KR20150130116A - Apparatus and method for determining stroke during the sleep - Google Patents
Apparatus and method for determining stroke during the sleep Download PDFInfo
- Publication number
- KR20150130116A KR20150130116A KR1020140057281A KR20140057281A KR20150130116A KR 20150130116 A KR20150130116 A KR 20150130116A KR 1020140057281 A KR1020140057281 A KR 1020140057281A KR 20140057281 A KR20140057281 A KR 20140057281A KR 20150130116 A KR20150130116 A KR 20150130116A
- Authority
- KR
- South Korea
- Prior art keywords
- motion
- stroke
- data
- user
- sleep
- 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
- A61B5/103—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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Emergency Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Business, Economics & Management (AREA)
Abstract
Description
본 발명은 수면 중인 사용자의 뇌졸중 발병 여부를 판단하는 수면 중 뇌졸중 판단 장치 및 방법에 관한 것이다.
BACKGROUND OF THE
뇌졸중(腦卒中, Stroke)은 부분적 또는 전체적으로 뇌기능에 급속히 장애가 발생하고, 이러한 장애가 상당 기간 이상 지속되는 것으로, 뇌혈관의 병 이외에는 다른 원인을 찾을 수 없는 상태이며, 인구의 노령화와 더불어 뇌졸중의 사회경제적 중요성이 커지고 있다. Stroke is a condition in which the brain functions in a partial or complete manner, and this disorder lasts for a considerable period of time. In addition to the cerebrovascular disease, no other causes can be found. In addition to the aging of the population, Economic importance is growing.
건강보험심사평가원 통계자료에 따르면, 2011년 기준 뇌졸중 환자 수는 2007년 456,435명에서 14%가 증가한 520, 214명으로 추산된다. According to statistics from the Health Insurance Review and Assessment Service, the number of stroke patients in 2011 is estimated at 520, 214 people, up 14% from 456,435 in 2007.
또한, 우리나라의 원인 별 사망률 중에서 뇌졸중은 암에 이어 두 번째이고, 인구 100,000명당 70.3명으로서, 이는 전체 사망 원인의 13.9%에 해당한다.In addition, stroke is the second most common cause of cancer deaths in Korea, with 70.3 deaths per 100,000 population, accounting for 13.9% of all deaths.
뇌졸중은 뇌혈관이 막혀서 발생하는 뇌경색(허혈성 뇌졸중)과 뇌혈관의 파열로 인해 뇌 조직 내부로 혈액이 유출되어 발생하는 뇌출혈(출혈성 뇌졸중)을 통틀어 일컫는 용어로서, 뇌 경색은 일과성허혈발작(transient ischemic attack), 대혈관질환에 의한 뇌경색(cerebral infarction in large vessel disease), 심장질환에 의한 심인성 뇌경색(cerebral infarction in cardiogenic embolism), 소혈관 질환(small vessel disease) 또는 열공뇌경색(lacunar infarction) 등으로 분류된다. Stroke is a term used to refer to a cerebral infarction (ischemic stroke) caused by a blockage of cerebral blood vessels and a cerebral hemorrhage (hemorrhagic stroke) caused by the blood leaking into the brain tissue due to rupture of cerebral blood vessels. The cerebral infarction is a transient ischemic (cerebral infarction in cardiogenic embolism), small vessel disease, or lacunar infarction (cerebral infarction in large vessel disease) do.
일과성허혈발작(TIA)가 있은 후 48 시간 내에 3% 내지 5%의 확률로 뇌졸중이 발생하게 되며, 열공뇌경색이 있는 환자의 23%는 48시간 내에 신경학적인 증상이 악화됨이 학계에 보고되었다. Stroke occurred in 3% to 5% of cases within 48 hours after transient ischemic attack (TIA), and 23% of patients with lacunar infarction were reported to have acute neurological symptoms within 48 hours.
TPA(Tissue Plasminogen Activator)를 이용한 혈전용해술은 뇌졸중의 표준 치료 방법으로서, 뇌졸중이 발생한 후 조기에(3시간 내에 시행됨이 바람직함) 시행될수록 경과가 좋기 때문에, 뇌졸중 발병에 대한 조기 발견 및 조기 치료는 뇌졸중 치료에 있어서 가장 중요한 원칙이다. Because thrombolysis using TPA (Tissue Plasminogen Activator) is the standard treatment for stroke, the early detection and early treatment of strokes will be better as it progresses early (preferably within 3 hours) after stroke. It is the most important principle in the treatment of stroke.
수면 중에 발생하는 뇌졸중은 전체 뇌졸중에 대하여 6.4% 내지 20% 정도의 비율로서 나타나는데, 이러한 수면 중 뇌졸중은 환자가 증상을 느끼지 못할 뿐 아니라 주변에 있는 사람들도 그러한 발병 여부를 감지하는 것이 어려우므로, 뇌졸중의 발생을 조기에 발견할 수 없는 어려움이 있다. Stroke during sleep appears as a proportion of 6.4% to 20% of the total stroke. Such a stroke during sleep does not only cause the patient to feel symptoms, but it is also difficult for people around him to detect such a stroke, There is a difficulty in not being able to detect the occurrence of the disease.
따라서, 뇌졸중 조기 발견이 어려움에 따라 조기에 혈전 용해술을 시행할 수 없는 문제점이 있고, 뇌졸중 증상에 따른 예후는 더욱 나빠지는 문제점이 있다. Therefore, there is a problem that early thrombolysis can not be performed due to difficulty in early detection of stroke, and the prognosis of stroke symptoms is further deteriorated.
따라서, 수면 중 인체를 모니터링하여 수면 중 발생하는 뇌졸중에 대하여 조기 판단이 가능하도록 해야 할 필요성이 있다.
Therefore, there is a need to monitor the human body during sleep to enable early judgment of stroke occurring during sleep.
본 발명의 목적은 수면 중인 사용자로부터 움직임 데이터를 획득하여, 사용자에게 편마비 증상이 일어났는지 여부를 확인함으로써 수면 중인 사용자의 뇌졸중 발병 여부를 판단하는 수면 중 뇌졸중 판단 장치 및 방법을 제공하는 데 목적이 있다. It is an object of the present invention to provide an apparatus and method for determining a stroke in a sleep, which determines whether or not a user is suffering from a stroke, by acquiring motion data from a user who is asleep and confirming whether or not a user has experienced hemiplegic symptoms .
또한, 수면 중인 사용자로부터 획득되는 움직임 데이터를 슬라이딩 윈도우 기법을 사용하여 분석하되, 렘(REM) 수면 여부에 따라 슬라이딩 윈도우 시간을 조정함으로써 수면 중인 사용자에게 뇌졸중이 발병하는지 여부를 조속히 판단하는 것이 가능한 수면 중 뇌졸중 판단 장치 및 방법을 제공하는 데 목적이 있다.
Also, it is possible to analyze motion data obtained from a sleeping user using a sliding window technique, and adjust the sliding window time depending on whether the user is sleeping (REM), so that a sleeping user can be promptly judged whether or not a stroke occurs. The present invention relates to a stroke determination device and method.
본 발명의 일면에 따른 수면 중 뇌졸중 판단 장치는 움직임 한계점 및 뇌졸중 한계점을 설정하는 한계점 선정부와, 사용자의 신체 부위 상에 배치되어 사용자의 움직임 데이터를 수집하는 움직임 데이터 획득부와, 움직임 데이터를 가공하여 기설정 시간 당 이동 거리 및 회전 거리 중 적어도 어느 하나의 모션 데이터를 산출하고, 모션 데이터와 움직임 한계점을 비교하여 사용자의 모션 특징 데이터를 추출하는 특징 추출부 및 모션 특징 데이터를 모니터링하고, 모션 특징 데이터와 뇌졸중 한계점을 비교하여 사용자의 뇌졸중 발병 여부를 판단하는 실시간 수면 중 뇌졸중 판단부를 포함하는 것을 특징으로 한다. The apparatus for determining a stroke in a sleep according to an embodiment of the present invention includes a limit threshold setting unit for setting a motion limit point and a stroke limit point, a motion data obtaining unit arranged on the body part of the user for collecting motion data of the user, A feature extraction unit for calculating motion data of at least one of a movement distance and a rotation distance per preset time and comparing the motion data with a motion limit point to extract motion feature data of the user, And a real-time underwater sleep stroke judgment unit for comparing the data with the stroke limit threshold to determine whether the user has a stroke.
본 발명의 다른 면에 따른 수면 중 뇌졸중 판단 방법은 움직임 한계점 및 뇌졸중 한계점 정보를 준비하는 단계와, 기설정된 인체 부위로부터 움직임 데이터를 획득하는 제1단계와, 제1단계에서 획득한 움직임 데이터를 가공하여 모션 데이터를 산출하고, 모션 데이터를 움직임 한계점과 비교하여 모션 특징 데이터를 추출하는 제2단계 및 모션 특징 데이터를 모니터링하고, 모니터링한 모션 특징 데이터와 뇌졸중 한계점을 비교하여 뇌졸중 발병 여부를 판단하는 제3단계를 포함하는 것을 특징으로 한다.
According to another aspect of the present invention, there is provided a method for determining a stroke in a sleep, comprising: preparing a motion limit point and stroke limit point information; acquiring motion data from a predetermined body part; A second step of calculating motion data, comparing the motion data with a motion limit point to extract motion feature data, and a second step of monitoring the motion feature data and comparing the monitored motion feature data with a stroke limit point to determine whether stroke has occurred And three stages.
본 발명에 따른 수면 중 뇌졸중 판단 장치 및 방법은 좌우 대칭인 신체 부위로부터 획득된 움직임 데이터를 분석한 결과인 좌우비를 이용하여 수면 중 발생하는 사용자의 편마비 증상으로부터 뇌졸중 발병 여부를 판단하여 경보를 제공하는 것이 가능한 효과가 있다. The apparatus and method for determining a stroke in the sleep according to the present invention determine whether a stroke occurs from a user's hemiplegic symptoms occurring during sleep using a left to right ratio obtained by analyzing motion data obtained from a body part that is bilaterally symmetrical, There is an effect that is possible.
움직임 데이터를 가공한 결과인 모션 데이터를 분석함에 있어서, 모션 데이터에 포함되는 노이즈 및 모션 특징 데이터의 분류 기준이 되는 움직임 한계점을 이용하여, 모션 데이터를 노이즈 및 모션 특징 데이터로 분류함으로써, 모션 데이터 중 노이즈의 영향을 배제시키고, 모션 특징 데이터와 뇌졸중 한계점을 비교하여 편마비 증상 발생 여부 및 뇌졸중 발병 여부에 대한 판단의 신뢰도를 향상하는 효과가 있다. In analyzing the motion data resulting from processing the motion data, the motion data is classified into noise and motion feature data by using the motion limit data that is the classification reference of noise and motion feature data included in the motion data, The effect of the noise is excluded, and the motion feature data and the stroke threshold are compared with each other to improve the reliability of judging whether the hemiplegic symptom occurs or not.
정상인(뇌졸중 증상이 없는 경우의 사용자를 포함)과 편마비 증상이 있는 뇌졸중 환자의 움직임 데이터로부터 뇌졸중 한계점을 선정함으로써, 편마비 증상 발생 여부에 필요한 뇌졸중 한계점 선정의 신뢰도를 향상하는 효과가 있다. By selecting stroke thresholds from normal (including users with no stroke symptoms) and stroke data from stroke patients with hemiplegic symptoms, it is possible to improve the reliability of stroke threshold selection for the occurrence of hemiplegic symptoms.
모션 특징 데이터를 추출함에 있어서 슬라이딩 윈도우 기법을 이용하되, 사용자가 렘 수면 상태인지 여부에 대한 정보를 이용하여, 사용자가 렘 수면 상태인 경우 모션 특징 데이터 추출을 위한 슬라이딩 윈도우 구간에서 렘 수면 구간을 제외시킴으로써, 사용자의 편마비 증상 발생 및 뇌졸중 발병 여부에 대한 보다 정확한 판단이 가능한 효과가 있다. In extracting motion feature data, a sliding window technique is used. When the user is in the RAM sleep state, information on whether or not the user is in the RAM sleep state is used to exclude the RAM sleep interval in the sliding window section for extracting motion characteristic data Thereby making it possible to make a more accurate judgment as to whether the user is suffering from hemiplegic symptoms or stroke.
사용자의 움직임 데이터 분석 결과 렘 수면 기간이 기설정 시간 이상 지속되는 것으로 확인되는 경우에는 위험상황임을 알리는 경보를 제공함으로써 긴급 상황에 있어서 빠른 조치가 가능하도록 하는 추가적인 효과가 있다. If the analysis of the user's motion data indicates that the sleeping period of the RAM is sustained for more than the predetermined time, there is an additional effect of enabling quick action in an emergency by providing an alarm notifying the dangerous situation.
본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
The effects of the present invention are not limited to those mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the following description.
도 1은 본 발명의 일 실시예에 따른 수면 중 뇌졸중 판단 장치를 나타낸 블록도
도 2는 본 발명의 일 실시예에 따른 수면 중 뇌졸중 판단 장치의 특징 추출부를 나타낸 블록도.
도 3은 본 발명의 일 실시예에 따른 수면 중 뇌졸중 판단 장치의 실시간 수면 중 뇌졸중 판단부를 나타낸 블록도.
도 4는 본 발명의 일 실시예에 따른 움직임 한계점 및 뇌졸중 한계점 선정 과정을 나타낸 블록도.
도 5는 본 발명의 다른 실시예에 따른 수면 중 뇌졸중 판단 장치를 나타낸 블록도.
도 6은 본 발명의 다른 실시예에 따른 수면 중 뇌졸중 판단 장치의 특징 추출부는 렘 수면 확인부를 나타낸 블록도.
도 7은 본 발명의 실시예에 따른 특징 추출부가 추출한 모션 특징 데이터를 나타낸 표.
도 8은 본 발명의 실시예에 따른 슬라이딩 윈도우 기법을 이용한 모션 특징 데이터 추출을 나타낸 그래프.
도 9는 본 발명의 실시예에 따른 편마비 증상을 가진 뇌졸중 환자와 정상인의 유클리디언 거리값을 이용한 좌우비를 박스 플롯으로 나타낸 그래프.
도 10은 본 발명의 실시예에 따른 편마비 증상을 가진 뇌졸중 환자와 정상인의 로테이션 거리값을 이용한 좌우비를 박스 플롯으로 나타낸 그래프.
도 11은 본 발명의 실시예에 따른 뇌졸중 한계점 선정을 나타낸 도면.
도 12는 본 발명의 실시예에 따른 뇌졸중 한계점 선정을 위한 ROC 커브를 나타낸 그래프.
도 13은 본 발명의 실시예에 따른 뇌졸중 한계점 선정을 위한 TPR(True Positive Rate) 및 FPR(False Positive Rate) 연산을 나타내는 도면.
도 14는 본 발명의 실시예에 따른 슬라이딩 윈도우 파라미터에 따른 유클리디언 거리값의 ROC 커브를 나타내는 그래프.
도 15는 본 발명의 실시예에 따른 슬라이딩 윈도우 파라미터에 따른 로테이션 거리값의 ROC 커브를 나타내는 그래프.
도 16은 본 발명의 실시예에 따른 유클리디언 거리값의 초당 누적 데이터(PIM, Proportional Integral Mode)의 ROC 커브를 나타내는 그래프.
도 17은 본 발명의 실시예에 따른 로테이션 거리값의 초당 누적 데이터(PIM, Proportional Integral Mode)의 ROC 커브를 나타내는 그래프.
도 18은 본 발명의 실시예에 따른 최적의 점에서의 유클리디언 거리값 및 로테이션 거리값의 초당 누적 데이터에 대한 TPR 및 FPR을 나타낸 그래프.
도 19는 본 발명의 실시예에 따른 편마비 뇌졸중 환자별 TPR을 나타낸 그래프.
도 20은 도 19에 도시한 편마비 뇌졸중 환자 별 상태를 나타내는 표.
도 21은 본 발명의 실시예에 따른 수면 중 뇌졸중 판단 방법을 나타낸 순서도.
도 22 및 도 23은 본 발명의 실시예에 따른 수면 중 뇌졸중 판단 장치가 신체 상에 고정 배치된 예 및 수면 중 뇌졸중 판단 장치의 구성을 나타내는 도면. 1 is a block diagram illustrating a device for determining a stroke during a sleep according to an embodiment of the present invention;
BACKGROUND OF THE
FIG. 3 is a block diagram showing a real-time sleep determining unit in a sleep determining apparatus according to an embodiment of the present invention. FIG.
4 is a block diagram illustrating a motion limit point and a stroke limit point selection process according to an embodiment of the present invention.
5 is a block diagram illustrating a device for determining a stroke during a sleep according to another embodiment of the present invention.
FIG. 6 is a block diagram showing a RAM sleep surface confirmation unit in the feature extraction unit of a stroke determination apparatus according to another embodiment of the present invention; FIG.
7 is a table showing motion feature data extracted by the feature extracting unit according to the embodiment of the present invention.
8 is a graph illustrating extraction of motion characteristic data using a sliding window technique according to an embodiment of the present invention.
FIG. 9 is a graph showing box-plotted left and right ratios using a Ulecridian distance value between a stroke patient and a normal person having hemiplegic symptoms according to an embodiment of the present invention.
FIG. 10 is a graph showing box-plotted left and right ratios based on rotation distance values of a stroke patient and a normal person having hemiplegic symptoms according to an embodiment of the present invention.
11 is a diagram illustrating stroke threshold selection according to an embodiment of the present invention.
12 is a graph showing an ROC curve for selecting a stroke threshold according to an embodiment of the present invention.
13 is a diagram illustrating TPR (True Positive Rate) and False Positive Rate (FPR) calculations for stroke threshold selection according to an embodiment of the present invention.
14 is a graph showing an ROC curve of an Euclidean distance value according to a sliding window parameter according to an embodiment of the present invention.
15 is a graph showing an ROC curve of a rotation distance value according to a sliding window parameter according to an embodiment of the present invention.
16 is a graph showing ROC curves of cumulative data (PIM, Proportional Integral Mode) of Euclidean distance values according to an embodiment of the present invention.
17 is a graph showing the ROC curve of the cumulative data (PIM, Proportional Integral Mode) of the rotation distance value according to the embodiment of the present invention.
18 is a graph showing TPR and FPR for cumulative data of Euclidean distance values and rotation distance values at an optimal point in accordance with an embodiment of the present invention.
FIG. 19 is a graph showing TPR for each stroke patient according to an embodiment of the present invention. FIG.
FIG. 20 is a table showing states of stroke patients of hemiplegia shown in FIG. 19; FIG.
FIG. 21 is a flowchart illustrating a method of determining a stroke during a sleep according to an embodiment of the present invention. FIG.
FIG. 22 and FIG. 23 illustrate an example of a device for determining a stroke in a sleeping state according to an embodiment of the present invention and a configuration of a device for determining a stroke during a sleep. FIG.
이하에서는 도면을 참조하면서, 본 발명의 바람직한 실시예들을 구체적으로 설명한다.
Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the drawings.
본 발명의 상세한 설명에 있어서, 당업자의 이해를 돕기 위하여, 사용자의 신체 부위 상에 배치된 센서를 이용하여 획득된 사용자의 움직임 정보를 움직임 데이터로 정의하고, 움직임 데이터를 가공하여 산출한 데이터를 모션 데이터로 정의한다. In order to facilitate understanding of the present invention, in order to facilitate understanding of the present invention, the motion information of a user obtained by using a sensor disposed on a body part of a user is defined as motion data, the motion data is processed, Data.
또한, 모션 데이터 중 노이즈와 유의미한 모션 특징 데이터를 분류하는 기준이 되는 한계값(threshold)를 움직임 한계점으로 정의하고, 모션 특징 데이터를 이용하여 뇌졸중이 발병하였는지 여부를 판단하기 위한 한계값(threshold)를 뇌졸중 한계점으로 정의한다. In addition, a threshold, which is a reference for classifying noise and significant motion feature data, is defined as a motion limit point in the motion data, and a threshold value for determining whether the stroke has occurred using the motion feature data is defined as Stroke threshold.
또한, 본 발명의 실시예에 따르면, 편마비 증상 확인을 통하여 뇌졸중의 발병 여부를 판단하게 되므로, 사용자의 좌우 대칭 부위로부터 움직임 데이터가 각각 획득되므로, 이러한 움직임 데이터를 가공한 모션 데이터와, 모션 데이터 중 노이즈가 아닌 유의미한 데이터로서의 모션 특징 데이터를 이용한다. 이 때, 좌, 우 신체부위로부터 획득된 좌측 모션 특징 데이터와 우측 모션 특징 데이터의 비율(보다 정확하게는 좌우 슬라이딩 윈도우 값의 로그값에 대하여 절대값을 취한 결과값이며, 이에 대하여는 후술함)을 좌우비로 정의한다.
According to the embodiment of the present invention, it is possible to determine whether the stroke is caused through the confirmation of the hemiplegic symptom. Therefore, since the motion data is obtained from the left and right symmetrical parts of the user, the motion data processed and the motion data Motion characteristic data as meaningful data, rather than noise, is used. At this time, the ratio of the left motion characteristic data and the right motion characteristic data obtained from the left and right body parts (more precisely, a result value obtained by taking absolute values with respect to the log values of the left and right sliding window values, which will be described later) .
도 1은 본 발명의 일 실시예에 따른 수면 중 뇌졸중 판단 장치를 나타낸 블록도이다. 1 is a block diagram illustrating a device for determining a stroke during a sleep according to an embodiment of the present invention.
도 1에 도시된 바와 같이, 사용자의 신체 부위 상에 배치되어 사용자의 움직임 데이터를 수집하는 움직임 데이터 획득부(100)와, 움직임 데이터를 가공하여 기설정 시간 당 이동 거리 및 회전 거리 중 적어도 어느 하나의 모션 데이터를 산출하고, 모션 데이터와 움직임 한계점을 비교하여 사용자의 모션 특징 데이터를 추출하는 특징 추출부(200) 및 모션 특징 데이터를 모니터링하고, 모션 특징 데이터와 뇌졸중 한계점을 비교하여 사용자의 뇌졸중 발병 여부를 판단하는 실시간 수면 중 뇌졸중 판단부(400)를 포함한다. As shown in FIG. 1, the apparatus includes a motion
움직임 한계점 및 뇌졸중 한계점은 한계점 선정부(300)에서 선정되는데, 선정된 움직임 한계점 및 뇌졸중 한계점은 각각 특징 추출부(200)와 뇌졸중 판단부(420)로 전송되고, 특징 추출부(200)는 움직임 한계점을 이용하여 모션 데이터를 모션 특징 데이터로 추출하고, 뇌졸중 판단부(420)는 뇌졸중 한계점을 이용하여 뇌졸중 발병 여부를 판단한다.
The movement limit point and the stroke limit point are selected by the limit
본 발명의 일 실시예에 따르면, 사용자의 편마비 증상이 발생하였는지 여부를 확인하여 최종적으로 뇌졸중의 발병 여부를 판단하게 되므로, 움직임 데이터 획득부(100)는 기설정된 좌우 대칭 신체 부위(예: 좌우 상지)인 사용자의 신체 부위 상에 고정 배치되는 엑셀로미터 및 자이로센서 중 적어도 어느 하나를 포함한다. 본 발명의 상세한 설명에서는 당업자의 이해를 돕기 위하여 엑셀로미터 및 자이로센서를 모두 포함하는 경우를 예를 들어 설명하나, 움직임 데이터 획득부(100)는 엑셀로미터 또는 자이로센서 중 어느 하나를 포함하여 구성되는 것 역시 가능하다. 본 발명의 일 실시예에 따르면, 엑셀로미터 및 자이로 센서의 샘플링레이트(sampling rate)는 100Hz인 것이 바람직하다.
According to an embodiment of the present invention, it is determined whether or not the user has developed hemiplegia symptoms and the stroke is finally determined. Thus, the motion
본 발명의 일 실시예에 따른 특징 추출부(200)는 움직임 한계점 미만인 모션 데이터를 노이즈로 분류하고, 움직임 한계점 이상인 모션 데이터를 사용자의 모션 특징 데이터로 추출하며, 도 2에 도시된 바와 같이 제1차 특징 추출부(210), 제2차 특징 추출부(220) 및 제3차 특징 추출부(230)를 포함한다. The
제1차 특징 추출부(210)는 움직임 데이터 획득부(100)가 획득한 움직임 데이터를 가공하되, 3축 엑셀로미터 센서가 획득한 데이터를 기설정된 시간 당(예: 0.01초당) 이동 거리(ED, Euclidean Distance)에 해당하는 모션 데이터로 산출하고(이 때, 중력 성분은 제거된 성분으로 사용함이 바람직하다), 기설정된 시간 당(예: 0.01초당) 회전한 거리인 회전 거리(RD, Rotation Distance)에 해당하는 모션 데이터를 추출한다. The first
제2차 특징 추출부(220)는 제1차 특징 추출부(210)가 산출한 이동 거리 모션 데이터와, 회전 거리 모션 데이터를 각각 초당 누적 데이터(PIM, Proportional Integral Mode)로 연산한다. The second
3차 특징 추출부(230)는 슬라이딩 윈도우 구간(본 발명의 실시예에서 슬라이딩 윈도우 기법은 30분 또는 60분의 윈도우를 5분 또는 10분씩 이동하면서 양팔의 수면 중 움직임의 비를 실시간으로 분석하는 것이다) 안에서 제2차 특징 추출부(220)가 연산한 초당 누적 데이터가 움직임 한계점 이상인 데이터 구간을 이용하여, 도 7에 도시된 테이블에 표시된 바와 같이 8가지 모션 특징 데이터를 산출한다. 이 때, ED 및 RD는 1차 특징 추출부(210)가 추출한 결과이고, ED_PIM, RD_PIM은 2차 특징 추출부(220)가 추출한 결과값을 의미한다. The tertiary
도 8은 본 발명의 실시예에 따른 슬라이딩 윈도우 기법을 이용한 모션 특징 데이터 추출을 나타낸 그래프로서, 본 발명의 일 실시예에 따른 3차 특징추출부(230)의 RD_PIM(RD의 초당 누적값)을 기준으로 슬라이딩 윈도우 기법을 사용하여 8가지 모션 특징 데이터를 추출하는 예를 도시한다(이 때, ED_PIM을 기준으로 슬라이딩 윈도우 기법을 사용함은 동일한 과정으로 적용된다). 도 8의 상단 그래프는 수면 중 왼쪽 신체부위로부터 획득된 RD의 초당 누적값을 나타내고, 도 8의 하단 그래프는 오른쪽 신체부위로부터 획득된 RD의 초당 누적값을 나타낸다. 도 8에 도시된 박스(윈도우)는 이동하면서 8가지 모션 특징 데이터에 대한 좌우비를 추출한다.
8 is a graph showing motion feature data extraction using the sliding window technique according to an embodiment of the present invention. The RD_PIM (accumulated value per second of RD) of the tertiary
한계점 선정부(300)는 노이즈와 모션 특징 데이터의 분류 기준이 되는 움직임 한계점을 선정하고, 정상인(사용자로부터 획득한 움직임 데이터를 이용하여 한계점을 선정하는 경우, 사용자도 정상인에 포함된다)으로부터 획득한 모션 특징 데이터와 편마비 증상이 있는 뇌졸중 환자로부터 획득한 모션 특징 데이터를 비교하여, 정상인 및 편마비 뇌졸중 환자의 모션 특징 데이터에 대한 ROC(Receiver Operating Characteristic) 커브 연산 결과가 나타내는 적중 확률(True Positive Rate)이 기준값(예: 90%) 이상이 되도록 뇌졸중 한계점을 선정한다. The limit
도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 한계점 선정부(300)는 움직임 한계점 확인부(310) 및 뇌졸중 한계점 확인부(320)를 포함하며, 정상인의 왼쪽 및 오른쪽 신체부위에 배치된 엑셀로미터 및 자이로센서(110, 120)로부터 움직임 데이터를 획득하고, 특징 추출부(200a)는 움직임 데이터로부터 모션 특징 데이터를 산출하고, 실시간 모니터링부(410a)는 이러한 정상인의 모션 특징 데이터를 모니터링한 결과를 움직임 한계점 확인부(310)로 전송한다. 또한, 편마비 뇌졸중 환자의 왼쪽 및 오른쪽 신체부위에 배치된 엑셀로미터 및 자이로센서(130, 140)로부터 움직임 데이터를 획득하고, 특징 추출부(200)는 움직임 데이터로부터 모션 특징 데이터를 산출하고, 실시간 모니터링부(410)는 이러한 정상인의 모션 특징 데이터를 모니터링한 결과를 움직임 한계점 확인부(310)로 전송한다. 이 때, 정상인 및 편마비 뇌졸중 환자로부터 움직임 데이터를 획득하는 엑셀로미터 및 자이로센서(130, 140) 및 특징 추출부(200)의 동작은 전술한 바와 같다. 4, the threshold
본 발명의 일 실시예에 따른 움직임 한계점 확인부(310)는 획득된 모션 데이터에 포함되는 노이즈 및 모션 특징 데이터의 분류 기준이 되는 움직임 한계점을 선정한다. 이 때, 움직임 한계점 확인부(310)는 모션 특징 데이터로부터 편마비 증상 여부를 보다 정확히 판단하기 위한 전제가 되는 구성으로서, 획득되는 모션 데이터에 포함되는 노이즈의 영향을 배제(노이즈의 영향이 배제된 모션 데이터를 모션 특징 데이터라고 정의함은 전술한 바와 같다)시키기 위한 분류 기준이 되는 움직임 한계점을 선정하는 구성이다. The motion limit
도 9는 본 발명의 실시예에 따른 편마비 증상을 가진 뇌졸중 환자와 정상인의 유클리디언 거리값(ED)을 이용한 좌우비를 박스 플롯으로 나타낸 그래프이고, 도 10은 본 발명의 실시예에 따른 편마비 증상을 가진 뇌졸중 환자와 정상인의 로테이션 거리값(RD)을 이용한 좌우비를 박스 플롯으로 나타낸 그래프이다. FIG. 9 is a graph showing box-plotted left and right ratios using a Euclidean distance value (ED) between a stroke patient and a normal person having hemiplegic symptoms according to an embodiment of the present invention. (Left) and right (right) ratios based on the rotation distance values (RD) of a stroke patient and a normal person with symptoms.
도 9 및 도 10을 참조하면, 편마비 증상을 가진 뇌졸중 환자의 수면 중 좌우비의 차이가 정상인의 수면 중 좌우비의 차이와 비교하여 볼 때 크게 나타나는 것을 확인할 수 있다. 본 발명의 일 실시예에 따른 움직임 한계점 확인부(310)는 이러한 정상인과 뇌졸중 환자를 구별하는 것이 가능한 한계값(threshold)으로서 움직임 한계점을 선정한다. Referring to FIGS. 9 and 10, it can be seen that the difference in the left-right ratio in the sleep of the stroke patients having hemiplegic symptoms is larger than that in the normal subjects. The movement limit
본 발명의 실시예에 따른 뇌졸중 한계점 확인부(320)는 도 11 내지 도 19에 도시된 바와 같이, 정상인 및 편마비 뇌졸중 환자의 모션 특징 데이터에 대한 ROC(Receiver Operating Characteristic) 커브 연산 결과가 나타내는 적중 확률(True Positive Rate)이 기준값(예: 90%) 이상이 되도록 뇌졸중 한계점을 선정한다. 11 to 19, the stroke limit
도 11은 본 발명의 실시예에 따른 뇌졸중 한계점 선정을 나타낸 도면으로서, 뇌졸중 한계점 확인부(320)는 뇌졸중 한계점(stroke threshold)이 변화함에 따른 ROC 커브를 생성하고, 도 12는 본 발명의 실시예에 따른 뇌졸중 한계점 선정을 위한 ROC 커브를 나타낸 그래프로서, 뇌졸중 한계점 확인부(320)는 정상인 사람을 뇌졸중으로 잘못 판단한 비율인 FPR(False Positive Rate)와 뇌졸중인 사람을 뇌졸중으로 옳게 판단한 비율인 TPR(True Positive Rate)를 박스 플롯의 최소값에서 최대값까지 뇌졸중 한계점을 이동해 가며 조사한다. 도 13을 참조하면, 뇌졸중 환자를 S(Stroke), 정상인을 N(Normal), 뇌졸중임이 예상되는 사람을 S’(Predict Stroke), 정상임이 예상되는 사람을 N’(Predict Normal)이라고 정의하면, TPR 및 FPR 은 하기 [수식 1] 및 [수식 2]를 이용하여 연산된다.FIG. 11 is a diagram illustrating stroke threshold selection according to an embodiment of the present invention. The stroke
[수식 1][Equation 1]
[수식 2][Equation 2]
본 발명의 일 실시예에 따라 8가지 특징 데이터로부터 ROC 커브를 도시하면, 도 14는 본 발명의 실시예에 따른 슬라이딩 윈도우 파라미터에 따른 유클리디언 거리값(ED)의 ROC 커브를 나타내는 그래프이고, 도 15는 본 발명의 실시예에 따른 슬라이딩 윈도우 파라미터에 따른 로테이션 거리값(RD)의 ROC 커브를 나타내는 그래프로서, 왼쪽 상단으로 갈수록 좋은 특징 데이터임을 알 수 있다. FIG. 14 is a graph showing an ROC curve of an Euclidean distance value (ED) according to a sliding window parameter according to an embodiment of the present invention, and FIG. FIG. 15 is a graph showing an ROC curve of a rotation distance value RD according to a sliding window parameter according to an embodiment of the present invention.
도 16은 본 발명의 실시예에 따른 유클리디언 거리값(ED)의 초당 누적 데이터(PIM, Proportional Integral Mode)의 ROC 커브를 나타내는 그래프이고, 도 17은 본 발명의 실시예에 따른 로테이션 거리값(RD)의 초당 누적 데이터(PIM, Proportional Integral Mode)의 ROC 커브를 나타내는 그래프로서, 뇌졸중 한계점 확인부(320)는 엑셀로미터 및 자이로센서로부터 획득한 데이터 중에서 뇌졸중 한계점으로 선정하기에 최적인 특징 데이터를 추출하게 되며, 윈도우 타임(window time) 및 슬라이딩 윈도우 타임(sliding window time)이 커질수록, 왼쪽 상단에 그려진 최적의 특징 데이터임을 알 수 있다. 이 때, Cut-off value를 정하는 경우에는 적용되는 시스템에 따라 달라질 수는 있으나, 일례로 False Positive가 10%인 경우에 최적의 특징 데이터를 선정한다면, 윈도우 타임 대 슬라이딩 윈도우 타임은 60/10으로 선정한다. FIG. 16 is a graph showing ROC curves of cumulative data (PIM, Proportional Integral Mode) of Euclidean distance values ED according to an embodiment of the present invention, and FIG. (RIM) curve of the cumulative data (PIM, Proportional Integral Mode) of the heartbeat RD. The stroke limit
본 발명의 일 실시예에 따른 수면 중 뇌졸중 판단 장치에 있어서, 일례로 실험데이터를 이용하여 최적의 TPR 및 FPR을 확인한 결과, 도 18에 도시된 바와 같이, 엑셀로미터로부터 획득한 데이터인 유클리디언 거리값을 이용한 ED_PIM_sum 모션 특징 데이터로부터는 75.48%의 검출 정확도를 확인할 수 있었고, 자이로센서로부터 획득한 데이터를 로테이션 거리값을 이용한 RD_PIM_sum 모션 특징 데이터로부터는 97.12%의 검출 정확도를 확인할 수 있었다. 도 19는 본 발명의 실시예에 따른 4명의 편마비 뇌졸중 환자별 TPR을 나타낸 그래프로서, 도 19에 도시된 뇌졸중 검출률의 1은 100%를 의미한다. 각 환자의 상태에 따라 중증 뇌졸중 환자로부터는 엑셀로미터 및 자이로센서로부터 획득한 데이터를 이용하여 검출 확률이 96%이상으로 높은 검출 확률임을 확인할 수 있었으며, 이를 바탕으로 볼 때 실제로 사용자에게 뇌졸중이 발병하는 경우에는 중증 환자 이상의 경향을 가지게 되므로, 실제로는 더욱 높은 검출 확률을 확보하여 신뢰성을 향상시키는 것이 가능할 것이다. In the apparatus for determining a stroke in a sleep according to an embodiment of the present invention, for example, an optimal TPR and an FPR are confirmed using experimental data. As a result, as shown in FIG. 18, Detection accuracy of 75.48% was confirmed from ED_PIM_sum motion feature data using Dian distance value and 97.12% from RD_PIM_sum motion feature data using rotation distance value obtained from gyro sensor. FIG. 19 is a graph showing TPR of four stroke patients according to an embodiment of the present invention, wherein 1 of the stroke detection rates shown in FIG. 19 means 100%. According to the condition of each patient, the detection probability is higher than 96% by using the data obtained from the excelometer and gyro sensor from the severe stroke patients. As a result, It is possible to secure a higher detection probability and improve the reliability in practice.
본 발명의 일 실시예에 따른 실시간 수면 중 뇌졸중 판단부(400)는 좌우 대칭 신체 부위로부터 획득된 모션 특징 데이터의 비율인 좌우비를 연산하고 그 결과를 전송하는 실시간 모니터링부(410) 및 실시간 모니터링부(410)의 좌우비 연산 결과가 뇌졸중 한계점 이상인 경우 사용자의 뇌졸중 발병을 판단하여 경보를 제공하는 실시간 뇌졸중 판단부(420)를 포함한다. The real-time
본 발명의 일 실시예에 따른 실시간 모니터링부(410)는 도 3에 도시된 바와 같이, 좌우 슬라이딩 윈도우 값을 대칭적인 비교방법으로 연산하여 좌우비를 나타내는 좌우비 비교부(403)를 포함한다. 이 때, 좌우비는 하기 [수식 3]을 이용하여 연산된다. As shown in FIG. 3, the real-
[수식 3][Equation 3]
|log(Left sliding window/Right sliding window)|
| log (Left sliding window / Right sliding window) |
즉, 실시간 모니터링부(410)는 우측 신체부위로부터 획득한 모션 특징 데이터의 슬라이딩 윈도우 값(402)에 대한 좌측 신체 부위로부터 획득한 모션 특징 데이터의 슬라이딩 윈도우값(401)의 비율의 로그 연산값에 대한 절대값을 좌우비로써 연산한다. That is, the real-
본 발명의 일 실시예에 따른 뇌졸중 판단부(420)는 실시간 모니터링부(410)의 좌우비 비교부(403)가 연산한 절대값(좌우비)가 뇌졸중 한계점 이상일 경우 이러한 좌우비를 편마비 증상을 나타내는 지표로 간주하여 뇌졸중이라고 판단하여 경보를 제공함으로써, 뇌졸중이 발병된 사용자에게 조속한 조치가 이루어질 수 있도록 한다. The
도 22는 본 발명의 실시예에 따른 수면 중 뇌졸중 판단 장치가 신체 상에 고정 배치된 예(손목에 감기는 밴드형태)를 도시하는 도면이며, 도 23은 이러한 수면 중 뇌졸중 판단 장치의 분리 구성도를 나타내는 도면이다.
FIG. 22 is a diagram showing an example in which a device for determining a stroke during a sleep according to an embodiment of the present invention is fixedly disposed on a body (in the form of a band wound on a wrist), and FIG. 23 is a diagram Fig.
도 5를 참조하면, 본 발명의 다른 실시예에 따른 수면 중 뇌졸중 판단 장치는 앞서 설명한 본 발명의 일 실시예에 따른 수면 중 뇌졸중 판단 장치에 부가되어, 특징 추출부(20)가 산출한 모션 데이터를 입력 받아 사용자가 렘 수면 상태인지 여부에 대한 사용자의 수면 정보를 생성하는 렘 수면 확인부(50)를 더 포함하여 구성된다. 5, the apparatus for determining a stroke in the sleeping according to another embodiment of the present invention may be added to the apparatus for determining a stroke in the sleeping according to the embodiment of the present invention described above, And a sleep
렘 수면(REM Sleep)은 수면의 여러 단계 중 빠른 안구 운동이 일어나는 기간으로서, 뇌 활동이 상당히 일어나고 있음을 시사하고, 전압이 낮고 빠른 불규칙적인 파들이 나타나는 동시에 체위근은 다른 수면 단계보다 더 이완 상태에 있게 된다. REM sleep is a period of rapid eye movement during several stages of sleep, suggesting that brain activity is occurring fairly, and when the voltage is low and rapid irregular waves appear, the positional muscles are more relaxed than other sleep phases .
본 발명의 다른 실시예에 따른 특징 추출부(20)는 수면 정보로부터 사용자가 렘수면(양쪽 팔의 움직임이 전혀 없는 구간)인 경우, 모션 특징 데이터 추출을 위한 슬라이딩 윈도우 구간에서 렘 수면 구간을 제외한다. The
도 6은 본 발명의 다른 실시예에 따른 특징 추출부(20)를 도시하는 블록도로서, 렘 수면 확인부(50)는 사용자의 양쪽 팔의 움직임이 전혀 없는 렘 수면 구간에 대한 정보를 수정 3차 특징 추출부(33)에 전송한다. 수정 3차 특징 추출부(33)는 렘 수면 기간을 제외한 비 렘 수면 구간을 모니터링 시간 구간으로 사용하며, 윈도우 슬라이드 시간을 30분 이하로 줄임으로써, 뇌졸중 발병 여부 판단에 대한 오차의 발생을 감안하더라도 렘 수면 구간에서 획득되는 데이터를 배제하여, 데이터 분석 및 뇌졸중 발병 여부 판단이 보다 신속히 이루어 질 수 있도록 한다. FIG. 6 is a block diagram showing a
본 발명의 다른 실시예에 따른 렘 수면 확인부(50)는 입력 받은 모션 데이터로부터 기설정 시간(예: 1시간) 이상 사용자의 움직임이 없는 것으로 확인된 경우에는 뇌졸중 판단부(42)로 경보 제공 명령 신호를 전송한다.
The RAM
도 21은 본 발명의 또 다른 실시예에 따른 수면 중 뇌졸중 판단 방법을 나타낸 순서도로서, 수면 중 뇌졸중 판단 방법은 기설정된 인체 부위로부터 움직임 데이터를 획득하는 제1단계(S100)와, 제1단계(S100)에서 획득한 움직임 데이터를 이용하여 움직임 한계점 및 뇌졸중 한계점을 선정하는 제2단계(S200)와, 제1단계(S100)에서 획득한 움직임 데이터를 가공하여 모션 데이터를 산출하고, 모션 데이터를 제2단계(S200)에서 선정한 움직임 한계점과 비교하여 모션 특징 데이터를 추출하는 제3단계(S300) 및 제3단계(S300)에서 추출한 모션 특징 데이터를 모니터링하고, 모니터링한 모션 특징 데이터와 제2단계(S200)에서 선정한 뇌졸중 한계점을 비교하여 뇌졸중 발병 여부를 판단하는 제4단계(S400)를 포함한다. FIG. 21 is a flowchart illustrating a stroke determination method according to another embodiment of the present invention. The stroke determination method includes a first step (S100) of acquiring motion data from a predetermined body part, a first step A second step S200 of selecting a motion limit point and a stroke limit point using the motion data acquired in step S100, and motion data obtained in the first step S100 are processed to calculate motion data, The motion feature data extracted in the third step S300 and the third step S300 of extracting the motion feature data are compared with the motion limit point selected in the second step S200, S200) to determine whether the stroke has occurred or not (S400).
이 때, 제1단계(S100)는 정상인, 편마비 증상이 있는 뇌졸중 환자 및 사용자의 기설정된 좌우 대칭 신체 부위 상에 배치되는 엑셀로미터 및 자이로센서 중 적어도 어느 하나를 이용하여 움직임 데이터를 획득한다. 제1단계(S100)는 사용자의 나이, 성별, 연령대, 보유 질병 여부와 유사한 정상인, 편마비 증상이 있는 뇌졸중 환자의 모집단에 대하여 움직임 데이터를 획득하는 것이 바람직하며, 이 경우 사용자의 뇌졸중 발병 여부 판단에 있어서 보다 신뢰성 있는 레퍼런스를 확보할 수 있게 된다. At this time, the first step S100 acquires motion data using at least one of a normal stroke patient having hemiplegic symptoms and an excelometer and a gyro sensor disposed on a predetermined symmetrical body part of the user. In the first step (S100), it is preferable to acquire motion data for a population of stroke patients having a normal person, hemiplegic symptom, similar to the age, sex, age range, and possession disease of a user. In this case, So that a more reliable reference can be secured.
본 발명의 또 다른 실시예에 따른 제2단계(S200)는 모션 데이터 중 노이즈와 모션 특징 데이터의 분류 기준이 되는 움직임 한계점을 선정하고, 모션 특징 데이터가 편마비 증상을 나타내는지 여부를 판단하는 기준값인 뇌졸중 한계점을 선정한다. 이 때, 좌우비를 이용하여, ROC 커브의 연산 결과에 따라 TP(True Positive)가 기설정값(예: 90%) 이상이 되는 뇌졸중 한계점을 선정하는 것은 전술한 바와 같다. In a second step S200 according to another embodiment of the present invention, a motion limit point serving as a classification criterion of noise and motion characteristic data among the motion data is selected, and a motion limit data, which is a reference value for determining whether the motion characteristic data indicates the hemiplegic symptoms Stroke limit points are selected. In this case, the stroke limit point at which TP (True Positive) becomes equal to or greater than a predetermined value (for example, 90%) according to the calculation result of the ROC curve using the left-right ratio is as described above.
본 발명의 또 다른 실시예에 따른 제3단계(S300)는 사용자의 움직임 데이터를 가공하여 기설정 시간 당 이동 거리(ED) 및 회전 거리(RD) 중 적어도 어느 하나의 모션 데이터를 산출하고, 움직임 한계점 이상인 모션 데이터를 모션 특징 데이터로 추출하며, 제4단계(S400)는 사용자의 좌우 대칭 신체부위로부터 획득한 모션 특징 데이터의 비율인 좌우비를 연산하고, 좌우비가 뇌졸중 한계점 이상인 경우 사용자의 뇌졸중 발병에 대한 경보를 제공한다. 이 때, 제4단계에서 연산하는 좌우비는 상기 [수식 3]을 이용하여 연산된다.
In a third step S300 according to another embodiment of the present invention, the motion data of the user is processed to calculate motion data of at least one of the movement distance ED and the rotation distance RD per preset time, In operation S400, the right-to-left ratio, which is a ratio of the motion feature data acquired from the left and right symmetrical body parts of the user, is calculated. If the right and left ratio is equal to or greater than the stroke threshold, Lt; / RTI > In this case, the left-right ratio calculated in the fourth step is calculated by using the above-mentioned equation (3).
본 발명의 또 다른 실시예에 따른 수면 중 뇌졸중 판단 방법은 사용자로부터 획득한 모션 데이터를 이용하여 사용자가 렘 수면 상태인지 여부를 확인하는 렘 수면 확인 단계를 더 포함한다. 이러한 렘 수면 확인 단계를 더 포함함으로써, 슬라이딩 윈도우 시간을 조정하는 것이 가능하고, 편마비 증상 확인 및 뇌졸중 발병 여부 판단을 위하여 획득되는 데이터 중 렘 수면 구간에서의 데이터를 배제함으로써, 보다 정확한 뇌졸중 판단을 가능하게 한다. 즉, 제3단계는 렘 수면 확인 단계에서 사용자가 렘 수면 상태인 것으로 확인 된 경우, 모션 특징 데이터 추출을 위한 슬라이딩 윈도우 구간에서 배제시키고, 렘 수면 확인 단계는 제3단계에서 산출한 모션 데이터를 이용하여 상기 사용자의 움직임 발생 여부를 확인하고, 기설정된 시간(예: 1시간) 이상 동안 사용자의 움직임이 없는 것으로 확인한 경우 뇌졸중 발병 경보 제공 명령 신호를 전송한다.
The method of determining stroke during sleep according to another embodiment of the present invention further includes a RAM sleeping step of checking whether the user is in a sleep state using a motion data acquired from a user. By further including the RAM sleep confirmation step, it is possible to adjust the sliding window time, and more accurate stroke judgment can be performed by excluding the data in the RAM sleep interval from the data obtained for the confirmation of the hemiplegic symptom and the determination of the stroke occurrence . That is, in the third step, when the user is confirmed to be in the RAM sleep state in the RAM sleep state confirmation step, the sleep state is excluded from the sliding window section for extracting the motion characteristic data, and the RAM sleep confirmation step uses the motion data calculated in the third step And transmits a signal to provide a stroke onset alert when it is determined that the user does not move for a predetermined time (e.g., one hour).
본 발명의 또 다른 실시예에 따른 수면 중 뇌졸중 판단 방법은 움직임 한계점 및 뇌졸중 한계점 정보를 준비하는 단계와, 기설정된 인체 부위로부터 움직임 데이터를 획득하는 제1단계와, 제1단계에서 획득한 움직임 데이터를 가공하여 모션 데이터를 산출하고, 모션 데이터를 움직임 한계점과 비교하여 모션 특징 데이터를 추출하는 제2단계 및 제2단계에서 추출한 모션 특징 데이터를 모니터링하고, 모니터링한 모션 특징 데이터와 상기 뇌졸중 한계점을 비교하여 뇌졸중 발병 여부를 판단하는 제3단계를 포함한다.
The method of determining a stroke in a sleeping according to another embodiment of the present invention includes the steps of preparing a motion limit point and stroke limit point information, a first step of acquiring motion data from a predetermined body part, A second step of extracting motion feature data by comparing the motion data with a motion limit point, and a second step of monitoring motion feature data extracted in the second step and comparing the monitored motion feature data with the stroke limit point And a third step of determining whether or not a stroke has occurred.
이제까지 본 발명의 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
The embodiments of the present invention have been described above. It will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. Therefore, the disclosed embodiments should be considered in an illustrative rather than a restrictive sense. The scope of the present invention is defined by the appended claims rather than by the foregoing description, and all differences within the scope of equivalents thereof should be construed as being included in the present invention.
10: 움직임 데이터 획득부
20: 특징 추출부
30: 한계점 선정부
31: 1차 특징 추출부
32: 2차 특징 추출부
33: 수정 3차 특징 추출부
40: 실시간 수면 중 뇌졸중 판단부
41: 실시간 모니터링부
42: 뇌졸중 판단부
50: 렘 수면 확인부
100: 움직임 데이터 획득부
110, 120, 130, 140: 엑셀로미터 및 자이로센서
200: 특징 추출부
210: 1차 특징 추출부
220: 2차 특징 추출부
230: 3차 특징 추출부
300: 한계점 선정부
310: 움직임 한계점 확인부
320: 뇌졸중 한계점 확인부
400: 실시간 수면 중 뇌졸중 판단부
401, 402: 슬라이딩 윈도우
403: 좌우 비 비교부
410: 실시간 모니터링부
420: 뇌졸중 판단부10: motion data acquisition unit 20: feature extraction unit
30: Limit point selection unit 31: Primary feature extraction unit
32: Secondary feature extraction unit 33: Quadratic feature extraction unit
40: real-time sleep-stroke determining part 41: real-time monitoring part
42: stroke judgment unit 50: RAM sleep confirmation unit
100: motion data acquisition unit
110, 120, 130, 140: an excel meter and a gyro sensor
200: feature extraction unit 210: primary feature extraction unit
220: Secondary feature extraction unit 230: Third feature extraction unit
300: Limit point selection unit 310: Motion limit point confirmation unit
320: Stroke limit point confirmation unit
400: real-time sleep-stroke judgment unit
401, 402: Sliding window 403:
410: real-time monitoring unit 420: stroke determination unit
Claims (17)
상기 움직임 데이터를 가공하여 기설정 시간 당 이동 거리 및 회전 거리 중 적어도 어느 하나의 모션 데이터를 산출하고, 상기 모션 데이터와 움직임 한계점을 비교하여 상기 사용자의 모션 특징 데이터를 추출하는 특징 추출부; 및
상기 모션 특징 데이터를 모니터링하고, 상기 모션 특징 데이터와 뇌졸중 한계점을 비교하여 상기 사용자의 뇌졸중 발병 여부를 판단하는 실시간 수면 중 뇌졸중 판단부
를 포함하는 수면 중 뇌졸중 판단 장치.
A motion data acquisition unit arranged on the body part of the user and collecting motion data of the user;
A feature extraction unit for calculating motion data of at least one of a movement distance and a rotation distance per predetermined time by processing the motion data and extracting the motion feature data of the user by comparing the motion data with a motion limit point; And
Wherein the motion feature data is monitored and the motion feature data is compared with a stroke threshold to determine whether the user has stroke,
Wherein the stroke determination device comprises:
상기 움직임 한계점은 상기 모션 데이터 중 노이즈를 배제시키기 위한 분류 기준이 되는 기준점으로 선정되고, 상기 뇌졸중 한계점은 상기 정상인 및 편마비 뇌졸중 환자의 모션 특징 데이터에 대한 ROC(Receiver Operating Characteristic) 커브 연산 결과가 나타내는 적중 확률(True Positive Rate)이 기준값 이상이 되도록 선정되는 것
인 수면 중 뇌졸중 판단 장치.
The method according to claim 1,
Wherein the motion limit point is selected as a reference point serving as a classification criterion for excluding noise from the motion data, and the stroke limit point is a hit point indicated by a ROC (Receiver Operating Characteristic) curve calculation result for the motion characteristic data of the normal person and the hemiplegic stroke patient That the probability (True Positive Rate) is more than the reference value
A device for determining stroke during sleep.
기설정된 좌우 대칭 신체 부위인 상기 사용자의 신체 부위 상에 고정 배치되는 엑셀로미터 및 자이로센서 중 적어도 어느 하나를 포함하는 것
인 수면 중 뇌졸중 판단 장치.
The apparatus of claim 1, wherein the motion data obtaining unit
And an excelrometer and a gyro sensor fixedly arranged on a body part of the user which is a predetermined left and right symmetrical body part
A device for determining stroke during sleep.
상기 움직임 한계점 미만인 모션 데이터를 노이즈로 분류하고, 상기 움직임 한계점 이상인 모션 데이터를 상기 사용자의 모션 특징 데이터로 추출하는 것
인 수면 중 뇌졸중 판단 장치.
The apparatus of claim 1, wherein the feature extraction unit
Classifying the motion data less than the motion limit point into noise and extracting motion data not less than the motion limit point as the motion feature data of the user
A device for determining stroke during sleep.
상기 좌우 대칭 신체 부위로부터 획득된 모션 특징 데이터의 비율인 좌우비를 연산하고 그 결과를 전송하는 실시간 모니터링부; 및
상기 실시간 모니터링부의 좌우비 연산 결과가 상기 뇌졸중 한계점 이상인 경우 상기 사용자의 뇌졸중 발병을 판단하여 경보를 제공하는 실시간 뇌졸중 판단부를 포함하는 것
인 수면 중 뇌졸중 판단 장치.
2. The apparatus according to claim 1, wherein the real-
A real time monitoring unit for calculating a left to right ratio, which is a ratio of motion feature data obtained from the left and right symmetrical body parts, and transmitting the result; And
And a real-time stroke determination unit for determining an occurrence of a stroke of the user and providing an alarm when the left-right non-operation result of the real-time monitoring unit is greater than or equal to the stroke threshold
A device for determining stroke during sleep.
우측 신체부위로부터 획득한 모션 특징 데이터의 슬라이딩 윈도우 값에 대한 좌측 신체 부위로부터 획득한 모션 특징 데이터의 슬라이딩 윈도우값의 비율의 로그 연산값에 대한 절대값을 상기 좌우비로 연산하는 것
인 수면 중 뇌졸중 판단 장치.
6. The apparatus of claim 5, wherein the real-
Calculating the absolute value of the logarithmic value of the ratio of the sliding window value of the motion characteristic data obtained from the left body part to the sliding window value of the motion characteristic data obtained from the right body part with the left to right ratio
A device for determining stroke during sleep.
상기 특징 추출부가 산출한 모션 데이터를 입력 받아 상기 사용자가 렘 수면 상태인지 여부에 대한 상기 사용자의 수면 정보를 생성하는 렘 수면 확인부
를 더 포함하는 수면 중 뇌졸중 판단 장치.
6. The method of claim 5,
A RAM sleep confirmation unit for receiving the motion data calculated by the feature extraction unit and generating sleep information of the user as to whether the user is in a RAM sleep state,
Further comprising: means for determining a stroke of the subject.
상기 수면 정보로부터 상기 사용자가 렘 수면 상태인 것으로 확인된 경우, 상기 모션 특징 데이터 추출을 위한 슬라이딩 윈도우 구간에서 상기 렘 수면 상태인 구간을 제외하는 것
인 수면 중 뇌졸중 판단 장치.
8. The apparatus of claim 7, wherein the feature extraction unit
If the user is determined to be in the RAM sleep state from the sleep information, exclude the section in the RAM sleep state from the sliding window section for extracting the motion feature data
A device for determining stroke during sleep.
상기 입력 받은 모션 데이터로부터 기설정 시간 이상 상기 사용자의 움직임이 없는 것으로 확인된 경우 상기 뇌졸중 판단부로 경보 제공 명령 신호를 전송하는 것
인 수면 중 뇌졸중 판단 장치.
8. The apparatus according to claim 7, wherein the RAM sleep confirmation unit
And transmitting an alarm providing command signal to the stroke determining unit when it is determined that the user does not move for a predetermined time or longer from the inputted motion data
A device for determining stroke during sleep.
기설정된 인체 부위로부터 움직임 데이터를 획득하는 제1단계;
상기 제1단계에서 획득한 움직임 데이터를 가공하여 모션 데이터를 산출하고, 상기 모션 데이터를 상기 움직임 한계점과 비교하여 모션 특징 데이터를 추출하는 제2단계; 및
상기 제2단계에서 추출한 모션 특징 데이터를 모니터링하고, 상기 모니터링한 모션 특징 데이터와 상기 뇌졸중 한계점을 비교하여 뇌졸중 발병 여부를 판단하는 제3단계
를 포함하는 수면 중 뇌졸중 판단 방법.
Preparing a movement limit point and stroke limit point information;
A first step of obtaining motion data from a predetermined human body part;
A second step of processing the motion data acquired in the first step to calculate motion data, and comparing the motion data with the motion limit point to extract motion feature data; And
A third step of monitoring the motion feature data extracted in the second step and comparing the monitored motion feature data with the stroke threshold to determine whether or not stroke has occurred;
Wherein the at least one stroke is selected from the group consisting of:
정상인, 편마비 증상이 있는 뇌졸중 환자 및 사용자의 기설정된 좌우 대칭 신체 부위 상에 배치되는 엑셀로미터 및 자이로센서 중 적어도 어느 하나를 이용하여 상기 움직임 데이터를 획득하는 것
인 수면 중 뇌졸중 판단 방법.
11. The method of claim 10, wherein the first step
Obtaining the motion data using at least one of a normal person, a stroke patient having hemiplegic symptoms, and an excelometer and a gyro sensor disposed on a predetermined symmetrical body part of a user
How to Determine Stroke During Sleep.
상기 모션 데이터 중 노이즈와 모션 특징 데이터의 분류 기준이 되도록 선정되는 움직임 한계점을 준비하고, 상기 모션 특징 데이터가 편마비 증상을 나타내는지 여부를 판단하는 기준값인 뇌졸중 한계점을 준비하는 것
인 수면 중 뇌졸중 판단 방법.
11. The method of claim 10, wherein preparing the motion limit point and stroke limit point information comprises:
Preparing a motion limit point that is selected to be a classification criterion of noise and motion feature data among the motion data and preparing a stroke limit point that is a reference value for determining whether or not the motion feature data indicates a hemiplegic symptom
How to Determine Stroke During Sleep.
상기 사용자의 움직임 데이터를 가공하여 기설정 시간 당 이동 거리 및 회전 거리 중 적어도 어느 하나의 모션 데이터를 산출하고, 상기 움직임 한계점 이상인 모션 데이터를 상기 모션 특징 데이터로 추출하는 것
인 수면 중 뇌졸중 판단 방법.
12. The method of claim 11, wherein the second step comprises:
Processing the motion data of the user to calculate motion data of at least one of a moving distance and a rotation distance per preset time and extracting motion data of the motion limit point or more with the motion feature data
How to Determine Stroke During Sleep.
상기 사용자의 좌우 대칭 신체부위로부터 획득한 모션 특징 데이터의 비율인 좌우비를 연산하고, 상기 좌우비가 뇌졸중 한계점 이상인 경우 상기 사용자의 뇌졸중 발병에 대한 경보를 제공하는 것
인 수면 중 뇌졸중 판단 방법.
14. The method of claim 13, wherein the third step comprises:
Calculating a left to right ratio, which is a ratio of motion feature data acquired from the left and right symmetrical body parts of the user, and providing an alarm for the stroke occurrence of the user when the right and left ratio is equal to or greater than the stroke threshold
How to Determine Stroke During Sleep.
상기 사용자로부터 획득한 모션 데이터를 이용하여 상기 사용자가 렘 수면 상태인지 여부를 확인하는 렘 수면 확인 단계
를 더 포함하는 수면 중 뇌졸중 판단 방법.
15. The method of claim 14,
A RAM sleep confirmation step of checking whether the user is in the RAM sleep state using the motion data acquired from the user
Further comprising the step of determining a stroke in the sleep.
상기 렘 수면 확인 단계에서 상기 사용자가 렘 수면 상태인 것으로 확인 된 경우, 상기 모션 특징 데이터 추출을 위한 슬라이딩 윈도우 구간에서 상기 렘 수면 상태인 구간을 제외시키는 것
인 수면 중 뇌졸중 판단 방법.
16. The method of claim 15, wherein the second step comprises:
If the user is confirmed to be in the RAM sleep state in the RAM sleep confirmation step, exclude the section that is in the RAM sleep state in the sliding window section for extracting the motion feature data
How to Determine Stroke During Sleep.
상기 제3단계에서 산출한 모션 데이터를 이용하여 상기 사용자의 움직임 발생 여부를 확인하고, 기설정된 시간 이상 동안 상기 사용자의 움직임이 없는 것으로 확인한 경우 뇌졸중 발병 경보 제공 명령 신호를 전송하는 것
인 수면 중 뇌졸중 판단 방법.
16. The method according to claim 15, wherein the RAM sleep confirmation step
A step of confirming whether or not the motion of the user is generated using the motion data calculated in the third step and transmitting a signal of providing a stroke onset alert when it is confirmed that the user does not move for a predetermined time or more
How to Determine Stroke During Sleep.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140057281A KR101565970B1 (en) | 2014-05-13 | 2014-05-13 | Apparatus and method for determining stroke during the sleep |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020140057281A KR101565970B1 (en) | 2014-05-13 | 2014-05-13 | Apparatus and method for determining stroke during the sleep |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20150130116A true KR20150130116A (en) | 2015-11-23 |
KR101565970B1 KR101565970B1 (en) | 2015-12-04 |
Family
ID=54844633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020140057281A KR101565970B1 (en) | 2014-05-13 | 2014-05-13 | Apparatus and method for determining stroke during the sleep |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101565970B1 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018110925A1 (en) * | 2016-12-17 | 2018-06-21 | 이양수 | Device for determining stroke in sleep |
KR20180111142A (en) | 2017-03-31 | 2018-10-11 | 한국표준과학연구원 | Monitoring system for stroke |
KR20190059415A (en) * | 2017-11-23 | 2019-05-31 | 한국표준과학연구원 | Monitoring system for stroke during driving |
KR20190059432A (en) * | 2017-11-23 | 2019-05-31 | 한국표준과학연구원 | Monitoring system for stroke during walking |
WO2022070480A1 (en) * | 2020-09-29 | 2022-04-07 | テルモ株式会社 | Cerebrovascular accident detection device and cerebrovascular accident detection program |
CN117612713A (en) * | 2023-10-08 | 2024-02-27 | 郑州大学 | Intelligent analysis system and method for cerebral apoplexy behavior based on cloud computing |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102114638B1 (en) | 2017-11-23 | 2020-05-26 | 한국표준과학연구원 | Monitoring system for stroke during sleep |
KR101958188B1 (en) | 2018-10-12 | 2019-03-14 | 신성대학 산학협력단 | System and method for determining stroke based on voice analysis |
-
2014
- 2014-05-13 KR KR1020140057281A patent/KR101565970B1/en active IP Right Grant
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018110925A1 (en) * | 2016-12-17 | 2018-06-21 | 이양수 | Device for determining stroke in sleep |
KR20180111142A (en) | 2017-03-31 | 2018-10-11 | 한국표준과학연구원 | Monitoring system for stroke |
US10786209B2 (en) | 2017-03-31 | 2020-09-29 | Korea Research Institute Of Standards And Science | Monitoring system for stroke |
DE102018107633B4 (en) | 2017-03-31 | 2024-02-15 | Korea Research Institute Of Standards And Science | Stroke monitoring system |
KR20190059415A (en) * | 2017-11-23 | 2019-05-31 | 한국표준과학연구원 | Monitoring system for stroke during driving |
KR20190059432A (en) * | 2017-11-23 | 2019-05-31 | 한국표준과학연구원 | Monitoring system for stroke during walking |
WO2022070480A1 (en) * | 2020-09-29 | 2022-04-07 | テルモ株式会社 | Cerebrovascular accident detection device and cerebrovascular accident detection program |
CN117612713A (en) * | 2023-10-08 | 2024-02-27 | 郑州大学 | Intelligent analysis system and method for cerebral apoplexy behavior based on cloud computing |
CN117612713B (en) * | 2023-10-08 | 2024-06-11 | 郑州大学 | Intelligent analysis system and method for cerebral apoplexy behavior based on cloud computing |
Also Published As
Publication number | Publication date |
---|---|
KR101565970B1 (en) | 2015-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101565970B1 (en) | Apparatus and method for determining stroke during the sleep | |
US9801553B2 (en) | System, method, and computer program product for the real-time mobile evaluation of physiological stress | |
US8749391B2 (en) | Fall detection system | |
RU2540901C2 (en) | Method and device for microsleep detection | |
US9357953B2 (en) | System and method for diagnosing sleep apnea | |
RU2623304C2 (en) | Monitoring system for patient monitoring and delirium detection | |
JP6375496B2 (en) | Sleepiness detection method and sleepiness detection device | |
US20140142460A1 (en) | Method for detecting potential falls and a fall detector | |
WO2014047310A4 (en) | System and method for determining sleep stage | |
CN103903281A (en) | Old people tumbling detecting method based on multi-feature analyzing and scene studying | |
JP2014518666A5 (en) | ||
KR20150113700A (en) | System and method for diagnosis | |
KR102444791B1 (en) | Method and device for non-invasive assessment of intracranial pressure | |
EP2931117B1 (en) | Method and apparatus for use in monitoring and identifying abnormal values of a physiological characteristic of a subject | |
WO2017049628A1 (en) | Devices, systems, and associated methods for evaluating potential stroke condition in subject | |
US20140031635A1 (en) | Methods, systems and apparatuses for detecting seizure and non-seizure states | |
US20120271182A1 (en) | Identifying Seizures Using Heart Data from Two of More Windows | |
US10885349B2 (en) | Method and apparatus for image processing | |
KR20150106891A (en) | Cardiovascular screening diagnostic and monitoring system and method | |
KR101834906B1 (en) | System and method for detecting abnormal status of user based on bio-signal and wearable device | |
US10478066B2 (en) | System and method for detection of cravings in individuals with addiction | |
CN113425278B (en) | Method for monitoring fetal heart through data collected by wearable equipment | |
EP3991157B1 (en) | Evaluating movement of a subject | |
KR101034886B1 (en) | System and method for determining drowsy state using alteration in period of heart rate variability | |
KR20210121707A (en) | Method and system for determining sleep status |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20180918 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20190924 Year of fee payment: 5 |