WO2023182774A1 - 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버 - Google Patents

심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버 Download PDF

Info

Publication number
WO2023182774A1
WO2023182774A1 PCT/KR2023/003723 KR2023003723W WO2023182774A1 WO 2023182774 A1 WO2023182774 A1 WO 2023182774A1 KR 2023003723 W KR2023003723 W KR 2023003723W WO 2023182774 A1 WO2023182774 A1 WO 2023182774A1
Authority
WO
WIPO (PCT)
Prior art keywords
heart rate
rate information
information
disease monitoring
model
Prior art date
Application number
PCT/KR2023/003723
Other languages
English (en)
French (fr)
Inventor
박재민
신규보
Original Assignee
주식회사 타이로스코프
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 타이로스코프 filed Critical 주식회사 타이로스코프
Publication of WO2023182774A1 publication Critical patent/WO2023182774A1/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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
    • 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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0223—Operational features of calibration, e.g. protocols for calibrating sensors

Definitions

  • This application relates to a method of monitoring a user's disease using standardized heart rate information and a server that performs the same.
  • the problem to be solved in this application is to accurately monitor the user's disease regardless of the type of wearable device.
  • a method of monitoring a user's disease based on heart rate information obtained from a wearable device comprising: acquiring type information of the wearable device and the heart rate information; If the type information corresponds to a reference type, generating disease monitoring information using the heart rate information through a disease monitoring module; If the type information does not correspond to the reference type, standardized heart rate information is generated using the heart rate information through the heart rate information standardization module, and the disease monitoring information is generated using the standardized heart rate information through the disease monitoring module. generating a; and outputting the disease monitoring information.
  • the heart rate information standardization module may be implemented using a heart rate information standardization model, and the heart rate information standardization model may be a model learned using heart rate information for learning and reference heart rate information corresponding to the heart rate information for learning.
  • the heart rate information may be heart rate information acquired from a wearable device other than the reference type during the first time, and the reference heart rate information may be heart rate information obtained from a wearable device of the reference type during the first time.
  • the disease monitoring module may be implemented using a first disease monitoring model, and the step of generating the disease monitoring information using the heart rate information includes inputting the heart rate information into the first disease monitoring model to monitor the disease. It may include generating information, and the step of generating the disease monitoring information using the standardized heart rate information may include generating the disease monitoring information by inputting the standardized heart rate information into the first disease monitoring model. It may include steps.
  • the disease monitoring module may be implemented using a second disease monitoring model, and generating the disease monitoring information using the heart rate information may include generating a first resting heart rate from the heart rate information; and generating the disease monitoring information by inputting the first resting heart rate into the second disease monitoring model.
  • Generating the disease monitoring information using the standardized heart rate information may include generating the disease monitoring information using the standardized heart rate information. generating a second resting heart rate from the heart rate information; and generating the disease monitoring information by inputting the second resting heart rate into the second disease monitoring model.
  • the disease monitoring module may be implemented further using a resting heart rate generation model, and the first resting heart rate and the second resting heart rate may be generated by inputting the heart rate information and the standardized heart rate information into the resting heart rate generation model, respectively. can be created.
  • the heart rate information may include a plurality of heart rates corresponding to different time points, and the standardized heart rate information may include a plurality of standardized heart rates corresponding to different time points.
  • the method may further include generating one or more heart rate missing values from the plurality of heart rates to generate missing value predicted heart rate information including the plurality of heart rates and the heart rate missing values, and generating the missing value predicted heart rate information through the heart rate information standardization module.
  • the standardized heart rate information can be generated using the missing value predicted heart rate information.
  • the heart rate information standardization module may be implemented using a heart rate information standardization model, and may generate the standardized heart rate information by inputting the heart rate information into the heart rate information standardization model.
  • the heart rate information standardization module may be implemented using a first type model and a second type model, and if the type information corresponds to a first type rather than the reference type, the heart rate information and the first type model are used.
  • the standardized heart rate information can be generated, and if the type information corresponds to a second type rather than the reference type, the standardized heart rate information can be generated using the heart rate information and the second type model. .
  • the heart rate information standardization module may be implemented using a sleep model and a non-sleep model, and if the heart rate information is heart rate information acquired during sleep, the standardized heart rate information is used using the heart rate information acquired during sleep and the sleep model. Information can be generated, and if the heart rate information is heart rate information acquired during non-sleep, the standardized heart rate information can be generated using the heart rate information acquired during non-sleep and the non-sleep model.
  • a method of monitoring a user's disease based on heart rate information obtained from a wearable device comprising: acquiring type information of the wearable device and the heart rate information; Generating standardized heart rate information using the type information and the heart rate information through a heart rate information standardization module; Generating disease monitoring information using the standardized heart rate information through a disease monitoring module; and outputting the disease monitoring information.
  • the heart rate information standardization module may be implemented using a heart rate information standardization model, and the heart rate information standardization model may be a model learned using heart rate information for learning and reference heart rate information corresponding to the heart rate information for learning.
  • the heart rate information may be heart rate information acquired from a wearable device during the first time
  • the reference heart rate information may be heart rate information obtained from a heart rate information measuring device during the first time.
  • the disease monitoring module may be implemented using a first disease monitoring model, and the step of generating the disease monitoring information may include generating the disease monitoring information by inputting the standardized heart rate information into the first disease monitoring model. May include steps.
  • the disease monitoring module may be implemented using a second disease monitoring model, and generating the disease monitoring information may include generating a resting heart rate from the standardized heart rate information; and generating the disease monitoring information by inputting the resting heart rate into the second disease monitoring model.
  • the disease monitoring module may be implemented using a resting heart rate generation model, and the resting heart rate may be generated by inputting the standardized heart rate information into the resting heart rate generation model.
  • the heart rate information may include a plurality of heart rates corresponding to different time points, and the standardized heart rate information may include a plurality of standardized heart rates corresponding to different time points.
  • the method may further include generating one or more heart rate missing values from the plurality of heart rates to generate missing value predicted heart rate information including the plurality of heart rates and the heart rate missing values, and generating the missing value predicted heart rate information through the heart rate information standardization model.
  • the standardized heart rate information can be generated using the missing value predicted heart rate information.
  • the heart rate information standardization module may be implemented using a heart rate information standardization model, and the step of generating the standardized heart rate information includes inputting the type information and the heart rate information into the heart rate information standardization model to generate the standardized heart rate information. It may include the step of generating.
  • the heart rate information standardization module may be implemented using a first type model and a second type model, and if the type information corresponds to the first type, the standardized heart rate using the heart rate information and the first type model. Information can be generated, and if the type information corresponds to the second type, the standardized heart rate information can be generated using the heart rate information and the second type model.
  • a non-transitory computer-readable medium storing one or more instructions, wherein the one or more instructions, when executed by one or more processors of a device/server, cause the device/server to:
  • a non-transitory computer-readable medium for performing the method according to the present invention may be provided.
  • a server that monitors a user's disease based on heart rate information obtained from a wearable device includes: a communication unit; a storage unit that stores one or more instructions; and a control unit executing the one or more instructions stored in the storage unit, wherein the control unit obtains type information and the heart rate information of the wearable device by executing the one or more instructions, and determines that the type information is a reference type. If corresponding, disease monitoring information is generated using the heart rate information through a disease monitoring module, and if the type information does not correspond to the reference type, standardized heart rate information is generated using the heart rate information through a heart rate information standardization module.
  • a server may be provided that generates the disease monitoring information using the standardized heart rate information through the disease monitoring module and outputs the disease monitoring information.
  • the user's disease can be accurately monitored regardless of the type of the wearable device by standardizing the information obtained from the wearable device in consideration of the type information of the wearable device and monitoring the user's disease using the standardized information. there is.
  • Figure 1 is an example of differences in heart rate information measurement data depending on wearable devices.
  • Figure 2 is a diagram of a disease monitoring system according to an embodiment.
  • Figure 3 is a diagram of a disease monitoring server according to an embodiment.
  • Figure 4 is a flowchart of a disease monitoring method according to an embodiment.
  • Figure 5 is a diagram of generating standardized heart rate information using a heart rate information standardization model according to an embodiment.
  • Figure 6 is a diagram for generating standardized heart rate information using a plurality of type models according to an embodiment.
  • Figure 7 is a diagram for generating standardized heart rate information using a sleep model and a non-sleep model according to an embodiment.
  • Figure 8 is a diagram of generating disease monitoring information using a disease monitoring model according to an embodiment.
  • Figure 9 is a diagram related to obtaining a representative heart rate according to one embodiment.
  • Figure 10 is a diagram for generating standardized heart rate information using heart rate information with missing values according to an embodiment.
  • FIG. 11 is a flowchart of a disease monitoring method according to another embodiment.
  • Figure 12 is a flowchart of a first example of performing a disease monitoring method in a disease monitoring system according to an embodiment.
  • Figure 13 is a flowchart of a second example of performing a disease monitoring method in a disease monitoring system according to an embodiment.
  • Figure 14 is a flowchart of a third example of performing a disease monitoring method in a disease monitoring system according to an embodiment.
  • Figure 15 is a flowchart of a fourth example of performing a disease monitoring method in a disease monitoring system according to an embodiment.
  • Figure 16 is a flowchart of the user registration step according to one embodiment.
  • Figure 17 is a graph of the results of measuring heart rate information of a specific user through Apple Watch and Fitbit.
  • Figure 18 is a graph showing standardization of heart rate information according to type information of the wearable device when Fitbit is the standard type.
  • Figure 19 is a graph showing standardization of heart rate information according to type information of the wearable device when Apple Watch is the standard type.
  • Figure 20 is a graph showing the standardized heart rate information of Figures 18 and 19 together.
  • thyroid dysfunction e.g., hyperthyroidism, hypothyroidism
  • disease monitoring according to the present application is not limited to this.
  • heart rate information may mean a set of heart rate values.
  • the heart rate information may mean a set of heart rate values measured over a predetermined period of time.
  • standardizing heart rate information refers to an operation or step performed for the purpose of reducing deviations or errors between measurement data depending on the device that measures heart rate information.
  • standardized heart rate information refers to heart rate information generated by standardizing heart rate information.
  • standardization may mean standardizing according to an embodiment of the present specification. In other words, if it is simply heart rate information, it may mean heart rate information before standardization according to an embodiment of the present specification is performed or standardization according to an embodiment of the present specification is performed.
  • Figure 1 is an example of the difference in heart rate information measurement data according to wearable devices, and is a graph showing the results of having a user wear an Apple Watch and a FitBit on the same wrist at the same time and measuring the heart rate.
  • the x-axis represents time and the y-axis represents heart rate.
  • the heart rate measured by Apple Watch and the heart rate measured by Fitbit are different even at the same time.
  • a problem that can be identified is that the results of disease monitoring based on the heart rate acquired with an Apple Watch may be different from the results of disease monitoring based on the heart rate acquired with a Fitbit watch, and as a result, disease monitoring This means that it may affect the accuracy of the results.
  • Fitbit measures heart rate once per minute
  • Apple Watch measures heart rate irregularly, approximately once every 5 to 8 minutes.
  • the heart rate may be measured differently even at the same time, and the time at which the heart rate is measured may also vary.
  • Figure 2 is a diagram of a disease monitoring system 10 according to one embodiment.
  • the network 300 enables, for example, any two or more of the user terminal 200, the data storage server 400, and the disease monitoring server 500 to communicate (directly or indirectly). ) can be connected.
  • the wearable device 100 is shown as connected to the network 300 through the user terminal 200 rather than directly connected to the network 300. However, in some embodiments, the wearable device 100 is connected to the network 300. It can be connected directly to (300).
  • the wearable device 100 can detect the user's heart rate information.
  • the wearable device 100 can obtain heart rate information while worn on the user's body.
  • the user may refer to a person wearing the wearable device 100.
  • the wearable device 100 may be, for example, a smart watch, a smart band, a smart ring, or a combination thereof, but is not limited thereto.
  • the user terminal 200 may obtain heart rate information from the wearable device 100.
  • the user terminal 200 may provide heart rate information to the data storage server 400.
  • the user terminal 200 may be, for example, a smartphone, tablet device, laptop computer, personal computer, or a combination thereof, but is not limited thereto.
  • the data storage server 400 may store heart rate information.
  • the data storage server 400 may databaseize and store heart rate information in a heart rate information database.
  • the data storage server 400 may be, for example, a server operated or managed by a wearable device manufacturer, but is not limited thereto.
  • the disease monitoring server 500 can monitor the disease using heart rate information.
  • the disease monitoring server 500 may generate disease monitoring information using heart rate information.
  • the disease monitoring server 500 can standardize heart rate information.
  • the disease monitoring server 500 may generate standardized heart rate information.
  • disease monitoring system 10 may not include data storage server 400.
  • the function of the data storage server 400 may be performed by other components of the disease monitoring system 10, such as the disease monitoring server 500 and the user terminal 200.
  • the disease monitoring system 10 may not include the user terminal 200.
  • the function of the user terminal 200 may be performed by other components of the disease monitoring system 10, such as the wearable device 100.
  • the disease monitoring system 10 may further include components not shown in FIG. 2 .
  • Figure 3 is a diagram of a disease monitoring server 500 according to an embodiment.
  • the disease monitoring server 500 may include a communication unit 510, a storage unit 520, a control unit 530, and a module unit 540.
  • the disease monitoring server 500 may communicate with the outside through the communication unit 510.
  • the disease monitoring server 500 may receive heart rate information from the data storage server 400 through the communication unit 510.
  • the disease monitoring server 500 may transmit disease monitoring information to the user terminal 200 through the communication unit 510.
  • the communication unit 510 can perform wired or wireless communication.
  • the communication unit 510 includes, for example, a wired/wireless LAN (Local Area Network) module, WAN module, Ethernet module, Bluetooth module, Zigbee module, USB (Universal Serial Bus) module, IEEE 1394 module, and Wi-Fi. It may be a (Wifi) module or a combination thereof, but is not limited thereto.
  • the disease monitoring server 500 may store various data, programs, or applications necessary for operation in the storage unit 520.
  • a program or application stored in the storage unit 520 may include one or more instructions.
  • a program or application stored in the storage unit 520 may be executed by the control unit 530.
  • the storage unit 520 may store information acquired by the disease monitoring server 500.
  • the storage unit 520 may store heart rate information, user information, and wearable device type information.
  • the storage unit 520 may store results of calculations performed by the disease monitoring server 500, etc.
  • the storage unit 520 may store disease monitoring information.
  • the storage unit 520 includes, for example, a hard disk, flash memory, solid state drive (SSD), random access memory (RAM), read only memory (ROM), electrically erasable programmable read-only memory (EEPROM), magnetic memory, It may be a magnetic disk, an optical disk, or a combination thereof, but is not limited thereto.
  • SSD solid state drive
  • RAM random access memory
  • ROM read only memory
  • EEPROM electrically erasable programmable read-only memory
  • magnetic memory It may be a magnetic disk, an optical disk, or a combination thereof, but is not limited thereto.
  • the disease monitoring server 500 can process various information and perform calculations through the control unit 530.
  • the control unit 530 may generate standardized heart rate information.
  • the control unit 530 may generate disease monitoring information.
  • the control unit 530 transmits standardized heart rate information to an external device or external server, generates disease monitoring information based on the standardized heart rate information in the external device or external server, and generates disease monitoring information based on the standardized heart rate information. Monitoring information can be received from the external device or external server.
  • the control unit 530 may control other components constituting the disease monitoring server 500.
  • the control unit 530 may be implemented as a computer or similar device depending on hardware, software, or a combination thereof.
  • the control unit 530 may be one or more processors.
  • the control unit 530 may be provided by processors that are physically spaced apart and collaborate through communication.
  • the control unit 530 includes, for example, a central processing unit (CPU), a graphics processing unit (GPU), a digital signal processor (DSP), a state machine, and an on-demand It may be a semiconductor (Application Specific Integrated Circuit, ASIC), Radio-Frequency Integrated Circuit (RFIC), or a combination thereof, but is not limited thereto.
  • the software control unit 530 may be provided in the form of a program that drives the hardware control unit 530.
  • the operation of the disease monitoring server 500 may be interpreted as being performed by or under the control of the control unit 530.
  • the module unit 540 may include one or more operable modules.
  • the module unit 540 may include a heart rate information standardization module 541.
  • the heart rate information standardization module 541 may be implemented using one or more models.
  • the module unit 540 may include a disease monitoring module 542.
  • Disease monitoring module 542 may be implemented using one or more models. More specific details about the module unit 540 will be described later.
  • the disease monitoring server 500 may additionally include components not shown in FIG. 3 .
  • the disease monitoring server 500 may further include an output unit including a display, a speaker, or a combination thereof.
  • one or more operable modules are shown as being included in the module unit 540 , but at least one of the modules may be implemented as a software module stored in the storage unit 520 .
  • the heart rate information standardization module 541 is not implemented as a separate hardware module included in the module unit 540 as shown in FIG. 3, but may be stored in the storage unit 520 as a software module. It can be operated by being executed by the control unit 530.
  • the disease monitoring module 542 may not be implemented as a separate hardware module included in the module unit 540 as shown in FIG. 3, but may be stored in the storage unit 520 as a software module. It can be operated by being executed by the control unit 530.
  • the disease monitoring method is performed on the disease monitoring server, but the disease monitoring method does not necessarily have to be performed on the disease monitoring server.
  • a disease monitoring method may be performed on a user terminal.
  • part of the disease monitoring method may be performed in the disease monitoring server, and the remainder may be performed in the user terminal.
  • Figure 4 is a flowchart of a disease monitoring method according to an embodiment.
  • the disease monitoring server may obtain type information and heart rate information of the wearable device.
  • the type of the wearable device may correspond to the manufacturer of the wearable device.
  • a wearable device manufactured by Apple may correspond to the Apple type
  • a wearable device manufactured by Fitbit may correspond to the Fitbit type
  • a wearable device manufactured by Samsung Electronics may correspond to the Samsung Electronics type.
  • wearable devices manufactured by the same manufacturer can respond to the same type even if the models are different.
  • the 1st to 7th generation Apple Watches can correspond to the same Apple type
  • the 1st to 3rd generation Galaxy Watches can correspond to the same Samsung Electronics type.
  • different type information may be set depending on the manufacturer of the wearable device. This can be set manually by the user or automatically by the disease monitoring server.
  • the type of the wearable device may correspond to the model of the wearable device.
  • different models of wearable devices manufactured by the same manufacturer may correspond to different types.
  • each of the 1st to 7th generations of Apple Watch can support different types.
  • some of the 1st to 7th generations of Apple Watch may correspond to a different type than the rest.
  • different type information may be set depending on the model of the wearable device. This can be set manually by the user or automatically by the disease monitoring server.
  • the type of wearable device may be classified according to the identity of the measurement values measured by the wearable device. For example, if a first wearable device and a second wearable device provide the same measurement value (eg, heart rate information, etc.), the first wearable device and the second wearable device may correspond to the same type.
  • the measurement value e.g., heart rate information, etc.
  • different types of information may be set depending on the identity of the measured values. This can be set manually by the user or automatically by the disease monitoring server.
  • the disease monitoring server can obtain type information through several methods.
  • the disease monitoring server may receive a user identifier from at least one of a user terminal, a data storage server, and a wearable device, and determine type information based on the user identifier. For example, the disease monitoring server may pre-store a user identifier and type information corresponding to the user identifier, and upon receiving the user identifier, determine the type information by finding an identifier identical to the received identifier among pre-stored identifiers.
  • the disease monitoring server may receive type information from at least one of a user terminal, a data storage server, and a wearable device.
  • the disease monitoring server may obtain heart rate information from at least one of a user terminal, a data storage server, and a wearable device.
  • the disease monitoring server may obtain heart rate information from the data storage server.
  • the disease monitoring server may receive user identifier or type information from a data storage server, but may also receive user identifier or type information from a user terminal or wearable device.
  • the disease monitoring server may obtain heart rate information from the user terminal.
  • the disease monitoring server may receive user identifier or type information from the user terminal, but may also receive user identifier or type information from a data storage server or wearable device.
  • the disease monitoring server can obtain type information and heart rate information at the same cycle.
  • the disease monitoring server may obtain type information and heart rate information at different intervals.
  • a disease monitoring server may acquire heart rate information at a longer period than type information.
  • the disease monitoring server may obtain type information in a first cycle and obtain heart rate information in a second cycle that is longer than the first cycle.
  • the disease monitoring server may acquire type information at a longer period than heart rate information.
  • the disease monitoring server may obtain heart rate information in a first cycle and type information in a second cycle that is longer than the first cycle.
  • the disease monitoring server can obtain type information and heart rate information the same number of times. For example, when the disease monitoring server acquires type information once, it can also acquire heart rate information once.
  • the disease monitoring server may obtain type information and heart rate information at different times. For example, a disease monitoring server may obtain heart rate information more times than type information. As a more specific example, the disease monitoring server may acquire heart rate information more than once when acquiring type information once. For another example, the disease monitoring server may obtain type information more times than heart rate information. As a more specific example, the disease monitoring server may acquire type information more than once when acquiring heart rate information once.
  • the disease monitoring server may determine whether the type information corresponds to a reference type.
  • the reference type may be a specific type among a plurality of wearable device types.
  • step S430 if the type information does not correspond to the reference type, the disease monitoring server may generate standardized heart rate information using the heart rate information through the heart rate information standardization module.
  • Generating standardized heart rate information using heart rate information may mean converting heart rate information acquired from a wearable device other than the standard type into heart rate information obtained from a wearable device of the standard type.
  • the disease monitoring server can convert heart rate information obtained from a wearable device of a type other than Fitbit (e.g. Apple Watch, Galaxy Watch, etc.) into heart rate information obtained from Fitbit. there is.
  • the first model of Fitbit is the reference type
  • the disease monitoring server converts heart rate information obtained from the second model of Fitbit (different from the first model) into heart rate information obtained from the first model of Fitbit. can do.
  • the standardized heart rate information may be virtual heart rate information predicted to be obtained from a reference type of wearable device.
  • heart rate information may include a plurality of heart rate values and the time at which the heart rate values were acquired.
  • heart rate information can be expressed as the following n
  • n is the number of heart rates
  • the first time point is the earliest time point at which the heart rate is measured
  • the nth time point is the latest time point at which the heart rate is measured.
  • the interval between heart rate measurements may be a predetermined constant time interval.
  • the interval may be 10 seconds, 30 seconds, 1 minute, 5 minutes, or 10 minutes, but is not limited thereto.
  • heart rate information may include multiple heart rate values.
  • heart rate information can be expressed as an n-dimensional vector as follows.
  • n is the number of heart rates.
  • heart rate information may include electrocardiogram data (ECG).
  • ECG electrocardiogram data
  • heart rate information may include at least one lead electrocardiogram data, but is not limited thereto.
  • heart rate information may include a plurality of electrocardiogram values and the time point at which the electrocardiogram values were acquired.
  • the heart rate information may include time series data including a plurality of electrocardiogram values and the time point at which the electrocardiogram values were acquired, but is not limited to this.
  • the heart rate information standardization module may be implemented using a heart rate information standardization model.
  • Figure 5 is a diagram of generating standardized heart rate information using a heart rate information standardization model according to an embodiment.
  • (a) is a diagram showing standardization from heart rate information in the form of an n This is a case of generating standardized heart rate information
  • (b) is a case of generating standardized heart rate information from heart rate information in the form of an n-dimensional vector including the above-mentioned heart rate value.
  • the disease monitoring server can generate standardized heart rate information using heart rate information and a heart rate information standardization model.
  • the disease monitoring server can generate standardized heart rate information by inputting heart rate information into a heart rate information standardization model.
  • the disease monitoring server may generate standardized heart rate information by inputting information generated from heart rate information into a heart rate information standardization model.
  • Information generated from the heart rate information may be, for example, information in which at least some heart rate values included in the heart rate information are changed or deleted, information in which one or more values are added to the heart rate information, or information generated by processing the heart rate information. It may be information, but is not limited to this.
  • the heart rate information includes a plurality of heart rate values (b1, b2 to bn) and measurement time points (t1, t2 to tn) at which the heart rate values were obtained
  • standardized Heart rate information may include a plurality of standardized heart rate values (bs1, bs2 to bsn) and time points (t1, t2 to tn) corresponding to the standardized heart rate values.
  • the time point corresponding to the standardized heart rate value may be the same as the measurement time point at which the heart rate value was obtained.
  • the standardized heart rate information is shown to include time points (t1, t2 to tn) corresponding to the standardized heart rate values, but the standardized heart rate information includes the time points (t1, t2 to tn) corresponding to the standardized heart rate values.
  • t1, t2 to tn) may not be included, but standardized heart rate values (bs1, bs2 to bsn) may be included.
  • the heart rate information includes a plurality of heart rate values (b1, b2 to bn), and the standardized heart rate information includes a plurality of standardized heart rate values (bs1, bs2 to bsn). ) may include.
  • the heart rate information standardization model may be a machine learning model, a deep learning model, or a combination thereof.
  • the heart rate information standardization model may be an RNN-based model such as an RNN model, an LSTM model, or a GRU model, but is not limited thereto.
  • the heart rate information standardization model may include multiple layers.
  • the heart rate information standardization model may include an input layer, a hidden layer, and an output layer.
  • the input layer may be a layer where heart rate information is input.
  • the output layer may be a layer where standardized heart rate information is output.
  • a hidden layer may be a layer between an input layer and an output layer.
  • the heart rate information standardization model can be learned through various methods such as supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • a heart rate information standardization model can be learned through supervised learning.
  • the heart rate information standardization model can be learned using heart rate information for learning and reference heart rate information corresponding to the heart rate information for learning.
  • the heart rate information standardization model may receive heart rate information for learning, output heart rate information, and be learned based on the difference between the output heart rate information and reference heart rate information.
  • the learning heart rate information may be heart rate information acquired from a wearable device other than the standard type for a predetermined period of time.
  • the reference heart rate information may be heart rate information acquired from a wearable device of a reference type during the predetermined time.
  • the reference heart rate information may be heart rate information predicted to be obtained from a wearable device of a reference type during the predetermined time.
  • a heart rate information normalization model can be learned further using type information.
  • the heart rate information standardization model receives learning heart rate information and type information, outputs output heart rate information, and can be learned based on the difference between the output heart rate information and reference heart rate information.
  • the heart rate information standardization model can be learned using additional biometric information such as a person's gender and age.
  • the disease monitoring server can learn a heart rate information standardization model.
  • the disease monitoring server may receive a heart rate information standardization model learned externally.
  • the disease monitoring server may further use the type information to generate standardized heart rate information.
  • the disease monitoring server can generate standardized heart rate information by inputting heart rate information and type information into the heart rate information standardization model. If the heart rate information standardization model includes an input layer, a hidden layer, and an output layer, both heart rate information and type information may be input to the input layer. Alternatively, when the heart rate information standardization model includes an input layer, a hidden layer, and an output layer, heart rate information may be input to the input layer, and type information may be input to the hidden layer or the output layer.
  • the heart rate information standardization module may be implemented using a plurality of type models.
  • the heart rate information standardization module may be implemented using at least a first type model and a second type model.
  • the characteristics or patterns of the measured heart rate information may be different.
  • the characteristics or patterns of the measured heart rate information may be different. Accordingly, if heart rate information acquired from different types of wearable devices is standardized using one and the same model, inaccurate standardized heart rate information may be generated. In this case, standardized heart rate information can be generated more accurately by using different types of models depending on the type of wearable device.
  • the contents described with reference to FIG. 5 can be applied even when the heart rate information includes the above-described ECG data and when the heart rate information includes a plurality of ECG values and the time at which the ECG values were obtained, so overlapping descriptions Decided to omit it.
  • a method of acquiring learning data for implementing a heart rate information standardization module may be provided.
  • a method of acquiring learning data may include acquiring first type heart rate information and second type heart rate information from a first type wearable device and a second type device located on the body of the same user.
  • the first type wearable device may correspond to a standard type wearable device
  • the second type wearable device may correspond to a wearable device other than the standard type, but are not limited to this.
  • the first type wearable device may correspond to a Fitbit wearable device
  • the second type wearable device may correspond to an Apple wearable device, but are not limited thereto.
  • the first type wearable device may correspond to Apple's 5th generation wearable device
  • the second type wearable device may correspond to Apple's 6th generation wearable device, but are not limited thereto.
  • the first type of wearable device may correspond to a wearable device that has been approved for clinical trials
  • the second type of wearable device may correspond to a wearable device that has not yet been approved for clinical trials.
  • a wearable device approved for clinical trials may mean approval for clinical trials of the heart rate information itself obtained from the wearable device, but is not limited to this, and the heart rate information obtained from the wearable device may be approved for clinical trials. This may mean approval for a clinical trial related to the disease information printed using this method.
  • the first type wearable device and the second type A tangible wearable device can be placed on and guided to adjacent body parts of the same user.
  • both the first type wearable device and the second type wearable device may be located near the left wrist of the same user and may be guided to be located near the inner wrist of the left hand, but the present invention is not limited thereto.
  • a method of acquiring learning data may include acquiring first type heart rate information and second type heart rate information from a heart rate information measuring device and a wearable device located on the body of the same user.
  • the heart rate information measuring device may exemplarily include a heart rate monitor and may correspond to a standard type device, and the wearable device may correspond to a wearable device other than the standard type. It is not limited.
  • the learning data acquisition method includes acquiring first type heart rate information and second type heart rate information from a first type electrocardiogram measurement wearable device and a second type electrocardiogram measurement wearable device located on the body of the same user. may include.
  • the first type electrocardiogram measurement wearable device may correspond to a standard type wearable device
  • the second type electrocardiogram measurement wearable device may correspond to a wearable device other than the standard type, but are not limited to this.
  • the first type electrocardiogram measurement wearable device may correspond to a wearable device that has been approved for clinical trials
  • the second type electrocardiogram measurement wearable device may correspond to a wearable device that has not yet been approved for clinical trials. It may correspond to, but is not limited to.
  • a wearable device approved for clinical trials may mean approval for clinical trials of the heart rate information itself obtained from the wearable device, but is not limited to this, and the heart rate information obtained from the wearable device may be approved for clinical trials. This may mean approval for a clinical trial related to the disease information printed using this method.
  • the method of acquiring learning data may include acquiring first type heart rate information and second type heart rate information from an electrocardiogram measurement device and an electrocardiogram measurement wearable device located on the body of the same user.
  • the electrocardiogram measurement device may exemplarily include a heart rate monitor and may correspond to a standard type device, and the electrocardiogram measurement wearable device may correspond to a wearable device other than the standard type. It is not limited to this.
  • a method of acquiring learning data may include generating learning data using first type heart rate information and second type heart rate information.
  • the learning data may include learning input data and learning result data corresponding to the learning input data.
  • input data for learning may be generated based on second type heart rate information that does not correspond to the reference type.
  • input data for learning may be obtained by processing at least part of the second type heart rate information, but is not limited to this.
  • the second type heart rate information may have a standard time length or may be processed to have a standard format, but is not limited thereto.
  • result data for learning may be generated based on first type heart rate information corresponding to the reference type.
  • the learning result data according to one embodiment may be obtained by processing at least part of the first type heart rate information, but is not limited to this.
  • the first type heart rate information may have a standard time length or may be processed to have a standard format, but is not limited thereto.
  • Figure 6 is a diagram for generating standardized heart rate information using a plurality of type models according to an embodiment.
  • the disease monitoring server can generate standardized heart rate information using different type models depending on the type of wearable device.
  • the disease monitoring server may generate standardized heart rate information using the heart rate information and the first type model. For example, if the type information of the wearable device corresponds to the first type, the disease monitoring server may generate standardized heart rate information by inputting the heart rate information into the first type model. For another example, if the type information of the wearable device corresponds to the first type, the disease monitoring server may generate standardized heart rate information by inputting information generated from the heart rate information into the first type model.
  • the disease monitoring server may generate standardized heart rate information using the heart rate information and the second type model. For example, if the type information of the wearable device corresponds to the second type, the disease monitoring server may generate standardized heart rate information by inputting the heart rate information into the second type model. For another example, if the type information of the wearable device corresponds to the second type, the disease monitoring server may generate standardized heart rate information by inputting information generated from the heart rate information into the second type model.
  • the second type is a different type from the first type.
  • the type model may be a machine learning model, a deep learning model, or a combination thereof.
  • the type model may be an RNN-based model such as an RNN model, an LSTM model, or a GRU model, but is not limited thereto.
  • Type models can be learned through various methods, such as supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • training heart rate information for the type model may include only heart rate information acquired from a wearable device corresponding to the type model.
  • the heart rate information for learning for a first type model may be heart rate information acquired from a first type of wearable device
  • the heart rate information for learning for a second type model may be heart rate information acquired from a second type of wearable device.
  • the disease monitoring server can learn a type model.
  • the disease monitoring server may receive a type model learned externally.
  • the heart rate information standardization module may be implemented using a sleep model and a non-sleep model.
  • the heart rate information during sleep is heart rate information in a stable state compared to the heart rate information when not sleeping, the characteristics or patterns of the heart rate information during sleep may be different from those when not sleeping. Accordingly, if heart rate information during sleep and heart rate information when not asleep are standardized using one and the same model, inaccurate standardized heart rate information may be generated. In this case, by using different models for heart rate information when sleeping and heart rate information when not sleeping, standardized heart rate information can be generated more accurately.
  • Figure 7 is a diagram for generating standardized heart rate information using a sleep model and a non-sleep model according to an embodiment.
  • the disease monitoring server can generate standardized heart rate information using different models depending on whether the heart rate information is obtained during sleep or non-sleep.
  • the disease monitoring server can generate standardized heart rate information using heart rate information and a sleep model obtained during sleep.
  • the disease monitoring server may generate standardized heart rate information by inputting heart rate information acquired during sleep or information generated from the heart rate information into a sleep model.
  • the disease monitoring server can generate standardized heart rate information using heart rate information obtained during non-sleep and a non-sleep model.
  • the disease monitoring server may generate standardized heart rate information by inputting heart rate information acquired during non-sleep or information generated from the heart rate information into a non-sleep model.
  • the disease monitoring server may determine whether the heart rate information corresponds to sleep or non-sleep time. For example, the disease monitoring server may analyze heart rate information and determine whether the heart rate information corresponds to sleep or non-sleep. For another example, the disease monitoring server may determine whether the heart rate information corresponds to sleep or non-sleep, depending on the time when the heart rate information was acquired. As a more specific example, the disease monitoring server may determine that the heart rate information corresponds to sleep when the point in time at which the heart rate information was acquired falls within a preset sleep time (eg, 2:00 AM to 6:00 AM).
  • a preset sleep time eg, 2:00 AM to 6:00 AM
  • the disease monitoring server may obtain information regarding whether heart rate information corresponds to sleep or non-sleep from at least one of a user terminal, a data storage server, and a wearable device. For example, when the disease monitoring server acquires heart rate information from at least one of a user terminal, a data storage server, and a wearable device, the disease monitoring server acquires information about whether the heart rate information corresponds to sleep or non-sleep along with the heart rate information. can do.
  • the sleep model or non-sleep model may be a machine learning model, a deep learning model, or a combination thereof.
  • the sleep model or non-sleep model may be an RNN-based model such as an RNN model, an LSTM model, or a GRU model, but is not limited thereto.
  • a sleep model or non-sleep model can be learned through various methods such as supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • the contents of learning of the heart rate information standardization model described above can be similarly applied.
  • the learning heart rate information for the sleep model may be heart rate information acquired while sleeping
  • the learning heart rate information for the non-sleep model may be heart rate information acquired while not sleeping.
  • the disease monitoring server can train a sleep model or a non-sleep model. Alternatively, the disease monitoring server may receive an externally learned sleep model or non-sleep model.
  • the disease monitoring server may generate disease monitoring information using heart rate information or standardized heart rate information through the disease monitoring module.
  • disease monitoring information may include information about the presence or absence of a disease.
  • Information on the presence or absence of a disease may, by way of example, be information on the presence of abnormal thyroid function, but is not limited thereto.
  • disease monitoring information may include information about factors associated with one or more diseases.
  • the factor may be, by way of example, a hormone level (e.g., the level of at least one of all hormones related to the thyroid gland, such as free T4, T3, TSH, etc. secreted by the thyroid gland or stimulating the thyroid gland), but is not limited thereto.
  • disease monitoring information may include information on the presence or absence of a disease and information on factors related to one or more diseases.
  • the disease monitoring server may generate disease monitoring information using standardized heart rate information through the disease monitoring module.
  • the disease monitoring server may generate disease monitoring information using heart rate information through the disease monitoring module.
  • the disease monitoring server may generate disease monitoring information without going through the heart rate information standardization step of step S430.
  • the heart rate information obtained from the wearable device can be considered to have already met the standard, so the disease monitoring server can generate disease monitoring information without going through the heart rate information standardization step.
  • the Fitbit type is the standard type
  • the disease monitoring server can use heart rate information acquired from the Fitbit to generate disease monitoring information without going through the heart rate information standardization step.
  • the disease monitoring module may be implemented using a disease monitoring model.
  • FIG. 8 is a diagram of generating disease monitoring information using a disease monitoring model according to an embodiment.
  • (a) is a disease monitoring model (hereinafter referred to as) that receives heart rate information or standardized heart rate information and outputs disease monitoring information. “First disease monitoring model”)
  • (b) is a disease monitoring model that receives one or more representative heart rates generated from heart rate information or standardized heart rate information and outputs disease monitoring information (hereinafter “second disease monitoring model”) am.
  • heart rate information or standardized heart rate information is expressed as “(standardized) heart rate information.”
  • the disease monitoring server may generate disease monitoring information by inputting (standardized) heart rate information into the first disease monitoring model.
  • the (standardized) heart rate information input to the first disease monitoring model is illustratively in the form of including heart rate value and time point as shown in (a) of FIG. 5 or heart rate as shown in (b). It may be in a form that includes a value, but is not limited to this.
  • the (standardized) heart rate information input to the first disease monitoring model may be in the form of electrocardiogram data, as exemplarily described in FIG. 5, or may be in a form including the electrocardiogram value and the time point at which the electrocardiogram value was acquired. However, it is not limited to this.
  • the disease monitoring server may generate disease monitoring information by inputting (standardized) heart rate information of the evaluation period into the first disease monitoring model.
  • the evaluation period may be a target period for monitoring the user's disease.
  • the evaluation period may be a period that includes the time at which the presence or absence of a disease is to be predicted.
  • the evaluation period may be a period that includes the time at which factors related to the disease are to be predicted.
  • the evaluation period may be a predetermined length of time.
  • the evaluation period may include multiple days.
  • the evaluation period may be three days or longer.
  • the (standardized) heart rate information of the evaluation period may mean a portion of the period included in the target period for monitoring the user's disease.
  • the evaluation period is a period that includes multiple days that include the time points for which the presence or absence of the disease is to be predicted
  • the (normalized) heart rate information for the evaluation period includes heart rate information for some of the periods included in the multiple days. It may mean, but it is not limited to this.
  • the (standardized) heart rate information of the evaluation period is a period of time included in the plurality of days. It may mean heart rate information, but is not limited thereto.
  • the first disease monitoring model may be a machine learning model, a deep learning model, or a combination thereof.
  • the first disease monitoring model may be an RNN-based model such as an RNN model, an LSTM model, or a GRU model, but is not limited thereto.
  • the first disease monitoring model can be learned through various methods such as supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • the first disease monitoring model may be learned through supervised learning.
  • the first disease monitoring model may be learned using (standardized) heart rate information for learning and reference disease monitoring information corresponding to the (standardized) heart rate information for learning.
  • the first disease monitoring model receives (standardized) heart rate information for learning, outputs output disease monitoring information, and can be learned based on the difference between the output disease monitoring information and reference disease monitoring information.
  • the (standardized) heart rate information for learning may correspond to the (standardized) heart rate information of the evaluation period.
  • the disease monitoring server may train a first disease monitoring model.
  • the disease monitoring server may receive a first disease monitoring model learned externally.
  • the disease monitoring server may generate disease monitoring information by inputting (standardized) heart rate information of the evaluation period and (standardized) heart rate information of the reference period into the first disease monitoring model.
  • the reference period may be a period during which the user's thyroid function is determined to be normal.
  • the reference period may be a period including the time when the user's thyroid hormone level is determined to be normal.
  • the reference period may be the period immediately preceding the day the user measured the thyroid hormone level through a blood test, the period including the measurement day, or the period immediately after the measurement day.
  • the reference period may be a predetermined length of period.
  • the length of the reference period may be the same as the length of the evaluation period.
  • the representative heart rate calculation method of the reference period may be the same as the representative heart rate calculation method of the evaluation period.
  • the reference period may be the period immediately preceding the day the user measured thyroid hormone levels through a blood test, the period including the measurement day, or the period immediately after the measurement day, regardless of whether the user's thyroid function is normal, that is, , the period may be for the day on which the user's thyroid hormone level value was obtained, but is not limited to this.
  • the evaluation period may be after the baseline period.
  • the reference period may be prior to the evaluation period.
  • the evaluation period may not overlap with the reference period.
  • the evaluation period may overlap with the reference period.
  • the first disease monitoring model may be learned similarly to the above-described content. However, the first disease monitoring model may be learned using (standardized) heart rate information for learning corresponding to the reference period. For example, the first disease monitoring model receives (standardized) heart rate information for learning and (standardized) heart rate information for learning corresponding to the reference period, outputs output disease monitoring information, and monitors the output disease monitoring information and the reference disease. It can be learned based on differences between information.
  • the disease monitoring server generates disease monitoring information by inputting the ratio between the (standardized) heart rate information of the evaluation period and the (standardized) heart rate information of the reference period (hereinafter “heart rate information ratio”) into the first disease monitoring model. can do.
  • the first disease monitoring model may be learned similarly to the above-described content. However, in this case, the first disease monitoring model may be learned using the learning heart rate information rate instead of the learning (standardized) heart rate information.
  • the disease monitoring server generates disease monitoring information by inputting the difference (hereinafter “heart rate information difference”) between the (standardized) heart rate information of the evaluation period and the (standardized) heart rate information of the reference period into the first disease monitoring model. can do.
  • the first disease monitoring model may be learned similarly to the above-described content. However, in this case, the first disease monitoring model may be learned using the difference in heart rate information for learning instead of (standardized) heart rate information for learning.
  • the disease monitoring server may generate disease monitoring information using at least one of (standardized) heart rate information of the evaluation period and (standardized) heart rate information of the reference period and the first disease monitoring model.
  • the disease monitoring server generates one or more representative heart rates from (standardized) heart rate information, and inputs the one or more representative heart rates into a second disease monitoring model to monitor the disease. Information can be generated.
  • the representative heart rate may be a representative value calculated based on (standardized) heart rate information for an arbitrary period of time.
  • the representative heart rate may be the average value of (standardized) heart rate information in a section that satisfies a set standard during a certain period.
  • the representative heart rate may be the standard deviation value of (standardized) heart rate information in a section that satisfies a set standard during a certain period.
  • the representative heart rate may be the median value of (standardized) heart rate information in a section that satisfies a set standard during a certain period.
  • an algorithm for calculating representative heart rate may be stored in a disease monitoring server.
  • the disease monitoring server may obtain a representative heart rate of the evaluation period.
  • the control unit of the disease monitoring server may obtain the representative heart rate of the evaluation period by calculating the representative heart rate based on (standardized) heart rate information of the evaluation period stored in the storage unit.
  • the control unit of the disease monitoring server receives data on (standardized) heart rate information of the evaluation period through the communication unit and calculates a representative heart rate based on the (standardized) heart rate information of the evaluation period.
  • a representative heart rate can be obtained.
  • the control unit of the disease monitoring server may obtain the representative heart rate of the evaluation period by receiving the representative heart rate of the evaluation period through the communication unit.
  • Figure 9 is a diagram related to obtaining a representative heart rate according to one embodiment.
  • the disease monitoring server may extract at least one section that satisfies a predetermined standard from the evaluation period (P).
  • the disease monitoring server may extract a section corresponding to the time stored as 'sleep time' during the evaluation period (P). For a specific example, if the sleep time is stored as midnight to 6 a.m., the disease monitoring server can extract sections corresponding to midnight to 6 a.m. during the evaluation period (P). In this case, if the evaluation period (P) is 3 days, up to 3 sections can be extracted.
  • the disease monitoring server can calculate a representative value of the (standardized) heart rate information included in the extracted section.
  • the disease monitoring server may determine the representative value of the (standardized) heart rate information included in the extracted section as the representative heart rate.
  • the disease monitoring server may determine the representative value of the (standardized) heart rate information included in the section extracted within the specified period as the representative heart rate of the specified period.
  • the disease monitoring server may determine the average value of (standardized) heart rate information corresponding to the first section (SE1), the second section (SE2), and the third section (SE3) as the representative heart rate.
  • the disease monitoring server may determine the standard deviation value of (normalized) heart rate information corresponding to the first section (SE1), the second section (SE2), and the third section (SE3) as the representative heart rate.
  • the disease monitoring server may provide an average value of (normalized) heart rate information (HRD1) corresponding to the first section, an average value of (standardized) heart rate information (HRD2) corresponding to the second section, and an average value of the (normalized) heart rate information (HRD2) corresponding to the third section.
  • the average value of the average value of the (standardized) heart rate information (HRD3) can be determined as the representative heart rate.
  • the disease monitoring server may provide an average value of (normalized) heart rate information (HRD1) corresponding to the first section, an average value of (standardized) heart rate information (HRD2) corresponding to the second section, and an average value of the (normalized) heart rate information (HRD2) corresponding to the third section.
  • the standard deviation value of the average value of the (standardized) heart rate information (HRD3) can be determined as the representative heart rate.
  • the disease monitoring server may display the median value of the (normalized) heart rate information (HRD1) corresponding to the first section, the median value of the (standardized) heart rate information (HRD2) corresponding to the second section, and the third section.
  • the average value of the median value of the corresponding (normalized) heart rate information (HRD3) can be determined as the representative heart rate.
  • the disease monitoring server may extract at least one section that satisfies a predetermined standard from the evaluation period (P).
  • the disease monitoring server may extract a 'section with little user movement' during the evaluation period (P).
  • the disease monitoring server may extract a section that is determined to be the user's idle section during the evaluation period (P).
  • the idle section may be a section selected as a sleep section by at least one sensor, a section in which the user's movement is determined to be 0 through a motion sensor, or a section selected as a rest section in a ready-made product.
  • a sleep section and/or a section with little user movement may be collectively referred to as an idle section.
  • the heart rate belonging to the sleep zone and/or the zone with little user movement may be collectively referred to as the resting heart rate.
  • the disease monitoring server may generate disease monitoring information by inputting the representative heart rate of the evaluation period into the second disease monitoring model.
  • the second disease monitoring model may be a machine learning model, a deep learning model, or a combination thereof.
  • the second disease monitoring model may be an RNN-based model such as an RNN model, an LSTM model, or a GRU model, but is not limited thereto.
  • the second disease monitoring model can be learned through various methods such as supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • the second disease monitoring model may be learned through supervised learning.
  • the second disease monitoring model may be learned using the learning heart rate and reference disease monitoring information corresponding to the learning heart rate.
  • the second disease monitoring model may receive heart rate for learning, output disease monitoring information, and be learned based on the difference between the output disease monitoring information and reference disease monitoring information.
  • the learning heart rate may correspond to the representative heart rate of the evaluation period.
  • the disease monitoring server may train a second disease monitoring model.
  • the disease monitoring server may receive a second disease monitoring model learned externally.
  • the disease monitoring server may generate disease monitoring information by inputting the representative heart rate of the evaluation period and the representative heart rate of the reference period into the second disease monitoring model.
  • the disease monitoring server may obtain a representative heart rate of the reference period.
  • the control unit of the disease monitoring server may obtain the representative heart rate of the reference period by loading the previously calculated representative heart rate of the reference period stored in the storage unit.
  • the control unit of the disease monitoring server may obtain the representative heart rate of the reference period by calculating the representative heart rate based on the heart rate information or standardized heart rate information of the reference period stored in the storage unit.
  • the control unit of the disease monitoring server receives data on heart rate information or standardized heart rate information of the reference period through the communication unit, and calculates a representative heart rate based on the heart rate information or standardized heart rate information of the reference period. You can obtain the representative heart rate of the reference period.
  • the control unit of the disease monitoring server may obtain the representative heart rate of the reference period by receiving the representative heart rate of the reference period through the communication unit.
  • the second disease monitoring model may be learned similarly to the above-described content. However, the second disease monitoring model may be learned using the learning heart rate corresponding to the reference period. For example, the second disease monitoring model receives the learning heart rate and the learning heart rate corresponding to the reference period, outputs output disease monitoring information, and can be learned based on the difference between the output disease monitoring information and the reference disease monitoring information. there is.
  • the disease monitoring server may generate disease monitoring information by inputting the ratio between the representative heart rate of the evaluation period and the representative heart rate of the reference period (hereinafter, “representative heart rate ratio”) into the second disease monitoring model.
  • the second disease monitoring model may be learned similarly to the above-described content. However, in this case, the second disease monitoring model may be learned using the representative heart rate ratio for learning instead of the heart rate for learning.
  • the disease monitoring server may generate disease monitoring information by inputting the difference between the representative heart rate of the evaluation period and the representative heart rate of the reference period (hereinafter, “representative heart rate difference”) into the second disease monitoring model.
  • the second disease monitoring model may be learned similarly to the above-described content. However, in this case, the second disease monitoring model may be learned using the representative heart rate difference for learning instead of (standardized) heart rate information for learning.
  • the disease monitoring server may generate disease monitoring information using at least one of the representative heart rate of the evaluation period and the representative heart rate of the reference period and a second disease monitoring model.
  • the disease monitoring server may output disease monitoring information.
  • a disease monitoring server When a disease monitoring server outputs disease monitoring information, it may mean transmitting the disease monitoring information to an external device such as a user terminal.
  • the external device that has received the disease monitoring information can display the disease monitoring information through its display.
  • a disease monitoring server When a disease monitoring server outputs disease monitoring information, it may mean displaying the disease monitoring information through a display included in the disease monitoring server.
  • Figure 10 is a diagram for generating standardized heart rate information using heart rate information with missing values according to an embodiment.
  • the disease monitoring server when a missing value (2) exists in the heart rate information (1), the disease monitoring server according to an embodiment generates heart rate information (3) in which the missing value is predicted through a missing value prediction algorithm. , the heart rate information (3) with the missing value predicted can be input into the heart rate information standardization model to obtain standardized heart rate information (4).
  • the disease monitoring server can predict the missing value using the heart rate near the point when the missing value exists in the heart rate information.
  • the disease monitoring server may determine the heart rate before the missing value exists as the heart rate at the time the missing value exists. (Example: If the heart rate at 3:01 is a missing value, the heart rate at 3:00 is determined as the heart rate at 3:01.)
  • the disease monitoring server determines the heart rate after the time when the missing value exists. It can be determined by the heart rate at the time of existence.
  • the disease monitoring server determines the heart rate before and after the time when the missing value exists.
  • the average value of the heart rate can be determined as the heart rate at the time when the missing value exists. (Example: If the heart rate at 3:01 is a missing value, the average of the heart rate at 3:00 and the heart rate at 3:02 is determined as the heart rate at 3:01)
  • the missing value prediction algorithm is not limited to the method described above, and may be implemented through various missing value prediction algorithms.
  • the missing value prediction algorithm may be an autoregressive model, a RNN-based model such as a deep learning model based on gated recurrent unit (GRU-D) or a bidirectional recurrent imputation for time series (BRITS), or a non-regressive model (NAOMI). It can be implemented with a GAN-based model such as autoregressive multiresolution sequence imputation.
  • the disease monitoring server uses a heart rate information standardization model that integrates missing value processing and heart rate information standardization without a separate missing value prediction step as shown in (a) of FIG. 10.
  • Standardized heart rate information can be generated.
  • the integrated model is, for example, a RNN-based model such as GRU-D (deep learning model based on gated recurrent unit) or BRITS (bidirectional recurrent imputation for time series), or GAN such as NAOMI (non-autoregressive multiresolution sequence imputation).
  • GRU-D deep learning model based on gated recurrent unit
  • BRITS bidirectional recurrent imputation for time series
  • NAOMI non-autoregressive multiresolution sequence imputation
  • the input data input to the model corresponds to masking (m1 to mn) corresponding to the presence of missing values and the interval from the previous time point when there are no missing values. It may include intervals (d1 to dn).
  • the disease monitoring server generates standardized heart rate information regardless of the type information, and standardizes the heart rate information.
  • Disease monitoring information can also be generated using the heart rate information.
  • FIG. 11 is a flowchart of a disease monitoring method according to another embodiment.
  • the disease monitoring server may obtain type information and heart rate information of the wearable device. Since the contents of step S410 described above can be similarly applied to this, redundant description will be omitted.
  • the disease monitoring server may generate standardized heart rate information using type information and heart rate information through the heart rate information standardization module.
  • the contents of step S430 described above can be similarly applied, and hereinafter, contents that overlap with the contents described in step S430 will be briefly described or omitted.
  • the heart rate information standardization module may be implemented using a heart rate information standardization model.
  • the disease monitoring server can generate standardized heart rate information using heart rate information, type information, and heart rate information standardization model.
  • the disease monitoring server can generate standardized heart rate information by inputting heart rate information and type information into the heart rate information standardization model.
  • the disease monitoring server may generate standardized heart rate information by inputting information and type information generated from heart rate information into a heart rate information standardization model.
  • the heart rate information may be heart rate information obtained from a wearable device, and the standardized heart rate information may be heart rate information obtained from a heart rate information measuring device other than a wearable device, or may be heart rate information predicted to be obtained from a heart rate information measuring device other than a wearable device. there is.
  • the heart rate information measuring device may be a device known to measure heart rate information more accurately than a wearable device, or may be a device specialized for measuring heart rate information.
  • the heart rate information measuring device may be, for example, a heart rate monitor, but is not limited thereto.
  • the heart rate information standardization model may be a machine learning model, a deep learning model, or a combination thereof.
  • the heart rate information standardization model may be an RNN-based model such as an RNN model, an LSTM model, or a GRU model, but is not limited thereto.
  • the heart rate information standardization model can be learned through various methods such as supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • the contents of FIG. 4 described above can be similarly applied to the learning of the heart rate information standardization model.
  • the heart rate information for learning may be heart rate information acquired from a wearable device
  • the reference heart rate information may be heart rate information obtained from a heart rate information measuring device other than a wearable device, or heart rate information predicted to be obtained from a heart rate information measuring device other than a wearable device. It can be.
  • the heart rate information standardization module may be implemented using a plurality of type models.
  • the heart rate information standardization module may be implemented using at least a first type model and a second type model.
  • the disease monitoring server can generate standardized heart rate information using different type models depending on the type of wearable device.
  • the disease monitoring server may generate standardized heart rate information using heart rate information, type information, and the first type model. For example, if the type information of the wearable device corresponds to the first type, the disease monitoring server may generate standardized heart rate information by inputting heart rate information and type information into the first type model. For another example, if the type information of the wearable device corresponds to the first type, the disease monitoring server may input the information generated from the heart rate information and the type information into the first type model to generate standardized heart rate information.
  • the disease monitoring server may generate standardized heart rate information using heart rate information, type information, and the second type model. For example, if the type information of the wearable device corresponds to the second type, the disease monitoring server may generate standardized heart rate information by inputting heart rate information and type information into the second type model. For another example, if the type information of the wearable device corresponds to the second type, the disease monitoring server may input the information generated from the heart rate information and the type information into the second type model to generate standardized heart rate information.
  • heart rate information and standardized heart rate information can be similarly applied to the heart rate information standardization module according to the above-described embodiment implemented using the heart rate information standardization model, redundant description will be omitted.
  • the type model may be a machine learning model, a deep learning model, or a combination thereof.
  • the first type model may be an RNN-based model such as an RNN model, an LSTM model, or a GRU model, but is not limited thereto.
  • Type models can be learned through various methods, such as supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning.
  • the reference heart rate information may be heart rate information obtained from a heart rate information measuring device other than a wearable device, or may be heart rate information predicted to be obtained from a heart rate information measuring device other than a wearable device.
  • the disease monitoring server may generate disease monitoring information using standardized heart rate information through the disease monitoring module.
  • the contents of the disease monitoring information generation in steps S440 and S450 described above can be similarly applied, so overlapping descriptions will be omitted.
  • the disease monitoring server may output disease monitoring information. Since the contents of step S460 described above can be similarly applied to this, redundant description will be omitted.
  • the disease monitoring system may perform the disease monitoring method in a different manner from the examples described later.
  • Figure 12 is a flowchart of a first example of performing a disease monitoring method in a disease monitoring system according to an embodiment.
  • the data storage server can store heart rate information obtained from a wearable device, and the disease monitoring server can receive heart rate information stored through a user terminal and perform a disease monitoring method.
  • the disease monitoring system may include a wearable device, a user terminal, a data storage server, and a disease monitoring server.
  • Wearable devices can detect the user's heart rate information.
  • the wearable device can generate heart rate information (S1210).
  • the wearable device can transmit heart rate information to the user terminal.
  • the user terminal may transmit heart rate information received from the wearable device to the data storage server.
  • the data storage server may store heart rate information (S1220).
  • the user terminal may request heart rate information from the data storage server (S1230).
  • the data storage server may check whether the user terminal is granted access to heart rate information.
  • the data storage server may transmit the stored heart rate information to the user terminal.
  • the data storage server may transmit the stored heart rate information to a user terminal authorized to access the heart rate information.
  • the user terminal may transmit heart rate information to the disease monitoring server.
  • the disease monitoring server may perform the disease monitoring method described above (S1240).
  • the disease monitoring server may generate disease monitoring information.
  • the disease monitoring server may transmit the generated disease monitoring information to the user terminal.
  • the user terminal may display the received disease monitoring information (S1250).
  • Figure 13 is a flowchart of a second example of performing a disease monitoring method in a disease monitoring system according to an embodiment.
  • the user terminal can store heart rate information obtained from the wearable device, and the disease monitoring server can receive the stored heart rate information from the user terminal and perform a disease monitoring method.
  • the disease monitoring system may include a wearable device, a user terminal, and a disease monitoring server.
  • Wearable devices can detect the user's heart rate information.
  • the wearable device can generate heart rate information (S1310).
  • the wearable device can transmit heart rate information to the user terminal.
  • the user terminal may store heart rate information (S1320).
  • the user terminal may transmit heart rate information to the disease monitoring server.
  • the disease monitoring server may perform the disease monitoring method described above (S1330).
  • the disease monitoring server may generate disease monitoring information.
  • the disease monitoring server may transmit the generated disease monitoring information to the user terminal.
  • the user terminal may display the received disease monitoring information (S1340).
  • Figure 14 is a flowchart of a third example of performing a disease monitoring method in a disease monitoring system according to an embodiment.
  • the data storage server can store heart rate information obtained from a wearable device, and the disease monitoring server can receive the stored heart rate information from the data storage server and perform a disease monitoring method.
  • the disease monitoring system may include a wearable device, a user terminal, a data storage server, and a disease monitoring server.
  • Wearable devices can detect the user's heart rate information.
  • the wearable device can generate heart rate information (S1410).
  • the wearable device can transmit heart rate information to the user terminal.
  • the user terminal may transmit heart rate information received from the wearable device to the data storage server.
  • the data storage server may store heart rate information (S1420).
  • the disease monitoring server may request heart rate information from the data storage server (S1430).
  • the data storage server may check whether the disease monitoring server is granted access to heart rate information.
  • the data storage server may transmit the stored heart rate information to the disease monitoring server.
  • the data storage server may transmit the stored heart rate information to a disease monitoring server that is authorized to access the heart rate information.
  • the disease monitoring server may perform the disease monitoring method described above (S1440).
  • the disease monitoring server may generate disease monitoring information.
  • the disease monitoring server may transmit the generated disease monitoring information to the user terminal.
  • the user terminal may display the received disease monitoring information (S1450).
  • Figure 15 is a flowchart of a fourth example of performing a disease monitoring method in a disease monitoring system according to an embodiment.
  • the disease monitoring server can store heart rate information obtained from a wearable device and use this to perform a disease monitoring method.
  • the disease monitoring system may include a wearable device, a user terminal, and a disease monitoring server.
  • Wearable devices can detect the user's heart rate information.
  • the wearable device can generate heart rate information (S1510).
  • the wearable device can transmit heart rate information to the user terminal.
  • the user terminal may transmit heart rate information to the disease monitoring server.
  • the disease monitoring server may store heart rate information (S1520).
  • the disease monitoring server may perform the disease monitoring method described above (S1530).
  • the disease monitoring server may generate disease monitoring information.
  • the disease monitoring server may transmit the generated disease monitoring information to the user terminal.
  • the user terminal may display the received disease monitoring information (S1540).
  • the disease monitoring method may further include a user registration step.
  • Figure 16 is a flowchart of the user registration step according to one embodiment.
  • the disease monitoring server may obtain first user information and first type information for the first user.
  • the disease monitoring server may receive the first user information and the first type information from the user terminal.
  • the first type information may be received from a wearable device.
  • the first type of information may be generated by a user terminal.
  • the disease monitoring server may receive the first user information and the first type information from a wearable device.
  • step S1620 the disease monitoring server may obtain second user information and second type information about the second user. Since the contents of step S1610 described above can be similarly applied to this, redundant description will be omitted.
  • the disease monitoring server may store information about users including the first user and the second user.
  • the disease monitoring server may databaseize and store information about the users in a user information database.
  • monitoring of a disease based on heart rate information has been described, but the above-described information can also be applied to monitoring a disease based on other biometric information other than heart rate information.
  • Example 1 It can be applied to monitor diseases such as thyroid dysfunction based on skin conductance.
  • skin conductance can be measured through a skin conductivity measurement sensor such as an EDA (Electrodermal Activity) sensor.
  • EDA Electrodemal Activity
  • the sensor may be a sensor mounted on a wearable device.
  • Example 2 It can be applied to diagnose intestinal motility or monitor intestinal-related diseases based on bowel sounds.
  • bowel sounds can be measured through a bowel sound measurement sensor such as an acoustic sensor.
  • the sensor may be a sensor mounted on a wearable device.
  • Example 3 It can be applied to monitoring diseases such as apnea based on blood oxygen concentration. At this time, blood oxygen concentration can be measured through a sensor such as a pulse oximeter.
  • the sensor may be a sensor mounted on a wearable device.
  • the motion sensor may include an acceleration sensor, a gyro sensor, a step measurement sensor, etc.
  • Example 5 It can be applied to monitoring diseases such as high blood pressure or low blood pressure based on blood pressure. At this time, blood pressure can be measured through a blood pressure sensor.
  • the blood pressure sensor may be a sensor mounted on a wearable device.
  • Example 6 It can be applied to monitoring diseases such as diabetes based on blood sugar.
  • blood sugar can be measured through a blood sugar sensor.
  • the blood sugar sensor may be a sensor mounted on a wearable device.
  • Example 7 It can be applied to monitoring disease based on body temperature.
  • body temperature can be measured through a temperature sensor such as an infrared temperature sensor.
  • the temperature sensor may be a sensor mounted on a wearable device.
  • the breathing rate measurement sensor may be a sensor mounted on a wearable device.
  • the skin moisture measurement sensor may be a sensor mounted on a wearable device.
  • Example 10 It can be applied to monitoring diseases based on stress or the concentration of stress hormones. At this time, stress can be measured through a stress measurement sensor. Additionally, the concentration of stress hormones can be measured using a stress hormone concentration measurement sensor.
  • the stress measurement sensor or the stress hormone concentration measurement sensor may be a sensor mounted on a wearable device.
  • the method according to the embodiment may be performed by processing logic including hardware, firmware, software, or a combination thereof.
  • the method according to the embodiment may be performed by a processor executing code stored in a non-transitory computer-readable medium.
  • non-transitory computer-readable media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and floptical disks. Included are magneto-optical media and hardware devices specifically configured to store and perform program instructions, such as ROM, RAM, flash memory, etc.
  • Figure 17 is a graph of the results of measuring a specific user's heart rate information through the Apple Watch and Fitbit. It is a graph of the results of having a specific user wear the Apple Watch and Fitbit on the same wrist at the same time and measuring the heart rate information. Heart rate information measured from 5:35 AM to 8:46 PM on October 19, 2021, with the x-axis representing time and the y-axis representing heart rate.
  • heart rate is measured in 1-minute increments, but in the case of Apple Watch, heart rate is measured aperiodically at intervals of 1 minute or more. Therefore, in the case of heart rate information measured with Apple Watch to create heart rate in 1-minute increments, missing values are checked. Missing values were filled in with the heart rate at the surrounding time points.
  • Figure 18 is a graph showing standardization of heart rate information according to type information of the wearable device when Fitbit is the standard type. Since the Fitbit is the standard type, the heart rate information measured with the Fitbit shown in FIG. 17 has already been standardized, so the heart rate information standardization step was not performed. On the other hand, since the Apple Watch is not a standard type, standardized heart rate information was generated from the heart rate information measured with the Apple Watch shown in FIG. 17 through the heart rate information standardization step. “recon_Apple” in FIG. 18 refers to standardized heart rate information generated from heart rate information measured with an Apple Watch.
  • Figure 19 is a graph showing standardization of heart rate information according to type information of the wearable device when Apple Watch is the standard type. Since the Apple Watch is the standard type, the heart rate information measured by the Apple Watch shown in FIG. 17 has already been standardized, so the heart rate information standardization step was not performed. On the other hand, since the Fitbit is not a standard type, standardized heart rate information was generated from the heart rate information measured with the Fitbit shown in FIG. 17 through the heart rate information standardization step. “recon_Fitbit” in FIG. 19 refers to standardized heart rate information generated from heart rate information measured with Fitbit.
  • Figure 20 is a graph showing the standardized heart rate information of Figures 18 and 19 together. Comparing Figures 17 and 20, it was confirmed that the similarity between the standardized heart rate information increased compared to before standardizing the heart rate information. In particular, it was confirmed that the similarity was higher in sleep states or times when users were less active, such as early morning, rather than during the day when users were more active.
  • the average value of the difference between the heart rate information obtained from the Apple Watch and Fitbit shown in Figure 17 is 7.452
  • the standard deviation value is 11.559
  • the variance value is 133.619
  • the number of heart rate differences of more than 10 is 105. It's a dog.
  • the average value of the difference between the heart rate information obtained from “recon_Apple” and Fitbit shown in Figure 18 is 6.637
  • the standard deviation value is 7.935
  • the variance value is 62.959
  • the number of heart rate differences of more than 10 is 91. It's a dog.
  • the average value of the difference between the heart rate information obtained from the Apple Watch shown in Figure 19 and “recon_Fitbit” is 8.206
  • the standard deviation value is 10.744
  • the variance value is 115.428
  • the number of heart rate differences of more than 10 is There are 95.
  • the average value of the difference between “recon_Apple” and “recon_Fitbit” shown in Figure 20 is 4.924
  • the standard deviation value is 7.073
  • the variance value is 50.025
  • the number of heart rate differences of more than 10 is 65.
  • the similarity between the standardized heart rate information has increased compared to before standardizing the heart rate information.
  • the standard deviation for the difference value is 10 or less. As it decreases, it can be seen that the possibility that different types of heart rate information can be applied (learned or utilized) to the same disease monitoring model may increase.
  • heart rate information obtained from different types of devices it is possible to standardize heart rate information obtained from different types of devices, so that different types of heart rate information obtained from different types of devices can be used in one disease monitoring model.
  • learning data it becomes easier to acquire learning data for disease monitoring models, and more learning data can be secured.
  • the deviation between different types of heart rate information obtained from different types of devices may be used to learn a disease monitoring model.
  • the accuracy of the model may decrease, but when using the heart rate information standardization model according to the contents disclosed in the present invention, the deviation between different types of heart rate information obtained from different types of devices is reduced, When used as learning data for a disease monitoring model, the accuracy of the model can be increased.
  • the deviation between different types of heart rate information obtained from different types of devices may result in the heart rate information obtained from each type of device.
  • There is a need to create separate disease monitoring models for each type of heart rate information but when using the heart rate information standardization model according to the contents disclosed in the present invention, different types of heart rate information acquired from different types of devices As the deviation between the data is reduced, it is possible to use it as learning data for one disease monitoring model, thereby reducing the need to create a plurality of disease monitoring models.
  • standardized heart rate information related to the heart rate information obtained from the first version of the wearable device is generated based on the heart rate information obtained from the second version of the wearable device, , the generated standardized heart rate information can be used, and thus clinical trials can be planned without creating a new disease monitoring model.
  • a method for distributing a disease monitoring model may be provided.
  • a disease monitoring model distribution method includes the steps of learning a disease monitoring model using heart rate information obtained from at least a first type device, the first type acquired from the first type device located on the body of a first user. Obtaining a first disease monitoring result through the learned disease monitoring model based on type 1 heart rate information, obtaining a first diagnosis result of at least one doctor for the first user, monitoring the first disease Obtaining a first comparison result of the result and the first diagnosis result of the at least one doctor, obtaining an approval result of a disease monitoring model for the first type device based on the first comparison result, Deploying a disease monitoring model that can be used for a first type device, a second type device located on the body of a second user, wherein the second type device is released after the disease monitoring model has been learned.
  • Generating standardized heart rate information based on second type heart rate information obtained from the device Obtaining a second disease monitoring result through the learned disease monitoring model based on the generated standardized heart rate information , obtaining a second diagnosis result of at least one doctor for the second user, obtaining a second comparison result of the second disease monitoring result and the second diagnosis result of the at least one doctor, It may include obtaining an approval result of a disease monitoring model for the second type device based on a second comparison result and distributing a disease monitoring model that can be used for the second type device.
  • the learning data used to learn the learned disease monitoring model may not include the second type heart rate information acquired from the second type device. Additionally, according to one embodiment, clinical data for the disease monitoring model Test methods may be provided.
  • a clinical test method for a disease monitoring model preparing an approved disease monitoring system by conducting an existing clinical test; different from the heart rate information acquisition device used when learning the disease monitoring system.
  • Clinical trial Preparing data - the clinical trial data includes heart rate information obtained with the other heart rate information acquisition device and a doctor's evaluation value of the heart rate acquisition target (i.e., patient) -; using the clinical trial data to determine the clinical trial data.
  • a step of calculating the accuracy of predicting the doctor's evaluation value by inputting it into the test product may be included.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Cardiology (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Urology & Nephrology (AREA)
  • Endocrinology (AREA)
  • Gastroenterology & Hepatology (AREA)
  • Computer Networks & Wireless Communication (AREA)

Abstract

본 출원은 웨어러블 디바이스에서 획득된 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법에 관한 것으로, 일 실시예에 따른 방법은, 웨어러블 디바이스의 타입 정보 및 심박 정보를 획득하는 단계; 상기 타입 정보가 기준 타입에 대응하면, 질환 모니터링 모듈을 통해 상기 심박 정보를 이용하여 질환 모니터링 정보를 생성하는 단계; 상기 타입 정보가 상기 기준 타입에 대응하지 않으면, 심박 정보 표준화 모듈을 통해 상기 심박 정보를 이용하여 표준화된 심박 정보를 생성하고, 상기 질환 모니터링 모듈을 통해 상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계; 및 상기 질환 모니터링 정보를 출력하는 단계를 포함한다.

Description

심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버
본 출원은 표준화된 심박 정보를 이용하여 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버에 관한 것이다.
웨어러블 디바이스의 발전 및 의료 분야에서의 기술 발전에 따라 웨어러블 디바이스를 이용하여 질환을 모니터링하는 기술이 개발되고 있다.
그러나, 여러 제조사에서 다양한 모델의 웨어러블 디바이스를 출시하고 있어, 웨어러블 디바이스별로 탑재된 센서의 종류가 상이하거나 센싱 데이터의 처리 방식이 상이함에 따라 웨어러블 디바이스에 따라 질환 모니터링을 수행할 때에 동일한 상태에 대하여 상이한 결과가 나타나는 문제가 발생하였고, 결과적으로 정확도 높은 질환 모니터링을 제공하기 어려웠다.
또한, 하나의 제조사의 경우에도 다양한 버전의 웨어러블 디바이스를 출시하고 있어, 웨어러블 디바이스 버전 별로 탑재된 센서의 종류가 상이하거나 센싱 데이터의 처리 방식이 상이함에 따라 질환 모니터링을 수행할 때에 동일한 상태에 대하여 상이한 결과 나타나는 문제가 발생할 수 있다.
이에 따라, 다양한 타입의 웨어러블 디바이스에 호환 가능한 질환 모니터링의 개발이 필요한 상황이다.
본 출원에서 해결하고자 하는 일 과제는 웨어러블 디바이스의 타입에 상관없이 사용자의 질환을 정확하게 모니터링하는 것에 있다.
본 출원에서 해결하고자 하는 과제가 상술한 과제로 제한되는 것은 아니며, 언급되지 아니한 과제들은 본 출원으로부터 본 출원이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따르면, 웨어러블 디바이스에서 획득된 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법에 있어서, 상기 웨어러블 디바이스의 타입 정보 및 상기 심박 정보를 획득하는 단계; 상기 타입 정보가 기준 타입에 대응하면, 질환 모니터링 모듈을 통해 상기 심박 정보를 이용하여 질환 모니터링 정보를 생성하는 단계; 상기 타입 정보가 상기 기준 타입에 대응하지 않으면, 심박 정보 표준화 모듈을 통해 상기 심박 정보를 이용하여 표준화된 심박 정보를 생성하고, 상기 질환 모니터링 모듈을 통해 상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계; 및 상기 질환 모니터링 정보를 출력하는 단계를 포함하는 방법이 제공될 수 있다.
상기 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현될 수 있고, 상기 심박 정보 표준화 모델은 학습용 심박 정보 및 상기 학습용 심박 정보에 대응하는 기준 심박 정보를 이용하여 학습된 모델일 수 있고, 상기 학습용 심박 정보는 제1 시간 동안 상기 기준 타입이 아닌 웨어러블 디바이스에서 획득된 심박 정보일 수 있고, 상기 기준 심박 정보는 상기 제1 시간 동안 상기 기준 타입인 웨어러블 디바이스에서 획득된 심박 정보일 수 있다.
상기 질환 모니터링 모듈은 제1 질환 모니터링 모델을 이용하여 구현될 수 있고, 상기 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계는, 상기 심박 정보를 상기 제1 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함할 수 있고, 상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계는, 상기 표준화된 심박 정보를 상기 제1 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함할 수 있다.
상기 질환 모니터링 모듈은 제2 질환 모니터링 모델을 이용하여 구현될 수 있고, 상기 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계는, 상기 심박 정보로부터 제1 휴지기 심박수를 생성하는 단계; 및 상기 제1 휴지기 심박수를 상기 제2 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함할 수 있고, 상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계는, 상기 표준화된 심박 정보로부터 제2 휴지기 심박수를 생성하는 단계; 및 상기 제2 휴지기 심박수를 상기 제2 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함할 수 있다.
상기 질환 모니터링 모듈은 휴지기 심박수 생성 모델을 더 이용하여 구현될 수 있고, 상기 제1 휴지기 심박수 및 상기 제2 휴지기 심박수는, 각각 상기 심박 정보 및 상기 표준화된 심박 정보를 상기 휴지기 심박수 생성 모델에 입력하여 생성될 수 있다.
상기 심박 정보는 서로 다른 시점에 대응하는 복수의 심박수를 포함할 수 있고, 상기 표준화된 심박 정보는 서로 다른 시점에 대응하는 복수의 표준화된 심박수를 포함할 수 있다.
상기 방법은, 상기 복수의 심박수로부터 하나 이상의 심박수 결측치를 생성하여 상기 복수의 심박수 및 상기 심박수 결측치를 포함하는 결측치 예측 심박 정보를 생성하는 단계를 더 포함할 수 있고, 상기 심박 정보 표준화 모듈을 통해 상기 결측치 예측 심박 정보를 이용하여 상기 표준화된 심박 정보를 생성할 수 있다.
상기 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현될 수 있고, 상기 심박 정보를 상기 심박 정보 표준화 모델에 입력하여 상기 표준화된 심박 정보를 생성할 수 있다.
상기 심박 정보 표준화 모듈은 제1 타입 모델 및 제2 타입 모델을 이용하여 구현될 수 있고, 상기 타입 정보가 상기 기준 타입이 아닌 제1 타입에 대응하면, 상기 심박 정보 및 상기 제1 타입 모델을 이용하여 상기 표준화된 심박 정보를 생성할 수 있고, 상기 타입 정보가 상기 기준 타입이 아닌 제2 타입에 대응하면, 상기 심박 정보 및 상기 제2 타입 모델을 이용하여 상기 표준화된 심박 정보를 생성할 수 있다.
상기 심박 정보 표준화 모듈은 수면 모델 및 비수면 모델을 이용하여 구현될 수 있고, 상기 심박 정보가 수면 시 획득한 심박 정보이면, 상기 수면 시 획득한 심박 정보 및 상기 수면 모델을 이용하여 상기 표준화된 심박 정보를 생성할 수 있고, 상기 심박 정보가 비수면 시 획득한 심박 정보이면, 상기 비수면 시 획득한 심박 정보 및 상기 비수면 모델을 이용하여 상기 표준화된 심박 정보를 생성할 수 있다.
일 실시예에 따르면, 웨어러블 디바이스에서 획득된 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법에 있어서, 상기 웨어러블 디바이스의 타입 정보 및 상기 심박 정보를 획득하는 단계; 심박 정보 표준화 모듈을 통해 상기 타입 정보 및 상기 심박 정보를 이용하여 표준화된 심박 정보를 생성하는 단계; 질환 모니터링 모듈을 통해 상기 표준화된 심박 정보를 이용하여 질환 모니터링 정보를 생성하는 단계; 및 상기 질환 모니터링 정보를 출력하는 단계를 포함하는 방법이 제공될 수 있다.
상기 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현될 수 있고, 상기 심박 정보 표준화 모델은 학습용 심박 정보 및 상기 학습용 심박 정보에 대응하는 기준 심박 정보를 이용하여 학습된 모델일 수 있고, 상기 학습용 심박 정보는 제1 시간 동안 웨어러블 디바이스에서 획득된 심박 정보일 수 있고, 상기 기준 심박 정보는 상기 제1 시간 동안 심박 정보 측정 기기에서 획득된 심박 정보일 수 있다.
상기 질환 모니터링 모듈은 제1 질환 모니터링 모델을 이용하여 구현될 수 있고, 상기 질환 모니터링 정보를 생성하는 단계는, 상기 표준화된 심박 정보를 상기 제1 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함할 수 있다.
상기 질환 모니터링 모듈은 제2 질환 모니터링 모델을 이용하여 구현될 수 있고, 상기 질환 모니터링 정보를 생성하는 단계는, 상기 표준화된 심박 정보로부터 휴지기 심박수를 생성하는 단계; 및 상기 휴지기 심박수를 상기 제2 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함할 수 있다.
상기 질환 모니터링 모듈은 휴지기 심박수 생성 모델을 더 이용하여 구현될 수 있고, 상기 휴지기 심박수는, 상기 표준화된 심박 정보를 상기 휴지기 심박수 생성 모델에 입력하여 생성될 수 있다.
상기 심박 정보는 서로 다른 시점에 대응하는 복수의 심박수를 포함할 수 있고, 상기 표준화된 심박 정보는 서로 다른 시점에 대응하는 복수의 표준화된 심박수를 포함할 수 있다.
상기 방법은, 상기 복수의 심박수로부터 하나 이상의 심박수 결측치를 생성하여 상기 복수의 심박수 및 상기 심박수 결측치를 포함하는 결측치 예측 심박 정보를 생성하는 단계를 더 포함할 수 있고, 상기 심박 정보 표준화 모델을 통해 상기 결측치 예측 심박 정보를 이용하여 상기 표준화된 심박 정보를 생성할 수 있다.
상기 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현될 수 있고, 상기 표준화된 심박 정보를 생성하는 단계는, 상기 타입 정보 및 상기 심박 정보를 상기 심박 정보 표준화 모델에 입력하여 상기 표준화된 심박 정보를 생성하는 단계를 포함할 수 있다.
상기 심박 정보 표준화 모듈은 제1 타입 모델 및 제2 타입 모델을 이용하여 구현될 수 있고, 상기 타입 정보가 제1 타입에 대응하면, 상기 심박 정보 및 상기 제1 타입 모델을 이용하여 상기 표준화된 심박 정보를 생성할 수 있고, 상기 타입 정보가 제2 타입에 대응하면, 상기 심박 정보 및 상기 제2 타입 모델을 이용하여 상기 표준화된 심박 정보를 생성할 수 있다.
일 실시예에 따르면, 하나 이상의 인스트럭션을 저장하는 비일시적 컴퓨터 판독 가능 매체로써, 상기 하나 이상의 인스트럭션은, 디바이스/서버의 하나 이상의 프로세서들에 의해 실행될 때, 상기 디바이스/서버로 하여금, 일 실시예에 따른 방법을 수행하게 하는 비일시적 컴퓨터 판독 가능 매체가 제공될 수 있다.
일 실시예에 따르면, 웨어러블 디바이스에서 획득된 심박 정보를 기초로 사용자의 질환을 모니터링하는 서버에 있어서, 통신부; 하나 이상의 인스트럭션을 저장하는 저장부; 및 상기 저장부에 저장된 상기 하나 이상의 인스트럭션을 실행하는 제어부를 포함하고, 상기 제어부는, 상기 하나 이상의 인스트럭션을 실행함으로써, 상기 웨어러블 디바이스의 타입 정보 및 상기 심박 정보를 획득하고, 상기 타입 정보가 기준 타입에 대응하면, 질환 모니터링 모듈을 통해 상기 심박 정보를 이용하여 질환 모니터링 정보를 생성하고, 상기 타입 정보가 상기 기준 타입에 대응하지 않으면, 심박 정보 표준화 모듈을 통해 상기 심박 정보를 이용하여 표준화된 심박 정보를 생성하고, 상기 질환 모니터링 모듈을 통해 상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하고, 상기 질환 모니터링 정보를 출력하는 서버가 제공될 수 있다.
본 출원의 과제의 해결 수단이 상술한 해결 수단들로 제한되는 것은 아니며, 언급되지 아니한 해결 수단들은 본 출원으로부터 본 출원이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일 실시예에 따르면, 웨어러블 디바이스에서 획득된 정보를 웨어러블 디바이스의 타입 정보를 고려하여 표준화하고 표준화된 정보를 이용하여 사용자의 질환을 모니터링함으로써 웨어러블 디바이스의 타입에 상관없이 사용자의 질환을 정확하게 모니터링할 수 있다.
본 출원의 발명의 효과가 상술한 효과로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 출원으로부터 본 출원이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 웨어러블 디바이스에 따른 심박 정보 측정 데이터의 차이에 대한 일 예이다.
도 2는 일 실시예에 따른 질환 모니터링 시스템에 관한 도면이다.
도 3은 일 실시예에 따른 질환 모니터링 서버에 관한 도면이다.
도 4는 일 실시예에 따른 질환 모니터링 방법에 관한 흐름도이다.
도 5는 일 실시예에 따른 심박 정보 표준화 모델을 이용하여 표준화된 심박 정보를 생성하는 것에 관한 도면이다.
도 6은 일 실시예에 따른 복수의 타입 모델을 이용하여 표준화된 심박 정보를 생성하는 것에 관한 도면이다.
도 7은 일 실시예에 따른 수면 모델 및 비수면 모델을 이용하여 표준화된 심박 정보를 생성하는 것에 관한 도면이다.
도 8은 일 실시예에 따른 질환 모니터링 모델을 이용하여 질환 모니터링 정보를 생성하는 것에 관한 도면이다.
도 9는 일 실시예에 따른 대표 심박수를 획득하는 것에 관한 도면이다.
도 10은 일 실시예에 따른 결측치가 존재하는 심박 정보를 이용한 표준화된 심박 정보 생성에 관한 도면이다.
도 11은 다른 실시예에 따른 질환 모니터링 방법에 관한 흐름도이다.
도 12는 일 실시예에 따른 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 제1 예시에 관한 흐름도이다.
도 13은 일 실시예에 따른 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 제2 예시에 관한 흐름도이다.
도 14는 일 실시예에 따른 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 제3 예시에 관한 흐름도이다.
도 15는 일 실시예에 따른 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 제4 예시에 관한 흐름도이다.
도 16은 일 실시예에 따른 사용자 등록 단계에 관한 흐름도이다.
도 17은 애플 워치와 핏빗을 통해 특정 사용자의 심박 정보를 측정한 결과에 대한 그래프이다.
도 18은 핏빗이 기준 타입인 경우에 웨어러블 디바이스의 타입 정보에 따라 심박 정보를 표준화하는 것에 대한 그래프이다.
도 19는 애플 워치가 기준 타입인 경우에 웨어러블 디바이스의 타입 정보에 따라 심박 정보를 표준화하는 것에 대한 그래프이다.
도 20은 도 18 및 도 19의 표준화된 심박 정보를 함께 나타낸 그래프이다.
본 출원에 기재된 실시예는 본 출원이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 출원의 사상을 명확히 설명하기 위한 것이므로, 본 출원에 기재된 실시예에 의해 한정되는 것은 아니며, 본 출원의 범위는 본 출원의 사상을 벗어나지 아니하는 수정예 또는 변형예를 포함하는 것으로 해석되어야 한다.
본 출원에서 사용되는 용어는 본 출원에서의 기능을 고려하여 가능한 현재 널리 사용되고 있는 일반적인 용어를 선택하였으나 이는 본 출원이 속하는 기술 분야에서 통상의 지식을 가진 자의 의도, 관례 또는 새로운 기술의 출현 등에 따라 달라질 수 있다. 다만, 이와 달리 특정한 용어를 임의의 의미로 정의하여 사용하는 경우에는 그 용어의 의미에 관하여 별도로 기재할 것이다. 따라서 본 출원에서 사용되는 용어는 단순한 용어의 명칭이 아닌 그 용어가 가진 실질적인 의미와 본 출원의 전반에 걸친 내용을 토대로 해석되어야 한다.
본 출원의 도면은 본 출원을 용이하게 설명하기 위한 것으로 도면에 도시된 형상은 본 출원의 이해를 돕기 위하여 필요에 따라 과장되어 표시된 것일 수 있으므로 본 출원이 도면에 의해 한정되는 것은 아니다.
본 출원에서 본 출원에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 출원의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 필요에 따라 생략하기로 한다. 또한, 본 출원의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 별도의 언급이 없는 한 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별 기호에 불과하다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 본 출원에 따른 사용자의 질환을 모니터링하는 방법, 그를 이용하는 서버 및 시스템에 대해 설명한다. 설명의 편의를 위해 갑상선 질환인 갑상선 기능 이상(예: 갑상선 기능 항진증, 갑상선 기능 저하증)을 모니터링하는 것에 대해 주로 설명하나, 본 출원에 따른 질환 모니터링이 이에 한정되는 것은 아니다.
본 명세서에서, 심박 정보는 심박수값들의 집합을 의미할 수 있다. 예를 들어, 상기 심박 정보는 소정의 시간동안 측정된 심박수값들의 집합을 의미할 수 있다.
본 명세서에서, 심박 정보를 표준화한다는 것은 심박 정보를 측정한 기기에 따른 측정 데이터 사이의 편차나 오차를 줄이기 위한 목적으로 수행되는 동작이나 단계를 의미한다.
본 명세서에서, 표준화된 심박 정보는 심박 정보를 표준화하여 생성된 심박 정보를 의미한다. 여기서, 표준화라는 것은 본 명세서의 일 실시예에 따라 표준화하는 것을 의미할 수 있다. 다시 말해, 단순히 심박 정보라고 한다면 이는 본 명세서의 일 실시예에 따른 표준화가 수행되지 않거나 본 명세서의 일 실시예에 따른 표준화가 수행되기 전의 심박 정보를 의미할 수 있다.
도 1은 웨어러블 디바이스에 따른 심박 정보 측정 데이터의 차이에 대한 일 예로, 사용자에게 애플 워치(Apple Watch)와 핏빗(FitBit)을 동일한 손목에 동시에 착용하게 하고 심박수를 측정한 결과를 나타낸 그래프이다. 도 1의 x축은 시간, y축은 심박수를 나타낸다.
도 1을 참고하면, 동일한 시점이라도 애플 워치가 측정한 심박수와 핏빗이 측정한 심박수가 서로 다른 것을 확인할 수 있다. 이에 비추어 확인할 수 있는 해결 과제는 애플 워치로 획득된 심박수를 기초로 질환 모니터링을 수행한 결과와, 핏빗 워치로 획득된 심박수를 기초로 질환 모니터링을 수행하는 결과가 다를 수 있다는 것이고, 이 결과 질환 모니터링 결과의 정확도에 영향을 미칠 수 있다는 뜻이다.
이에 더해, 핏빗은 1분에 1번씩 심박수를 측정하는 반면, 애플 워치는 불규칙적으로 약 5~8분에 한 번씩 심박수를 측정한다. 다시 말해, 웨어러블 디바이스에 따라 동일한 시점이라도 심박수가 다르게 측정될 수 있고, 심박수를 측정하는 시점도 달라질 수 있다.
따라서, 다양한 타입의 웨어러블 디바이스에 적용 가능한 질환 모니터링 방법이 요구된다.
도 2는 일 실시예에 따른 질환 모니터링 시스템(10)에 관한 도면이다.
도 2를 참고하면, 네트워크(300)는, 예를 들어, 사용자 단말(200), 데이터 저장 서버(400) 및 질환 모니터링 서버(500) 중 임의의 2개 이상을 통신 가능하게(직접 또는 간접적으로) 연결할 수 있다.
도 2에서, 웨어러블 디바이스(100)는 직접 네트워크(300)에 연결되지 않고 사용자 단말(200)을 통해 네트워크(300)와 연결되는 것으로 도시되어 있지만, 일부 실시예에서, 웨어러블 디바이스(100)는 네트워크(300)에 직접 연결될 수 있다.
웨어러블 디바이스(100)는 사용자의 심박 정보를 감지할 수 있다. 웨어러블 디바이스(100)는 사용자의 신체에 착용된 상태에서 심박 정보를 획득할 수 있다. 여기서, 사용자는 웨어러블 디바이스(100)를 착용한 사람을 의미할 수 있다.
웨어러블 디바이스(100)는 예시적으로 스마트 워치, 스마트 밴드, 스마트 링 또는 이들의 조합일 수 있으나, 이에 한정되는 것은 아니다.
사용자 단말(200)은 웨어러블 디바이스(100)로부터 심박 정보를 획득할 수 있다. 사용자 단말(200)은 심박 정보를 데이터 저장 서버(400)로 제공할 수 있다.
사용자 단말(200)은 예시적으로 스마트폰, 태블릿 디바이스, 랩탑 컴퓨터, 퍼스널 컴퓨터 또는 이들의 조합일 수 있으나, 이에 한정되는 것은 아니다.
데이터 저장 서버(400)는 심박 정보를 저장할 수 있다. 예를 들어, 데이터 저장 서버(400)는 심박 정보를 심박 정보 데이터베이스에 데이터베이스화하여 저장할 수 있다.
데이터 저장 서버(400)는 예를 들어 웨어러블 디바이스 제조사가 운영하거나 관리하는 서버일 수 있으나, 이에 한정되는 것은 아니다.
질환 모니터링 서버(500)는 심박 정보를 이용하여 질환을 모니터링할 수 있다. 질환 모니터링 서버(500)는 심박 정보를 이용하여 질환 모니터링 정보를 생성할 수 있다.
질환 모니터링 서버(500)는 심박 정보를 표준화할 수 있다. 질환 모니터링 서버(500)는 표준화된 심박 정보를 생성할 수 있다.
질환 모니터링 서버(500)의 질환 모니터링 및 심박 정보 표준화에 대한 보다 자세한 내용은 후술한다.
도 2에 도시된 구성 요소 모두가 질환 모니터링 시스템(10)의 필수 구성 요소인 것은 아니고, 도 2에 도시된 질환 모니터링 시스템(10)의 구성 요소 중 적어도 일부가 생략될 수도 있다. 예를 들어, 질환 모니터링 시스템(10)은 데이터 저장 서버(400)를 포함하지 않을 수 있다. 이 경우, 데이터 저장 서버(400)의 기능은 질환 모니터링 서버(500), 사용자 단말(200) 등 질환 모니터링 시스템(10)의 다른 구성 요소에 의해 수행될 수 있다. 다른 예를 들어, 질환 모니터링 시스템(10)은 사용자 단말(200)을 포함하지 않을 수 있다. 이 경우, 사용자 단말(200)의 기능은 웨어러블 디바이스(100) 등 질환 모니터링 시스템(10)의 다른 구성 요소에 의해 수행될 수 있다. 뿐만 아니라, 질환 모니터링 시스템(10)은 도 2에 도시되지 않은 구성 요소를 추가로 포함할 수 있다.
도 3은 일 실시예에 따른 질환 모니터링 서버(500)에 관한 도면이다. 도 3을 참고하면, 질환 모니터링 서버(500)는 통신부(510), 저장부(520), 제어부(530) 및 모듈부(540)를 포함할 수 있다.
질환 모니터링 서버(500)는 통신부(510)를 통해 외부와의 통신을 수행할 수 있다. 예를 들어, 질환 모니터링 서버(500)는 통신부(510)를 통해 데이터 저장 서버(400)로부터 심박 정보를 수신할 수 있다. 다른 예를 들어, 질환 모니터링 서버(500)는 통신부(510)를 통해 질환 모니터링 정보를 사용자 단말(200)로 전송할 수 있다.
통신부(510)는 유선 또는 무선 통신을 수행할 수 있다. 통신부(510)는 예시적으로 유/무선 LAN(Local Area Network) 모듈, WAN 모듈, 이더넷 모듈, 블루투스(Bluetooth) 모듈, 지그비(Zigbee) 모듈, USB(Universal Serial Bus) 모듈, IEEE 1394 모듈, 와이파이(Wifi) 모듈 또는 이들의 조합일 수 있으나, 이에 한정되는 것은 아니다.
질환 모니터링 서버(500)는 저장부(520)에 동작하는데 필요한 각종 데이터, 프로그램 또는 어플리케이션 등을 저장할 수 있다. 저장부(520)에 저장되는 프로그램 또는 어플리케이션은 하나 이상의 인스트럭션을 포함할 수 있다. 저장부(520)에 저장된 프로그램 또는 어플리케이션은 제어부(530)에 의해 실행될 수 있다.
저장부(520)는 질환 모니터링 서버(500)가 획득하는 정보를 저장할 수 있다. 예를 들어, 저장부(520)는 심박 정보, 사용자 정보 및 웨어러블 디바이스의 타입 정보 등을 저장할 수 있다. 저장부(520)는 질환 모니터링 서버(500)가 수행한 연산의 결과 등을 저장할 수 있다. 예를 들어, 저장부(520)는 질환 모니터링 정보를 저장할 수 있다.
저장부(520)는 예시적으로 하드 디스크, 플래시 메모리, SSD(Solid State Drive), RAM(Random Access Memory), ROM(Read Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 또는 이들의 조합일 수 있으나, 이에 한정되는 것은 아니다.
질환 모니터링 서버(500)는 제어부(530)를 통해 각종 정보의 처리와 연산을 수행할 수 있다. 예를 들어, 제어부(530)는 표준화된 심박 정보를 생성할 수 있다. 다른 예를 들어, 제어부(530)는 질환 모니터링 정보를 생성할 수 있다. 또 다른 예를 들어, 제어부(530)는 표준화된 심박 정보를 외부 기기 또는 외부 서버로 전송하고, 상기 외부 기기 또는 외부 서버에서 표준화된 심박 정보를 기초로 질환 모니터링 정보를 생성하고, 상기 생성된 질환 모니터링 정보를 상기 외부 기기 또는 외부 서버로부터 수신할 수 있다. 제어부(530)는 질환 모니터링 서버(500)를 구성하는 다른 구성 요소를 제어할 수 있다.
제어부(530)는 하드웨어, 소프트웨어 또는 이들의 조합에 따라 컴퓨터나 이와 유사한 장치로 구현될 수 있다. 하드웨어적으로 제어부(530)는 하나 또는 복수의 프로세서(processor)일 수 있다. 또는, 제어부(530)는 물리적으로 이격되어 통신을 통해 협업하는 프로세서들로 제공될 수도 있다. 제어부(530)는 예시적으로 중앙 처리 장치(Central Processing Unit, CPU), 그래픽 처리 장치(Graphics Processing Unit, GPU), 디지털 신호 처리 장치(Digital Signal Processor, DSP), 상태 기계(state machine), 주문형 반도체(Application Specific Integrated Circuit, ASIC), 무선 주파수 집적 회로(Radio-Frequency Integrated Circuit, RFIC) 또는 이들의 조합일 수 있으나, 이에 한정되는 것은 아니다. 소프트웨어적으로 제어부(530)는 하드웨어적인 제어부(530)를 구동시키는 프로그램 형태로 제공될 수 있다.
이하에서 특별한 언급이 없는 경우에는 질환 모니터링 서버(500)의 동작은 제어부(530)에 의해 수행되거나 제어부(530)의 제어에 의해 수행되는 것으로 해석될 수 있다.
모듈부(540)는 하나 이상의 동작 가능한 모듈들을 포함할 수 있다. 모듈부(540)는 심박 정보 표준화 모듈(541)을 포함할 수 있다. 심박 정보 표준화 모듈(541)은 하나 이상의 모델들을 이용하여 구현될 수 있다. 모듈부(540)는 질환 모니터링 모듈(542)을 포함할 수 있다. 질환 모니터링 모듈(542)은 하나 이상의 모델들을 이용하여 구현될 수 있다. 모듈부(540)에 대한 보다 구체적인 내용은 후술한다.
도 3에 도시된 구성 요소 모두가 질환 모니터링 서버(500)의 필수 구성 요소인 것은 아니고, 도 3에 도시된 질환 모니터링 서버(500)의 구성 요소 중 적어도 일부가 생략될 수도 있다. 뿐만 아니라, 질환 모니터링 서버(500)는 도 3에 도시되지 않은 구성 요소를 추가로 포함할 수 있다. 예를 들어, 질환 모니터링 서버(500)는 디스플레이, 스피커 또는 이들의 조합을 포함하는 출력부를 더 포함할 수 있다.
도 3에서는 하나 이상의 동작 가능한 모듈들이 모두 모듈부(540)에 포함되는 것으로 도시되어 있으나, 상기 모듈들 중 적어도 하나 이상의 모듈은 저장부(520)에 저장되는 소프트웨어 모듈로 구현될 수도 있다. 예를 들어, 심박 정보 표준화 모듈(541)은 도 3에 도시된 바와 같이 모듈부(540)에 포함되는 별도의 하드웨어 모듈로 구현되지 않고, 소프트웨어 모듈로써 저장부(520)에 저장될 수 있고, 제어부(530)에 의해 실행됨으로써 동작될 수 있다. 다른 예를 들어, 질환 모니터링 모듈(542)은 도 3에 도시된 바와 같이 모듈부(540)에 포함되는 별도의 하드웨어 모듈로 구현되지 않고, 소프트웨어 모듈로써 저장부(520)에 저장될 수 있고, 제어부(530)에 의해 실행됨으로써 동작될 수 있다.
이하에서는 본 출원에 따른 질환 모니터링 방법에 대해 설명한다. 이하에서는 질환 모니터링 서버에서 질환 모니터링 방법을 수행하는 것으로 설명하나, 질환 모니터링 방법이 반드시 질환 모니터링 서버에서 수행되어야 하는 것은 아니다. 예를 들어, 질환 모니터링 방법은 사용자 단말에서 수행될 수 있다. 다른 예를 들어, 질환 모니터링 방법의 일부는 질환 모니터링 서버에서 수행되고, 나머지는 사용자 단말에서 수행될 수 있다.
도 4는 일 실시예에 따른 질환 모니터링 방법에 관한 흐름도이다.
단계 S410에서, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보 및 심박 정보를 획득할 수 있다.
일 실시예에 따르면, 웨어러블 디바이스의 타입은 웨어러블 디바이스의 제조사에 대응할 수 있다. 예를 들어, 애플사에서 제조한 웨어러블 디바이스는 애플 타입, 핏빗사에서 제조한 웨어러블 디바이스는 핏빗 타입, 삼성전자사에서 제조한 웨어러블 디바이스는 삼성전자 타입에 대응할 수 있다. 이 경우, 동일한 제조사에서 제조한 웨어러블 디바이스라면 그 모델이 상이하더라도 동일한 타입에 대응할 수 있다. 예를 들어, 애플 워치 1세대 내지 7세대는 동일한 애플 타입, 갤럭시 워치 1세대 내지 3세대는 동일한 삼성전자 타입에 대응할 수 있다.
여기서, 웨어러블 디바이스의 제조사에 따라 상이한 타입 정보가 설정될 수 있다. 이는 사용자에 의해 수동으로 설정되거나, 질환 모니터링 서버에 의해 자동으로 설정될 수 있다.
다른 실시예에 따르면, 웨어러블 디바이스의 타입은 웨어러블 디바이스의 모델에 대응할 수 있다. 이 경우, 동일한 제조사에서 제조한 상이한 모델의 웨어러블 디바이스는 서로 다른 타입에 대응할 수 있다. 예를 들어, 애플사에서 제조한 웨어러블 디바이스이더라도 애플 워치 1세대 내지 7세대 각각은 서로 다른 타입에 대응할 수 있다. 다른 예를 들어, 애플 워치 1세대 내지 7세대 중 일부는 나머지와 다른 타입에 대응할 수 있다.
여기서, 웨어러블 디바이스의 모델에 따라 상이한 타입 정보가 설정될 수 있다. 이는 사용자에 의해 수동으로 설정되거나, 질환 모니터링 서버에 의해 자동으로 설정될 수 있다.
또 다른 실시예에 따르면, 웨어러블 디바이스의 타입은 웨어러블 디바이스가 측정하는 측정값의 동일성에 따라 구분될 수 있다. 예를 들어, 제1 웨어러블 디바이스와 제2 웨어러블 디바이스가 동일한 측정값(예: 심박 정보 등)을 제공한다면, 상기 제1 웨어러블 디바이스와 상기 제2 웨어러블 디바이스는 동일한 타입에 대응할 수 있다.
여기서, 상기 측정값의 동일성에 따라 상이한 타입 정보가 설정될 수 있다. 이는 사용자에 의해 수동으로 설정되거나, 질환 모니터링 서버에 의해 자동으로 설정될 수 있다.
질환 모니터링 서버는 몇몇 방식을 통해 타입 정보를 획득할 수 있다.
일 실시예에 따르면, 질환 모니터링 서버는 사용자 단말, 데이터 저장 서버 및 웨어러블 디바이스 중 적어도 하나로부터 사용자 식별자를 수신하고, 상기 사용자 식별자를 기초로 타입 정보를 결정할 수 있다. 예를 들어, 질환 모니터링 서버는 사용자 식별자 및 상기 사용자 식별자에 대응하는 타입 정보를 미리 저장하고, 사용자 식별자를 수신하면 상기 수신된 식별자와 동일한 식별자를 미리 저장된 식별자 중에서 찾아 타입 정보를 결정할 수 있다.
다른 실시예에 따르면, 질환 모니터링 서버는 사용자 단말, 데이터 저장 서버 및 웨어러블 디바이스 중 적어도 하나로부터 타입 정보를 수신할 수 있다.
질환 모니터링 서버는 사용자 단말, 데이터 저장 서버 및 웨어러블 디바이스 중 적어도 하나로부터 심박 정보를 획득할 수 있다.
예를 들어, 질환 모니터링 서버는 데이터 저장 서버로부터 심박 정보를 획득할 수 있다. 이 경우, 질환 모니터링 서버는 데이터 저장 서버로부터 사용자 식별자 또는 타입 정보를 수신할 수도 있지만, 사용자 단말이나 웨어러블 디바이스로부터 사용자 식별자 또는 타입 정보를 수신할 수도 있다.
다른 예를 들어, 질환 모니터링 서버는 사용자 단말로부터 심박 정보를 획득할 수 있다. 이 경우, 질환 모니터링 서버는 사용자 단말로부터 사용자 식별자 또는 타입 정보를 수신할 수도 있지만, 데이터 저장 서버나 웨어러블 디바이스로부터 사용자 식별자 또는 타입 정보를 수신할 수도 있다.
질환 모니터링 서버는 타입 정보 및 심박 정보를 동일한 주기로 획득할 수 있다.
또는, 질환 모니터링 서버는 타입 정보 및 심박 정보를 상이한 주기로 획득할 수 있다. 예를 들어, 질환 모니터링 서버는 타입 정보보다 심박 정보를 더 긴 주기로 획득할 수 있다. 보다 구체적인 예로, 질환 모니터링 서버는 타입 정보를 제1 주기로 획득하고, 심박 정보를 상기 제1 주기보다 긴 제2 주기로 획득할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 심박 정보보다 타입 정보를 더 긴 주기로 획득할 수 있다. 보다 구체적인 예로, 질환 모니터링 서버는 심박 정보를 제1 주기로 획득하고, 타입 정보를 상기 제1 주기보다 긴 제2 주기로 획득할 수 있다.
질환 모니터링 서버는 타입 정보 및 심박 정보를 동일한 횟수로 획득할 수 있다. 예를 들어, 질환 모니터링 서버는 타입 정보를 1번 획득할 때 심박 정보도 1번 획득할 수 있다.
또는, 질환 모니터링 서버는 타입 정보 및 심박 정보를 상이한 횟수로 획득할 수 있다. 예를 들어, 질환 모니터링 서버는 타입 정보보다 심박 정보를 더 많은 횟수로 획득할 수 있다. 보다 구체적인 예로, 질환 모니터링 서버는 타입 정보를 1번 획득할 때 심박 정보를 2번 이상 획득할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 심박 정보보다 타입 정보를 더 많은 횟수로 획득할 수 있다. 보다 구체적인 예로, 질환 모니터링 서버는 심박 정보를 1번 획득할 때 타입 정보를 2번 이상 획득할 수 있다.
단계 S420에서, 일부 실시예에서, 질환 모니터링 서버는 타입 정보가 기준 타입에 대응하는지 판단할 수 있다. 기준 타입은 복수의 웨어러블 디바이스의 타입 중 특정 타입일 수 있다.
단계 S430에서, 타입 정보가 기준 타입에 대응하지 않으면, 질환 모니터링 서버는 심박 정보 표준화 모듈을 통해 심박 정보를 이용하여 표준화된 심박 정보를 생성할 수 있다.
심박 정보를 이용하여 표준화된 심박 정보를 생성한다는 것은 기준 타입이 아닌 웨어러블 디바이스에서 획득된 심박 정보를 기준 타입의 웨어러블 디바이스에서 획득된 심박 정보로 변환하는 것을 의미할 수 있다. 예를 들어, 핏빗 타입이 기준 타입인 경우, 질환 모니터링 서버는 핏빗이 아닌 다른 타입의 웨어러블 디바이스(예: 애플 워치, 갤럭시 워치 등)에서 획득된 심박 정보를 핏빗에서 획득된 심박 정보로 변환할 수 있다. 다른 예를 들어, 핏빗의 제1 모델이 기준 타입인 경우, 질환 모니터링 서버는 핏빗의 제2 모델(제1 모델과 다름)에서 획득된 심박 정보를 핏빗의 제1 모델에서 획득된 심박 정보로 변환할 수 있다. 다시 말해, 표준화된 심박 정보는 기준 타입의 웨어러블 디바이스에서 획득된 것으로 예측되는 가상의 심박 정보일 수 있다.
일 예로, 심박 정보는 복수의 심박수값 및 상기 심박수값이 획득된 시점을 포함할 수 있다. 보다 구체적인 예를 들어, 심박 정보는 다음과 같은 n X 2 행렬로 표현될 수 있다.
Figure PCTKR2023003723-appb-img-000001
여기서, n은 심박수의 개수이고, 제1 시점은 심박수가 측정된 가장 이른 시점이고, 제n 시점은 심박수가 측정된 가장 늦은 시점이다.
일부 실시예에서, 심박수가 측정된 시점 사이의 간격은 미리 정해진 일정한 시간 간격일 수 있다. 예를 들어, 상기 간격은 10초, 30초, 1분, 5분 또는 10분일 수 있으나, 이에 한정되는 것은 아니다.
다른 예로, 심박 정보는 복수의 심박수값을 포함할 수 있다. 보다 구체적인 예를 들어, 심박 정보는 다음과 같은 n차원 벡터로 표현될 수 있다.
Figure PCTKR2023003723-appb-img-000002
여기서, n은 심박수의 개수이다.
다른 예로, 심박 정보는 심전도 데이터 (ECG:electrocardiogram Data)를 포함할 수 있다. 보다 구체적인 예를 들어, 심박 정보는 적어도 하나의 리드(Lead) 심전도 데이터를 포함할 수 있으나, 이에 한정되지 않는다.
다른 예로, 심박 정보는 복수의 심전도 값 및 상기 심전도 값이 획득된 시점을 포함할 수 있다. 보다 구체적인 예를 들어, 심박 정보는 복수의 심전도 값 및 상기 심전도 값이 획득된 시점이 포함되는 시계열 데이터를 포함할 수 있으나, 이에 한정되지 않는다.
일 실시예에 따르면, 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현될 수 있다.
도 5는 일 실시예에 따른 심박 정보 표준화 모델을 이용하여 표준화된 심박 정보를 생성하는 것에 관한 도면으로, (a)는 전술한 심박수값 및 시점을 포함하는 n X 2 행렬 형태의 심박 정보로부터 표준화된 심박 정보를 생성하는 경우이고, (b)는 전술한 심박수값을 포함하는 n차원 벡터 형태의 심박 정보로부터 표준화된 심박 정보를 생성하는 경우이다.
질환 모니터링 서버는 심박 정보 및 심박 정보 표준화 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 심박 정보를 심박 정보 표준화 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 심박 정보로부터 생성된 정보를 심박 정보 표준화 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 상기 심박 정보로부터 생성된 정보는, 예시적으로 상기 심박 정보에 포함된 적어도 일부의 심박수값이 변경 또는 삭제된 정보, 상기 심박 정보에 하나 이상의 값이 추가된 정보 또는 상기 심박 정보를 가공하여 생성된 정보일 수 있으나, 이에 한정되는 것은 아니다.
예를 들어, 도 5의 (a)를 참고하면, 심박 정보는 복수의 심박수값(b1, b2 내지 bn) 및 상기 심박수값이 획득된 측정 시점(t1, t2 내지 tn)을 포함하고, 표준화된 심박 정보는 복수의 표준화된 심박수값(bs1, bs2 내지 bsn) 및 상기 표준화된 심박수값에 대응하는 시점(t1, t2 내지 tn)을 포함할 수 있다. 여기서, 상기 표준화된 심박수값에 대응하는 시점은 상기 심박수값이 획득된 측정 시점과 동일할 수 있다. 도 5의 (a)에서는 표준화된 심박 정보가 상기 표준화된 심박수값에 대응하는 시점(t1, t2 내지 tn)을 포함하는 것으로 도시되었으나, 표준화된 심박 정보는 상기 표준화된 심박수값에 대응하는 시점(t1, t2 내지 tn)은 포함하지 않고 표준화된 심박수값(bs1, bs2 내지 bsn)은 포함할 수 있다.
다른 예를 들어, 도 5의 (b)를 참고하면, 심박 정보는 복수의 심박수값(b1, b2 내지 bn)을 포함하고, 표준화된 심박 정보는 복수의 표준화된 심박수값(bs1, bs2 내지 bsn)을 포함할 수 있다.
심박 정보 표준화 모델은 머신 러닝 모델, 딥 러닝 모델 또는 이들의 조합일 수 있다. 심박 정보 표준화 모델은 예시적으로 RNN 모델, LSTM 모델 또는 GRU 모델과 같은 RNN 계열 모델일 수 있으나, 이에 한정되는 것은 아니다.
심박 정보 표준화 모델은 복수의 레이어(layer)를 포함할 수 있다. 예를 들어, 심박 정보 표준화 모델은 입력 레이어(input layer), 히든 레이어(hidden layer) 및 출력 레이어(output layer)를 포함할 수 있다. 입력 레이어는 심박 정보가 입력되는 레이어일 수 있다. 출력 레이어는 표준화된 심박 정보가 출력되는 레이어일 수 있다. 히든 레이어는 입력 레이어 및 출력 레이어 사이의 레이어일 수 있다.
심박 정보 표준화 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 준지도 학습(semi-supervised learning), 강화 학습(reinforcement learning) 등 다양한 방법을 통해 학습될 수 있다.
예를 들어, 심박 정보 표준화 모델은 지도 학습을 통해 학습될 수 있다. 이 경우, 심박 정보 표준화 모델은 학습용 심박 정보 및 상기 학습용 심박 정보에 대응하는 기준 심박 정보를 이용하여 학습될 수 있다. 보다 구체적인 예를 들어, 심박 정보 표준화 모델은 학습용 심박 정보를 입력받아 출력 심박 정보를 출력하고, 상기 출력 심박 정보와 기준 심박 정보 사이의 차이에 기초하여 학습될 수 있다. 상기 학습용 심박 정보는 소정의 시간 동안 기준 타입이 아닌 웨어러블 디바이스에서 획득된 심박 정보일 수 있다. 상기 기준 심박 정보는 상기 소정의 시간 동안 기준 타입인 웨어러블 디바이스에서 획득된 심박 정보일 수 있다. 또는, 상기 기준 심박 정보는 상기 소정의 시간 동안 기준 타입의 웨어러블 디바이스에서 획득된 것으로 예측되는 심박 정보일 수 있다. 선택적으로, 심박 정보 표준화 모델은 타입 정보를 더 이용하여 학습될 수 있다. 이 경우, 심박 정보 표준화 모델은 학습용 심박 정보 및 타입 정보를 입력받아 출력 심박 정보를 출력하고, 상기 출력 심박 정보와 기준 심박 정보 사이의 차이에 기초하여 학습될 수 있다.
선택적으로, 심박 정보 표준화 모델은 사람의 성별 및 나이 등 생체 정보를 더 이용하여 학습될 수 있다.
질환 모니터링 서버는 심박 정보 표준화 모델을 학습시킬 수 있다. 또는, 질환 모니터링 서버는 외부로부터 학습된 심박 정보 표준화 모델을 제공받을 수 있다.
선택적으로, 질환 모니터링 서버는 타입 정보를 더 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 심박 정보 및 타입 정보를 심박 정보 표준화 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 심박 정보 표준화 모델이 입력 레이어, 히든 레이어 및 출력 레이어를 포함하는 경우, 심박 정보 및 타입 정보는 모두 입력 레이어에 입력될 수 있다. 또는, 심박 정보 표준화 모델이 입력 레이어, 히든 레이어 및 출력 레이어를 포함하는 경우, 심박 정보는 입력 레이어에 입력되고, 타입 정보는 히든 레이어 또는 출력 레이어에 입력될 수 있다.
다른 실시예에 따르면, 심박 정보 표준화 모듈은 복수의 타입 모델을 이용하여 구현될 수 있다. 예를 들어, 심박 정보 표준화 모듈은 적어도 제1 타입 모델 및 제2 타입 모델을 이용하여 구현될 수 있다.
웨어러블 디바이스의 타입에 따라 측정되는 심박 정보의 특성이나 패턴이 상이할 수 있다. 예를 들어, 웨어러블 디바이스별로 심박 정보의 측정 방식이 상이함에 따라 측정되는 심박 정보의 특성이나 패턴이 상이할 수 있다. 이에 따라, 상이한 타입의 웨어러블 디바이스에서 획득된 심박 정보를 하나의 동일한 모델을 이용하여 표준화하면 부정확한 표준화된 심박 정보가 생성될 수 있다. 이 경우, 웨어러블 디바이스의 타입에 따라 상이한 타입 모델을 이용하면 보다 정확하게 표준화된 심박 정보를 생성할 수 있다.
또한, 도 5를 통해 기술한 내용들은 심박 정보가 전술한 심전도 데이터를 포함하는 경우 및 심박 정보가 복수의 심전도 값 및 상기 심전도 값이 획득된 시점을 포함하는 경우에도 적용될 수 있으므로, 중복되는 서술들은 생략하기로 한다.
또한, 일 실시예에 따르면, 심박 정보 표준화 모듈을 구현하기 위한 학습 데이터 획득 방법이 제공될 수 있다.
일 실시예에 따른 학습 데이터 획득 방법은 동일한 사용자의 신체에 위치하는 제1 타입 웨어러블 디바이스 및 제2 타입 디바이스로부터 제1 타입 심박 정보 및 제2 타입 심박 정보를 획득하는 단계를 포함할 수 있다.
이 때, 상기 제1 타입 웨어러블 디바이스는 기준 타입 웨어러블 디바이스에 대응될 수 있으며, 상기 제2 타입 웨어러블 디바이스는 기준 타입이 아닌 웨어러블 디바이스에 대응될 수 있으나, 이에 한정되지 않는다.
예를 들어, 상기 제1 타입 웨어러블 디바이스는 핏빗 웨어러블 디바이스에 대응될 수 있으며, 상기 제2 타입 웨어러블 디바이스는 애플 웨어러블 디바이스에 대응될 수 있으나, 이에 한정되지 않는다.
또한, 예를 들어, 상기 제1 타입 웨어러블 디바이스는 애플 5세대 웨어러블 디바이스에 대응될 수 있으며, 상기 제2 타입 웨어러블 디바이스는 애플 6세대 웨어러블 디바이스에 대응될 수 있으나, 이에 한정되지 않는다.
또한, 예를 들어, 상기 제1 타입 웨어러블 디바이스는 임상 시험에 대해 승인을 받은 웨어러블 디바이스에 대응될 수 있으며, 상기 제2 타입 웨어러블 디바이스는 임상 시험에 대해 아직 승인을 받지 못한 웨어러블 디바이스에 대응될 수 있으나, 이에 한정되지 않는다. 이 때, 임상 시험에 대해 승인을 받은 웨어러블 디바이스라는 의미는 웨어러블 디바이스로부터 획득된 심박 정보 자체에 대한 임상 시험에 대한 승인을 의미할 수 있으나, 이에 한정 되지 않으며, 해당 웨어러블 디바이스로부터 획득된 심박 정보를 이용하여 출력된 질환 정보와 관련된 임상 시험에 대한 승인을 의미할 수 있다.
일 실시예에 따른 동일한 사용자의 신체에 위치하는 제1 타입 웨어러블 디바이스 및 제2 타입 디바이스로부터 제1 타입 심박 정보 및 제2 타입 심박 정보를 획득하는 단계에서, 상기 제1 타입 웨어러블 디바이스 및 상기 제2 타입 웨어러블 디바이스는 동일한 사용자의 인접한 신체 부위에 위치될 수 있으며, 이를 위해 가이드될 수 있다.
예를 들어, 상기 제1 타입 웨어러블 디바이스 및 상기 제2 타입 웨어러블 디바이스는 모두 동일한 사용자의 왼손 손목 근처에 위치될 수 있으며, 왼손 속목 근처에 위치되도록 가이드될 수 있으나, 이에 한정되지 않는다.
또한, 일 실시예에 따른 학습 데이터 획득 방법은 동일한 사용자의 신체에 위치하는 심박 정보 측정 기기 및 웨어러블 디바이스로부터 제1 타입 심박 정보 및 제2 타입 심박 정보를 획득하는 단계를 포함할 수 있다.
이 때, 상기 심박 정보 측정 기기는 예시적으로 심박계(Heart rate monitor)를 포함할 수 있으며, 기준 타입 디바이스에 대응될 수 있고, 상기 웨어러블 디바이스는 기준 타입이 아닌 웨어러블 디바이스에 대응될 수 있으나, 이에 한정되지 않는다.
또한, 일 실시예에 따른 학습 데이터 획득 방법은 동일한 사용자의 신체에 위치하는 제1 타입 심전도 측정 웨어러블 디바이스 및 제2 타입 심전도 측정 웨어러블 디바이스로부터 제1 타입 심박 정보 및 제2 타입 심박 정보를 획득하는 단계를 포함할 수 있다.
이 때, 상기 제1 타입 심전도 측정 웨어러블 디바이스는 기준 타입 웨어러블 디바이스에 대응될 수 있으며, 상기 제2 타입 심전도 측정 웨어러블 디바이스는 기준 타입이 아닌 웨어러블 디바이스에 대응될 수 있으나, 이에 한정되지 않는다.
또한, 예를 들어, 상기 제1 타입 심전도 측정 웨어러블 디바이스는 임상 시험에 대해 승인을 받은 웨어러블 디바이스에 대응될 수 있으며, 상기 제2 타입 심전도 측정 웨어러블 디바이스는 임상 시험에 대해 아직 승인을 받지 못한 웨어러블 디바이스에 대응될 수 있으나, 이에 한정되지 않는다. 이 때, 임상 시험에 대해 승인을 받은 웨어러블 디바이스라는 의미는 웨어러블 디바이스로부터 획득된 심박 정보 자체에 대한 임상 시험에 대한 승인을 의미할 수 있으나, 이에 한정 되지 않으며, 해당 웨어러블 디바이스로부터 획득된 심박 정보를 이용하여 출력된 질환 정보와 관련된 임상 시험에 대한 승인을 의미할 수 있다.
또한, 일 실시예에 따른 학습 데이터 획득 방법은 동일한 사용자의 신체에 위치하는 심전도 측정 디바이스 및 심전도 측정 웨어러블 디바이스로부터 제1 타입 심박 정보 및 제2 타입 심박 정보를 획득하는 단계를 포함할 수 있다.
이 때, 상기 심전도 측정 기기는 예시적으로 심박계(Heart rate monitor)를 포함할 수 있으며, 기준 타입 디바이스에 대응될 수 있고, 상기 심전도 측정 웨어러블 디바이스는 기준 타입이 아닌 웨어러블 디바이스에 대응될 수 있으나, 이에 한정되지 않는다.
일 실시예에 따른 학습 데이터 획득 방법은 제1 타입 심박 정보 및 제2 타입 심박 정보를 이용하여 학습데이터를 생성하는 단계를 포함할 수 있다.
이 때, 학습 데이터는 학습용 입력 데이터 및 학습용 입력 데이터에 대응되는 학습용 결과 데이터를 포함할 수 있다.
일 실시예에 따르면, 학습용 입력 데이터는 기준 타입에 대응되지 않는 제2 타입 심박 정보를 기초로 생성될 수 있다.
예를 들어, 일 실시예에 따른 학습용 입력 데이터는 제2 타입 심박 정보의 적어도 일부를 가공하여 획득될 수 있으나, 이에 한정되지 않는다.
또한, 이 때, 제2 타입 심박 정보는 기준 시간 길이를 가지거나, 기준 형식을 가지도록 가공될 수 있으나, 이에 한정되지 않는다.
또한, 일 실시예에 따르면, 학습용 결과 데이터는 기준 타입에 대응되는 제1 타입 심박 정보를 기초로 생성될 수 있다.
예를 들어, 일 실시예에 따른 학습용 결과 데이터는 제1 타입 심박 정보의 적어도 일부를 가공하여 획득될 수 있으나, 이에 한정되지 않는다.
또한, 이 때, 제1 타입 심박 정보는 기준 시간 길이를 가지거나, 기준 형식을 가지도록 가공될 수 있으나, 이에 한정되지 않는다.
도 6은 일 실시예에 따른 복수의 타입 모델을 이용하여 표준화된 심박 정보를 생성하는 것에 관한 도면이다.
질환 모니터링 서버는 웨어러블 디바이스의 타입에 따라 상이한 타입 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다.
질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제1 타입에 대응하면 심박 정보 및 제1 타입 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제1 타입에 대응하면 심박 정보를 제1 타입 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제1 타입에 대응하면 심박 정보로부터 생성된 정보를 제1 타입 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다.
질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제2 타입에 대응하면 심박 정보 및 제2 타입 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제2 타입에 대응하면 심박 정보를 제2 타입 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제2 타입에 대응하면 심박 정보로부터 생성된 정보를 제2 타입 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 여기서, 상기 제2 타입은 상기 제1 타입과 상이한 타입이다.
도 6에서의 심박 정보 및 표준화된 심박 정보는 전술한 도 5에서의 내용이 마찬가지로 적용될 수 있으므로 중복되는 설명은 생략한다.
타입 모델은 머신 러닝 모델, 딥 러닝 모델 또는 이들의 조합일 수 있다. 타입 모델은 예시적으로 RNN 모델, LSTM 모델 또는 GRU 모델과 같은 RNN 계열 모델일 수 있으나, 이에 한정되는 것은 아니다.
타입 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 준지도 학습(semi-supervised learning), 강화 학습(reinforcement learning) 등 다양한 방법을 통해 학습될 수 있다.
타입 모델의 학습에 대해서는 전술한 심박 정보 표준화 모델의 학습에 대한 내용이 유사하게 적용될 수 있다. 다만, 타입 모델을 위한 학습용 심박 정보는 상기 타입 모델에 대응하는 웨어러블 디바이스에서 획득된 심박 정보만을 포함할 수 있다. 예를 들어, 제1 타입 모델을 위한 학습용 심박 정보는 제1 타입의 웨어러블 디바이스에서 획득된 심박 정보이고, 제2 타입 모델을 위한 학습용 심박 정보는 제2 타입의 웨어러블 디바이스에서 획득된 심박 정보일 수 있다.
질환 모니터링 서버는 타입 모델을 학습시킬 수 있다. 또는, 질환 모니터링 서버는 외부로부터 학습된 타입 모델을 제공받을 수 있다.
또 다른 실시예에 따르면, 심박 정보 표준화 모듈은 수면 모델 및 비수면 모델을 이용하여 구현될 수 있다.
수면 시의 심박 정보는 비수면 시의 심박 정보에 비해 안정한 상태에서의 심박 정보이므로, 수면 시의 심박 정보의 특성이나 패턴은 비수면 시의 그것들과 상이할 수 있다. 이에 따라, 수면 시의 심박 정보 및 비수면 시의 심박 정보를 하나의 동일한 모델을 이용하여 표준화하면 부정확한 표준화된 심박 정보가 생성될 수 있다. 이 경우, 수면 시의 심박 정보와 비수면 시의 심박 정보에 대해 상이한 모델을 이용하면 보다 정확하게 표준화된 심박 정보를 생성할 수 있다.
도 7은 일 실시예에 따른 수면 모델 및 비수면 모델을 이용하여 표준화된 심박 정보를 생성하는 것에 관한 도면이다.
질환 모니터링 서버는 심박 정보를 수면 시 획득했는지 비수면 시 획득했는지에 따라 상이한 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다.
질환 모니터링 서버는 수면 시 획득한 심박 정보 및 수면 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 수면 시 획득한 심박 정보 또는 상기 심박 정보로부터 생성된 정보를 수면 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다.
질환 모니터링 서버는 비수면 시 획득한 심박 정보 및 비수면 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 비수면 시 획득한 심박 정보 또는 상기 심박 정보로부터 생성된 정보를 비수면 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다.
선택적으로, 질환 모니터링 서버는 심박 정보가 수면 시 또는 비수면 시에 대응하는지 여부를 판단할 수 있다. 예를 들어, 질환 모니터링 서버는 심박 정보를 분석하여 상기 심박 정보가 수면 시 또는 비수면 시에 대응하는지 여부를 판단할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 심박 정보가 획득된 시점에 따라 상기 심박 정보가 수면 시 또는 비수면 시에 대응하는지 여부를 판단할 수 있다. 보다 구체적인 예로, 질환 모니터링 서버는 심박 정보가 획득된 시점이 미리 설정된 수면 시간(예: 오전 2시부터 오전 6시)에 포함되는 경우 상기 심박 정보가 수면 시에 대응하는 것으로 판단할 수 있다.
선택적으로, 질환 모니터링 서버는 심박 정보가 수면 시 또는 비수면 시에 대응하는지에 관한 정보를 사용자 단말, 데이터 저장 서버 및 웨어러블 디바이스 중 적어도 하나로부터 획득할 수 있다. 예를 들어, 질환 모니터링 서버는 사용자 단말, 데이터 저장 서버 및 웨어러블 디바이스 중 적어도 하나로부터 심박 정보를 획득할 때 상기 심박 정보와 함께 상기 심박 정보가 수면 시 또는 비수면 시에 대응하는지에 관한 정보를 획득할 수 있다.
도 7에서의 심박 정보 및 표준화된 심박 정보는 전술한 도 5에서의 내용이 마찬가지로 적용될 수 있으므로 중복되는 설명은 생략한다.
수면 모델 또는 비수면 모델은 머신 러닝 모델, 딥 러닝 모델 또는 이들의 조합일 수 있다. 수면 모델 또는 비수면 모델은 예시적으로 RNN 모델, LSTM 모델 또는 GRU 모델과 같은 RNN 계열 모델일 수 있으나, 이에 한정되는 것은 아니다.
수면 모델 또는 비수면 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 준지도 학습(semi-supervised learning), 강화 학습(reinforcement learning) 등 다양한 방법을 통해 학습될 수 있다.
수면 모델 또는 비수면 모델의 학습에 대해서는 전술한 심박 정보 표준화 모델의 학습에 대한 내용이 유사하게 적용될 수 있다. 다만, 수면 모델을 위한 학습용 심박 정보는 수면 시 획득한 심박 정보이고, 비수면 모델을 위한 학습용 심박 정보는 비수면 시 획득한 심박 정보일 수 있다.
질환 모니터링 서버는 수면 모델 또는 비수면 모델을 학습시킬 수 있다. 또는, 질환 모니터링 서버는 외부로부터 학습된 수면 모델 또는 비수면 모델을 제공받을 수 있다.
다시 도 4를 참고하면, 질환 모니터링 서버는 질환 모니터링 모듈을 통해 심박 정보 또는 표준화된 심박 정보를 이용하여 질환 모니터링 정보를 생성할 수 있다.
일 예로, 질환 모니터링 정보는 질환 유무에 대한 정보를 포함할 수 있다. 질환 유무에 대한 정보는 예시적으로 갑상선 기능 이상 여부에 대한 정보일 수 있으나, 이에 한정되는 것은 아니다.
다른 예로, 질환 모니터링 정보는 하나 이상의 질환과 관련된 인자에 대한 정보를 포함할 수 있다. 상기 인자는 예시적으로 호르몬 수치(예: free T4, T3, TSH 등 갑상선에서 분비되거나 갑상선을 자극하는 등 갑상선과 관련된 모든 호르몬 중 적어도 하나에 대한 수치)일 수 있으나, 이에 한정되는 것은 아니다.
또 다른 예로, 질환 모니터링 정보는 질환 유무에 대한 정보 및 하나 이상의 질환과 관련된 인자에 대한 정보를 포함할 수 있다.
단계 S440에서, 타입 정보가 기준 타입에 대응하지 않으면, 질환 모니터링 서버는 질환 모니터링 모듈을 통해 표준화된 심박 정보를 이용하여 질환 모니터링 정보를 생성할 수 있다.
단계 S450에서, 타입 정보가 기준 타입에 대응하면, 질환 모니터링 서버는 질환 모니터링 모듈을 통해 심박 정보를 이용하여 질환 모니터링 정보를 생성할 수 있다. 이 경우, 질환 모니터링 서버는 단계 S430의 심박 정보 표준화 단계를 거치지 않고 질환 모니터링 정보를 생성할 수 있다. 다시 말해, 타입 정보가 기준 타입에 대응하면, 웨어러블 디바이스에서 획득된 심박 정보는 이미 표준에 부합한 것으로 볼 수 있으므로, 질환 모니터링 서버는 상기 심박 정보 표준화 단계를 거치지 않고 질환 모니터링 정보를 생성할 수 있다. 예를 들어, 핏빗 타입이 기준 타입인 경우, 질환 모니터링 서버는 핏빗에서 획득된 심박 정보를 이용하여 상기 심박 정보 표준화 단계를 거치지 않고 질환 모니터링 정보를 생성할 수 있다.
일 실시예에 따르면, 질환 모니터링 모듈은 질환 모니터링 모델을 이용하여 구현될 수 있다.
도 8은 일 실시예에 따른 질환 모니터링 모델을 이용하여 질환 모니터링 정보를 생성하는 것에 관한 도면으로, (a)는 심박 정보 또는 표준화된 심박 정보를 입력받아 질환 모니터링 정보를 출력하는 질환 모니터링 모델(이하 "제1 질환 모니터링 모델")이고, (b)는 심박 정보 또는 표준화된 심박 정보로부터 생성된 하나 이상의 대표 심박수를 입력받아 질환 모니터링 정보를 출력하는 질환 모니터링 모델(이하 "제2 질환 모니터링 모델")이다. 이하에서는 "심박 정보 또는 표준화된 심박 정보"를 "(표준화된) 심박 정보"로 표현한다.
도 8의 (a)를 참고하면, 일 실시예에 따른 질환 모니터링 서버는 (표준화된) 심박 정보를 제1 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다. 여기서, 상기 제1 질환 모니터링 모델에 입력되는 (표준화된) 심박 정보는 예시적으로 도 5의 (a)에 도시된 바와 같이 심박수값 및 시점을 포함하는 형태이거나 (b)에 도시된 바와 같이 심박수값을 포함하는 형태일 수 있으나, 이에 한정되는 것은 아니다.
또한, 여기서, 상기 제1 질환 모니터링 모델에 입력되는 (표준화된) 심박 정보는 예시적으로 도 5를 통해 기술한 바와 같이 심전도 데이터 형태 이거나 심전도 값 및 심전도 값이 획득된 시점을 포함하는 형태일 수 있으나, 이에 한정되는 것은 아니다.
질환 모니터링 서버는 평가 기간의 (표준화된) 심박 정보를 제1 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
평가 기간은 사용자의 질환을 모니터링하고자 하는 대상 기간일 수 있다. 예를 들어, 평가 기간은 질환 유무를 예측하고자 하는 시점을 포함하는 기간일 수 있다. 다른 예를 들어, 평가 기간은 질환과 관련된 인자를 예측하고자 하는 시점을 포함하는 기간일 수 있다. 평가 기간은 미리 정해진 기간의 길이일 수 있다. 평가 기간은 복수의 날(day)을 포함할 수 있다. 평가 기간은 3일 이상일 수 있다.
또한, 평가 기간의 (표준화된) 심박 정보는 사용자의 질환을 모니터링 하고자 하는 대상 기간에 포함되는 일부 기간을 의미할 수 있다. 예를 들어, 평가 기간이 질환 유무를 예측하고자 하는 시점을 포함하는 복수의 날을 포함하는 기간인 경우, 평가 기간의 (표준화된) 심박 정보는 상기 복수의 날에 포함되는 일부 기간의 심박 정보를 의미할 수 있으나, 이에 한정되는 것은 아니다.
또한, 예를 들어, 평가 기간이 질환 유무를 예측하고자 하는 시점 전날을 포함하는 복수의 날을 포함하는 기간인 경우, 평가 기간의 (표준화된) 심박 정보는 상기 복수의 날에 포함되는 일부 기간의 심박 정보를 의미할 수 있으나, 이에 한정되는 것은 아니다.제1 질환 모니터링 모델은 머신 러닝 모델, 딥 러닝 모델 또는 이들의 조합일 수 있다. 제1 질환 모니터링 모델은 예시적으로 RNN 모델, LSTM 모델 또는 GRU 모델과 같은 RNN 계열 모델일 수 있으나, 이에 한정되는 것은 아니다.
제1 질환 모니터링 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 준지도 학습(semi-supervised learning), 강화 학습(reinforcement learning) 등 다양한 방법을 통해 학습될 수 있다.
예를 들어, 제1 질환 모니터링 모델은 지도 학습을 통해 학습될 수 있다. 이 경우, 제1 질환 모니터링 모델은 학습용 (표준화된) 심박 정보 및 상기 학습용 (표준화된) 심박 정보에 대응하는 기준 질환 모니터링 정보를 이용하여 학습될 수 있다. 보다 구체적인 예를 들어, 제1 질환 모니터링 모델은 학습용 (표준화된) 심박 정보를 입력받아 출력 질환 모니터링 정보를 출력하고, 상기 출력 질환 모니터링 정보와 기준 질환 모니터링 정보 사이의 차이에 기초하여 학습될 수 있다. 여기서, 학습용 (표준화된) 심박 정보는 평가 기간의 (표준화된) 심박 정보에 대응할 수 있다.
질환 모니터링 서버는 제1 질환 모니터링 모델을 학습시킬 수 있다. 또는, 질환 모니터링 서버는 외부로부터 학습된 제1 질환 모니터링 모델을 제공받을 수 있다.
또는, 질환 모니터링 서버는 평가 기간의 (표준화된) 심박 정보 및 기준 기간의 (표준화된) 심박 정보를 제1 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
기준 기간은 사용자의 갑상선 기능이 정상인 것으로 판단되는 기간일 수 있다. 기준 기간은 사용자의 갑상선 호르몬 수치가 정상인 것으로 판단된 시점을 포함하는 기간일 수 있다. 기준 기간은 사용자가 피검사를 통해 갑상선 호르몬 수치를 측정한 날의 직전 기간, 측정한 날을 포함하는 기간 또는 측정한 날의 직후 기간일 수 있다. 기준 기간은 미리 정해진 기간의 길이일 수 있다. 기준 기간의 길이는 평가 기간의 길이와 동일할 수 있다. 기준 기간의 대표 심박수 산출 방법은 평가 기간의 대표 심박수 산출 방법과 동일할 수 있다.
또한, 기준 기간은 사용자의 갑상선 기능이 정상인 것과 무관하게 사용자가 피검사를 통해 갑상선 호르몬 수치를 측정한 날의 직전 기간, 측정한 날을 포함하는 기간 또는 측정한 날의 직후 기간일 수 있으며, 즉, 사용자의 갑상선 호르몬 수치 값이 획득된 날에 대한 기간일 수 있으나, 이에 한정되지 않는다.
평가 기간은 기준 기간 이후일 수 있다. 기준 기간은 평가 기간 이전일 수 있다. 평가 기간은 기준 기간과 중첩되지 않을 수 있다. 평가 기간은 기준 기간과 중첩될 수도 있다.
제1 질환 모니터링 모델은 전술한 내용과 유사하게 학습될 수 있다. 다만, 제1 질환 모니터링 모델은 기준 기간에 대응하는 학습용 (표준화된) 심박 정보를 더 이용하여 학습될 수 있다. 예를 들어, 제1 질환 모니터링 모델은 학습용 (표준화된) 심박 정보 및 기준 기간에 대응하는 학습용 (표준화된) 심박 정보를 입력받아 출력 질환 모니터링 정보를 출력하고, 상기 출력 질환 모니터링 정보와 기준 질환 모니터링 정보 사이의 차이에 기초하여 학습될 수 있다.
또는, 질환 모니터링 서버는 평가 기간의 (표준화된) 심박 정보 및 기준 기간의 (표준화된) 심박 정보 사이의 비율(이하 "심박 정보 비율")을 제1 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
제1 질환 모니터링 모델은 전술한 내용과 유사하게 학습될 수 있다. 다만, 이 경우 제1 질환 모니터링 모델은 학습용 (표준화된) 심박 정보 대신 학습용 심박 정보 비율을 이용하여 학습될 수 있다.
또는, 질환 모니터링 서버는 평가 기간의 (표준화된) 심박 정보 및 기준 기간의 (표준화된) 심박 정보 사이의 차이(이하 "심박 정보 차이")를 제1 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
제1 질환 모니터링 모델은 전술한 내용과 유사하게 학습될 수 있다. 다만, 이 경우 제1 질환 모니터링 모델은 학습용 (표준화된) 심박 정보 대신 학습용 심박 정보 차이를 이용하여 학습될 수 있다.
이 외에도, 질환 모니터링 서버는 평가 기간의 (표준화된) 심박 정보 및 기준 기간의 (표준화된) 심박 정보 중 적어도 하나 및 제1 질환 모니터링 모델을 이용하여 질환 모니터링 정보를 생성할 수 있다.
도 8의 (b)를 참고하면, 다른 실시예에 따른 질환 모니터링 서버는 (표준화된) 심박 정보로부터 하나 이상의 대표 심박수를 생성하고, 상기 하나 이상의 대표 심박수를 제2 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
대표 심박수는 임의의 기간 동안의 (표준화된) 심박 정보에 기초하여 산출되는 대표값일 수 있다. 일 예로, 대표 심박수는 임의의 기간 중 정해진 기준을 만족한 구간에서의 (표준화된) 심박 정보의 평균값일 수 있다. 다른 예로, 대표 심박수는 임의의 기간 중 정해진 기준을 만족한 구간에서의 (표준화된) 심박 정보의 표준 편차값일 수 있다. 또 다른 예로, 대표 심박수는 임의의 기간 중 정해진 기준을 만족한 구간에서의 (표준화된) 심박 정보의 중간값일 수 있다.
일 실시예에 따르면, 대표 심박수를 계산하는 알고리즘은 질환 모니터링 서버에 저장되어 있을 수 있다.
질환 모니터링 서버는 평가 기간의 대표 심박수를 획득할 수 있다. 일 예로, 질환 모니터링 서버의 제어부는 저장부에 저장되어 있는 평가 기간의 (표준화된) 심박 정보에 기초하여 대표 심박수를 산출하는 형태로 평가 기간의 대표 심박수를 획득할 수 있다. 다른 예로, 질환 모니터링 서버의 제어부는 통신부를 통해 평가 기간의 (표준화된) 심박 정보에 관한 데이터를 수신하고, 상기 평가 기간의 (표준화된) 심박 정보에 기초하여 대표 심박수를 산출하는 형태로 평가 기간의 대표 심박수를 획득할 수 있다. 또 다른 예로, 질환 모니터링 서버의 제어부는 통신부를 통해 평가 기간의 대표 심박수를 수신하는 형태로 평가 기간의 대표 심박수를 획득할 수 있다.
도 9는 일 실시예에 따른 대표 심박수를 획득하는 것에 관한 도면이다.
질환 모니터링 서버는 평가 기간(P)에서 미리 정해진 기준을 만족하는 적어도 하나의 구간을 추출할 수 있다. 일 예로, 질환 모니터링 서버는 평가 기간(P) 중 '수면 시간'으로 저장된 시간에 대응되는 구간을 추출할 수 있다. 구체적인 예를 들어, 수면 시간이 자정부터 오전 6시로 저장되어 있다면, 질환 모니터링 서버는 평가 기간(P) 중 자정부터 오전 6시에 대응되는 구간들을 추출할 수 있다. 이 경우, 평가 기간(P)이 3일이면, 최대 3개의 구간이 추출될 수 있다.
도 9를 참고하면, 3일의 평가 기간(P)에서 제1 구간(SE1), 제2 구간(SE2) 및 제3 구간(SE3)으로 분류되는 3개의 구간이 미리 정해진 기준을 만족하는 구간으로 추출될 수 있다.
질환 모니터링 서버는 추출된 구간에 포함된 (표준화된) 심박 정보의 대표값을 산출할 수 있다. 질환 모니터링 서버는 추출된 구간에 포함된 (표준화된) 심박 정보의 대표값을 대표 심박수로 결정할 수 있다. 질환 모니터링 서버는 특정된 기간 내에서 추출된 구간에 포함된 (표준화된) 심박 정보의 대표값을 특정된 기간의 대표 심박수로 결정할 수 있다.
일 예로, 질환 모니터링 서버는 제1 구간(SE1), 제2 구간(SE2) 및 제3 구간(SE3)에 대응하는 (표준화된) 심박 정보의 평균값을 대표 심박수로 결정할 수 있다. 다른 예로, 질환 모니터링 서버는 제1 구간(SE1), 제2 구간(SE2) 및 제3 구간(SE3)에 대응하는 (표준화된) 심박 정보의 표준 편차값을 대표 심박수로 결정할 수 있다. 또 다른 예로, 질환 모니터링 서버는 제1 구간에 대응하는 (표준화된) 심박 정보(HRD1)의 평균값, 제2 구간에 대응하는 (표준화된) 심박 정보(HRD2)의 평균값 및 제3 구간에 대응하는 (표준화된) 심박 정보(HRD3)의 평균값의 평균값을 대표 심박수로 결정할 수 있다. 또 다른 예로, 질환 모니터링 서버는 제1 구간에 대응하는 (표준화된) 심박 정보(HRD1)의 평균값, 제2 구간에 대응하는 (표준화된) 심박 정보(HRD2)의 평균값 및 제3 구간에 대응하는 (표준화된) 심박 정보(HRD3)의 평균값의 표준 편차값을 대표 심박수로 결정할 수 있다. 또 다른 예로, 질환 모니터링 서버는 제1 구간에 대응하는 (표준화된) 심박 정보(HRD1)의 중간값, 제2 구간에 대응하는 (표준화된) 심박 정보(HRD2)의 중간값 및 제3 구간에 대응하는 (표준화된) 심박 정보(HRD3)의 중간값의 평균값을 대표 심박수로 결정할 수 있다.
질환 모니터링 서버는 평가 기간(P)에서 미리 정해진 기준을 만족하는 적어도 하나의 구간을 추출할 수 있다. 다른 예로, 질환 모니터링 서버는 평가 기간(P) 중 '사용자의 움직임이 적은 구간'을 추출할 수 있다. 구체적인 예를 들어, 질환 모니터링 서버는 평가 기간(P) 중 사용자의 휴지 구간으로 판단되는 구간을 추출할 수 있다. 휴지 구간은, 적어도 하나의 센서에 의해 수면 구간으로 선별되는 구간이나, 모션 센서 등을 통해 사용자의 움직임이 0으로 판단되는 구간이나, 기성 제품에서 휴지 구간으로 선별되는 구간일 수 있다.
본 명세서에서는, 수면 구간 및/또는 사용자의 움직임이 적은 구간 등을 휴지 구간으로 통칭할 수 있다. 본 명세서에서는 수면 구간 및/또는 사용자의 움직임이 적은 구간 등에 속하는 심박수를 휴지기 심박수로 통칭할 수 있다.
질환 모니터링 서버는 평가 기간의 대표 심박수를 제2 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
제2 질환 모니터링 모델은 머신 러닝 모델, 딥 러닝 모델 또는 이들의 조합일 수 있다. 제2 질환 모니터링 모델은 예시적으로 RNN 모델, LSTM 모델 또는 GRU 모델과 같은 RNN 계열 모델일 수 있으나, 이에 한정되는 것은 아니다.
제2 질환 모니터링 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 준지도 학습(semi-supervised learning), 강화 학습(reinforcement learning) 등 다양한 방법을 통해 학습될 수 있다.
예를 들어, 제2 질환 모니터링 모델은 지도 학습을 통해 학습될 수 있다. 이 경우, 제2 질환 모니터링 모델은 학습용 심박수 및 상기 학습용 심박수에 대응하는 기준 질환 모니터링 정보를 이용하여 학습될 수 있다. 보다 구체적인 예를 들어, 제2 질환 모니터링 모델은 학습용 심박수를 입력받아 출력 질환 모니터링 정보를 출력하고, 상기 출력 질환 모니터링 정보와 기준 질환 모니터링 정보 사이의 차이에 기초하여 학습될 수 있다. 여기서, 학습용 심박수는 평가 기간의 대표 심박수에 대응할 수 있다.
질환 모니터링 서버는 제2 질환 모니터링 모델을 학습시킬 수 있다. 또는, 질환 모니터링 서버는 외부로부터 학습된 제2 질환 모니터링 모델을 제공받을 수 있다.
또는, 질환 모니터링 서버는 평가 기간의 대표 심박수 및 기준 기간의 대표 심박수를 제2 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
질환 모니터링 서버는 기준 기간의 대표 심박수를 획득할 수 있다. 일 예로, 질환 모니터링 서버의 제어부는 저장부에 저장되어 있는 기 산출된 기준 기간의 대표 심박수를 로딩하는 형태로 기준 기간의 대표 심박수를 획득할 수 있다. 다른 예로, 질환 모니터링 서버의 제어부는 저장부에 저장되어 있는 기준 기간의 심박 정보 또는 표준화된 심박 정보에 기초하여 대표 심박수를 산출하는 형태로 기준 기간의 대표 심박수를 획득할 수 있다. 또 다른 예로, 질환 모니터링 서버의 제어부는 통신부를 통해 기준 기간의 심박 정보 또는 표준화된 심박 정보에 관한 데이터를 수신하고, 상기 기준 기간의 심박 정보 또는 표준화된 심박 정보에 기초하여 대표 심박수를 산출하는 형태로 기준 기간의 대표 심박수를 획득할 수 있다. 또 다른 예로, 질환 모니터링 서버의 제어부는 통신부를 통해 기준 기간의 대표 심박수를 수신하는 형태로 기준 기간의 대표 심박수를 획득할 수 있다.
제2 질환 모니터링 모델은 전술한 내용과 유사하게 학습될 수 있다. 다만, 제2 질환 모니터링 모델은 기준 기간에 대응하는 학습용 심박수를 더 이용하여 학습될 수 있다. 예를 들어, 제2 질환 모니터링 모델은 학습용 심박수 및 기준 기간에 대응하는 학습용 심박수를 입력받아 출력 질환 모니터링 정보를 출력하고, 상기 출력 질환 모니터링 정보와 기준 질환 모니터링 정보 사이의 차이에 기초하여 학습될 수 있다.
또는, 질환 모니터링 서버는 평가 기간의 대표 심박수 및 기준 기간의 대표 심박수 사이의 비율(이하 "대표 심박수 비율")을 제2 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
제2 질환 모니터링 모델은 전술한 내용과 유사하게 학습될 수 있다. 다만, 이 경우 제2 질환 모니터링 모델은 학습용 심박수 대신 학습용 대표 심박수 비율을 이용하여 학습될 수 있다.
또는, 질환 모니터링 서버는 평가 기간의 대표 심박수 및 기준 기간의 대표 심박수 사이의 차이(이하 "대표 심박수 차이")를 제2 질환 모니터링 모델에 입력하여 질환 모니터링 정보를 생성할 수 있다.
제2 질환 모니터링 모델은 전술한 내용과 유사하게 학습될 수 있다. 다만, 이 경우 제2 질환 모니터링 모델은 학습용 (표준화된) 심박 정보 대신 학습용 대표 심박수 차이를 이용하여 학습될 수 있다.
이 외에도, 질환 모니터링 서버는 평가 기간의 대표 심박수 및 기준 기간의 대표 심박수 중 적어도 하나 및 제2 질환 모니터링 모델을 이용하여 질환 모니터링 정보를 생성할 수 있다.
다시 도 4를 참조하면, 단계 S460에서, 질환 모니터링 서버는 질환 모니터링 정보를 출력할 수 있다.
질환 모니터링 서버가 질환 모니터링 정보를 출력한다는 것은 사용자 단말과 같은 외부 기기로 질환 모니터링 정보를 전송하는 것을 의미할 수 있다. 이 경우, 질환 모니터링 정보를 수신한 외부 기기는 그 디스플레이를 통해 질환 모니터링 정보를 디스플레이할 수 있다.
질환 모니터링 서버가 질환 모니터링 정보를 출력한다는 것은 질환 모니터링 서버에 포함된 디스플레이를 통해 질환 모니터링 정보를 디스플레이하는 것을 의미할 수 있다.
이하에서는 심박 정보 표준화 단계의 변형예로, 심박 정보에 결측치가 존재하는 경우에 대해 설명한다.
도 10은 일 실시예에 따른 결측치가 존재하는 심박 정보를 이용한 표준화된 심박 정보 생성에 관한 도면이다.
도 10의 (a)를 참고하면, 일 실시예에 따른 질환 모니터링 서버는 심박 정보(1)에 결측치(2)가 존재하는 경우 결측치 예측 알고리즘을 통해 결측치가 예측된 심박 정보(3)를 생성하고, 상기 결측치가 예측된 심박 정보(3)를 심박 정보 표준화 모델에 입력하여 표준화된 심박 정보(4)를 획득할 수 있다.
상기 결측치 예측 알고리즘의 일 예로 보간법이 이용될 수 있다. 예를 들어, 질환 모니터링 서버는 심박 정보에 결측치가 존재하는 시점 근처의 심박수를 이용하여 결측치를 예측할 수 있다. 보다 구체적인 일 예로, 질환 모니터링 서버는 결측치가 존재하는 시점 이전의 심박수를 결측치가 존재하는 시점의 심박수로 결정할 수 있다. (예: 3시 1분의 심박수가 결측치인 경우, 3시 0분의 심박수를 3시 1분의 심박수로 결정) 보다 구체적인 다른 예로, 질환 모니터링 서버는 결측치가 존재하는 시점 이후의 심박수를 결측치가 존재하는 시점의 심박수로 결정할 수 있다. (예: 3시 1분의 심박수가 결측치인 경우, 3시 2분의 심박수를 3시 1분의 심박수로 결정) 보다 구체적인 또 다른 예로, 질환 모니터링 서버는 결측치가 존재하는 시점 이전의 심박수 및 이후의 심박수의 평균값을 결측치가 존재하는 시점의 심박수로 결정할 수 있다. (예: 3시 1분의 심박수가 결측치인 경우, 3시 0분의 심박수와 3시 2분의 심박수의 평균을 3시 1분의 심박수로 결정)
상기 결측치 예측 알고리즘은 전술한 방식으로 한정되는 것은 아니고, 다양한 결측치 예측 알고리즘을 통해 구현될 수 있다. 예를 들어, 상기 결측치 예측 알고리즘은 자기 회귀(autoregressive) 모델, GRU-D(deep learning model based on gated recurrent unit) 또는 BRITS(bidirectional recurrent imputation for time series)와 같은 RNN 계열 모델, 또는 NAOMI(non-autoregressive multiresolution sequence imputation)와 같은 GAN 계열 모델으로 구현될 수 있다.
도 10의 (b)를 참고하면, 다른 실시예에 따른 질환 모니터링 서버는 도 10의 (a)와 같은 별도의 결측치 예측 단계 없이, 결측치 처리와 심박 정보 표준화가 일체화된 심박 정보 표준화 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 상기 일체화된 모델은 예시적으로 GRU-D(deep learning model based on gated recurrent unit) 또는 BRITS(bidirectional recurrent imputation for time series)와 같은 RNN 계열 모델, 또는 NAOMI(non-autoregressive multiresolution sequence imputation)와 같은 GAN 계열 모델이 있으나, 이에 한정되는 것은 아니다. GRU-D를 이용하는 경우, 도 10의 (b)에 도시된 바와 같이 모델에 입력되는 입력 데이터는 결측치 존재 여부에 대응하는 마스킹(m1 내지 mn) 및 결측치가 존재하지 않는 이전 시점과의 간격에 대응하는 인터벌(d1 내지 dn)을 포함할 수 있다.
이상에서는 타입 정보가 기준 타입에 대응하는지 여부에 따라 표준화된 심박 정보 생성 여부가 달라지는 경우에 대해 설명하였으나, 일부 실시예에서, 질환 모니터링 서버는 타입 정보와 관계없이 표준화된 심박 정보를 생성하고, 표준화된 심박 정보를 이용하여 질환 모니터링 정보를 생성할 수도 있다.
도 11은 다른 실시예에 따른 질환 모니터링 방법에 관한 흐름도이다.
단계 S1110에서, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보 및 심박 정보를 획득할 수 있다. 이에 대해서는 전술한 단계 S410의 내용이 마찬가지로 적용될 수 있으므로, 중복되는 설명은 생략한다.
단계 S1120에서, 질환 모니터링 서버는 심박 정보 표준화 모듈을 통해 타입 정보 및 심박 정보를 이용하여 표준화된 심박 정보를 생성할 수 있다. 이에 대해서는 전술한 단계 S430의 내용이 유사하게 적용될 수 있고, 이하에서는 단계 S430에서 설명한 내용과 중복되는 내용은 간략히 설명하거나 생략한다.
일 실시예에 따르면, 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현될 수 있다.
질환 모니터링 서버는 심박 정보, 타입 정보 및 심박 정보 표준화 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 심박 정보 및 타입 정보를 심박 정보 표준화 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 심박 정보로부터 생성된 정보 및 타입 정보를 심박 정보 표준화 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다.
심박 정보는 웨어러블 디바이스에서 획득된 심박 정보일 수 있고, 표준화된 심박 정보는 웨어러블 디바이스 외의 심박 정보 측정 기기로부터 획득된 심박 정보이거나 또는 웨어러블 디바이스 외의 심박 정보 측정 기기로부터 획득된 것으로 예측되는 심박 정보일 수 있다.
상기 심박 정보 측정 기기는 웨어러블 디바이스보다 정확하게 심박 정보를 측정하는 것으로 알려진 기기이거나 또는 심박 정보를 측정하는데 특화된 기기일 수 있다. 상기 심박 정보 측정 기기는 예시적으로 심박계(heart rate monitor)일 수 있으나, 이에 한정되는 것은 아니다.
심박 정보 표준화 모델은 머신 러닝 모델, 딥 러닝 모델 또는 이들의 조합일 수 있다. 심박 정보 표준화 모델은 예시적으로 RNN 모델, LSTM 모델 또는 GRU 모델과 같은 RNN 계열 모델일 수 있으나, 이에 한정되는 것은 아니다.
심박 정보 표준화 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 준지도 학습(semi-supervised learning), 강화 학습(reinforcement learning) 등 다양한 방법을 통해 학습될 수 있다.
심박 정보 표준화 모델의 학습에 대해서는 전술한 도 4에서의 내용이 유사하게 적용될 수 있다. 다만, 학습용 심박 정보는 웨어러블 디바이스에서 획득된 심박 정보일 수 있고, 기준 심박 정보는 웨어러블 디바이스 외의 심박 정보 측정 기기로부터 획득된 심박 정보이거나 또는 웨어러블 디바이스 외의 심박 정보 측정 기기로부터 획득된 것으로 예측되는 심박 정보일 수 있다.
다른 실시예에 따르면, 심박 정보 표준화 모듈은 복수의 타입 모델을 이용하여 구현될 수 있다. 예를 들어, 심박 정보 표준화 모듈은 적어도 제1 타입 모델 및 제2 타입 모델을 이용하여 구현될 수 있다.
질환 모니터링 서버는 웨어러블 디바이스의 타입에 따라 상이한 타입 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다.
질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제1 타입에 대응하면 심박 정보, 타입 정보 및 제1 타입 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제1 타입에 대응하면 심박 정보 및 타입 정보를 제1 타입 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제1 타입에 대응하면 심박 정보로부터 생성된 정보 및 타입 정보를 제1 타입 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다.
질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제2 타입에 대응하면 심박 정보, 타입 정보 및 제2 타입 모델을 이용하여 표준화된 심박 정보를 생성할 수 있다. 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제2 타입에 대응하면 심박 정보 및 타입 정보를 제2 타입 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다. 다른 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스의 타입 정보가 제2 타입에 대응하면 심박 정보로부터 생성된 정보 및 타입 정보를 제2 타입 모델에 입력하여 표준화된 심박 정보를 생성할 수 있다.
심박 정보 및 표준화된 심박 정보는 전술한 일 실시예에 따른 심박 정보 표준화 모듈이 심박 정보 표준화 모델을 이용하여 구현되는 것에서의 내용이 마찬가지로 적용될 수 있으므로 중복되는 설명은 생략한다.
타입 모델은 머신 러닝 모델, 딥 러닝 모델 또는 이들의 조합일 수 있다. 제1 타입 모델은 예시적으로 RNN 모델, LSTM 모델 또는 GRU 모델과 같은 RNN 계열 모델일 수 있으나, 이에 한정되는 것은 아니다.
타입 모델은 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 준지도 학습(semi-supervised learning), 강화 학습(reinforcement learning) 등 다양한 방법을 통해 학습될 수 있다.
타입 모델의 학습에 대해서는 전술한 도 4에서의 내용이 유사하게 적용될 수 있다. 다만, 기준 심박 정보는 웨어러블 디바이스 외의 심박 정보 측정 기기로부터 획득된 심박 정보이거나 또는 웨어러블 디바이스 외의 심박 정보 측정 기기로부터 획득된 것으로 예측되는 심박 정보일 수 있다.
단계 S1130에서, 질환 모니터링 서버는 질환 모니터링 모듈을 통해 표준화된 심박 정보를 이용하여 질환 모니터링 정보를 생성할 수 있다. 이에 대해서는 전술한 단계 S440 및 S450에서의 질환 모니터링 정보 생성에 대한 내용이 마찬가지로 적용될 수 있으므로, 중복되는 설명은 생략한다.
단계 S1140에서, 질환 모니터링 서버는 질환 모니터링 정보를 출력할 수 있다. 이에 대해서는 전술한 단계 S460의 내용이 마찬가지로 적용될 수 있으므로, 중복되는 설명은 생략한다.
이하에서는 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 몇몇 예시들에 대해 설명한다.
각 예시에서 구성 요소들이 수행하는 단계는 전술한 내용이 적용될 수 있으므로 이에 대한 중복되는 설명은 생략한다.
질환 모니터링 시스템은 후술할 예시들과 다른 방식으로 질환 모니터링 방법을 수행할 수도 있다.
도 12는 일 실시예에 따른 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 제1 예시에 관한 흐름도이다. 도 12를 참고하면, 데이터 저장 서버는 웨어러블 디바이스에서 획득된 심박 정보를 저장할 수 있고, 질환 모니터링 서버는 사용자 단말을 통해 저장된 심박 정보를 수신하여 질환 모니터링 방법을 수행할 수 있다.
제1 예시에 따르면, 질환 모니터링 시스템은 웨어러블 디바이스, 사용자 단말, 데이터 저장 서버 및 질환 모니터링 서버를 포함할 수 있다.
웨어러블 디바이스는 사용자의 심박 정보를 감지할 수 있다. 웨어러블 디바이스는 심박 정보를 생성(S1210)할 수 있다.
웨어러블 디바이스는 사용자 단말로 심박 정보를 전송할 수 있다.
사용자 단말은 웨어러블 디바이스로부터 수신한 심박 정보를 데이터 저장 서버로 전송할 수 있다.
데이터 저장 서버는 심박 정보를 저장(S1220)할 수 있다.
사용자 단말은 데이터 저장 서버로 심박 정보를 요청(S1230)할 수 있다.
선택적으로, 데이터 저장 서버는 사용자 단말에 심박 정보 접근 권한이 부여됐는지 확인할 수 있다.
사용자 단말의 요청에 따라, 데이터 저장 서버는 사용자 단말로 저장된 심박 정보를 전송할 수 있다. 선택적으로, 데이터 저장 서버는 심박 정보 접근 권한이 부여된 사용자 단말로 저장된 심박 정보를 전송할 수 있다.
사용자 단말은 심박 정보를 질환 모니터링 서버로 전송할 수 있다.
질환 모니터링 서버는 전술한 질환 모니터링 방법을 수행(S1240)할 수 있다. 질환 모니터링 서버는 질환 모니터링 정보를 생성할 수 있다.
질환 모니터링 서버는 생성한 질환 모니터링 정보를 사용자 단말로 전송할 수 있다.
사용자 단말은 수신한 질환 모니터링 정보를 디스플레이(S1250)할 수 있다.
도 13은 일 실시예에 따른 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 제2 예시에 관한 흐름도이다. 도 13을 참고하면, 사용자 단말은 웨어러블 디바이스에서 획득된 심박 정보를 저장할 수 있고, 질환 모니터링 서버는 사용자 단말로부터 저장된 심박 정보를 수신하여 질환 모니터링 방법을 수행할 수 있다.
제2 예시에 따르면, 질환 모니터링 시스템은 웨어러블 디바이스, 사용자 단말 및 질환 모니터링 서버를 포함할 수 있다.
웨어러블 디바이스는 사용자의 심박 정보를 감지할 수 있다. 웨어러블 디바이스는 심박 정보를 생성(S1310)할 수 있다.
웨어러블 디바이스는 사용자 단말로 심박 정보를 전송할 수 있다.
사용자 단말은 심박 정보를 저장(S1320)할 수 있다.
사용자 단말은 심박 정보를 질환 모니터링 서버로 전송할 수 있다.
질환 모니터링 서버는 전술한 질환 모니터링 방법을 수행(S1330)할 수 있다. 질환 모니터링 서버는 질환 모니터링 정보를 생성할 수 있다.
질환 모니터링 서버는 생성한 질환 모니터링 정보를 사용자 단말로 전송할 수 있다.
사용자 단말은 수신한 질환 모니터링 정보를 디스플레이(S1340)할 수 있다.
도 14는 일 실시예에 따른 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 제3 예시에 관한 흐름도이다. 도 14를 참고하면, 데이터 저장 서버는 웨어러블 디바이스에서 획득된 심박 정보를 저장할 수 있고, 질환 모니터링 서버는 데이터 저장 서버로부터 저장된 심박 정보를 수신하여 질환 모니터링 방법을 수행할 수 있다.
제3 예시에 따르면, 질환 모니터링 시스템은 웨어러블 디바이스, 사용자 단말, 데이터 저장 서버 및 질환 모니터링 서버를 포함할 수 있다.
웨어러블 디바이스는 사용자의 심박 정보를 감지할 수 있다. 웨어러블 디바이스는 심박 정보를 생성(S1410)할 수 있다.
웨어러블 디바이스는 사용자 단말로 심박 정보를 전송할 수 있다.
사용자 단말은 웨어러블 디바이스로부터 수신한 심박 정보를 데이터 저장 서버로 전송할 수 있다.
데이터 저장 서버는 심박 정보를 저장(S1420)할 수 있다.
질환 모니터링 서버는 데이터 저장 서버로 심박 정보를 요청(S1430)할 수 있다.
선택적으로, 데이터 저장 서버는 질환 모니터링 서버에 심박 정보 접근 권한이 부여됐는지 확인할 수 있다.
질환 모니터링 서버의 요청에 따라, 데이터 저장 서버는 질환 모니터링 서버로 저장된 심박 정보를 전송할 수 있다. 선택적으로, 데이터 저장 서버는 심박 정보 접근 권한이 부여된 질환 모니터링 서버로 저장된 심박 정보를 전송할 수 있다.
질환 모니터링 서버는 전술한 질환 모니터링 방법을 수행(S1440)할 수 있다. 질환 모니터링 서버는 질환 모니터링 정보를 생성할 수 있다.
질환 모니터링 서버는 생성한 질환 모니터링 정보를 사용자 단말로 전송할 수 있다.
사용자 단말은 수신한 질환 모니터링 정보를 디스플레이(S1450)할 수 있다.
도 15는 일 실시예에 따른 질환 모니터링 시스템에서 질환 모니터링 방법을 수행하는 제4 예시에 관한 흐름도이다. 도 15를 참고하면, 질환 모니터링 서버는 웨어러블 디바이스에서 획득된 심박 정보를 저장할 수 있고, 이를 이용하여 질환 모니터링 방법을 수행할 수 있다.
제4 예시에 따르면, 질환 모니터링 시스템은 웨어러블 디바이스, 사용자 단말 및 질환 모니터링 서버를 포함할 수 있다.
웨어러블 디바이스는 사용자의 심박 정보를 감지할 수 있다. 웨어러블 디바이스는 심박 정보를 생성(S1510)할 수 있다.
웨어러블 디바이스는 사용자 단말로 심박 정보를 전송할 수 있다.
사용자 단말은 심박 정보를 질환 모니터링 서버로 전송할 수 있다.
질환 모니터링 서버는 심박 정보를 저장(S1520)할 수 있다.
질환 모니터링 서버는 전술한 질환 모니터링 방법을 수행(S1530)할 수 있다. 질환 모니터링 서버는 질환 모니터링 정보를 생성할 수 있다.
질환 모니터링 서버는 생성한 질환 모니터링 정보를 사용자 단말로 전송할 수 있다.
사용자 단말은 수신한 질환 모니터링 정보를 디스플레이(S1540)할 수 있다.
질환 모니터링 방법은 사용자 등록 단계를 더 포함할 수 있다.
도 16은 일 실시예에 따른 사용자 등록 단계에 관한 흐름도이다.
단계 S1610에서, 질환 모니터링 서버는 제1 사용자에 대한 제1 사용자 정보 및 제1 타입 정보를 획득할 수 있다. 예를 들어, 질환 모니터링 서버는 사용자 단말로부터 상기 제1 사용자 정보 및 상기 제1 타입 정보를 수신할 수 있다. 이 경우, 상기 제1 타입 정보는 웨어러블 디바이스로부터 수신한 것일 수 있다. 또는, 상기 제1 타입 정보는 사용자 단말에 의해 생성된 것일 수 있다. 다른 예를 들어, 질환 모니터링 서버는 웨어러블 디바이스로부터 상기 제1 사용자 정보 및 상기 제1 타입 정보를 수신할 수 있다.
단계 S1620에서, 질환 모니터링 서버는 제2 사용자에 대한 제2 사용자 정보 및 제2 타입 정보를 획득할 수 있다. 이에 대해서는 전술한 단계 S1610의 내용이 마찬가지로 적용될 수 있으므로, 중복되는 설명은 생략한다.
단계 S1630에서, 질환 모니터링 서버는 제1 사용자 및 제2 사용자를 포함하는 사용자들에 대한 정보를 저장할 수 있다. 예를 들어, 질환 모니터링 서버는 상기 사용자들에 대한 정보를 사용자 정보 데이터베이스에 데이터베이스화하여 저장할 수 있다.
한편, 이상에서는 심박 정보를 기초로 질환을 모니터링하는 것에 대해 설명하였으나, 전술한 내용은 심박 정보 외의 다른 생체 정보를 기초로 질환을 모니터링하는 것에도 마찬가지로 적용될 수 있다.
(예시 1) 피부 전도도를 기초로 갑상선 기능 이상과 같은 질환을 모니터링하는 것에 적용될 수 있다. 이때, 피부 전도도는 EDA(Electrodermal Activity) 센서와 같은 피부 전도도 측정 센서를 통해 측정될 수 있다. 상기 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
(예시 2) 장음(bowel sound)을 기초로 장의 운동성을 진단하거나 장과 관련된 질환을 모니터링하는 것에 적용될 수 있다. 이때, 장음은 음향 센서와 같은 장음 측정 센서를 통해 측정될 수 있다. 상기 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
(예시 3) 혈중 산소 농도를 기초로 무호흡증과 같은 질환을 모니터링하는 것에 적용될 수 있다. 이때, 혈중 산소 농도는 펄스 옥시미터와 같은 센서를 통해 측정될 수 있다. 상기 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
(예시 4) 모션 센서를 기초로 질환을 모니터링하는 것에 적용될 수 있다. 상기 모션 센서는 가속도 센서, 자이로 센서 및 걸음수 측정 센서 등을 포함할 수 있다.
(예시 5) 혈압을 기초로 고혈압이나 저혈압과 같은 질환을 모니터링하는 것에 적용될 수 있다. 이때, 혈압은 혈압 센서를 통해 측정될 수 있다. 상기 혈압 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
(예시 6) 혈당을 기초로 당뇨와 같은 질환을 모니터링하는 것에 적용될 수 있다. 이때, 혈당은 혈당 센서를 통해 측정될 수 있다. 상기 혈당 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
(예시 7) 체온을 기초로 질환을 모니터링하는 것에 적용될 수 있다. 이때, 체온은 적외선 온도 센서와 같은 온도 센서를 통해 측정될 수 있다. 상기 온도 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
(예시 8) 호흡수를 기초로 질환을 모니터링하는 것에 적용될 수 있다. 이때, 호흡수는 호흡수 측정 센서를 통해 측정될 수 있다. 상기 호흡수 측정 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
(예시 9) 피부 수분을 기초로 질환을 모니터링하는 것에 적용될 수 있다. 이때, 피부 수분은 피부 수분 측정 센서를 통해 측정될 수 있다. 상기 피부 수분 측정 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
(예시 10) 스트레스 또는 스트레스 호르몬의 농도를 기초로 질환을 모니터링하는 것에 적용될 수 있다. 이때, 스트레스는 스트레스 측정 센서를 통해 측정될 수 있다. 또한, 스트레스 호르몬의 농도는 스트레스 호르몬 농도 측정 센서를 통해 측정될 수 있다. 상기 스트레스 측정 센서 또는 스트레스 호르몬 농도 측정 센서는 웨어러블 디바이스에 탑재된 센서일 수 있다.
실시예에 따른 방법은 하드웨어, 펌웨어, 소프트웨어 또는 이들의 조합을 포함하는 프로세싱 로직에 의해 수행될 수 있다. 실시예에 따른 방법은 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장된 코드를 실행하는 프로세서에 의해 수행될 수 있다. 비일시적 컴퓨터 판독 가능 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령, 인스트럭션을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
상기에서는 실시예를 기준으로 본 출원을 설명하였으나 본 출원은 이에 한정되지 않으며, 본 출원의 사상과 범위 내에서 다양하게 변경 또는 변형할 수 있음은 본 출원이 속하는 기술 분야의 당업자에게 명백한 것이며, 따라서 이와 같은 변경 또는 변형은 첨부된 특허청구범위에 속함을 밝혀둔다.
이하에서는 웨어러블 디바이스의 타입 정보에 따라 심박 정보로부터 표준화된 심박 정보를 생성하는 실험예에 대해 개시한다. 하기 실험예는 예시이며, 어떠한 방식이로든 본 출원의 범주를 제한하도록 의도된 것은 아니다.
도 17은 애플 워치와 핏빗을 통해 특정 사용자의 심박 정보를 측정한 결과에 대한 그래프로, 특정 사용자에게 애플 워치와 핏빗을 동일한 손목에 동시에 착용하게 하고 심박 정보를 측정한 결과에 대한 그래프이다. 2021년 10월 19일 오전 5시 35분부터 오후 8시 46분까지 측정한 심박 정보로, x축은 시간을 나타내고, y축은 심박수를 나타낸다.
핏빗의 경우 1분 단위로 심박수를 측정하지만, 애플 워치의 경우 1분 이상의 시간 간격으로 비주기적으로 심박수를 측정하므로, 1분 단위의 심박수를 만들기 위해 애플 워치로 측정한 심박 정보의 경우 결측치에 대해 그 주변 시점의 심박수로 결측치를 채워넣었다.
도 18은 핏빗이 기준 타입인 경우에 웨어러블 디바이스의 타입 정보에 따라 심박 정보를 표준화하는 것에 대한 그래프이다. 핏빗이 기준 타입이므로, 도 17에 도시된 핏빗으로 측정한 심박 정보는 이미 표준화된 것으로 보아 심박 정보 표준화 단계가 수행되지 않았다. 반면, 애플 워치는 기준 타입이 아니므로, 심박 정보 표준화 단계를 통해 도 17에 도시된 애플 워치로 측정한 심박 정보로부터 표준화된 심박 정보를 생성하였다. 도 18의 "recon_Apple"이 애플 워치로 측정한 심박 정보로부터 생성된 표준화된 심박 정보를 의미한다.
도 19는 애플 워치가 기준 타입인 경우에 웨어러블 디바이스의 타입 정보에 따라 심박 정보를 표준화하는 것에 대한 그래프이다. 애플 워치가 기준 타입이므로, 도 17에 도시된 애플 워치로 측정한 심박 정보는 이미 표준화된 것으로 보아 심박 정보 표준화 단계가 수행되지 않았다. 반면, 핏빗은 기준 타입이 아니므로, 심박 정보 표준화 단계를 통해 도 17에 도시된 핏빗으로 측정한 심박 정보로부터 표준화된 심박 정보를 생성하였다. 도 19의 "recon_Fitbit"이 핏빗으로 측정한 심박 정보로부터 생성된 표준화된 심박 정보를 의미한다.
도 20은 도 18 및 도 19의 표준화된 심박 정보를 함께 나타낸 그래프이다. 도 17과 도 20을 비교하면, 심박 정보를 표준화하기 전에 비해 표준화된 심박 정보 사이의 유사도가 증가한 것을 확인하였다. 특히, 사용자의 활동이 활발한 낮 시간보다는 새벽 시간과 같이 수면 상태 또는 활동이 덜한 시간에서 유사도가 높은 것을 확인하였다.
또한, 도 17에 도시된 애플 워치와 핏빗으로부터 획득된 심박 정보의 차이의 평균 값은 7.452 이며, 표준 편차 값은 11.559 이고, 분산 값은 133.619이고, 심박수의 차이가 10 이상 차이가 나는 개수는 105개이다.
또한, 도 18에 도시된 “recon_Apple”과 핏빗으로부터 획득된 심박 정보의 차이의 평균 값은 6.637이며, 표준 편차 값은 7.935이고, 분산 값은 62.959이고, 심박수 차이가 10 이상 차이가 나는 개수는 91개이다.
또한, 도 19에 도시된 애플 워치로부터 획득된 심박 정보와 “recon_Fitbit”의 차이의 평균 값은 8.206이며, 표준편차 값은 10.744이고, 분산 값은 115.428이고, 심박수 차이가 10 이상 차이가 나는 개수는 95개이다.
또한, 도 20에 도시된 “recon_Apple”과”recon_Fitbit”의 차이의 평균 값은 4.924이고, 표준 편차 값은 7.073이고, 분산 값은 50.025이며, 심박수 차이가 10 이상 차이가 나는 개수는 65개이다.
따라서, 도 17 내지 도 20을 참조하면, 심박 정보를 표준화하기 전에 비해 표준화된 심박 정보 사이의 유사도가 증가한 것이 확인될 수 있으며, 특히 표준화된 심박 정보의 경우 차이 값에 대한 표준 편차가 10 이하로 줄어들게 되면서 서로 다른 타입의 심박 정보가 동일한 질환 모니터링 모델에 적용(학습 또는 활용)될 수 있는 가능성이 높아질 수 있음을 확인할 수 있다.
이상에서, 본 발명에 따른 심박 정보 표준화 방법 및 모델, 그리고 표준화된 심박 정보를 이용한 질환 모니터링 방법 등에 대하여 설명하였다.
본 발명에서 개시한 내용들에 따르면, 서로 다른 타입의 디바이스로부터 획득된 심박 정보를 표준화 하는 것이 가능하므로, 서로 다른 타입의 디바이스로부터 획득된 서로 다른 타입의 심박 정보 사이의 편차를 감소시켜 서로 다른 타입의 디바이스를 이용한 질환 모니터링 시스템의 정확도의 편차를 감소시킬 수 있다.
또한, 본 발명에서 개시한 내용들에 따르면, 서로 다른 타입의 디바이스로부터 획득된 심박 정보를 표준화 하는 것이 가능하므로, 서로 다른 타입의 디바이스로부터 획득된 서로 다른 타입의 심박 정보를 하나의 질환 모니터링 모델의 학습용 데이터로 이용할 수 있게 되어, 질환 모니터링 모델의 학습 데이터 획득이 보다 용이해질 수 있으며, 보다 많은 학습 데이터를 확보 할 수 있다.
예를 들어, 본 발명에서 개시한 내용들에 따른 심박 정보 표준화 모델을 이용하지 않는 경우, 서로 다른 타입의 디바이스로부터 획득된 서로 다른 타입의 심박 정보 사이의 편차로 인해 이를 하나의 질환 모니터링 모델의 학습 데이터로 이용하는 경우 모델의 정확도가 감소할 수 있으나, 본 발명에서 개시한 내용들에 따른 심박 정보 표준화 모델을 이용하는 경우 서로 다른 타입의 디바이스로부터 획득된 서로 다른 타입의 심박 정보 사이의 편차가 감소되어 이를 하나의 질환 모니터링 모델의 학습 데이터로 이용하는 경우 모델의 정확도가 증가될 수 있다.
또한, 본 발명에서 개시한 내용들에 따르면, 서로 다른 타입의 디바이스로부터 획득된 심박 정보를 표준화 하는 것이 가능하므로, 서로 다른 타입의 디바이스 각각으로부터 획득된 서로 다른 타입의 심박 정보 각각에 대한 복수개의 질환 모니터링 모델을 생성할 필요성이 감소될 수 있다.
예를 들어, 본 발명에서 개시한 내용들에 따른 심박 정보 표준화 모델을 이용하지 않는 경우, 서로 다른 타입의 디바이스로부터 획득된 서로 다른 타입의 심박 정보 사이의 편차로 인해 각각의 타입의 디바이스로부터 획득된 각각의 타입의 심박 정보에 대한 각각의 질환 모니터링 모델이 생성될 필요성이 있으나, 본 발명에서 개시한 내용들에 따른 심박 정보 표준화 모델을 이용하는 경우 서로 다른 타입의 디바이스로부터 획득된 서로 다른 타입의 심박 정보 사이의 편차가 감소되어 이를 하나의 질환 모니터링 모델의 학습 데이터로 이용하는 것이 가능하여 복수개의 질환 모니터링 모델을 생성할 필요성이 감소될 수 있다.
또한, 본 발명에서 개시한 내용들에 따른 질환 모니터링 모델의 경우, 이용되는 국가 및 그 필요성에 따라서 임상 시험을 통한 승인이 필요한 경우가 있을 수 있다.
이 때, 본 발명에서 개시한 내용들에 따른 심박 정보 표준화 모델이 이용되는 경우, 복수의 디바이스에 대한 임상 시험 승인이 용이해질 수 있다.
또한, 이 때, 본 발명에서 개시한 내용들에 따른 심박 정보 표준화 모델이 이용되는 경우, 후속 디바이스에 대한 임상 시험 승인이 용이해질 수 있다.
예를 들어, 특정 제조사에 대한 제1 버전의 웨어러블 디바이스로부터 획득된 심박 정보를 이용한 질환 모니터링 모델에 대하여 임상 시험 승인을 받은 후 동일 제조사에 대한 제2 버전의 웨어러블 디바이스가 출시된 경우를 가정하였을 때, 본 발명에서 개시한 내용들에 따른 심박 정보 표준화 모델을 이용하지 않는 경우, 제2 버전의 웨어러블 디바이스로부터 다시 학습 데이터를 모아서 새로운 질환 모니터링 모델을 생성하고 이를 이용하여 임상 시험을 계획해야 하지만, 본 발명에서 개시한 내용들에 따른 심박 정보 표준화 모델을 이용하는 경우, 제2 버전의 웨어러블 디바이스로부터 획득된 심박 정보를 기초로 제1 버전의 웨어러블 디바이스로부터 획득된 심박 정보와 관련된 표준화된 심박 정보를 생성하고, 생성된 표준화된 심박 정보를 이용할 수 있고, 이에 따라 새로운 질환 모니터링 모델의 생성 없이 임상 시험을 계획할 수 있다.
따라서, 일 실시예에 따르면, 질환 모니터링 모델 배포 방법이 제공될 수 있다.
일 실시예에 따른 질환 모니터링 모델 배포 방법은, 적어도 제1 타입 디바이스로부터 획득된 심박 정보를 이용하여 질환 모니터링 모델을 학습시키는 단계, 제1 사용자의 신체에 위치하는 상기 제1 타입 디바이스로부터 획득된 제1 타입 심박 정보를 기초로 상기 학습된 질환 모니터링 모델을 통해 제1 질환 모니터링 결과를 획득하는 단계, 상기 제1 사용자에 대한 적어도 한 명의 의사의 제1 진단 결과를 획득하는 단계, 상기 제1 질환 모니터링 결과와 상기 적어도 한 명의 의사의 제1 진단 결과에 대한 제1 비교 결과를 획득하는 단계, 상기 제1 비교 결과를 기초로 상기 제1 타입 디바이스에 대한 질환 모니터링 모델의 승인 결과를 획득하는 단계, 상기 제1 타입 디바이스에 대해 이용될 수 있는 질환 모니터링 모델을 배포하는 단계, 제2 사용자의 신체에 위치하는 제2 타입 디바이스-이 때, 상기 제2 타입 디바이스는 상기 질환 모니터링 모델이 학습된 시점 후에 출시된 디바이스임-로부터 획득된 제2 타입 심박 정보를 기초로 표준화된 심박 정보를 생성하는 단계, 생성된 표준화된 심박 정보를 기초로 상기 학습된 질환 모니터링 모델을 통해 제2 질환 모니터링 결과를 획득하는 단계, 상기 제2 사용자에 대한 적어도 한 명의 의사의 제2 진단 결과를 획득하는 단계, 상기 제2 질환 모니터링 결과와 상기 적어도 한 명의 의사의 제2 진단 결과에 대한 제2 비교 결과를 획득하는 단계, 상기 제2 비교 결과를 기초로 상기 제2 타입 디바이스에 대한 질환 모니터링 모델의 승인 결과를 획득하는 단계 및 상기 제2 타입 디바이스에 대해 이용될 수 있는 질환 모니터링 모델을 배포하는 단계를 포함할 수 있다.
이 때, 학습된 질환 모니터링 모델이 학습되는데 이용된 학습 데이터는 상기 제2 타입 디바이스로부터 획득된 제2 타입 심박 정보를 포함하지 않을 수 있다.또한, 일 실시예에 따르면, 질환 모니터링 모델에 대한 임상 시험 방법이 제공될 수 있다.
일 실시예에 따른 질환 모니터링 모델에 대한 임상 시험 방법에 따르면, 기존에 임상 시험을 진행하여 승인받은 질병 모니터링 시스템을 준비하는 단계;상기 질병 모니터링 시스템을 학습시킬 때에 사용했던 심박 정보 획득 디바이스와는 다른 심박 정보 획득 디바이스를 이용하여 얻은 학습 데이터를 이용하여 학습된 심박수 표준화 모델을 준비하는 단계;상기 심박수 표준화 모델의 출력값을 질병 모니터링 시스템에 입력하도록 배치하고, 임상 시험 대상 제품을 준비하는 단계;임상 시험 데이터를 준비하는 단계-상기 임상 시험 데이터는 상기 다른 심박 정보 획득 디바이스로 얻은 심박 정보와 심박수 획득 대상(즉, 환자)에 대한 의사의 평가값을 포함함-;상기 임상 시험 데이터를 이용하여 상기 임상 시험 대상 제품에 입력하여 상기 의사의 평가값을 예측하는 정확도를 산출하는 단계;가 포함될 수 있다.
전술한 바와 같이, 상기 발명의 실시를 위한 최선의 형태에서, 관련된 사항을 기술하였다.

Claims (21)

  1. 웨어러블 디바이스에서 획득된 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법에 있어서,
    상기 웨어러블 디바이스의 타입 정보 및 상기 심박 정보를 획득하는 단계;
    상기 타입 정보가 기준 타입에 대응하면, 질환 모니터링 모듈을 통해 상기 심박 정보를 이용하여 질환 모니터링 정보를 생성하는 단계;
    상기 타입 정보가 상기 기준 타입에 대응하지 않으면, 심박 정보 표준화 모듈을 통해 상기 심박 정보를 이용하여 표준화된 심박 정보를 생성하고, 상기 질환 모니터링 모듈을 통해 상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계; 및
    상기 질환 모니터링 정보를 출력하는 단계를 포함하는 방법.
  2. 제1 항에 있어서,
    상기 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현되고,
    상기 심박 정보 표준화 모델은 학습용 심박 정보 및 상기 학습용 심박 정보에 대응하는 기준 심박 정보를 이용하여 학습된 모델이고,
    상기 학습용 심박 정보는 제1 시간 동안 상기 기준 타입이 아닌 웨어러블 디바이스에서 획득된 심박 정보이고,
    상기 기준 심박 정보는 상기 제1 시간 동안 상기 기준 타입인 웨어러블 디바이스에서 획득된 심박 정보인 방법.
  3. 제1 항에 있어서,
    상기 질환 모니터링 모듈은 제1 질환 모니터링 모델을 이용하여 구현되고,
    상기 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계는, 상기 심박 정보를 상기 제1 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함하고,
    상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계는, 상기 표준화된 심박 정보를 상기 제1 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함하는 방법.
  4. 제1 항에 있어서,
    상기 질환 모니터링 모듈은 제2 질환 모니터링 모델을 이용하여 구현되고,
    상기 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계는,
    상기 심박 정보로부터 제1 휴지기 심박수를 생성하는 단계; 및
    상기 제1 휴지기 심박수를 상기 제2 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함하고,
    상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하는 단계는,
    상기 표준화된 심박 정보로부터 제2 휴지기 심박수를 생성하는 단계; 및
    상기 제2 휴지기 심박수를 상기 제2 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함하는 방법.
  5. 제4 항에 있어서,
    상기 질환 모니터링 모듈은 휴지기 심박수 생성 모델을 더 이용하여 구현되고,
    상기 제1 휴지기 심박수 및 상기 제2 휴지기 심박수는, 각각 상기 심박 정보 및 상기 표준화된 심박 정보를 상기 휴지기 심박수 생성 모델에 입력하여 생성되는 방법.
  6. 제1 항에 있어서,
    상기 심박 정보는 서로 다른 시점에 대응하는 복수의 심박수를 포함하고,
    상기 표준화된 심박 정보는 서로 다른 시점에 대응하는 복수의 표준화된 심박수를 포함하는 방법.
  7. 제6 항에 있어서,
    상기 복수의 심박수로부터 하나 이상의 심박수 결측치를 생성하여 상기 복수의 심박수 및 상기 심박수 결측치를 포함하는 결측치 예측 심박 정보를 생성하는 단계를 더 포함하고,
    상기 심박 정보 표준화 모듈을 통해 상기 결측치 예측 심박 정보를 이용하여 상기 표준화된 심박 정보를 생성하는 방법.
  8. 제1 항에 있어서,
    상기 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현되고,
    상기 심박 정보를 상기 심박 정보 표준화 모델에 입력하여 상기 표준화된 심박 정보를 생성하는 방법.
  9. 제1 항에 있어서,
    상기 심박 정보 표준화 모듈은 제1 타입 모델 및 제2 타입 모델을 이용하여 구현되고,
    상기 타입 정보가 상기 기준 타입이 아닌 제1 타입에 대응하면, 상기 심박 정보 및 상기 제1 타입 모델을 이용하여 상기 표준화된 심박 정보를 생성하고,
    상기 타입 정보가 상기 기준 타입이 아닌 제2 타입에 대응하면, 상기 심박 정보 및 상기 제2 타입 모델을 이용하여 상기 표준화된 심박 정보를 생성하는 방법.
  10. 제1 항에 있어서,
    상기 심박 정보 표준화 모듈은 수면 모델 및 비수면 모델을 이용하여 구현되고,
    상기 심박 정보가 수면 시 획득한 심박 정보이면, 상기 수면 시 획득한 심박 정보 및 상기 수면 모델을 이용하여 상기 표준화된 심박 정보를 생성하고,
    상기 심박 정보가 비수면 시 획득한 심박 정보이면, 상기 비수면 시 획득한 심박 정보 및 상기 비수면 모델을 이용하여 상기 표준화된 심박 정보를 생성하는 방법.
  11. 웨어러블 디바이스에서 획득된 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법에 있어서,
    상기 웨어러블 디바이스의 타입 정보 및 상기 심박 정보를 획득하는 단계;
    심박 정보 표준화 모듈을 통해 상기 타입 정보 및 상기 심박 정보를 이용하여 표준화된 심박 정보를 생성하는 단계;
    질환 모니터링 모듈을 통해 상기 표준화된 심박 정보를 이용하여 질환 모니터링 정보를 생성하는 단계; 및
    상기 질환 모니터링 정보를 출력하는 단계를 포함하는 방법.
  12. 제11 항에 있어서,
    상기 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현되고,
    상기 심박 정보 표준화 모델은 학습용 심박 정보 및 상기 학습용 심박 정보에 대응하는 기준 심박 정보를 이용하여 학습된 모델이고,
    상기 학습용 심박 정보는 제1 시간 동안 웨어러블 디바이스에서 획득된 심박 정보이고,
    상기 기준 심박 정보는 상기 제1 시간 동안 심박 정보 측정 기기에서 획득된 심박 정보인 방법.
  13. 제11 항에 있어서,
    상기 질환 모니터링 모듈은 제1 질환 모니터링 모델을 이용하여 구현되고,
    상기 질환 모니터링 정보를 생성하는 단계는, 상기 표준화된 심박 정보를 상기 제1 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함하는 방법.
  14. 제11 항에 있어서,
    상기 질환 모니터링 모듈은 제2 질환 모니터링 모델을 이용하여 구현되고,
    상기 질환 모니터링 정보를 생성하는 단계는,
    상기 표준화된 심박 정보로부터 휴지기 심박수를 생성하는 단계; 및
    상기 휴지기 심박수를 상기 제2 질환 모니터링 모델에 입력하여 상기 질환 모니터링 정보를 생성하는 단계를 포함하는 방법.
  15. 제14 항에 있어서,
    상기 질환 모니터링 모듈은 휴지기 심박수 생성 모델을 더 이용하여 구현되고,
    상기 휴지기 심박수는, 상기 표준화된 심박 정보를 상기 휴지기 심박수 생성 모델에 입력하여 생성되는 방법.
  16. 제11 항에 있어서,
    상기 심박 정보는 서로 다른 시점에 대응하는 복수의 심박수를 포함하고,
    상기 표준화된 심박 정보는 서로 다른 시점에 대응하는 복수의 표준화된 심박수를 포함하는 방법.
  17. 제16 항에 있어서,
    상기 복수의 심박수로부터 하나 이상의 심박수 결측치를 생성하여 상기 복수의 심박수 및 상기 심박수 결측치를 포함하는 결측치 예측 심박 정보를 생성하는 단계를 더 포함하고,
    상기 심박 정보 표준화 모델을 통해 상기 결측치 예측 심박 정보를 이용하여 상기 표준화된 심박 정보를 생성하는 방법.
  18. 제11 항에 있어서,
    상기 심박 정보 표준화 모듈은 심박 정보 표준화 모델을 이용하여 구현되고,
    상기 표준화된 심박 정보를 생성하는 단계는, 상기 타입 정보 및 상기 심박 정보를 상기 심박 정보 표준화 모델에 입력하여 상기 표준화된 심박 정보를 생성하는 단계를 포함하는 방법.
  19. 제11 항에 있어서,
    상기 심박 정보 표준화 모듈은 제1 타입 모델 및 제2 타입 모델을 이용하여 구현되고,
    상기 타입 정보가 제1 타입에 대응하면, 상기 심박 정보 및 상기 제1 타입 모델을 이용하여 상기 표준화된 심박 정보를 생성하고,
    상기 타입 정보가 제2 타입에 대응하면, 상기 심박 정보 및 상기 제2 타입 모델을 이용하여 상기 표준화된 심박 정보를 생성하는 방법.
  20. 하나 이상의 인스트럭션을 저장하는 비일시적 컴퓨터 판독 가능 매체로써, 상기 하나 이상의 인스트럭션은, 디바이스/서버의 하나 이상의 프로세서들에 의해 실행될 때, 상기 디바이스/서버로 하여금, 제1 항 내지 제19 항 중 어느 하나의 항에 따른 방법을 수행하게 하는 비일시적 컴퓨터 판독 가능 매체.
  21. 웨어러블 디바이스에서 획득된 심박 정보를 기초로 사용자의 질환을 모니터링하는 서버에 있어서,
    통신부;
    하나 이상의 인스트럭션을 저장하는 저장부; 및
    상기 저장부에 저장된 상기 하나 이상의 인스트럭션을 실행하는 제어부를 포함하고,
    상기 제어부는, 상기 하나 이상의 인스트럭션을 실행함으로써,
    상기 웨어러블 디바이스의 타입 정보 및 상기 심박 정보를 획득하고,
    상기 타입 정보가 기준 타입에 대응하면, 질환 모니터링 모듈을 통해 상기 심박 정보를 이용하여 질환 모니터링 정보를 생성하고,
    상기 타입 정보가 상기 기준 타입에 대응하지 않으면, 심박 정보 표준화 모듈을 통해 상기 심박 정보를 이용하여 표준화된 심박 정보를 생성하고, 상기 질환 모니터링 모듈을 통해 상기 표준화된 심박 정보를 이용하여 상기 질환 모니터링 정보를 생성하고,
    상기 질환 모니터링 정보를 출력하는 서버.
PCT/KR2023/003723 2022-03-21 2023-03-21 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버 WO2023182774A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0034751 2022-03-21
KR20220034751 2022-03-21
KR1020220071467A KR102462245B1 (ko) 2022-03-21 2022-06-13 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버
KR10-2022-0071467 2022-06-13

Publications (1)

Publication Number Publication Date
WO2023182774A1 true WO2023182774A1 (ko) 2023-09-28

Family

ID=84040881

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/003723 WO2023182774A1 (ko) 2022-03-21 2023-03-21 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버

Country Status (2)

Country Link
KR (4) KR102462245B1 (ko)
WO (1) WO2023182774A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102462245B1 (ko) * 2022-03-21 2022-11-03 주식회사 타이로스코프 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015112423A (ja) * 2013-12-13 2015-06-22 国立大学法人京都大学 てんかん性発作兆候検知装置、てんかん性発作兆候検知モデル生成装置、てんかん性発作兆候検知方法、てんかん性発作兆候検知モデル生成方法、てんかん性発作兆候検知プログラムおよびてんかん性発作兆候検知モデル生成プログラム
KR102078703B1 (ko) * 2019-07-23 2020-02-19 이재용 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법
JP2020046346A (ja) * 2018-09-20 2020-03-26 日本電信電話株式会社 学習装置、推定装置、学習方法、推定方法およびプログラム
KR20210058274A (ko) * 2019-11-14 2021-05-24 권준명 머신러닝을 기반으로 생성된 심전도표준데이터를 이용하여 사용자의 신체상태를 판단하는 심전도 측정 시스템 및 그 방법
KR102462245B1 (ko) * 2022-03-21 2022-11-03 주식회사 타이로스코프 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102405150B1 (ko) * 2018-06-18 2022-06-07 울산대학교 산학협력단 태아의 심박동을 모니터링하는 방법 및 그 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015112423A (ja) * 2013-12-13 2015-06-22 国立大学法人京都大学 てんかん性発作兆候検知装置、てんかん性発作兆候検知モデル生成装置、てんかん性発作兆候検知方法、てんかん性発作兆候検知モデル生成方法、てんかん性発作兆候検知プログラムおよびてんかん性発作兆候検知モデル生成プログラム
JP2020046346A (ja) * 2018-09-20 2020-03-26 日本電信電話株式会社 学習装置、推定装置、学習方法、推定方法およびプログラム
KR102078703B1 (ko) * 2019-07-23 2020-02-19 이재용 싱글리드 심전도 데이터를 이용하여 심장의 질병 유무를 판단하는 심전도 측정 시스템 및 그 방법
KR20210058274A (ko) * 2019-11-14 2021-05-24 권준명 머신러닝을 기반으로 생성된 심전도표준데이터를 이용하여 사용자의 신체상태를 판단하는 심전도 측정 시스템 및 그 방법
KR102462245B1 (ko) * 2022-03-21 2022-11-03 주식회사 타이로스코프 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버

Also Published As

Publication number Publication date
KR102462245B1 (ko) 2022-11-03
KR20230137223A (ko) 2023-10-04
KR20230137274A (ko) 2023-10-04
KR20230137273A (ko) 2023-10-04

Similar Documents

Publication Publication Date Title
WO2016099113A1 (en) Noninvasive blood glucose measurement method and apparatus
WO2016099097A1 (ko) 이동 단말을 이용한 스케줄 알림 방법 및 그 이동 단말
WO2016167552A1 (ko) 인체 착용 장치 및 이의 동작 방법
WO2016017970A1 (en) Method and device for encrypting or decrypting content
WO2016018057A1 (en) Method and device for providing function of mobile terminal
WO2023182774A1 (ko) 심박 정보를 기초로 사용자의 질환을 모니터링하는 방법 및 이를 수행하는 서버
WO2015009111A1 (ko) 생체인식 기반 인증 방법 및 장치
WO2017034141A1 (en) Method and system for determining a length of an object using an electronic devices
WO2016204496A1 (en) System and method of providing information of peripheral device
WO2018155951A1 (en) Method of obtaining biometric information in electronic device and electronic device for the same
WO2016018004A1 (en) Method, apparatus, and system for providing translated content
WO2021132851A1 (ko) 전자 장치, 두피 케어 시스템 및 그들의 제어 방법
AU2015340213B2 (en) Method for controlling operation of electronic device and electronic device using the same
WO2015102156A1 (ko) 모바일 디바이스의 체지방 측정 방법 및 장치
WO2017010760A1 (en) Hub apparatus and method for providing service thereof
WO2017039264A1 (ko) 사용자 단말기 및 수면 관리 방법
WO2017099463A1 (ko) 근거리 통신을 이용한 정보 제공 시스템 및 방법
WO2023153818A1 (en) Method of providing neural network model and electronic apparatus for performing the same
WO2019000466A1 (zh) 人脸识别方法、装置、存储介质及电子设备
WO2020138911A1 (en) Method and apparatus for controlling smart device to perform corresponding operations
WO2019088448A1 (ko) 조도를 측정하기 위한 전자 장치 및 그의 동작 방법
WO2022234952A1 (ko) 햅틱 피드백을 제공하는 웨어러블 디바이스 및 그 동작 방법
WO2023033275A1 (ko) 개인 맞춤 생체나이 예측 모형 생성 방법 및 시스템
WO2020197250A1 (ko) 사용자의 측두근을 모니터링하는 안경 및 컴퓨터 프로그램
WO2023204403A1 (en) Terminal and biosensor system including the same

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: 23775270

Country of ref document: EP

Kind code of ref document: A1