WO2023163436A1 - 인지 장애 판별 방법 및 장치 - Google Patents

Abstract

대상체에 부착된 가속도계에서 측정된 보행 특징값을 바탕으로 인지 장애 여부를 판별하는 모델을 개시하며, 신상 데이터 및 보행 데이터를 입력받아 보행 속도 및 걸음 시간 변동성을 예측 변수로 포함하는 수학적 선행 회귀식을 포함하는 모델을 사용하여 인지 장애 여부를 판단하는 구성을 개시하며, 근본 원인에 관계없이 치매와 같은 인지 장애를 쉽고 빠르게 선별하며, 초기 단계의 인지 장애도 정확하게 판별 가능한 인지 장애 판별 방법을 제공한다.

Description

인지 장애 판별 방법 및 장치

본 개시는 인지 장애 판별 방법, 장치 및 컴퓨터 프로그램 제품을 제공한다.

인간의 걸음걸이는 말초신경계와 중추신경계와 연관이 있으며, 나이가 증가함에 따라 보행 속도(gait speed), 분속수(cadence), 보장(step length), 걸음 시간(step time), 변동성(variability) 및 비대칭성(asymmetry)이 변화한다. 또한 인간의 보행은 경도 인지 장애(mild cognitive impairment) 및 치매(dementia)와 같은 인지 장애(cognitive disorder, CD)에서도 변화한다. 느린 보행 속도 및 높은 보행 변동성(gait variability)은 인지 장애의 유병률 및 발생률과 연관이 있다. 선행 연구에 의하면, 느린 보행 속도는 정보 처리 속도와 관련된 뇌 영역과 연관이 있는 반면에 시간적 보행 변동성(temporal gait variability)은 피질 감각 운동 제어와 관련된 뇌 영역과 연관이 있다. 이러한 연구 결과에 따르면, 느린 보행 속도는 혈관성 치매(vascular dementia) 또는 파킨슨병 치매(Parkinson's dementia)의 위험과 연관이 있는 반면, 시간적 보행 변동성은 뇌혈관 및/또는 파킨슨병과 관련 없는 인지 저하의 위험과 연관이 있다. 인지 감퇴와 느린 보행 속도를 특징으로 하는 운동성 인지 위험 증후군은 치매의 새로운 고위험 조건이며, 이는 또한 알츠하이머병(Alzheimer's disease)보다는 혈관성 치매 및 파킨슨병 치매의 위험과 관련 있는 것으로 보고되고 있다. 시간적 보행 변동성 또한 인지 저하와 관련이 있지만, 보행 속도 대신에 시간적 보행 변동성을 사용하거나 또는 보행 속도 및 시간적 보행 변동성을 동시에 사용하여 인지 장애를 예측하거나 판별한 연구는 기존에 없었다.

한편, 이러한 연구의 부재는 시간적 보행 변동성을 측정하는데 신뢰할 만하고 접근 가능한 방법이 충분하지 않다는 문제 때문일 수 있다. 보행은 다양한 방법으로 분석될 수 있으나 실험실 기반의 3차원 모션 캡쳐 시스템과 보행 레일 기계(instrumented walkways)을 이용한 보행 분석은 공간적 제약으로 인해 제한된 수의 걸음만 측정할 수 있어 낮은 신뢰도를 보이며, 인지 장애를 스크리닝 하기 위한 도구로서는 비용이 높다는 단점이 있다.

이에 따라 공간적인 제약이 적으며 저렴한 웨어러블 가속도 센서를 사용하여 보행을 측정하고 보행 측정을 통해 얻은 데이터를 이용하여 인지 장애를 판별하기 위한 알고리즘의 개발의 필요성이 대두되고 있다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 발명은 인지 장애 판별 방법, 장치 및 컴퓨터 프로그램 제품에 대한 다양한 실시예를 개시한다. 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 이하의 실시예들로부터 또 다른 기술적 과제들이 유추될 수 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은, 프로세서에 의해 각 단계가 수행되는 인지 장애 판별 방법에 있어서, 인지 장애 판별 대상이 되는 피측정자 N명을 결정하고, 피측정자들의 신상 데이터를 획득하는 단계; 상기 피측정자들에 대하여 임상 결과 데이터를 획득하는 단계; 상기 피측정자들에 대하여 피측정자의 체중심(Center of body mass)에 착용된 관성 측정 유닛(inertia measurement unit)을 이용하여 측정된 보행 측정값을 바탕으로 보행 데이터를 획득하는 단계; 및 획득한 데이터 세트에 기초하여 복수개의 예측 변수(predictor)를 포함하는 인지 장애 판별 모델을 개발하는 단계; 를 포함하며, 상기 인지 장애 판별 모델은 상기 보행 데이터에 포함된 보행 속도 및 걸음 시간 변동성(step time variability)을 예측 변수의 일부로서 포함하는, 방법을 개시한다.

여기서, 상기 신상 데이터를 획득하는 것은, 상기 피측정자들의 연령(age), 성별(sex), 교육 년수(education), 키(height), 몸무게(weight), 하지 관절염(lower limb arthritis) 존재 여부 및 간이 정신 상태 검사(Mini Mental State Examination, MMSE) 결과를 입력받아 획득하는 것이다.

여기서, 상기 임상 결과 데이터를 획득하는 것은,

기설정된 진단 기준에 따라 경도 인지 장애 및 치매를 포함하는 인지 장애를 진단한 결과, 인지 장애가 진단된 피측정자들은 제1 그룹으로 분류하고, 인지 장애가 진단되지 않은 피측정자들은 제2 그룹으로 분류한 결과를 입력받는 것이다.

상기 보행 데이터를 획득하는 것은, 상기 피측정자의 체중심에 착용된 상기 관성 측정 유닛을 이용하여 상기 피측정자가 걷기 시 측정된 신호를 획득하는 단계; 및 획득한 신호를 바탕으로 분속수, 걸음 시간, 보행 속도, 보장 및 걸음 시간 변동성을 획득하는 단계;를 포함한다.

여기서 상기 인지 장애 판별 모델을 개발하는 단계는, 상기 데이터 세트를 개발 데이터 세트(development dataset) 및 검증 데이터 세트(validation dataset)로 분할하는 단계; 상기 개발 데이터 세트에 대하여 상기 보행 데이터의 일부 및 상기 신상 데이터의 일부를 독립 변수(independent variable)로 하여 이분 로지스틱 회귀 분석(binary logistic regression analysis)를 이용하여, 상기 보행 속도 및 걸음 시간 변동성을 예측 변수의 일부로 포함하는 인지 장애 판별 모델을 개발하는 단계; 상기 개발 데이터 세트에 대하여 상기 신상 데이터의 일부를 독립 변수로 하여 이분 로지스틱 회귀 분석을 이용하여, 간이 정신 상태 검사 점수 및 연령을 예측 변수로 포함하는 비교 모델을 개발하는 단계; 및 개발한 상기 인지 장애 판별 모델과 상기 비교 모델을 상기 개발 데이터 세트 및 상기 검증 데이터 세트에 대하여 ROC(Receiver Operating characteristics) 곡선을 생성하고 곡선 아래 면적(area under the curve, AUC)을 비교하여 상기 인지 장애 판별 모델의 판별 성능을 평가하는 단계; 를 포함한다.

여기서 개발한 상기 인지 장애 판별 모델을 이용하여, 판별 대상자의 인지 장애 여부를 판별하는 단계; 를 더 포함한다.

여기서 상기 판별 대상자의 인지 장애 여부를 판별하는 방법은, 상기 판별 대상자의 교육 년수를 획득하고, 상기 판별 대상자의 체중심에 착용된 관성 측정 유닛으로부터 측정된 3축 가속도(tri-axial acceleration)신호 및 3축 각속도(tri-axial angular velocity)신호를 수신하여 이를 바탕으로 보행 속도 및 걸음 시간 변동성을 획득하고, 획득된 값들을 상기 인지 장애 판별 모델에 대입하여 인지 장애 여부를 판별한다.

본 개시의 제2측면은 인지 장애 판별 대상이 되는 피측정자 N명을 결정하고, 피측정자들의 신상 데이터를 획득하는 단계; 상기 피측정자들에 대하여 임상 결과 데이터를 획득하는 단계; 상기 피측정자들에 대하여 피측정자의 체중심에 착용된 관성 측정 유닛을 이용하여 측정된 보행 측정값을 바탕으로 보행 데이터를 획득하는 단계; 획득한 데이터 세트에 기초하여 복수개의 예측 변수를 포함하는 인지 장애 판별 모델을 개발하는 단계; 및 개발된 인지 장애 판별 모델을 이용하여 판별 대상자의 인지 장애 여부를 판별하는 단계; 를 포함하며, 상기 인지 장애 판별 모델은 상기 보행 데이터에 포함된 보행 속도 및 걸음 시간 변동성을 예측 변수의 일부로서 포함하는 방법을 수행하도록 하는 프로그램이 저장된 하나 이상의 컴퓨터로 읽을 수 있는 기록매체를 포함하는 컴퓨터 프로그램 제품을 제공한다.

본 개시의 제3측면은 피측정자들 및 판별 대상자의 신상 데이터 및 임상 결과 데이터를 입력 받으며, 판별된 상기 판별 대상자의 인지 장애 여부를 출력하는 입출력부; 상기 피측정자 및 판별 대상자의 체중심에 착용된 관성 측정 유닛을 이용하여 측정된 보행 측정값을 수신하는 네트워크부; 인지 장애 판별 대상이 되는 피측정자들 및 판별 대상자의 신상 데이터, 임상 결과 데이터를 획득하도록 입출력부를 제어하고, 상기 수신된 보행 측정값을 바탕으로 보행 데이터를 획득하고, 획득한 데이터 세트에 기초하여 복수개의 예측 변수를 포함하는 인지 장애 판별 모델을 개발하며, 개발된 인지 장애 판별 모델을 통해 입력된 판별 대상자의 인지 장애 여부를 판별하는 프로세서; 및 상기 획득한 신상 데이터, 임상 결과 데이터 및 보행 데이터를 저장하는 저장부; 를 포함하며, 상기 인지 장애 판별 모델은 상기 보행 데이터에 포함된 보행 속도 및 걸음 시간 변동성을 예측 변수의 일부로서 포함하는, 장치를 제공한다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

전술한 본 개시의 과제 해결 수단에 의하면, 가속도계에서 측정된 보행 특징값을 바탕으로 인지 장애 여부를 판별함으로써, 근본 원인에 관계없이 치매와 같은 인지 장애를 쉽고 빠르게 선별하며, 초기 단계의 인지 장애도 정확하게 판별 가능한 인지 장애 판별 방법을 제공한다.

또한 본 개시의 과제 해결 수단에 의하면, 대상자가 일상 생활에서 쉽게 반복적으로 인지 장애 판별을 수행할 수 있으며, 학습 효과에 영향을 받지 않고 사회 교육적으로도 영향을 받지 않는 정확한 인지 장애 판별 결과를 도출하는 인지 장애 판별 방법을 제공한다.

도 1은 일 실시예에 따른 인지 장애 판별 시스템의 블록도이다.

도 2는 일 실시예에 의한 인지 장애 판별 방법에 포함되는 인지 장애 판별 모델을 개발하는 방법을 나타낸 순서도이다.

도 3은 도 2의 단계 140을 상세히 나타낸 흐름도이다.

도 4는 도 2의 단계 150을 상세히 나타낸 흐름도이다.

도 5는 인지 장애 판별 장치(20)의 개발에 참여한 피측정자들의 데이터 세트의 특징을 나타낸 표이다.

도 6은 본 발명에 의한 인지 장애 판별 모델의 특성을 나타낸 표이다.

도 7a 내지 도 7c는 인지 장애 판별 모델의 성능 검증 결과를 나타낸 것이다.

도 8은 개발된 모델들의 가중 복합 점수(weighted composite score)의 상관 관계를 나타낸 표이다.

도 9는 일 실시예에 의한 인지 장애 판별 장치(20)를 나타낸 블록도이다.

도 10는 다른 실시예에 의한 인지 장애 판별 장치(20)의 구성을 나타낸 블록도이다.

도 11은 일 실시예에 의한 인지 장애 판별 방법을 도시한 흐름도이다.

본 발명은 인지 장애 판별 방법, 장치 및 컴퓨터 프로그램 제품에 대한 다양한 실시예를 개시하며, 프로세서에 의해 각 단계가 수행되는 인지 장애 판별 방법에 있어서, 인지 장애 판별 대상이 되는 피측정자 N명을 결정하고, 피측정자들의 신상 데이터를 획득하는 단계; 상기 피측정자들에 대하여 임상 결과 데이터를 획득하는 단계; 상기 피측정자들에 대하여 피측정자의 체중심(Center of body mass)에 착용된 관성 측정 유닛(inertia measurement unit)을 이용하여 측정된 보행 측정값을 바탕으로 보행 데이터를 획득하는 단계; 및 획득한 데이터 세트에 기초하여 복수개의 예측 변수(predictor)를 포함하는 인지 장애 판별 모델을 개발하는 단계; 를 포함하며, 상기 인지 장애 판별 모델은 상기 보행 데이터에 포함된 보행 속도 및 걸음 시간 변동성(step time variability)을 예측 변수의 일부로서 포함하는, 방법을 개시한다.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.

이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.

이하의 실시예에서, 막, 영역, 구성 요소 등의 부분이 다른 부분 위에 또는 상에 있다고 할 때, 다른 부분의 바로 위에 있는 경우 뿐만 아니라, 그 중간에 다른 막, 영역, 구성 요소 등이 개재되어 있는 경우도 포함한다.

도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 형태 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.

이하의 실시예에서, x축, y축 및 z축은 직교 좌표계 상의 세 축으로 한정되지 않고, 이를 포함하는 넓은 의미로 해석될 수 있다. 예를 들어, x축, y축 및 z축은 서로 직교할 수도 있지만, 서로 직교하지 않는 서로 다른 방향을 지칭할 수도 있다.

어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서 또는 단계는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정 또는 단계가 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.

이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.

도 1은 일 실시예에 따른 인지 장애 판별 시스템의 블록도이다.

일 실시예에 따른 인지 장애 판별 시스템은 관성 측정 유닛(10), 인지 장애 판별 장치(20) 및 사용자 단말(30)을 포함할 수 있다.

관성 측정 유닛(10)은 가속도 및 각속도를 측정하는 장치로서, 피대상체에 부착되어 피대상체의 움직임을 통해 3축 가속도, 3축 각속도 등을 측정하는 장치일 수 있다. 즉, 관성 측정 유닛(10)은 공간과 시간 상의 보행 특징을 측정하기 위한 장치일 수 있다.

관성 측정 유닛(10)은 피대상체의 체중심에 장착될 수 있다. 체중심에 관성 측정 유닛(10)이 부착될 때, 가장 정확하고 신뢰성 높은 보행 특징을 측정할 수 있기 때문이다. 관성 측정 유닛(10)은 소정의 접착 물질을 이용하여 사람의 허리에 부착된 3축 가속도계일 수 있다. 관성 측정 유닛(10)은 측정값을 신호 형태로 네트워크를 통해 인지 장애 판별 장치(20)에 전송할 수 있다.

인지 장애 판별 장치(20)는 관성 측정 유닛(10)으로부터 신호를 수신하고, 사용자 단말(30)로부터 데이터를 수신하거나, 사용자로부터 직접 데이터를 수신하여, 수신한 값들을 바탕으로 인지 장애 판별을 수행한 후 그 결과를 사용자에게 제공할 수 있다. 인지 장애 판별 장치(20)는 네트워크를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구성될 수 있다.

선택적 실시예에 의하면, 인지 장애 판별 장치(20)는 사용자 단말(30) 등에 다운로드 받는 프로그램 또는 어플리케이션 형태일 수도 있으며, 인자 장애 판별 방법을 웹으로 제공하는 서버의 형태일 수도 있다. 이하에서는 본 발명의 인지 장애 판별 방법을 수행하는 장치, 서버, 단말, 어플리케이션, 프로그램 및 어플리케이션/프로그램을 저장한 기록매체 등을 모두 통칭하여 인지 장애 판별 장치(20)라고 부르기로 한다.

사용자 단말(30)은 스마트폰, 태블릿, PC, 웨어러블 스마트 기기, 건강 관리 전용 스마트 기기 등의 모바일 또는 비모바일 컴퓨팅 디바이스일 수 있다. 사용자 단말(30)은 네트워크를 통해 다른 장치와 통신을 수행하는 모든 종류의 디바이스를 포함할 수 있다. 사용자 단말(30)은 인지 장애 판별 장치(20)로부터 결과를 수신할 수 있으며, 인지 장애 판별 장치(20)로 피측정자의 데이터를 전송할 수도 있다.

본 발명의 선택적 실시예에 의하면, 사용자 단말(30)과 인지 장애 판별 장치(20)는 일체로 구성될 수도 있다. 이 경우 인지 장애 판별 장치(20)는 어플리케이션의 형태로 사용자 단말(30)에 설치될 수 있다.

다른 선택적 실시예에 의하면, 사용자 단말(30), 인지 장애 판별 장치(20) 및 관성 측정 유닛(10)이 일체로 구성될 수도 있다. 이 경우, 사용자 단말(30)에는 관성 측정 유닛(10)이 내장되어 있고, 인지 장애 판별 장치(20)는 어플리케이션의 형태로 사용자 단말(30)에 설치될 수 있다.

또 다른 선택적 실시예에 의하면, 사용자 단말(30)과 관성 측정 유닛(10)이 일체로 구성되며, 인지 장애 판별 장치(20)가 사용자 단말(30)에서 측정된 값을 수신할 수 있다.

또 다른 선택적 실시예에 의하면 도 1의 시스템은 의료 서비스 제공 서버(미도시)를 더 포함할 수 있다. 의료 서비스 제공 서버는 네트워크를 통해 다른 장치와 통신을 수행하는 컴퓨팅 장치일 수 있다. 의료 서비스 제공 서버는 인지 장애 판별 장치(20)로부터 결과를 수신할 수 있으며, 인지 장애 판별 장치(20)로 피측정자의 데이터를 전송할 수 있다.

네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다. 또한, 무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra-wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.

도 2는 일 실시예에 의한 인지 장애 판별 방법에 포함되는 인지 장애 판별 모델을 개발하는 방법을 나타낸 순서도이다. 도 2에 도시된 각 단계는 인지 장애 판별 장치에 의해 수행될 수 있으며, 상세히 인지 장애 판별 장치에 포함된 프로세서에 의해 수행될 수 있다.

먼저, 인지 장애 판별 장치(20)는 피측정자 N명을 결정한다. 여기서 피측정자 N명은 인지 장애 판별 장치(20) 내에 저장된 기준에 의해 결정될 수 있다.

다음으로, 인지 장애 판별 장치(20)는 결정된 피측정자들의 신상 데이터를 획득한다. 여기서 신상 데이터는 인지 장애 판별 장치(20)에 직접 입력될 수도 있고, 사용자 단말(30)이나 의료 서비스 제공 서버로부터 수신하여 획득할 수도 있다. 여기서, 신상 데이터는 피측정자들의 인구통계학적(demographic) 및 인체 측정학적(anthropometric) 데이터를 의미한다. 일 실시예에 의하면, 신상 데이터는 피측정자들의 연령, 성별, 교육 년수, 키, 몸무게, 하지 관절염 존재 여부 및 간이 정신 상태 검사 결과(점수)를 포함할 수 있다. 여기서, 하지 관절염은 예를 들면 골관절염(osteoarthritis), 류마티스성 관절염(rheumatoid arthritis), 또는 외상 후 관절염(post-traumatic arthritis)일 수 있다. 한편, 신상 데이터에는 발길이(foot length)가 더 포함될 수도 있다.

다음으로 인지 장애 판별 장치(20)는 피측정자들의 임상 결과 데이터를 획득한다. 임상 데이터 결과는 인지 장애 판별 장치(20)에 직접 입력될 수도 있고, 사용자 단말(30)이나 의료 서비스 제공 서버로부터 수신하여 획득할 수도 있다. 여기서 임상 결과 데이터는 피측정자의 인지 장애 진단 유무 일 수 있다. CD(cognitive disorder) 그룹은 인지 장애를 진단받은 피측정자들을 포함하는 그룹으로 정의하며, CN(cognitively normal) 그룹은 인지 장애를 진단 받지 않은 피측정자들을 포함하는 그룹으로 정의할 때, 기설정된 진단 기준에 따라 피측정자의 인지 장애를 진단한 후, 인지 장애가 진단된 피측정자들은 CD그룹에 포함시키고, 인지 장애가 진단되지 않은 피측정자들은 CN그룹으로 포함시킬 수 있다. 임상 결과 데이터는 피측정자에 대하여 진단된 그룹의 명칭을 임상 결과 데이터로 입력하는 것일 수 있다.

다음으로 인지 장애 판별 장치(20)는 피측정자들의 보행 데이터를 획득한다. 인지 장애 판별 장치는 관성 측정 유닛(10)으로부터 측정된 3축 가속도 신호 및 3축 각속도 신호를 수신하고, 이를 가공하여 보행 데이터를 획득한다. 보행 데이터는 분속수, 걸음 시간, 보행 속도, 보장, 걸음 시간 변동성 및 걸음 시간 비대칭성(step time asymmetry)을 포함할 수 있다.

다음으로 인지 장애 판별 장치(20)는 획득한 데이터 세트를 바탕으로 인지 장애 판별 모델을 개발한다. 인지 장애 판별 장치(20)는 로지스틱 회귀 분석을 통해 인지 장애 판별 모델을 개발하며, 비교 모델 및 임상 결과 데이터를 통해 개발한 모델의 진단 성능(diagnostic performance)을 평가할 수 있다.

한편, 도 2에 더하여, 인지 장애 판별 장치(20)는 개발된 인지 장애 판별 모델을 이용하여 판별 대상자의 인지 장애 여부를 판별한 후 사용자에게 이를 제공할 수 있다.

이하에서는 각 단계에 대하여 보다 상세히 기술하기로 한다.

단계 110에서, 총 M명의 참가자를 포함하는 모집단으로부터 피측정자 N 명을 결정한다.

먼저, 장치는 제1기준에 의해 모집단을 결정한다. 여기서 제1기준은 제1연구를 기반으로 할 수 있다. 상세히, 제1연구의 참가자 총 M명을 모집단으로 하고, 모집단 중에서 N명을 피측정자로 결정할 수 있다. 여기서 제1연구는 고령 한국인에 대한 전국적인 인구 기반의 코호트 연구(cohort study)일 수 있다. 일 실시예에 의하면 제1연구는 한국인의 인지 노화와 치매에 대한 전향적 연구(Korean Longitudinal Study on Cognitive Aging and Dementia, KLOSCAD)일 수 있으며, 구체적으로 제1연구는 "Overview of the Korean longitudinal study on cognitive aging and dementia"(J. W. Han, T. H. Kim, K. P. Kwak, K. Kim, B. J. Kim, S. G. Kim, J. L. Kim, T. H. Kim, S. W. Moon, and J. Y. Park, Psychiatry investigation, vol. 15, no. 8, pp. 767, 2018.)일 수 있으나, 본 발명은 이에 한정되지 않고 피측정자는 다른 연구 또는 기준에 의해 변경될 수 있다. 예를 들어, 장치는 제1연구를 바탕으로 전국 30개 지역에서 주거 명단을 사용하여 무작위로 추출된 60세 이상의 지역 사회 거주 한국인 총 6818명을 모집단으로 형성할 수 있다.

다음으로, 장치는 결정된 모집단에서 제2기준에 의해 피측정자 N명을 결정한다. 여기서 제2기준은 보행 특성에 영향을 미칠 수 있는 병력을 가진 사람은 제외하는 기준일 수 있다. 상세히, 모집단 내의 참가자들 중에서 의료 이력을 바탕으로 보행 특성에 영향을 미칠 수 있는 병력을 가진 참가자들은 제외한 사람들을 피측정자 N명으로 결정할 수 있다. 구체적으로, 모집단 내의 참가자 M명 중에서 뇌졸중(stroke), 파킨슨병, 또는 운동 장애(movement disorder) 이력을 가지고 있거나, 편측 또는 양측 무릎(unilateral, bilateral knee)이나 고관절(hip) 치환술(arthroplasty) 이력을 가지고 있거나, 무릎(knee), 엉덩이(hip) 또는 발목 관절(ankle joint) 수술 이력을 가지고 있거나, 척추관 협착증(spinal stenosis), 척추 측만증(scoliosis), 척추 분리증(spondylolysis) 및 척추 전방 전위증(spondylolisthesis) 등의 척추 질환(spinal disease) 이력을 가지고 있는 참가자들을 제외한 60세 이상의 지역 사회 거주 한국인 중 N명을 피측정자로 결정할 수 있다.

단계 120에서 피측정자들의 신상 데이터를 획득한다.

장치는 피측정자들의 인구통계학적 및 인체측정학적 데이터를 신상 데이터로서 입력할 수 있다. 예를 들어 숙련된 연구원들은 상술한 인구통계학적 및 인체측정학적 데이터를 각 피측정자들로부터 수집하여 장치에 신상 데이터로써 입력할 수 있다. 여기서, 신상 데이터는 피측정자들의 인구통계학적 및 인체측정학적 데이터로서, 피측정자들 각각의 연령, 성별, 교육 년수, 키, 몸무게 및 하지 관절염 존재 여부를 포함할 수 있다. 여기서, 하지 관절염은 예를 들면 골관절염, 류마티스성 관절염, 또는 외상 후 관절염일 수 있다. 또한 신상 데이터는 발길이를 더 포함할 수 있다.

또한, 장치는 피측정자들의 각종 신경 심리학적 검사 결과를 신상 데이터로서 입력할 수 있다. 예를 들어, 신경심리학자나 숙련된 연구 간호사가 한국어 버전의 신경 인지 검사(Consortium to Establish a Registry for Alzheimer's Disease Assessment Packet, CERAD-K), 신경 심리 검사(Neuropsychological Assessment Battery), 숫자 외우기 검사(digit span test), 전두엽 기능 평가 검사(Frontal Assessment Battery), 간이 정신 상태 검사를 각 피측정자들에게 시행한 후, 그 결과 또는 점수를 신상 데이터로서 장치에 입력할 수 있다.

단계 130에서 장치는 피측정자들의 임상 결과 데이터를 획득한다.

장치는 피측정자들이 기설정된 진단 기준에 따라 인지 장애를 진단받은 결과를 임상 결과 데이터로 입력할 수 있다.

예를 들어 노인 정신과 의사 또는 노인 전문의는 피측정자를 대면하고 구체적인 병력을 획득하고, 실험실 검사 및 신체 및 신경학적 검사를 수행한다. 그 다음 노인 정신과 의사들로 구성된 패널이 기설정된 진단 기준에 따라 피측정자에 대한 진단을 수행한다. 여기서 진단 기준은 치매의 경우 제1기준에 의해 진단하였고, 경도 인지 장애의 경우 제2기준에 의해 진단하였다. 한편 알츠하이머병의 경우 제3기준에 의해, 루이소체 치매(dementia with Lewy bodies)의 경우 제4기준에 의해 진단할 수 있다. 여기서 제1기준은 정신 장애 진단 및 통계 편람 제4판의 기준이며, 제2기준은 경도 인지 장애에 관한 국제 실무 그룹의 합의 기준이며, 제3기준은 국립 신경 및 의사소통 장애 및 뇌졸중 연구소와 알츠하이머병 및 관련 장애 협회 기준이며, 제4기준은 McKeith IG, Dickson D, Lowe J, et al. Diagnosis and management of dementia with Lewy bodies third report of the DLB consortium. Neurology 2005;65:1863-1872.에서 제안한 합의 기준일 수 있으나, 이에 한정되지 않으며 공신력 있는 기준이라면 다른 기준도 적용 가능하다.

다음으로, 치매 및 경도 인지 장애로 진단된 피측정자들은 CD그룹으로 분류하고, 지역 사회에서 독립적으로 기능하고 객관적인 신경 심리 평가에서 어떠한 인지 장애의 증상을 보이지 않은 피측정자들은 CN그룹으로 분류할 수 있다. 이 경우 임상 결과 데이터를 획득하는 것은, 상술한 기준에 의해 피측정자들이 CD그룹 또는 CN그룹에 분류된 결과를 입력 받는 것을 의미할 수 있다.

단계 140에서 장치는 피측정자들의 보행 데이터를 획득한다.

장치는 피측정자에 부착된 관성 측정 유닛으로부터 보행 측정값을 수신 또는 입력받고, 입력된 보행 측정값을 바탕으로 보행 데이터를 생성한다.

보행 데이터는 관성 측정 유닛으로부터 측정된 신호를 기반으로 생성될 수 있다. 보행 데이터는 분속수, 걸음 시간, 보행 속도, 보장, 걸음 시간 변동성 및 걸음 시간 비대칭성을 포함할 수 있다.

도 3은 도 2의 단계 140을 상세히 나타낸 흐름도이다. 이하 단계 140을 도 3을 참조하여 보다 상세히 설명한다.

도 3을 참조하면, 단계 141에서 피측정자가 관성 측정 유닛(10)을 착용하고 보행 평가를 수행한다.

일 실시예에 의하면, 관성 측정 유닛(10)은 디지털 3축 가속도계 센서 및 자이로스코프(gyroscope)를 포함할 수 있다. 예를 들어 관성 측정 유닛으로 3.5 × 3.5 × 1.3 cm 크기의 가장자리가 부드러운 육면체이고 14g인 FitLife Inc사의 FITMETER®를 사용하거나, 3.0 Х 4.0 × 1.0 cm 크기의 가장자리가 부드러운 육면체이고 17g인 SMD solution의 ActiGraph®을 사용할 수 있다. 이러한 관성 측정 유닛은 250Hz의 샘플 속도에서 최대 ±8g(해상도 0.004g/0.00024g)의 3축 가속도와 최대 ±1,000/s(해상도 0.03/s)의 3축 각속도를 측정할 수 있다. 하지만 본 발명은 이에 한정되지 않고 디지털 가속도계 센서 및 자이로스코프가 내장된 스마트 폰 또는 스마트 의료 기기를 관성 측정 유닛(10)으로 사용할 수 있다.

관성 측정 유닛(10)이 피측정자의 체중심에 부착된 상태로, 피측정자의 보행 평가를 수행한다.

관성 측정 유닛(10)은 소정의 접착제를 이용하거나 탄성 밴드를 이용하여 피측정자의 체중심에 대응하는 등(back)의 3-4번째 요추 부분에 고정될 수 있다.

보행 평가는 관성 측정 유닛(10)을 부착한 피측정자들이 보행 구간을 편안하게 스스로 선택한 속도로 왕복 3회 걷는 방식으로 진행한다. 여기서 보행 구간은 14m의 평탄한 직선 보행로로 이루어져 있으며, 14m 선을 지난 후 회전하도록 동선이 설계될 수 있다. 하지만 보행 평가 방법 및 보행 구간은 상술한 바에 한정하지 않고 다양하게 변형될 수 있다.

단계 142에서 인지 장애 판별 장치(20)는 관성 측정 유닛(10)을 이용하여 측정된 신호를 수신한다.

관성 측정 유닛(10)은 피측정자가 보행 구간을 보행하는 동안 측정한 신호를 인지 장애 판별 장치로 전달한다. 여기서, 신호에는 다양한 보행 측정값이 포함되며, 예를 들어, 3축 가속도 및 3축 각속도가 포함될 수 있다.

일 실시예에 의하면, 인지 장애 판별 장치(20)는 수신한 신호를 전처리할 수 있다. 상세히, 인지 장애 판별 장치(20)는 피측정자의 가속 효과를 최소화하고 정상 상태 걷기를 측정하기 위하여, 획득한 신호 중에서 앞뒤 기설정된 길이만큼의 보행 구간에 대응하는 신호들은 제거할 수 있다. 예를 들어, 인지 장애 판별 장치(20)는 피측정자가 기준점 전 및 회전하기 전 2m길이의 보행 구간에 대응하는 신호를 제거하고 남은 중간의 10m 보행 구간에 대응하는 신호만을 유효한 신호로 취급할 수 있다.

단계 143에서 인지 장애 판별 장치(20)는 획득한 신호를 바탕으로 보행 데이터를 생성한다.

인지 장애 판별 장치(20)는 신호를 처리하고, 각 걸음(step)을 식별한다. 그리고 인지 장애 판별 장치(20)는 관성 측정 유닛(10)으로부터 획득한 신호와 기존에 획득한 피측정자의 신상 데이터를 바탕으로 보행 데이터를 획득한다. 여기서 보행 데이터는 분속수, 걸음 시간, 보행 속도, 보장, 걸음 시간 변동성, 및 걸음 시간 비대칭성을 포함할 수 있다.

분속수는 분당 걸음 수 즉, 보행율을 의미하며, 단위는 steps/min 일 수 있다. 분속수는 장치가 일정한 시간 동안 피측정자의 가속도 신호를 수신한 후, 가속도 신호의 피크와 피크 사이 구간을 걸음으로 정의할 때, 1분당 몇 번의 걸음이 포함되는지 계산하여 도출할 수 있다.

걸음 시간은 단위가 초(sec)이며, 한발의 최초로 접촉할 때부터 반대쪽 발이 최초로 접촉할 때까지의 각 걸음의 지속시간으로 정의된다. 걸음 시간은 분속수의 역수(inversed credence)에 60을 곱한 값으로 추정한다.

보행 속도는 단위가 cm/s이며, 평지에서 신체가 움직이는 거리로 초당 cm로 정의할 수 있다. 보행 속도는 롤 각도(Roll angle), 요 각도(Yaw angle) 및 몸무게를 보행 인자로 포함하는 수학적 선형 회귀식으로 도출할 수 있다. 예를 들면, 수학식 1로부터, 제1 모델의 선형 회귀식은 보행 속도를 추정하는 보행 인자로서 연령, 분속수, 수직 높이 변위(vertical height displacement, VHD), 발길이, 몸무게, 롤 각도 및 요 각도를 포함하는 것을 알 수 있으며, 각 보행 인자에 대응되는 계수를 가질 수 있다. 여기서, 수직 높이 변위는 하나의 보행 주기 내에서 체중심의 최대 및 최소 수직 높이 간의 차이의 평균이며, 관성 측정 유닛의 데이터로부터 산출될 수 있다. 발길이는 양쪽 발의 평균 길이로 신상 데이터에서 획득될 수 있다. 체중심의 롤 각도 및 요 각도는 몸통과 팔다리의 각도 운동을 반영할 수 있다. 롤 각도 및 요 각도는 관성 측정 유닛의 데이터로부터 산출되고, 그 값은 데카르트 좌표로 변환(re-oriented)될 수 있다.

[수학식 1]

Gait speed [model 1]

=-106.0-0.328×Age+ 1.10×Cadence+ 10.1×VHD+ 3.29×Footlength-0.115×Weight+ 1.01×Roll angle+ 0.647×Yaw angle

그러나 본 발명은 수학식 1에 의해 보행 속도를 도출하는 것에 한정하지 않고, 보행 속도는 본 발명의 출원인이 출원한 특허출원 제10-2021-0194313호에 기재된 다양한 모델을 사용하여 도출할 수도 있다.

보장은 단위가 cm이며, 이전 발 뒷꿈치에서 현재 발 뒤꿈치 사이의 거리로 정의할 수 있다. 보장은 아래 수학식 2와 같이 보행 속도에 60을 곱한 후 분속수로 나눈값일 수 있다.

[수학식 2]

걸음 시간 변동성은 단위가 %이며, 본 명세서에서 걸음 시간 변동성은 걸음 시간 변동 계수(Coefficient of variance step time, CV step time)로 표현할 수 있다. 걸음 시간 변동성은 왼발 및 오른발의 보행 주기가 얼마나 일정하게 유지되는지를 알려주는 지표로 정의할 수 있다. 걸음 시간 변동 계수는 아래 수학식 3와 같이 도출할 수 있다. 걸음 시간 변동 계수는 본 발명의 출원인이 출원한 특허출원 제10-2016-0124602호 (3축 가속도계를 기반으로 한 보행인자 및 보행사건 검출 방법)에 기재된 모델을 사용하여 도출할 수 있다. 상세히, 왼쪽 걸음의 걸음시간 표준편차(standard deviation) 및 걸음시간의 평균(mean)을 이용하여 왼쪽 걸음에 대한 걸음 시간 변동 계수를 구하고, 오른쪽 걸음의 걸음시간 표준편차 및 걸음시간의 평균을 이용하여 오른쪽 걸음에 대한 걸음 시간 변동 계수를 구함으로써, 왼쪽 및 오른쪽 걸음의 각각의 걸음 시간 변동 계수의 합을 2로 나누어 최종적인 걸음 시간 변동 계수를 도출할 수 있다.

[수학식 3]

한편, 본 명세서에서 걸음 시간 변동성은 시간적 보행 변동성과 동일한 값일 수 있다. 일반적으로 보행 변동성은 시간적 보행 변동성과 공간적 보행 변동성(spatial gait variability)을 포함할 수 있다. 이 중 시간적 보행 변동성은 공간적 보행 변동성보다 초기의 이상 보행 변동에 민감하고 신뢰도가 높다. 따라서, 시간적 보행 변동성에 해당하는 걸음 시간 변동성을 인지 장애 판별 모델의 독립 변수로 사용함으로써, 신뢰성 있는 인지 장애 판별 모델을 재발할 수 있다.

걸음 시간 비대칭성은 단위가 초(sec) 또는 밀리초(ms) 이며, 왼쪽의 걸음에 대한 걸음 시간의 평균값과 오른쪽 걸음에 대한 걸음 시간의 평균값의 절대적 차이(absolute difference)로 정의할 수 있다.

다시 도 2로 돌아가, 단계 150에서 획득한 데이터 세트에 기초하여 인지 장애 판별 모델을 개발한다.

인지 장애 판별 모델은 보행 데이터 기반의 알고리즘일 수 있으며, 복수개의 예측 변수를 포함할 수 있다. 상세히, 인지 장애 판별 모델은 보행 속도 및 걸음 시간 변동성을 예측 변수 중 일부로서 포함할 수 있다.

도 4는 도 2의 단계 150을 상세히 나타낸 흐름도이다. 이하에서는, 인지 장애 판별 모델을 개발하는 방법을 도 4를 참조하여 보다 상세히 설명한다.

도 4을 참조하면, 단계 151에서 인지 장애 판별 장치(20)는 획득한 총 데이터 세트를 개발 데이터 세트 및 검증 데이터 세트로 분할한다.

여기서 데이터 세트란, 피측정자들 각각의 신상 데이터, 임상 결과 데이터 및 보행 데이터를 모두 포함하는 전체 데이터들의 모음을 의미한다.

인지 장애 판별 장치(20)는 데이터 세트를 무작위로(randomly) 분할 할 수 있다. 그러나, 이에 한정하지 않고 양 세트에 동일한 비율의 CD그룹의 피측정자의 데이터 세트 및 CN그룹의 피측정자의 데이터 세트가 분포되도록 분할할 수도 있다. 예를 들면, 개발 데이터 세트 및 검증 데이터 세트 모두에 약 17%의 CD그룹의 피측정자의 데이터 세트가 포함되도록 분할할 수 있다. 여기서 CD그룹 및 CN그룹이란, 데이터 세트의 주인인 피측정자들을 진단 기준에 따라 치매, 경도 인지 장애, 알츠하이머병 또는 루이소체에 의한 치매가 진단된 피측정자들은 CD그룹으로 분류하고, 지역 사회에서 독립적으로 기능하고 객관적인 신경 심리 평가에서 어떠한 인지 장애의 증상을 보이지 않은 피측정자들은 CN그룹으로 분류한 것이다. CD그룹 및 CN그룹과 관련된 정보는 기 획득한 임상 결과 데이터로부터 얻을 수 있다.

한편, 개발 데이터 세트는 검증 데이터 세트 보다 많은 양의 데이터 세트를 포함하도록 분할 할 수 있다. 예를 들어 총 데이터 세트에 대하여 개발 데이터 세트는 80%, 검증 데이터 세트는 20%로 분할할 수 있다.

도 5는 인지 장애 판별 장치(20)의 개발에 참여한 피측정자들의 데이터 세트의 특징을 나타낸 표이다.

도 5를 참조하면, CN은 CN그룹에 포함된 피측정자들의 데이터 세트이며, CD는 CD그룹에 포함된 피측정자들의 데이터 세트를 의미한다. All은 전체 데이터 세트이고, Development dataset은 개발 데이터 세트를 의미하며, Validation dataset은 검증 데이터 세트를 의미한다.

도 5의 표에 포함된 값들 중 연속형 변수(continuous variable)는 평균(standard deviations)로 나타내었고, 범주형 변수(categorical variable)는 숫자(percentage)로 표현하였다. 한편, 연속형 변수의 경우 스튜던트 t-검정(Student's t-test)를 통해 비교하였고, 범주형 변수의 경우 카이 제곱 검정(chi-squared test)를 통해 비교하여 p-value(p*)를 획득하였다.

도 5를 참조하면, 총 595명의 피측정자들에 대하여 101명(17%)은 CD그룹에 포함되며, 나머지 494명은 CN그룹에 포함된다. 상세히, 획득한 임상 결과 데이터에 의하면, CD그룹에 포함된 101명 중에서 94명은 경도 인지 장애가 진단되었고, 6명은 알츠하이머병으로 인한 치매가, 1명은 루이소체로 인한 치매가 진단되었다.

CD그룹에 포함된 피측정자들의 신상 데이터를 살펴보면, CN그룹에 비하여 연령이 높고, 교육 년수가 낮으며, 키가 작고, 간이 정신 상태 검사 점수가 낮은 것을 확인할 수 있다. 또한, CD그룹에 포함된 피측정자들의 보행 데이터를 살펴보면, CN그룹에 비하여 분속수가 낮고, 걸음 시간이 길며, 걸음 시간 변동성이 크고, 걸음 시간 비대칭성이 크고, 느린 보행 속도 및 짧은 보장을 가지는 것을 확인할 수 있다.

단계 152에서 인지 장애 판별 장치(20)는 개발 데이터 세트에 대하여 로지스틱 회귀 분석을 이용한 인지 장애 판별 모델을 개발한다.

인지 장애 판별 모델은 관성 측정 유닛(10)의 측정값을 사용하여 피측정자의 인지 장애 여부를 판별하기 위한 회귀 모델일 수 있다. 여기서 인지 장애 여부를 판별하는 것이란, 상술한 진단 기준에 따라 판별 대상자가 치매 및 경도 인지 장애로 진단될 가능성이 높은 경우를 추정하는 것이다.

일 실시예에 의하면 전진 선택법(forward selection)을 적용한 이분 로지스틱 회귀 분석 모델을 사용하여 인지 장애를 판별하기 위한 회귀 기반의 모델(regression- based model)을 개발한다.

이분 로지스틱 회귀 분석 모델은 복수개의 독립 변수를 투입하여 투입된 독립 변수들 중에서 어떤 변수가 종속 변수를 판별하기 우수한 지 판단하는 모델이다. 전진 선택법이란, 투입된 독립 변수들 중에서 가장 설명력이 우수한 변수를 추가하는 방식이며, 투입된 독립 변수가 통계적 유의 수준을 만족하면 모델이 해당 독립 변수를 순차적으로 채용하는 방식이다.

여기서 종속 변수는 인지 장애 여부를 의미하며, 인지 장애 유(有), 인지 장애 무(無)로 이분형 결과를 도출하게 된다.

여기서 독립 변수는 걸음 시간 변동성, 보행 속도, 연령, 성별, 교육 년수, 키 및 하지 관절염 존재 여부를 사용한다. 인지 장애 판별 장치(20)는 피측정자의 신상 데이터 및 보행 데이터를 저장하고 있다. 신상 데이터는 연령, 성별, 교육 년수, 키, 몸무게, 하지 관절염 존재 여부 및 간이 정신 상태 검사 결과를 포함하며, 보행 데이터는 분속수, 걸음 시간, 보행 속도, 보장, 걸음 시간 변동성 및 걸음 시간 비대칭성을 포함한다.

인지 장애 판별 장치(20)는 이러한 변수들 중에서 기준에 따라 선정된 걸음 시간 변동성, 보행 속도, 연령, 성별, 교육 년수, 키 및 하지 관절염 존재 여부를 독립 변수로 사용할 수 있다. 독립 변수를 선정하는 기준은, 인지 장애 판별 여부에 큰 영향력을 주는 변수인지를 판단하여 선정할 수 있다.

예를 들면, 연령, 성별 및 교육 년수는 기존의 다양한 연구에 의하면 인지 장애 판별에 영향을 주는 변수임이 확인되었다.

또한, 걸음 시간 변동성 및 보행 속도의 경우 인지 장애 판별에 중요한 요소이다. 상세히, Blumen HM, Brown LL, Habeck C, et al. Gray matter volume covariance patterns associated with gait speed in older adults: a multi-cohort MRI study. Brain imaging and behavior 2019;13:446-460. 등 기존의 신경 영상 연구에 의하면 보행 속도는 정보 처리 속도와 실행 기능에 관여하는 뇌간, 소뇌, 일차 및 보조 운동 피질, 전두엽 피질 영역의 부피와 관련이 있다. 한편, Tian Q, Chastan N, Bair W-N, Resnick SM, Ferrucci L, Studenski SA. The brain map of gait variability in aging, cognitive impairment, and dementia―a systematic review. Neuroscience & Biobehavioral Reviews 2017;74:149-162.등 기존의 신경 영상 연구에 의하면 보행 변동성은 보행 전반, 기억 및 실행 기능에 관여하는 일차 감각 운동 피질(primary sensorimotor cortex), 해마(hippocampus), 전대상 피질(anterior cingulate cortex), 기저핵(basal ganglia), 및 후시상 방사(posterior thalamic radiation)의 부피와 관련이 있다.

그리고, 키의 경우 걸음 시간 변동성 및 보행 속도와 상관 관계가 크며, 하지 관절염 존재 여부도 걸음 시간 변동성 및 보행 속도와 큰 상관 관계를 가지고 있다.

장치는 이러한 기준에 의해 선택된 독립 변수들을 전진 선택법을 적용한 이분 로지스틱 회귀 모델에 투입한 후, 종속 변수의 도출에 큰 영향력을 주는 독립 변수들을 골라 예측 변수로 선택하고, 선택된 예측 변수들을 포함하는 인지 장애 판별 모델을 개발할 수 있다. 본 발명의 일 실시예에 의하면, 개발된 인지 장애 판별 모델은 보행 속도 및 걸음 시간 변동성과 교육 년수를 중요한 예측 변수(significant predictor)로 포함할 수 있다. 다시 말하면, 본 발명의 일 실시예에 의한 인지 장애 판별 모델은 피측정자의 인지 장애 여부를 판별할 때, 보행 측정값을 예측 변수로 포함하는 모델이다.

수학식 4는 개발된 인지 장애 판별 모델의 수학적 선형 회귀식이다. Gait speed는 보행 속도로 보행 데이터로부터 추출되며, step time variability는 걸음 시간 변동성으로 역시 보행 데이터로부터 추출된다. Education은 교육 년수로 신상 데이터로부터 추출된다.

[수학식 4]

2.286 - 0.040 × gait speed + 0.535 × step time variability - 0.115 × education

도 6은 본 발명에 의한 인지 장애 판별 모델의 특성을 나타낸 표이다.

수학식 4와 도 6을 참조하면, 인지 장애 판별 모델은 예측 변수 및 회귀 계수(regression coefficient, B)를 포함한다.

예측 변수들은 보행 속도, 걸음 시간 변동성(표 6에서는 gait variability로 표시됨) 및 교육 년수이며, 예측 변수들은 각각의 회귀 계수(도 6의 B)들을 가질 수 있다. 예를 들어, 보행 속도의 회귀계수는 -0.040이며, 걸음 시간 변동성의 회귀 계수는 0.535이며, 교육 년수의 회귀 계수는 -0.115이다. 여기서 각각의 회귀 계수들은 예측 변수들에 대한 판별력의 상대적 척도를 의미하며, 모델에 포함된 예측 변수들이 얼마나 종속 변수를 잘 판별하는지에 대한 파워를 나타낼 수 있다. 회귀 계수가 클수록 해당 예측 변수가 종속 변수 판별에 큰 영향력을 주는 것으로, 본 발명의 인지 장애 판별 모델의 포함된 예측 변수 중에서 걸음 시간 변동성은 가장 설명력이 큰 변수에 해당한다. 한편, 수학식 4의 2.286은 회귀 상수(도 6의 constant)에 해당한다.

도 6의 p-value(p)에도 나타나듯이, 보행 속도, 걸음 시간 변동성 및 교육 년수는 낮은 p-value(p) 값을 가지므로(p<0.05), 통계적으로 유의미한 값에 해당함을 다시한번 확인할 수 있다.

도 6의 OR은 Odds ratio를 의미하며, 모델에 투입된 독립 변수가 변화할 때 종속 변수가 얼마나 변화하는지에 대한 가능성을 나타낸 것이다. 예를 들면, 보행 속도의 경우 1cm/s 감소할 때, 인지 장애로 판별될 위험이 0.961배 증가함을 확인할 수 있다. 95% CI의 경우, confidence interval을 의미하며, OR의 신뢰구간을 의미한다.

수학식 4로 표현되는 인지 장애 판별 모델에서, 인지 장애를 판별하는 최적 절단점(optimal cutoff)은 > -1.56으로 도출될 수 있다. 여기서 최적 절단점은 인지 장애를 판별하는 기준 점수에 해당한다. 즉, 피측정자의 보행 속도, 걸음 시간 변동성 및 교육 년수를 인지 장애 판별 모델에 입력하면, 어떠한 실수값이 도출되는데, 그 실수값이 -1.56보다 크면 해당 피측정자는 인지 장애로 판별될 수 있다. 모델로부터 도출되는 실수값이 -1.56와 같거나 작으면 해당 피측정자는 인지 장애를 가지지 않는 것으로 판별될 수 있다.

참고로, 최적 절단점은 부트스트랩 샘플링을 통하여 도출할 수 있으며, 이 때 민감도(sensitivity)는 72.0 ± 6.6%, 특이도(specificity)는 74.4 ± 5.9%로 나타낸다.

단계 153에서 인지 장애 판별 장치(20)는 개발 데이터 세트에 대하여 로지스틱 회귀 분석을 이용한 비교 모델을 개발한다.

비교 모델은 관성 측정 유닛의 측정값 대신에 간이 정신 상태 검사 점수를 사용하여 피측정자의 인지 장애 여부를 판별하기 위한 회귀 모델일 수 있다. 비교 모델은 인지 장애 판별 모델을 검증하기 위해 도출된 것일 수 있다. 비교 모델을 도출하는 방식은 앞서 설명한 인지 장애 판별 모델을 도출하는 방식과 유사하므로 중복되는 설명은 생략한다.

비교 모델을 도출하기 위한 독립 변수로 간이 정신 상태 검사 점수 및 연령을 사용할 수 있다. 이렇게 도출된 비교 모델은 간이 정신 상태 검사 점수와 연령을 중요한 예측 변수로 포함할 수 있다. 다시 말하면, 비교 모델은 피측정자의 인지 장애 여부를 판별할 때, 간이 정신 상태 검사 점수를 예측 변수로 포함하는 모델이다.

수학식 5는 비교 모델의 수학적 선형 회귀식이다. MMSE score는 간이 정신 상태 검사 점수로 신상 데이터로부터 추출되며, age는 연령으로 역시 신상 데이터로부터 추출된다. 참고로, 비교 모델이 인지 장애를 판별하는 최적 절단점은 > -1.16로 도출되었고, 민감도는 56.7 ± 3.2%, 특이도는 88.3 ± 1.4%로 도출되었다.

[수학식 5]

단계 154에서 인지 장애 판별 장치(20)는 개발된 인지 장애 판별 모델을 검증한다.

인지 장애 판별 모델은 통계적 기준을 바탕으로 검증될 수 있고, 비교 모델에 의해 검증될 수도 있으며, 검증 데이터 세트를 통해 검증될 수도 있다.

먼저, 인지 장애 판별 장치(20)는 통계적 기준을 바탕으로 모델의 적합성을 시험할 수 있다.

상세히, 인지 장애 판별 장치(20)는 모델의 통계적 적합성(goodness of fit)을 p > 0.05에 대한 호스머-렘쇼 테스트(Hosmer-Lemeshow test with p > 0.05) 및 알고리즘 설명력(Nagelkerke R2 index)으로 평가할 수 있다. 회귀 계수는 종속 변수에 대한 독립 변수의 상대적 가중치로 해석할 수 있다. 그리고 각각 로지스틱 회귀 모델의 회귀 계수의 가중치가 적용된 로짓 점수(logit score)를 사용하여 가중 복합 점수를 계산할 수 있다.

또한, 인지 장애 판별 장치(20)는 AUC를 통해 인지 장애 판별 모델의 성능을 검증할 수 있다. 여기서 성능이란, 인지 장애 판별 성능 또는 진단 성능을 의미하며, 얼마나 정확하게 인지 장애 여부를 판별하는지를 말한다.

일 실시예로, 인지 장애 판별 장치(20)는 인지 장애 판별 모델 및 비교 모델의 AUC를 도출하고 비교하여 성능을 검증할 수 있다. 상세히, 인지 장애 판별 장치는 개발 데이터 세트 및 검증 데이터 세트에 대하여 양 모델의 ROC 곡선을 도출 및 비교하여 인지 장애 판별 모델의 성능을 검증할 수 있다. 보다 구체적으로 인지 장애 판별 장치는 두 모델 각각에 대한 ROC 곡선을 생성하고, Hanley JA, McNeil BJ. A method of comparing the areas under receiver operating characteristic curves derived from the same cases. Radiology 1983;148:839-843.에서 제안한 방법을 사용하여 양 모델의 AUC를 비교함으로써, 인지 장애 판별 모델의 판별 성능 또는 진단 성능을 평가할 수 있다.

일 실시예로, 인지 장애 판별 장치(20)는 개발 데이터 세트에 대하여 양 모델의 AUC를 도출하고 비교하여 성능을 검증할 수 있다. 먼저 인지 장애 판별 장치는 부트스트랩 샘플링 추정(bootstrap sampling estimation) 방법을 이용하여 가중 복합 점수의 최적 절단점, 민감도 및 특이도를 추정할 수 있다. 이 경우, 각각의 실행(run)에서 개발 데이터 세트의 80%가 무작위로 선택될 수 있다. 인지 장애 판별 장치는 100번의 실행의 결과를 종합함으로써, AUC의 부트스트랩 추정치, 최적 절단점, 민감도 및 특이도를 획득할 수 있다. 그런 다음, 인지 장애 판별 모델과 비교 모델 간의 부트스트랩-추정 평균 AUC을 도출하고 비교함으로써, 검증을 수행할 수 있다.

다른 실시예로, 인지 장애 판별 장치(20)는 검증 데이터 세트에 대한 AUC와 개발 데이터 세트에 대한 AUC를 비교할 수 있다. 상세히, 인지 장애 판별 장치는 검증 데이터 세트로부터 얻은 인지 장애 판별 모델의 AUC와 개발 데이터 세트로부터 얻은 인지 장애 판별 모델의 AUC를 비교하여 과적합(overfitting) 가능성을 확인할 수 있다.

또한, 인지 장애 판별 장치(20)는 검증 데이터 세트로부터 얻은 양 모델의 AUC를 비교함으로써 검증을 수행할 수 있다.

도 7a 내지 도 7c는 인지 장애 판별 모델의 성능 검증 결과를 나타낸 것이다. 이하이서는 도 7a 내지 도 7c를 참조하여 인지 장애 판별 모델의 성능 검증 결과를 확인한다. 이하에서 기술될 성능 검증 결과는 참조적인 것이며, 데이터 세트의 구성, 변수의 크기 등 조건에 따라 구체적인 결과 수치는 달라질 수 있다. 한편, 본 명세서에서 사용되는 통계적 유의성(statistical significance)는 양측 검정으로 p-value가 p < 0.05으로 설정할 수 있다.

먼저, 보행 데이터 기반의 알고리즘을 포함하는 인지 장애 판별 모델(Gait-based model)은 적절한 통계적 적합성을 보여 준다. 상세히, 호스머-렘쇼 테스트 결과 χ² = 4.16, df = 8, p = 0.843, 알고리즘 설명력 = 0.243으로 도출되어 적절한 통계적 적합성을 보여준다. 또한, 알고리즘 판별 정확도(classification accuracy, %)는 83.8%로 정확도도 높게 계산되었다.

참조적으로, 간이 정신 상태 검사 점수 기반의 알고리즘을 포함하는 비교 모델(MMSE-based model) 또한 적절한 통계적 적합성을 보여 준다. 상세히, 호스머램쇼 테스트 결과 χ² = 12.99, df = 8, p = 0.112, 알고리즘 설명력 = 0.271으로 도출되어 적절한 통계적 적합성을 보여준다. 또한, 알고리즘 판별 정확도는 86.1%로 정확도도 높게 계산되었다.

한편, 도 7a 내지 도 7c에서 나타나듯이 인지 장애 판별 모델은 높은 AUC값을 보여, 판별 성능 또는 진단 성능이 우수함(good)을 확인할 수 있다. AUC는 모델의 성능을 평가하는 수치로, AUC값이 0.7-0.8 이면 fair, 0.8-0.9 이면 good, 0.9-1.0 이면 excellent로 판단한다.

도 7a을 참조하면, 개발 데이터 세트 내에서 인지 장애 판별 모델의 AUC를 구하고, 비교 모델의 AUC를 구한 결과가 도시되어 있다. 상세히, 인지 장애 판별 모델은 개발 데이터 세트 내 AUC가 0.788로 이 때 standard error [SE]는 0.027, 95% CI는 0.748- 0.823, p값은 p < 0.001로 나타난다. 비교 모델은 개발 데이터 세트 내 AUC가 0.762로 이 때 standard error [SE]는 0.033, 95% CI 는 0.721- 0.799, p값은 p < 0.001로 나타났다. 이와 같이, 보행 데이터 기반의 알고리즘을 포함하는 인지 장애 판별 모델(Gait-based model)의 AUC가 간이 정신 상태 검사 점수 기반의 알고리즘을 포함하는 비교 모델(MMSE-based model)의 AUC보다 크므로, 인지 장애 판별 모델이 우수한 성능을 가진 것을 확인할 수 있다.

다음으로, 개발 데이터 세트에서 부트스트랩 샘플링에 의해 100개의 샘플이 추출된 것에 대하여, 두 모델에 대한 AUC를 비교하였다. 인지 장애 판별 모델의 부트스트랩 추정 평균 AUC는 0.787 ± 0.015 이고, 비교 모델의 부트스트랩 추정 평균 AUC는0.760 ± 0.016로 도출되었다. 이 경우에도 인지 장애 판별 모델의 AUC가 비교 모델이 비해 큰 것을 확인할 수 있다.

또한, 인지 장애 판별 모델을 독립적인 검증 데이터 세트에 적용하였을 때, 판별 성능 또는 진단 성능은 우수(good)로 평가되었다. 도 7b를 참조하면, 이 경우 인지 장애 모델의 AUC는 0.811이며, SE는 0.046 이고, 95% CI는 0.729- 0.877, p-value는 p < 0.001 이다. 인지 장애 판별 모델의 AUC가 비교 모델의 AUC보다 큰 값을 가지는 것을 확인 할 수 있다.

그리고, 인지 장애 판별 모델을 검증 데이터 세트 및 개발 데이터 세트에 각각 적용한 경우에도 높은 AUC를 확인할 수 있다. 도 7c을 참조하면, 인지 장애 판별 모델을 개발 데이터 세트에 적용하였을 경우 AUC는 0.788로 확인되었고, 인지 장애 판별 모델을 검증 데이터 세트에 적용하였을 경우 AUC는 0.811로 확인되었다. 즉, 양 데이터 세트에서 인지 장애 판별 모델은 비슷하게 높은 판별 성능 또는 진단 성능을 보임을 확인할 수 있다.

한편, 선택적 실시예에 의하면, 인지 장애 판별 장치는 피어슨 상관 분석(Pearson's correlation analysis)을 사용하여 각 모델들이 서로 상관 관계를 가지며, 약간의 차이가 있으나 인지 장애를 판별하는 성능을 유사하게 가지고 있음을 확인할 수 있다. 상관 관계 분석은 다양한 데이터 세트에서 피어슨 상관 분석을 사용하여 인지 장애 판별 모델, 비교 모델, 그리고 추가로 간이 정신 상태 검사 점수의 가중 복합 점수의 상관 관계를 분석하는 것으로 구현될 수 있다.

도 8은 개발된 모델들의 가중 복합 점수의 상관 관계를 나타낸 표이다.

도 8을 참조하면, 인지 장애 판별 모델과 비교 모델의 전체 피측정자에 대한, CD 그룹에 대한 및 CN그룹에 대한 가중 복합 점수의 상관 관계는 매우 유의미한 것을 확인할 수 있다. 또한, 인지 장애 판별 모델과 간이 정신 상태 검사 점수의 피측정자에 대한, CD 그룹에 대한 및 CN그룹에 대한 가중 복합 점수의 상관 관계도 매우 유의미한 것을 확인할 수 있다.

요약하면, 일 실시예에 의한 인지 장애 판별 장치는 인지 장애를 보이는 피측정자들을 판별하여 모델을 포함한다. 이 모델은 판별 대상자의 체중심에 착용된 웨어러블 관성 센서를 통해 측정된 측정값을 바탕으로 얻은 보행 특성을 통해 개발 및 검증될 수 있다. 검증 결과에서 확인할 수 있듯이 인지 장애 판별 장치는 높은 수준의 판별 성능 또는 진단 성능을 보임을 확인할 수 있다. 특히 임상적 및 연구적으로 인지 장애를 판별하는데 널리 사용되는 간이 정신 상태 검사 점수를 이용한 비교 모델과 인지 장애 판별 모델을 비교하였을 때, 유사한 또는 그보다 뛰어난 성능을 보임을 확인할 수 있었다.

일 실시예에 의하면 인지 장애 판별 모델은 보행 속도 및 걸음 시간 변동성을 주요한 예측 변수로 포함하는 것을 특징으로 한다. 이를 통해 일 실시예에 의한 인지 장애 판별 모델은 모든 종류 또는 다양한 원인의 인지 장애를 판별할 수 있는 효과가 있다.

상세히, 기존의 신경 영상 연구에 의하면 보행 속도는 정보 처리 속도와 실행 기능에 관여하는 뇌간, 소뇌, 일차 및 보조 운동 피질, 전두엽 피질 영역의 부피와 관련이 있다. 대조적으로, 보행 변동성은 보행 전반, 기억 및 실행 기능에 관여하는 일차 감각 운동 피질, 해마, 전대상 피질, 기저핵, 및 후시상 방사의 부피와 관련이 있다. 따라서, 본 발명의 인지 장애 판별 모델은 보행 속도와 걸음 시간 변동성을 주요한 변수로 모두 포함함으로써, 모든 원인의 인지 장애를 성공적으로 판별할 수 있는 특징이 있다. 알츠하이머병은 치매 케이스의 60-80%를 차지하는 가장 일반적인 종류의 치매이고, 혈관성 치매 및 루이소체 치매/파킨슨병 치매는 20%를 차지하여 그 뒤를 잇고 있다. 한편, 알츠하이머병 환자의 46%는 혈관 병리를 가지고 있다. 따라서, 본 발명의 일 실시예에 의한 인지 장애 판별 방법은 근본 원인에 관계없이 치매를 선별하는데 유용하게 사용될 수 있다.

임상적 및 연구적으로 인지 장애를 판별하는데 간이 정신 상태 검사를 널리 이용하고 있으나, 이는 몇 가지 단점이 있다. 간이 정신 상태 검사는 판별 대상자 혼자 시행할 수 없고, 반복적으로 시행하는 경우 학습 효과가 있으며, 사회 교육적 영향을 쉽게 받는 문제가 있다. 아울러 간이 정신 상태 검사는 초기 단계의 인지 장애를 선별하는데 에는 적합하지 않다는 단점이 있다.

하지만, 일 실시예에 의한 인지 장애 판별 방법은 사용자의 단말에 어플리케이션 등으로 설치되어 구현 가능하며, 판별 대상자가 웨어러블 관성 센서를 착용하여 측정한 신호를 통해 보행을 분석하므로 일상 생활에서 개인이 쉽게, 반복적으로 사용할 수 있는 장점이 있다. 또한, 인지 장애 판별 방법은 학습 효과에 영향을 받지 않고, 사회 교육적 영향으로부터 자유로울 수 있다. 인지 장애 판별 방법은 인지 장애의 판별 뿐만 아니라, 판별 대상자의 실생활에 사용됨으로써, 지속적인 모니터링이 가능한 특징도 있다.

도 9는 일 실시예에 의한 인지 장애 판별 장치(20)를 나타낸 블록도이다.

인지 장애 판별 장치(20)는 네트워크부(21), 저장부(22), 프로세서(23) 및 입출력부(24)를 포함할 수 있다. 도 9에는 일 실시예와 관련된 구성부만 도시되어 있고, 인지 장애 판별 장치는 도 9에 도시된 구성부 외에 다른 범용적인 구성 요소들이 더 포함될 수 있다.

네트워크부(21)는 다른 노드들과 유선/무선 통신을 하게 하는 하나 이상의 구성 요소를 포함할 수 있다. 예를 들어, 네트워크부(21)는, 근거리 통신부(미도시), 이동 통신부(미도시) 및 방송 수신부(미도시) 중 적어도 하나를 포함할 수 있다.

네트워크부(21)는 관상 측정 장치(10)와 통신을 수행하여 보행 측정값을 수신하거나, 사용자 단말(30)과 통신을 수행하여 신상 데이터를 수신하거나, 의료 서비스 제공 서버와 통신을 수행하여 피측정자 N명 결정 정보 및 임상 결과 데이터를 수신할 수 있다.

저장부(22)는 인지 장애 판별 장치 내에서 처리되는 각종 데이터들을 저장하는 하드웨어로서, 프로세서(23)의 처리 및 제어를 위한 프로그램을 저장할 수 있다.

저장부(22)는 도 2의 단계 120에서 획득한 신상 데이터, 단계 130에서 획득한 임상 결과 데이터 및 단계 140에서 획득한 보행 데이터를 저장할 수 있다.

또한 저장부(22)는 도 2의 단계 150에서 인지 장애 판별 장치를 개발하는 각종 프로그램 및 개발된 인지 장애 판별 장치를 검증하는데 사용하는 각종 프로그램을 저장할 수 있다. 예를 들면 프로그램은 4.2.0버전의 R 프로그램(R version 4.2.0) (Foundation for Statistical Computing, Vienna, Austria), 윈도우 20을 위한 소셜 사이언스를 위한 통계 패키지(the Statistical Package for the Social Sciences for Windows version 20)(International Business Machines Corporation, Armonk, NY), 및 윈도우 버전 18.11.3을 위한 메드칼(MedCalc for Windows version 18.11.3) (MedCalc Software, Mariakerke, Belgium) 등을 사용하여 수행될 수 있으며, 본 발명은 이에 한정되지 않는다.

저장부(22)는 DRAM(dynamic random access memory), SRAM(static random access memory) 등과 같은 RAM(random access memory), ROM(read-only memory), EEPROM(electrically erasable programmable read-only memory), CD-ROM, 블루레이 또는 다른 광학 디스크 스토리지, HDD(hard disk drive), SSD(solid state drive), 또는 플래시 메모리를 포함할 수 있다.

입출력부(24)는 키패드, 터치 스크린 등을 포함하는 입력부 및 디스플레이, 스피커 등을 포함하는 출력부를 포함할 수 있으며, 입출력부(24)는 터치 디스플레이로 구현될 수 있다.

입출력부(24)는 도 2의 단계 120의 신상 데이터 및 단계 130의 임상 결과 데이터를 사용자로부터 직접 입력받을 수 있다. 또한 입출력부(24)는 인지 장애 판별 장치(20)에 의한 인지 장애 판별 결과 또는 인지 장애 판별 모델의 종속 변수인 판별 결과를 사용자에게 제공할 수 있다.

프로세서(23)는 인지 장애 판별 장치(20)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(23)는 저장부(22)에 저장된 프로그램들을 실행함으로써, 입출력부(24), 네트워크부(21) 및 저장부(22) 등을 전반적으로 제어할 수 있다.

프로세서(23)는 도 2, 도 3 및 도 4의 각 단계를 수행할 수 있으며, 상세히 네트워크부(21)를 제어하여 측정값, 정보 및 데이터를 수신하고, 측정값으로부터 보행 데이터를 생성하거나, 저장부(22)를 제어하여 획득한 데이터 세트를 저장할 수 있으며, 저장부(22)에 저장된 프로그램들을 실행하여 데이터 세트를 이용하여 인지 장애 판별 모델을 개발하고 이를 검증하며, 개발된 인지 장애 판별 모델을 사용하여 인지 장애 여부를 판별하여 그 결과를 사용자에게 제공하도록 구성부들을 제어할 수 있다.

프로세서(23)는 ASICs (application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적 유닛 중 적어도 하나를 이용하여 구현될 수 있다.

도 10은 다른 실시예에 의한 인지 장애 판별 장치(20)의 구성을 나타낸 블록도이다. 도 11은 일 실시예에 의한 인지 장애 판별 방법을 도시한 흐름도이다. 도 10 및 도 11을 참조하여 인지 장애 판별 장치(20)를 이용한 인지 장애 판별 방법을 구체적으로 설명한다.

도 10의 인지 장애 판별 장치(20)는 네트워크부(21), 신상 데이터 저장부(221), 보행 데이터 저장 및 생성부(231), 인지 장애 판별부(232), 판별 결과 저장부(2220 및 입출력부(24)를 포함할 수 있다.

단계 201에서 인지 장애 판별 장치(20)는 판별 대상자의 신상 데이터를 입력받는다. 판별 대상자는 신상 데이터를 입출력부(24)를 통해 입력할 수 있으며, 입력된 신상 데이터는 신상 데이터 저장부(221)에 저장될 수 있다. 여기서 신상 데이터는 교육 년수를 포함하며, 그 외에도 연령, 몸무게, 발길이 등을 더 포함할 수 있다.

단계 202에서 인지 장애 판별 장치(20)는 판별 대상자에게 부착된 관성 측정 유닛(10)으로부터 신호를 수신한다. 판별 대상자는 체중심에 관성 측정 유닛(10)을 부착하고, 보행 평가를 실시한다. 관성 측정 유닛(10)은 보행시 측정한 신호를 인지 장애 판별 장치(20)로 전송한다. 인지 장애 판별 장치(20)는 네트워크부(21)를 통해 수신한 신호를 보행 데이터 저장 및 생성부(231)에 저장한다. 여기서 신호는 보행시 측정된 3축 가속도 또는 3축 각속도 측정값일 수 있다.

단계 203에서 인지 장애 판별 장치(20)는 저장한 신호로부터 보행 데이터를 생성한다. 여기서 보행 데이터는 보행 속도 및 걸음 시간 변동성을 포함할 수 있다. 상세히, 보행 데이터 저장 및 생성부(231)는 신호 및 저장된 신상 데이터를 바탕으로 보행 속도를 계산하고, 저장된 신호를 바탕으로 걸음 시간 변동성을 계산할 수 있다.

단계 204에서 인지 장애 판별 장치(20)는 신상 데이터 및 보행 데이터를 인지 장애 판별 모델에 대입하여 인지 장애 여부를 판별할 수 있다. 인지 장애 판별부(232)는 앞서 개발한 인지 장애 판별 모델을 포함한다. 인지 장애 판별 모델은 전진 선택법을 적용한 이분 로지스틱 회귀 방식으로 개발되었으며, 선형 회귀식의 형태를 가지고, 예측 변수로 보행 속도, 걸음 시간 변동성 및 교육 년수를 포함하며, 각각의 예측 변수는 기설정된 회귀 계수를 가지며, 기설정된 회귀 상수도 포함한다. 인지 장애 판별 모델은 선형 회귀식으로 아래 수학식 6을 가진다. 수학식 6의 선형 회귀식이 인지 장애 여부를 판별하는 기준 점수가 되는 최적 절단점은 >-1.56 일 수 있다.

[수학식 6]

2.286 - 0.040 × gait speed + 0.535 × step time variability - 0.115 × education

인지 장애 판별부(232)는 인풋으로 판별 대상자의 보행 속도, 걸음 시간 변동성 및 교육 년수를 모델에 입력하고, 아웃풋으로 실수로 표현된 스코어를 획득한다. 인지 장애 판별부(232)는 획득한 스코어가 최적 절단점보다 크면, 판별 대상자가 인지 장애가 있다고 결론지을 수 있다. 획득한 스코어가 최적 절단점보다 작거나 같으면, 인지 장애 판별부(232)는 판별 대상자가 인지 장애가 없다고 결론지을 수 있다.

단계 205에서 인지 장애 판별 장치(20)는 판별 결과를 사용자에게 제공한다. 여기서 사용자는 판별 대상자일 수 있으며, 의료진이나 보호자일 수도 있다. 인지 장애 판별 장치(20)는 판별 결과를 입출력부(24)를 통해 사용자에게 직접 제공할 수 있다. 하지만 이에 한정하지 않고, 판별 결과를 네트워크부(21)를 통해 다른 사용자 단말이나, 의료 서비스 제공 서버 등으로 전송함으로써, 보호자나 의료진에게 판별 결과를 제공할 수도 있다.

한편, 본 발명의 또 다른 실시예에 의하면, 프로세서에 의해 수행되는 단계들은 기기(machine) 의해 읽을 수 있는 저장 매체(storage medium)에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램))로서 구현될 수 있다.

예를 들면, 기기의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.

한편, 본 발명의 또 실시예에 의하면, 프로세서에 의해 수행되는 각 단계들은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.

컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.

또한, 본 명세서에서, “부”는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.

본 실시예의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 포함되는 것으로 해석되어야 한다.

Claims (9)

1. 프로세서에 의해 각 단계가 수행되는 인지 장애 판별 방법에 있어서,

   인지 장애 판별 대상이 되는 피측정자 N명을 결정하고, 피측정자들의 신상 데이터를 획득하는 단계;

   상기 피측정자들에 대하여 임상 결과 데이터를 획득하는 단계;

   상기 피측정자들에 대하여 피측정자의 체중심에 착용된 관성 측정 유닛을 이용하여 측정된 보행 측정값을 바탕으로 보행 데이터를 획득하는 단계; 및

   획득한 데이터 세트에 기초하여 복수개의 예측 변수를 포함하는 인지 장애 판별 모델을 개발하는 단계;

   를 포함하며,

   상기 인지 장애 판별 모델은 상기 보행 데이터에 포함된 보행 속도 및 걸음 시간 변동성을 예측 변수의 일부로서 포함하는, 방법.
2. 제1항에 있어서,

   상기 신상 데이터를 획득하는 것은,

   상기 피측정자들의 연령, 성별, 교육 년수, 키, 몸무게, 하지 관절염 존재 여부 및 간이 정신 상태 검사 결과를 입력받아 획득하는 것인, 방법.
3. 제1항에 있어서,

   상기 임상 결과 데이터를 획득하는 것은,

   기설정된 진단 기준에 따라 경도 인지 장애 및 치매를 포함하는 인지 장애를 진단한 결과, 인지 장애가 진단된 피측정자들은 제1 그룹으로 분류하고, 인지 장애가 진단되지 않은 피측정자들은 제2 그룹으로 분류한 결과를 입력받는 것인, 방법.
4. 제1항에 있어서,

   상기 보행 데이터를 획득하는 것은,

   상기 피측정자의 체중심에 착용된 상기 관성 측정 유닛을 이용하여 상기 피측정자가 걷기 시 측정된 신호를 획득하는 단계; 및

   획득한 신호를 바탕으로 분속수, 걸음 시간, 보행 속도, 보장 및 걸음 시간 변동성을 획득하는 단계;

   를 포함하는, 방법.
5. 제1항에 있어서,

   상기 인지 장애 판별 모델을 개발하는 단계는,

   상기 데이터 세트를 개발 데이터 세트 및 검증 데이터 세트로 분할하는 단계;

   상기 개발 데이터 세트에 대하여 상기 보행 데이터의 일부 및 상기 신상 데이터의 일부를 독립 변수로 하여 이분 로지스틱 회귀 분석을 이용하여, 상기 보행 속도 및 걸음 시간 변동성을 예측 변수의 일부로 포함하는 인지 장애 판별 모델을 개발하는 단계;

   상기 개발 데이터 세트에 대하여 상기 신상 데이터의 일부를 독립 변수로 하여 이분 로지스틱 회귀 분석을 이용하여, 간이 정신 상태 검사 점수 및 연령을 예측 변수로 포함하는 비교 모델을 개발하는 단계; 및

   개발한 상기 인지 장애 판별 모델과 상기 비교 모델을 상기 개발 데이터 세트 및 상기 검증 데이터 세트에 대하여 ROC 곡선을 생성하고 AUC를 비교하여 상기 인지 장애 판별 모델의 판별 성능을 평가하는 단계;

   를 포함하는, 방법.
6. 제1항에 있어서,

   개발한 상기 인지 장애 판별 모델을 이용하여, 판별 대상자의 인지 장애 여부를 판별하는 단계;

   를 더 포함하는, 방법.
7. 제6항에 있어서,

   상기 판별 대상자의 인지 장애 여부를 판별하는 방법은,

   상기 판별 대상자의 교육 년수를 획득하고,

   상기 판별 대상자의 체중심에 착용된 관성 측정 장치로부터 측정된 3축 가속도 신호 및 3축 각속도 신호를 수신하여 이를 바탕으로 보행 속도 및 걸음 시간 변동성을 획득하고,

   획득된 값들을 상기 인지 장애 판별 모델에 대입하여 인지 장애 여부를 판별하는, 방법.
8. 인지 장애 판별 대상이 되는 피측정자 N명을 결정하고, 피측정자들의 신상 데이터를 획득하는 단계;

   상기 피측정자들에 대하여 임상 결과 데이터를 획득하는 단계;

   상기 피측정자들에 대하여 피측정자의 체중심에 착용된 관성 측정 유닛을 이용하여 측정된 보행 측정값을 바탕으로 보행 데이터를 획득하는 단계;

   획득한 데이터 세트에 기초하여 복수개의 예측 변수를 포함하는 인지 장애 판별 모델을 개발하는 단계; 및

   개발된 인지 장애 판별 모델을 이용하여 판별 대상자의 인지 장애 여부를 판별하는 단계;

   를 포함하며,

   상기 인지 장애 판별 모델은 상기 보행 데이터에 포함된 보행 속도 및 걸음 시간 변동성을 예측 변수의 일부로서 포함하는 방법을 수행하도록 하는 프로그램이 저장된 하나 이상의 컴퓨터로 읽을 수 있는 기록매체를 포함하는 컴퓨터 프로그램 제품.
9. 피측정자들 및 판별 대상자의 신상 데이터 및 임상 결과 데이터를 입력 받으며, 판별된 상기 판별 대상자의 인지 장애 여부를 출력하는 입출력부;

   상기 피측정자 및 판별 대상자의 체중심에 착용된 관성 측정 유닛을 이용하여 측정된 보행 측정값을 수신하는 네트워크부;

   인지 장애 판별 대상이 되는 피측정자들 및 판별 대상자의 신상 데이터, 임상 결과 데이터를 획득하도록 입출력부를 제어하고, 수신된 보행 측정값을 바탕으로 보행 데이터를 획득하고, 획득한 데이터 세트에 기초하여 복수개의 예측 변수를 포함하는 인지 장애 판별 모델을 개발하며, 개발된 인지 장애 판별 모델을 통해 입력된 판별 대상자의 인지 장애 여부를 판별하는 프로세서; 및

   상기 획득한 신상 데이터, 임상 결과 데이터 및 보행 데이터를 저장하는 저장부;

   를 포함하며,

   상기 인지 장애 판별 모델은 상기 보행 데이터에 포함된 보행 속도 및 걸음 시간 변동성을 예측 변수의 일부로서 포함하는, 장치.

Images