WO2023286909A1 - 가속도 정보를 처리하는 웨어러블 디바이스 및 방법 - Google Patents
가속도 정보를 처리하는 웨어러블 디바이스 및 방법 Download PDFInfo
- Publication number
- WO2023286909A1 WO2023286909A1 PCT/KR2021/011311 KR2021011311W WO2023286909A1 WO 2023286909 A1 WO2023286909 A1 WO 2023286909A1 KR 2021011311 W KR2021011311 W KR 2021011311W WO 2023286909 A1 WO2023286909 A1 WO 2023286909A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- acceleration
- characteristic
- symptom
- representing
- wearable device
- Prior art date
Links
- 230000001133 acceleration Effects 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 title claims abstract description 12
- 208000024891 symptom Diseases 0.000 claims abstract description 92
- 238000001228 spectrum Methods 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000033001 locomotion Effects 0.000 claims abstract description 19
- 206010010904 Convulsion Diseases 0.000 claims description 19
- 206010015037 epilepsy Diseases 0.000 claims description 15
- 208000028329 epileptic seizure Diseases 0.000 claims description 15
- 206010011224 Cough Diseases 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 239000000284 extract Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
- A61B5/0823—Detecting or evaluating cough events
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
- A61B5/6813—Specially adapted to be attached to a specific body part
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Definitions
- the plurality of acceleration characteristics include a fourth characteristic representing an average frequency of the power spectrum of the acceleration, a fifth characteristic representing a frequency including a predetermined first ratio of total power to the power spectrum of the acceleration, and the total power spectrum of the acceleration. Further comprising at least one of a sixth characteristic representing a frequency including a second ratio of power, a seventh characteristic representing the total power, and an eighth characteristic representing a ratio of power below a preset motion noise frequency to the total power. can do.
- a wearable device for processing acceleration information according to a second aspect of the present disclosure comprising: an acceleration sensor configured to obtain the acceleration information indicating acceleration according to movement of the wearable device; A plurality of acceleration characteristics including a plurality of characteristics of the power spectrum of the acceleration and a range of the acceleration are obtained based on the acceleration information, and 2 determined according to the type of symptom to be monitored among the plurality of acceleration characteristics a processor that determines a property value according to the dog's property; and a transmitter configured to provide an alarm signal when the characteristic value is within an ideal range.
- the plurality of acceleration characteristics may include a first characteristic representing a range of acceleration in the time domain.
- the processor 120 may extract the range of the acceleration signal from the acceleration in the time domain according to Equation 3 below and determine it as the first characteristic value.
- max(V acc ) represents an operation that obtains the maximum voltage value of V acc within a specified time range in the time domain
- min(V acc ) represents an operation that obtains the minimum voltage value of V acc within that time range. represents an operation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Neurosurgery (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Pulmonology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
일 실시 예에 따르면, 웨어러블 디바이스가 가속도 정보를 처리하는 방법에 있어서, 상기 웨어러블 디바이스의 움직임에 따른 가속도를 나타내는 상기 가속도 정보를 획득하는 단계; 상기 가속도의 파워 스펙트럼에 대한 복수개의 특성 및 상기 가속도의 범위를 포함하는 복수개의 가속도 특성을 상기 가속도 정보에 기초하여 획득하는 단계; 상기 복수개의 가속도 특성 중 모니터링 대상이 되는 증세의 종류에 따라 결정되는 2개의 특성에 따라 특성 값을 결정하는 단계; 및 상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 단계;를 포함하는, 방법이 제공된다.
Description
본 개시는 가속도 정보를 처리하는 기술에 관한 것으로, 더욱 상세하게는 웨어러블 센서를 통해 인체에서 발생하는 진동을 감지하여 인체에 이상 증세가 있는지 여부에 대한 정보를 제공하는 기술에 관한 것이다.
일반적으로 웨어러블 센서를 이용하여 인체에서 발생하는 신호를 측정하고 분석할 때 높은 정확도를 얻기 위해 머신러닝 알고리즘을 사용하고 있다. 그러나, 이러한 머신러닝 알고리즘은 높은 연산 능력을 요구하기 때문에, 종래의 웨어러블 센서는 측정되는 모든 신호를 데이터 센터로 전송해야 한다.
이러한 무선 통신은 웨어러블 센서의 소비 전력 중 많은 부분을 차지하고 있어, 종래 기술에 따라 전체 로우데이터의 무선 전송을 통한 데이터 센터에서의 머신러닝 분석 기술은 소비 전력 측면에서 매우 비효율적인 단점이 있다.
이에 따라, 웨어러블 센서에서 측정한 신호의 이상 판별을 웨어러블 센서 내부에서 자체적으로 처리하기 위한 연구가 진행되고 있으나, 웨어러블 센서는 상대적으로 낮은 계산 능력을 가지고 있어 단순한 신호 처리 방식만으로 신호를 분석할 경우 낮은 정확도를 보일 수 밖에 없는 한계점이 있다.
종래 기술 중에서 LDA(Linear Discriminant Analysis) 기술은 웨어러블 센서에 내장되어 진동 신호를 판별하는 대표적인 신호 처리 방법으로서, 데이터들을 직선에 사영하여 분류하고자 하는 데이터 사이의 평균과 분산을 기반으로 분류하며, 계산량이 적은 특징이 있어 웨어러블 센서에 내장하기 유리한 측면이 있으나, 복잡한 데이터가 적용될 경우 정확도가 크게 감소하는 문제점이 있다.
이에, 상술한 문제점을 해결하고 전력 소모 및 정확성 측면에서 효율성을 개선할 수 있는 분석 기술에 대한 요구가 점차 증대되고 있다.
본 개시의 일 실시 예는 전술한 종래 기술의 문제점을 해결하기 위한 것으로, 웨어러블 센서에서 측정한 신호의 이상 판별을 웨어러블 센서 내부에서 자체적으로 처리하면서 전력 소모 및 정확성 측면에서 향상된 기술을 제공하고자 한다.
본 개시의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
본 개시의 제 1 측면에 따른 웨어러블 디바이스가 가속도 정보를 처리하는 방법에 있어서, 상기 웨어러블 디바이스의 움직임에 따른 가속도를 나타내는 상기 가속도 정보를 획득하는 단계; 상기 가속도의 파워 스펙트럼에 대한 복수개의 특성 및 상기 가속도의 범위를 포함하는 복수개의 가속도 특성을 상기 가속도 정보에 기초하여 획득하는 단계; 상기 복수개의 가속도 특성 중 모니터링 대상이 되는 증세의 종류에 따라 결정되는 2개의 특성에 따라 특성 값을 결정하는 단계; 및 상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 단계;를 포함할 수 있다.
또한, 상기 알람 신호를 제공하는 단계는 상기 가속도의 범위가 기설정 값을 초과하는 경우, 상기 알람 신호를 외부 디바이스로 전송할 수 있다.
또한, 상기 복수개의 가속도 특성은 시간 도메인에서 상기 가속도의 범위를 나타내는 제 1 특성, 상기 시간 도메인에서 상기 가속도의 제곱평균제곱근(Root Mean Square)를 나타내는 제 2 특성 및 상기 시간 도메인에서 상기 가속도의 평균을 나타내는 제 3 특성 중 적어도 하나를 포함할 수 있다.
또한, 상기 복수개의 가속도 특성은 상기 가속도의 파워 스펙트럼에 대한 평균 주파수를 나타내는 제 4 특성, 상기 가속도의 파워 스펙트럼에 대한 총 전력의 기설정 제 1 비율을 포함하는 주파수를 나타내는 제 5 특성, 상기 총 전력의 제 2 비율을 포함하는 주파수를 나타내는 제 6 특성, 상기 총 전력을 나타내는 제 7 특성 및 상기 총 전력에 대한 기설정 움직임 노이즈 주파수 미만에서의 전력 비율을 나타내는 제 8 특성 중 적어도 하나를 더 포함할 수 있다.
또한, 상기 증세의 종류가 기침(Cough)을 나타내는 제 1 증세인 경우, 상기 제 1 증세에 대응되는 상기 2개의 특성은 상기 제 5 특성 및 상기 제 8 특성이고, 상기 증세의 종류가 간질성 발작(Epileptic seizure)을 나타내는 제 2 증세인 경우, 상기 제 2 증세에 대응되는 상기 2개의 특성은 상기 제 4 특성 및 상기 제 8 특성이고, 상기 증세의 종류가 낙상(Fall)을 나타내는 제 3 증세인 경우, 상기 제 3 증세에 대응되는 상기 2개의 특성은 상기 제 1 특성 및 상기 제 4 특성일 수 있다.
또한, 상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 단계는 2차원 평면 상에서 기설정된 하나 이상의 1차식으로 정해지는 직선 또는 다항식으로 정해지는 곡선을 이용하여 상기 이상 범위를 하나 이상 결정하는 단계를 포함할 수 있다.
또한, 상기 2개의 특성에 따라 특성 값을 결정하는 단계는 기존에 생성된 학습 데이터에 기초하여 상기 2개의 특성 및 상기 이상 범위를 결정하는 단계;를 포함하고, 상기 학습 데이터는 SVC(Support Vector Classifier), 결정 트리(Decision tree), 나이브 베이즈(Naive Bayes), 랜덤 포레스트(Random forest) 및 신경망(Neural network) 중 적어도 하나에 기초하여 획득될 수 있다.
또한, 상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 단계는 서포트 벡터 머신(Support Vector Machine)을 통해 획득되는 상기 복수개의 가속도 특성에 대한 초평면(Hyperplane)을 이용하여 상기 특성 값이 상기 이상 범위에 포함되는지 여부를 결정하는 단계를 포함할 수 있다.
본 개시의 제 2 측면에 따른 가속도 정보를 처리하는 웨어러블 디바이스에 있어서, 상기 웨어러블 디바이스의 움직임에 따른 가속도를 나타내는 상기 가속도 정보를 획득하는 가속도 센서; 상기 가속도의 파워 스펙트럼에 대한 복수개의 특성 및 상기 가속도의 범위를 포함하는 복수개의 가속도 특성을 상기 가속도 정보에 기초하여 획득하고, 상기 복수개의 가속도 특성 중 모니터링 대상이 되는 증세의 종류에 따라 결정되는 2개의 특성에 따라 특성 값을 결정하는 프로세서; 및 상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 송신부;를 포함할 수 있다.
또한, 상기 송신부는 상기 가속도의 범위가 기설정 값을 초과하는 경우, 상기 알람 신호를 외부 디바이스로 전송할 수 있다.
또한, 상기 복수개의 가속도 특성은 시간 도메인에서 상기 가속도의 범위를 나타내는 제 1 특성, 상기 시간 도메인에서 상기 가속도의 제곱평균제곱근(Root Mean Square)를 나타내는 제 2 특성 및 상기 시간 도메인에서 상기 가속도의 평균을 나타내는 제 3 특성 중 적어도 하나를 포함할 수 있다.
또한, 상기 복수개의 가속도 특성은 상기 가속도의 파워 스펙트럼에 대한 평균 주파수를 나타내는 제 4 특성, 상기 가속도의 파워 스펙트럼에 대한 총 전력의 기설정 제 1 비율을 포함하는 주파수를 나타내는 제 5 특성, 상기 총 전력의 제 2 비율을 포함하는 주파수를 나타내는 제 6 특성, 상기 총 전력을 나타내는 제 7 특성 및 상기 총 전력에 대한 기설정 움직임 노이즈 주파수 미만에서의 전력 비율을 나타내는 제 8 특성 중 적어도 하나를 더 포함할 수 있다.
또한, 상기 증세의 종류가 기침(Cough)을 나타내는 제 1 증세인 경우, 상기 제 1 증세에 대응되는 상기 2개의 특성은 상기 제 5 특성 및 상기 제 8 특성이고, 상기 증세의 종류가 간질성 발작(Epileptic seizure)을 나타내는 제 2 증세인 경우, 상기 제 2 증세에 대응되는 상기 2개의 특성은 상기 제 4 특성 및 상기 제 8 특성이고, 상기 증세의 종류가 낙상(Fall)을 나타내는 제 3 증세인 경우, 상기 제 3 증세에 대응되는 상기 2개의 특성은 상기 제 1 특성 및 상기 제 4 특성일 수 있다.
또한, 상기 프로세서는 2차원 평면 상에서 기설정된 하나 이상의 1차식으로 정해지는 직선 또는 다항식으로 정해지는 곡선을 이용하여 상기 이상 범위를 하나 이상 결정할 수 있다.
또한, 상기 프로세서는 기존에 생성된 학습 데이터에 기초하여 상기 2개의 특성 및 상기 이상 범위를 결정하고, 상기 학습 데이터는 SVC(Support Vector Classifier), 결정 트리(Decision tree), 나이브 베이즈(Naive Bayes), 랜덤 포레스트(Random forest) 및 신경망(Neural network) 중 적어도 하나에 기초하여 획득될 수 있다.
본 개시의 제 3 측면은 제 1 측면에 따른 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. 또는, 본 개시의 제 4 측면은 제 1 측면에 따른 방법을 구현하기 위하여 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
본 개시의 일 실시 예에 따르면, 모니터링하고자 하는 증세에 따라 이상 판별을 위해 최적의 2개 특성을 선별하는 방식으로 외부 디바이스를 거치지 않고도 적은 연산만으로 자체적으로 정보를 처리할 수 있어, 무선 통신에 이용되는 소비 전력을 현저하게 개선할 수 있다.
또한, 증세별로 선별된 2개 특성의 특성 값과 이상 범위를 SVM(Support Vector Machine) 기반으로 2차원 평면 상에서 분석하여 리소스 소모 및 정확성 측면에서 모두 효율적인 결과를 제공할 수 있다.
또한, 유의미한 크기의 가속도가 감지되었을 때 주요 구성요소에 전력이 공급되도록 제어하여 소비 전력을 개선할 수 있다.
본 개시의 효과는 상기한 효과로 한정되는 것은 아니며, 본 개시의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 일 실시 예에 따른 웨어러블 헬스케어 센서 시스템(1000)의 구성을 나타내는 블록도이다.
도 2는 일 실시 예에 따른 웨어러블 디바이스(100)의 구성의 일 예를 나타내는 블록도이고, 도 3은 일 실시 예에 따른 웨어러블 디바이스(100)가 가속도 정보를 처리하는 방법을 나타내는 흐름도이다.
도 4는 일 실시 예에 따른 웨어러블 디바이스(100)가 2차원 평면 상에서 이상 범위를 하나 이상 결정하는 동작을 설명하기 위한 도면이다.
도 5 내지 도 7은 각각 일 실시 예에 따른 웨어러블 디바이스(100)가 제 1 증세 내지 제 3 증세에 대해서 2차원 평면 상에서 결정되는 하나 이상의 이상 범위를 이용하여 이상 여부를 결정하는 동작을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 웨어러블 디바이스(100)에 포함되는 스위치 회로의 구성을 나타내는 블록도 및 스위치 회로의 유무에 따른 소비 전력 비교 결과를 나타내는 도면이다.
도 9는 다른 일 실시 예에 따른 웨어러블 헬스케어 센서 시스템(1000)의 구성을 나타내는 블록도이다.
실시 예들에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 “…부”, “…모듈” 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
명세서 전체에서 '제공'은 대상이 특정 정보를 획득하거나 직간접적으로 특정 대상에게 송수신하는 과정을 포함하며 이러한 과정에서 요구되는 관련 동작의 수행을 포괄적으로 포함하는 것으로 해석될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시 예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.
이하에서는 도면을 참조하여 본 개시의 실시 예들을 상세히 설명한다.
도 1은 일 실시 예에 따른 웨어러블 헬스케어 센서 시스템(1000)의 구성을 나타내는 블록도이다.
도 1을 참조하면, 웨어러블 헬스케어 센서 시스템(1000)은 하나 이상의 웨어러블 디바이스(100) 및 외부 디바이스(200)를 포함할 수 있다.
웨어러블 디바이스(100)는 가속도 정보를 처리할 수 있는 컴퓨팅 장치에 해당한다. 일 실시 예에서, 웨어러블 디바이스(100)는 사용자의 인체에 탈부착 가능한 형태로 구현되어 인체의 움직임에 의한 가속도 정보를 감지 및 처리할 수 있는 헬스케어 디바이스로 구현될 수 있으나, 이에 제한되지 않으며, 다른 일 실시 예에서, 진동이 발생하는 다양한 기계 장치(예: 대형 구조물의 진동 계측, 각종 플랜트의 이상 진동 감시 및 설비 진단, 진동 공해 조사를 위한 진동 계측, 스포츠 용품의 진동 모드 해석 등)에 부착되어 기계 장치의 가속도 정보를 감지 및 처리할 수 있는 진동 계측 디바이스로 구현될 수 있다.
웨어러블 디바이스(100)는 가속도 정보로부터 획득되는 복수개의 가속도 특성에 기초하여 모니터링 대상이 되는 하나 이상의 증세(disease)에 대한 이상(abnormal) 여부를 결정할 수 있고, 이상이 결정됨에 따라 이에 대한 알람 신호를 제공할 수 있다. 이에 관한 보다 상세한 내용은 이하에서 도 2 내지 도 9를 참조하며 후술하도록 한다.
외부 디바이스(200)는 웨어러블 디바이스(100)로부터 제공되는 정보를 수신 및 저장할 수 있는 컴퓨팅 장치에 해당한다. 일 실시 예에서, 외부 디바이스(200)는 데스크탑 PC, 태블릿 PC, 랩탑 PC 등의 컴퓨터로 구현될 수 있고, 다른 일 실시 예에서, 클라우드(예: 퍼블릭 클라우드, 프라이빗 클라우드) 기반으로 데이터를 수집, 저장 및 관리하는 데이터 서버로 구현될 수도 있다. 일 실시 예에서, 외부 디바이스(200)는 무선 네트워크를 통해 하나 이상의 웨어러블 디바이스(100)와 연결될 수 있다. 여기에서, 무선 네트워크는 근거리 무선 통신망(Wireless LAN(Local Area Network)), 저전력 광대역 통신망(LPWA(Low Powered Wide Area)) 등 다양한 무선 통신망으로 구성될 수 있다.
도 2는 일 실시 예에 따른 웨어러블 디바이스(100)의 구성의 일 예를 나타내는 블록도이고, 도 3은 일 실시 예에 따른 웨어러블 디바이스(100)가 가속도 정보를 처리하는 방법을 나타내는 흐름도이다.
도 2 내지 도 3을 참조하면, 웨어러블 디바이스(100)는 가속도 센서(110), 프로세서(120) 및 송신부(130)를 포함할 수 있다.
단계 S310에서 가속도 센서(110)는 웨어러블 디바이스(100)의 움직임에 따른 가속도를 나타내는 가속도 정보를 획득할 수 있다. 일 실시 예에서, 가속도 센서(110)는 웨어러블 디바이스(100)의 단위시간당 속도의 변화를 포함하는 가속도 정보를 획득할 수 있고, 예를 들면, 도 4(a)에 도시된 것처럼 시간의 흐름에 따른 가속도 신호의 전압 크기를 포함하는 가속도 정보를 센싱할 수 있다.
일 실시 예에서, 가속도 센서(110)는 3축(예: x, y, z) 기반으로 시간 도메인에서 획득된 가속도 신호의 출력 정보를 포함하는 가속도 정보를 획득할 수 있고, 이를 위해 3축 방향에서 가속도를 감지하는 3축 가속도 센서로 구현될 수 있다. 예를 들면, 가속도 센서(110)는 하기 수학식 1에 따라 3축 방향 각각에 대한 가속도 측정 결과를 통합하여 상기 가속도를 결정할 수 있다.
[수학식 1]
(여기에서, Vx, Vy 및 Vz는 x축, y축 및 z축 각각에서 측정된 가속도 신호의 출력(예: 전압 크기)을 나타내고, Vacc는 각 축에 대한 가속도 신호의 출력을 통합한 가속도의 출력(예: 전압 크기)를 나타냄)
단계 S320에서 프로세서(120)는 획득된 가속도 정보에 기초하여 복수개의 가속도 특성을 획득할 수 있다. 여기에서, 복수개의 가속도 특성은 가속도의 파워 스펙트럼에 대한 복수개의 특성 및 가속도의 범위를 포함한다.
보다 구체적으로, 프로세서(120)는 가속도 정보에 포함된 시간 도메인에서의 가속도에 대한 분석을 통해 복수개의 가속도 특성 중 일부를 결정할 수 있고, 시간 도메인에서의 가속도를 주파수 도메인으로 변환한 후 가속도의 파워 스펙트럼에 대한 분석을 통해 복수개의 가속도 특성 중 나머지를 결정할 수 있다. 일 실시 예에서, 복수개의 가속도 특성은 하기 표 1에 기초하여 결정될 수 있다.
| 특성 | 도메인 | 특성 정의 [단위] |
| 제 1 특성 | 시간 | 가속도 신호의 범위 (Range of acceleration signals) [m/s2] |
| 제 2 특성 | 시간 | 가속도 신호의 RMS (RMS of the accelerations) [m/s2] |
| 제 3 특성 | 시간 | 가속도 신호의 평균 (Average of the accelerations) [m/s2] |
| 제 4 특성 | 주파수 | 가속도의 파워 스펙트럼에 대한 평균 주파수 (Mean frequency of the acceleration power spectrum) [Hz] |
| 제 5 특성 | 주파수 | 가속도의 파워 스펙트럼에 대한 총 전력의 50%를 포함하는 주파수 (Frequency containing 50% of the total power) [Hz] |
| 제 6 특성 | 주파수 | 가속도의 파워 스펙트럼에 대한 총 전력의 95%를 포함하는 주파수 (Frequency containing 95% of the total power) [Hz] |
| 제 7 특성 | 주파수 | 가속도의 파워 스펙트럼에 대한 총 전력 (Total power of the spectrum of accelerations) [m2/s4Hz] |
| 제 8 특성 | 주파수 | 총 전력에 대한 10Hz 미만에서의 전력 비율 (Power ratio of less than 10 Hz to total power) |
프로세서(120)는 복수개의 가속도 특성의 획득을 위해 가속도에 대한 주파수 변환을 통해 가속도의 파워 스펙트럼에 대한 정보를 획득할 수 있다. 일 실시 예에서, 프로세서(120)는 도 4(b)에 도시된 것처럼, 이산 푸리에 변환(Discrete Fourier Transform, DFT)을 이용하여 주파수 도메인에서 가속도의 파워 스펙트럼 밀도(Power Spectral Density, PSD)를 결정할 수 있고, 예를 들면, 하기 수학식 2에 기초하여 함수의 근사값을 연산하는 급속 푸리에 변환(Fast Fourier Transform, FFT)을 수행하여 시간 도메인에서의 가속도 신호를 주파수 도메인으로 변환할 수 있다.
[수학식 2]
(여기에서, P[f]는 Vacc의 파워 스펙트럼 밀도를 나타내고, N은 설정 가능한 측정 데이터의 길이를 나타냄)
프로세서(120)는 시간 도메인에서의 가속도에 대한 정보 및 가속도의 파워 스펙트럼에 대한 정보에 기초하여 웨어러블 디바이스(100)의 움직임에 대한 복수개의 가속도 특성을 결정할 수 있다.
일 실시 예에서, 복수개의 가속도 특성은 시간 도메인에서 가속도의 범위(Range)를 나타내는 제 1 특성을 포함할 수 있다. 예를 들면, 프로세서(120)는 하기 수학식 3에 따라 시간 도메인에서의 가속도로부터 가속도 신호의 범위를 추출하여 제 1 특성 값으로 결정할 수 있다.
[수학식 3]
(여기에서, max(Vacc)는 시간 도메인에서의 지정된 시간 범위 내에서 Vacc 최대 전압값을 가져오는 연산을 나타내고, min(Vacc)는 해당 시간 범위 내에서 Vacc 최소 전압값을 가져오는 연산을 나타냄)
일 실시 예에서, 복수개의 가속도 특성은 시간 도메인에서 가속도의 제곱평균제곱근(Root Mean Square, RMS)를 나타내는 제 2 특성을 포함할 수 있다. 예를 들면, 프로세서(120)는 하기 수학식 4에 따라 시간 도메인에서의 가속도로부터 전체 가속도 신호의 제곱평균제곱근을 추출하여 제 2 특성 값으로 결정할 수 있다.
[수학식 4]
일 실시 예에서, 복수개의 가속도 특성은 시간 도메인에서 가속도의 평균(Mean Acceleration, MA)을 나타내는 제 3 특성을 포함할 수 있다. 예를 들면, 프로세서(120)는 하기 수학식 5에 따라 시간 도메인에서의 가속도로부터 평균 가속도를 추출하여 제 3 특성 값으로 결정할 수 있다.
[수학식 5]
일 실시 예에서, 복수개의 가속도 특성은 가속도의 파워 스펙트럼에 대한 평균 주파수(Mean Frequency, MF)를 나타내는 제 4 특성을 포함할 수 있다. 예를 들면, 프로세서(120)는 하기 수학식 6에 따라 주파수 도메인에서의 가속도에 대한 파워 스펙트럼으로부터 평균 주파수를 추출하여 제 4 특성 값으로 결정할 수 있다.
[수학식 6]
(여기에서, P(f)는 Vacc의 파워 스펙트럼 밀도를 나타내고, N은 측정 데이터의 길이를 나타내고, fs는 설정 가능한 측정 샘플링 주파수를 나타냄)
일 실시 예에서, 복수개의 가속도 특성은 가속도의 파워 스펙트럼에 대한 총 전력의 기설정 제 1 비율(예: 50%)을 포함하는 주파수(예: F50)를 나타내는 제 5 특성을 포함할 수 있다. 예를 들면, 프로세서(120)는 하기 수학식 7에 따라 주파수 도메인에서의 가속도에 대한 파워 스펙트럼으로부터 전체 신호의 50%를 포함하는 중앙 주파수(Median Frequency)를 추출하여 제 5 특성 값으로 결정할 수 있다.
[수학식 7]
일 실시 예에서, 복수개의 가속도 특성은 가속도의 파워 스펙트럼에 대한 총 전력의 제 2 비율(예: 95%)을 포함하는 주파수(예: F95)를 나타내는 제 6 특성을 포함할 수 있다. 예를 들면, 프로세서(120)는 하기 수학식 8에 따라 주파수 도메인에서의 가속도에 대한 파워 스펙트럼으로부터 전체 신호의 95%를 포함하는 주파수를 추출하여 제 6 특성 값으로 결정할 수 있다.
[수학식 8]
일 실시 예에서, 복수개의 가속도 특성은 가속도의 파워 스펙트럼에 대한 총 전력(Total Power, TP)을 나타내는 제 7 특성을 포함할 수 있다. 예를 들면, 프로세서(120)는 하기 수학식 9에 따라 주파수 도메인에서의 가속도에 대한 파워 스펙트럼으로부터 신호 전체 파워를 추출하여 제 7 특성 값으로 결정할 수 있다.
[수학식 9]
일 실시 예에서, 복수개의 가속도 특성은 가속도의 파워 스펙트럼의 총 전력에 대한 기설정 움직임 노이즈 주파수(예: 10Hz) 미만에서의 전력 비율(Motion Noise Ratio, MNR)(예: 전체 파워 스펙트럼 밀도 중 움직임에 의한 노이즈 비율)을 나타내는 제 8 특성을 포함할 수 있다. 예를 들면, 프로세서(120)는 하기 수학식 10에 따라 주파수 도메인에서의 가속도에 대한 파워 스펙트럼으로부터 움직임에 의한 노이즈 비율을 추출하여 제 8 특성 값으로 결정할 수 있다.
[수학식 10]
일 실시 예에서, 복수개의 가속도 특성은 제 1 특성 내지 제 8 특성 중 두 개 이상을 포함할 수 있으나, 이에 제한되지 않는다. 다른 실시 예에서, 복수개의 가속도 특성은 신호의 시간 도메인 및 주파수 도메인에서 추출할 수 있는 다양한 특성을 포함할 수 있으며, 예를 들면, 전체 신호 대비 특정 주파수 대역의 파워 비율이 될 수 있다.
일 실시 예에서, 복수개의 가속도 특성의 종류는 단계 S310 이전에 학습 알고리즘에 기초하여 결정될 수 있다. 예컨대, 외부 디바이스(200)에 의해 머신러닝 기반의 학습이 수행됨에 따라 가속도 정보로부터 추출되어야 하는 가속도 특성의 종류에 대한 정보가 사전에 결정될 수 있고, 프로세서(120)는 외부 디바이스(200)로 수신되거나 기저장된 가속도 특성의 종류에 대한 정보를 이용하여 단계 S320을 수행할 수 있다.
단계 S330에서 프로세서(120)는 획득된 복수개의 가속도 특성 중 모니터링 대상이 되는 증세의 종류에 따라 결정되는 2개의 특성에 따라 특성 값을 결정할 수 있다. 일 실시 예에서, 프로세서(120)는 복수개의 가속도 특성 중 모니터링 대상이 되는 증세의 종류에 대응하는 2 개의 특성을 결정할 수 있다. 예를 들면, 프로세서(120)는 모니터링 대상에 대하여 기저장된 사용자 설정값을 메모리로부터 가져오거나 이에 대한 사용자 입력을 수신하여 모니터링 대상이 되는 하나 이상의 증세의 종류를 결정하고, 하기 표 2에 기초하여 결정된 증세의 종류 각각에 대응하는 2개의 특성을 결정할 수 있다.
| 증세의 종류 | 특성 |
| 기침(Cough) | 제 5 특성, 제 8 특성 |
| 간질성 발작(Epileptic seizure) | 제 4 특성, 제 8 특성 |
| 낙상(Fall) | 제 1 특성, 제 4 특성 |
표 2에 나타난 것처럼, 모니터링 대상이 되는 증세의 종류가 기침을 나타내는 제 1 증세인 경우, 제 1 증세에 대응되는 2개의 특성은 제 5 특성 및 제 8 특성일 수 있다. 예를 들면, 프로세서(120)는 기저장된 증세의 종류와 2개 특성 간의 대응 관계에 기초하여, 가속도 정보로부터 획득된 제 1 특성 내지 제 8 특성 중에서 기침을 모니터링하기 위한 제 5 특성 값(예: F50)과 제 8 특성 값(MNR)만을 추출하여 이후 단계에서 기침 모니터링을 위한 정보로서 활용할 수 있다.일 실시 예에서, 모니터링 대상이 되는 증세의 종류가 간질성 발작을 나타내는 제 2 증세인 경우, 제 2 증세에 대응되는 2개의 특성은 제 4 특성 및 제 8 특성일 수 있다. 예를 들면, 도 4(c)에 도시된 것처럼, 프로세서(120)는 기저장된 증세의 종류와 2개 특성 간의 대응 관계에 기초하여, 가속도 정보로부터 획득된 제 1 특성 내지 제 8 특성 중에서 간질성 발작을 모니터링하기 위한 제 4 특성 값(예: MF)과 제 8 특성 값(MNR)만을 추출할 수 있다.일 실시 예에서, 모니터링 대상이 되는 증세의 종류가 낙상을 나타내는 제 3 증세인 경우, 제 3 증세에 대응되는 2개의 특성은 제 1 특성 및 제 4 특성일 수 있다. 예를 들면, 프로세서(120)는 기저장된 증세의 종류와 2개 특성 간의 대응 관계에 기초하여, 가속도 정보로부터 획득된 제 1 특성 내지 제 8 특성 중에서 낙상을 모니터링하기 위한 제 1 특성 값(예: Range)과 제 4 특성 값(MF)만을 추출할 수 있다.
상술한 것처럼, 증세의 종류는 기침을 나타내는 제 1 증세, 간질성 발작을 나타내는 제 2 증세 및 낙상을 나타내는 제 3 증세 중 적어도 하나를 포함할 수 있으나, 이에 제한되는 것은 아니며, 다른 실시 예에서, 그 밖에 인체와 연관된 다양한 질병이나 증상, 기계나 사물과 연관된 다양한 진동 계측 유형 등을 포괄하는 의미로 폭넓게 해석될 수 있다.
일 실시 예에서, 프로세서(120)는 가속도 정보로부터 제 1 특성 값 내지 제 8 특성 값을 먼저 추출한 후에, 제 1 특성 값 내지 제 8 특성 값 중 모니터링 대상이 되는 증세의 종류에 따른 2개의 특성 값을 가져올 수 있다. 다른 일 실시 예에서, 프로세서(120)는 가속도 정보로부터 모니터링 대상이 되는 증세의 종류에 따른 2개의 특성에 대해서만 선별적으로 특성 값을 추출할 수도 있다.
일 실시 예에서, 프로세서(120)는 기존에 생성된 제 1 학습 데이터에 기초하여 모니터링 대상이 되는 증세의 종류에 따라 2개의 특성을 결정할 수 있다. 예를 들면, 프로세서(120)는 단계 S310 이전에 외부 디바이스(200)로부터 수신되거나, 웨어러블 디바이스(100)에 내장된 제 1 학습 데이터를 이용하여 증세의 종류에 따라 2개의 특성을 결정할 수 있다.
일 실시 예에서, 외부 디바이스(200)는 단계 S310 이전에 제 1 알고리즘을 이용하여 증세의 종류에 따라 2개의 특성을 결정하기 위한 제 1 학습 데이터를 생성할 수 있다. 예를 들면, 외부 디바이스(200)는 구별하고자 하는 데이터 집합에 대해서 각 데이터 간의 거리를 바탕으로 가장 최선의 분류기(classifier)를 얻도록 하는 SVC(Support Vector Classifier) 알고리즘(예: rbf function) 및 사전에 측정된 실험 데이터를 기반으로 제 1 특성 내지 제 8 특성 중 감지하고자 하는 증세의 종류별로 가장 민감한 것이 무엇인지를 분석하고, 분석 결과에 따라 각 증세의 종류별로 최선의 2개 특성을 사전에 결정한 결과를 포함하는 제 1 학습 데이터를 생성할 수 있으며, 지속적인 학습을 통해 제 1 학습 데이터를 갱신하여 웨어러블 디바이스(100)에 제공할 수 있다.
단계 S340에서 송신부(130)는 결정된 2개의 특성에 따른 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공할 수 있다. 일 실시 예에서, 송신부(130)는 가속도의 범위를 나타내는 제 1 특성의 특성 값이 기설정 값을 초과하는 경우, 알람 신호를 외부 디바이스(200)로 전송할 수 있다. 예를 들면, 프로세서(120)는 복수개의 특성 각각에 대해서 기설정된 이상 범위에 기초하여, 2개의 특성에 따른 특성 값 각각을 해당 특성에 대응하는 이상 범위와 비교하고, 비교 결과에 따라 2개의 특성 값이 모두 해당 이상 범위 내에 포함되는 경우, 해당 증세에 대해서 이상이 발생한 것으로 결정하고, 특성 종류, 특성 값, 이상 범위 및 이상 발생을 알리는 메시지 중 적어도 하나를 포함하는 알람 신호를 외부 디바이스(200)로 전송할 수 있다.
일 실시 예에서, 프로세서(120)는 2차원 평면 상에서 기설정된 하나 이상의 1차식으로 정해지는 직선 또는 다항식으로 정해지는 곡선을 이용하여 이상 범위를 하나 이상 결정할 수 있다. 예를 들면, 프로세서(120)는 도 4(d)에 도시된 것처럼, 모니터링 대상인 증세(예: 간질성 발작)에 대응하는 결정된 2개의 특성(예: MF, MNR)의 특성 값을 2차원 평면 상에서 나타내는 좌표 정보(예: (m, n))를 획득하고, 해당 증세(예: 간질성 발작)에 대응하여 기설정된 1차 함수(예: y=ax+b) 및 이상 조건(예: 2차원 평면 상에서 y=ax+b 직선보다 하방에 위치)에 따라 이상 범위(예: 2차원 평면 상에서 y=ax+b 직선보다 하방에 위치하는 (m, n)의 집합)를 2차원 평면 상에서 하나 이상 결정할 수 있다. 다른 실시 예에서, 프로세서(120)는 2차원 평면 상에서 기설정된 2 차식으로 정해지는 곡선을 이용하여 이상 범위를 결정할 수도 있다.
일 실시 예에서, 프로세서(120)는 서포트 벡터 머신(Support Vector Machine, SVM)을 통해 획득되는 복수개의 가속도 특성에 대한 초평면(Hyperplane)을 이용하여 결정된 특성 값이 이상 범위에 포함되는지 여부를 결정할 수 있다. 여기서, 초평면은 측정된 신호들을 n차원 그래프에 표시하였을 때 구별하고자 하는 신호의 집합들을 나누는 최적화된 기준면을 의미하고, 일 실시 예에서, 상술한 1차식으로 정해지는 직선 및 2 차식으로 정해지는 곡선을 포괄하는 개념으로 이해될 수 있다. 예를 들면, 단계 S310 이전에 외부 디바이스(200)에 의해 SVM을 이용하여 각 신호 판별을 위한 초평면이 획득됨에 따라, 웨어러블 디바이스(100)에 초평면 기반의 판별기가 저장되고, 프로세서(120)는 도 4(e)에 도시된 것처럼, 가속도 정보가 측정되면 미리 저장된 SVM 기반의 판별기를 이용하여 각 증세별로 추출된 2개의 특성이 초평면에 따라 구분되는 이상 범위 내에 있는지 확인하여 해당 증세에 대한 이상 여부를 신속하게 저전력으로 판별할 수 있다.
이하, 도 5 내지 도 7을 더 참조하여 상기 동작에 관하여 보다 구체적으로 서술하도록 한다.
도 5 내지 도 7은 각각 일 실시 예에 따른 웨어러블 디바이스(100)가 제 1 증세 내지 제 3 증세에 대해서 2차원 평면 상에서 결정되는 하나 이상의 이상 범위를 이용하여 이상 여부를 결정하는 동작을 설명하기 위한 도면이다.
도 5를 참조하면, 프로세서(120)는 기침의 판별을 위한 2개의 특성이 중앙 주파수(F50)(예: x 도메인) 및 MNR(예: y 도메인)인 경우, 기침에 대한 초평면으로서 기저장된 제 1 함수(예: y=ax+b, a와 b는 실수)에 따른 제 1 직선(11) 및 제 2 함수(예: y=cx+d, c와 d는 실수)에 따른 제 2 직선(12)을 x-y 평면 상에서 분석하여, 기설정된 이상 조건에 따라 제 1 직선(11)과 제 2 직선(12) 사이에 있는 영역을 제 1 이상 범위(21)로 결정할 수 있다. 또한, 프로세서(120)는 가속도 정보로부터 추출된 F50 값과 MNR 값이 m1과 n1이라고 가정할 때, x-y 평면 상에서 (m1, n1)이 제 1 이상 범위(21) 내에 포함되는 경우, 기침이 발생한 것으로 결정할 수 있으며, 예컨대, 제 1 이상 범위(21)가 y=ax+b 와 y=cx+d의 사이인 경우, 측정된 (m1, n1)이 'c m1+d < n1 < am1+b' 조건을 충족할 때 기침으로 판별할 수 있다.
도 6을 참조하면, 프로세서(120)는 간질성 발작의 판별을 위한 2개의 특성이 MF(예: x 도메인) 및 MNR(예: y 도메인)인 경우, 간질성 발작에 대한 초평면으로서 기저장된 제 3 함수(예: y=ex+f, e와 f는 실수)에 따른 제 3 직선(13)을 x-y 평면 상에서 분석하여, 기설정된 이상 조건에 따라 제 3 직선(13)보다 우측에 있는 영역을 제 2 이상 범위(22)로 결정할 수 있다. 또한, 프로세서(120)는 가속도 정보로부터 추출된 MF 값과 MNR 값이 m2와 n2라고 가정할 때, x-y 평면 상에서 (m2, n2)이 제 2 이상 범위(22) 내에 포함되는 경우, 간질성 발작이 발생한 것으로 결정할 수 있으며, 예컨대, 제 2 이상 범위(22)가 y=ex+f 보다 하방에 위치하는 경우, 측정된 (m2, n2)이 'n2 < em2+f' 조건을 충족할 때 간질성 발작으로 판별할 수 있다.
도 7을 참조하면, 프로세서(120)는 낙상의 판별을 위한 2개의 특성이 MF(예: x 도메인) 및 TP(예: y 도메인)인 경우, 낙상에 대한 초평면으로서 기저장된 제 4 함수(예: y=gx2+hx+I, g, h, i는 실수)에 따른 곡선(14)을 x-y 평면 상에서 분석하여, 기설정된 이상 조건에 따라 곡선(14)보다 상방에 위치한 영역을 제 3 이상 범위(23)로 결정할 수 있다. 또한, 프로세서(120)는 가속도 정보로부터 추출된 MF 값과 TP 값이 m3와 n3라고 가정할 때, x-y 평면 상에서 (m3, n3)이 제 3 이상 범위(23) 내에 포함되는 경우, 낙상이 발생한 것으로 결정할 수 있으며, 예컨대, 제 3 이상 범위(23)가 y=gx2+hx+I 보다 상방에 위치하는 경우, 측정된 (m3, n3)이 'y=gm3
2+hm3+I < n3' 조건을 충족할 때 낙상이 발생한 것으로 판별할 수 있다.
프로세서(120)는 모니터링 대상이 되는 증세에 대한 이상 범위 또는 이상 범위를 결정하는데 이용되는 하나 이상의 1차식에 대한 정보를 단계 S310 이전에 획득할 수 있다. 일 실시 예에서, 프로세서(120)는 기존에 생성된 제 2 학습 데이터에 기초하여 모니터링 대상이 되는 증세의 종류에 따른 2개의 특성에 대한 이상 범위를 결정할 수 있다. 예를 들면, 프로세서(120)는 단계 S310 이전에 외부 디바이스(200)로부터 수신되거나, 웨어러블 디바이스(100)에 내장된 제 2 학습 데이터를 이용하여 증세의 종류에 따른 2개의 특성에 대한 이상 범위를 결정할 수 있다.
일 실시 예에서, 외부 디바이스(200)는 단계 S310 이전에 제 2 알고리즘을 이용하여 증세의 종류에 따라 결정된 2개의 특성에 대한 이상 범위를 결정하기 위한 제 2 학습 데이터를 생성할 수 있다. 예를 들면, 외부 디바이스(200)는 머신러닝 알고리즘 및 사전에 측정된 실험 데이터를 기반으로 증세의 종류별로 선정된 2개의 특징이 어떠한 범위를 가질 때 측정된 신호가 이상 신호인지를 판별하기 위한 제 2 학습 데이터를 획득하고, 지속적인 학습을 통해 제 2 학습 데이터를 갱신하여 웨어러블 디바이스(100)에 제공할 수 있다.
일 실시 예에서, 제 1 학습 데이터 및 제 2 학습 데이터는 SVC, 결정 트리(Decision tree), 나이브 베이즈(Naive Bayes), 랜덤 포레스트(Random forest) 및 신경망(Neural network) 중 적어도 하나에 기초하여 획득될 수 있으나, 이에 제한되는 것은 아니며, 그밖에 다양한 머신러닝 알고리즘이 적용될 수 있다.
이처럼, 웨어러블 디바이스(100)는 여러 가지 증세에 대한 이상 유무를 결정하기 위하여 가속도 정보로부터 8개의 특성들을 선정하고, 선정된 8개의 특성들 중 감지하고자 하는 증세의 종류에 가장 민감한 특성이 무엇인지 사전에 학습 알고리즘에 따라 분석한 결과를 이용하여 해당 증세에 대한 이상 유무를 결정할 수 있다.
이에 따라, 웨어러블 디바이스(100)는 모니터링하고자 하는 증세에 대해서 이상 판별을 위해 최적의 2개 특성을 선별하는 방식으로 외부 디바이스(200)를 거치지 않고도 적은 연산만으로 자체적으로 정보를 처리할 수 있어, 무선 통신에 이용되는 소비 전력을 현저하게 개선할 수 있다.
또한, 웨어러블 디바이스(100)는 SVM을 기반으로 2차원 평면 상에서 이상 범위에 대해서 분석함으로써, 이상 여부에 대한 정확성을 향상시킬 수 있다.
일 실시 예에서, 프로세서(120)는 결정된 2개의 특성 값이 정상 범위에서 벗어난 정도에 기초하여 정확도를 결정할 수 있다. 예를 들면, 프로세서(120)는 간질성 발작을 모니터링하는 경우, 가속도 정보로부터 추출된 MF와 MNR 2개의 특성 값에 따른 좌표 (m, n)과 초평면에 대응하는 제 3 직선(13)으로부터 수직 거리를 산출하고, 수직 거리에 비례하도록 정확도를 산출할 수 있다. 예컨대, 초평면에 대응하는 직선의 경계에 근접한 경우, 정확도를 상대적으로 낮게 산출할 수 있다. 또한, 일 실시 예에서, 프로세서(120)는 각 증세의 종류에 따라 상이하게 부여되는 가중치에 기반하여 정확도를 결정할 수 있고, 예컨대, 기침, 간질성 발작 및 낙상의 순서로 크게 부여되는 가중치를 반영하여 정확도를 산출할 수 있다.
일 실시 예에서, 프로세서(120)는 정확도가 기설정값 미만인 경우, 해당 증세의 종류에 기설정된 추가 특성의 특성 값을 이용하여 해당 증세에 대한 이상 여부를 결정할 수 있다. 예컨대, 낙상에 대해서 가속도 정보로부터 추출된 MF와 TP의 특성 값이 2차원 평면 상에서 초평면에 대응하는 직선의 경계에 근접하여 정확도가 낮게 산출되는 경우, 낙상에 대해서 추가적으로 설정된 추가 특성인 Range 값을 추출하여 Range 값이 이상 범위에 포함되어있는지 여부에 따라 낙상에 대한 이상 여부를 결정할 수도 있다. 일 실시 예에서, 추가 특성에 대한 이상 범위는 2개 특성과 상이한 방식으로 결정될 수 있고, 예컨대, 2개 특성과는 달리 추가 특성에 대해 기설정된 1차원 값 범위가 단순 적용될 수 있으며, 추가 특성 또한 마찬가지로 사전 학습을 통해 결정될 수 있다.
일 실시 예에서, 프로세서(120)는 가속도 정보를 처리하기 위한 일련의 동작들을 수행할 수 있고, 가속도 센서(110), 송신부(130 및 그 밖의 구성요소들과 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 일 실시 예에서, 프로세서(120)는 웨어러블 디바이스(100)의 동작 전반을 제어하는 CPU(central processor unit)를 포함하여 구현될 수 있으며, 일 예로, CPU 코어, 메모리 및 프로그램 가능한 입출력을 포함하는 MCU(Micro Controller Unit)의 형태로 구현될 수 있다. 또한, 일 실시 예에서, 송신부(130)는 외부 디바이스(200) 또는 다른 디바이스(예: 서버, 단말)와 네트워크를 통해 정보를 송수신하기 위한 통신 모듈을 포함하여 구현될 수 있다.
한편, 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 웨어러블 디바이스(100)에 더 포함될 수 있다. 예를 들면, 웨어러블 디바이스(100)는 명세서 전반에 기술된 정보를 저장하는 저장 모듈(예: 메모리, 클라우드 등), 사용자 입력을 수신하기 위한 사용자 인터페이스, 모니터링 결과를 표시하는 디스플레이 등을 더 포함할 수 있다.
도 8은 일 실시 예에 따른 웨어러블 디바이스(100)에 포함되는 스위치 회로의 구성을 나타내는 블록도 및 스위치 회로의 유무에 따른 소비 전력 비교 결과를 나타내는 도면이다.
도 8(a)를 참조하면, 웨어러블 디바이스(100)는 스위치 회로(140)를 더 포함할 수 있다. 일 실시 예에서, 스위치 회로(140)는 가속도 센서(110) 및 프로세서(120)와 전기적으로 연결될 수 있고, 가속도 센서(110)를 통해 기설정 크기 이상의 가속도가 측정되는 경우에만 웨어러블 디바이스(100)의 기설정된 주요 구성요소(예: 하드웨어 일부)에 전력을 공급하도록 구성될 수 있다. 일 실시 예에서, 스위치 회로(140)는 이를 위해 MCU 입력, AC 커플링 및 증폭기, 피크 검출기(peak detector), 전압 비교기(voltage comparator) 및 MCU 인터럽트를 포함하여 구현될 수 있다.
도 8(b)를 참조하면, 움직임이 없는 상태에서 웨어러블 디바이스(100)의 전체 소비 전력은 저전력 구현을 위한 스위치 회로(140)를 포함하는 경우, 그렇지 않은 경우 대비 20배 이상 감소시킬 수 있음을 확인할 수 있다..
일반적으로 사람이 하루 중 몸을 움직이는 시간이 평균적으로 약 4.45 시간임을 고려하였을 때, 웨어러블 디바이스(100)에 사람의 몸에 특정 크기 이상의 움직임이 있을 때에만 전체 디바이스를 동작시키는 저전력의 스위치 회로(140)를 적용하는 경우, 전체 소비 전력을 약 4.4배 감소시킬 수 있는 기술적 효과가 있다.
또한, 간질성 발작은 하루에 한 번 5분정도 지속되는 경우를 가정하였을 때, 실제로 무선 통신에 필요한 시간은 전체 MCU가 동작하는 시간 중 약 2% (=5/(4.45*60)*100)에 불과하다. 따라서, 상술한 가속도 처리 방법에 따라 2개의 특성을 선별적으로 활용하면서 간질성 발작이 일어난 경우에만 선택적으로 외부 디바이스(200)와 무선 통신을 하는 경우, 전체 소비 전력을 약 8.8배 감소시킬 수 있는 기술적 효과가 있다.
도 9는 다른 일 실시 예에 따른 웨어러블 헬스케어 센서 시스템(1000)의 구성을 나타내는 블록도이다.
도 9를 참조하면, 웨어러블 헬스케어 센서 시스템(1000)은 사용자 단말(300)을 더 포함할 수 있다.
사용자 단말(300)은 웨어러블 디바이스(100)와 연관된 컴퓨터 장치에 해당하고, 예를 들면, 웨어러블 디바이스(100)가 부착된 환자의 보호자나 담당 의료진에 의해 이용되는 컴퓨터 등의 장치일 수 있다. 일 실시 예에서, 사용자 단말(300)은 휴대폰, 스마트폰, PDA(Personal Digital Assistant), PMP(Portable Multimedia Player), 태블릿 PC 등과 같은 다양한 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치로 구현되거나, 데스크탑 PC, 태블릿 PC, 랩탑 PC와 같이 외부 서버와 연결되어 어플리케이션을 설치 및 실행할 수 있는 기반이 마련된 다양한 종류의 유무선 통신 장치를 포함할 수 있다.
외부 디바이스(200)는 하나 이상의 웨어러블 디바이스(100)와 무선 네트워크(예: 블루투스 등)를 통해 연결되어 웨어러블 디바이스(100)로부터 수신되는 정보를 저장 및 관리할 수 있다. 또한, 외부 디바이스(200)는 하나 이상의 사용자 단말(300)과 네트워크(예: LAN, 와이파이 등)를 통해 연결될 수 있고, 웨어러블 디바이스(100)로부터 수신되는 알람 신호를 웨어러블 디바이스(100)와 연관되는 사용자 단말(300)에 제공할 수 있다. 예를 들면, 외부 디바이스(200)는 웨어러블 디바이스(100)의 기기 식별자에 웨어러블 디바이스(100)가 부착된 환자의 환자 식별자, 해당 환자와 연관되는 보호자의 보호자 식별자, 담당자의 담당자 식별자를 매핑시켜 저장 및 관리할 수 있고, 웨어러블 디바이스(100)로부터 특정 증세에 대한 알람 신호가 수신되면, 해당 웨어러블 디바이스(100)의 기기 식별자와 매핑되는 보호자 식별자 또는 관리자 식별자의 사용자 단말(300)에 해당 증세에 대한 이상 여부가 감지되었음을 알리는 경고 메시지를 전송할 수 있다.
일 실시 예에서, 웨어러블 디바이스(100)에서 MCU로 구현되는 프로세서(120)는 상술한 방식으로 가속도에 대한 파워 스펙트럼을 분석하는 스펙트럼 분석기 및 SVM 기반으로 이상 여부를 판별하는 SVM 분류기를 포함할 수 있고, 송신부(130)는 무선 송수신을 위한 RF 모듈을 포함할 수 있으며, 가속도 센서(110)에 의해 측정되는 가속도의 크기에 따라 움직임을 검출하는 이동 검출기(movement detector), 신호 변환을 위한 ADC(Analog-Digital Converter), 스위치 회로(140) 등을 더 포함할 수 있다.
또한, 도 1 또는 도 9에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 웨어러블 헬스케어 센서 시스템(1000)에 더 포함될 수 있다. 다른 실시 예에 따를 경우, 도 1 또는 도 9에 도시된 구성요소들 중 일부는 생략될 수 있다.
이상에서 도시된 단계들의 순서 및 조합은 일 실시 예이고, 명세서에 기재된 각 구성요소들의 본질적인 특성에서 벗어나지 않는 범위에서 순서, 조합, 분기, 기능 및 그 수행 주체가 추가, 생략 또는 변형된 형태로 다양하게 실시될 수 있음을 알 수 있다. 또한, 명세서 전체에서 '제공'은 대상이 특정 정보를 획득하거나 직간접적으로 특정 대상에게 송수신하는 과정을 포함하며 이러한 과정에서 요구되는 관련 동작의 수행을 포괄적으로 포함하는 것으로 해석될 수 있다.
본 개시의 다양한 실시예들은 기기(machine)(예를 들어, 디스플레이 장치 또는 컴퓨터)에 의해 읽을 수 있는 저장 매체(storage medium)(예를 들어, 메모리)에 저장된 하나 이상의 인스트럭션들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기의 프로세서(예를 들어, 프로세서)는, 저장 매체로부터 저장된 하나 이상의 인스트럭션들 중 적어도 하나의 인스트럭션을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 인스트럭션에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 인스트럭션들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 개시에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
본 실시 예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
Claims (16)
- 웨어러블 디바이스가 가속도 정보를 처리하는 방법에 있어서,상기 웨어러블 디바이스의 움직임에 따른 가속도를 나타내는 상기 가속도 정보를 획득하는 단계;상기 가속도의 파워 스펙트럼에 대한 복수개의 특성 및 상기 가속도의 범위를 포함하는 복수개의 가속도 특성을 상기 가속도 정보에 기초하여 획득하는 단계;상기 복수개의 가속도 특성 중 모니터링 대상이 되는 증세의 종류에 따라 결정되는 2개의 특성에 따라 특성 값을 결정하는 단계; 및상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 단계;를 포함하는, 방법.
- 제 1 항에 있어서,상기 알람 신호를 제공하는 단계는상기 가속도의 범위가 기설정 값을 초과하는 경우, 상기 알람 신호를 외부 디바이스로 전송하는, 방법.
- 제 1 항에 있어서,상기 복수개의 가속도 특성은시간 도메인에서 상기 가속도의 범위를 나타내는 제 1 특성, 상기 시간 도메인에서 상기 가속도의 제곱평균제곱근(Root Mean Square)를 나타내는 제 2 특성 및 상기 시간 도메인에서 상기 가속도의 평균을 나타내는 제 3 특성 중 적어도 하나를 포함하는, 방법.
- 제 3 항에 있어서,상기 복수개의 가속도 특성은상기 가속도의 파워 스펙트럼에 대한 평균 주파수를 나타내는 제 4 특성, 상기 가속도의 파워 스펙트럼에 대한 총 전력의 기설정 제 1 비율을 포함하는 주파수를 나타내는 제 5 특성, 상기 총 전력의 제 2 비율을 포함하는 주파수를 나타내는 제 6 특성, 상기 총 전력을 나타내는 제 7 특성 및 상기 총 전력에 대한 기설정 움직임 노이즈 주파수 미만에서의 전력 비율을 나타내는 제 8 특성 중 적어도 하나를 더 포함하는, 방법.
- 제 4 항에 있어서,상기 증세의 종류가 기침(Cough)을 나타내는 제 1 증세인 경우, 상기 제 1 증세에 대응되는 상기 2개의 특성은 상기 제 5 특성 및 상기 제 8 특성이고,상기 증세의 종류가 간질성 발작(Epileptic seizure)을 나타내는 제 2 증세인 경우, 상기 제 2 증세에 대응되는 상기 2개의 특성은 상기 제 4 특성 및 상기 제 8 특성이고,상기 증세의 종류가 낙상(Fall)을 나타내는 제 3 증세인 경우, 상기 제 3 증세에 대응되는 상기 2개의 특성은 상기 제 1 특성 및 상기 제 4 특성인, 방법.
- 제 1 항에 있어서,상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 단계는2차원 평면 상에서 기설정된 하나 이상의 1차식으로 정해지는 직선 또는 다항식으로 정해지는 곡선을 이용하여 상기 이상 범위를 하나 이상 결정하는 단계를 포함하는, 방법.
- 제 1항에 있어서,상기 2개의 특성에 따라 특성 값을 결정하는 단계는기존에 생성된 학습 데이터에 기초하여 상기 2개의 특성 및 상기 이상 범위를 결정하는 단계;를 포함하고,상기 학습 데이터는 SVC(Support Vector Classifier), 결정 트리(Decision tree), 나이브 베이즈(Naive Bayes), 랜덤 포레스트(Random forest) 및 신경망(Neural network) 중 적어도 하나에 기초하여 획득되는, 방법.
- 제 1 항에 있어서,상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 단계는서포트 벡터 머신(Support Vector Machine)을 통해 획득되는 상기 복수개의 가속도 특성에 대한 초평면(Hyperplane)을 이용하여 상기 특성 값이 상기 이상 범위에 포함되는지 여부를 결정하는 단계를 포함하는, 방법.
- 가속도 정보를 처리하는 웨어러블 디바이스에 있어서,상기 웨어러블 디바이스의 움직임에 따른 가속도를 나타내는 상기 가속도 정보를 획득하는 가속도 센서;상기 가속도의 파워 스펙트럼에 대한 복수개의 특성 및 상기 가속도의 범위를 포함하는 복수개의 가속도 특성을 상기 가속도 정보에 기초하여 획득하고,상기 복수개의 가속도 특성 중 모니터링 대상이 되는 증세의 종류에 따라 결정되는 2개의 특성에 따라 특성 값을 결정하는 프로세서; 및상기 특성 값이 이상 범위에 포함되는 경우, 알람 신호를 제공하는 송신부;를 포함하는, 웨어러블 디바이스.
- 제 9 항에 있어서,상기 송신부는상기 가속도의 범위가 기설정 값을 초과하는 경우, 상기 알람 신호를 외부 디바이스로 전송하는, 웨어러블 디바이스.
- 제 9 항에 있어서,상기 복수개의 가속도 특성은시간 도메인에서 상기 가속도의 범위를 나타내는 제 1 특성, 상기 시간 도메인에서 상기 가속도의 제곱평균제곱근(Root Mean Square)를 나타내는 제 2 특성 및 상기 시간 도메인에서 상기 가속도의 평균을 나타내는 제 3 특성 중 적어도 하나를 포함하는, 웨어러블 디바이스.
- 제 11 항에 있어서,상기 복수개의 가속도 특성은상기 가속도의 파워 스펙트럼에 대한 평균 주파수를 나타내는 제 4 특성, 상기 가속도의 파워 스펙트럼에 대한 총 전력의 기설정 제 1 비율을 포함하는 주파수를 나타내는 제 5 특성, 상기 총 전력의 제 2 비율을 포함하는 주파수를 나타내는 제 6 특성, 상기 총 전력을 나타내는 제 7 특성 및 상기 총 전력에 대한 기설정 움직임 노이즈 주파수 미만에서의 전력 비율을 나타내는 제 8 특성 중 적어도 하나를 더 포함하는, 웨어러블 디바이스.
- 제 12 항에 있어서,상기 증세의 종류가 기침(Cough)을 나타내는 제 1 증세인 경우, 상기 제 1 증세에 대응되는 상기 2개의 특성은 상기 제 5 특성 및 상기 제 8 특성이고,상기 증세의 종류가 간질성 발작(Epileptic seizure)을 나타내는 제 2 증세인 경우, 상기 제 2 증세에 대응되는 상기 2개의 특성은 상기 제 4 특성 및 상기 제 8 특성이고,상기 증세의 종류가 낙상(Fall)을 나타내는 제 3 증세인 경우, 상기 제 3 증세에 대응되는 상기 2개의 특성은 상기 제 1 특성 및 상기 제 4 특성인, 방법.
- 제 9 항에 있어서,상기 프로세서는2차원 평면 상에서 기설정된 하나 이상의 1차식으로 정해지는 직선 또는 다항식으로 정해지는 곡선을 이용하여 상기 이상 범위를 하나 이상 결정하는, 웨어러블 디바이스.
- 제 9항에 있어서,상기 프로세서는기존에 생성된 학습 데이터에 기초하여 상기 2개의 특성 및 상기 이상 범위를 결정하고,상기 학습 데이터는 SVC(Support Vector Classifier), 결정 트리(Decision tree), 나이브 베이즈(Naive Bayes), 랜덤 포레스트(Random forest) 및 신경망(Neural network) 중 적어도 하나에 기초하여 획득되는, 웨어러블 디바이스.
- 제 1 항 내지 제 8 항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2021-0091282 | 2021-07-13 | ||
| KR1020210091282A KR102345646B1 (ko) | 2021-07-13 | 2021-07-13 | 가속도 정보를 처리하는 웨어러블 디바이스 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023286909A1 true WO2023286909A1 (ko) | 2023-01-19 |
Family
ID=79178772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/KR2021/011311 WO2023286909A1 (ko) | 2021-07-13 | 2021-08-24 | 가속도 정보를 처리하는 웨어러블 디바이스 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230029222A1 (ko) |
| KR (1) | KR102345646B1 (ko) |
| WO (1) | WO2023286909A1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060122814A (ko) * | 2003-09-12 | 2006-11-30 | 보디미디어 인코퍼레이티드 | 체중 및 기타 생리 상태를 모니터링하고 반복적이고개별화된 플래닝, 중재 및 보고 기능을 포함하여 관리하기위한 시스템 |
| KR20160096224A (ko) * | 2011-03-31 | 2016-08-12 | 퀄컴 인코포레이티드 | 모바일 디바이스의 포지션을 추론하기 위한 디바이스들, 방법들, 및 장치들 |
| KR20170129689A (ko) * | 2015-01-06 | 2017-11-27 | 데이비드 버톤 | 모바일 웨어러블 모니터링 시스템 |
| KR20180063440A (ko) * | 2016-12-02 | 2018-06-12 | 재단법인 아산사회복지재단 | 생체신호 측정을 위한 웨어러블 디바이스, 웨어러블 디바이스를 이용한 이상징후 발생예측방법 및 프로그램 |
| KR20200032428A (ko) * | 2018-09-18 | 2020-03-26 | (주)아이티네이드 | 맥파 센서를 이용하여 신체 이상 징후를 모니터링하는 방법 및 장치 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8075499B2 (en) * | 2007-05-18 | 2011-12-13 | Vaidhi Nathan | Abnormal motion detector and monitor |
| WO2009020880A1 (en) * | 2007-08-03 | 2009-02-12 | University Of Virginia Patent Foundation | Method, system and computer program product for limb movement analysis for diagnosis of convulsions |
| US20100217533A1 (en) * | 2009-02-23 | 2010-08-26 | Laburnum Networks, Inc. | Identifying a Type of Motion of an Object |
| US20150164377A1 (en) * | 2013-03-13 | 2015-06-18 | Vaidhi Nathan | System and method of body motion analytics recognition and alerting |
| US20140288878A1 (en) * | 2013-03-15 | 2014-09-25 | Aliphcom | Identification of motion characteristics to determine activity |
| PL406957A1 (pl) * | 2014-01-27 | 2015-08-03 | Intelclinic Spółka Z Ograniczoną Odpowiedzialnością | System do zarządzania snem polifazowym, sposób jego działania, urządzenie do analizy snu, sposób klasyfikacji aktualnej fazy snu oraz zastosowanie systemu i urządzenia do zarządzania snem polifazowym |
| US10813559B2 (en) * | 2015-06-14 | 2020-10-27 | Facense Ltd. | Detecting respiratory tract infection based on changes in coughing sounds |
| US20190365286A1 (en) * | 2018-06-01 | 2019-12-05 | Apple Inc. | Passive tracking of dyskinesia/tremor symptoms |
-
2021
- 2021-07-13 KR KR1020210091282A patent/KR102345646B1/ko active IP Right Grant
- 2021-08-24 WO PCT/KR2021/011311 patent/WO2023286909A1/ko unknown
- 2021-09-21 US US17/481,220 patent/US20230029222A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060122814A (ko) * | 2003-09-12 | 2006-11-30 | 보디미디어 인코퍼레이티드 | 체중 및 기타 생리 상태를 모니터링하고 반복적이고개별화된 플래닝, 중재 및 보고 기능을 포함하여 관리하기위한 시스템 |
| KR20160096224A (ko) * | 2011-03-31 | 2016-08-12 | 퀄컴 인코포레이티드 | 모바일 디바이스의 포지션을 추론하기 위한 디바이스들, 방법들, 및 장치들 |
| KR20170129689A (ko) * | 2015-01-06 | 2017-11-27 | 데이비드 버톤 | 모바일 웨어러블 모니터링 시스템 |
| KR20180063440A (ko) * | 2016-12-02 | 2018-06-12 | 재단법인 아산사회복지재단 | 생체신호 측정을 위한 웨어러블 디바이스, 웨어러블 디바이스를 이용한 이상징후 발생예측방법 및 프로그램 |
| KR20200032428A (ko) * | 2018-09-18 | 2020-03-26 | (주)아이티네이드 | 맥파 센서를 이용하여 신체 이상 징후를 모니터링하는 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102345646B1 (ko) | 2021-12-30 |
| US20230029222A1 (en) | 2023-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020105841A1 (en) | Electronic device for obtaining blood pressure value using pulse wave velocity algorithm and method for obtaining blood pressure value | |
| WO2019045414A1 (ko) | 사용자의 체중 관리를 위한 방법 및 그 전자 장치 | |
| WO2015008936A1 (ko) | 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법 | |
| US9076256B2 (en) | Information processing device, information processing method, and program | |
| WO2016171341A1 (ko) | 클라우드 기반 병리 분석 시스템 및 방법 | |
| CN113177468B (zh) | 人体行为检测方法、装置、电子设备及存储介质 | |
| WO2021045552A1 (en) | Electronic device for image synthesis and operating method thereof | |
| WO2021107650A1 (en) | Jointly learning visual motion and confidence from local patches in event cameras | |
| WO2020106104A1 (en) | Electronic device for providing meditation contents and operating method thereof | |
| WO2020180021A1 (en) | Electronic device and method for scanning channel to perform location-based service | |
| US20200410664A1 (en) | Measurement device and measurement method | |
| WO2020209618A1 (en) | Electronic device and method for providing information for stress relief by same | |
| WO2023286909A1 (ko) | 가속도 정보를 처리하는 웨어러블 디바이스 및 방법 | |
| Liu et al. | A lightweight double-channel depthwise separable convolutional neural network for multimodal fusion gait recognition | |
| WO2019147101A1 (ko) | 악성 코드를 분류하는 전자 장치 및 그 동작 방법 | |
| WO2020235982A1 (ko) | 운동 정보 제공 방법 및 장치 | |
| CN111896119A (zh) | 红外测温方法及电子设备 | |
| WO2020009327A1 (en) | Electronic device and method for providing personalized biometric information based on biometric signal using same | |
| WO2019151668A1 (ko) | Ppg 센서를 이용하여 생체 정보를 획득하는 전자 장치 및 그 방법 | |
| CN204192578U (zh) | 人体生命细胞健康检测信号采集处理储存一体耳机 | |
| CN110751055A (zh) | 一种智能制造系统 | |
| US11925458B2 (en) | Motion state monitoring system, training support system, motion state monitoring method, and program | |
| US20190298227A1 (en) | Tremor detector, stress assessment system including the same, and method of assessing stress | |
| CN113470818A (zh) | 疾病预测方法、装置、系统、电子设备及计算机可读介质 | |
| CN113405666A (zh) | 结合识别人脸的红外热成像人体温度差值检测方法及装置 |
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: 21950255 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |