WO2024014875A1 - 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치 - Google Patents

심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치 Download PDF

Info

Publication number
WO2024014875A1
WO2024014875A1 PCT/KR2023/009953 KR2023009953W WO2024014875A1 WO 2024014875 A1 WO2024014875 A1 WO 2024014875A1 KR 2023009953 W KR2023009953 W KR 2023009953W WO 2024014875 A1 WO2024014875 A1 WO 2024014875A1
Authority
WO
WIPO (PCT)
Prior art keywords
heart rate
rate variability
additional information
measured
detailed
Prior art date
Application number
PCT/KR2023/009953
Other languages
English (en)
French (fr)
Inventor
권준명
임선유
강선미
Original Assignee
주식회사 메디컬에이아이
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 메디컬에이아이 filed Critical 주식회사 메디컬에이아이
Priority claimed from KR1020230090208A external-priority patent/KR20240009890A/ko
Publication of WO2024014875A1 publication Critical patent/WO2024014875A1/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
    • 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
    • A61B5/02—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
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the present disclosure relates to data processing technology in the medical field, and specifically relates to a method for extracting features of heart rate variability and improving the accuracy of prediction based on the extracted features by utilizing short-term heart rate variability measured multiple times. .
  • Heart rate variability refers to physiological heart rate fluctuations caused by normal interactions of the autonomic nervous system.
  • heart rate variability refers to the periodic change in heart rate over time.
  • the autonomic nervous system is a nervous system that maintains life-sustaining activities and homeostasis in the body by controlling organ functions and metabolism and maintaining appropriate balance in response to changes in internal or external environmental factors.
  • the autonomic nervous system is involved in psychosomatic disorders and stress-related diseases. In order to evaluate the effects of environmental stress on the human body, it is important to evaluate the state of the autonomic nervous system.
  • Stress-related diseases which are called modern people's chronic diseases and are known as the source of all diseases, not only cause various physical diseases and decreased immunity when they become chronic, but can also become a trigger for mental health problems such as panic disorder.
  • Heart rate variability has high clinical value because it can be measured in a non-invasive and relatively simple way and provides a lot of information about the activity of the autonomic nerves, providing important information for diagnosing various diseases.
  • Heart rate variability testing is the most efficient way to measure changes in heart rate variability in clinical practice. Short-term analysis measures 5 minutes, and long-term analysis measures 24 hours.
  • the purpose of the present disclosure is to provide a method of improving the accuracy of feature extraction by generating heart rate variability extracted from heart signals to a length appropriate for analysis and using it for feature extraction.
  • a method for improving the accuracy of feature extraction for heart rate variability performed by a computing device includes acquiring first heart rate variability and first additional information measured at a similar time point as the first heart rate variability; Obtaining a second heart rate variability measured at a different time point from the first heart rate variability and second additional information measured at a similar time point as the second heart rate variability; identifying items that correspond to and do not correspond to detailed items of the first additional information in detailed items of the second additional information; And based on the identified result, it may include combining the first heart rate variability and the second heart rate variability for each detailed item of additional information.
  • the detailed items of the first additional information or the detailed items of the second additional information may include location information, sleep time, number of steps, and exercise status of the person measuring the first heart rate variability or the second heart rate variability. , it may include at least one of stand-up time, stress status, work hours, or sound level in the surrounding environment.
  • the step of combining the first heart rate variability and the second heart rate variability for each detailed item of additional information may include concatenating the first heart rate variability and the second heart rate variability. ), and may include generating a combination variation for an item identified as corresponding to a detailed item of the first additional information among detailed items of the second additional information.
  • the step of combining the first heart rate variability and the second heart rate variability for each detailed item of additional information includes inputting the second heart rate variability into a pre-trained machine learning model. , transforming the second heart rate variability into a form similar to the heart rate variability measured when an item identified as not corresponding to a detailed item of the first additional information among detailed items of the second additional information is measured; and connecting the first heart rate variability and the modified second heart rate variability to generate a combined variability for items identified as not corresponding to detailed items of the first additional information among detailed items of the second additional information. May include steps.
  • the machine learning model may include sub-models that individually correspond to detailed items of additional information and modify heart rate variability.
  • the second heart rate variability is input into a pre-trained machine learning model, and the second heart rate variability is identified as not corresponding to a detailed item of the first additional information among detailed items of the second additional information.
  • the step of transforming the second heart rate variability into a form similar to the heart rate variability measured in the measured state includes selecting the second heart rate variability as a detail identified as not corresponding to a detailed item of the first additional information among detailed items of the second additional information. It may include transforming the second heart rate variability into a form similar to the heart rate variability measured in the environment in which the first additional information is measured by inputting it into a sub model corresponding to the item.
  • the process of identifying items that correspond to detailed items of information and items that do not correspond, and cumulatively combining heart rate variability for each detailed item of additional information may be repeatedly performed.
  • the method may further include extracting features for each detailed item of the additional information from the heart rate variability generated by cumulative combination until the reference time is satisfied.
  • the method may include obtaining the M heart rate variability measured after the cumulatively combined heart rate variability is generated until the reference time is satisfied, and extracting features from the M heart rate variability; And comparing the features extracted from the M heart rate variability with the features extracted from the heart rate variability generated by cumulative combination until the reference time is satisfied, to predict health status at the time of measuring the M heart rate variability. Additional steps may be included.
  • the method may include, when a gap of more than a predetermined time exists between the first heart rate variability and the second heart rate variability, the first heart rate variability, the first additional information, and the pre-trained neural network model.
  • the method may further include inputting the second heart rate variability and the second additional information to generate heart rate variability between the time of measuring the first heart rate variability and the time of measuring the second heart rate variability.
  • a computer program stored in a computer-readable storage medium When the computer program is executed on one or more processors, it performs operations to improve the accuracy of feature extraction for heart rate variability.
  • the operations include obtaining a first heart rate variability and first additional information measured at a similar time point as the first heart rate variability; Obtaining a second heart rate variability measured at a different time point than the first heart rate variability and second additional information measured at a similar time point to the second heart rate variability; identifying items that correspond to and do not correspond to detailed items of the first additional information in detailed items of the second additional information; and an operation of combining the first heart rate variability and the second heart rate variability for each detailed item of additional information, based on the identified result.
  • a computing device for improving the accuracy of feature extraction for heart rate variability.
  • the device includes a processor including at least one core; a memory containing program codes executable on the processor; And it may include a network unit for acquiring heart signals or heart rate variability.
  • the processor selects the first additional information measured at a similar time point as the first heart rate variability in the details of the second additional information measured at a similar time point as the second heart rate variability measured at a different time point from the first heart rate variability. Items that correspond to detailed items and items that do not correspond can be identified, and based on the identified results, the first heart rate variability and the second heart rate variability can be combined for each detailed item of additional information.
  • heart rate variability can be easily measured through a wearable device at a time and place desired by the user without time and space constraints, regardless of the length of the measurement time, for as long as the user wants to measure, thereby facilitating measurement and Convenience can be increased.
  • the characteristics of heart rate variability can be analyzed by reflecting the cumulative value of the previous measurement results, so analysis is possible even if inputs with different measurement times are obtained, and analysis (or characteristics) of heart rate variability is possible. Extraction) accuracy can be increased.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • Figure 2 is a block diagram showing a process for generating heart rate variability of a length suitable for analysis according to an embodiment of the present disclosure.
  • Figure 3 is a conceptual diagram illustrating a process of generating a heart rate variability of a length suitable for analysis and predicting health status based on the generated heart rate variability according to an embodiment of the present disclosure.
  • Figure 4 is a flowchart showing the process of generating a heart rate variability of a length suitable for analysis and extracting features from the generated heart rate variability according to an embodiment of the present disclosure.
  • Figures 5 and 6 are flowcharts showing a method for improving the accuracy of feature extraction for heart rate variability according to an embodiment of the present disclosure.
  • the term “or” is intended to mean an inclusive “or” and not an exclusive “or.” That is, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” should be understood to mean one of natural implicit substitutions. For example, unless otherwise specified in the present disclosure or the meaning is not clear from the context, “X uses A or B” means that It can be interpreted as one of the cases where all B is used.
  • N is a natural number
  • N is a natural number
  • components performing different functional roles may be distinguished as first components or second components.
  • components that are substantially the same within the technical spirit of the present disclosure but must be distinguished for convenience of explanation may also be distinguished as first components or second components.
  • acquisition used in this disclosure is understood to mean not only receiving data through a wired or wireless communication network with an external device or system, but also generating data in an on-device form. It can be.
  • module refers to a computer-related entity, firmware, software or part thereof, hardware or part thereof.
  • the “module” or “unit” can be understood as a term referring to an independent functional unit that processes computing resources, such as a combination of software and hardware.
  • the “module” or “unit” may be a unit composed of a single element, or may be a unit expressed as a combination or set of multiple elements.
  • a “module” or “part” in the narrow sense is a hardware element or set of components of a computing device, an application program that performs a specific function of software, a process implemented through the execution of software, or a program. It can refer to a set of instructions for execution, etc.
  • module or “unit” may refer to the computing device itself constituting the system, or an application running on the computing device.
  • module or “unit” may be defined in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • model refers to a system implemented using mathematical concepts and language to solve a specific problem, a set of software units to solve a specific problem, or a process to solve a specific problem. It can be understood as an abstract model of a process.
  • a neural network “model” may refer to an overall system implemented as a neural network that has problem-solving capabilities through learning. At this time, the neural network can have problem-solving capabilities by optimizing parameters connecting nodes or neurons through learning.
  • a neural network “model” may include a single neural network or a neural network set in which multiple neural networks are combined.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • the computing device 100 may be a hardware device or part of a hardware device that performs comprehensive processing and calculation of data, or may be a software-based computing environment connected to a communication network.
  • the computing device 100 may be a server that performs intensive data processing functions and shares resources, or it may be a client that shares resources through interaction with the server.
  • the computing device 100 may be a cloud system in which a plurality of servers and clients interact to comprehensively process data. Since the above description is only an example related to the type of computing device 100, the type of computing device 100 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • a computing device 100 may include a processor 110, a memory 120, and a network unit 130. there is. However, since FIG. 1 is only an example, the computing device 100 may include other components for implementing a computing environment. Additionally, only some of the configurations disclosed above may be included in computing device 100.
  • the processor 110 may be understood as a structural unit including hardware and/or software for performing computing operations.
  • the processor 110 may read a computer program and perform data processing for machine learning.
  • the processor 110 may process computational processes such as processing input data for machine learning, extracting features for machine learning, and calculating errors based on backpropagation.
  • the processor 110 for performing such data processing includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), a tensor processing unit (TPU), and a custom processing unit (TPU). It may include a semiconductor (ASIC: application specific integrated circuit), or a field programmable gate array (FPGA: field programmable gate array). Since the type of processor 110 described above is only an example, the type of processor 110 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the processor 110 may calculate heart rate variability based on the heart signal. Since heart rate variability is a set of values listing the intervals between heart beats, the processor 110 can calculate the intervals between heart beats in the time domain or frequency domain to derive the heart rate variability.
  • the heart signal can be understood as a signal indicating the activity or state of the heart.
  • the cardiac signal may include a 12-lead electrocardiogram, Holter electrocardiogram, or photoplethysmography (PPG).
  • PPG photoplethysmography
  • the processor 110 may generate heart rate variability by calculating the interval between peaks of the heart signal.
  • the processor 110 may cumulatively combine the heart rate variability to generate a heart rate variability that satisfies the reference time.
  • the reference time may be a time set according to the purpose of use, or may be a time corresponding to the gold standard for heart rate variability analysis based on clinical research.
  • heart signals may be measured at various lengths depending on the measurement environment or measurer, so even if heart rate variability is extracted from the heart signal, it may be difficult to extract a length suitable for analysis. Accordingly, in order to increase the accuracy of heart rate variability analysis, the processor 110 may generate heart rate variability that satisfies the reference time by sequentially combining continuously measured heart rate variability.
  • the processor 110 may extract features from heart rate variability that satisfies the reference time. For example, the processor 110 calculates standard deviation of RR interval (SDRR), mean RR, standard deviation of all NN intervals (SDNN), and RMSSD ( Characteristics of heart rate variability such as root mean square of the successive differences (LF), power in low frequency range (LF), or power in high frequency range (HF) can be calculated. And, based on these characteristics, the processor 110 derives values necessary for diagnosing or predicting health conditions, such as stress index, stress resistance, autonomic nerve balance, autonomic nerve activity, fatigue, degree of depression, or degree of anxiety disorder. You can.
  • SDRR standard deviation of RR interval
  • SDNN standard deviation of all NN intervals
  • RMSSD Characteristics of heart rate variability such as root mean square of the successive differences (LF), power in low frequency range (LF), or power in high frequency range (HF) can be calculated.
  • LF root mean square of the successive differences
  • LF power in low frequency range
  • HF power in high frequency range
  • the processor 110 may extract features from the new heart rate variability. Additionally, the processor 110 may compare the features extracted from the new heart rate variability with the features extracted from the heart rate variability that satisfies the reference time to predict the health status at the time the new heart rate variability is calculated. For example, the processor 110 inputs the features extracted from the new heart rate variability and the heart rate variability that satisfies the reference time into a pre-trained deep learning model, such as a change in each indicator indicating a health state that matches the characteristics of the heart rate variability or You can spot the difference. In addition, the processor 110 may generate a prediction result regarding the health status at the time when the new heart rate variability is measured, based on the change or difference in each identified indicator.
  • the memory 120 may be understood as a structural unit including hardware and/or software for storing and managing data processed in the computing device 100. That is, the memory 120 can store any type of data generated or determined by the processor 110 and any type of data received by the network unit 130.
  • the memory 120 may be a flash memory type, hard disk type, multimedia card micro type, card type memory, or random access memory (RAM). ), SRAM (static random access memory), ROM (read-only memory), EEPROM (electrically erasable programmable read-only memory), PROM (programmable read-only memory), magnetic memory , may include at least one type of storage medium among a magnetic disk and an optical disk.
  • the memory 120 may include a database system that controls and manages data in a predetermined system. Since the type of memory 120 described above is only an example, the type of memory 120 may be configured in various ways within a range understandable to those skilled in the art based on the contents of the present disclosure.
  • the memory 120 can manage data necessary for the processor 110 to perform operations, a combination of data, and program code executable on the processor 110 by structuring and organizing them.
  • the memory 120 may store medical data received through the network unit 130, which will be described later.
  • the memory 120 includes program code that operates the neural network model to receive medical data and perform learning, program code that operates the neural network model to receive medical data and perform inference according to the purpose of use of the computing device 100, and Processed data generated as the program code is executed can be saved.
  • the network unit 130 may be understood as a structural unit that transmits and receives data through any type of known wired or wireless communication system.
  • the network unit 130 is a local area network (LAN), wideband code division multiple access (WCDMA), long term evolution (LTE), and WiBro (wireless).
  • broadband internet 5th generation mobile communication (5G), ultra wide-band wireless communication, ZigBee, radio frequency (RF) communication, wireless LAN, wireless fidelity ), data transmission and reception can be performed using a wired or wireless communication system such as near field communication (NFC), or Bluetooth. Since the above-described communication systems are only examples, the wired and wireless communication systems for data transmission and reception of the network unit 130 may be applied in various ways other than the above-described examples.
  • the network unit 130 may receive data necessary for the processor 110 to perform calculations through wired or wireless communication with any system or client. Additionally, the network unit 130 may transmit data generated through the calculation of the processor 110 through wired or wireless communication with any system or any client. For example, the network unit 130 may receive medical data through communication with a database in a hospital environment, a cloud server that performs tasks such as standardization of medical data, a client such as a smart watch, or a medical computing device. The network unit 130 may transmit output data of the neural network model, intermediate data derived from the calculation process of the processor 110, processed data, etc. through communication with the above-mentioned database, server, client, or computing device. .
  • Figure 2 is a block diagram showing a process for generating heart rate variability of a length suitable for analysis according to an embodiment of the present disclosure.
  • the computing device 100 may continuously acquire heart rate variability and additional information measured at a similar time point as the heart rate variability.
  • heart rate variability may be data generated from heart signals that the computing device 100 continuously acquires.
  • the additional information measured at a similar time point as the heart rate variability may be data received by the computing device 100 by being measured at the same time point as the continuously acquired heart signal or at a time point within a predetermined error range before and after.
  • the computing device 100 acquires the heart signal measured at the first time point through communication with the wearable device, and from this A first heart rate variability 10 may be generated. Additionally, the computing device 100 may obtain the first additional information 15 measured through the wearable device at a similar time point to the first time point through communication with the wearable device. When the heart signal is additionally measured through the wearable device at a second time point after the first time point, the computing device 100 acquires the heart signal measured at the second time point through communication with the wearable device, and generates a second heart rate variability from this. (20) can be generated. Additionally, the computing device 100 may obtain the second additional information 25 measured through the wearable device at a similar time point to the second time point through communication with the wearable device.
  • the additional information received by the computing device 100 may include healthcare information that can be obtained in the process of measuring heart rate variability.
  • the additional information may include at least one of the following details: location information of the person measuring heart rate variability, sleep time, number of steps, exercise, standing time, stress, work time, or sound level in the surrounding environment. You can. Detailed items of each additional information can be used as an index that the computing device 100 uses to combine continuously acquired heart rate variability and predict a person's health status.
  • the computing device 100 may cumulatively combine heart rate variabilities based on continuously acquired heart rate variabilities and additional information.
  • the computing device 100 may repeatedly perform a cumulative combination of heart rate variabilities until the combined heart rate variabilities satisfy a reference time. At this time, in order to cumulatively combine the heart rate variabilities, the computing device 100 may continuously check whether detailed items of the acquired additional information correspond to each other and identify items that do and do not correspond. And, based on the identified results, the computing device 100 may combine heart rate variability for each detailed item of additional information.
  • the computing device 100 may identify items that correspond to and do not correspond to detailed items of the first additional information 15 in detailed items of the second additional information 25. You can. At this time, matching detailed items can be understood as determining that the detailed items match each other or are similar within the margin of error.
  • the computing device 100 may generate a combined variability by combining the first heart rate variability 10 and the second heart rate variability 20 in time order for items identified as corresponding to each other. For items identified as not corresponding to each other, the computing device 100 inputs the second heart rate variability 20 into the pre-trained machine learning model 200 to transform it, and then combines the first heart rate variability 10 with the time sequence. Combination variation can be created by combining according to .
  • the computing device 100 may generate the first combination variation diagram 30 by generating a combination variation diagram according to whether or not each detailed item of additional information corresponds. And, when the N th heart rate variability 40 and the N th additional information 45 are acquired after the first combination variability 30 is generated, the computing device 100 selects the th in the details of the N th additional information 45. 1 It is possible to identify items that correspond to and do not correspond to detailed items of additional information (15). The computing device 100 may generate a combination variability by combining the N heart rate variability 40 and the first combination variability 30 in time order for items identified as corresponding to each other.
  • the computing device 100 inputs the Nth heart rate variability 40 into the pre-trained machine learning model 200 to transform it, and then transforms it with the first combination variability 30 and the time sequence.
  • Combination variation can be created by combining according to .
  • the computing device 100 may generate the Nth combination variation 30 by cumulatively generating a combination variation according to whether or not each detailed item of additional information corresponds.
  • the computing device 100 displays the first heart rate variability 10 and the second heart rate variability. By concatenating (20), a combinatorial variability diagram for detail A can be created. If detailed item B of the second additional information 25 does not correspond to detailed item B of the first additional information 15, as shown in FIG. 2, the computing device 100 uses the second heart rate variability 20 as a pre-learned By inputting it into the machine learning model 200, the second heart rate variability 20 can be transformed into a form similar to the heart rate variability measured when detailed item B of the first additional information 15 is measured. Additionally, the computing device 100 may connect the first heart rate variability 10 and the modified second heart rate variability to generate a combined variability for detail item B.
  • Computing device 100 may generate a first combined variogram 30 including a combined variogram for detail A and a combined variogram for detail B.
  • the above-described process may be repeatedly performed when the Nth heart rate variability 40 and the Nth additional information 45 are input, until the Nth combination variability 50 satisfies the reference time.
  • the Nth combination variability may be generated by cumulatively connecting the newly input Nth heart rate variability 40 or the Nth heart rate variability modified through the machine learning model 200 to the existing combination variability.
  • the machine learning model 200 may include sub-models that individually correspond to detailed items of additional information and modify heart rate variability.
  • the machine learning model 200 includes each detailed item of additional information, such as a first sub-model corresponding to stress, which is a detailed item of additional information, and a second sub-model corresponding to exercise, which is a detailed item of additional information. It may include sub-models that modify heart rate variability based on .
  • each of the sub-models may be a generative model that receives the heart rate variability measured in a specific state as input and transforms the heart rate variability measured in the specific state into the same form as that measured in another state.
  • the first sub-model corresponding to whether or not the stress is present is the second heart rate.
  • the second heart rate variability 20 can be transformed into the same form as the heart rate variability measured under stress.
  • the first sub model may receive information on the sleep item of the first additional information 15 along with the second heart rate variability 20.
  • the computing device 100 selects the second heart rate variability 20 as corresponding to a detailed item identified as not corresponding to a detailed item of the first additional information 15 among the detailed items of the second additional information 25.
  • the second heart rate variability 20 can be transformed into a form similar to the heart rate variability measured when the first additional information 15 is measured.
  • the sub-models corresponding to each detailed item can transform the heart rate variability according to the standard state for each detailed item.
  • Figure 3 is a conceptual diagram illustrating the process of generating a heart rate variability of a length suitable for analysis according to an embodiment of the present disclosure and predicting health status based on the generated long-term heart rate variability.
  • the computing device 100 may sequentially acquire the heart rate variability measured over time and the corresponding additional information and cumulatively combine the heart rate variability for each detailed item of the additional information. At this time, cumulative combining may be repeatedly performed until a preset reference time (or reference length) is satisfied. For example, when the first heart rate variability 60, first additional information 61, second heart rate variability 62, and second additional information 63 are acquired as shown in FIG. 3, the computing device 100 is sleep. , stress, exercise, etc., the first heart rate variability 60 and the second heart rate variability 62 can be combined for each detailed item included in the first additional information 61 and the second additional information 63.
  • the computing device 100 adds the second heart rate variability to the first heart rate variability 60. (62) can be connected as is to create the combined variation (70, 79). Conversely, when specific details do not correspond to each other between the first additional information 61 and the second additional information 63, such as stress, the computing device 100 converts the second heart rate variability 62 into the first heart rate variability ( 60) can be modified as if measured under the same conditions as those measured, and the modified second heart rate variability 62 can be connected to the first heart rate variability 60 to generate a combination variability 75. This process can be repeated until the combination variabilities 70, 75, and 79 for each detailed item satisfy the preset reference time t.
  • the computing device 100 may extract features for each detailed item of additional information from the heart rate variability generated by cumulative combination until a preset reference time (or reference length) is satisfied. For example, if the combination variabilities for sleep (70), the combination variabilities for stress (75), and the combination variabilities for exercise (79) satisfy the reference time t, the computing device 100 may generate the combination variabilities (70, 75, 79) Heart rate variability features such as SDRR, SDNN, etc. can be extracted through mathematical calculations for each. Additionally, the computing device 100 may extract features 80, 85, and 89 for sleep, stress, and exercise, respectively, through mathematical calculations on the extracted features. At this time, the mathematical calculation may be a task processed based on rules based on a specific formula, or it may be a task performed through a deep learning model that models mathematical operations.
  • a preset reference time or reference length
  • the computing device 100 extracts features for each detailed item of additional information from the new heart rate variability. can do. Then, the computing device 100 compares the features extracted from the cumulatively combined heart rate variability with the features extracted from the new heart rate variability until the reference time is satisfied, resulting in a prediction result for the health status of the person whose heart rate variability was measured. can be created. At this time, the prediction result for the health status may include diagnosis or prognosis prediction for various diseases, and a result of comprehensively determining the degree of deterioration of the health status based on this.
  • the computing device 100 can extract features for each detailed item such as sleep, stress, and exercise through mathematical calculations on the M heart rate variability 66. there is.
  • the computing device 100 includes features extracted from the combination variability, such as the first feature 80 for sleep, the second feature 85 for stress, and the third feature 89 for exercise, and the M heart rate variability ( 66), the extracted features can be compared with each other.
  • the comparison may include analyzing the change pattern or difference in the features extracted from the M heart rate variability 66 based on the features extracted from the combination variability. Through this comparison, the computing device 100 can predict the health status at the time the M heart rate variability 66 is measured and generate result data 90.
  • Figure 4 is a flowchart showing the process of generating a heart rate variability of a length suitable for analysis and extracting features from the generated long-term heart rate variability in an embodiment of the present disclosure.
  • the computing device 100 may acquire the first heart rate variability, which is the standard for heart rate variability analysis, and first additional information measured at a similar time point as the first heart rate variability. There is (S110). Additionally, the computing device 100 may acquire a second heart rate variability measured after the first heart rate variability is measured and second additional information measured at a similar time point as the second heart rate variability (S120). For example, when the first heart rate variability and the first additional information are measured through a wearable device, the computing device 100 may acquire the first heart rate variability and the first additional information through communication with the wearable device.
  • the computing device 100 measures the second heart rate variability and the second additional information through communication with the wearable device. It can be obtained. If the computing device 100 is separately equipped with a measuring unit for measuring heart rate variability and additional information, the computing device 100 may generate the heart rate variability and additional information through the measuring unit.
  • the computing device 100 may determine whether the detailed items of the first additional information and the detailed items of the second additional information match each other (S130). At this time, this judgment can be made individually for each detailed item. For example, if the first additional information and the second additional information include detailed items A, B, and C, the computing device 100 may determine whether the detailed items A, B, and C each match each other. there is.
  • the computing device 100 may combine the first heart rate variability and the second heart rate variability to generate a combined variogram for the specific detailed items determined to match each other (S133). At this time, the combination may include sequentially combining the first heart rate variability and the second heart rate variability according to the flow of time.
  • the computing device 100 may transform the second heart rate variability by inputting it into a pre-trained machine learning model (S135). At this time, transformation can be understood as an operation to correct the second heart rate variability into a form similar to the heart rate variability measured when specific details included in the first additional information are measured.
  • the computing device 100 may combine the second heart rate variability modified through the machine learning model with the first heart rate variability to generate a combined variability for specific detailed items determined to be inconsistent (S139). Through this process, the computing device 100 can generate a first combination variability, which is a set of combination variability for each detailed item of additional information (S140).
  • the computing device 100 may determine whether the combination variability satisfies the reference time (S150).
  • the reference time is a reference indicator for determining whether the combinational variability has been measured in sufficient time or length to perform analysis, and can be preset by the user. If the combined variability does not satisfy the reference time, the computing device 100 may additionally acquire the Nth heart rate variability and the Nth additional information (S160). However, step S150 does not necessarily need to be performed prior to step S160 as shown in FIG. 4, and in some cases, step S150 may be performed after step S160. Additionally, the computing device 100 may repeatedly perform the above-described process of combining the coincidence determination and heart rate variability.
  • the combination of heart rate variability can be understood as cumulatively combining the existing heart rate variability with the Nth heart rate variability or the Nth heart rate variability modified through a machine learning model.
  • steps S170 to S180 correspond to steps S130 to S140 described above, description thereof will be omitted.
  • the computing device 100 may extract features for each detailed item based on the heart rate variability combined to date (S190). For example, the computing device 100 may extract features for each of the detailed items A, B, and C by inputting the combined variability for each of the detailed items A, B, and C into a pre-trained neural network model.
  • the neural network model can be supervised to extract features corresponding to analysis indicators for each detailed item A, B, and C.
  • Analysis indicators for each of the detailed items A, B, and C may include stress index, stress resistance, autonomic nervous system balance, autonomic nervous system activity, fatigue, depression level, anxiety disorder level, etc., which can be extracted from the characteristics of heart rate variability. .
  • the computing device 100 Even if the heart rate variability acquired by the computing device 100 through this process is not suitable for analysis because it is not measured for a sufficient time, the computing device 100 continuously accumulates the heart rate variability over time and makes it suitable for analysis. You can use it. Therefore, users can conveniently measure and predict their health status regardless of the measurement duration. In addition, because the analysis uses accumulated values that reflect changes in a person's condition, the accuracy of the analysis can be increased compared to existing methods.
  • the computing device 100 when there is a gap of a predetermined time or more between the first heart rate variability and the second heart rate variability, the computing device 100 includes the first heart rate variability, first additional information, the second heart rate variability, and the pre-trained neural network model.
  • heart rate variability can be generated between the time of measuring the first heart rate variability and the time of measuring the second heart rate variability. For example, if the first heart rate variability is measured at 9 a.m. and the second heart rate variability is measured at 9 p.m., there is a 12-hour gap between the two, so even if the two are used in combination, they are not included in the analysis. There is a high possibility that the error will increase.
  • the computing device 100 uses the generative model to calculate the first heart rate variability measured at 9 a.m. and the second heart rate measured at 9 p.m. It is possible to generate simulated heart rate variability as measured at 3 PM between the variables. Specifically, if the first heart rate variability is measured under stress and the second heart rate variability is measured under no stress, the computing device 100 uses a generative model to reflect the trend of decreasing stress. Thus, a simulated heart rate variability as measured at 3 p.m. can be generated. Since the above-mentioned specific numerical values are only one example, the present disclosure is not limited thereto.
  • Figures 5 and 6 are flowcharts showing a method for improving the accuracy of feature extraction for heart rate variability according to an embodiment of the present disclosure.
  • the description of S210 and S220 will be replaced with the description of S110 and S120 described above.
  • the computing device 100 may select an item that does not correspond to an item corresponding to a detailed item of the first additional information in a detailed item of the second additional information. can be identified (S230). And, based on the identified result, the computing device 100 may combine the first heart rate variability and the second heart rate variability for each detailed item of additional information (S240). For example, the computing device 100 connects the first heart rate variability and the second heart rate variability to create a combination variability for the item identified as corresponding to the detailed item of the first additional information among the detailed items of the second additional information. can be created.
  • the computing device 100 inputs the second heart rate variability into a pre-trained machine learning model, and selects the second heart rate variability as an item identified as not corresponding to the detailed item of the first additional information among the detailed items of the second additional information. In this measured state, it can be transformed into a form similar to the measured heart rate variability.
  • the machine learning model may include sub-models that individually correspond to detailed items of additional information and modify the heart rate variability.
  • the computing device 100 inputs the second heart rate variability into a sub-model corresponding to a detailed item identified as not corresponding to a detailed item of the first additional information among the detailed items of the second additional information, thereby generating the second heart rate.
  • the variability may be transformed into a form similar to the heart rate variability measured while the first additional information is measured. Then, the computing device 100 connects the first heart rate variability and the modified second heart rate variability to create a combined variability for items identified as not corresponding to the detailed items of the first additional information among the detailed items of the second additional information. can be created.
  • the Nth heart rate variability measured at a different time point and the Nth additional information measured at a similar time point as the N heart rate variability are additionally acquired, and detailed items of the first additional information.
  • the computing device 100 may obtain the M heart rate variability measured after the cumulatively combined heart rate variability is generated until a reference time is satisfied, and extract features from the M heart rate variability. (S310). And, the computing device 100 compares the features extracted from the M heart rate variability with the features extracted from the heart rate variability generated by cumulative combination until the reference time is satisfied, and determines the health at the time of measuring the M heart rate variability.
  • the state can be predicted (S320). Since detailed information regarding steps S310 and S320 can be understood in detail through the contents of FIG. 5 described above, they will be omitted below.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치가 개시된다. 상기 방법은, 제 1 심박 변이도, 및 상기 제 1 심박 변이도와 유사 시점에 측정된 제 1 부가 정보를 획득하는 단계; 상기 제 1 심박 변이도와 상이한 시점에 측정된 제 2 심박 변이도, 및 상기 제 2 심박 변이도와 유사 시점에 측정된 제 2 부가 정보를 획득하는 단계; 상기 제 2 부가 정보의 세부 항목에서 상기 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하는 단계; 및 상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 단계를 포함할 수 있다.

Description

심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치
본 개시의 내용은 의료 분야의 데이터 처리 기술에 관한 것으로, 구체적으로 여러 차례 측정된 단기 심박 변이도를 활용하여, 심박 변이도의 특징 추출 및 추출된 특징에 기반한 예측의 정확도를 향상시키기 위한 방법에 관한 것이다.
심박 변이도(HRV: heart rate variability)란 자율 신경계의 정상적 상호작용에 의해 나타나는 생리적인 심박수 변동을 나타낸다. 즉, 심박 변이도는 시간에 따른 심박동의 주기적인 변화를 말한다. 심박 변이도를 분석하면, 자율 신경계의 활동을 정량화하고 여러 상황에서의 생리적 반응에 대한 정보를 얻을 수 있다.
자율 신경계는 장기 기능과 물질대사를 조절하고 체내 혹은 외적인 환경 요인의 변화에 대하여 적절한 균형을 도모함으로써 생명 유지 활동 및 체내 항상성을 유지시켜주는 신경계이다. 자율 신경계는 정신신체질환과 스트레스성 질환에 관여한다. 환경적 스트레스가 인체에 미치는 영향을 평가하기 위해서는 자율 신경계의 상태를 평가하는 것이 중요하다.
현대인의 고질병이라고 불리우며 만병의 근원으로도 알려진 스트레스성 질환은 만성화 될 경우 다양한 신체 질환과 면역력 저하를 부를 뿐만 아니라 공황장애와 같은 정신건강 문제의 도화선이 되기도 한다.
최근 코로나19 팬데믹을 겪으며 바깥 활동을 포함한 여러 사회적 활동에 제약이 생기면서, 소아 연령층에 대한 스트레스성 질환 문제도 그 심각성과 함께 대두되고 있다. 어른들과 다르게 스트레스를 받아도 표현할 수 있는 능력이 떨어지기 때문에, 스트레스에 더 취약할 수 밖에 없는 소아층에 대한 관심과 대처가 시급한 상황이다.
심박 변이도는 비침습적이고 비교적 간단한 방법으로 측정 가능한데다 자율신경들의 활동에 대한 많은 정보를 제공하여 여러가지 질환을 진단하는데 중요한 정보를 얻을 수 있기 때문에 임상적 가치가 높다.
심박 변이도 검사는 이러한 심박 변이도의 변화를 임상에서 가장 효율적으로 측정할 수 있는 측정 방법이며 단기분석은 5분, 장기분석은 24시간을 측정한다.
검사를 진행할 때는 편안한 상태에서 움직임을 최소화하여 입력 신호에 노이즈가 과하게 들어가지 않도록 해야 한다. 깨끗한 심장신호가 입력되지 않으면, 분석결과의 정확도가 떨어지거나 아예 분석 자체가 불가능하기 때문이다. 또한, 통용되는 단기분석의 경우 최소 5분이라는 측정 지속시간을 준수하여야 분석 가능하다. 이러한 상황은 사용자에 긴장감(보통 병원이나 건강검진센터와 같은 기관에서 정확도 높은 검사가 가능한데, 익숙하지 않은 환경에서의 긴장 혹은 측정하는 동안 최대한 몸을 움직이지 말아야 한다는 부담감 등)을 유발할 수 있다. 또한, 노약자, 어린이, 환자와 같이 일정 시간동안 움직이지 않고 가만히 측정에 임하기 힘든 경우는 더욱이 정확도 높은 심박 변이도를 측정하기에 어려움이 있다.
따라서, 측정 지속시간에 구애 받지 않고 편하게 측정이 가능하면서도 높은 정확성을 띄는 심박 변이도 결과값 도출 방법에 대해 제안하고자 한다.
본 개시는 심장 신호로부터 추출되는 심박 변이도를 분석에 적합한 길이에 맞추어 생성하고 이를 특징 추출에 활용함으로써, 특징 추출의 정확도를 향상시키는 방법을 제공하는 것을 목적으로 한다.
다만, 본 개시에서 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재를 근거로 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는, 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법이 개시된다. 상기 방법은, 제 1 심박 변이도, 및 상기 제 1 심박 변이도와 유사 시점에 측정된 제 1 부가 정보를 획득하는 단계; 상기 제 1 심박 변이도와 상이한 시점에 측정된 제 2 심박 변이도, 및 상기 제 2 심박 변이도와 유사 시점에 측정된 제 2 부가 정보를 획득하는 단계; 상기 제 2 부가 정보의 세부 항목에서 상기 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하는 단계; 및 상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 단계를 포함할 수 있다.
대안적으로, 상기 제 1 부가 정보의 세부 항목 또는 상기 제 2 부가 정보의 세부 항목은, 상기 제 1 심박 변이도 또는 상기 제 2 심박 변이도를 측정하는 사람의 위치 정보, 수면 시간, 걸음 수, 운동 여부, 일어서기 시간, 스트레스 여부, 업무 시간 또는 주변 환경의 소리 레벨 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 단계는, 상기 제 1 심박 변이도와 상기 제 2 심박 변이도를 연결(concatenation)하여, 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되는 것으로 식별된 항목에 대한 조합 변이도를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 단계는, 상기 제 2 심박 변이도를 사전 학습된 머신러닝 모델에 입력하여, 상기 제 2 심박 변이도를 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 항목이 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 변형하는 단계; 및 상기 제 1 심박 변이도와 상기 변형된 제 2 심박 변이도를 연결하여, 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 항목에 대한 조합 변이도를 생성하는 단계를 포함할 수 있다.
대안적으로, 상기 머신러닝 모델은, 부가 정보의 세부 항목에 개별적으로 대응되어, 심박 변이도를 변형시키는 서브 모델들을 포함할 수 있다.
대안적으로, 상기 제 2 심박 변이도를 사전 학습된 머신러닝 모델에 입력하여, 상기 제 2 심박 변이도를 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 항목이 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 변형하는 단계는, 상기 제 2 심박 변이도를 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 세부 항목에 대응되는 서브 모델에 입력하여, 상기 제 2 심박 변이도를 상기 제 1 부가 정보가 측정된 환경에서 측정된 심박 변이도와 유사한 형태로 변형하는 단계를 포함할 수 있다.
대안적으로, 조합된 심박 변이도가 기준 시간을 만족할 때까지, 추가적으로 상이한 시점에 측정된 제 N 심박 변이도 및 상기 제 N 심박 변이도와 유사 시점에 측정된 제 N 부가 정보를 획득하고, 상기 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하여, 심박 변이도를 부가 정보의 세부 항목 별로 누적적으로 조합하는 과정이 반복 수행될 수 있다.
대안적으로, 상기 방법은, 상기 기준 시간을 만족할 때까지 누적적으로 조합되어 생성된 심박 변이도에서 상기 부가 정보의 세부 항목 별 특징을 추출하는 단계를 더 포함할 수 있다.
대안적으로, 상기 방법은, 상기 기준 시간을 만족할 때까지 누적적으로 조합된 심박 변이도가 생성된 이후 측정된 제 M 심박 변이도를 획득하고, 상기 제 M 심박 변이도에서 특징을 추출하는 단계; 및 상기 제 M 심박 변이도에서 추출된 특징과 상기 기준 시간을 만족할 때까지 누적적으로 조합되어 생성된 심박 변이도에서 추출된 특징을 비교하여, 상기 제 M 심박 변이도를 측정했을 시점의 건강 상태를 예측하는 단계를 더 포함할 수 있다.
대안적으로, 상기 방법은, 상기 제 1 심박 변이도와 상기 제 2 심박 변이도 사이에 소정의 시간 이상 공백이 존재하는 경우, 사전 학습된 신경망 모델에 상기 제 1 심박 변이도, 상기 제 1 부가 정보, 상기 제 2 심박 변이도 및 상기 제 2 부가 정보를 입력하여, 상기 제 1 심박 변이도의 측정 시점과 상기 제 2 심박 변이도의 측정 시점 사이의 심박 변이도를 생성하는 단계를 더 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램(program)이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 심박 변이도에 대한 특징 추출의 정확도를 향상시키기 위한 동작들을 수행하도록 한다. 이때, 상기 동작들은, 제 1 심박 변이도, 및 상기 제 1 심박 변이도와 유사 시점에 측정된 제 1 부가 정보를 획득하는 동작; 상기 제 1 심박 변이도와 상이한 시점에 측정된 제 2 심박 변이도, 및 상기 제 2 심박 변이도와 유사 시점에 측정된 제 2 부가 정보를 획득하는 동작; 상기 제 2 부가 정보의 세부 항목에서 상기 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하는 동작; 및 상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라, 심박 변이도에 대한 특징 추출의 정확도를 향상시키기 위한 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어(core)를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및 심장 신호 또는 심박 변이도를 획득하기 위한 네트워크부(network unit)를 포함할 수 있다. 이때, 상기 프로세서는, 제 1 심박 변이도와 상이한 시점에 측정된 제 2 심박 변이도와 유사 시점에 측정된 제 2 부가 정보의 세부 항목에서 상기 제 1 심박 변이도와 유사 시점에 측정된 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하고, 상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합할 수 있다.
본 개시의 방법에 따르면, 시공간의 제약없이 사용자가 원하는 때와 장소에서 측정시간의 길이에 관계없이 측정하고 싶은 만큼의 시간동안 웨어러블 디바이스를 통해 간편하게 심박 변이도의 측정이 가능하게 되므로, 측정의 용이함과 편리함을 증가시킬 수 있다.
또한, 새로운 입력이 들어올 때마다 이전 측정했던 결과의 누적 값을 함께 반영하여 심박 변이도의 특징을 분석할 수 있으므로, 측정 시간이 서로 다른 입력을 획득하더라도 분석이 가능하고, 심박 변이도의 분석(또는 특징 추출) 정확도를 높일 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따라 분석에 적합한 길이의 심박 변이도를 생성하는 과정을 나타낸 블록도이다.
도 3은 본 개시의 일 실시예에 따른 분석에 적합한 길이의 심박 변이도를 생성하고, 생성된 심박 변이도를 기초로 건강 상태를 예측하는 과정을 나타낸 개념도이다.
도 4 는 본 개시의 일 실시예에 분석에 적합한 길이의 심박 변이도를 생성하고, 생성된 심박 변이도로부터 특징을 추출하는 과정을 나타낸 순서도이다.
도 5 및 도 6은 본 개시의 일 실시예에 따른 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법을 나타낸 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 개시의 기술 분야에서 통상의 지식을 가진 자(이하, 당업자)가 용이하게 실시할 수 있도록 본 개시의 실시예가 상세히 설명된다. 본 개시에서 제시된 실시예들은 당업자가 본 개시의 내용을 이용하거나 또는 실시할 수 있도록 제공된다. 따라서, 본 개시의 실시예들에 대한 다양한 변형들은 당업자에게 명백할 것이다. 즉, 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며, 이하의 실시예에 한정되지 않는다.
본 개시의 명세서 전체에 걸쳐 동일하거나 유사한 도면 부호는 동일하거나 유사한 구성요소를 지칭한다. 또한, 본 개시를 명확하게 설명하기 위해서, 도면에서 본 개시에 대한 설명과 관계없는 부분의 도면 부호는 생략될 수 있다.
본 개시에서 사용되는 "또는" 이라는 용어는 배타적 "또는" 이 아니라 내포적 "또는" 을 의미하는 것으로 의도된다. 즉, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 이해되어야 한다. 예를 들어, 본 개시에서 달리 특정되지 않거나 문맥상 그 의미가 명확하지 않은 경우, "X는 A 또는 B를 이용한다" 는 X가 A를 이용하거나, X가 B를 이용하거나, 혹은 X가 A 및 B 모두를 이용하는 경우 중 어느 하나로 해석될 수 있다.
본 개시에서 사용되는 "및/또는" 이라는 용어는 열거된 관련 개념들 중 하나 이상의 개념의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 "포함한다" 및/또는 "포함하는" 이라는 용어는, 특정 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는" 이라는 용어는, 하나 이상의 다른 특징, 다른 구성요소 및/또는 이들에 대한 조합의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 단수는 일반적으로 "하나 또는 그 이상" 을 포함할 수 있는 것으로 해석되어야 한다.
본 개시에서 사용되는 "제 N(N은 자연수)" 이라는 용어는 본 개시의 구성요소들을 기능적 관점, 구조적 관점, 혹은 설명의 편의 등 소정의 기준에 따라 상호 구별하기 위해 사용되는 표현으로 이해될 수 있다. 예를 들어, 본 개시에서 서로 다른 기능적 역할을 수행하는 구성요소들은 제 1 구성요소 혹은 제 2 구성요소로 구별될 수 있다. 다만, 본 개시의 기술적 사상 내에서 실질적으로 동일하나 설명의 편의를 위해 구분되어야 하는 구성요소들도 제 1 구성요소 혹은 제 2 구성요소로 구별될 수도 있다.
본 개시에서 사용되는 "획득" 이라는 용어는, 외부 장치 혹은 시스템과의 유무선 통신 네트워크를 통해 데이터를 수신하는 것 뿐만 아니라, 온-디바이스(on-device) 형태로 데이터를 생성하는 것을 의미하는 것으로 이해될 수 있다.
한편, 본 개시에서 사용되는 용어 "모듈(module)", 또는 "부(unit)" 는 컴퓨터 관련 엔티티(entity), 펌웨어(firmware), 소프트웨어(software) 혹은 그 일부, 하드웨어(hardware) 혹은 그 일부, 소프트웨어와 하드웨어의 조합 등과 같이 컴퓨팅 자원을 처리하는 독립적인 기능 단위를 지칭하는 용어로 이해될 수 있다. 이때, "모듈", 또는 "부"는 단일 요소로 구성된 단위일 수도 있고, 복수의 요소들의 조합 혹은 집합으로 표현되는 단위일 수도 있다. 예를 들어, 협의의 개념으로서 "모듈", 또는 "부"는 컴퓨팅 장치의 하드웨어 요소 또는 그 집합, 소프트웨어의 특정 기능을 수행하는 응용 프로그램, 소프트웨어 실행을 통해 구현되는 처리 과정(procedure), 또는 프로그램 실행을 위한 명령어 집합 등을 지칭할 수 있다. 또한, 광의의 개념으로서 "모듈", 또는 "부"는 시스템을 구성하는 컴퓨팅 장치 그 자체, 또는 컴퓨팅 장치에서 실행되는 애플리케이션 등을 지칭할 수 있다. 다만, 상술한 개념은 하나의 예시일 뿐이므로, "모듈", 또는 "부"의 개념은 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 정의될 수 있다.
본 개시에서 사용되는 "모델(model)" 이라는 용어는 특정 문제를 해결하기 위해 수학적 개념과 언어를 사용하여 구현되는 시스템, 특정 문제를 해결하기 위한 소프트웨어 단위의 집합, 혹은 특정 문제를 해결하기 위한 처리 과정에 관한 추상화 모형으로 이해될 수 있다. 예를 들어, 신경망(neural network) "모델" 은 학습을 통해 문제 해결 능력을 갖는 신경망으로 구현되는 시스템 전반을 지칭할 수 있다. 이때, 신경망은 노드(node) 혹은 뉴런(neuron)을 연결하는 파라미터(parameter)를 학습을 통해 최적화하여 문제 해결 능력을 가질 수 있다. 신경망 "모델" 은 단일 신경망을 포함할 수도 있고, 복수의 신경망들이 조합된 신경망 집합을 포함할 수도 있다.
전술한 용어의 설명은 본 개시의 이해를 돕기 위한 것이다. 따라서, 전술한 용어를 본 개시의 내용을 한정하는 사항으로 명시적으로 기재하지 않은 경우, 본 개시의 내용을 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 데이터의 종합적인 처리 및 연산을 수행하는 하드웨어 장치 혹은 하드웨어 장치의 일부일 수도 있고, 통신 네트워크로 연결되는 소프트웨어 기반의 컴퓨팅 환경일 수도 있다. 예를 들어, 컴퓨팅 장치(100)는 집약적 데이터 처리 기능을 수행하고 자원을 공유하는 주체인 서버일 수도 있고, 서버와의 상호 작용을 통해 자원을 공유하는 클라이언트(client)일 수도 있다. 또한, 컴퓨팅 장치(100)는 복수의 서버들 및 클라이언트들이 상호 작용하여 데이터를 종합적으로 처리하는 클라우드 시스템(cloud system)일 수도 있다. 상술한 기재는 컴퓨팅 장치(100)의 종류와 관련된 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 1을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 프로세서(processor)(110), 메모리(memory)(120), 및 네트워크부(network unit)(130)를 포함할 수 있다. 다만, 도 1은 하나의 예시일 뿐이므로, 컴퓨팅 장치(100)는 컴퓨팅 환경을 구현하기 위한 다른 구성들을 포함할 수 있다. 또한, 상기 개시된 구성들 중 일부만이 컴퓨팅 장치(100)에 포함될 수도 있다.
본 개시의 일 실시예에 따른 프로세서(110)는 컴퓨팅 연산을 수행하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 예를 들어, 프로세서(110)는 컴퓨터 프로그램을 판독하여 기계 학습을 위한 데이터 처리를 수행할 수 있다. 프로세서(110)는 기계 학습을 위한 입력 데이터의 처리, 기계 학습을 위한 특징 추출, 역전파(backpropagation)에 기반한 오차 계산 등과 같은 연산 과정을 처리할 수 있다. 이와 같은 데이터 처리를 수행하기 위한 프로세서(110)는 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit), 주문형 반도체(ASIC: application specific integrated circuit), 혹은 필드 프로그래머블 게이트 어레이(FPGA: field programmable gate array) 등을 포함할 수 있다. 상술한 프로세서(110)의 종류는 하나의 예시일 뿐이므로, 프로세서(110)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
프로세서(110)는 심장 신호를 기초로 심박 변이도를 산출할 수 있다. 심박 변이도는 심장 박동 간 간격을 나열해 놓은 값들의 집합이므로, 프로세서(110)는 시간 영역 혹은 주파수 영역에서 심장 박동 간 간격을 계산하여 심박 변이도를 도출할 수 있다. 이때, 심장 신호는 심장의 활동이나 상태 등을 나타내는 신호로 이해될 수 있다. 예를 들어, 심장 신호는 12유도 심전도, 홀터(holter) 심전도, 또는 광용적맥파(PPG: photoplethysmography) 등을 포함할 수 있다. 그리고, 시간 영역을 기준으로, 프로세서(110)는 이러한 심장 신호의 피크 간 간격을 계산하여 심박 변이도를 생성할 수 있다.
프로세서(110)는 심박 변이도를 누적적으로 조합하여 기준 시간을 만족하는 심박 변이도를 생성할 수 있다. 이때, 기준 시간은 사용 목적에 맞추어 설정된 시간일 수도 있고, 임상적 연구를 토대로 심박 변이도 분석의 최적 표준(gold-standard)에 해당하는 시간일 수도 있다. 의료 환경이 아닌 경우, 심장 신호는 측정 환경 혹은 측정자에 따라 다양한 길이로 측정될 수 있으므로, 심장 신호로부터 심박 변이도를 추출하더라도 분석에 적합한 길이로 추출되기 어려울 수 있다. 따라서, 심박 변이도의 분석 정확도를 높이기 위해서, 프로세서(110)는 연속해서 측정된 심박 변이도를 순차적으로 조합해서 기준 시간을 만족하는 심박 변이도를 생성할 수 있다.
프로세서(110)는 기준 시간을 만족하는 심박 변이도로부터 특징을 추출할 수 있다. 예를 들어, 프로세서(110)는 기준 시간을 만족하는 심박 변이도에 포함된 값들에 대한 수학적 연산을 통해 SDRR(standard deviation of RR interval), mean RR, SDNN(standard deviation of all NN intervals), RMSSD(root mean square of the successive differences), LF(power in low frequency range), 또는 HF(power in high frequency range) 등과 같은 심박 변이도의 특징을 산출할 수 있다. 그리고, 프로세서(110)는 이러한 특징을 토대로 스트레스 지수, 스트레스 저항도, 자율신경 균형도, 자율신경 활성도, 피로도, 우울증 정도, 또는 불안장애 정도 등과 같이 건강 상태의 진단 혹은 예측에 필요한 값을 도출할 수 있다.
기준 시간을 만족하는 심박 변이도가 생성된 이후 심장 신호가 측정되어 신규 심박 변이도가 산출된 경우, 프로세서(110)는 신규 심박 변이도로부터 특징을 추출할 수 있다. 그리고, 프로세서(110)는 신규 심박 변이도로부터 추출된 특징과 기준 시간을 만족하는 심박 변이도로부터 추출된 특징을 비교하여 신규 심박 변이도를 산출한 시점의 건강 상태를 예측할 수 있다. 예를 들어, 프로세서(110)는 신규 심박 변이도로부터 추출된 특징과 기준 시간을 만족하는 심박 변이도를 사전 학습된 딥러닝 모델에 입력하여, 심박 변이도의 특징과 매칭되는 건강 상태를 나타내는 지표 별 변화 혹은 차이를 파악할 수 있다. 그리고, 프로세서(110)는 파악된 지표 별 변화 혹은 차이를 기초로, 신규 심박 변이도가 측정된 시점의 건강 상태에 대한 예측 결과를 생성할 수 있다.
본 개시의 일 실시예에 따른 메모리(120)는 컴퓨팅 장치(100)에서 처리되는 데이터를 저장하고 관리하기 위한 하드웨어 및/또는 소프트웨어를 포함하는 구성 단위로 이해될 수 있다. 즉, 메모리(120)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 데이터 및 네트워크부(130)가 수신한 임의의 형태의 데이터를 저장할 수 있다. 예를 들어, 메모리(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리, 램(RAM: random access memory), 에스램(SRAM: static random access memory), 롬(ROM: read-only memory), 이이피롬(EEPROM: electrically erasable programmable read-only memory), 피롬(PROM: programmable read-only memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 메모리(120)는 데이터를 소정의 체제로 통제하여 관리하는 데이터베이스(database) 시스템을 포함할 수도 있다. 상술한 메모리(120)의 종류는 하나의 예시일 뿐이므로, 메모리(120)의 종류는 본 개시의 내용을 기초로 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
메모리(120)는 프로세서(110)가 연산을 수행하는데 필요한 데이터, 데이터의 조합, 및 프로세서(110)에서 실행 가능한 프로그램 코드(code) 등을 구조화 및 조직화 하여 관리할 수 있다. 예를 들어, 메모리(120)는 후술할 네트워크부(130)를 통해 수신된 의료 데이터를 저장할 수 있다. 메모리(120)는 신경망 모델이 의료 데이터를 입력받아 학습을 수행하도록 동작시키는 프로그램 코드, 신경망 모델이 의료 데이터를 입력받아 컴퓨팅 장치(100)의 사용 목적에 맞춰 추론을 수행하도록 동작시키는 프로그램 코드, 및 프로그램 코드가 실행됨에 따라 생성된 가공 데이터 등을 저장할 수 있다.
본 개시의 일 실시예에 따른 네트워크부(130)는 임의의 형태의 공지된 유무선 통신 시스템을 통해 데이터를 송수신하는 구성 단위로 이해될 수 있다. 예를 들어, 네트워크부(130)는 근거리 통신망(LAN: local area network), 광대역 부호 분할 다중 접속(WCDMA: wideband code division multiple access), 엘티이(LTE: long term evolution), 와이브로(WiBro: wireless broadband internet), 5세대 이동통신(5G), 초광역대 무선통신(ultra wide-band), 지그비(ZigBee), 무선주파수(RF: radio frequency) 통신, 무선랜(wireless LAN), 와이파이(wireless fidelity), 근거리 무선통신(NFC: near field communication), 또는 블루투스(Bluetooth) 등과 같은 유무선 통신 시스템을 사용하여 데이터 송수신을 수행할 수 있다. 상술한 통신 시스템들은 하나의 예시일 뿐이므로, 네트워크부(130)의 데이터 송수신을 위한 유무선 통신 시스템은 상술한 예시 이외에 다양하게 적용될 수 있다.
네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)가 연산을 수행하는데 필요한 데이터를 수신할 수 있다. 또한, 네트워크부(130)는 임의의 시스템 혹은 임의의 클라이언트 등과의 유무선 통신을 통해, 프로세서(110)의 연산을 통해 생성된 데이터를 송신할 수 있다. 예를 들어, 네트워크부(130)는 병원 환경 내 데이터베이스, 의료 데이터의 표준화 등의 작업을 수행하는 클라우드 서버, 스마트 워치와 같은 클라이언트 혹은 의료 컴퓨팅 장치 등과의 통신을 통해 의료 데이터를 수신할 수 있다. 네트워크부(130)는 전술한 데이터베이스, 서버, 클라이언트 혹은 컴퓨팅 장치 등과의 통신을 통해, 신경망 모델의 출력 데이터, 및 프로세서(110)의 연산 과정에서 도출되는 중간 데이터, 가공 데이터 등을 송신할 수 있다.
도 2는 본 개시의 일 실시예에 따라 분석에 적합한 길이의 심박 변이도를 생성하는 과정을 나타낸 블록도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심박 변이도 및 심박 변이도와 유사 시점에 측정된 부가 정보를 지속적으로 획득할 수 있다. 이때, 심박 변이도는 컴퓨팅 장치(100)가 지속적으로 획득하는 심장 신호로부터 생성한 데이터일 수 있다. 심박 변이도와 유사 시점에 측정된 부가 정보는 지속적으로 획득하는 심장 신호와 동일 시점 혹은 전후 소정의 오차 범위 내 시점에 측정되어 컴퓨팅 장치(100)가 수신한 데이터일 수 있다.
예를 들어, 도 2를 참조하면, 제 1 시점에 웨어러블 디바이스를 통해 심장 신호가 측정되면, 컴퓨팅 장치(100)는 웨어러블 디바이스와 통신을 통해 제 1 시점에 측정된 심장 신호를 획득하고, 이로부터 제 1 심박 변이도(10)를 생성할 수 있다. 그리고, 컴퓨팅 장치(100)는 제 1 시점과 유사 시점에 웨어러블 디바이스를 통해 함께 측정된 제 1 부가 정보(15)를 웨어러블 디바이스와 통신을 통해 획득할 수 있다. 제 1 시점 이후 제 2 시점이 되어 웨어러블 디바이스를 통해 심장 신호가 추가 측정되면, 컴퓨팅 장치(100)는 웨어러블 디바이스와 통신을 통해 제 2 시점에 측정된 심장 신호를 획득하고, 이로부터 제 2 심박 변이도(20)를 생성할 수 있다. 그리고, 컴퓨팅 장치(100)는 제 2 시점과 유사 시점에 웨어러블 디바이스를 통해 함께 측정된 제 2 부가 정보(25)를 웨어러블 디바이스와 통신을 통해 획득할 수 있다.
한편, 컴퓨팅 장치(100)가 수신하는 부가 정보는 심박 변이도를 측정하는 과정에서 획득 가능한 헬스 케어 정보를 포함할 수 있다. 예를 들어, 부가 정보는 심박 변이도를 측정하는 사람의 위치 정보, 수면 시간, 걸음 수, 운동 여부, 일어서기 시간, 스트레스 여부, 업무 시간 또는 주변 환경의 소리 레벨 중 적어도 하나를 세부 항목으로 포함할 수 있다. 각 부가 정보의 세부 항목들은 컴퓨팅 장치(100)가 지속적으로 획득되는 심박 변이도를 조합하고 사람의 건강 상태를 예측하기 위해 사용하는 지표로 활용될 수 있다.
컴퓨팅 장치(100)는 지속적으로 획득된 심박 변이도들 및 부가 정보를 기초로, 심박 변이도들을 누적적으로 조합할 수 있다. 컴퓨팅 장치(100)는 조합된 심박 변이도가 기준 시간을 만족할 때까지 심박 변이도들의 누적적 조합을 반복 수행할 수 있다. 이때, 심박 변이도들을 누적적으로 조합하기 위해서, 컴퓨팅 장치(100)는 지속적으로 획득된 부가 정보의 세부 항목이 상호 대응되는지를 확인하고, 대응되는 항목과 대응되지 않는 항목을 식별할 수 있다. 그리고, 컴퓨팅 장치(100)는 식별된 결과를 기초로, 심박 변이도들을 부가 정보의 세부 항목 별로 조합할 수 있다.
예를 들어, 도 2에는 개시되지 않았으나, 컴퓨팅 장치(100)는 제 2 부가 정보(25)의 세부 항목에서 제 1 부가 정보(15)의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별할 수 있다. 이때, 세부 항목이 대응된다는 것은 세부 항목이 상호 간에 일치 혹은 오차 범위 내에서 유사하다고 판단되는 것으로 이해될 수 있다. 컴퓨팅 장치(100)는 상호 대응되는 것으로 식별된 항목에 대해서는 제 1 심박 변이도(10)와 제 2 심박 변이도(20)를 시간 순서에 맞추어 결합하여 조합 변이도를 생성할 수 있다. 컴퓨팅 장치(100)는 상호 대응되지 않는 것으로 식별된 항목에 대해서는 제 2 심박 변이도(20)를 사전 학습된 머신러닝 모델(200)에 입력하여 변형한 뒤, 제 1 심박 변이도(10)와 시간 순서에 맞추어 결합하여 조합 변이도를 생성할 수 있다. 컴퓨팅 장치(100)는 이와 같이 부가 정보의 세부 항목 별로 대응 여부에 따라 조합 변이도를 생성하여 제 1 조합 변이도(30)를 생성할 수 있다. 그리고, 제 1 조합 변이도(30)가 생성된 이후 제 N 심박 변이도(40)와 제 N 부가 정보(45)가 획득되면, 컴퓨팅 장치(100)는 제 N 부가 정보(45)의 세부 항목에서 제 1 부가 정보(15)의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별할 수 있다. 컴퓨팅 장치(100)는 상호 대응되는 것으로 식별된 항목에 대해서는 제 N 심박 변이도(40)와 제 1 조합 변이도(30)를 시간 순서에 맞추어 결합하여 조합 변이도를 생성할 수 있다. 컴퓨팅 장치(100)는 상호 대응되지 않는 것으로 식별된 항목에 대해서는 제 N 심박 변이도(40)를 사전 학습된 머신러닝 모델(200)에 입력하여 변형한 뒤, 제 1 조합 변이도(30)와 시간 순서에 맞추어 결합하여 조합 변이도를 생성할 수 있다. 컴퓨팅 장치(100)는 이와 같이 부가 정보의 세부 항목 별로 대응 여부에 따라 누적적으로 조합 변이도를 생성하여 제 N 조합 변이도(30)를 생성할 수 있다.
구체적으로 살펴보면, 제 2 부가 정보(25)의 세부 항목 A가 제 1 부가 정보(15)의 세부 항목 A에 대응되는 경우, 컴퓨팅 장치(100)는 제 1 심박 변이도(10)와 제 2 심박 변이도(20)를 연결(concatenation)하여, 세부 항목 A에 대한 조합 변이도를 생성할 수 있다. 제 2 부가 정보(25)의 세부 항목 B가 제 1 부가 정보(15)의 세부 항목 B에 대응되지 않는 경우, 도 2와 같이 컴퓨팅 장치(100)는 제 2 심박 변이도(20)를 사전 학습된 머신러닝 모델(200)에 입력하여, 제 1 부가 정보(15)의 세부 항목 B가 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 제 2 심박 변이도(20)를 변형할 수 있다. 그리고, 컴퓨팅 장치(100)는 제 1 심박 변이도(10)와 변형된 제 2 심박 변이도를 연결하여 세부 항목 B에 대한 조합 변이도를 생성할 수 있다. 컴퓨팅 장치(100)는 세부 항목 A에 대한 조합 변이도 및 세부 항목 B에 대한 조합 변이도를 포함하는 제 1 조합 변이도(30)를 생성할 수 있다. 상술한 과정은 제 N 심박 변이도(40)와 제 N 부가 정보(45)가 입력되면, 제 N 조합 변이도(50)가 기준 시간을 만족할 때까지 반복 수행될 수 있다. 이때, 제 N 조합 변이도는 기존 조합 변이도에 신규 입력된 제 N 심박 변이도(40) 혹은 머신러닝 모델(200)을 통해 변형된 제 N 심박 변이도가 누적적으로 연결됨으로써 생성될 수 있다.
한편, 머신러닝 모델(200)은 부가 정보의 세부 항목에 개별적으로 대응되어, 심박 변이도를 변형시키는 서브 모델들을 포함할 수 있다. 예를 들어, 머신러닝 모델(200)은 부가 정보의 세부 항목인 스트레스 여부에 대응되는 제 1 서브 모델, 부가 정보의 세부 항목인 운동 여부에 대응되는 제 2 서브 모델 등과 같이 부가 정보의 세부 항목 각각을 기준으로 심박 변이도를 변형시키는 서브 모델들을 포함할 수 있다. 이때, 서브 모델들 각각은 특정 상태에서 측정된 심박 변이도를 입력받아 특정 상태에서 측정된 심박 변이도가 다른 상태에서 측정된 것과 같은 형태로 변형시키는 생성형 모델일 수 있다. 예를 들어, 제 1 심박 변이도(10)는 스트레스가 있는 상태에서 측정되었고, 제 2 심박 변이도(20)는 스트레스가 없는 상태에서 측정된 경우, 스트레스 여부에 대응되는 제 1 서브 모델은 제 2 심박 변이도(20)를 입력받아 스트레스가 있는 상태에서 측정된 심박 변이도와 같은 형태로 제 2 심박 변이도(20)를 변형할 수 있다. 이때, 제 1 서브 모델은 제 2 심박 변이도(20)와 함께 제 1 부가 정보(15)의 수면 항목에 대한 정보를 입력받을 수 있다. 다시 말해서, 컴퓨팅 장치(100)는 제 2 심박 변이도(20)를 제 2 부가 정보(25)의 세부 항목 중에서 제 1 부가 정보(15)의 세부 항목에 대응되지 않는 것으로 식별된 세부 항목에 대응되는 서브 모델에 입력하여, 제 2 심박 변이도(20)를 제 1 부가 정보(15)가 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 변형할 수 있다. 이와 같이 각 세부 항목 별로 대응되는 서브 모델들은 심박 변이도를 세부 항목 별로 기준이 되는 상태에 맞추어 변형할 수 있다.
도 3은 본 개시의 일 실시예에 따른 분석에 적합한 길이의 심박 변이도를 생성하고, 생성된 장기 심박 변이도를 기초로 건강 상태를 예측하는 과정을 나타낸 개념도이다.
본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 시간이 경과함에 따라 측정되는 심박 변이도와 그에 대응되는 부가 정보를 순차적으로 획득하여 부가 정보의 세부 항목 별로 심박 변이도를 누적 결합할 수 있다. 이때, 누적 결합은 사전 설정된 기준 시간(또는 기준 길이)을 만족할 때까지 반복 수행될 수 있다. 예를 들어, 도 3과 같이 제 1 심박 변이도(60), 제 1 부가 정보(61), 제 2 심박 변이도(62), 제 2 부가 정보(63)가 획득되면, 컴퓨팅 장치(100)는 수면, 스트레스, 운동 등과 같은 제 1 부가 정보(61)와 제 2 부가 정보(63)에 포함된 세부 항목 별로 제 1 심박 변이도(60)와 제 2 심박 변이도(62)를 결합할 수 있다. 이때, 수면, 운동과 같이 제 1 부가 정보(61)와 제 2 부가 정보(63) 간에 특정 세부 항목이 상호 대응되는 경우, 컴퓨팅 장치(100)는 제 1 심박 변이도(60)에 제 2 심박 변이도(62)를 그대로 연결하여 조합 변이도(70, 79)를 생성할 수 있다. 반대로, 스트레스와 같이 제 1 부가 정보(61)와 제 2 부가 정보(63) 간에 특정 세부 항목이 상호 대응되지 않는 경우, 컴퓨팅 장치(100)는 제 2 심박 변이도(62)를 제 1 심박 변이도(60)가 측정된 것과 같은 조건에서 측정된 것처럼 변형하고, 제 1 심박 변이도(60)에 변형된 제 2 심박 변이도(62)를 연결하여 조합 변이도(75)를 생성할 수 있다. 이러한 과정은 각 세부 항목 별 조합 변이도들(70, 75, 79)이 사전 설정된 기준 시간 t를 만족할 때까지 반복 수행될 수 있다.
컴퓨팅 장치(100)는 사전 설정된 기준 시간(또는 기준 길이)를 만족할 때까지 누적적으로 조합되어 생성된 심박 변이도에서, 부가 정보의 세부 항목 별 특징을 추출할 수 있다. 예를 들어, 수면에 대한 조합 변이도(70), 스트레스에 대한 조합 변이도(75), 운동에 대한 조합 변이도(79)가 기준 시간 t를 만족하면, 컴퓨팅 장치(100)는 조합 변이도들(70, 75, 79) 각각에 대한 수학적 계산을 통해 SDRR, SDNN 등과 같은 심박 변이도의 특징을 추출할 수 있다. 그리고, 컴퓨팅 장치(100)는 추출된 특징에 대한 수학적 계산을 통해 수면, 스트레스, 운동 각각에 대한 특징(80, 85, 89)을 추출할 수 있다. 이때, 수학적 계산은 특정 수식을 기초로 룰 기반으로 처리되는 작업일 수도 있고, 수학적 연산을 모델링 하는 딥러닝 모델을 통해 수행되는 작업일 수도 있다.
사전 설정된 기준 시간(또는 기준 길이)를 만족할 때까지 누적적으로 조합된 심박 변이도가 생성된 이후 새로운 심박 변이도가 획득되면, 컴퓨팅 장치(100)는 새로운 심박 변이도로부터 부가 정보의 세부 항목 별 특징을 추출할 수 있다. 그리고, 컴퓨팅 장치(100)는 기준 시간을 만족할 때까지 누적적으로 조합된 심박 변이도로부터 추출된 특징과 새로운 심박 변이도로부터 추출된 특징을 비교하여, 심박 변이도를 측정한 사람의 건강 상태에 대한 예측 결과를 생성할 수 있다. 이때, 건강 상태에 대한 예측 결과는 각종 질환에 대한 진단 혹은 예후 예측, 이를 기초로 건강 상태의 악화 정도를 종합 판단한 결과 등을 포함할 수 있다. 예를 들어, 제 M 심박 변이도(66)가 측정되면, 컴퓨팅 장치(100)는 제 M 심박 변이도(66)에 대한 수학적 계산을 통해 수면, 스트레스, 운동 등 각 세부 항목에 대한 특징을 추출할 수 있다. 그리고, 컴퓨팅 장치(100)는 수면에 대한 제 1 특징(80), 스트레스에 대한 제 2 특징(85), 운동에 대한 제 3 특징(89) 등 조합 변이도로부터 추출된 특징과 제 M 심박 변이도(66)로부터 추출된 특징을 상호 비교할 수 있다. 이때, 비교는 조합 변이도로부터 추출된 특징을 기준으로 제 M 심박 변이도(66)로부터 추출된 특징이 어떠한 변화 양상을 보이는지 혹은 어떠한 차이가 있는지를 분석하는 작업을 포함할 수 있다. 이러한 비교를 통해 컴퓨팅 장치(100)는 제 M 심박 변이도(66)가 측정된 시점에 어떠한 건강 상태를 보이는지 예측하여 결과 데이터(90)를 생성할 수 있다.
도 4 는 본 개시의 일 실시예에 분석에 적합한 길이의 심박 변이도를 생성하고, 생성된 장기 심박 변이도로부터 특징을 추출하는 과정을 나타낸 순서도이다.
도 4를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 심박 변이도 분석의 기준이 되는 제 1 심박 변이도 및 제 1 심박 변이도와 유사 시점에 측정된 제 1 부가 정보를 획득할 수 있다(S110). 그리고, 컴퓨팅 장치(100)는 제 1 심박 변이도가 측정된 이후 측정된 제 2 심박 변이도 및 제 2 심박 변이도와 유사 시점에 측정된 제 2 부가 정보를 획득할 수 있다(S120). 예를 들어, 제 1 심박 변이도와 제 1 부가 정보가 웨어러블 디바이스를 통해 측정된 경우, 컴퓨팅 장치(100)는 웨어러블 디바이스와 통신을 통해 제 1 심박 변이도와 제 1 부가 정보를 획득할 수 있다. 그리고, 소정의 시간이 경과된 이후에 제 2 심박 변이도와 제 2 부가 정보가 웨어러블 디바이스를 통해 측정된 경우, 컴퓨팅 장치(100)는 웨어러블 디바이스와 통신을 통해 제 2 심박 변이도와 제 2 부가 정보를 획득할 수 있다. 컴퓨팅 장치(100)가 심박 변이도와 부가 정보를 측정하기 위한 측정부를 별도로 구비할 경우, 컴퓨팅 장치(100)는 측정부를 통해 심박 변이도와 부가 정보를 생성할 수 있다.
컴퓨팅 장치(100)는 제 1 부가 정보의 세부 항목과 제 2 부가 정보의 세부 항목이 서로 일치하는지 여부를 판단할 수 있다(S130). 이때, 이러한 판단은 세부 항목 각각에 대해 개별적으로 이루어질 수 있다. 예를 들어, 제 1 부가 정보와 제 2 부가 정보가 세부 항목 A, B, C를 포함하는 경우, 컴퓨팅 장치(100)는 세부 항목 A, B, C 각각에 대해 상호 일치하는지 여부를 판단할 수 있다.
특정 세부 항목이 서로 일치한다고 판단된 경우, 컴퓨팅 장치(100)는 제 1 심박 변이도와 제 2 심박 변이도를 조합하여 서로 일치한다고 판단된 특정 세부 항목에 대한 조합 변이도를 생성할 수 있다(S133). 이때, 조합은 제 1 심박 변이도와 제 2 심박 변이도를 시간 흐름에 맞추어 순차적으로 결합하는 작업을 포함할 수 있다. 반면, 특정 세부 항목이 서로 일치하지 않는 것으로 판단된 경우, 컴퓨팅 장치(100)는 제 2 심박 변이도를 사전 학습된 머신러닝 모델에 입력하여 변형할 수 있다(S135). 이때, 변형은 제 2 심박 변이도를 제 1 부가 정보에 포함된 특정 세부 항목이 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 보정하는 작업으로 이해될 수 있다. 그리고, 컴퓨팅 장치(100)는 머신러닝 모델을 통해 변형된 제 2 심박 변이도를 제 1 심박 변이도와 조합하여 서로 일치하지 않는 것으로 판단된 특정 세부 항목에 대한 조합 변이도를 생성할 수 있다(S139). 이러한 과정을 통해 컴퓨팅 장치(100)는 부가 정보의 세부 항목 별 조합 변이도의 집합인 제 1 조합 변이도를 생성할 수 있다(S140).
컴퓨팅 장치(100)는 조합 변이도가 기준 시간을 만족하는지 여부를 판단할 수 있다(S150). 기준 시간이란, 조합 변이도가 분석을 수행하기에 충분한 시간 혹은 길이로 측정되었는지를 판단하기 위한 기준 지표로, 사용자에 의해 사전 설정될 수 있다. 조합 변이도가 기준 시간을 만족하지 않는 경우, 컴퓨팅 장치(100)는 추가적으로 제 N 심박 변이도 및 제 N 부가 정보를 획득할 수 있다(S160). 다만, 반드시 도 4와 같이 S160 단계에 선행하여 S150 단계가 수행될 필요는 없으며, 경우에 따라 S160 단계가 수행된 이후에 S150 단계가 수행될 수도 있다. 그리고, 컴퓨팅 장치(100)는 상술한 일치 판단 및 심박 변이도의 조합 과정을 반복 수행할 수 있다. 이때, 심박 변이도의 조합은 기존 심박 변이도에 제 N 심박 변이도 혹은 머신러닝 모델을 통해 변형된 제 N 심박 변이도를 누적적으로 조합하는 것으로 이해될 수 있다. 한편, S170 단계부터 S180 단계는 상술한 S130 단계부터 S140 단계에 대응되므로, 설명을 생략하도록 한다. 반면, 조합 변이도가 기준 시간을 만족하지 않는 경우, 컴퓨팅 장치(100)는 현재까지 조합된 심박 변이도를 기초로, 세부 항목 별 특징을 추출할 수 있다(S190). 예를 들어, 컴퓨팅 장치(100)는 세부 항목 A, B, C 각각에 대한 조합 변이도를 사전 학습된 신경망 모델에 입력하여 세부 항목 A, B, C 각각에 대한 특징을 추출할 수 있다. 이때, 신경망 모델은 세부 항목 A, B, C 각각에 대한 분석 지표에 해당하는 특징을 추출하도록 지도 학습될 수 있다. 세부 항목 A, B, C 각각에 대한 분석 지표는 심박 변이도의 특징으로부터 추출 가능한 스트레스 지수, 스트레스 저항도, 자율신경 균형도, 자율신경 활성도, 피로도, 우울증 정도, 불안장애 정도 등을 포함할 수 있다.
이러한 과정을 통해 컴퓨팅 장치(100)가 획득하는 심박 변이도가 충분한 시간 측정되지 못해 분석에 적합하지 않더라도, 컴퓨팅 장치(100)는 시간의 흐름에 따라 심박 변이도를 지속적으로 축적하여 분석에 적합한 상태로 만들어 사용할 수 있다. 따라서, 사용자 입장에서는 측정 지속시간에 구애받지 않고 편리하게 측정해서 건강 상태를 예측해볼 수 있다. 또한, 사람의 상태 변화를 반영하여 누적된 값을 이용한 분석이기 때문에, 기존 대비 분석의 정확도를 높일 수 있다.
한편, 제 1 심박 변이도와 제 2 심박 변이도 사이에 소정의 시간 이상 공백이 존재하는 경우, 컴퓨팅 장치(100)는 사전 학습된 신경망 모델에 제 1 심박 변이도, 제 1 부가 정보, 제 2 심박 변이도 및 제 2 부가 정보를 입력하여, 제 1 심박 변이도의 측정 시점과 제 2 심박 변이도의 측정 시점 사이의 심박 변이도를 생성할 수 있다. 예를 들어, 아침 9시에 제 1 심박 변이도를 측정하고, 저녁 9시에 제 2 심박 변이도를 측정하는 경우, 둘 사이에 12시간이 공백이 존재하므로, 이 둘을 결합하여 사용한다고 하더라도 분석에 오차가 커질 가능성이 높다. 분석 오차를 줄이기 위해서는 제 1 심박 변이도와 제 2 심박 변이도 간의 공백을 줄이는 것이 바람직하다. 따라서, 사용자가 6시간을 공백 산출을 위한 기준 시간으로 설정한 경우, 컴퓨팅 장치(100)는 생성형 모델을 이용하여 아침 9시에 측정된 제 1 심박 변이도와 저녁 9시에 측정된 제 2 심박 변이도 사이 오후 3시에 측정된 것과 같은 모의 심박 변이도를 생성할 수 있다. 구체적으로, 제 1 심박 변이도가 스트레스가 있는 상태에서 측정된 것이고, 제 2 심박 변이도가 스트레스가 없는 상태에서 측정된 것이라면, 컴퓨팅 장치(100)는 생성형 모델을 이용하여 스트레스가 적어지는 추세를 반영하여 오후 3시에 측정된 것과 같은 모의 심박 변이도를 생성할 수 있다. 상술한 구체적인 수치는 하나의 예시일 뿐이므로, 본 개시는 이에 한정되지는 않는다.
도 5 및 도 6은 본 개시의 일 실시예에 따른 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법을 나타낸 순서도이다. S210 및 S220에 대한 설명은 상술한 S110 및 S120에 대한 설명으로 갈음하도록 한다.
도 5를 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 컴퓨팅 장치(100)는 제 2 부가 정보의 세부 항목에서 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별할 수 있다(S230). 그리고, 컴퓨팅 장치(100)는 식별된 결과를 기초로, 제 1 심박 변이도 및 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합할 수 있다(S240). 예를 들어, 컴퓨팅 장치(100)는 제 1 심박 변이도와 제 2 심박 변이도를 연결하여, 제 2 부가 정보의 세부 항목 중에서 제 1 부가 정보의 세부 항목에 대응되는 것으로 식별된 항목에 대한 조합 변이도를 생성할 수 있다. 컴퓨팅 장치(100)는 제 2 심박 변이도를 사전 학습된 머신러닝 모델에 입력하여, 제 2 심박 변이도를 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 항목이 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 변형할 수 있다. 이때, 머신러닝 모델은, 부가 정보의 세부 항목에 개별적으로 대응되어, 심박 변이도를 변형시키는 서브 모델들을 포함할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 제 2 심박 변이도를 제 2 부가 정보의 세부 항목 중에서 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 세부 항목에 대응되는 서브 모델에 입력하여, 제 2 심박 변이도를 제 1 부가 정보가 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 변형할 수 있다. 그리고, 컴퓨팅 장치(100)는 제 1 심박 변이도와 변형된 제 2 심박 변이도를 연결하여, 제 2 부가 정보의 세부 항목 중에서 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 항목에 대한 조합 변이도를 생성할 수 있다.
한편, 조합된 심박 변이도가 기준 시간을 만족할 때까지, 추가적으로 상이한 시점에 측정된 제 N 심박 변이도 및 제 N 심박 변이도와 유사 시점에 측정된 제 N 부가 정보를 획득하고, 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하여, 심박 변이도를 부가 정보의 세부 항목 별로 누적적으로 조합하는 상술한 과정이 반복 수행될 수 있다.
도 6을 참조하면, 컴퓨팅 장치(100)는 기준 시간을 만족할 때까지 누적적으로 조합된 심박 변이도가 생성된 이후 측정된 제 M 심박 변이도를 획득하고, 제 M 심박 변이도에서 특징을 추출할 수 있다(S310). 그리고, 컴퓨팅 장치(100)는 제 M 심박 변이도에서 추출된 특징과 기준 시간을 만족할 때까지 누적적으로 조합되어 생성된 심박 변이도에서 추출된 특징을 비교하여, 제 M 심박 변이도를 측정했을 시점의 건강 상태를 예측할 수 있다(S320). S310 단계와 S320 단계에 관한 구체적인 내용은 상술한 도 5의 내용을 통해 구체적으로 파악 가능하므로, 이하에서는 생략하도록 한다.
앞서 설명된 본 개시의 다양한 실시예는 추가 실시예와 결합될 수 있고, 상술한 상세한 설명에 비추어 당업자가 이해 가능한 범주에서 변경될 수 있다. 본 개시의 실시예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해되어야 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다. 따라서, 본 개시의 특허청구범위의 의미, 범위 및 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims (12)

  1. 적어도 하나의 프로세서(processor)를 포함하는 컴퓨팅 장치에 의해 수행되는, 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법으로서,
    제 1 심박 변이도, 및 상기 제 1 심박 변이도와 유사 시점에 측정된 제 1 부가 정보를 획득하는 단계;
    상기 제 1 심박 변이도와 상이한 시점에 측정된 제 2 심박 변이도, 및 상기 제 2 심박 변이도와 유사 시점에 측정된 제 2 부가 정보를 획득하는 단계;
    상기 제 2 부가 정보의 세부 항목에서 상기 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하는 단계; 및
    상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 단계;
    를 포함하는,
    방법.
  2. 제 2 항에 있어서,
    상기 제 1 부가 정보의 세부 항목 또는 상기 제 2 부가 정보의 세부 항목은,
    상기 제 1 심박 변이도 또는 상기 제 2 심박 변이도를 측정하는 사람의 위치 정보, 수면 시간, 걸음 수, 운동 여부, 일어서기 시간, 스트레스 여부, 업무 시간 또는 주변 환경의 소리 레벨 중 적어도 하나를 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 단계는,
    상기 제 1 심박 변이도와 상기 제 2 심박 변이도를 연결(concatenation)하여, 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되는 것으로 식별된 항목에 대한 조합 변이도를 생성하는 단계;
    를 포함하는,
    방법.
  4. 제 3 항에 있어서,
    상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 단계는,
    상기 제 2 심박 변이도를 사전 학습된 머신러닝 모델에 입력하여, 상기 제 2 심박 변이도를 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 항목이 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 변형하는 단계; 및
    상기 제 1 심박 변이도와 상기 변형된 제 2 심박 변이도를 연결하여, 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 항목에 대한 조합 변이도를 생성하는 단계;
    를 포함하는,
    방법.
  5. 제 4 항에 있어서,
    상기 머신러닝 모델은,
    부가 정보의 세부 항목에 개별적으로 대응되어, 심박 변이도를 변형시키는 서브 모델들;
    을 포함하는,
    방법.
  6. 제 5 항에 있어서,
    상기 제 2 심박 변이도를 사전 학습된 머신러닝 모델에 입력하여, 상기 제 2 심박 변이도를 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 항목이 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 변형하는 단계는,
    상기 제 2 심박 변이도를 상기 제 2 부가 정보의 세부 항목 중에서 상기 제 1 부가 정보의 세부 항목에 대응되지 않는 것으로 식별된 세부 항목에 대응되는 서브 모델에 입력하여, 상기 제 2 심박 변이도를 상기 제 1 부가 정보가 측정된 상태에서 측정된 심박 변이도와 유사한 형태로 변형하는 단계;
    를 포함하는,
    방법.
  7. 제 1 항에 있어서,
    조합된 심박 변이도가 기준 시간을 만족할 때까지, 추가적으로 상이한 시점에 측정된 제 N 심박 변이도 및 상기 제 N 심박 변이도와 유사 시점에 측정된 제 N 부가 정보를 획득하고, 상기 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하여, 심박 변이도를 부가 정보의 세부 항목 별로 누적적으로 조합하는 과정이 반복 수행되는 것인,
    방법.
  8. 제 7 항에 있어서,
    상기 기준 시간을 만족할 때까지 누적적으로 조합되어 생성된 심박 변이도에서 상기 부가 정보의 세부 항목 별 특징을 추출하는 단계;
    를 더 포함하는,
    방법.
  9. 제 8 항에 있어서,
    상기 기준 시간을 만족할 때까지 누적적으로 조합된 심박 변이도가 생성된 이후 측정된 제 M 심박 변이도를 획득하고, 상기 제 M 심박 변이도에서 특징을 추출하는 단계; 및
    상기 제 M 심박 변이도에서 추출된 특징과 상기 기준 시간을 만족할 때까지 누적적으로 조합되어 생성된 심박 변이도에서 추출된 특징을 비교하여, 상기 제 M 심박 변이도를 측정했을 시점의 건강 상태를 예측하는 단계;
    를 더 포함하는,
    방법.
  10. 제 1 항에 있어서,
    상기 제 1 심박 변이도와 상기 제 2 심박 변이도 사이에 소정의 시간 이상 공백이 존재하는 경우,
    사전 학습된 신경망 모델에 상기 제 1 심박 변이도, 상기 제 1 부가 정보, 상기 제 2 심박 변이도 및 상기 제 2 부가 정보를 입력하여, 상기 제 1 심박 변이도의 측정 시점과 상기 제 2 심박 변이도의 측정 시점 사이의 심박 변이도를 생성하는 단계;
    를 더 포함하는,
    방법.
  11. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램(program)으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서(processor)에서 실행되는 경우, 심박 변이도에 대한 특징 추출의 정확도를 향상시키기 위한 동작들을 수행하도록 하며,
    상기 동작들은,
    제 1 심박 변이도, 및 상기 제 1 심박 변이도와 유사 시점에 측정된 제 1 부가 정보를 획득하는 동작;
    상기 제 1 심박 변이도와 상이한 시점에 측정된 제 2 심박 변이도, 및 상기 제 2 심박 변이도와 유사 시점에 측정된 제 2 부가 정보를 획득하는 동작;
    상기 제 2 부가 정보의 세부 항목에서 상기 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하는 동작; 및
    상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는 동작;
    을 포함하는,
    컴퓨터 프로그램.
  12. 심박 변이도에 대한 특징 추출의 정확도를 향상시키기 위한 컴퓨팅 장치로서,
    적어도 하나의 코어(core)를 포함하는 프로세서(processor);
    상기 프로세서에서 실행 가능한 프로그램 코드(code)들을 포함하는 메모리(memory); 및
    심장 신호 또는 심박 변이도를 획득하기 위한 네트워크부(network unit);
    를 포함하고,
    상기 프로세서는,
    제 1 심박 변이도와 상이한 시점에 측정된 제 2 심박 변이도와 유사 시점에 측정된 제 2 부가 정보의 세부 항목에서 상기 제 1 심박 변이도와 유사 시점에 측정된 제 1 부가 정보의 세부 항목에 대응되는 항목과 대응되지 않는 항목을 식별하고,
    상기 식별된 결과를 기초로, 상기 제 1 심박 변이도 및 상기 제 2 심박 변이도를 부가 정보의 세부 항목 별로 조합하는,
    장치.
PCT/KR2023/009953 2022-07-14 2023-07-12 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치 WO2024014875A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2022-0086816 2022-07-14
KR20220086816 2022-07-14
KR10-2023-0090208 2023-07-12
KR1020230090208A KR20240009890A (ko) 2022-07-14 2023-07-12 심박 변이도에 대한 특징 추출의 정확도를 향상시키는방법, 프로그램 및 장치

Publications (1)

Publication Number Publication Date
WO2024014875A1 true WO2024014875A1 (ko) 2024-01-18

Family

ID=89537086

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2023/009953 WO2024014875A1 (ko) 2022-07-14 2023-07-12 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치

Country Status (1)

Country Link
WO (1) WO2024014875A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5727231B2 (ja) * 2008-02-22 2015-06-03 コーニンクレッカ フィリップス エヌ ヴェ ストレス及びリラクゼーション管理に関するシステム及びキット
KR20210044163A (ko) * 2019-10-14 2021-04-22 고려대학교 세종산학협력단 Qrs 복합체 형태 특징을 기반으로 하여 머신 러닝을 통한 심실세동 예측방법
JP2021511476A (ja) * 2018-01-24 2021-05-06 ゲンサーム インコーポレイテッド 心拍変動パラメータに基づいて占有者の快適さを実現するための環境の温度制御
KR102342106B1 (ko) * 2021-03-20 2021-12-27 한밭대학교 산학협력단 인체상태 판단을 위한 비접촉식 생체신호 분석 시스템
JP2022098608A (ja) * 2020-12-22 2022-07-04 東邦瓦斯株式会社 心拍変動指標推定装置、心拍変動指標推定方法、及び、心拍変動指標推定プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5727231B2 (ja) * 2008-02-22 2015-06-03 コーニンクレッカ フィリップス エヌ ヴェ ストレス及びリラクゼーション管理に関するシステム及びキット
JP2021511476A (ja) * 2018-01-24 2021-05-06 ゲンサーム インコーポレイテッド 心拍変動パラメータに基づいて占有者の快適さを実現するための環境の温度制御
KR20210044163A (ko) * 2019-10-14 2021-04-22 고려대학교 세종산학협력단 Qrs 복합체 형태 특징을 기반으로 하여 머신 러닝을 통한 심실세동 예측방법
JP2022098608A (ja) * 2020-12-22 2022-07-04 東邦瓦斯株式会社 心拍変動指標推定装置、心拍変動指標推定方法、及び、心拍変動指標推定プログラム
KR102342106B1 (ko) * 2021-03-20 2021-12-27 한밭대학교 산학협력단 인체상태 판단을 위한 비접촉식 생체신호 분석 시스템

Similar Documents

Publication Publication Date Title
Karimi Moridani et al. Non-linear feature extraction from HRV signal for mortality prediction of ICU cardiovascular patient
WO2015199258A1 (ko) 진단모델 생성 시스템 및 방법
KR101898569B1 (ko) 사물인터넷 기반 건강 모니터링 및 평가 시스템
JP2020536623A (ja) モバイルデバイスを用いたユーザの健康の連続的監視
CN113133752B (zh) 基于心率变异分析的心理评估方法、系统、设备和介质
US11617545B2 (en) Methods and systems for adaptable presentation of sensor data
Chen et al. Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection
Basjaruddin et al. Measurement device for stress level and vital sign based on sensor fusion
Roy et al. BePCon: A photoplethysmography-based quality-aware continuous beat-to-beat blood pressure measurement technique using deep learning
Li et al. Hybrid D1DCnet using forehead iPPG for continuous and noncontact blood pressure measurement
WO2024014875A1 (ko) 심박 변이도에 대한 특징 추출의 정확도를 향상시키는 방법, 프로그램 및 장치
Chahal The critical application of internet of things (IoT) in the overall development of education
König et al. Workload categorization for hazardous industries: The semantic modelling of multi-modal physiological data
CN116098595A (zh) 一种心源性及脑源性猝死监测预防系统和方法
CN116019429A (zh) 基于生理指标的健康监测方法、装置、设备及存储介质
CN110192872B (zh) 压力评估校准方法、装置及存储介质
KR20240009890A (ko) 심박 변이도에 대한 특징 추출의 정확도를 향상시키는방법, 프로그램 및 장치
Kim et al. A personal health index system with IoT devices
WO2024014888A1 (ko) 단기 측정된 심장 신호를 기반으로 장기 심박 변이도를 생성하는 방법, 프로그램 및 장치
WO2020066430A1 (ja) てんかん発作予測装置、心電指標データの分析方法、発作予測コンピュータプログラム、モデル構築装置、モデル構築方法、モデル構築コンピュータプログラム
WO2024019584A1 (ko) 심전도를 이용한 심근경색 진단 방법, 프로그램 및 장치
KR102627743B1 (ko) 광용적맥파를 이용한 연령 추정 방법 및 장치
WO2024014844A1 (ko) 심전도에 기반하여 체성분을 측정하는 방법 및 그 장치
WO2024019575A1 (ko) 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
Wen et al. Wearable integrated online fusion learning filter for heart PPG sensing tracking

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: 23839966

Country of ref document: EP

Kind code of ref document: A1