KR101851690B1 - A Appartus and Method for Anomaly Detection of the Circadian Rhythm Monitored with Wearable Sensors - Google Patents
A Appartus and Method for Anomaly Detection of the Circadian Rhythm Monitored with Wearable Sensors Download PDFInfo
- Publication number
- KR101851690B1 KR101851690B1 KR1020160102332A KR20160102332A KR101851690B1 KR 101851690 B1 KR101851690 B1 KR 101851690B1 KR 1020160102332 A KR1020160102332 A KR 1020160102332A KR 20160102332 A KR20160102332 A KR 20160102332A KR 101851690 B1 KR101851690 B1 KR 101851690B1
- Authority
- KR
- South Korea
- Prior art keywords
- index
- feature
- unit
- pulse
- feature index
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4857—Indicating the phase of biorhythm
-
- 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
- A61B5/103—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
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G06N99/005—
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Dentistry (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치 및방법에 관한 것으로, 발명에 따르면, 착용 센서로부터 맥박 정보, 빛 노출 정보 및 움직임 정보를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집된 맥박 정보로부터 맥박 특징 지표를 산출하고, 빛 노출 정보로부터 조도 특징 지표를 산출하며, 움직임 정보로부터 활동량 특징 지표와 수면 특징 지표를 산출하는 특징 지표 산출부; 훈련 집합을 구성하는 다수의 사용자로부터 측정된 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표와 정상 상태 또는 비정상 상태 정보를 입력받아 기계학습을 수행하여 분류기 모델을 설계하고, 설계된 분류기 모델을 이용하여 상기 특징 지표 산출부에서 입력되는 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표를 근거로 정상 상태 또는 비정상 상태로 분류하는 분류 모델 기계 학습부; 및 상기 분류 모델 기계 학습부에서 출력되는 정상 상태 또는 비정상 상태의 분류에 기반하여 기분 상태를 예측하는 기분 상태 예측부를 포함하는 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치 및 방법을 제공한다.The present invention relates to an apparatus and method for detecting an abnormality of a one-cycle biorhythm using a wearable sensor, and a data collecting unit for collecting pulse information, light exposure information, and motion information from a wear sensor. A feature index calculation unit for calculating a pulse feature index from pulse information collected by the data collection unit, calculating an illumination feature index from the light exposure information, calculating an activity feature index and a sleep feature index from the motion information; The classifier model is designed by performing machine learning by inputting pulse characteristic index, lightness feature index, activity feature index and sleep feature index and steady state or abnormal state information measured from a large number of users constituting the training set, A classification model machine learning unit for classifying a normal state or an abnormal state on the basis of a pulse characteristic index, an illuminance characteristic index, an activity quantity characteristic index and a sleep characteristic index input from the characteristic index calculation unit using the characteristic index calculation unit; And a mood state predicting unit for predicting the mood state based on the classification of the steady state or the abnormal state output from the classification model machine learning unit, and an apparatus and method for detecting abnormality of one cycle rhythm using the wearable sensor .
Description
본 발명은 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치 및방법에 관한 것으로, 특히 본 발명은 헬스케어 분야에서 착용형 센서(예: fitness tracker)를 통해 수집되는 정보를 이용해 사용자의 일주기 생체리듬을 정량적으로 측정하고 대상자의 기분상태에 영향을 미칠 수 있는 비정상적인 생체리듬을 탐지하기 위한 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for detecting abnormal periodic biorhythm abnormalities using a wearable sensor. More particularly, the present invention relates to an apparatus and method for detecting abnormality of a biorhythm using a wearable sensor, The present invention relates to an apparatus and method for detecting abnormal periodic biorhythm using a wearable sensor for quantitatively measuring a periodic biorhythm and detecting an abnormal biorhythm that may affect a mood state of a subject.
현대인의 과도한 스트레스와 정신건강상의 문제는 상당한 연관이 있으나, 스트레스와 정신건강의학의 문제를 중계하는 것이 생활리듬의 교란이다. There is a great connection between the excessive stress and mental health problems of modern people, but relaying the problems of stress and mental health medicine is a disturbance of the rhythm of life.
스트레스에 의해서 흔하게 경험하는 불면증과, 우울증, 조울증의 재발에 이르기까지 다양한 정신질환의 발병 또는 재발은 생체리듬의 교란과 밀접한 연관이 있으며 생체리듬을 조절하는 크로노테라피(Chronotherapy)의 중요성이 강조되고 있다. The onset or recurrence of various mental illnesses, ranging from insomnia, depression and bipolar disorder, commonly experienced by stress, is closely related to the disturbance of the biorhythm and emphasizes the importance of chronotherapy to control the biorhythm .
하지만, 생체리듬을 관리하고 변화를 감지할 수 있는 기술들의 부재로, 불면증의 예방 치료, 재발성 우울증과 조울증의 재발을 방지하기 어려워 정신건강상의 교란을 미리 예방하고 치료하는데 어려움이 있다.However, it is difficult to prevent preventive treatment of insomnia, to prevent relapse of recurrent depression and bipolar disorder due to the lack of techniques to manage biorhythms and to detect changes, and to prevent and treat disturbances in mental health in advance.
본 발명은 상기와 같은 문제점을 해결하기 위하여, 생체리듬의 관리에 앞서 생체리듬을 정의하고 정량적으로 측정하며 나아가 기분상태에 영향을 미칠 수 있는 비정상적인 생체리듬을 탐지하기 위한 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치 및 방법을 제공하는데 있다.In order to solve the above-mentioned problems, the present invention has been made to solve the above-mentioned problems, and it is an object of the present invention to provide a method and apparatus for detecting a biorhythm, And an apparatus and method for detecting abnormality of a biorhythm.
본 발명의 일 측면은 착용 센서로부터 맥박 정보, 빛 노출 정보 및 움직임 정보를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집된 맥박 정보로부터 맥박 특징 지표를 산출하고, 빛 노출 정보로부터 조도 특징 지표를 산출하며, 움직임 정보로부터 활동량 특징 지표와 수면 특징 지표를 산출하는 특징 지표 산출부; 훈련 집합을 구성하는 다수의 사용자로부터 측정된 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표와 정상 상태 또는 비정상 상태 정보를 입력받아 기계학습을 수행하여 분류기 모델을 설계하고, 설계된 분류기 모델을 이용하여 상기 특징 지표 산출부에서 입력되는 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표를 근거로 정상 상태 또는 비정상 상태로 분류하는 분류 모델 기계 학습부; 및 상기 분류 모델 기계 학습부에서 출력되는 정상 상태 또는 비정상 상태의 분류에 기반하여 기분 상태를 예측하는 기분 상태 예측부를 포함한다.According to an aspect of the present invention, there is provided an information processing apparatus including a data collecting unit collecting pulse information, light exposure information, and motion information from a wear sensor; A feature index calculation unit for calculating a pulse feature index from pulse information collected by the data collection unit, calculating an illumination feature index from the light exposure information, calculating an activity feature index and a sleep feature index from the motion information; The classifier model is designed by performing machine learning by inputting pulse characteristic index, lightness feature index, activity feature index and sleep feature index and steady state or abnormal state information measured from a large number of users constituting the training set, A classification model machine learning unit for classifying a normal state or an abnormal state on the basis of a pulse characteristic index, an illuminance characteristic index, an activity quantity characteristic index and a sleep characteristic index input from the characteristic index calculation unit using the characteristic index calculation unit; And a mood state predicting unit for predicting the mood state based on the classification of the steady state or the abnormal state output from the classification model machine learning unit.
또한, 본 발명의 일 측면은 상기 기분상태 예측부의 기분 상태 예측 결과를 전송받아 상기 분류기 모델을 평가하고 분류기 모델을 튜닝하여 세팅하므로 자가적응할 수 있도록 하는 모델 평가 및 자가 적응부를 더 포함한다.According to an aspect of the present invention, there is further provided a model evaluating and self adapting unit for receiving the mood state prediction result of the mood state predicting unit, evaluating the classifier model, tuning and setting the classifier model,
또한, 본 발명의 일 측면의 상기 모델 평가 및 자가 적응부는 생체리듬의 이상여부 판단을 위해 분류 모델 기계 학습부에서 사용되는 기계학습 분류기 모델을 훈련 집합, 훈련 기간 및 특징 지표를 튜닝한다.In addition, the model evaluation and self-adaptation unit of one aspect of the present invention tunes the training set, the training period, and the feature index to the machine learning classifier model used in the classification model machine learning unit to determine whether the biorhythm is abnormal.
또한, 본 발명의 일 측면의 상기 특징 지표 산출부는 상기 데이터 수집부에서 수집한 일정시간 동안 단위 시간당 맥박수 데이터에 대하여 함수적합화 과정을 수행하여 맥박 피팅 커브를 도출하여, 생체리듬의 이상여부를 판단하기 위하여 정점 위상, 진폭 및 결정계수를 맥박 특징 지표로 선별한다.The feature index calculation unit of the present invention calculates a pulse fitting curve by performing a function fitting process on the pulse rate data per unit time for a predetermined time collected by the data collection unit to determine whether the biorhythm is abnormal The peak phase, the amplitude, and the determination coefficient are selected as the pulse characteristic index.
또한, 본 발명의 일 측면의 상기 특징 지표 산출부는 일출 8시간 전에서 일출 시간까지 사용자가 노출된 빛의 누적양(light exposure before sunrise)인 야간 광노출량과 일출 시간에서 일몰 시간까지 낮시간동안 사용자가 노출된 빛의 누적양(light exposure during daytime)인 주간 광노출량을 조도 특징지표로 산출한다.In addition, the feature index calculator according to an aspect of the present invention calculates the feature index of the user during the daytime from the sunrise time to the sunrise time and the daytime light exposure amount, which is the cumulative amount of light (light exposure before sunrise) Day light exposure amount, which is a light exposure during daytime, is calculated as the illuminance characteristic index.
또한, 본 발명의 일 측면의 상기 특징 지표 산출부는 상기 데이터 수집부에서 수집한 사용자의 움직임 정보를 이용하여 일출 8시간 전에서 일출 새벽 시간까지 누적 걸음 수(steps before sunrise)인 야간 누적 걸음수와 일출시간에서 일몰 낮 시간 동안 누적 걸음 수(steps during daytime)인 주간 누적 걸음수를 활동량 특징지표로 산출한다.In addition, the feature index calculator according to an aspect of the present invention calculates the feature index using the user's motion information collected by the data collecting unit, and calculates the number of steps at night, which is steps before sunrise from 8 hours before sunrise to dawn time at sunrise Calculate the weekly cumulative step count, which is the number of steps during the daytime from sunrise to the activity day.
또한, 본 발명의 일 측면의 상기 특징 지표 산출부는 일일 수면 시간과 일일 수면 질을 수면 특징 지표로 산출한다.Further, the feature index calculator according to an aspect of the present invention calculates the daily sleep time and the daily sleep quality as the sleep feature index.
한편, 본 발명의 다른 측면은 (A) 데이터 수집부가 착용 센서로부터 맥박 정보, 빛 노출 정보 및 움직임 정보를 수집하는 단계; (B) 특징 지표 산출부가 상기 데이터 수집부에서 수집된 맥박 정보로부터 맥박 특징 지표를 산출하고, 빛 노출 정보로부터 조도 특징 지표를 산출하며, 움직임 정보로부터 활동량 특징 지표와 수면 특징 지표를 산출하는 단계; (C) 분류 모델 기계 학습부가 훈련 집합을 구성하는 다수의 사용자로부터 측정된 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표와 정상 상태 또는 비정상 상태 정보를 입력받아 기계학습을 수행하여 분류기 모델을 설계하는 단계; (D) 분류 모델 기계 학습부가 설계된 분류기 모델을 이용하여 상기 특징 지표 산출부에서 입력되는 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표를 근거로 정상 상태 또는 비정상 상태로 분류하는 단계; 및 (E) 기분 상태 예측부가 상기 분류 모델 기계 학습부에서 출력되는 정상 상태 또는 비정상 상태의 분류에 기반하여 기분 상태를 예측하는 단계를 포함한다.According to another aspect of the present invention, there is provided an information processing method comprising the steps of: (A) collecting pulse information, light exposure information, and motion information from a wearable sensor; (B) calculating, by the feature index calculation unit, the pulse characteristic index from the pulse information collected by the data collection unit, calculating the illumination characteristic index from the light exposure information, calculating the activity characteristic index and the sleep characteristic index from the motion information; (C) Classification Model A machine learning is performed by inputting pulse characteristic index, illuminance characteristic index, sleep characteristic index, and steady state or abnormal state information measured from a large number of users constituting a training set of a mechanical learning unit, Designing a model; (D) classifying the classification model machine learning section into a steady state or an abnormal state based on a pulse characteristic index, an illuminance characteristic index, an activity characteristic index and a sleep characteristic index input from the characteristic index calculation section using a designed classifier model; And (E) a mood state predicting unit predicting the mood state based on the classification of the steady state or the abnormal state output from the classification model machine learning unit.
또한, 본 발명의 다른 측면은 (F) 모델 평가 및 자가 적응부가 상기 기분상태 예측부의 기분 상태 예측 결과를 전송받아 상기 분류기 모델을 평가하고 분류기 모델을 튜닝하여 세팅하므로 자가적응할 수 있도록 하는 단계를 더 포함한다.According to another aspect of the present invention, (F) a model evaluation and self adaptation unit receives the mood state prediction result of the mood state prediction unit, evaluates the classifier model, tunes and sets a classifier model, .
또한, 본 발명의 다른 측면의 상기 모델 평가 및 자가 적응부는 생체리듬의 이상여부 판단을 위해 분류 모델 기계 학습부에서 사용되는 기계학습 분류기 모델을 훈련 집합, 훈련 기간 및 특징 지표를 튜닝한다.In another aspect of the present invention, the model evaluation and self-adaptation unit tunes the training set, the training period, and the feature index of the machine learning classifier model used in the classification model machine learning unit to determine whether the biorhythm is abnormal.
또한, 본 발명의 다른 측면의 상기 (B) 단계는 (B-1)상기 특징 지표 산출부는 상기 데이터 수집부에서 수집한 일정시간 동안 단위 시간당 맥박수 데이터에 대하여 함수적합화 과정을 수행하여 맥박 피팅 커브를 도출하는 단계; 및 (B-2) 상기 특징 지표 산출부는 생체리듬의 이상여부를 판단하기 위하여 정점 위상, 진폭 및 결정계수를 맥박 특징 지표로 선별하는 단계를 포함한다.In the step (B) of the other aspect of the present invention, (B-1) the feature index calculator performs a function fitting process on the pulse rate data per unit time for a predetermined period of time collected by the data collecting unit, ; And (B-2) the feature index calculator includes a step of selecting a vertex phase, an amplitude, and a determination coefficient as a pulse feature index in order to determine whether the biorhythm is abnormal.
또한, 본 발명의 다른 측면의 상기 (B) 단계의 상기 특징 지표 산출부는 일출 8시간 전에서 일출 시간까지 사용자가 노출된 빛의 누적양(light exposure before sunrise)인 야간 광노출량과 일출 시간에서 일몰 시간까지 낮시간동안 사용자가 노출된 빛의 누적양(light exposure during daytime)인 주간 광노출량을 조도 특징지표로 산출한다.In addition, the feature index calculator of the step (B) of the other aspect of the present invention calculates the feature index calculating unit of the step (B) of the present invention by calculating the night light exposure amount, which is a light exposure before sunrise of the user from 8 hours before sunrise to sunrise time, The daylight exposure, which is the light exposure during the daytime, is calculated by the user as a feature index during the day to time.
또한, 본 발명의 다른 측면의 상기 (B) 단계의 상기 특징 지표 산출부는 상기 데이터 수집부에서 수집한 사용자의 움직임 정보를 이용하여 일출 8시간 전에서 일출 새벽 시간까지 누적 걸음 수(steps before sunrise)인 야간 누적 걸음수와 일출시간에서 일몰 낮 시간 동안 누적 걸음 수(steps during daytime)인 주간 누적 걸음수를 활동량 특징지표로 산출한다.According to another aspect of the present invention, in the step (B), the feature index calculator calculates the number of steps before sunrise from 8 hours before sunrise to the time of sunrise using the user's motion information collected by the data collection unit, The number of cumulative steps during the night and the number of cumulative steps during the day during the sunset during the daytime (steps during daytime).
또한, 본 발명의 다른 측면의 상기 (B) 단계의 상기 특징 지표 산출부는 일일 수면 시간과 일일 수면 질을 수면 특징 지표로 산출한다.Further, the feature index calculator of the step (B) of the other aspect of the present invention calculates the daily sleeping time and the daily sleeping quality as a sleep feature index.
상기와 같은 본 발명에 따르면, 대상자의 일주기 생체리듬의 변화를 실시간으로 감지하여 이상여부(비정상성)를 자동으로 판단하고, 필요시 해당 정보를 예측하여 대상자나 대상자의 보호자(또는 의료진)에게 전달할 수 있다. According to the present invention as described above, it is possible to detect a change in the periodic biorhythm of a subject in real time to automatically determine an abnormality (abnormality), predict the information if necessary, and transmit it to a guardian .
이처럼 생체리듬의 교란을 미리 감지하여 적시에 적절한 선제적 치료와 중재가 이루어질 수 있도록 한다. In this way, the disturbance of the biorhythm is detected in advance, so that appropriate preemptive treatment and arbitration can be done in a timely manner.
또한, 조울증-재발성우울증은 대상자의 수면각성주기, 적절한 시간대의 빛 노출과 활동 등의 생체리듬의 조절이 매우 중요한 바, 본 발명의 생체리듬 이상여부 탐지 기술을 이용하면 지속적인 대상자 관리가 가능하다.In addition, the bipolar-recurrent depression can be continuously managed by using the biorhythm abnormality detection technique of the present invention because the control of the biorhythm of the subject's sleeping arousal cycle, the light exposure and the activity in the appropriate time period is very important .
도 1은 본 발명의 바람직한 일 실시예에 따른 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치의 구성도이다.
도 2는 도 1의 특징 지표 산출부에서 사용하는 맥박 피팅 커브의 예시도이다.
도 3은 감독형학습 방법 중에 하나인 랜덤 포레스트(Random Forest) 기계학습 알고리즘을 이용하여 평가한 성능 결과치이다.
도 4는 현 시점이 t에서 미래 시점 n일 동안에 사용자들의 기분상태가 어떻게 될 것인가를 예측하기 위해 과거 m일 동안의 생체리듬 특징지표들을 학습하고자 하는 과정을 설명한다.
도 5는 본 발명의 바람직한 일 실시예에 따른 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 방법의 흐름도이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block diagram of an apparatus for detecting abnormality of one cycle biorhythm using a wearable sensor according to a preferred embodiment of the present invention. FIG.
2 is an exemplary view of a pulse fitting curve used in the feature index calculation unit of FIG.
FIG. 3 is a performance result evaluated by using a supervised learning method, a random forest machine learning algorithm.
FIG. 4 illustrates a process of learning biorhythm characteristic indexes for past m days to predict how mood states of users will be during the present time point t and the future point n day.
FIG. 5 is a flowchart illustrating a method for detecting abnormality of one cycle biorhythm using a wearable sensor according to a preferred embodiment of the present invention.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 설명하기 위하여 이하에서는 본 발명의 바람직한 실시예를 예시하고 이를 참조하여 살펴본다.BRIEF DESCRIPTION OF THE DRAWINGS The above and other objects, features and advantages of the present invention will become more apparent from the following detailed description of the present invention when taken in conjunction with the accompanying drawings.
먼저, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니며, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 또한 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.First, the terminology used in the present application is used only to describe a specific embodiment, and is not intended to limit the present invention, and the singular expressions may include plural expressions unless the context clearly indicates otherwise. Also, in this application, the terms "comprise", "having", and the like are intended to specify that there are stated features, integers, steps, operations, elements, parts or combinations thereof, But do not preclude the presence or addition of features, numbers, steps, operations, components, parts, or combinations thereof.
본 발명을 설명함에 있어서, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.
생체리듬의 비정상성 탐지 기술 구현을 위해서는 일단 정상에 대한 정의부터 이루어져야 할 것이다. 이를 통해 관찰 대상이 정상 범주를 벗어나는 경우 적절한 알람을 주어 이상여부를 탐지할 수 있다. In order to implement the technique of abnormality detection of biorhythm, it should be done from the definition of normal. If the subject is out of the normal category, an appropriate alarm can be given to detect the abnormality.
본 발명에서 비정상적인 생체리듬이란 통상적인 경우가 아닌 이상치 범주의 기분상태를 보이는 대상자들을 추적하여 정의할 수 있는 생체리듬 정보를 의미한다. 또는 통계적으로 이상치 범위에 속하는 생체리듬 특징지표 값을 보이는 경우를 의미한다. In the present invention, the abnormal biorhythm means the biorhythm information which can be defined and tracked by the subjects who show mood states of the outlier category, which is not a usual case. Or a biorhythm characteristic index value belonging to a statistical range of outliers.
도 1은 본 발명의 바람직한 일 실시예에 따른 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치의 구성도이다.BRIEF DESCRIPTION OF THE DRAWINGS FIG. 1 is a block diagram of an apparatus for detecting abnormality of one cycle biorhythm using a wearable sensor according to a preferred embodiment of the present invention. FIG.
도 1을 참조하면, 본 발명의 바람직한 일 실시예에 따른 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치는 착용형 센서(100), 데이터 수집부(110), 특징지표 산출부(120), 분류 모델 기계 학습부(130), 기분상태 예측부(140) 및 모델 평가 및 자가 적응부(150)를 포함하고 있다.Referring to FIG. 1, an apparatus for detecting abnormalities in a one-cycle biorhythm using a wearable sensor according to an exemplary embodiment of the present invention includes a
상기 착용형 센서(100)는 사용자에 탈부착가능하며, 맥박을 측정할 수 있는 맥박 센서와, 사용자의 빛노출 정보를 감지하는 조도 센서와, 사용자의 움직임 정보를 측정하는 움직임 센서를 포함한다. The
이와 같은 착용형 센서(100)로는 Fitbit, Jawbone Up, Nike+ FuelBand, Apple Watch, Samsung Gear 등 손목형 장치가 사용 가능하다.As the
상기 착용형 센서(100)의 맥박 센서에서 측정되는 맥박의 경우 일반적으로 하루를 기준으로 보았을 때 뚜렷한 주기성을 갖는다. Generally, the pulse measured by the pulse sensor of the
예를 들어 오전 0시에서 6시까지 수면 중에는 분당 맥박수가 60이하로 떨어지고 왕성하게 활동중인 오전 8시에서 오후 5시 정도까지는 분당 맥박수가 100이상으로 올라가게 된다. For example, from 0:00 am to 6:00 am, the pulse rate drops to 60 or less per minute during sleep, and the pulse rate increases to more than 100 per minute from 8:00 am to 5:00 pm, which is vigorously active.
그리고 밤시간이 되면 다시 떨어진다. 따라서 하루 동안의 맥박 변화를 그래프로 살펴보면 흡사 코사인함수 모양의 커브가 관찰된다. And it falls again at night time. Therefore, when we look at the change of pulse during the day, we can observe a curve of the shape of the approximate cosine function.
데이터 수집부(110)는 상기 착용형 센서(100)의 맥박 센서로부터 기본적으로 48시간 동안 단위 시간당 맥박수 데이터를 수집(일주기리듬을 유추하기 위해서는 최소 24시간*2회 분량의 시계열 데이터가 필요)한다.The
그리고, 특징 지표 산출부(120)는 상기 데이터 수집부(110)에서 수집한 기본적으로 48시간 동안 단위 시간당 맥박수 데이터에 대하여 노이즈를 고려하여 수학적으로 함수적합화 과정(curve fitting 또는 cosinor analysis라고 칭함)을 수행하여 코사인파(cosine wave) 형태의 맥박 피팅 커브를 도출한다.The
이처럼 맥박 피팅 커브를 사용하게 되면 특징 지표 산출부(120)는 용이하게 도 2에 도시된 바와 같이 주기(Period), 정점위상(Acrophase), 진폭(Amplitude), 진동 중앙(Mesor)과 같은 4가지 모델 파라미터 값들을 도출할 수 있으며 추가적으로 얼마나 맥박 피팅 커브가 피팅이 잘 되었는가를 나타내는 결정 계수(R2:R-squared)를 도출할 수 있다. If the pulse fitting curve is used as described above, the
여기에서, 결정계수는 맥박 피팅 커브가 원래의 샘플 데이터들을 얼마나 잘 충실하게 표현하는지 나타낸다. 0~1사이의 값을 갖고 있으며, 1에 가까울수록 확실하게 코사인 커브 피팅이 잘된 것을 의미한다. 그리고 0에 가까울수록 코사인 커브 피팅이 잘 안된 것을 의미한다.Here, the determination coefficient indicates how well the pulse fitting curve expresses the original sample data faithfully. It has a value between 0 and 1, and closer to 1 means that the cosine curve fitting is done well. The closer to 0, the less the cosine curve fitting.
그리고, 특징 지표 산출부(120)는 생체리듬의 이상여부를 판단하는데 정점 위상(Acrophase), 진폭(Amplitude), 결정계수(R2)가 중요한 지표가 되며, 이러한 파라미터를 맥박 특징 지표로 선별한다.The
여기에서, 정점 위상(Acrophase)이란 생체리듬이 시간 축 상에서 밀리거나 당겨지는 현상을 정량화한 것이다. Here, the acrophase is a quantification of the phenomenon that the vital rhythm is pushed or pulled on the time axis.
이처럼 생체리듬이 밀리거나 당겨지는 현상은 조증 및 우울증 유발에 연관성이 높은 것으로 학계에서 보고되고 있기 때문에 본 발명에서 중요한 지표로 이용한다. The phenomenon that the biorhythm is pushed or pulled is used as an important index in the present invention because it is reported in academia that it is highly related to mania and depression induction.
진폭(Amplitude)과 결정계수(R2)는 일주기리듬이 얼마나 깨끗한가 여부를 판단하는데 참조가능하며, 예를 들어 밤낮에 각각 정상적인 수면과 활동을 하지 않은 사람은 맥박 피팅 커브의 진폭(Amplitude)과 결정계수(R2)가 낮게 관찰될 것이고 이상적인 수면과 활동을 수행한 사람은 상대적으로 진폭(Amplitude)과 결정계수(R2)가 높게 관찰될 것이다.Amplitude and decision coefficient (R 2 ) can be used to determine how clean the rhythm of the cycle is. For example, if the person does not have normal sleep and activity during the day and night, the amplitude of the pulse fitting curve The decision coefficient (R 2 ) will be observed lower and the person performing the ideal sleep and activity will have relatively higher amplitude and coefficient of determination (R 2 ).
한편, 착용형 센서(100)는 조도 센서를 구비하고 있어 사용자의 빛 노출량 등을 측정할 수 있다.On the other hand, the
일반적으로 빛 노출량을 측정하는 것 또한 생체리듬 이상여부를 판단하는데 중요한 간접 지표가 된다. In general, measuring light exposure is also an important indirect indicator of biorhythm abnormalities.
인체의 생체리듬을 관장하는 멜라토닌 호르몬을 동기화시키는 외적 자극 중에 빛은 매우 중요한 역할을 한다. Light plays a very important role in the external stimuli that synchronize the melatonin hormone that governs the human bodily rhythm.
중요한 것은 밤시간에는 수면을 취하고 많은 빛에 노출되면 안된다. 반대로 낮 시간에는 수면을 취하면 안되고 적절한 빛에 충분히 노출되어야 한다. 이처럼 빛을 봐야 할 때 적절히 봐주고 빛을 보지 말아야 할 때 차단을 하는 습관이 건강한 생체리듬을 만들 수 있다. The important thing is to take sleep at night and not be exposed to much light. Conversely, during the daytime, you should not take a sleep and be exposed to adequate light. The habit of blocking when you have to look at the light properly and not to see the light like this can create a healthy biorhythm.
따라서 착용형 센서(100)에 있는 조도 센서는 사용자의 빛 노출 시점, 빛 노출 시간, 및 빛 노출 정도를 감지할 수 있다. 빛의 노출유무뿐만 아니라 빛 노출 시점, 빛 노출 시간, 및 빛 노출 정도(강도)를 감지하여 더욱 상세한 빛 노출 정보를 생성하는데 이용할 수 있다.Thus, the illuminance sensor in the
상기 조도 센서는 기기에 따라 측정되는 최대값이 다를 수 있겠으나 통상적으로 실내 및 야외활동을 구분하기에는 충분하며 기기간에 상이한 측정값들은 정규화 과정을 통해 일관되게 맞춘다. The illuminance sensor may be different from the maximum value measured according to the device, but is usually sufficient to distinguish indoor and outdoor activities, and the different measured values between the devices are consistently adjusted through the normalization process.
상기 데이터 수집부(110)는 이와 같은 착용형 센서(100)에 있는 조도 센서로부터 사용자의 빛 노출 시점, 빛 노출 시간, 및 빛 노출 정도를 포함한 빛 노출 정보를 수집한다.The
그리고, 특징지표 산출부(120)는 그날의 일출 8시간 전에서 일출 시간까지 사용자가 노출된 빛의 누적양(light exposure before sunrise)(야간 광노출량)을 특징 지표로 이용하고, 일출 시간에서 일몰 시간까지 낮시간동안 사용자가 노출된 빛의 누적양(light exposure during daytime)(주간 광노출량)을 조도 특징지표로 산출한다.Then, the
다음으로, 착용 센서(100)는 움직임 감지 센서를 구비하고 있으며, 구비된 움직임 감지 센서는 사용자의 움직임을 감지한다.Next, the
보다 구체적으로, 움직임 감지 센서는 사용자의 활동정보를 생성하기 위하여, 사용자의 움직임을 감지한다. More specifically, the motion detection sensor senses the movement of the user to generate the activity information of the user.
움직임 감지 센서는 모션센서(actigraphy sensor), 가속도센서, 또는 자이로센서일 수 있다. The motion detection sensor may be an actigraphy sensor, an acceleration sensor, or a gyro sensor.
데이터 수집부(110)는 움직임 감지 센서에서 감지한 사용자의 움직임 정보를 수집한다.The
그리고, 특징 지표 산출부(120)는 데이터 수집부(110)에서 수집한 사용자의 움직임 정보를 이용하여 사용자의 움직임 강도와 시간을 산출할 수 있다.The
움직임에 따른 이동거리 또는 이동속도 등은 통상적으로 지피에스시스템을 이용하거나 움직임 감지 센서로부터 시간당 걸음 수를 측정하여 산출할 수 있다.The movement distance or the movement speed according to the movement can be calculated by using a conventional GS system or by measuring the number of steps per hour from the motion detection sensor.
일반적으로, 활동량을 조사하는 것 또한 생체리듬의 이상여부를 판단하는데 중요한 증거가 된다. 앞서 빛 노출량과 마찬가지로 활동을 많이 해야하는 낮시간과 활동을 자제해야 하는 밤시간의 누적 활동량에 따라 생체리듬이 영향을 받을 수 있다. In general, examining the amount of activity is also important evidence in determining whether biorhythms are abnormal. As with previous light exposure, biorhythm can be affected by the amount of activity during the day and the amount of cumulative activity during the night during which activity should be avoided.
잠을 자야 하는 밤시간에 너무 많은 활동량이 없어야 하며 왕성하게 활동해야 하는 낮 시간에는 적절한 활동량이 있어야 한다. There should not be too much activity at night to sleep, and there should be adequate activity during daytime hours when you need to be active.
본 발명에서는 착용형 센서(100)의 움직임 감지 센서에서 측정되는 움직임 정보를 특히 단위시간당 걸음수를 이용하여 활동량을 측정한다. In the present invention, the activity information measured by the motion sensor of the
특히, 특징 지표 산출부(120)는 그날의 일출 8시간 전에서 일출 새벽 시간까지 누적 걸음 수(steps before sunrise)(야간 누적 걸음수)와 일출시간에서 일몰 낮 시간 동안 누적 걸음 수(steps during daytime)(주간 누적 걸음수)를 활동량 특징지표로 산출한다.In particular, the
다음으로 대상자의 생체리듬을 교란하는데 큰 영향력이 있는 수면의 양과 질에 대해 조사한다. 적절한 길이의 수면과 숙면 여부는 중요한 특징 지표로 이용될 수 있다. 따라서 본 발명에서는 특징 지표 산출부(120)는 두가지 주요 특징 지표 로 그날의 수면시간(sleep length)(일일 수면 시간)과 그날의 수면의 질(sleep quality)(일일 수면 질)을 산출하여 수면 특징 지표로 산출한다. Next, we investigate the amount and quality of sleep, which has a great influence on disturbing the subject's biorhythm. Proper sleeping and sleeping can be used as an important feature indicator. Accordingly, in the present invention, the
수면 시간은 착용형 센서(100) 내의 움직임 센서와 맥박 센서로부터 데이터 수집부(110)가 수집한 정보를 근거로 특징 지표 산출부(120)가 수면 길이를 추출하여 이용한다. The sleep time is extracted by the
특징 지표 산출부(120)는 상기 감지된 사용자의 움직임으로부터 활동량을 산출하고, 상기 산출된 활동량의 변화를 추적하여 상기 사용자의 수면 상태를 도출함으로써 활동 정보 및 수면 정보를 생성한다.The
보다 구체적으로, 움직임 감지 센서가 감지한 사용자의 움직임을 이용하여 활동 정도, 조도센서 측정치, 일출, 일몰시 등의 자료를 종합하여 사용자의 수면상태를 도출함으로써 활동 정보 및 수면 정보를 생성한다. More specifically, the activity information and the sleep information are generated by deriving the sleep state of the user by collecting data such as activity level, illuminance sensor measurement value, sunrise, and sunset time using the motion of the user detected by the motion detection sensor.
사용자의 움직임을 감지하여, 일정 시간 이상 움직임의 정도가 임계치 이하로 떨어지는 구간을 수면 상태로 도출하여, 상기 사용자의 일주기를 수면 상태와 활동 상태로 나눌 수 있다. 임계치 판단 만으로 오류 가능성이 있다면 시간 정보와 조도 센서 정보를 복합적으로 이용해 상태 판단의 정확도를 높일 수 있다. 예를 들어 낮 시간에 움직임 없이 가만히 의자에 장시간 앉아 공부를 한다면 움직임 센서만으로는 수면상태로 오판 가능하나, 조도센서(어두운 공간인 경우)와 움직임 관찰 시간대(야간인 경우) 정보를 함께 참고하면 오판 가능성을 크게 낮출 수있다. 이를 통해, 상기 수면 상태의 움직임 정도와 수면 상태의 지속 시간 및 수면의 시작시간 및 종료시간을 포함하는 수면 정보를 생성할 수 있다. 수면 이외의 시간인 동안 활동시간 동안, 움직임 강도, 지속시간 등을 포함하는 활동 정보를 생성할 수 있다.A period in which the degree of motion of the user falls below a threshold value for a predetermined period of time is derived as a sleep state and the user's period is divided into a sleep state and an activity state. If there is a possibility of error only by determining the threshold value, the accuracy of the state judgment can be enhanced by using the time information and the illuminance sensor information in combination. For example, if you sit in a chair for a long time without moving in the daytime, you may be misled by the motion sensor alone, but if you refer to the light sensor (in case of dark space) and motion observation time Can be greatly reduced. Thus, sleep information including the degree of motion of the sleep state, the duration of the sleep state, and the start and end times of the sleep can be generated. During the activity time during non-sleep time, activity information including motion intensity, duration, etc. may be generated.
특징 지표 산출부(120)는 앞서 구한 수면 길이에서 뒷척임으로 잠을 설치거나 낮은 단계의 수면을 취한 시간을 빼서 백분율로 수면의 질을 산출한다.The
예를 들어 수면 시간이 8시간이고 수면의 질이 80%라면 실제 숙면 시간은 6.4시간이 될 것이다. For example, if sleep time is 8 hours and sleep quality is 80%, the actual sleep time will be 6.4 hours.
마지막으로 위에서 거론된 주요 특징지표들(맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표, 수면 특징지표)을 확장할 수 있다. Finally, we can extend the main feature indicators mentioned above (pulse feature index, illumination feature index, activity feature index, sleep feature index).
예를 들어 해당 관심 특징 지표들의 과거 3일 동안, 과거 1주일 동안, 과거 2주 동안의 평균과 표준편차 특징을 추적 조사할 수 있다. For example, the mean and standard deviation characteristics for the past three weeks, the past one week, and the past two weeks of the relevant characteristics tracing can be traced.
그리고 점차적으로 특징 지표들이 증가 추세에 있는가 감소 추세에 있는가 등에 관한 추가 특징 지표도 조사 가능하다. 예를 들어 맥박, 빛 노출, 활동량, 수면 상태가 양호한 대상자들이 있다 하더라도 어떤 이는 과거 2주 동안 꾸준히 양호 상태를 유지해온 반면에 어떤 이는 들쭉날쭉 편차가 큰 사람도 있을 것이다. It is also possible to investigate additional feature indexes such as whether the trends of the feature indexes are gradually increasing or decreasing. For example, some people with good pulse, light exposure, activity, and sleep status may have been in good steady state for the past two weeks, while others may have jaggedness.
따라서 본 발명에서는 특징 지표 산출부(120)는 기본 특징 지표들의 과거 평균, 편차, 추세에 관한 확장 특징 지표들 또한 생체리듬 이상 여부 판단에 이용할 수 있도록 확장 특징 지표로 추출하고 이를 선별한다. Therefore, in the present invention, the
다음으로, 분류 모델 기계 학습부(130)는 특징 지표 산출부(120)에서 생체리듬을 포착하기 위해 추출된 주요 특징지표들을 기계학습하여 어떤 지표들이 정상 기분상태를 유도하고 어떤 지표들이 비정상 기분상태를 유도할 수 있는가 분석한다.Next, the classification model
즉, 데이터 수집부(110)가 사용자들로부터 착용 센서를 이용하여 맥박, 빛 노출, 활동량 등에 대한 데이터를 수집하고 특징 지표 산출부(120)가 수집된 데이터에서 특징 지표를 산출하면, 분류 모델 기계 학습부(130)는 사용자들로부터 기분의 이상여부에 관한 정보를 획득(예를 들어 조증-우울증 정도에 따른 기분점수를 설문방식을 통해 획득) 하여 기계 학습하여 정상 상태와 비정상 상태를 분류할 수 있도록 한다. 여기에서, 비정상 상태는 기분이 업된 상태와 기분이 가라앉은 상태로 구분할 수 있다.That is, when the
일예로 기계학습의 훈련 집합은 약 30여명의 조울증-우울증 환자들을 대상으로 약 1년여 기간 이상 기분상태를 추적 조사하여 형성할 수 있다. For example, a training set of machine learning can be formed by tracing mood states for about one year or more over about 30 people with bipolar depression.
이러한 분류 모델 기계 학습부(130)가 기계 학습하는 기본 특징 지표들은 맥박 특징 지표(진폭, 정점위상, 결합계수(R2)), 조도 특징 지표(야간 광노출량, 주간 광노출량), 활동량 특징 지표(야간 누적 걸음수, 주간 누적 걸음수) 및 수면 특징 지표(일일 수면시간, 일일 수면질)을 포함한다. The basic feature indexes that the classification model
이에 더하여 분류 모델 기계 학습부(130)는 기본 특징 지표의 각각에 대한 평균, 편차 및 추세에 관한 확장 특징 지표들을 포함할 수 있다.In addition, the classification model
상기 분류 모델 기계 학습부(130)는 기본 특징 지표들과 확장 특징 지표들을 이용하여 정상과 비정상을 분류할 수 있는 분류기를 모델링 한다. The classification model
본 발명의 기술은 생체리듬 이상여부 판단에 있어서 특정 분류 알고리즘에 특별히 국한되지 않으며, 모든 알고리즘이 가용하다. 기술을 사용하는 사용자들로부터 기분의 이상여부에 관한 정보를 획득(예를 들어 조증-우울증 정도에 따른 기분점수를 설문방식을 통해 획득) 가능하다면 감독형학습(supervised learning) 알고리즘을 이용하고 분류기의 정확도 성능을 평가할 수 있다. The technique of the present invention is not particularly limited to a specific classification algorithm in determining whether a biorhythm abnormality exists, and all algorithms are available. Obtain information about mood anomalies from users who use the technology (for example, obtain a mood score according to the degree of mania-depression through a questionnaire). If possible, use a supervised learning algorithm, Accuracy performance can be evaluated.
만약 그렇지 않고 기분 점수를 얻기 불가능하다면 비감독형학습(unsupervised learning) 알고리즘을 이용하면 된다. 예를 들어 통계적 임계치 접근 방식을 이용하거나 k-NN 클러스터링 알고리즘 등을 이용하면 된다. 통계적 임계치 접근법이란 첫번째 단계에서 구한 주요 특징 지표들의 기술통계량(평균, 표준편차, 분포)을 구해 분포상에서 양쪽 꼬리 특정 경계를 넘는 이상치를 탐지하는 것이다. 클러스터링 알고리즘을 이용할 때는 어떤 클러스터에도 포함되거나 근접하지 않고 클러스터 중심점(core point)으로부터 거리가 가장 먼 이상점들을 순차적으로 발견하여 비정상성 범주로 규정하면 된다. If it is not possible to obtain a mood score, then an unsupervised learning algorithm can be used. For example, a statistical threshold approach may be used or a k-NN clustering algorithm may be used. The statistical threshold approach is to find the descriptive statistics (mean, standard deviation, distribution) of the major feature indicators obtained in the first step and to detect abnormal values that exceed the specified tail boundaries of both tails on the distribution. When using the clustering algorithm, the abnormal points that are the closest to the cluster point, which are included or not in any clusters, can be detected sequentially and defined as the abnormality category.
비감독형학습의 경우는 대상자들의 기분상태와 연관 분석 해석은 불가하나 생체리듬 모델의 이상여부 판단은 가능하다. In the case of non-supervised learning, it is impossible to analyze the mood state of the subjects and to analyze them, but it is possible to judge whether the biorhythm model is abnormal.
감독형 학습법이던 비감독형 학습법이던 상황에 맞는 적절한 알고리즘을 채택하여 구현하면 된다. It can be implemented by adopting the appropriate algorithm according to the situation of the supervisory type learning method or the non-supervisory type learning method.
이처럼 분류 모델 기계 학습부(130)는 특징 지표에 대하여 기계적인 학습을 진행하여 정상 상태와 비정상 상태를 구별할 수 있는 임계치들을 설정하고 이를 근거로 입력되는 특징 지표들을 판단하여 정상 상태인지 비정상상태인지 분류한다. In this way, the classification model
다음으로, 기분상태 예측부(140)는 분류 모델 기계 학습부(130)에서 분류된 정상 상태 또는 비정상 상태를 이용하여 사용자의 향후 기분상태를 탐지하거나 예측한다.Next, the mood
그리고 모델 평가 및 자가 적응부(150)는 얼마나 정상/비정상 기분 상태를 잘 예측하는가 분류기 모델을 평가하고 좀 더 정확하게 예측하기 위해 모델 구성의 3요소(training dataset, training period, feature selection)를 지속적으로 튜닝하여 세팅하므로 자가적응 할 수 있는 진화형 기계학습과정을 거치도록 한다.The model evaluation and self-adaptation unit 150 predicts how well the normal / abnormal mood state is estimated. To evaluate the classifier model and to predict more accurately, the three elements of the model configuration (training dataset, training period, feature selection) Tuning and setting so that they can go through an evolutionary machine learning process that can adapt themselves.
생체리듬을 추적 관찰하기 위해서는 계속해서 입력으로 들어오는 스트리밍 데이터를 저장/가공/분석하여 최소 하루 단위로 앞서 거론한 주요 특징지표들을 추출하는 과정을 반복적으로 처리하여야 한다. In order to keep track of the biorhythm, it is necessary to repeatedly process the process of extracting the key features mentioned above at least once a day by storing / processing / analyzing the streaming data continuously inputted.
또한 생체리듬의 이상여부 판단을 위해 분류 모델 기계 학습부(130)에서 사용되는 기계학습 분류기 모델을 구축해야 하는데 분류기 모델은 모델 학습에 이용된 데이터가 무엇인가(훈련 집합)(training dataset), 어느 기간 데이터로 모델 학습을 하였는가(훈련 기간)(training period), 모델 학습에 이용되는 특징지표들을 어떻게 정하였는가(특징 지표)(feature selection)에 따라 분류기 모델의 이상여부 판단 성능이 달라질 수 있다. In order to determine whether the biorhythms are abnormal, a machine learning classifier model to be used in the classification model
따라서 모델 평가 및 자가 적응부(150)는 모델 학습을 한번만 수행하는 것이 아니라 사용자 개개인별로 계속해서 자동화되고 반복적인 기계학습 프로세스를 통해 세가지 구성요소(training dataset, training period, feature selection)를 평가하고 최적의 조합을 선정한다. 이 같은 모든 과정은 자동화가 가능하다. Therefore, the model evaluation and self-adaptation unit 150 evaluates three components (training dataset, training period, feature selection) through an automated and repetitive machine learning process for each individual user rather than performing the model learning once, . All of these processes can be automated.
아울러 비정상성 생체리듬을 결정하는 가장 영향력 있는 특징 정보를 매순간 선별할 수가 있다. 이 같은 정보는 생체리듬에 관심이 있는 사용자들에게 훌륭한 피드백이 된다. 예를 들어, 기분상태가 계속해서 좋지 않은 환자가 있다면 생활속에서 어떤 주요 특징지표들이 나빠져 그 같은 상태에 빠졌는지 정상적인 일반인들을 대상으로 비교하는 인과관계 분석 작업을 수행할 수 있다. In addition, the most influential feature information for determining the abnormal biorhythm can be selected every moment. This information is an excellent feedback for users interested in biorhythms. For example, if there is a patient whose mood state continues to be poor, a causal analysis can be performed that compares normal personality with the main characteristic indexes that have fallen into the same state in life.
이러한 과정은 계속해서 반복된다. 즉, 도 1의 과정 속 단계들은 개개인별로 동적인 부분(달라지는 부분)이 많다. 특징지표의 선택, 최적 알고리즘의 선택, 대상자들의 기분상태 피드백과의 인과관계분석, 모델 수정과 개선 최적화 단계 모두가 개개인별로 달라질 수 있는 요소이다. 따라서 본 발명 기술의 구현을 위해 범용 모델 보다는 개인맞춤형 모델을 구현하는 것이 바람직하다.This process is repeated over and over again. That is, the steps in the process of FIG. 1 have many dynamic parts (different parts) for each individual. The selection of the feature index, the selection of the optimal algorithm, the causal relationship analysis with the mood state feedback of the subjects, the model modification and the improvement optimization step are all factors that can be changed for each individual. Therefore, in order to implement the technique of the present invention, it is desirable to implement a personalized model rather than a general-purpose model.
예를 들어 다음 결과는 본 발명에서 제안된 특징지표들을 이용하여 비정상성 상태 분류기를 설계하였을 때 얻은 분류 모델의 정확도 성능 평가치이다(제안한 발명 아이디어의 유의성을 검증하기 위한 실험결과를 첨부하였음). For example, the following results are the accuracy performance evaluation of the classification model obtained when designing the abnormal state classifier using the feature index proposed in the present invention (the experimental result for verifying the significance of the proposed invention idea is attached).
약 30여명의 조울증-우울증 환자들을 대상으로 약 1년여 기간 이상 기분상태를 추적 조사하였고 감독형학습 방법 중에 하나인 랜덤 포레스트(Random Forest) 기계학습 알고리즘을 이용하여 평가한 성능 결과치이다. The mood status of over 30 people with depression was followed up for more than 1 year. The results were evaluated using the Random Forest machine learning algorithm, one of the supervised learning methods.
분류기 모델을 설계할 때 대상자들의 기분은 세가지 상태로 규정하였다(ZERO: 정상상태, UP: 기분이 뜬 상태, DOWN: 기분이 가라앉은 상태). When designing the classifier model, the mood of the subjects was defined as three states (ZERO: normal state, UP: mood state, DOWN: mood state).
도 3의 결과표의 빨간색에서 표시하듯 세가지 기분상태를 평균적으로 약 70%의 정확도(True Positive)로 분류할 수 있는 것을 확인 할 수 있었다.As shown in the red of the result table in FIG. 3, it can be seen that the three mood states can be classified as an average of about 70% of the accuracy (True Positive).
한편, 도 1의 분류모델 기계 학습부(130)에서 모델을 학습하는 기간이 민감하고 중요할 수 있다. Meanwhile, the period of learning the model in the classification model
본 발명은 대상자의 미래 시점의 기분을 좌우 할 수 있는 현 시점(또는 과거 시점)의 비정상적인 생체리듬 특징을 발견하는 것이다. The present invention is to discover an abnormal biorhythm characteristic of the present time (or past time) that can influence the mood of the future of the subject.
또한 제안 기술은 일시적으로 비정상성 탐지를 행하는 것이 아니라 지속적인 스트리밍 데이터에 대해 탐지 알고리즘을 학습시키고 구동시켜야 하기 때문에 모델 학습과 테스팅(예측)에 관한 기간 설정 업데이트 및 튜닝작업이 중요하다. Also, updating and tuning of the period setting for model learning and testing (prediction) is important because the proposed technology should learn and operate the detection algorithm for continuous streaming data instead of temporarily detecting the abnormality.
도 1의 모델 평가 및 자가 적응부(150)가 관련 판단을 한다. 이와 관련하여 도 4는 현 시점이 t에서 미래 시점 n일 동안에 사용자들의 기분상태가 어떻게 될 것인가를 예측하기 위해 과거 m일 동안의 생체리듬 특징지표들을 학습하고자 하는 과정을 설명한다. The model evaluation and self-adaptation unit 150 of FIG. 1 make relevant determinations. In this regard, FIG. 4 illustrates a process of learning biorhythm characteristic indexes for past m days in order to predict how the mood state of users will be during the present time t to the future n view day.
예를 들어 m은 과거 3일, 과거 1주일, 과거 2주일 등이 될 수 있으며, n은 경우에 따라 미래 3일, 미래 1주일, 미래 2주일 등으로 정할 수 있을 것이다. For example, m may be the past 3 days, the past 1 week, the past 2 weeks, etc., and n may be set to 3 days in the future, 1 week in the future, 2 weeks in the future.
여기서 파라미터 m과 n을 어떻게 설정하느냐에 따라 기분상태 예측 정확도가 달라질 수 있으며 기분상태의 비정상성을 결정하는 특징지표가 달라질 수 있다. Here, the accuracy of the mood state prediction can be changed depending on how the parameters m and n are set, and the characteristic index for determining the mood state abnormality can be changed.
또한 스트리밍 데이터가 입력으로 주어지는 상황을 고려할 때 t는 시간 축에서 계속해서 오른쪽으로 슬라이딩하며 이동할 것이다. Also, given the situation where streaming data is given as input, t will continue to slide to the right on the time axis.
결론적으로 이동되는 t를 기준으로 m과 n을 어떻게 결정할 것인가를 도 1의 모델 평가 및 자가 적응부(150)에서 계속해서 최적화 튜닝 세팅을 결정하고 결정된 세팅은 과정이 반복되는 도 1의 분류 모델 기계 학습부(130)에 지속적으로 반영되어 성능 개선 업데이터가 이루어진다.In conclusion, how to determine m and n based on the shifted t is determined by the model evaluation and auto adaptation unit 150 of FIG. 1, and the determined tuning setting is determined. And is continuously reflected in the
도 5는 본 발명의 바람직한 일 실시예에 따른 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 방법의 흐름도이다.FIG. 5 is a flowchart illustrating a method for detecting abnormality of one cycle biorhythm using a wearable sensor according to a preferred embodiment of the present invention.
도 5를 참조하면, 본 발명의 바람직한 일 실시예에 따른 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 방법은 먼저, 데이터 수집부가 착용형 센서의 맥박 센서로부터 48시간 동안 단위 시간당 맥박수 데이터를 수집(일주기리듬을 유추하기 위해서는 최소 24시간*2회 분량의 시계열 데이터가 필요)한다(S100).Referring to FIG. 5, in a method for detecting an abnormality of one-cycle biorhythm using a wearable sensor according to a preferred embodiment of the present invention, pulse data per unit time for 48 hours is measured from a pulse sensor of a wearable sensor, (In order to infer the circadian rhythm, a minimum of 24 hours * 2 times of time series data is required) (S100).
그리고, 특징 지표 산출부는 상기 데이터 수집부에서 수집한 48시간 동안 단위 시간당 맥박수 데이터에 대하여 노이즈를 고려하여 수학적으로 함수적합화 과정(curve fitting 또는 cosinor analysis라고 칭함)을 수행하여 코사인파(cosine wave) 형태의 맥박 피팅 커브를 도출하여, 생체리듬의 이상여부를 판단하기 위하여 정점 위상(Acrophase), 진폭(Amplitude), 결정계수(R2)를 맥박 특징 지표로 선별한다(S110).The feature index calculator mathematically performs a function fitting process (called curve fitting or cosinor analysis) in consideration of noise for the pulse rate data per unit time for 48 hours collected by the data collecting unit to obtain a cosine wave, (Acrophase), amplitude and determination coefficient (R 2 ) are selected as a pulse characteristic index in order to determine whether the biorhythm is abnormal (S110).
또한, 상기 데이터 수집부는 착용형 센서에 있는 조도 센서로부터 사용자의 빛 노출 시점, 빛 노출 시간, 및 빛 노출 정도를 포함한 빛 노출 정보를 수집한다(S100).In addition, the data collecting unit collects light exposure information including the light exposure time, the light exposure time, and the light exposure degree of the user from the illuminance sensor in the wearable sensor (S100).
그리고, 특징지표 산출부는 그날의 일출 8시간 전에서 일출 시간까지 사용자가 노출된 빛의 누적양(light exposure before sunrise)인 야간 광노출량과 일출 시간에서 일몰 시간까지 낮시간동안 사용자가 노출된 빛의 누적양(light exposure during daytime)인 주간 광노출량을 조도 특징지표로 산출한다(S110).In addition, the feature index calculator calculates the amount of light emitted by the user during the day from sunrise time to sunset time, which is the cumulative amount of light exposure (light exposure before sunrise) from 8 hours before sunrise to sunrise time of the day, The daylight exposure amount, which is the light exposure during daytime, is calculated as the illuminance characteristic index (S110).
또한, 데이터 수집부는 착용 센서의 움직임 감지 센서에서 감지한 사용자의 움직임 정보를 수집한다(S100).In addition, the data collecting unit collects the motion information of the user sensed by the motion sensor of the wear sensor (S100).
그리고, 특징 지표 산출부는 데이터 수집부에서 수집한 사용자의 움직임 정보를 이용하여 그날의 일출 8시간 전에서 일출 새벽 시간까지 누적 걸음 수(steps before sunrise)인 야간 누적 걸음수와 일출시간에서 일몰 낮 시간 동안 누적 걸음 수(steps during daytime)인 주간 누적 걸음수를 활동량 특징지표로 산출한다(S110).In addition, the feature index calculator calculates the number of cumulative steps at night (steps before sunrise) from 8 hours before sunrise to the dawn time of the day using the user's motion information collected from the data collection unit, The number of accumulated steps during the week (steps during daytime) is calculated as an activity feature index (S110).
또한, 특징 지표 산출부는 그날의 수면시간(sleep length)인 일일 수면 시간과 그날의 수면의 질(sleep quality)인 일일 수면 질을 산출하여 수면 특징 지표로 산출한다(S110). In addition, the feature index calculator calculates the daily sleep quality, which is the sleep length of the day and the sleep quality of the day, and calculates the sleep quality index as a sleep feature index (S110).
여기에서, 일일 수면 시간은 착용형 센서내의 움직임 센서와 맥박 센서로부터 데이터 수집부가 수집한 정보를 근거로 특징 지표 산출부가 수면 길이를 추출하여 이용한다. Here, the daily sleeping time extracts the water surface length of the feature index calculating unit based on the information collected by the data collecting unit from the motion sensor and the pulse sensor in the wearable sensor.
사용자의 움직임을 감지하여, 일정 시간 이상 움직임의 정도가 임계치 이하로 떨어지는 구간을 수면 상태로 도출하여, 상기 사용자의 일주기를 수면 상태와 활동 상태로 나눌 수 있다. 임계치 판단 만으로 오류 가능성이 있다면 시간 정보와 조도 센서 정보를 복합적으로 이용해 상태 판단의 정확도를 높일 수 있다. 예를 들어 낮 시간에 움직임 없이 가만히 의자에 장시간 앉아 공부를 한다면 움직임 센서만으로는 수면상태로 오판 가능하나, 조도센서(어두운 공간인 경우)와 움직임 관찰 시간대(야간인 경우) 정보를 함께 참고하면 오판 가능성을 크게 낮출 수있다. 이를 통해, 상기 수면 상태의 움직임 정도와 수면 상태의 지속 시간 및 수면의 시작시간 및 종료시간을 포함하는 수면 정보를 생성할 수 있다. 수면 이외의 시간인 동안 활동시간 동안, 움직임 강도, 지속시간 등을 포함하는 활동 정보를 생성할 수 있다.A period in which the degree of motion of the user falls below a threshold value for a predetermined period of time is derived as a sleep state and the user's period is divided into a sleep state and an activity state. If there is a possibility of error only by determining the threshold value, the accuracy of the state judgment can be enhanced by using the time information and the illuminance sensor information in combination. For example, if you sit in a chair for a long time without moving in the daytime, you may be misled by the motion sensor alone, but if you refer to the light sensor (in case of dark space) and motion observation time Can be greatly reduced. Thus, sleep information including the degree of motion of the sleep state, the duration of the sleep state, and the start and end times of the sleep can be generated. During the activity time during non-sleep time, activity information including motion intensity, duration, etc. may be generated.
그리고, 일일 수면 질은 특징 지표 산출부가 앞서 구한 수면 길이에서 뒷척임으로 잠을 설치거나 낮은 단계의 수면을 취한 시간을 빼서 백분율로 수면의 질을 산출한다.In addition, the daily sleep quality is calculated as the percentage of sleep quality by subtracting the time taken by the feature index calculator to take the sleeping backward or to take the low-level sleep from the previous sleep length.
추가적으로 특징 지표 산출부는 위에서 거론된 주요 특징지표들(맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표, 수면 특징지표)을 확장할 수 있다. In addition, the feature index calculator can extend key feature indexes (pulse feature index, illumination feature index, activity feature index, sleep feature index) mentioned above.
예를 들어 해당 관심 특징 지표들의 과거 3일 동안, 과거 1주일 동안, 과거 2주 동안의 평균과 표준편차 특징을 추적 조사할 수 있다. For example, the mean and standard deviation characteristics for the past three weeks, the past one week, and the past two weeks of the relevant characteristics tracing can be traced.
그리고 점차적으로 특징 지표들이 증가 추세에 있는가 감소 추세에 있는가 등에 관한 추가 특징 지표도 조사 가능하다. It is also possible to investigate additional feature indexes such as whether the trends of the feature indexes are gradually increasing or decreasing.
따라서 본 발명에서는 특징 지표 산출부는 기본 특징 지표들의 과거 평균, 편차, 추세에 관한 확장 특징 지표들 또한 생체리듬 이상 여부 판단에 이용할 수 있도록 확장 특징 지표로 추출하고 이를 선별한다. Therefore, in the present invention, the feature index calculator extracts and extracts the extended feature indexes related to the past average, deviation, and trend of the basic feature indexes as extended feature indexes for use in determining whether the biorhythms are abnormal.
다음으로, 분류 모델 기계 학습부는 특징 지표 산출부에서 생체리듬을 포착하기 위해 추출된 주요 특징지표들을 기계학습하여 어떤 지표들이 정상 기분상태를 유도하고 어떤 지표들이 비정상 기분상태를 유도할 수 있는가 분석한다(S120).Next, the classification model machine learning section analyzes the key feature indexes extracted to capture the biorhythm in the feature index calculator to determine which indexes induce the normal mood state and which indexes can induce the abnormal mood state (S120).
여기에서, 비정상 상태는 기분이 업된 상태와 기분이 가라앉은 상태로 구분할 수 있다.Here, the abnormal state can be classified into a mood-up state and a mood-depressed state.
즉, 데이터 수집부가 사용자들로부터 착용 센서를 이용하여 맥박, 빛 노출, 활동량 등에 대한 데이터를 수집하고 특징 지표 산출부(120)가 수집된 데이터에서 특징 지표를 산출하면, 분류 모델 기계 학습부(130)는 사용자들로부터 기분의 이상여부에 관한 정보를 획득(예를 들어 조증-우울증 정도에 따른 기분점수를 설문방식을 통해 획득) 하여 기계 학습하여 정상 상태와 비정상 상태를 분류할 수 있도록 한다. 여기에서, 비정상 상태는 기분이 업된 상태와 기분이 가라앉은 상태로 구분할 수 있다.That is, when the data collecting unit collects data on pulse, light exposure, activity amount and the like using the wear sensor from the users and the feature
일예로 기계학습의 훈련 집합은 약 30여명의 조울증-우울증 환자들을 대상으로 약 1년여 기간 이상 기분상태를 추적 조사하여 형성할 수 있다. For example, a training set of machine learning can be formed by tracing mood states for about one year or more over about 30 people with bipolar depression.
이러한 분류 모델 기계 학습부가 기계 학습하는 기본 특징 지표들은 맥박 특징 지표(진폭, 정점위상, 결합계수(R2)), 조도 특징 지표(야간 광노출량, 주간 광노출량), 활동량 특징 지표(야간 누적 걸음수, 주간 누적 걸음수) 및 수면 특징 지표(일일 수면시간, 일일 수면질)을 포함한다. The basic features of this classification model machine learning unit are the pulse characteristic index (amplitude, peak phase, coupling coefficient (R 2 )), illumination characteristic index (night light exposure amount, weekly light exposure amount), activity amount characteristic index Number of weeks, cumulative weekly steps), and sleep characteristics index (daily sleep time, daily sleep quality).
이에 더하여 분류 모델 기계 학습부는 기본 특징 지표의 각각에 대한 평균, 편차 및 추세에 관한 확장 특징 지표들을 포함할 수 있다.In addition, the classification model machine learning section may include extended feature indicators for the mean, variance, and trend for each of the base feature indicators.
상기 분류 모델 기계 학습부는 기본 특징 지표들과 확장 특징 지표들을 이용하여 정상과 비정상을 분류할 수 있는 분류기를 모델링 한다. The classification model machine learning unit models a classifier capable of classifying normal and abnormal classes using basic characteristic indicators and extended characteristic indicators.
이처럼 분류 모델 기계 학습부는 특징 지표에 대하여 기계적인 학습을 진행하여 정상 상태와 비정상 상태를 구별할 수 있는 임계치들을 설정하고 이를 근거로 입력되는 특징 지표들을 판단하여 정상 상태인지 비정상상태인지 분류한다. In this way, the classification model machine learning unit sets thresholds that can discriminate between the steady state and the abnormal state by performing mechanical learning on the feature index, and judges input feature indexes based on the thresholds to classify whether the state is normal or abnormal.
다음으로, 기분상태 예측부는 분류 모델 기계 학습부에서 분류된 정상 상태 또는 비정상 상태를 이용하여 사용자의 향후 기분상태를 탐지하거나 예측한다(S130).Next, the mood state predicting unit detects or predicts a mood state of the user using the steady state or the abnormal state classified by the classification model machine learning unit (S130).
그리고 모델 평가 및 자가 적응부는 얼마나 정상/비정상 기분 상태를 잘 예측하는가 분류기 모델을 평가하고 좀 더 정확하게 예측하기 위해 모델 구성의 3요소(training dataset, training period, feature selection)를 지속적으로 튜닝하여 세팅하므로 자가적응 할 수 있는 진화형 기계학습과정을 거치도록 한다(S140).In addition, the model evaluation and self-adaptation part predicts how well the normal / abnormal mood state is. In order to evaluate the classifier model and predict more accurately, the three parameters of the model configuration (training dataset, training period, feature selection) An evolutionary machine learning process capable of self-adaptation is performed (S140).
생체리듬을 추적 관찰하기 위해서는 계속해서 입력으로 들어오는 스트리밍 데이터를 저장/가공/분석하여 최소 하루 단위로 앞서 거론한 주요 특징지표들을 추출하는 과정을 반복적으로 처리하여야 한다. In order to keep track of the biorhythm, it is necessary to repeatedly process the process of extracting the key features mentioned above at least once a day by storing / processing / analyzing the streaming data continuously inputted.
또한 생체리듬의 이상여부 판단을 위해 분류 모델 기계 학습부에서 사용되는 기계학습 분류기 모델을 구축해야 하는데 분류기 모델은 모델 학습에 이용된 데이터가 무엇인가(훈련 집합)(training dataset), 어느 기간 데이터로 모델 학습을 하였는가(훈련 기간)(training period), 모델 학습에 이용되는 특징지표들을 어떻게 정하였는가(특징 지표)(feature selection)에 따라 분류기 모델의 이상여부 판단 성능이 달라질 수 있다. In order to judge the abnormality of the biorhythm, we need to construct a machine learning classifier model used in the classification model machine learning section. The classifier model is composed of training data (training dataset) The performance of determining whether the classifier model is abnormal can be changed according to how the model is learned (training period) (training period), and how the characteristic indexes used for model learning are set (feature index) (feature selection).
상기와 같은 본 발명에 따르면, 대상자의 일주기 생체리듬의 변화를 실시간으로 감지하여 이상여부(비정상성)를 자동으로 판단하고, 필요시 해당 정보를 예측하여 대상자나 대상자의 보호자(또는 의료진)에게 전달할 수 있다. According to the present invention as described above, it is possible to detect a change in the periodic biorhythm of a subject in real time to automatically determine an abnormality (abnormality), predict the information if necessary, and transmit it to a guardian .
이처럼 생체리듬의 교란을 미리 감지하여 적시에 적절한 선제적 치료와 중재가 이루어질 수 있도록 한다. In this way, the disturbance of the biorhythm is detected in advance, so that appropriate preemptive treatment and arbitration can be done in a timely manner.
또한, 조울증-재발성우울증은 대상자의 수면각성주기, 적절한 시간대의 빛 노출과 활동 등의 생체리듬의 조절이 매우 중요한 바, 본 발명의 생체리듬 이상여부 탐지 기술을 이용하면 지속적인 대상자 관리가 가능하다.In addition, the bipolar-recurrent depression can be continuously managed by using the biorhythm abnormality detection technique of the present invention because the control of the biorhythm of the subject's sleeping arousal cycle, the light exposure and the activity in the appropriate time period is very important .
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 기재된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상이 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의해서 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The foregoing description is merely illustrative of the technical idea of the present invention, and various changes and modifications may be made by those skilled in the art without departing from the essential characteristics of the present invention. Therefore, the embodiments of the present invention are not intended to limit the scope of the present invention but to limit the scope of the present invention. The scope of protection of the present invention should be construed according to the following claims, and all technical ideas within the scope of equivalents thereof should be construed as being included in the scope of the present invention.
100 : 착용 센서 110 : 데이터 수집부
120 : 특징 지표 산출부 130 : 분류 모델 기계 학습부
140 : 기분상태 예측부 150 : 모델 평가 및 자가 적응부 100: worn sensor 110: data collecting unit
120: feature index calculation unit 130: classification model machine learning unit
140: mood state prediction unit 150: model evaluation and self adaptation unit
Claims (14)
상기 데이터 수집부에서 수집된 맥박 정보로부터 맥박 특징 지표를 산출하고, 빛 노출 정보로부터 조도 특징 지표를 산출하며, 움직임 정보로부터 활동량 특징 지표와 수면 특징 지표를 산출하는 특징 지표 산출부;
훈련 집합을 구성하는 다수의 사용자로부터 측정된 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표와 정상 상태 또는 비정상 상태 정보를 입력받아 기계학습을 수행하여 분류기 모델을 설계하고, 설계된 분류기 모델을 이용하여 상기 특징 지표 산출부에서 입력되는 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표를 근거로 정상 상태 또는 비정상 상태로 분류하는 분류 모델 기계 학습부; 및
상기 분류 모델 기계 학습부에서 출력되는 정상 상태 또는 비정상 상태의 분류에 기반하여 기분 상태를 예측하는 기분 상태 예측부를 포함하며,
상기 특징 지표 산출부는 상기 데이터 수집부에서 수집한 일정시간 동안 단위 시간당 맥박수 데이터에 대하여 함수적합화 과정을 수행하여 맥박 피팅 커브를 도출하여, 생체리듬의 이상여부를 판단하기 위하여 정점 위상, 진폭 및 결정계수를 맥박 특징 지표로 선별하며,
상기 특징 지표 산출부는 일출 8시간 전에서 일출 시간까지 사용자가 노출된 빛의 누적양(light exposure before sunrise)인 야간 광노출량과 일출 시간에서 일몰 시간까지 낮시간동안 사용자가 노출된 빛의 누적양(light exposure during daytime)인 주간 광노출량을 조도 특징지표로 산출하며,
상기 특징 지표 산출부는 상기 데이터 수집부에서 수집한 사용자의 움직임 정보를 이용하여 일출 8시간 전에서 일출 새벽 시간까지 누적 걸음 수(steps before sunrise)인 야간 누적 걸음수와 일출시간에서 일몰 낮 시간 동안 누적 걸음 수(steps during daytime)인 주간 누적 걸음수를 활동량 특징지표로 산출하며,
상기 분류 모델 기계 학습부는 특징 지표의 각각에 대한 평균, 편차 및 추세에 관한 확장 특징 지표들을 포함하며,
상기 분류 모델 기계 학습부가 사용자들로부터 조증-우울증 정도에 따른 기준점수를 획득하여 감독형 학습 알고리즘을 이용하여 정상 상태와 비정상 상태를 분류할 수 있도록 하고,
상기 기분상태 예측부의 기분 상태 예측 결과를 전송받아 상기 분류기 모델을 평가하고 분류기 모델을 튜닝하여 세팅하므로 자가적응할 수 있도록 하는 모델 평가 및 자가 적응부를 더 포함하고,
상기 모델 평가 및 자가 적응부는 생체리듬의 이상여부 판단을 위해 분류 모델 기계 학습부에서 사용되는 기계학습 분류기 모델을 훈련 집합, 훈련 기간 및 특징 지표를 튜닝하는 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치.A data collection unit for collecting pulse information, light exposure information, and motion information from a wear sensor;
A feature index calculation unit for calculating a pulse feature index from pulse information collected by the data collection unit, calculating an illumination feature index from the light exposure information, calculating an activity feature index and a sleep feature index from the motion information;
The classifier model is designed by performing machine learning by inputting pulse characteristic index, lightness feature index, activity feature index and sleep feature index and steady state or abnormal state information measured from a large number of users constituting the training set, A classification model machine learning unit for classifying a normal state or an abnormal state on the basis of a pulse characteristic index, an illuminance characteristic index, an activity quantity characteristic index and a sleep characteristic index input from the characteristic index calculation unit using the characteristic index calculation unit; And
And a mood state predicting unit for predicting the mood state based on the classification of the steady state or the abnormal state output from the classification model machine learning unit,
The feature index calculator calculates a pulse fitting curve by performing a function fitting process on the pulse rate data per unit time for a predetermined period of time collected by the data collecting unit, and determines a peak phase, an amplitude, and a decision Coefficient is selected as a pulse characteristic index,
The feature index calculator calculates the cumulative amount of light that the user has exposed during the day from sunrise time to sunset time, which is the amount of light exposure before sunrise (8 hours before sunrise to sunrise time) light exposure during daytime) as a feature index,
The feature index calculator calculates the number of cumulative steps at night, which is steps before sunrise from 8 hours before sunrise to the dawn time of the sun, using the user's motion information collected by the data collection unit, The number of steps during the day, which is the number of steps during the week,
The classification model machine learning section includes extended feature indexes relating to the average, deviation and trend for each of the feature indexes,
The classification model machine learning unit obtains a reference score according to the degree of mania-depression from users and classifies the steady state and the abnormal state using a supervised learning algorithm,
A model evaluating and self adapting unit for receiving the mood state prediction result of the mood state predicting unit, evaluating the classifier model, and tuning and setting the classifier model so as to be self-adaptive,
The model evaluation and self-adaptation section may use the machine learning classifier model used in the classification model machine learning section to determine whether the biorhythm is abnormal, the abnormality of the one-cycle biorhythm using the wearable sensor for tuning the training set, Gender detection device.
상기 특징 지표 산출부는 일일 수면 시간과 일일 수면 질을 수면 특징 지표로 산출하는 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 장치.The method according to claim 1,
Wherein the feature index calculating unit calculates a daily sleeping time and a daily sleeping quality as a sleeping feature index, and detects the abnormality of one cycle of the biorhythm using the wearable sensor.
(B) 특징 지표 산출부가 상기 데이터 수집부에서 수집된 맥박 정보로부터 맥박 특징 지표를 산출하고, 빛 노출 정보로부터 조도 특징 지표를 산출하며, 움직임 정보로부터 활동량 특징 지표와 수면 특징 지표를 산출하는 단계;
(C) 분류 모델 기계 학습부가 훈련 집합을 구성하는 다수의 사용자로부터 측정된 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표와 정상 상태 또는 비정상 상태 정보를 입력받아 기계학습을 수행하여 분류기 모델을 설계하는 단계;
(D) 분류 모델 기계 학습부가 설계된 분류기 모델을 이용하여 상기 특징 지표 산출부에서 입력되는 맥박 특징 지표, 조도 특징 지표, 활동량 특징 지표 및 수면 특징 지표를 근거로 정상 상태 또는 비정상 상태로 분류하는 단계; 및
(E) 기분 상태 예측부가 상기 분류 모델 기계 학습부에서 출력되는 정상 상태 또는 비정상 상태의 분류에 기반하여 기분 상태를 예측하는 단계를 포함하며,
상기 (B) 단계는
(B-1)상기 특징 지표 산출부는 상기 데이터 수집부에서 수집한 일정시간 동안 단위 시간당 맥박수 데이터에 대하여 함수적합화 과정을 수행하여 맥박 피팅 커브를 도출하는 단계; 및
(B-2) 상기 특징 지표 산출부는 생체리듬의 이상여부를 판단하기 위하여 정점 위상, 진폭 및 결정계수를 맥박 특징 지표로 선별하는 단계를 포함하며,
상기 (B) 단계의 상기 특징 지표 산출부는 일출 8시간 전에서 일출 시간까지 사용자가 노출된 빛의 누적양(light exposure before sunrise)인 야간 광노출량과 일출 시간에서 일몰 시간까지 낮시간동안 사용자가 노출된 빛의 누적양(light exposure during daytime)인 주간 광노출량을 조도 특징지표로 산출하며,
상기 (B) 단계의 상기 특징 지표 산출부는 상기 데이터 수집부에서 수집한 사용자의 움직임 정보를 이용하여 일출 8시간 전에서 일출 새벽 시간까지 누적 걸음 수(steps before sunrise)인 야간 누적 걸음수와 일출시간에서 일몰 낮 시간 동안 누적 걸음 수(steps during daytime)인 주간 누적 걸음수를 활동량 특징지표로 산출하며,
상기 분류 모델 기계 학습부는 특징 지표의 각각에 대한 평균, 편차 및 추세에 관한 확장 특징 지표들을 포함하며,
상기 분류 모델 기계 학습부가 사용자들로부터 조증-우울증 정도에 따른 기준점수를 획득하여 감독형 학습 알고리즘을 이용하여 정상 상태와 비정상 상태를 분류할 수 있도록 하고,
(F) 모델 평가 및 자가 적응부가 상기 기분상태 예측부의 기분 상태 예측 결과를 전송받아 상기 분류기 모델을 평가하고 분류기 모델을 튜닝하여 세팅하므로 자가적응할 수 있도록 하는 단계를 더 포함하고,
상기 모델 평가 및 자가 적응부는 생체리듬의 이상여부 판단을 위해 분류 모델 기계 학습부에서 사용되는 기계학습 분류기 모델을 훈련 집합, 훈련 기간 및 특징 지표를 튜닝하는 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 방법.(A) collecting pulse information, light exposure information, and motion information from a wearable sensor of a data acquisition unit;
(B) calculating, by the feature index calculation unit, the pulse characteristic index from the pulse information collected by the data collection unit, calculating the illumination characteristic index from the light exposure information, calculating the activity characteristic index and the sleep characteristic index from the motion information;
(C) Classification Model A machine learning is performed by inputting pulse characteristic index, illuminance characteristic index, sleep characteristic index, and steady state or abnormal state information measured from a large number of users constituting a training set of a mechanical learning unit, Designing a model;
(D) classifying the classification model machine learning section into a steady state or an abnormal state based on a pulse characteristic index, an illuminance characteristic index, an activity characteristic index and a sleep characteristic index input from the characteristic index calculation section using a designed classifier model; And
(E) estimating the mood state based on the classification of the steady state or the abnormal state output from the classification model machine learning unit,
The step (B)
(B-1) the feature index calculating unit derives a pulse fitting curve by performing a function fitting process on pulse rate data per unit time for a predetermined time collected by the data collecting unit; And
(B-2) The feature index calculator includes a step of selecting a peak feature, an amplitude, and a determination coefficient as pulse feature indexes to determine whether the bodily rhythm is abnormal,
The feature index calculator of step (B) calculates the feature index of the user during the daytime from the sunrise time to the sunset time and the night light exposure amount which is the light exposure before sunrise of the user from 8 hours before sunrise to the sunrise time Day light exposure amount, which is the light exposure during daytime, is calculated as the illuminance characteristic index,
Wherein the feature index calculator of the step (B) calculates the feature index of the user by using the motion information of the user collected by the data collecting unit, the number of steps of the night cumulative steps before sunrise (dawn time) , The number of steps during the daytime (steps during daytime) is calculated as an activity feature index,
The classification model machine learning section includes extended feature indexes relating to the average, deviation and trend for each of the feature indexes,
The classification model machine learning unit obtains a reference score according to the degree of mania-depression from users and classifies the steady state and the abnormal state using a supervised learning algorithm,
(F) the model evaluation and self-adaptation unit receives the mood state prediction result of the mood state prediction unit, evaluates the classifier model, and tunes and sets the classifier model so that the self-adaptation can be performed;
The model evaluation and self-adaptation section may use the machine learning classifier model used in the classification model machine learning section to determine whether the biorhythm is abnormal, the abnormality of the one-cycle biorhythm using the wearable sensor for tuning the training set, Sex detection method.
상기 (B) 단계의 상기 특징 지표 산출부는 일일 수면 시간과 일일 수면 질을 수면 특징 지표로 산출하는 착용형 센서를 이용한 일주기 생체리듬의 비정상성 탐지 방법.The method of claim 8,
Wherein the feature index calculation unit in the step (B) calculates a daily sleeping time and a daily sleeping quality as a sleeping feature index, and detects the abnormality of the one cycle biorhythm using the wearable sensor.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160102332A KR101851690B1 (en) | 2016-08-11 | 2016-08-11 | A Appartus and Method for Anomaly Detection of the Circadian Rhythm Monitored with Wearable Sensors |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160102332A KR101851690B1 (en) | 2016-08-11 | 2016-08-11 | A Appartus and Method for Anomaly Detection of the Circadian Rhythm Monitored with Wearable Sensors |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180017854A KR20180017854A (en) | 2018-02-21 |
| KR101851690B1 true KR101851690B1 (en) | 2018-04-25 |
Family
ID=61524713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160102332A KR101851690B1 (en) | 2016-08-11 | 2016-08-11 | A Appartus and Method for Anomaly Detection of the Circadian Rhythm Monitored with Wearable Sensors |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101851690B1 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020056071A1 (en) * | 2018-09-14 | 2020-03-19 | Warsaw Orthopedic, Inc. | Wearable sensor device and analysis platform for objective outcome assessment in spinal diseases technical field |
| US11529208B2 (en) | 2018-07-19 | 2022-12-20 | Warsaw Orthopedic, Inc. | Break-off set screw |
| US11589905B2 (en) | 2018-07-19 | 2023-02-28 | Warsaw Orthopedic, Inc. | Set screw sensor placement |
| US11619918B2 (en) | 2020-09-28 | 2023-04-04 | International Business Machines Corporation | Determining ambient controls |
| US11707299B2 (en) | 2018-07-19 | 2023-07-25 | Warsaw Orthopedic, Inc. | Antenna placement for a digital set screw |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102302071B1 (en) * | 2018-06-28 | 2021-09-15 | 연세대학교 산학협력단 | Method for predicting of depression and device for predicting of depression risk using the same |
| KR102425053B1 (en) * | 2019-12-27 | 2022-07-28 | 순천향대학교 산학협력단 | Gait data based exercise recommendation system and method thereof |
| KR102417541B1 (en) * | 2020-11-05 | 2022-07-06 | 주식회사 휴서카디안 | Apparatus and method for managing circadian rhythm based on feedback function |
| CN112617761B (en) * | 2020-12-31 | 2023-10-13 | 湖南正申科技有限公司 | Sleep stage staging method for self-adaptive focalization generation |
| KR102431205B1 (en) * | 2022-01-14 | 2022-08-11 | 루먼랩 주식회사 | Apparatus for generating training data and System for symptom diagnosis to which the Artificial Intelligence data training is applied |
-
2016
- 2016-08-11 KR KR1020160102332A patent/KR101851690B1/en active IP Right Grant
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11529208B2 (en) | 2018-07-19 | 2022-12-20 | Warsaw Orthopedic, Inc. | Break-off set screw |
| US11589905B2 (en) | 2018-07-19 | 2023-02-28 | Warsaw Orthopedic, Inc. | Set screw sensor placement |
| US11707299B2 (en) | 2018-07-19 | 2023-07-25 | Warsaw Orthopedic, Inc. | Antenna placement for a digital set screw |
| WO2020056071A1 (en) * | 2018-09-14 | 2020-03-19 | Warsaw Orthopedic, Inc. | Wearable sensor device and analysis platform for objective outcome assessment in spinal diseases technical field |
| US11278238B2 (en) | 2018-09-14 | 2022-03-22 | Warsaw Orthopedic, Inc. | Wearable sensor device and analysis platform for objective outcome assessment in spinal diseases |
| US11619918B2 (en) | 2020-09-28 | 2023-04-04 | International Business Machines Corporation | Determining ambient controls |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180017854A (en) | 2018-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101851690B1 (en) | A Appartus and Method for Anomaly Detection of the Circadian Rhythm Monitored with Wearable Sensors | |
| CN107106085B (en) | Apparatus and method for sleep monitoring | |
| US10912495B2 (en) | Activity recognition | |
| US20180000408A1 (en) | Baby sleep monitor | |
| JP6178331B2 (en) | Health monitoring system that calculates total risk score | |
| JP6053802B2 (en) | A monitoring system that monitors patients and detects patient delirium | |
| CN108388912A (en) | Sleep stage method based on multisensor feature optimization algorithm | |
| US20080234785A1 (en) | Sleep controlling apparatus and method, and computer program product thereof | |
| US8758243B2 (en) | System and method for diagnosing sleep apnea based on results of multiple approaches to sleep apnea identification | |
| JP2006271897A (en) | Apparatus and method for predicting sleepiness | |
| US20160128638A1 (en) | System and method for detecting and quantifying deviations from physiological signals normality | |
| CN103429150A (en) | Monitoring apparatus for monitoring physiological signal. | |
| KR102053604B1 (en) | Method for sleeping analysis and device for sleeping analysis using the same | |
| CN110706816A (en) | Method and equipment for regulating sleep environment based on artificial intelligence | |
| CN109328034A (en) | For determining the determination system and method for the sleep stage of object | |
| JP2021517504A (en) | Systems and methods for processing multiple signals | |
| US11141096B2 (en) | Method for predicting future change in physical condition of person from sleep-state history | |
| CN106821349A (en) | For the event generation method and device of wearable custodial care facility | |
| US11382534B1 (en) | Sleep detection and analysis system | |
| CN210494064U (en) | Dynamic electrocardio, respiration and motion monitoring equipment | |
| Poh et al. | Anomaly detection for home activity based on sequence pattern | |
| CN117338298B (en) | Emotion intervention method and device, wearable emotion intervention equipment and storage medium | |
| US20220183620A1 (en) | Determining a sleep state of a user | |
| EP4012722A1 (en) | Sleep quality analysis | |
| GB2600209A (en) | System and method for improving sleep |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |