KR20150130116A

KR20150130116A - 수면 중 뇌졸중 판단 장치 및 방법

Info

Publication number: KR20150130116A
Application number: KR1020140057281A
Authority: KR
Inventors: 박태준; 전상훈; 이양수
Original assignee: 재단법인대구경북과학기술원; 경북대학교 산학협력단
Priority date: 2014-05-13
Filing date: 2014-05-13
Publication date: 2015-11-23
Also published as: KR101565970B1

Abstract

본 발명은 수면 중인 사용자의 뇌졸중 발병 여부를 판단하는 수면 중 뇌졸중 판단 장치 및 방법에 관한 것이다.
본 발명의 일면에 따른 수면 중 뇌졸중 판단 장치는 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 포함한다.

Description

수면 중 뇌졸중 판단 장치 및 방법{APPARATUS AND METHOD FOR DETERMINING STROKE DURING THE SLEEP}

본 발명은 수면 중인 사용자의 뇌졸중 발병 여부를 판단하는 수면 중 뇌졸중 판단 장치 및 방법에 관한 것이다.

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.

건강보험심사평가원 통계자료에 따르면, 2011년 기준 뇌졸중 환자 수는 2007년 456,435명에서 14%가 증가한 520, 214명으로 추산된다.

또한, 우리나라의 원인 별 사망률 중에서 뇌졸중은 암에 이어 두 번째이고, 인구 100,000명당 70.3명으로서, 이는 전체 사망 원인의 13.9%에 해당한다.

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.

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.

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.

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.

따라서, 뇌졸중 조기 발견이 어려움에 따라 조기에 혈전 용해술을 시행할 수 없는 문제점이 있고, 뇌졸중 증상에 따른 예후는 더욱 나빠지는 문제점이 있다.

따라서, 수면 중 인체를 모니터링하여 수면 중 발생하는 뇌졸중에 대하여 조기 판단이 가능하도록 해야 할 필요성이 있다.

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.

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.

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.

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.

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.

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.

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.

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.

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.

본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

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.

이하에서는 도면을 참조하면서, 본 발명의 바람직한 실시예들을 구체적으로 설명한다.

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.

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.

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.

도 1은 본 발명의 일 실시예에 따른 수면 중 뇌졸중 판단 장치를 나타낸 블록도이다.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

[수식 1]

[수식 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.

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.

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.

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.

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.

[수식 3]

|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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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 판단부

Claims

사용자의 신체 부위 상에 배치되어 상기 사용자의 움직임 데이터를 수집하는 움직임 데이터 획득부;
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.
제1항에 있어서,
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.
제1항에 있어서, 상기 움직임 데이터 획득부는
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.
제1항에 있어서, 상기 특징 추출부는
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.
제1항에 있어서, 상기 실시간 수면 중 뇌졸중 판단부는
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.
제5항에 있어서, 상기 실시간 모니터링부는
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.
제5항에 있어서,
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.
제7항에 있어서, 상기 특징 추출부는
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.
제7항에 있어서, 상기 렘 수면 확인부는
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.
움직임 한계점 및 뇌졸중 한계점 정보를 준비하는 단계;
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.
제10항에 있어서, 상기 제1단계는
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.
제10항에 있어서, 상기 움직임 한계점 및 뇌졸중 한계점 정보를 준비하는 단계는
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.
제11항에 있어서, 상기 제2단계는
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.
제13항에 있어서, 상기 제3단계는
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.
제14항에 있어서,
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.
제15항에 있어서, 상기 제2단계는
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.
제15항에 있어서, 상기 렘 수면 확인 단계는
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.