KR102140229B1 - 운동기능 평가 시스템 및 방법 - Google Patents

운동기능 평가 시스템 및 방법 Download PDF

Info

Publication number
KR102140229B1
KR102140229B1 KR1020200011767A KR20200011767A KR102140229B1 KR 102140229 B1 KR102140229 B1 KR 102140229B1 KR 1020200011767 A KR1020200011767 A KR 1020200011767A KR 20200011767 A KR20200011767 A KR 20200011767A KR 102140229 B1 KR102140229 B1 KR 102140229B1
Authority
KR
South Korea
Prior art keywords
information
exercise function
function evaluation
unit
patient
Prior art date
Application number
KR1020200011767A
Other languages
English (en)
Inventor
함승문
이경석
장인호
최종국
왕지효
오연지
Original Assignee
이경석
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 이경석 filed Critical 이경석
Priority to KR1020200011767A priority Critical patent/KR102140229B1/ko
Application granted granted Critical
Publication of KR102140229B1 publication Critical patent/KR102140229B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—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
    • A61B5/1124—Determining motor skills
    • A61B5/0488—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Signal Processing (AREA)
  • Dentistry (AREA)
  • Neurosurgery (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Nursing (AREA)
  • Developmental Disabilities (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

운동 기능 평가 시스템에 관한 것이며, 운동 기능 평가 시스템은, 환자의 신체 일부에 착용되어 움직임 정보 및 생체 신호 정보를 포함하는 운동 기능 정보를 획득하는 측정 단말 및 상기 측정 단말로부터 획득된 상기 운동 기능 정보를 인공신경망 기반으로 구축된 학습모델에 적용하여 운동 기능을 평가하는 운동 기능 평가 장치를 포함하되, 상기 운동 기능 평가 장치는, 상기 측정 단말로부터 획득되는 운동 기능 정보를 수신하는 수신부, 상기 운동 기능 정보를 기반으로 전처리를 수행하는 전처리부, 복수의 운동 기능 정보를 입력으로 하고 운동기능 평가 항목을 출력으로 하는 인공신경망 기반으로 운동 기능 평가 모델을 구축하는 학습부, 상기 운동 기능 평가 모델을 기반으로 상기 운동 기능을 평가하는 평가부를 포함할 수 있다.

Description

운동기능 평가 시스템 및 방법{MOTOR FUNCTION EVALUATION SYSTEM AND METHOD}
본원은 운동기능 평가 시스템 및 방법에 관한 것이다.
현대사회에서는 고령화 및 성인병 증가로 인한 신경계질환 환자의 수와 신경계질환 관련 수술의 수가 증가하고 있다. 신경계 질환 환자가 늘어남에 따라, Motor Grade(모터 그레이드) 평가의 중요성이 증가하고 있다. 신경계는 신체의 활동을 상황에 맞게 조절 및 통제하는 역할을 하는데, 신경계 중 특히 말초신경계에 문제가 생기면 운동 신경세포에 퇴행성 변화가 생겨 서서히 사지의 쇠약 및 위축이 일어나며 결국 근 마비로 사망하고 된다.
현재는 신경계 질환 환자의 상태를 파악하기 위하여 Manual Muscle Testing(MMT) Grading Scale을 사용한 모터그레이드 측정법을 사용하고 있다. Motor Grade(운동기능사정)란 신경계질환 환자를 대상으로 Glasgow Coma Scale(GCS) 중 가장 큰 비중인 Motor Response의 평가 등급을 나타내는 척도이다.
모터그레이드 측정법이란 임상의 또는 간호사가 임의로 환자에게 자극을 가해 환자의 반응과 움직임을 주관적으로 판단하여 등급을 매기는 방법이다. 이는 의료진의 주관으로 판단하는 아날로그 방식으로 진행되기 때문에 각 임상의 혹은 간호사마다 측정 등급이 다르게 나타날 수 있으며, 이로 인해 환자에 대한 진료가 통일되지 않는 문제점이 발생한다.
본원의 배경이 되는 기술은 한국등록특허공보 제10-1814293호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 자극 세기의 정량화와 이에 따른 환자의 사지 움직임 패턴과 근전도에 기반한 모터그레이드를 평가할 수 있는 운동기능 평가 시스템 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 생체신호 및 생체물리량 정보 측정을 통해 임상적 분석결과를 제공하는 임상의사결정 지원기기를 포함하는 운동기능 평가 시스템 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 환자의 움직임을 객관화 및 정량화 가능한 운동기능 평가 시스템 및 방법을 제공하려는 것을 목적으로 한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 단계적으로 사용 가능한 운동기능 평가 시스템 및 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 운동 기능 평가 시스템은, 환자의 신체 일부에 착용되어 움직임 정보 및 생체 신호 정보를 포함하는 운동 기능 정보를 획득하는 측정 단말 및 상기 측정 단말로부터 획득된 상기 운동 기능 정보를 인공신경망 기반으로 구축된 학습모델에 적용하여 운동 기능을 평가하는 운동 기능 평가 장치를 포함하되, 상기 운동 기능 평가 장치는, 상기 측정 단말로부터 획득되는 운동 기능 정보를 수신하는 수신부, 상기 운동 기능 정보를 기반으로 전처리를 수행하는 전처리부, 복수의 운동 기능 정보를 입력으로 하고 운동기능 평가 항목을 출력으로 하는 인공신경망 기반으로 운동 기능 평가 모델을 구축하는 학습부, 상기 운동 기능 평가 모델을 기반으로 상기 운동 기능을 평가하는 평가부를 포함할 수 있다.
또한, 상기 측정 단말은, 상기 움직임 정보 및 상기 생체 신호 정보와 관련된 정보를 생성하는 메인 유닛 및 상기 메인 유닛으로부터 확장되고, 양 끝단이 상호 연결됨으로써 상기 디바이스를 환자의 신체 일부에 착용되도록 하는 연결부를 포함하되 상기 메인 유닛은, 상기 움직임 정보 및 상기 생체 신호 정보를 획득하는 센서부, 상기 센서부의 측정 결과에 기초하여 상기 움직임 정보를 생성하는 움직임 정보 생성부 및 상기 센서부의 측정 결과에 기초하여 환자의 상기 생체 신호 정보를 생성하는 생체 신호 정보 생성부를 포함할 수 있다.
또한, 상기 센서부는, 로드셀 기반으로 상기 환자의 자극 강도를 측정하고, 상기 6축 가속도 센서를 기반으로 상기 환자의 생체물리량을 측정하고, 상기 근전도 센서를 기반으로 상기 환자의 생체신호를 측정할 수 있다.
또한, 상기 운동 기능 평가 장치는, 자극 세기 정량화 알고리즘에 상기 측정 단말로부터 수신된 상기 운동 기능 정보를 적용하여 신호 분석을 수행하는 신호 분석부를 더 포함할 수 있다.
또한, 상기 신호 분석부는, 사지 패턴 분석 알고리즘에 상기 측정 단말로부터 수신된 상기 운동 기능 정보를 적용하여 사지 패턴 분석을 수행할 수 있다.
또한, 상기 운동 기능 평가 시스템은, 상기 측정 단말로부터 획득되는 운동 기능 정보 및 상기 운동 기능 평가 장치로부터 평가된 운동 기능 평가 결과를 저장하기 위한 운동 기능 평가 서버를 더 포함할 수 있다.
본원의 일 실시예에 따르면, 운동 기능 평가 방법은, 측정 단말로부터 움직임 정보 및 생체 신호 정보를 포함하는 운동 기능 정보를 수신하는 단계, 상기 운동 기능 정보를 기반으로 전처리를 수행하는 단계, 복수의 운동 기능 정보를 입력으로 하고 운동기능 평가 항목을 출력으로 하는 인공신경망 기반으로 운동 기능 평가 모델을 구축하는 단계 및 상기 운동 기능 평가 모델을 기반으로 상기 운동 기능을 평가하는 단계를 포함할 수 있다.
또한, 운동 기능 평가 방법은, 자극 세기 정량화 알고리즘에 상기 측정 단말로부터 수신된 상기 운동 기능 정보를 적용하여 신호 분석을 수행하는 단계 및 사지 패턴 분석 알고리즘에 상기 측정 단말로부터 수신된 상기 운동 기능 정보를 적용하여 사지 패턴 분석을 수행하는 단계를 더 포함할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 자극 세기, 생체 신호, 생체물리량의 객관화를 통해 모터그레이드(Motor Grade) 평가 시스템을 구축함으로써, 객관적 평가를 수행할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 생체신호 및 생체물리량 정보 측정을 통해 임상적 분석결과를 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 의료기관 임상실험을 통해 시스템 검증 및 신뢰성을 확보할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 로드셀을 기반으로 자극강도를 측정하고, 6축 모션센서를 기반으로 생체물리량을 측정하고, 근전도 센서를 기반으로 생체 신호를 측정할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 환자(사용자)의 신체 일부에 착용되는 기기를 이용하여 공간 제약성이 낮으며, 블루투스로 통신이 가능하며, 의료용으로 사용 가능한 운동기능 평가 시스템을 제공할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 사지의 움직임을 각도로 정량화함으로써 정확한 모터그레이드 평가를 수행할 수 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 운동 기능 평가 시스템의 개략적인 구성도이다.
도 2는 본원의 일 실시예에 따른 운동 기능 평가 장치의 개략적인 블록도이다.
도 3은 본원의 일 실시예에 따른 측정 단말의 개략적인 블록도이다.
도 4는 본원의 일 실시예에 따른 운동 기능 평가 방법에 대한 동작 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
본원은 모터그레이드(Motor Grade) 평가를 객관화하고 정량화 할 수 있다. 또한, 본원은 모터그레이드(Motor Grade)의 객관적인 데이터를 수집하고, 빅데이터(Big Data) 기반의 의료서비스 모델을 창출할 수 있다.
본원은 자극 세기의 정량화를 통한 자극의 객관화 및 신뢰성을 확보할 수 있다. 또한, 본원은 6축 모션센서 기반으로 사지 움직임 데이터의 정확성을 향상시킬 수 있다. 또한, 본원은 근전도 분석을 통해 자발적 움직임을 추정할 수 있다. 또한, 본원은 빅데이터 기반의 의료 서비스를 창출할 수 있다. 즉, 본원은 자극, 생체신호, 생체물리량의 객관화를 통한 모터그레이드(Motor Grade) 평가 시스템을 구축하고, 의료기관 임상실험을 통한 시스템 검증 및 신뢰성을 확보할 수 있다.
도 1은 본원의 일 실시예에 따른 운동 기능 평가 시스템의 개략적인 구성도이다.
도 1을 참조하면, 운동 기능 평가 시스템(1)은 운동 기능 평가 장치(10), 측정 단말(20) 및 운동 기능 평가 서버(30)를 포함할 수 있다. 운동 기능 평가 장치(10), 측정 단말(20) 및 운동 기능 평가 서버(30)는 네트워크(40)를 통해 연결될 수 있다. 다만, 운동 기능 평가 시스템(1)의 구성이 앞서 설명된 실시예로 한정되는 것은 아니다. 예를 들어, 운동 기능 평가 시스템(1)은 병원 서버, 공공기관 서버 등과 네트워크(40)를 통해 연결될 수 있다.
일예로, 운동 기능 평가 시스템(1)은 운동 기능 평가 시스템(1)의 검증을 위한 의료기관의 임상시험을 진행할 수 있다. 운동 기능 평가 시스템(1)은 IRB (Institutional Review Board) 획득 후 환자의 안전을 보정하여 임상시험 평가를 진행할 수 있다.
본원의 일 실시예에 따르면, 운동 기능 평가 장치(10)는 측정 단말(20)로부터 획득되는 운동 기능 정보를 인공신경망 기반으로 구축된 학습 모델에 적용하여 운동 기능을 평가할 수 있다. 또한, 운동 기능 평가 장치(10)는 측정 단말(20)로부터 획득되는 운동 기능 정보를 각도 추정 알고리즘에 적용하여 환자의 움직임 각도를 추정할 수 있다. 또한, 운동 기능 평가 장치(10)는 측정 단말(20)로부터 획득되는 운동 기능 정보를 사지 패턴 분석 알고리즘에 적용하여 환자의 사지 움직임 패턴 정보를 추정할 수 있다. 또한, 운동 기능 평가 장치(10)는 측정 단말(20)로부터 획득되는 운동 기능 정보를 자극 세기 정량화 알고리즘에 적용하여 측정 단말(20)로부터 수신된 신호를 분석할 수 있다.
또한, 운동 기능 평가 장치(10)는 측정 단말(20)로부터 수신된 신호를 분석하여 자극 세기 정량화 알고리즘을 생성할 수 있다. 또한, 운동 기능 평가 장치(10)는 환자의 사지 패턴 분석을 위한 추적 알고리즘을 생성할 수 있다. 운동 기능 평가 장치(10)는 6축 모션센서 기반 쿼터니언 기법이 적용된 사지 패턴 분석 알고리즘을 생성할 수 있다. 운동 기능 평가 장치(10)는 패턴의 변위, 움직임의 크기, 시간 경과 등을 적용하여 환자의 사지 패턴 분석을 수행할 수 있다. 또한, 운동 기능 평가 장치(10)는 자발적 움직임 추정 알고리즘을 생성할 수 있다. 운동 기능 평가 장치(10)는 측정 단말(20)로부터 획득되는 데이터에 대한 디지털 신호처리를 수행할 수 있다. 또한, 운동 기능 평가 장치(10)는 자발적 움직임 추정 알고리즘에 측정 단말(20)로부터 획득되는 데이터를 적용하여 환자의 자발적 움직임 여부를 판단할 수 있다.
본원의 일 실시예에 따르면, 측정 단말(20)은 환자의 신체 일부에 착용되어 움직임 정보 및 생체 신호 정보를 포함하는 운동 기능 정보를 획득할 수 있다. 또한, 측정 단말(20)은 로드셀 기반으로 자극강도를 측정할 수 있다. 또한, 측정 단말(20)은 6축 모션센서를 기반으로 생체물리량을 측정할 수 있다. 또한, 측정 단말(20)은 근전도 센서를 기반으로 생체 신호를 측정할 수 있다. 일예로, 측정 단말(20)은 블루투스(Bluetooth)를 기반으로 운동 기능 평가 장치(10) 및 운동 기능 평가 서버(30)와 통신할 수 있다.
또한, 측정 단말(20)은 로드셀 기반으로 형성될 수 있다. 측정 단말(20)이 로드셀 기반으로 형성됨으로써, 자극 세기를 정량화할 수 있다. 로드셀(Load Cell)은 로드, 즉 하중, 부하, 힘을 측정하는 센서로 측정 압력치를 전기적 신호로 변환 출력할 수 있다. 측정 단말(20)은 6축 모션센서 기반 밴드타입 단말기 회로로 설계될 수 있으며, 밴드타입 단말기 무선통신회로를 포함할 수 있다. 또한, 측정 단말(20)은 근전도 전극 기반 암 밴드타입 단말일 수 있다. 측정 단말(20)은 암 밴드타입 단말기로 무선통신회로를 포함할 수 있다.
또한, 측정 단말(20)은 운동 기능 평가 장치(10) 및 운동 기능 평가 서버(30)와 네트워크 통신이 불가할 경우, 측정 단말(20)에 포함된 저장부(미도시)에 센서를 통해 수집된 운동 기능 정보를 저장할 수 있다. 측정 단말(20)은 운동 기능 평가 장치(10) 및 운동 기능 평가 서버(30)와 네트워크 통신이 가능한 경우, 측정 단말(20)에 포함된 저장부에 센서를 통해 수집된 운동 기능 정보에 저장된 운동 기능 정보를 제공할 수 있다. 즉, 측정 단말(20)은 네트워크 통신이 단절된 상황에서도 운동 기능 정보를 수집할 수 있다.
본원의 일 실시예에 따르면, 도1을 참조하면, 측정 단말(20)은 메인 유닛(2011), 연결부(2012)를 포함할 수 있다.
본원의 일 실시예에 따르면, 메인 유닛(2011)은 움직임 정보 및 생체 신호 전보와 관련된 정보를 생성할 수 있다. 또한, 연결부(2012)는 메인 유닛(2011)으로부터 확장되고, 양 끝단이 상호 연결됨으로써 디바이스를 환자(사용자)의 신체 일부에 착용되도록 할 수 있다.
메인 유닛(2011)은 버튼, 충전부, 버저(Buzzer), LED 디스플레이 등을 포함할 수 있다. 버튼은 측정 단말(20)의 전원을 on/off 할 수 있다. 충전부는 유선으로 연결되고 측정 단말(20)의 배터리를 충전시킬 수 있다. 버저는 운동 기능 평가 중 음향 출력부에서 제공하는 사운드를 출력시킬 수 있다. 일예로, 버저는, 메인 유닛(2011)의 중앙에 위치할 수 있다. LED 디스플레이는 복수의 광원을 포함할 수 있다. 복수의 광원은 가장 하단부터 오렌지 LED 1개와 파란색 LED 3개 및 가장 상단에 오렌지 LED 1개 총 5개를 포함할 수 있다. 일예로, 메인 유닛(2011)은 상태 표시 및 시계를 표시하는 OLED 디스플레이를 포함할 수 있다. 또한, 메인 유닛(2011)은 청각적 운동 기능 평가음을 제공하기 위한 버저를 포함할 수 있다. 다만, 메인 유닛(2011)의 구성이 이에 한정되는 것은 아니다.
본 발명의 다양한 실시예에 따르면, 연결부(2012)는 측정 단말(20)을 환자(사용자)의 손목 부위 및 발목 부위에 고정할 수 있도록 할 수 있다. 좀 더 상세히 말하면, 연결부(2012)는 우레탄(Urethane) 재질로 마련될 수 있으나 이에 한정되는 것은 아니다. 또한, 연결부(2012)는 손 또는 손목, 발 또는 발목에 보다 간소하게 체결되도록 다양한 방식으로 체결될 수 있으며, 구체적으로 연결부(2012)의 체결은 벨크로(Velcro), 스냅 단추, 자석 또는 홈과 돌기를 이용한 케이블 타이 방식 등으로 체결될 수 있다.
본 발명의 다른 예에 따르면, 측정 단말(20)은 탈착부(미도시)를 포함할 수 있다. 탈착부는 메인 유닛(2011)과 연결부(2012) 사이에 형성되고, 메인 유닛(2011)이 측정 단말(20)과 탈착 또는 부착되도록 고정시킬 수 있다. 다시 말하면, 탈착부는 측정 단말(20)과 메인 유닛(2011)을 분리하거나 고정시킬 수 있다. 탈착부는 측정 단말(20)과 메인 유닛(2011)을 분리하여 메인 유닛(2011)이 동작할 수 있도록 하고, 다른 측정 단말(20)의 메인 유닛(2011)이 측정 단말(20)에 부착되어 고정되도록 할 수 있다.
이러한 탈착부는 메인 유닛(2011)에 대해 이동, 충전 또는 보관 등 사용 상의 편리성을 제공할 수 있고, 다른 측정 단말(20)의 메인 유닛(2011)을 사용하는 등의 확장성을 제공할 수도 있다.
도면에는 도시되지 않았으나, 측정 단말(20)은 전원 공급부(미도시) 및 충전부(미도시)를 더 포함할 수 있다. 전원 공급부는 측정 단말(20)에 전원을 공급할 수 있다. 예를 들면, 전원 공급부는 측정 단말(20) 내부에 마련되는 리튬 배터리로 구비될 수 있으나 이에 한정되는 것은 아니다.
충전부는 메인 유닛(101)의 일 측면에 마련되어 측정 단말(20)을 충전시킬 수 있다. 일 예로, 충전부는 전원 공급부를 충전시킬 수 있도록 마련될 수 있으며, 마이크로 5핀(Micro 5 pin)으로 구성될 수 있다. 다만, 충전부의 구성이 앞서 설명된 것들로 한정되는 것은 아니며 예를 들면, 무선 충전 방식을 이용하는 등 다양한 구성이 적용될 수 있다.
본원의 다른 일 실시예에 따르면, 메인 유닛(2011)은 디스플레이를 통해, 배터리 잔량을 표시할 수 있다. 예시적으로, 메인 유닛(2011)은 5단계로 구분하여 배터리 잔량을 표시할 수 있다. 1단계의 경우, 배터리의 잔량이 0 내지 30% 남아 있는 경우로, 가장 하단에 위치한 오렌지 LED가 점등되도록 할 수 있다. 또한, 2단계의 경우, 배터리의 잔량이 30% 내지 60% 남아 있는 경우로, 가장 하단에 위치한 오렌지 LED와 파란색 LED 1개가 적층되어 점등되도록 할 수 있다. 또한, 3단계의 경우, 배터리의 잔량이 60% 내지 90% 남아 있는 경우로, 가장 하단에 위치한 오렌지 LED와 파란색 LED 2개가 적층되어 점등되도록 할 수 있다. 또한, 4단계의 경우, 배터리의 잔량이 90% 내지 95% 남아 있는 경우로, 가장 하단에 위치한 오렌지 LED와 파란색 LED 3개가 적층되어 점등되도록 할 수 있다. 또한, 5단계의 경우, 배터리의 잔량이 95% 이상 남아 있는 경우로, 가장 하단에 위치한 오렌지 LED와 파란색 LED 3개 및 가장 상단에 위치한 오렌지 LED가 적층되어 점등되도록 할 수 있다.
본원의 일 실시예에 따르면, 운동 기능 평가 서버(30)는 측정 단말(20)로부터 획득되는 운동 기능 정보 및 운동 기능 평가 장치(10)로부터 평가된 운동 기능 평가 결과를 저장할 수 있다. 또한, 운동 기능 평가 서버(30)는 측정 단말(20)로부터 획득된 운동 기능 정보를 데이터 셋으로 변환하여 저장할 수 있다. 또한, 운동 기능 평가 서버(30)는 운동 기능 평가 장치(10)가 운동 기능 정보를 기반으로 평가한 운동 기능 평가 결과를 데이터 셋으로 변환하여 저장할 수 있다.
또한, 운동 기능 평가 서버(30)는 분산된 측정 시스템의 데이터 수집을 위해 웹 서버를 구축할 수 있다. 운동 기능 평가 서버(30)는 운동 기능 평가 장치(10)로부터 수신되는 데이터 수집할 수 있다. 또한, 운동 기능 평가 서버(30)는 수집된 데이터의 체계적 관리를 위해 데이터베이스를 구축할 수 있다. 또한, 운동 기능 평가 서버(30)는 측정 단말(20)로부터 수집된 데이터의 관리 및 보관을 위한 데이터베이스를 구축할 수 있다.
본원의 다른 일 실시예에 따르면, 운동 기능 평가 장치(10)는 복수의 측정 단말(20)과 네트워크를 통해 연결되며, 환자(사용자)로부터 복수의 측정 단말(20) 각각을 식별하기 위한 환자(사용자) 정보를 입력받을 수 있다. 또한, 운동 기능 평가 장치(10)는 복수의 측정 단말(20)로부터 운동 기능 정보를 수집할 수 있다. 운동 기능 정보는 측정 단말(20)에 구비된 센서로부터 수집되는 정보일 수 있다. 또한, 운동 기능 평가 장치(10)는 미리 설정된 기준 정보에 기반하여 복수의 측정 단말(20)로부터 획득되는 운동 기능 정보에 대한 운동 기능 평가 정보를 제공할 수 있다.
본원의 일 실시예에 따르면, 운동 기능 평가 장치(10)는 사용자 단말(미도시) 및 의사 단말(미도시)로 운동 기능 평가 메뉴를 제공할 수 있다. 예를 들어, 운동 기능 평가 장치(10)가 제공하는 어플리케이션 프로그램을 사용자 단말(미도시) 및 의사 단말(미도시)이 다운로드하여 설치하고, 설치된 어플리케이션을 통해 운동 기능 평가 메뉴가 제공될 수 있다.
예시적으로, 운동 기능 평가 장치(10)는 사용자 단말에 설치되는 프로그램 또는 애플리케이션의 형태로 구현되는 장치일 수 있다. 달리 말해, 운동 기능 평가 장치(10)를 통해 제공되는 운동 기능 평가 방법은 일예로 프로그램 또는 애플리케이션의 형태로 구현될 수 있다.
운동 기능 평가 장치(10)는 사용자 단말(미도시) 및 의사 단말(미도시)과 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말, 또는 디바이스를 포함할 수 있다.
사용자 단말(미도시) 및 의사 단말(미도시)은 네트워크를 통해 운동 기능 평가 장치(10)와 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다.
운동 기능 평가 장치(10), 측정 단말(20) 및 운동 기능 평가 서버(30) 간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.
도 2는 본원의 일 실시예에 따른 운동 기능 평가 장치의 개략적인 블록도이다.
도 2를 참조하면, 운동 기능 평가 장치(10)는 수신부(11), 전처리부(12), 신호 분석부(13), 학습부(14) 및 평가부(15)를 포함할 수 있다. 다만, 운동 기능 평가 장치(10)의 구성이 이에 한정되는 것은 아니다. 예를 들면, 운동 기능 평가 장치(10)는
본원의 일 실시예에 따르면, 수신부(11)는 측정 단말(20)로부터 획득되는 운동 기능 정보를 수신할 수 있다. 일예로, 운동 기능 정보는, 움직임 정보 및 생체 신호 정보를 포함할 수 있다. 움직임 정보는, 자극강도 측정 정보 및 생체물리량 측정 정보를 포함할 수 있다. 또한, 생체 신호 정보는, 근전도 센서를 이용하여 수집된 정보일 수 있다. 근전도 검사는 신경과 근육에서 발생하는 전기적 신호를 기계를 통해 분석해 말초신경이나 신경 주변 및 근육의 이상이 있는지 보기 위한 검사이다. 또한, 수신부(11)는 외부 서버(미도시)로부터 환자(사용자)의 인적 사항 정보, 진료 정보 등을 수신할 수 있다. 일예로, 인적 사항 정보는, 환자(사용자)의 나이, 이름, 주소, 주민등록 번호, 보험증 번호 등을 포함할 수 있다. 진료 정보는, 환자(사용자)가 병원을 방문하고, 의사가 진료한 결과, MRI, CT, X-ray, 초음파 검사를 수행한 결과 등을 포함할 수 있다.
본원의 실시예에 관한 설명에서 외부 서버(미도시)는 병원 서버일 수 있다. 병원 서버(미도시)는 병원에 방문한 복수의 환자의 인적 사항 정보, 진료 정보 등을 보유하여 통합 관리하고, 소정의 사용자에 대해 진료 접수 및 진료 예약 절차 등을 처리하기 위해 병원 측이 보유하는 단말 또는 서버일 수 있다.
도면에 도시하진 않았으나, 운동 기능 평가 장치(10)는 통신부(미도시)를 포함할 수 있다.
일예로, 통신부(미도시) 이동 통신망, 와이파이 등을 이용하여 직접적으로 통신할 수 있으며, 블루투스로 마련되어, 측정 단말(20)과 근거리 통신하여 운동 기능 정보를 수신할 수 있다. 또한, 통신부(미도시)는 측정 단말(20)과 스마트 기기 어플리케이션 등의 운동 기능 평가 장치(10) 간의 데이터 동기화를 위해 블루투스 기반의 무선 통신 회로로 설계될 수 있다. 블루투스 통신 기반의 무선 네트워크 형성을 위해 더미 파일을 이용한 가상 네트워크가 구축될 수 있으며, 블루투스 저전력 프로파일을 이용하여 전력 소모를 최소화하고, 측정 단말(20)과 운동 기능 평가 장치(10)와 연결되는 네트워크를 구축할 수도 있다.
본원의 일 실시예에 따르면, 전처리부(12)는 운동 기능 정보를 기반으로 전처리를 수행할 수 있다. 달리 말해, 전처리부(12)는 센서부(21)에서 측정한 복수의 파라미터들을 정량화하기 위한 운동 기능 정보의 전처리를 수행할 수 있다. 일예로, 전처리부(12)는 측정 단말(20)로부터 획득된 시계열 형태의 측정 데이터인 운동 기능 정보를 전처리할 수 있다. 전처리부(12)는 시계열 형태의 측정 데이터인 운동 기능 정보를 N 개의 반복 주기(Cycle) 형태로 전처리할 수 있다. 시간에 따라 변화하는 시계열 형태의 측정 데이터는 데이터 패턴을 추적하기 어렵기 때문에, 전처리부(12)는 시간의존성을 회피하기 위해 시계열 형태의 측정 데이터를 주기(Cycle) 형태로 전처리할 수 있다.
또한, 전처리부(12)는 복수의 센서로부터 수집되는 신호의 전처리를 수행할 수 있다. 전처리부(12)는 학습부(14)에서 인공지능 기반의 알고리즘에 적용 가능하도록 운동 기능 정보의 전처리를 수행할 수 있다. 전처리부(12)는 비정형 데이터를 정형화하는 전처리를 수행할 수 있다.
본원의 일 실시예에 따르면, 신호 분석부(13)는 자극 세기 정량화 알고리즘에 측정 단말(20)로부터 수신된 운동 기능 정보를 적용하여 신호 분석을 수행할 수 있다. 예를 들어, 신호 분석부(13)는 측정 단말(20)로부터 수신된 운동 기능 정보의 신호 분석을 위해 운동 기능 정보를 자극 세기 정량화 알고리즘에 적용할 수 있다. 일예로, 자극 세기 정량화 알고리즘에 적용되는 운동 기능 정보는, 로드셀을 기반으로 측정된 자극강도 신호일 수 있다.
또한, 자극 세기 정량화 알고리즘은 측정 단말(20)로부터 수신된 신호 분석을 위한 알고리즘일 수 있다. 일예로, 자극 세기 정량화 알고리즘은 기계 학습(Machine Learning), 딥 러닝(Deep Learning) 등의 인공 지능 기반의 학습을 통해 생성되는 것일 수 있다. 예를 들어, 자극 세기 정량화 알고리즘은 측정 단말(20)로부터 수신된 복수의 운동 기능 정보를 학습 데이터(학습 파라미터)로 하고, 해당 복수의 신호 분석 결과에 대한 정보를 라벨(Label) 데이터로 하는 지도 학습 기반의 학습 방식에 의해 생성되는 것일 수 있다. 참고로, 지도 학습(Supervised Learning)은 데이터에 대한 명시적인 정답 정보인 라벨(Label)이 주어진 상태에서 학습시키는 방법을 의미할 수 있다. 본원에서는 종래에 이미 공지되었거나 향후 개발되는 다양한 지도 학습 알고리즘 모델이 적용될 수 있다.
또한, 신호 분석부(13)는 센서부(21)로부터 획득된 가속도 값과 기울기 값을 칼만필터에 적용하여 기울기 값이 제거된 가속도 값을 계산할 수 있다. 이때, 칼만필터는 예측(Predict)과 보완(Update) 과정으로 구성될 수 있다. 참고로, 전처리부(12)는 칼만 필터를 이용하여 잡음을 제거할 수 있다.
일반적으로, 가속도 값에는 운동 가속도와 중력 가속도가 포함될 수 있다. 중력 가속도가 작용하는 방향으로 운동하게 되면 운동 가속도는 중력 가속도에 의해 변형될 수 있다. 이를 해결하기 위해 본원에서는 칼만 필터를 적용하여 가속도 값을 추정할 수 있다. 적분을 통하여 예측되는 거리는 노이즈(예를 들어, 중력가속도 값 등)로 인하여 발산이 될 경우 심각한 문제를 유발할 수 있기 때문에 필터처리가 꼭 필요하다. 본원에서는 칼만필터를 적용하여 노이즈를 해결하고자 한다.
예시적으로, 칼만필터는 잡음이 포함되어 있는 기존의 측정된 값을 재귀적으로 처리하는 필터이다. 신호 분석부(13)는 칼만 필터를 이용하여 현재 상태에 대한 최적의 통계적 예측을 진행할 수 있다. 또한, 신호 분석부(13)는 칼만 필터에 포함된 예측(Predict)과정 및 보완(Update) 과정을 통하여 추정값을 계산할 수 있다.
또한, 신호 분석부(13)는 칼만필터를 거친 X, Y, Z축의 각 가속도 값을 이용하여 삼각형의 끼인각 공식을 통해 환자(사용자)의 움직임 각도를 추정할 수 있으나, 이에 한정되는 것은 아니다.
또한, 신호 분석부(13)는 사지 패턴 분석 알고리즘에 측정 단말(20)로부터 수신된 운동 기능 정보를 적용하여 사지 패턴 분석을 수행할 수 있다. 예를 들어, 신호 분석부(13)는 측정 단말(20)로부터 수신된 운동 기능 정보의 사지 패턴 분석을 위해 운동 기능 정보를 사지 패턴 분석 알고리즘에 적용할 수 있다. 일예로, 사지 패턴 분석 알고리즘에 적용되는 운동 기능 정보는, 6축 모션센서를 기반으로 측정된 생체물리량 측정 정보일 수 있다.
또한, 사지 패턴 분석 알고리즘은 측정 단말(20)로부터 수신된 운동 기능 정보 중 사지 패턴 분석을 위한 알고리즘일 수 있다. 일예로, 사지 패턴 분석 알고리즘은 기계 학습(Machine Learning), 딥 러닝(Deep Learning) 등의 인공 지능 기반의 학습을 통해 생성되는 것일 수 있다. 사지 패턴 분석 알고리즘은 측정 단말(20)로부터 수집되는 운동 기능 정보를 입력으로 하는 비지도 학습 기반의 패턴 산출 모델일 수 있다.
신호 분석부(13)는 비지도 학습 기반의 군집 알고리즘에 기초하여 생성된 사지 패턴 분석 알고리즘에 기반하여 사지 패턴 분석을 수행할 수 있다. 비지도 학습이란 학습용 데이터를 구축하는 것이 아니라 데이터 자체를 분석하거나 군집하면서 학습하는 알고리즘을 의미한다. 신호 분석부(13)는 군집 알고리즘에 기초하여 사지 패턴을 군집하여 산출할 수 있고, 사지 패턴 각각의 군집간 분리도에 기초하여 새로운 사지 패턴을 검출할 수 있다. 예시적으로, 비지도 학습을 위한 군집 알고리즘에는 로지스틱 회귀 알고리즘, 랜덤 포레스트 알고리즘, SVM(Support Vector Machine)알고리즘, 의사결정 알고리즘 및 군집 알고리즘이 이용될 수 있다.
또한, 신호 분석부(13)는 상술한 알고리즘 외에도 Extra Tree 알고리즘, XG Boost 알고리즘 및 Deep Learning 알고리즘, K-means 클러스터링 알고리즘, SOM(Self-Organizing-Maps) 알고리즘 EM & Canopy 알고리즘과 같은 군집 알고리즘을 통해 비지도 학습을 수행할 수 있다. Random Forest 알고리즘은 수많은 Decision Tree들이 Forest를 구성하여 각각의 예측결과를 하나의 결과변수로 평균화하는 알고리즘이고, SVM알고리즘은 데이터의 분포공간에서 가장 큰 폭의 경계를 구분하여 데이터가 속하는 분류를 판단하는 비확률적 알고리즘이다. Extra Tree 알고리즘은 Random forest와 비슷하나 속도가 Random forest에 비해 빠른 알고리즘이며, XGBoost알고리즘은 Random Forest의 Tree는 독립적이라면 XGBoost의 Tree의 결과를 다음 트리에 적용하는 boost방식의 알고리즘이다. Deep Learning 알고리즘은 다층구조의 Neural Network을 기반으로 변수의 패턴이 결과에 미치는 영향을 가중치로 조절하며 학습하는 알고리즘이다. 또한, K-means 클러스터링 알고리즘은 전통적인 분류기법으로 대상집단을 거리의 평균값(유사도)을 기준으로 K개의 군집으로 반복 세분화하는 기법이고, SOM알고리즘은 인공신경망을 기반으로 훈련집합의 입력 패턴을 가중치로 학습하여 군집화하는 기법이다. 또한, EMI & Canopy 알고리즘은 주어진 초깃값으로 가능성이 최대인 것부터 반복 과정을 통해 파라미터 값을 갱신하여 군집화하는 기법을 의미한다.
본원의 일 실시예에 따르면, 학습부(14)는 복수의 운동 기능 정보를 입력으로 하고 평가 항목을 출력으로 하는 인공신경망 기반의 운동 기능 평가 모델을 구축할 수 있다. 일예로, 학습부(14)는 환자로부터 측정되는 운동 기능 정보와 일반인으로부터 측정되는 운동 기능 정보를 입력으로 하는 인공신경망 기반의 제1운동 기능 평가 모델을 구축할 수 있다. 학습부(14)는 제1운동 기능 평가 모델을 기반으로 평가 항목의 분류 기준을 산출할 수 있다. 예를 들어, 제1평가 항목 결과는 정상, 제2평가 항목 결과는 정상보다 약함, 제3평가 항목 결과는 보통, 제4평가 항목 결과는 위험, 제5평가 항목 결과는 비정상 등으로 평가 항목을 분류 기준을 산출할 수 있다. 학습부(14)는 제1운동 기능 평가 모델을 기반으로 복수의 평가 항목 결과에 포함되는 운동 기능 정보의 수치의 범위를 결정할 수 있다.
또한, 학습부(14)는 신호 분석부(13)에서 제공받은 자극 세기 정량화 알고리즘의 결과 및 사지 패턴 분석 알고리즘의 결과를 입력으로 하고 평가 항목을 출력으로 하는 인공신경망 기반의 운동 기능 평가 모델을 구축할 수 있다. 일예로, 학습부(14)에서 구축된 인공신경망 기반의 운동 기능 평가 모델의 출력 결과는 동작가능범위(ROM: Range Of Motion)와 연계된 수치일 수 있다.
관절가동범위 운동(Range Of Motion, ROM)은 치료적 중재를 위한 프로그램에서 움직임을 평가하기 위해 그리고 움직임을 시작하기 위해 이용되는 기초적 기술이다. 움직임은 다양한 패턴이나 다양한 관절가동범위에서 근육이나 외부의 힘에 의해 뼈를 움직이는 것으로써 기능적 활동을 수행하기 위해서는 필수적이다. 사람이 움직일 때, 이것은 중추신경계로부터 오는 정보를 수행하고 조절하는 근육 활동의 복잡한 조절이다. 뼈는 인접한 관절에서 두 뼈가 서로 관련하여 움직인다. 관절 위를 지나는 연부조직의 통합성과 유연성뿐만 아니라 관절의 구조는 인접한 두 뼈 사이에서 일어나는 움직임의 범위에 영향을 미친다. 일반적으로 가능한 최고의 운동범위를 관절가동범위(ROM)라 부른다.
관절가동범위를 통해 신체 분절이 움직일 때 그 부분에 있는 근육, 관절의 표면, 관절낭, 인대, 근막, 혈관, 신경 등에 의해 영향을 받는다. 관절가동범위의 활동은 관절범위와 근육범위로 쉽게 설명된다. 관절범위를 설명하는 데 굴곡, 실전, 외전, 내전 그리고 회전과 같은 용어가 사용된다. 관절가동범위는 일반적으로 관절각도계(Goniometer)로 측정되며, 도(Degree)로 기록된다. 본원에서는 관절가동범위를 측정 단말(20)을 이용하여 환자(사용자)의 관절가동범위를 측정할 수 있다. 측정 단말(20)은 복수의 센서를 기반으로 환자(사용자)의 관절가동범위를 수치화하여 제공할 수 있다.
본원의 일 실시예에 따르면, 학습부(14)는 측정 단말(20)에서 측정된 관절가동범위와 관절각도계를 이용하여 측정된 실제 각도를 비교하여, 운동 기능 평가 모델을 재학습할 수 있다. 달리 말해, 학습부(14)는 측정 단말(20)에서 측정된 관절가동범위와 관절각도계를 이용하여 측정된 실제 각도를 비교하고, 미리 설정된 오차율에 포함되는 데이터를 이용하여, 운동 기능 평가 모델의 학습을 수행할 수 있다.
또한, 학습부(14)는 신호 분석부(13)에서 제공받은 자극 세기 정량화 알고리즘의 결과, 사지 패턴 분석 알고리즘의 결과, 센서부(21)에서 수집한 생체 신호 정보, 수신부(11)에서 수신받은 환자(사용자)의 인적 사항 정보, 진료 정보에 기반하여 질병의 종류에 따른 환자(사용자)의 운동 기능 가능 범위를 설정할 수 있다. 예를 들어, 학습부(14)는 환자(사용자)의 질병의 종류에 기반하여 환자(사용자)의 운동 기능 가능 범위를 설정할 수 있다. 환자(사용자)가 신경계질환자일 경우, 정상인(일반인)의 운동 기능 가능 범위에 비해 움직임의 가동 범위가 좁기 때문에, 학습부(14)는 환자(사용자)의 질병의 종류에 기반하여 환자(사용자)의 운동 기능 가능 범위를 설정할 수 있다.
본원의 일 실시예에 따르면, 평가부(15)는 운동 기능 평가 모델을 기반으로 운동 기능을 평가할 수 있다. 일예로, 평가 항목은, Motor Grade(운동기능사정)의 평가 항목일 수 있다. Motor Grade(운동기능사정)은 근육의 운동량을 사정하는 것으로 척추 수술 후 가장 많이 사용하여 BEST motor로 사정하며 근력도 함께 사정한다. Motor Grade와 함께 SLR(straight leg raising, 수술 후 허리 아픈 사람에게 다리를 몇 도 들어올릴 수 있는가를 사정), dorsi flexion도 함께 사정한다. Grade가 낮아질수록 마비가 나타난다. 평가 항목은 Grade 0 내지 Grade 5로 분류될 수 있다. Motor Grade란 환자의 운동능력 정도를 평가하는 것으로 점수로서, 0점 내지 5점까지로 환자의 운동능력 정도를 평가한다.
일예로, 평가부(15)는 Motor Grade 0 = Non Contraction 환자 움직일 수 없음, Motor Grade 1 = Flicker or trace of Contraction 환자 움직일 수 없으나 근육의 수축은 보임(근육을 움찔거리는 정도), Motor Grade 2 = Active movement, with gravity eliminated, 환자가 누워있는 상태에서 수평으로 움직이는 정도(중력을 이길 수 없다), Motor Grade 3 = Active movement against gravity, 중력을 이길 수 있어서 팔다리는 위로 들 수 있음(저항을 이길 수 없음), Motor grade 4 = Active movement against gravity and resistance, 중력을 이길 수 있고 약간의 저항도 이길 수 있음, Motor grade 5 = 정상적인 근력 중 적어도 어느 하나로 환자(사용자)의 운동 기능을 평가할 수 있다.
본원의 다른 일 실시예에 따르면, 사용자 입력 수신부(미도시)는 사용자 단말(미도시) 및 의사 단말(미도시)로부터 복수의 평가 항목 중 적어도 어느 하나의 평가 항목을 선택하는 선택 입력 정보를 수신할 수 있다. 예시적으로, 장치(10)는 사용자 단말(미도시) 또는 의사 단말(미도시)로부터 환자의 손상과 기능 수준을 검사하여 평가하기 위해, PROM, AROM, A-AROM의 항목 중 적어도 어느 하나를 선택한 사용자 입력 정보를 수신할 수 있다. 평가부(15)는 사용자 입력 정보 및 측정 단말(20)로부터 획득되는 운동 기능 정보를 운동 기능 평가 모델에 적용하여 측정 단말(20)을 착용한 환자(사용자)의 운동 기능 평가를 수행할 수 있다.
본원의 또 다른 일 실시예에 따르면, 추천부(미도시)는 평가부(15)의 운동 기능 평가 결과에 기반하여 환자(사용자)에게 적합한 재활 운동을 추천할 수 있다. 추천부(미도시)는 환자(사용자)가 수행해야 할 재활 운동의 정보를 환자의 단말(미도시) 및 측정 단말(20)로 전송할 수 있다. 측정 단말(20)은 LED와 버저 피드백(음향 피드백)을 통해, 사용자가 수행해야 할 재활 운동에 대한 피드백 정보를 제공할 수 있다. 피드백 정보는, 환자(사용자)가 올바른 재활 운동을 수행할 수 있도록 안내해주는 정보일 수 있다. 피드백 정보는, 미리 설정된 기준 정보가 획득될 수 있도록, 사용자에게 제공되는 정보일 수 있다. 또한, 피드백 정보는, 측정 단말(20)에 구비된 복수의 광원을 통해 표시될 수 있다. 피드백 정보는, 환자(사용자)의 팔 또는 다리가 미리 설정된 각도에 대응하여 동작할 수 있도록 제공되는 정보일 수 있다. 예를 들어, 환자(사용자)가 팔의 움직임 동작에서 제1각도(예를 들어, 60°)까지 움직임을 수행해야 하나, 측정 단말(20)을 통해 획득되는 운동 기능 정보가 제2각도(예를 들어, 30°)인 경우, 추천부(미도시)는 피드백 정보를 생성하고, 측정 단말(20)은 LED(복수의 광원)와 버저 피드백(음향 피드백)을 통해, 사용자가 수행해야 할 재활 운동에 대한 피드백 정보를 제공할 수 있다.
추천부(미도시)에서 환자(사용자)에게 적합한 재활 운동을 추천함으로써, 환자(사용자)는 의사(재활 치료사)의 도움이 없이도 가정에서 상시적으로 재활 운동을 수행할 수 있다.
또한, 평가부(15)는 환자(사용자)가 추천부(미도시)에서 제공한 재활 운동의 수행 결과를 그래프화하여 환자의 단말(미도시) 또는 병원 서버(미도시)로 제공할 수 있다.
도 3은 본원의 일 실시예에 따른 측정 단말의 개략적인 블록도이다.
도3을 참조하면, 측정 단말(20)의 메인 유닛(2011)은 센서부(21), 움직임 정보 생성부(22) 및 생체 신호 정보 생성부(23)를 포함할 수 있다.
예시적으로, 측정 단말(20)은 운동 기능 평가를 수행하는 환자(시행자)의 손목, 발목 등에 착용 될 수 있다. 또한, 측정 단말(20)은 체중계, 인바디로서 사용자의 체성분을 측정할 수 있다. 또한, 측정 단말(20)은 카메라 모듈을 포함하며 사용자의 신체 중 어느 하나를 촬영하여 사용자의 생체 신호를 획득할 수 있다.
본원의 일 실시예에 따르면, 센서부(21)는환자의 움직임 정보 및 생체 신호 정보를 획득할 수 있다. 또한, 센서부(21)는 로드셀 기반으로 환자의 자극 강도를 측정할 수 있다. 또한, 센서부(21)는 6축 가속도 센서를 기반으로 환자의 생체물리량을 측정할 수 있다. 또한, 센서부(21)는 근전도 센서를 기반으로 환자의 생체 신호를 측정할 수 있다.
예시적으로, 센서부(21)는 환자의 움직임 정보 및 생체 신호 정보를 획득하기 위해 복수의 센서를 구비할 수 있다. 복수의 센서는, 가속도 센서, G-센서, 3축 가속도 센서, 로드셀, 6축 모션센서, 근전도 센서, 온도 센서, 광학 센서 등을 포함할 수 있다. 생체 신호는, 심박수 정보, 호흡량 정보, 동공크기 정보, 혈중 산소 농도 정보, 혈압 정보, 맥박 정보, 체온 정보, 심전도 정보, 혈류 이미지 정보, 체성분 분석 정보 중 적어도 어느 하나를 포함할 수 있다.
일예로, 센서부(21)는 Pulse Oximetry라는 기술에 근거한 광학적인 심박 측정 센서를 이용하여 사용자의 생체 정보를 측정할 수 있다. 이때, 측정되는 사용자의 생체 정보는 심박수 정보일 수 있다. 심박 측정 센서는, 혈액 속에 헤모글로빈이 산소를 머금을 때와 산소가 빠졌을 때의 광학적인 반응이 다르게 나타나는 원리를 이용하여 손목 부분에서 적외선 혹은 붉은 LED를 피부로 주기적으로 쏘아서 반사 정도의 차이를 이용하여 심박을 계산하는 센서일 수 있다.
예시적으로, 센서부(21)는 6축 모션센서를 이용하여 생체물리량을 측정할 수 있다. 센서부(21)는 3축 가속도계만을 사용했을 때 발생했던 동잡음에 대한 오차를 개선하기 위하여 6축 모션센서를 사용하였으며, 이를 통해 동적인 상태에서 방향 전환이 생기면 발생되는 오차를 최소화할 수 있다. 6축 가속도 센서는 3축 가속도계와 3축 자이로스코프가 내장된 센서일 수 있다. 센서부(21)는 6축 모션 센서로부터 가속도 신호를 획득할 수 있다. 센서부(21)는 6축 모션 센서로부터 중력 가속도를 획득할 수 있다. 좀 더 상세히 말하면, 센서부(21)는 메인 유닛(2011)의 위치 변화를 감지할 수 있으며 이때, 센서부(201)는 센서부(21)는 6축 모션 센서일 있다. 가속도 센서는 물체의 가속도 진동, 충격 등의 동적 힘을 측정하는 센서로서, 물체의 운동 상태를 감지할 수 있게 만드는 센서를 말한다.
일예로, 센서부(21)는 운동 기능 측정을 위해 동작하는 사용자의 손과 팔의 움직임을 측정하기 위해 6축 가속도계 구동 회로로 설계될 수 있으며, 운동 기능 측정을 시행하는 과정에서 산출되는 복수의 파라미터들을 측정할 수 있다. 일예로, 측정되는 복수의 파라미터들은 6축 모션 센서로부터 획득되는 가로축(X축), 세로축(Y축), 세로축(Y축)에 대하여 직각이 되는 제3의 축(Z축), G 센서로부터 획득되는 G1, G2, G3 각각에 해당하는 파라미터를 포함할 수 있으나, 이에 한정되는 것은 아니다.
환자(사람)의 어깨와 골반다리 관절은 방향에 따라 꺾이는 최대 각도가 존재하며 이를 Range of Motion(ROM)이라 한다. 센서부(21)는 환자(사람)가 특정 자세를 취하고 특정 자세로부터 발생한 측정 각도를 측정할 수 있다. 관절의 운동은 능동 관절가동범위와 수동관절가동범위로 나누어질 수 있다. 능동관절가동범위(Active Motion, AROM)은 본인이 가진 근력과 의지를 이용해 만들어 낼 수 있는 움직임 범위를 말한다. 수동관절가동범위(Passive Motion, PROM)은 치료사 혹은 트레이너가 수동적으로 환자의 관절을 움직이는 범위를 말한다. 능동보조관절가동범위(Active Assistive Motion, A―AROM)은 본인이 스스로 관절을 움직이기 위해 힘을 쓰고, 검사자나 보조장비가 이를 도와주어 관절이 움직인 범위를 의미하며, 일반적으로 수동관절가동범위는 관절의 근육들이 이완하므로 능동관절가동범위보다 가동범위가 더 크다.
센서부(21)는 6축 모션센서를 사용하여 환자(사용자)의 팔 또는 다리의 운동가동범위(동작가능범위)를 측정할 수 있다. 동작가능범위(ROM: Range Of Motion)는 어깨(shoulder)가 굽힘(Flexion), 뻗음(extension), 외전운동(abduction), 내전운동(adduction), 외측회전(external rotation), 내측회전(internal rotation), 수평굽힘(horizontal flexion), 수평뻗음(horizontal extension)으로 세부 구분되어 측정되고, 팔꿈치(elbow)가 굽힘(flexion), 폄(extension)으로 세부 구분되어 측정되며, 팔뚝(forearm)이 회내운동(pronation), 회외운동(supination)으로 세부 구분되어 측정될 수 있으나, 이에 한정되는 것은 아니다.
본원의 다른 일 실시예에 따르면, 센서부(21)는 관성센서를 포함할 수 있다. 관성 센서는 각속도를 감지하기 위한 자이로 센서와 가속도를 감지하기 위한 가속도 센서 및 지자계를 감지하기 위한 지자계 센서를 포함할 수 있다. 센서부(21)는 관성센서를 기반으로 환자(사용자)의 운동 기능 정보를 획득할 수 있다. 일예로, 관성센서는 이동물체의 속도와 방향, 중력, 가속도를 측정하는 장치로서, 가속도계, 각속도계, 지자기계를 이용하여 환자(사용자)의 움직임을 획득할 수 있다.
본원의 일 실시예에 따르면, 움직임 정보 생성부(22)는 센서부(21)의 측정 결과에 기초하여 움직임 정보를 생성할 수 있다. 일예로, 움직임 정보 생성부(22)는 센서부(21)에 포함된 로드셀로부터 수집된 정보를 기반으로 움직임 정보에 포함된 자극강도 정보를 생성할 수 있다. 또한, 움직임 정보 생성부(22)는 센서부(21)에 포함된 6축 모션센서를 기반으로 움직임 정보에 포함된 생체물리량 측정 정보를 생성할 수 있다.
본원의 일 실시예예 따르면, 생체 신호 정보 생성부(23)는 센서부(21)의 측정 결과에 기초하여 생체 신호 정보를 생성할 수 있다. 일예로, 생체 신호 생성부(23)는 센서부(21)에 포함된 근전도 센서로부터 수집된 정보를 기반으로 생체 신호 정보를 생성할 수 있다.
도면에 도시하진 않았으나, 본원의 일 실시예예 따르면, 측정 단말(20)에 포함된 통신부(미도시)는 네트워크를 통하여 움직임 정보 생성부(22) 및 생체 신호 생성부(23)에서 생성된 움직임 정보 및 생체 신호 정보를 운동 기능 평가 장치(10)로 제공할 수 있다. 또한, 통신부(미도시)는 운동 기능 정보를 병원 서버(미도시)로 제공할 수 있다.
운동 기능 평가 장치(10)는 환자(사용자)에게 재활 운동을 추천하고, 환자(사용자)는 사용자 단말(미도시)에 제공된 재활 운동을 기반으로, 측정 단말(20)을 착용하고, 재활 운동을 수행할 수 있다. 측정 단말(20)은 환자(사용자)의 움직임을 수집하고, 병원 서버(미도시)로 해당 정보를 제공함으로써, 의사(재활 치료사)는 병원 서버(미도시)로 제공되는 환자의 움직임 정보를 이용하여 원격에서도 환자의 재활 운동을 도와줄 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 4는 본원의 일 실시예에 따른 운동 기능 평가 방법에 대한 동작 흐름도이다.
도 4에 도시된 운동 기능 평가 방법은 앞서 설명된 운동 기능 평가 장치(10)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 운동 기능 평가 장치(10)에 대하여 설명된 내용은 운동 기능 평가 방법에 대한 설명에도 동일하게 적용될 수 있다.
단계 S401에서, 운동 기능 평가 장치(10)는 측정 단말(20)로부터 움직임 정보 및 생체 신호 정보를 포함하는 운동 기능 정보를 수신할 수 있다.
단계 S402에서, 운동 기능 평가 장치(10)는 운동 기능 정보를 기반으로 전처리를 수행할 수 있다.
단계 S403에서, 운동 기능 평가 장치(10)는 복수의 운동 기능 정보를 입력으로 하고 운동기능 평가 항목을 출력으로 하는 인공신경망 기반의 운동 기능 평가 모델을 구축할 수 있다.
단계 S404에서, 운동기능 평가 장치(10)는 운동 기능 평가 모델을 기반으로 운동 기능을 평가할 수 있다.
상술한 설명에서, 단계 S401 내지 S404는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 운동 기능 평가 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 운동 기능 평가 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
1: 운동 기능 평가 시스템
10: 운동 기능 평가 장치
20: 측정 단말
30: 운동 기능 평가 서버

Claims (8)

  1. 환자의 신체 일부에 착용되어 움직임 정보 및 생체 신호 정보를 포함하는 운동 기능 정보를 획득하는 측정 단말; 및
    상기 측정 단말로부터 획득된 상기 운동 기능 정보를 인공신경망 기반으로 구축된 학습모델에 적용하여 운동 기능을 평가하는 운동 기능 평가 장치,
    를 포함하되,
    상기 운동 기능 평가 장치는,
    상기 측정 단말로부터 획득되는 운동 기능 정보를 수신하는 수신부;
    상기 운동 기능 정보를 기반으로 전처리를 수행하는 전처리부;
    상기 측정 단말로부터 수신된 상기 운동 기능 정보를 적용하여 신호 분석을 수행하는 신호 분석부;
    자극 세기 정량화 알고리즘의 결과 및 사지 패턴 분석 알고리즘의 결과를 입력으로 하고 운동기능 평가 항목을 출력으로 하는 인공신경망 기반으로 운동 기능 평가 모델을 구축하는 학습부; 및
    상기 운동 기능 평가 모델을 기반으로 미리 설정된 기준에 대한 운동기능사정의 평가 항목을 고려하여 상기 운동 기능을 평가하는 평가부,
    를 포함하되,
    상기 신호 분석부는,
    생체물리량 측정 정보를 쿼터니언 기법이 적용된 인공지능 학습 기반의 사지 패턴 분석 알고리즘에 적용하여 사지 패턴 분석을 수행하고,
    로드셀 기반으로 측정된 자극강도 신호를 인공지능 학습 기반의 자극 세기 정량화 알고리즘에 적용하여 신호 분석을 수행하고,
    상기 학습부는,
    상기 자극 세기 정량화 알고리즘의 분석 결과, 상기 사지 패턴 분석 알고리즘의 분석 결과, 상기 생체 신호 정보, 환자의 인적 사항 정보 및 진료 정보에 기반하여 환자의 질병 종류에 따른 운동 기능 가능 범위를 설정하는 것인, 운동 기능 평가 시스템.
  2. 제1항에 있어서,
    상기 측정 단말은,
    상기 움직임 정보 및 상기 생체 신호 정보와 관련된 정보를 생성하는 메인 유닛; 및
    상기 메인 유닛으로부터 확장되고, 양 끝단이 상호 연결됨으로써 상기 측정 단말을 환자의 신체 일부에 착용되도록 하는 연결부를 포함하되,
    상기 메인 유닛은,
    상기 움직임 정보 및 상기 생체 신호 정보를 획득하는 센서부;
    상기 센서부의 측정 결과에 기초하여 상기 움직임 정보를 생성하는 움직임 정보 생성부; 및
    상기 센서부의 측정 결과에 기초하여 환자의 상기 생체 신호 정보를 생성하는 생체 신호 정보 생성부,
    를 포함하는, 운동 기능 평가 시스템.
  3. 제2항에 있어서,
    상기 센서부는,
    로드셀 기반으로 상기 환자의 자극 강도를 측정하고, 6축 가속도 센서를 기반으로 상기 환자의 생체물리량을 측정하고, 근전도 센서를 기반으로 상기 환자의 생체신호를 측정하는 것인, 운동 기능 평가 시스템.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 측정 단말로부터 획득되는 운동 기능 정보 및 상기 운동 기능 평가 장치로부터 평가된 운동 기능 평가 결과를 저장하기 위한 운동 기능 평가 서버를 더 포함하는 것인, 운동 기능 평가 시스템.
  7. 측정 단말로부터 움직임 정보 및 생체 신호 정보를 포함하는 운동 기능 정보를 수신하는 단계;
    상기 운동 기능 정보를 기반으로 전처리를 수행하는 단계;
    인공지능 학습 기반의 자극 세기 정량화 알고리즘에 로드셀 기반으로 측정된 자극강도 신호를 적용하여 신호 분석을 수행하는 단계;
    쿼터니언 기법이 적용된 인공지능 학습 기반의 사지 패턴 분석 알고리즘에 상기 측정 단말로부터 수신된 생체물리량 측정 정보를 적용하여 사지 패턴 분석을 수행하는 단계;
    복수의 운동 기능 정보를 입력으로 하고 운동기능 평가 항목을 출력으로 하는 인공신경망 기반으로 운동 기능 평가 모델을 구축하는 단계; 및
    상기 운동 기능 평가 모델을 기반으로 미리 설정된 기준에 대한 운동기능사정의 평가 항목을 고려하여 상기 운동 기능을 평가하는 단계,
    를 포함하되,
    상기 운동 기능 평가 모델을 구축하는 단계는,
    상기 자극 세기 정량화 알고리즘의 분석 결과, 상기 사지 패턴 분석 알고리즘의 분석 결과, 상기 생체 신호 정보, 환자의 인적 사항 정보 및 진료 정보에 기반하여 환자의 질병 종류에 따른 개인의 운동 기능 가능 범위를 설정하는 것인, 운동 기능 평가 방법.
  8. 삭제
KR1020200011767A 2020-01-31 2020-01-31 운동기능 평가 시스템 및 방법 KR102140229B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200011767A KR102140229B1 (ko) 2020-01-31 2020-01-31 운동기능 평가 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200011767A KR102140229B1 (ko) 2020-01-31 2020-01-31 운동기능 평가 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102140229B1 true KR102140229B1 (ko) 2020-07-31

Family

ID=71834914

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200011767A KR102140229B1 (ko) 2020-01-31 2020-01-31 운동기능 평가 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102140229B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112133437A (zh) * 2020-10-14 2020-12-25 四川省骨科医院 一种预测髌股关节疼痛综合征发病风险的方法
KR20220097089A (ko) * 2020-12-31 2022-07-07 순천향대학교 산학협력단 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법
KR20220114224A (ko) * 2021-02-08 2022-08-17 순천향대학교 산학협력단 인공지능 기반 관절 경직도 예측 시스템 및 방법
KR20220151340A (ko) * 2021-05-06 2022-11-15 주식회사 리모 인공지능 기반의 근력 예측 방법 및 장치
KR20230054512A (ko) 2021-10-14 2023-04-25 유지현 생체 역학적 운동 효율분석 및 부상 방지를 위한 지능형 개인 운동 모니터링 장치 및 그 방법
CN116098611A (zh) * 2022-12-07 2023-05-12 上海傅利叶智能科技有限公司 肢体运动康复的评估生成***、方法及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150272483A1 (en) * 2014-03-26 2015-10-01 GestureLogic Inc. Systems, methods and devices for exercise and activity metric computation
KR20160054325A (ko) * 2014-11-06 2016-05-16 장재윤 맞춤형 개인 트레이닝 관리 시스템 및 방법
KR20180031610A (ko) * 2016-09-20 2018-03-28 한국전자통신연구원 밴드형 운동 및 생체정보 측정 장치
KR20180079820A (ko) * 2017-01-02 2018-07-11 동서대학교산학협력단 움직임 정보 기반의 운동 자세 판별을 위한 착용형 밴드 및 시스템, 그리고 이를 이용한 운동 자세 판별 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150272483A1 (en) * 2014-03-26 2015-10-01 GestureLogic Inc. Systems, methods and devices for exercise and activity metric computation
KR20160054325A (ko) * 2014-11-06 2016-05-16 장재윤 맞춤형 개인 트레이닝 관리 시스템 및 방법
KR20180031610A (ko) * 2016-09-20 2018-03-28 한국전자통신연구원 밴드형 운동 및 생체정보 측정 장치
KR20180079820A (ko) * 2017-01-02 2018-07-11 동서대학교산학협력단 움직임 정보 기반의 운동 자세 판별을 위한 착용형 밴드 및 시스템, 그리고 이를 이용한 운동 자세 판별 방법

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112133437A (zh) * 2020-10-14 2020-12-25 四川省骨科医院 一种预测髌股关节疼痛综合征发病风险的方法
KR20220097089A (ko) * 2020-12-31 2022-07-07 순천향대학교 산학협력단 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법
KR102519213B1 (ko) * 2020-12-31 2023-04-10 순천향대학교 산학협력단 관성 센서를 이용한 기계 학습 기반의 팔꿈치 경련 정도 평가 장치 및 평가 방법
KR20220114224A (ko) * 2021-02-08 2022-08-17 순천향대학교 산학협력단 인공지능 기반 관절 경직도 예측 시스템 및 방법
KR102510769B1 (ko) * 2021-02-08 2023-03-16 순천향대학교 산학협력단 인공지능 기반 관절 경직도 예측 시스템 및 방법
KR20220151340A (ko) * 2021-05-06 2022-11-15 주식회사 리모 인공지능 기반의 근력 예측 방법 및 장치
KR102529726B1 (ko) * 2021-05-06 2023-05-08 주식회사 리모 인공지능 기반의 근력 예측 방법 및 장치
KR20230054512A (ko) 2021-10-14 2023-04-25 유지현 생체 역학적 운동 효율분석 및 부상 방지를 위한 지능형 개인 운동 모니터링 장치 및 그 방법
KR102602654B1 (ko) * 2021-10-14 2023-11-17 유지현 생체 역학적 운동 효율분석 및 부상 방지를 위한 지능형 개인 운동 모니터링 장치 및 그 방법
CN116098611A (zh) * 2022-12-07 2023-05-12 上海傅利叶智能科技有限公司 肢体运动康复的评估生成***、方法及介质
CN116098611B (zh) * 2022-12-07 2024-05-24 上海傅利叶智能科技有限公司 肢体运动康复的评估生成***、方法及介质

Similar Documents

Publication Publication Date Title
KR102140229B1 (ko) 운동기능 평가 시스템 및 방법
Slade et al. An open-source and wearable system for measuring 3D human motion in real-time
US20190282131A1 (en) Management of biomechanical achievements
Mukhopadhyay Wearable sensors for human activity monitoring: A review
Parisi et al. Body-sensor-network-based kinematic characterization and comparative outlook of UPDRS scoring in leg agility, sit-to-stand, and gait tasks in Parkinson's disease
Sazonov et al. Monitoring of posture allocations and activities by a shoe-based wearable sensor
US20150201867A1 (en) Electronic free-space motion monitoring and assessments
Majumder et al. A simple, low-cost and efficient gait analyzer for wearable healthcare applications
Olivares et al. Wagyromag: Wireless sensor network for monitoring and processing human body movement in healthcare applications
US20090204030A1 (en) Method and system for monitoring the functional use of limbs
Chen Human motion analysis with wearable inertial sensors
Ricci et al. Wearable-based electronics to objectively support diagnosis of motor impairments in school-aged children
US20220409098A1 (en) A wearable device for determining motion and/or a physiological state of a wearer
Malik et al. An intelligent recovery progress evaluation system for ACL reconstructed subjects using integrated 3-D kinematics and EMG features
Nasrabadi et al. A new scheme for the development of IMU-based activity recognition systems for telerehabilitation
Alvarez-Garcia et al. A survey on energy expenditure estimation using wearable devices
Faisal et al. Characterization of knee and gait features from a wearable tele-health monitoring system
Wiles et al. NONAN GaitPrint: An IMU gait database of healthy young adults
Sprint et al. Designing wearable sensor-based analytics for quantitative mobility assessment
Kamalizonouzi Optimal Inertial Sensor Placement and Motion Detection for Epileptic Seizure Patient Monitoring
Kuusik et al. Wearable system for patient motor condition assessment and training monitoring
Miguel-Ruiz et al. Measurement of Physical Activity Energy Expenditure Using Inertial Sensors
KR102258168B1 (ko) 마비환자 동작 분석 모니터링 시스템 및 방법
Tasca A machine learning approach for spatio-temporal gait analysis based on a head-mounted inertial sensor
Slade Wearable systems for monitoring physical activity and optimizing an ankle exoskeleton

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant