하거나 생체 정보를 생성하기 위해 필요한 연산 시간 등으로 인해 발생할 수 있다.
또한 전처리된 생체 정보는 사용자의 생체값을 나타내는 전류값 정보로, 생체값 자제는 아니므로 전류값으로부터 실제 사용자의 생체값으로 단위 불일치를 교정하여야 한다. 단위 불일치는 별도의 센서 스트립(혈액측정시험지)과 채혈된 채액을 이용하여 채혈식 생체값 측정기를 통해 측정한 기준 생체값을 이용하여 교정될 수 있다. 예를 들어 생체정보의 전류값이 10nA이고 이때에 측정한 기준 생체값이 100mg/dL인 경우 교정 기울기(A)를 10으로 설정하여 이후 생체정보의 전류값에 기울기을 곱하여 사용자의 생체값을 판단한다.
본 발명이 적용되는 분야에 따라 단위 불일치를 교정시 생체값이 증가하고 있는지 하강하고 있는지 또는 측정한 생체값과 기준 생체값 사이의 차이가 얼마인지에 따라 가중치를 부여하여 단위 불일치를 교정할 수 있다.
교정 생체 정보를 이용하여 제2 특징값을 추출한다(S160). 여기서 제2 특징값은 통계적 기법으로부터 추출되는 교정 생체 정보의 차이, 기울기, 편차, 평균, 실효값, 첨예도 등의 특징값이거나, 푸리에 변환, 웨이블릿 변환 등과 같이 교정 생체 정보를 주파수 영역 분석하여 추출되는 특징값이다.
제1 특징값과 제2 특징값을 단순 결합하거나 자원 축소하여 제1 특징값과 제2 특징값으로부터 특징 벡터값을 생성한다(S170).
생성한 특징 벡터값을 예측 모델에 적용하여 일정 시간 이후 예측 생체값을 생성한다(S190).
예측 모델은 특징 벡터값을 이용하여 일정 시간 이후의 예측 생체값을 생성하는데 이용되는데, 예를 들어 일정 간격마다 생성된 특징 벡터값(x)을 구성하는 성분의 수가 10개이고, 각 특징 벡터값에 대한 라벨(y)을 일정 시간 이후의 예측 생체값이라고 한다면, 각 특징 벡터값의 입력(x) 및 라벨(y)은 아래의 수학식(1)과 같이 표현된다.
[수학식 1]
Figure PCTKR2022007876-appb-img-000001
Figure PCTKR2022007876-appb-img-000002
이를 기반으로 특징값1와 특징값2로부터 생성되는 특징 벡터값
Figure PCTKR2022007876-appb-img-000003
을 예측 모델에 넣으면 일정 시간 이후의 예측 생체값 y'를 출력한다
여기서 예측 모델은 사용자의 특징값 벡터를 훈련 데이터로 이용하여 SVM(Support Vector Machine), GMM(Gaussian Mixture Model) 등의 기계학습, CNN(Convolution Neutal Network), RNN(Recurrent Neural Network) 등의 딥러닝, model-free RL, model-based RL 등의 강화학습, DQN(Deep Q Network) 등의 딥 강화학습을 이용하여 생성될 수 있다. 본 발명에서 생성한 예측 모델은 추가 또는 새로운 훈련 데이터를 이용하여 재학습할 수 있다. 예측 모델을 생성하기 위하여 공지된 다양한 기술을 사용할 수 있으며 이에 대한 상세한 설명은 생략한다.
제1 특징값과 제2 특징값은 매우 많은 특징(feature)들을 가지고 있다. 이러한 데이터를 가지고 예측 모델을 생성하고자 하는 경우, 데이터의 차원이 크기 때문에 학습 속도가 느릴 뿐만아니라 성능 또한 좋지 않을 가능성이 크다. 이를 위해 제1 특징값과 제2 특징값을 단순 결합하거나 이들 중에서 특징을 선택하거나 축소하여 예측 모델을 생성할 수 있는데, 데이터의 차원을 축소하는 방법인 투영(projection)과 매니폴드 학습(manifold learning) 그리고 대표적인 차원 축소 알고리즘인 주성분분석(PCA) 등이 사용되거나 Lasso 등과 같은 특징 선택 알고리즘 등이 사용될 수 있다. 제1 특징값과 제2 특징값으로부터 특징 벡터값을 생성하기 위하여 공지된 다양한 기술을 사용할 수 있으며 이에 대한 상세한 설명은 생략한다.
본 발명에서는 사용자의 생체 정보로부터 생성되는 제1 특징값과 제2 특징값을 모두 이용하여 예측 모델을 생성함으로써, 주변 다른 사용자의 데이터를 이용하지 않더라도 사용자에 개인화되어 정확하게 사용자의 생체값을 예측할 수 있는 예측 모델을 생성할 수 있으며, 제1 특징값과 제2 특징값으로부터 생성된 특징 벡터값을 예측 모델에 적용하여 사용자의 생체값을 정확하게 예측할 수 있다는 효과를 가진다.
도 6은 본 발명에서 예측 모델을 재학습하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 6을 참고로 보다 구체적으로 살펴보면, 특징 벡터값을 이용하여 생성한 제1 예측 시점의 예측된 예측 생체값와 제1 예측 시점의 실제 생체값을 이용하여 측정한 실제 생체값의 차이로부터 예측 오차를 계산한다(S211).
예측 오차와 기설정된 임계값 또는 임계 비율을 비교하여 예측 오차가 임계값 또는 임계 비율을 초과하는지 판단한다(S213).
예측 오차가 임계값 또는 임계 비율을 초과하는 경우, 재학습 요건을 만족하는지 판단한다(S215). 여기서 재학습 요건은 예측 오차가 임계값 또는 임계 비율을 초과하는 경우 만족하는 것으로 판단하거나, 예측 오차가 임계값 또는 임계 비율을 초과하고 이후 기설정된 제1 시간 동안의 예측 오차의 평균값이 임계 평균값을 초과하는 경우 만족하는 것으로 판단하거나, 예측 오차가 임계값 또는 임계 비율을 초과하고 이후 연속하여 제2 시간 동안 예측 오차가 임계값 또는 임계 비율을 초과하는 경우 만족하는 것으로 판단할 수 있다.
재학습 요건을 만족하는 경우, 예측 모델을 재학습하고 재학습한 예측 모델로 기존에 사용하던 예측 모델을 갱신한다(S217). 여기서 예측 모델의 재학습은 저장부에 저장된 예측 모델을 생성하는데 이용한 이전 데이터 세트 이외에 현재 시점까지 측정한 사용자의 생체 정보로부터 생성되는 이후 데이터 세트를 이용하는 것을 특징으로 한다.
여기서 데이터 세트는 제1 특징값과 제2 특징값으로부터 생성되는 특징 벡터값인 것을 특징으로 한다.
도 7은 본 발명에서 예측 모델을 재생성하는 단계의 일 예를 설명하기 위한 흐름도이다.
도 7을 참고로 보다 구체적으로 살펴보면, 예측 오차의 발현 특징을 판단한다(S231). 여기서 예측 오차의 발현 특징은 단위 시간 동안 예측 오차의 평균값, 단위 시간 동안 예측 오차가 임계값 또는 임계 비율을 초과하는 횟수, 단위 시간 동안 예측 오차가 임계값 또는 임계 비율을 연속하여 초과하는 횟수, 단위 시간 대비 예측 오차가 임계값 또는 임계 비율을 초과하는 시간의 비율 등일 수 있다.
예측 오차의 발현 특징에 기반하여 예측 모델의 재생성 조건을 만족하는지 판단한다(S233). 여기서 예측 모델의 재생성 조건은 단위 시간 동안 예측 오차의 평균값이 제1 임계 평균값을 초과하거나, 단위 시간 동안 예측 오차가 임계값 또는 임계 비율을 초과하는 횟수가 제1 임계 횟수를 초과하거나, 단위 시간 동안 예측 오차가 임계값 또는 임계 비율을 연속하여 초과하는 횟수가 제2 임계 횟수를 초과하거나, 단위 시간 대비 예측 오차가 임계값 또는 임계 비율을 초과하는 시간의 비율이 제1 임계 비율을 초과하는 등이거나 이들의 조합일 수 있다.
예측 모델의 재생성 조건이 만족하는 경우, 훈련 데이터를 이용하여 예측 모델을 재생성하고 재생성한 예측 모델로 기존에 사용하던 예측 모델을 갱신한다(S235). 여기서 예측 모델의 재생성은 저장부에 저장된 예측 모델을 생성하는데 이용한 이전 데이터 세트 이외에 현재 시점까지 측정한 사용자의 생체 정보로부터 생성되는 이후 데이터 세트를 이용하는 것을 특징으로 한다.
여기서 데이터 세트는 제1 특징값과 제2 특징값으로부터 생성되는 특징 벡터값인 것을 특징으로 한다.
도 8은 시간 지연 보정의 일 예를 설명하기 위한 도면이다.
도 8에 도시되어 있는 바와 같이, 신체 부착 유닛에서 생체 정보를 실제 측정한 시점의 생체 정보(점선으로 표시)와 통신 단말기에서 생체 정보를 수신한 시점의 생체 정보(실선으로 표시) 사이에는 시간 지연이 발생한다. 이와 같이 발생하는 시간 지연을 공지된 칼만(Kalman) 필터, ARIMA 등을 이용하여 교정할 수 있다.
도 9는 단위 불일치의 교정 방법의 일 예를 설명하기 위한 도면이다.
도 9에 도시되어 있는 바와 같이, 연속혈당 측정 시스템에서 신체 부착 유닛으로부터 수신한 생체 정보는 정확성을 위해 일정 시간 간격(t1, t2, t3, t4...), 예를 들어 12시간, 24시간마다 기준 생체값을 이용하여 단위 불일치를 교정하여야 한다.
단위 불일치를 교정시 생체 정보(실선으로 표시)가 상승 중인지 아니면 하강 중인지를 고려하여 가중치를 할당하고 교정 기울기(A)에 할당한 가중치를 곱하여 교정할 수 있다. 여기서 생체 정보가 상승 중인 경우 가중치는 상승 속도에 반비례하여 할당될 수 있고 생체 정보가 하강 중인 경우 가중치는 하강 속도에 비례하여 할당될 수 있다. 예를 들어 생체 정보가 상승 중인 경우 가중치는 상승 속도에 반비례하여 낮은 값으로 할당될 수 있고(상승 속도가 클수록 0.90, 0.80, 0.70..등으로 낮은 값으로), 생체 정보가 하강 중인 경우 가중치는 하강 속도에 비례하여 높은 값으로 할당될 수 있다(하강 속도가 클수록 1.10, 1.20, 1.30..등으로 높은 값으로).
도 10은 단위 불일치의 교정 방법의 다른 예를 설명하기 위한 도면이다.
도 10에 도시되어 있는 바와 같이, 연속혈당 측정 시스템에서 신체 부착 유닛으로부터 수신한 생체 정보는 정확성을 위해 일정 시간 간격(t1, t2, t3, t4...), 예를 들어 12시간, 24시간마다 기준 생체값을 이용하여 단위 불일치를 교정하여야 한다.
단위 불일치를 교정시 기준 생체값과 측정 생체값(실선으로 표시)의 차이에 기초하여 교정될 수 있다. 기준 생체값과 측정 생체값의 차이에 기초하여 차이를 줄이도록 가중치를 할당하거나(예를 들어 교정 기울기가 기준 생체값과 측정 생체값의 평균값을 가지도록 가중치를 계산하여 할당), 기준 생체값과 측정 생체값의 차이가 임계 범위를 벗어난 경우에 한해 차이를 줄이도록 가중치를 할당할 수 있다.
도 11과 도 12는 예측 모델의 재학습 여부를 판단하는 예를 설명하기 위한 도면이다.
도 11에 도시되어 있는 바와 같이, 제1 예측 시점(t1)에서 예측한 예측 생체값과 제1 예측 시점에 실제 측정한 측정 생체값 사이의 예측 오차(d1)가 임계값 또는 임계 범위를 벗어나거나, 제2 예측 시점(t2)에서 예측한 예측 생체값과 제2 예측 시점에 실제 측정한 측정 생체값 사이의 예측 오차(d2)가 임계값 또는 임계 범위를 벗어난 경우 제1 예측 시점과 제2 예측 시점에 각각 예측 모델을 재학습할 수 있다.
한편 도 12에 도시되어 있는 바와 같이, 일정 시간(td) 동안 예측한 예측 생체값과 상응하는 시각에 실제 측정한 측정 생체값 사이의 예측 오차 평균값이 임계 평균값을 초과하는 경우 예측 모델을 재학습할 수 있다.
도 13은 예측 모델을 재생성하는 일 예를 설명하기 위한 도면이다.
도 13에 도시되어 있는 바와 같이, 일정 단위 시간(tD) 동안 예측한 예측 생체값과 상응하는 시각에 실제 측정한 측정 생체값 사이의 예측 오차가 임계값 또는 임계 범위를 벗어난 전체 횟수가 임계 횟수를 초과하거나, 일정 단위 시간(tD) 동안 예측한 예측 생체값과 상응하는 시각에 실제 측정한 측정 생체값 사이의 예측 오차가 임계값 또는 임계 범위를 연속하여 벗어난 횟수가 임계 횟수를 초과하거나 또는 이들의 조합을 모두 만족하는 경우 예측 모델을 재성성할 수 있다.
한편, 상술한 본 발명의 실시 예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록 매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다.
상기 컴퓨터로 읽을 수 있는 기록 매체는 마그네틱 저장 매체(예를 들어, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등) 및 캐리어 웨이브(예를 들면, 인터넷을 통한 전송)와 같은 저장 매체를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.

Claims (12)

  1. 센서로부터 측정한 생체 정보를 이용하여 사용자의 생체값을 예측하는 방법에 있어서,
    측정한 사용자의 생체 정보로부터 제1 특징값을 추출하는 단계;
    측정한 사용자의 생체 정보를 보정하고 보정한 생체 정보로부터 제2 특징값을 추출하는 단계;
    상기 제1 특징값과 상기 제2 특징값을 축소 결합하여 특징 벡터값을 생성하는 단계; 및
    생성한 특징 벡터값을 예측 모델에 적용하여 사용자의 생체값을 예측하는 단계를 포함하는 것을 특징으로 하는 생체값의 예측 방법.
  2. 제 1 항에 있어서,
    상기 센서는 일정기간 동안 사용자의 신체에 일부 삽입되어 사용자의 생체 정보를 연속하여 측정하는 센서인 것을 특징으로 하는 생체값의 예측 방법.
  3. 제 2 항에 있어서, 상기 생체 정보의 예측 방법은
    측정한 생체 정보에서 노이즈를 제거하여 측정한 생체 정보를 전처리하는 단계를 더 포함하며,
    상기 제1 특징값과 상기 제2 특징값은 전처리된 생체 정보로부터 추출되는 것을 특징으로 하는 생체값의 예측 방법.
  4. 제 3 항에 있어서,
    상기 제1 특징값은 전처리된 생체 정보로부터 직접 추출되고,
    상기 제2 특징값은 전처리된 생체 정보를 시간 지연과 단위 불일치를 보정하여 생성되는 보정 생체 정보로부터 추출되는 것을 특징으로 하는 생체값의 예측 방법.
  5. 제 4 항에 있어서, 상기 단위 불일치는
    전처리된 생체 정보 또는 기준 생체값에 기초하여 보정되는 것을 특징으로 하는 생체값의 예측 방법.
  6. 제 5 항에 있어서, 상기 단위 불일치는
    상기 전처리된 생체 정보가 상승 또는 하강시 가중치를 부여하여 보정되는 것을 특징으로 하는 생체값의 예측 방법.
  7. 제 5 항에 있어서, 상기 단위 불일치는
    측정한 생체 정보로부터 판단된 생체값와 기준 생체값의 차이에 따라 할당되는 가중치에 의해 보정되는 것을 특징으로 하는 생체값의 예측 방법.
  8. 제 4 항에 있어서, 상기 생체값의 예측 방법은
    제1 예측 시점의 예측된 생체값와 상기 제1 예측 시점에 실제 측정한 생체값의 차이로부터 예측 오차를 계산하는 단계; 및
    상기 예측 오차에 기초하여 예측 모델을 재학습할지 결정하는 단계를 더 포함하는 것을 특징으로 하는 생체값의 예측 방법.
  9. 제 8 항에 있어서,
    상기 예측 오차가 임계값 또는 임계 비율보다 큰 경우 예측 모델을 재학습하는 것으로 결정하는 것을 특징으로 하는 생체값의 예측 방법.
  10. 제 8 항에 있어서, 상기 생체값의 예측 방법은
    단위 시간 동안 예측 오차의 발현 특징에 기초하여 상기 예측 모델을 재생성할지 결정하는 단계를 더 포함하는 것을 특징으로 하는 생체값의 예측 방법.
  11. 제 10 항에 있어서, 상기 발현 특징은
    상기 단위 시간 동안 상기 예측 오차가 임계값 또는 임계 비율을 연속하여 초과하는 횟수 및 상기 단위 시간 동안 상기 예측 오차가 임계값 또는 임계 비율을 초과하는 전체 횟수 중 적어도 어느 하나인 것을 특징으로 하는 생체값의 예측 방법.
  12. 제 8 항에 있어서, 상기 생체값의 예측 방법에서
    예측 모델의 재학습 또는 예측 모델의 재생성은 상기 예측 모델을 생성하는데 이용한 이전 데이터 세트 이외에 현재 시점까지 측정한 사용자의 생체 정보로부터 생성되는 이후 데이터 세트를 이용하는 것을 특징으로 하는 생체값의 예측 방법.
PCT/KR2022/007876 2021-12-03 2022-06-02 생체값의 예측 방법 WO2023101119A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
AU2022401221A AU2022401221A1 (en) 2021-12-03 2022-06-02 Biometric value prediction method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020210171649A KR20230083550A (ko) 2021-12-03 2021-12-03 생체값의 예측 방법
KR10-2021-0171649 2021-12-03

Publications (1)

Publication Number Publication Date
WO2023101119A1 true WO2023101119A1 (ko) 2023-06-08

Family

ID=86612432

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/007876 WO2023101119A1 (ko) 2021-12-03 2022-06-02 생체값의 예측 방법

Country Status (3)

Country Link
KR (1) KR20230083550A (ko)
AU (1) AU2022401221A1 (ko)
WO (1) WO2023101119A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050037903A (ko) * 2003-10-20 2005-04-25 케이제이헬스케어 주식회사 혈당측정 기능을 갖는 이동통신 단말기와, 이를 이용한검진 시스템 및 방법
KR20120080270A (ko) * 2011-01-07 2012-07-17 동명대학교산학협력단 지능형 생체신호 처리시스템 및 그가 적용된 휴대용 생체신호 처리기
KR20210012791A (ko) * 2019-07-26 2021-02-03 한국전자통신연구원 기계학습 기반 예측 모델 재학습 장치 및 그 방법
KR20210015045A (ko) * 2019-07-31 2021-02-10 서울대학교산학협력단 혈당측정장치 및 이를 이용하는 혈당측정시스템
KR20210107428A (ko) * 2020-02-24 2021-09-01 주식회사 에이티센스 기계 학습 기반의 심장질환 예측 모델 구축 장치, 심장질환 예측 모델 구축 방법, 기계 학습 기반으로 구축된 모델을 이용하여 심장질환 여부를 출력하는 심장질환 측정 장치, 방법 및 상기 방법들을 실행하기 위한 컴퓨터 프로그램들

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050037903A (ko) * 2003-10-20 2005-04-25 케이제이헬스케어 주식회사 혈당측정 기능을 갖는 이동통신 단말기와, 이를 이용한검진 시스템 및 방법
KR20120080270A (ko) * 2011-01-07 2012-07-17 동명대학교산학협력단 지능형 생체신호 처리시스템 및 그가 적용된 휴대용 생체신호 처리기
KR20210012791A (ko) * 2019-07-26 2021-02-03 한국전자통신연구원 기계학습 기반 예측 모델 재학습 장치 및 그 방법
KR20210015045A (ko) * 2019-07-31 2021-02-10 서울대학교산학협력단 혈당측정장치 및 이를 이용하는 혈당측정시스템
KR20210107428A (ko) * 2020-02-24 2021-09-01 주식회사 에이티센스 기계 학습 기반의 심장질환 예측 모델 구축 장치, 심장질환 예측 모델 구축 방법, 기계 학습 기반으로 구축된 모델을 이용하여 심장질환 여부를 출력하는 심장질환 측정 장치, 방법 및 상기 방법들을 실행하기 위한 컴퓨터 프로그램들

Also Published As

Publication number Publication date
KR20230083550A (ko) 2023-06-12
AU2022401221A1 (en) 2024-05-16

Similar Documents

Publication Publication Date Title
WO2021107335A1 (ko) 연속혈당측정시스템에서 혈당값을 교정하는 방법
US11937920B2 (en) Cloud big data-based intelligent real-time dynamic blood glucose monitoring system and method
WO2005110029A2 (en) Method and apparatus for real time predictive modeling for chronically ill patients
WO2021015389A1 (ko) 연속 혈당 측정 시스템에서 생체 정보를 분실없이 송수신하는 방법
EP4098194A1 (en) Method for calculating calibration sensitivity of sensor for insertion into body
CN111568445B (zh) 一种基于谵妄动态预测模型的谵妄风险监测方法及系统
CN108847284B (zh) 人体生物年龄测算装置及系统
WO2020111787A1 (en) Method for providing recommendations for maintaining a healthy lifestyle basing on daily activity parameters of user, automatically tracked in real time, and corresponding system
WO2022114793A1 (ko) 빅데이터 기반의 당뇨병 발병 위험도 예측 시스템, 예측 방법, 및 프로그램
CN112437629A (zh) 确定被监测对象的生命体征的可靠性
CN111000569A (zh) 一种异常血糖智能认知的监护系统
WO2023101119A1 (ko) 생체값의 예측 방법
CN117133464B (zh) 一种老年人健康智能监测系统及监测方法
WO2022114791A1 (ko) 빅데이터 기반의 질환 발병 위험도 예측 시스템, 예측 방법, 및 프로그램
CN116188946B (zh) 一种基于神经网络的血糖浓度预测系统
WO2022065569A1 (ko) 혈당 조절 시스템 및 방법
JP2020529234A (ja) 嚥下障害分類モデルの信号品質を判定するための方法及びデバイス
WO2023017921A1 (ko) 연속혈당 데이터를 이용한 당 관리 장치 및 그 방법
CN112133398A (zh) 血糖管控方法、系统及存储介质
Reeves et al. Novel technologies for detection and prevention of diabetic foot ulcers
WO2023136574A1 (ko) 연속생체 정보 측정 시스템에서 생체 신호를 교정하는 방법
CN114557690B (zh) 一种用于连续葡萄糖监测的校准系统及方法
WO2022124790A1 (en) Systems and methods for atrial fibrillation burden estimation, notification and management in daily free-living scenarios
CN108335750B (zh) 动态分析血糖值的方法、系统与计算机存储介质
CN108968975A (zh) 基于人工智能的血糖值的测量方法及设备

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: 22901480

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: AU2022401221

Country of ref document: AU

ENP Entry into the national phase

Ref document number: 2022901480

Country of ref document: EP

Effective date: 20240429

ENP Entry into the national phase

Ref document number: 2022401221

Country of ref document: AU

Date of ref document: 20220602

Kind code of ref document: A