KR20220106273A - Method, system and non-transitory computer-readable recording medium for managing a learning model based on biometric signals - Google Patents

Method, system and non-transitory computer-readable recording medium for managing a learning model based on biometric signals Download PDF

Info

Publication number
KR20220106273A
KR20220106273A KR1020210009016A KR20210009016A KR20220106273A KR 20220106273 A KR20220106273 A KR 20220106273A KR 1020210009016 A KR1020210009016 A KR 1020210009016A KR 20210009016 A KR20210009016 A KR 20210009016A KR 20220106273 A KR20220106273 A KR 20220106273A
Authority
KR
South Korea
Prior art keywords
learning model
data
learning
biosignal
present
Prior art date
Application number
KR1020210009016A
Other languages
Korean (ko)
Other versions
KR102576829B1 (en
Inventor
김진국
Original Assignee
주식회사 휴이노
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 휴이노 filed Critical 주식회사 휴이노
Priority to KR1020210009016A priority Critical patent/KR102576829B1/en
Publication of KR20220106273A publication Critical patent/KR20220106273A/en
Application granted granted Critical
Publication of KR102576829B1 publication Critical patent/KR102576829B1/en

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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0006—ECG or EEG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • 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
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • A61B5/747—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network in case of emergency, i.e. alerting emergency services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Critical Care (AREA)
  • Emergency Management (AREA)
  • Emergency Medicine (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Nursing (AREA)
  • Fuzzy Systems (AREA)

Abstract

According to one aspect of the present invention, a method for managing a learning model based on bio-signals comprises the following steps of: obtaining data about bio-signals measured from the body of a user; and updating a learning model learned based on other data obtained before first data by using the first data when the first data for the bio-signal is obtained. The learning model is a learning model for detecting an abnormal heart event of the user.

Description

생체 신호에 기초한 학습 모델을 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체{METHOD, SYSTEM AND NON-TRANSITORY COMPUTER-READABLE RECORDING MEDIUM FOR MANAGING A LEARNING MODEL BASED ON BIOMETRIC SIGNALS}Method, system and non-transitory computer-readable recording medium for managing a learning model based on biosignals

본 발명은 생체 신호에 기초한 학습 모델을 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능 기록 매체에 관한 것이다.The present invention relates to a method, a system, and a non-transitory computer-readable recording medium for managing a learning model based on a biosignal.

근래에 들어, 사용자가 병원에 가지 않고 가정에서도 심전도 등의 생체 신호를 쉽고 간편하게 측정하고 이를 기반으로 부정맥 등 심장 이상까지 진단까지 할 수 있는 스마트 기기가 등장하고 있다.In recent years, smart devices that allow users to easily and conveniently measure bio-signals such as electrocardiogram at home without going to a hospital, and even diagnose cardiac abnormalities such as arrhythmias based on this, have emerged.

이에 관한, 종래 기술의 일 예로서, 한국공개특허공보 제2007-96620호에 개시된 기술을 예로 들 수 있는데, 심전도를 포함하는 생체 신호를 측정하는 생체 신호 측정부와, 상기 생체 신호 측정부로부터 입력되는 심전도 신호를 분석하여 심전도 이상 징후를 검출하는 심전도 이상 징후 검출부와, 상기 심전도 이상 징후 검출부로부터 이상 징후 검출 신호가 입력되면 사용자 활동 상태 정보를 획득하는 사용자 활동상태 획득부와, 상기 사용자 활동 상태 획득부로부터 입력되는 사용자 활동 상태 정보와 상기 생체 신호 측정부로부터 입력되는 심전도 신호를 기초로 심전도 이상 유무를 판단하는 위급상황 판단부와, 상기 위급상황 판단부로부터 입력되는 심전도 이상 유무를 외부로 알리는 위급상황 알림부를 포함하는 것을 특징으로 하는 심전도 측정 장치가 소개된 바 있다.In this regard, as an example of the prior art, the technology disclosed in Korean Patent Application Laid-Open No. 2007-96620 may be cited as an example. A biosignal measuring unit for measuring a biosignal including an electrocardiogram, and an input from the biosignal measuring unit An electrocardiogram abnormality detection unit for detecting an electrocardiogram abnormality by analyzing the electrocardiogram signal; An emergency situation determination unit that determines the presence or absence of an ECG abnormality based on the user activity state information input from the unit and the ECG signal input from the bio-signal measurement unit, and an emergency that notifies the outside of the ECG abnormality input from the emergency situation determination unit An electrocardiogram measuring device including a situation notification unit has been introduced.

하지만, 위와 같은 종래 기술을 비롯하여 지금까지 소개된 기술에 의하면, 사용자의 나이, 신체적 구조(예를 들어, 기울어진 심장의 위치) 등에 따라 심전도 신호의 정상 패턴이 다양할 수 있음에도 불구하고, 일률적인(또는 인구 통계학적인) 기준으로 심장 이상 유무를 판정하기 때문에 잘못 탐지되는 경우가 많았다.However, according to the techniques introduced so far, including the prior art as described above, although the normal pattern of the electrocardiogram signal may vary depending on the user's age, physical structure (eg, the position of the inclined heart), etc. Because it judges the presence or absence of cardiac abnormalities based on (or demographic) criteria, there were many cases of false detection.

이에 본 발명자(들)는, 사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 이용하여 동적으로 관리될 수 있는 학습 모델을 이용하여 해당 사용자의 심장 이상 이벤트를 정확하게 모니터링할 수 있는 신규하고도 진보된 기술을 제안하는 바이다.Accordingly, the present inventor(s) has developed a novel and advanced method that can accurately monitor the heart abnormality event of the user by using a learning model that can be dynamically managed using data on biosignals measured from the user's body. technology is suggested.

본 발명은, 전술한 종래 기술의 문제점을 모두 해결하는 것을 그 목적으로 한다.An object of the present invention is to solve all the problems of the prior art described above.

또한, 본 발명은, 사용자의 생체 신호에 관한 데이터를 이용하여 그 데이터 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 동적으로 업데이트함으로써, 해당 사용자에게 적합한 학습 모델을 지속적으로 관리하는 것을 또 다른 목적으로 한다.In addition, another aspect of the present invention is to continuously manage a learning model suitable for the user by dynamically updating the learned learning model based on other data acquired before the data by using data related to the user's biosignal. The purpose.

또한, 본 발명은, 사용자의 특성(예를 들어, 나이, 신체 구조, 노화 등)에 맞는 개개의 학습 모델을 구축 및 지속 업데이트하고, 이를 기반으로 심장 이상 이벤트를 정확하게 모니터링하는 것을 또 다른 목적으로 한다.In addition, the present invention builds and continuously updates an individual learning model suitable for a user's characteristics (eg, age, body structure, aging, etc.), and accurately monitors cardiac abnormality events based on this. do.

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.A representative configuration of the present invention for achieving the above object is as follows.

본 발명의 일 태양에 따르면, 생체 신호에 기초한 학습 모델을 관리하기 위한 방법으로서, 사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 획득하는 단계, 및 상기 생체 신호에 관한 제1 데이터가 획득되면, 상기 제1 데이터 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 상기 제1 데이터를 이용하여 업데이트하는 단계를 포함하고, 상기 학습 모델은, 상기 사용자의 심장 이상 이벤트를 검출하기 위한 학습 모델인 방법이 제공된다.According to an aspect of the present invention, there is provided a method for managing a learning model based on a biosignal, comprising: obtaining data related to a biosignal measured from a user's body; and when the first data related to the biosignal is obtained, and updating a learning model learned based on other data acquired before the first data by using the first data, wherein the learning model is a learning model for detecting the heart abnormality event of the user. this is provided

본 발명의 다른 태양에 따르면, 생체 신호에 기초한 학습 모델을 관리하기 위한 시스템으로서, 사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 획득하는 생체 신호 획득부, 및 상기 생체 신호에 관한 제1 데이터가 획득되면, 상기 제1 데이터 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 상기 제1 데이터를 이용하여 업데이트하는 학습 모델 관리부를 포함하고, 상기 학습 모델은, 상기 사용자의 심장 이상 이벤트를 검출하기 위한 학습 모델인 시스템이 제공된다.According to another aspect of the present invention, there is provided a system for managing a learning model based on bio-signals, comprising: a bio-signal acquisition unit for obtaining data about bio-signals measured from a user's body; and first data on the bio-signals When obtained, a learning model manager for updating a learning model learned based on other data acquired before the first data by using the first data, wherein the learning model is configured to detect the heart abnormality event of the user A system as a learning model for

이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능한 기록 매체가 더 제공된다.In addition to this, another method for implementing the present invention, another system, and a non-transitory computer-readable recording medium for recording a computer program for executing the method are further provided.

본 발명에 의하면, 사용자의 생체 신호에 관한 데이터를 이용하여 그 데이터 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 동적으로 업데이트함으로써, 해당 사용자에게 적합한 학습 모델을 지속적으로 관리할 수 있게 된다.According to the present invention, the learning model suitable for the user can be continuously managed by dynamically updating the learned learning model based on other data acquired before the data using the user's biosignal data.

또한, 본 발명에 의하면, 사용자의 특성(예를 들어, 나이, 신체 구조, 노화 등)에 맞는 개개의 학습 모델을 구축 및 지속 업데이트하고, 이를 기반으로 심장 이상 이벤트를 정확하게 모니터링할 수 있게 된다.In addition, according to the present invention, it is possible to build and continuously update an individual learning model suitable for the user's characteristics (eg, age, body structure, aging, etc.), and accurately monitor heart abnormality events based on this.

도 1은 본 발명의 일 실시예에 따라 생체 신호에 기초한 학습 모델을 관리하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 학습 모델 관리 시스템의 내부 구성을 상세하게 도시하는 도면이다.
도 3 및 도 4는 본 발명의 일 실시예에 따라 학습 모델이 관리되는 과정을 예시적으로 나타내는 도면이다.1 is a diagram illustrating a schematic configuration of an entire system for managing a learning model based on biosignals according to an embodiment of the present invention.
2 is a diagram illustrating in detail the internal configuration of a learning model management system according to an embodiment of the present invention.
3 and 4 are diagrams exemplarily illustrating a process of managing a learning model according to an embodiment of the present invention.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0012] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0014] DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS [0016] Reference is made to the accompanying drawings, which show by way of illustration specific embodiments in which the present invention may be practiced. These embodiments are described in sufficient detail to enable those skilled in the art to practice the present invention. It should be understood that the various embodiments of the present invention are different but need not be mutually exclusive. For example, certain shapes, structures, and characteristics described herein may be implemented with changes from one embodiment to another without departing from the spirit and scope of the present invention. In addition, it should be understood that the location or arrangement of individual components within each embodiment may be changed without departing from the spirit and scope of the present invention. Accordingly, the following detailed description is not to be taken in a limiting sense, and the scope of the present invention should be taken to cover the scope of the claims and all equivalents thereto. In the drawings, like reference numerals refer to the same or similar elements throughout the various aspects.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.Hereinafter, various preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings in order to enable those of ordinary skill in the art to easily practice the present invention.

전체 시스템의 구성Whole system configuration

도 1은 본 발명의 일 실시예에 따라 생체 신호에 기초한 학습 모델을 관리하기 위한 전체 시스템의 개략적인 구성을 나타내는 도면이다.1 is a diagram illustrating a schematic configuration of an entire system for managing a learning model based on biosignals according to an embodiment of the present invention.

도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전체 시스템은 통신망(100), 학습 모델 관리 시스템(200) 및 디바이스(300)를 포함하여 구성될 수 있다.As shown in FIG. 1 , the entire system according to an embodiment of the present invention may include a communication network 100 , a learning model management system 200 , and a device 300 .

먼저, 본 발명의 일 실시예에 따른 통신망(100)은 유선 통신이나 무선 통신과 같은 통신 양태를 가리지 않고 구성될 수 있으며, 근거리 통신망(LAN; Local Area Network), 도시권 통신망(MAN; Metropolitan Area Network), 광역 통신망(WAN; Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 바람직하게는, 본 명세서에서 말하는 통신망(100)은 공지의 인터넷 또는 월드와이드웹(WWW; World Wide Web)일 수 있다. 그러나, 통신망(100)은, 굳이 이에 국한될 필요 없이, 공지의 유무선 데이터 통신망, 공지의 전화망 또는 공지의 유무선 텔레비전 통신망을 그 적어도 일부에 있어서 포함할 수도 있다.First, the communication network 100 according to an embodiment of the present invention may be configured regardless of communication aspects such as wired communication or wireless communication, and includes a local area network (LAN), a metropolitan area network (MAN) ), a wide area network (WAN), and the like, may be configured as various communication networks. Preferably, the communication network 100 as used herein may be a well-known Internet or World Wide Web (WWW). However, the communication network 100 is not necessarily limited thereto, and may include a known wired/wireless data communication network, a known telephone network, or a known wired/wireless television communication network in at least a part thereof.

예를 들면, 통신망(100)은 무선 데이터 통신망으로서, 무선주파수(RF; Radio Frequency) 통신, 와이파이(WiFi) 통신, 셀룰러(LTE 등) 통신, 블루투스 통신(더 구체적으로는, 저전력 블루투스(BLE; Bluetooth Low Energy)), 적외선 통신, 초음파 통신 등과 같은 종래의 통신 방법을 적어도 그 일부분에 있어서 구현하는 것일 수 있다.For example, the communication network 100 is a wireless data communication network, including radio frequency (RF) communication, Wi-Fi communication, cellular (LTE, etc.) communication, and Bluetooth communication (more specifically, low-power Bluetooth (BLE); Bluetooth Low Energy)), infrared communication, ultrasonic communication, etc. may be implemented in at least a part of the conventional communication method.

다음으로, 본 발명의 일 실시예에 따른 학습 모델 관리 시스템(200)은 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 디바이스일 수 있다. 이러한 학습 모델 관리 시스템(200)은 서버 시스템일 수 있다.Next, the learning model management system 200 according to an embodiment of the present invention may be a digital device having a memory means and equipped with a microprocessor to have arithmetic capability. The learning model management system 200 may be a server system.

본 발명의 일 실시예에 따른 학습 모델 관리 시스템(200)은 통신망(100)을 통해 후술할 디바이스(300)와 통신을 수행할 수 있고, 사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 획득하고, 그 생체 신호에 관한 제1 데이터가 획득되면, 그 제1 데이터 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 제1 데이터를 이용하여 업데이트하는 기능을 수행할 수 있다. 본 발명의 일 실시예에 따르면, 이러한 학습 모델은 사용자의 심장 이상 이벤트를 검출하기 위한 학습 모델을 포함할 수 있다.The learning model management system 200 according to an embodiment of the present invention may communicate with a device 300 to be described later through the communication network 100, and obtain data related to a biosignal measured from the user's body, and , when the first data related to the biosignal is obtained, a function of updating a learning model learned based on other data obtained before the first data by using the first data may be performed. According to an embodiment of the present invention, such a learning model may include a learning model for detecting a heart abnormality event of the user.

또한, 본 발명의 일 실시예에 따른 심장 이상 이벤트에는 심방 조기 박동(premature atrial complex), 심실 조기 박동(premature ventricular complex), 심방 세동(atrial fibrillation), 심방 조동(atrial flutter), 다소성 심방 빈맥(multifocal atrial tachycardia), 발작성 상심실성 빈맥(paroxysmal supraventricular tachycardia), 울프-파킨슨-화이트 증후군(Wolff-Parkinson-White syndrome), 심실 빈맥(ventricular tachycardia), 심실 세동(ventricular fibrillation), 방실 차단(AV block) 등 부정맥과 연관된 다양한 심장 이상 이벤트가 포함될 수 있다. 한편, 본 발명의 일 실시예에 따른 심장 이상 이벤트가 반드시 앞서 열거된 부정맥에 관한 실시예로 한정되지 않고 심박 정지 등 심장 건강과 연관된 다양한 심장 이상 이벤트로도 변경될 수 있을 밝혀 둔다.In addition, the cardiac abnormal event according to an embodiment of the present invention includes a premature atrial complex, a premature ventricular complex, atrial fibrillation, atrial flutter, and multiple atrial tachycardia. (multifocal atrial tachycardia), paroxysmal supraventricular tachycardia, Wolf-Parkinson-White syndrome, ventricular tachycardia, ventricular fibrillation, AV block ) may include various cardiac abnormal events associated with arrhythmias. On the other hand, it should be noted that the cardiac abnormal event according to an embodiment of the present invention is not necessarily limited to the above-listed arrhythmia-related embodiments, and may be changed to various cardiac abnormal events related to heart health, such as cardiac arrest.

본 발명에 따른 학습 모델 관리 시스템(200)의 구성과 기능에 관하여는 아래에서 더 자세하게 알아보기로 한다. 한편, 학습 모델 관리 시스템(200)에 관하여 위와 같이 설명되었으나, 이러한 설명은 예시적인 것이고, 학습 모델 관리 시스템(200)에 요구되는 기능이나 구성요소의 적어도 일부가 필요에 따라 후술할 디바이스(300) 또는 외부 시스템(미도시됨) 내에서 실현되거나 디바이스(300) 또는 외부 시스템 내에 포함될 수도 있음은 당업자에게 자명하다.The configuration and function of the learning model management system 200 according to the present invention will be described in more detail below. On the other hand, although it has been described above with respect to the learning model management system 200, this description is exemplary, and at least some of the functions or components required for the learning model management system 200 device 300 to be described later as needed. Alternatively, it will be apparent to those skilled in the art that it may be implemented in an external system (not shown) or included in the device 300 or an external system.

다음으로, 본 발명의 일 실시예에 따른 디바이스(300)는 통신망(100)을 통해 학습 모델 관리 시스템(200)에 접속한 후 통신할 수 있도록 하는 기능을 포함하는 디지털 기기로서, 스마트폰, 태블릿 PC 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 휴대 가능한 디지털 기기라면 얼마든지 본 발명에 따른 디바이스(300)로서 채택될 수 있다. 또한, 본 발명의 일 실시예에 따르면, 이러한 디바이스(300)에는 사용자의 신체로부터 다양한 생체 신호를 획득하기 위한 생체 신호 측정 센서(예를 들어, 심전도 센서, 심전도 센서, 심박 수 센서, 뇌파 센서, 맥박 센서)기 더 포함될 수 있다. 한편, 본 발명의 일 실시예에 따르면, 앞서 살펴본 생체 신호 측정 센서는 후술할 웨어러블 디바이스(400)에 포함될 수도 있다.Next, the device 300 according to an embodiment of the present invention is a digital device including a function to enable communication after accessing the learning model management system 200 through the communication network 100, a smartphone, a tablet Any portable digital device that has a memory means, such as a PC, is equipped with a microprocessor, and has arithmetic capability, may be adopted as the device 300 according to the present invention. In addition, according to an embodiment of the present invention, the device 300 includes a biosignal measuring sensor (eg, an electrocardiogram sensor, an electrocardiogram sensor, a heart rate sensor, an EEG sensor, pulse sensor) may be further included. Meanwhile, according to an embodiment of the present invention, the biosignal measuring sensor described above may be included in the wearable device 400 to be described later.

한편, 본 발명의 일 실시예에 따른 디바이스(300)에는, 생체 신호를 기반으로 학습 모델을 관리하는 본 발명에 따른 기능이 지원되기 위한 애플리케이션이 포함되어 있을 수 있다. 이와 같은 애플리케이션은 학습 모델 관리 시스템(200) 또는 외부의 애플리케이션 배포 서버(미도시됨)로부터 다운로드된 것일 수 있다.Meanwhile, the device 300 according to an embodiment of the present invention may include an application for supporting a function according to the present invention for managing a learning model based on a biosignal. Such an application may be downloaded from the learning model management system 200 or an external application distribution server (not shown).

학습 모델 관리 시스템의 구성Configuration of Learning Model Management System

이하에서는, 본 발명의 구현을 위하여 중요한 기능을 수행하는 학습 모델 관리 시스템(200)의 내부 구성 및 각 구성요소의 기능에 대하여 살펴보기로 한다.Hereinafter, the internal configuration of the learning model management system 200 that performs an important function for the implementation of the present invention and the function of each component will be described.

도 2는 본 발명의 일 실시예에 따른 학습 모델 관리 시스템(200)의 내부 구성을 상세하게 도시하는 도면이다.2 is a diagram illustrating in detail the internal configuration of the learning model management system 200 according to an embodiment of the present invention.

도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 학습 모델 관리 시스템(200)은 생체 신호 획득부(210), 학습 모델 관리부(220), 모니터링부(230), 통신부(240) 및 제어부(250)를 포함하여 구성될 수 있다. 본 발명의 일 실시예에 따르면, 생체 신호 획득부(210), 학습 모델 관리부(220), 모니터링부(230), 통신부(240) 및 제어부(250)는 그 중 적어도 일부가 외부의 시스템과 통신하는 프로그램 모듈일 수 있다. 이러한 프로그램 모듈은 운영 시스템, 응용 프로그램 모듈 또는 기타 프로그램 모듈의 형태로 학습 모델 관리 시스템(200)에 포함될 수 있고, 물리적으로는 여러 가지 공지의 기억 장치에 저장될 수 있다. 또한, 이러한 프로그램 모듈은 학습 모델 관리 시스템(200)과 통신 가능한 원격 기억 장치에 저장될 수도 있다. 한편, 이러한 프로그램 모듈은 본 발명에 따라 후술할 특정 업무를 수행하거나 특정 추상 데이터 유형을 실행하는 루틴, 서브루틴, 프로그램, 오브젝트, 컴포넌트, 데이터 구조 등을 포괄하지만, 이에 제한되지는 않는다.As shown in FIG. 2 , the learning model management system 200 according to an embodiment of the present invention includes a biosignal acquisition unit 210 , a learning model management unit 220 , a monitoring unit 230 , a communication unit 240 and The controller 250 may be included. According to an embodiment of the present invention, at least some of the biosignal acquisition unit 210 , the learning model management unit 220 , the monitoring unit 230 , the communication unit 240 and the control unit 250 communicate with an external system. It may be a program module that does Such a program module may be included in the learning model management system 200 in the form of an operating system, an application program module or other program module, and may be physically stored in various known storage devices. In addition, these program modules may be stored in a remote storage device capable of communicating with the learning model management system 200 . Meanwhile, such a program module includes, but is not limited to, routines, subroutines, programs, objects, components, data structures, etc. that perform specific tasks or execute specific abstract data types according to the present invention.

먼저, 본 발명의 일 실시예에 따른 생체 신호 획득부(210)는 사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 획득하는 기능을 수행할 수 있다. 본 발명의 일 실시예에 따른 생체 신호에 관한 데이터에는 심전도, 심박수, 뇌파, 맥박 등에 관한 데이터가 포함될 수 있다. 한편, 본 발명에 따른 생체 신호에 관한 데이터가 반드시 위의 열거된 것에만 한정되는 것은 아니며, 심장 이상과 연관될 수 있는 생체 신호라면 본 발명의 목적을 달성할 수 있는 범위 내에서 확장될 수 있음을 밝혀 둔다.First, the biosignal acquisition unit 210 according to an embodiment of the present invention may perform a function of acquiring data related to a biosignal measured from a user's body. The data related to the biosignal according to an embodiment of the present invention may include data related to an electrocardiogram, a heart rate, an EEG, a pulse, and the like. On the other hand, the biosignal data according to the present invention is not necessarily limited to those listed above, and as long as it is a biosignal that can be associated with cardiac abnormalities, it can be extended within a range that can achieve the object of the present invention make it clear

예를 들어, 본 발명의 일 실시예에 따른 생체 신호 획득부(210)는 사용자의 신체에 부착되는 디바이스(예를 들어, 웨어러블 디바이스(400))를 통해 해당 사용자의 심전도 신호에 관한 데이터를 획득할 수 있다. 이러한 신체에 부착되는 디바이스(예를 들어, 스마트 워치, 스마트 패치 등)는, 유선 또는 무선 디바이스일 수 있으며, 심전도 신호 측정을 위한 센서를 포함할 수 있다.For example, the biosignal acquisition unit 210 according to an embodiment of the present invention acquires data related to the user's ECG signal through a device (eg, the wearable device 400 ) attached to the user's body. can do. The device (eg, a smart watch, a smart patch, etc.) attached to the body may be a wired or wireless device, and may include a sensor for measuring an electrocardiogram signal.

다른 예를 들어, 본 발명의 일 실시예에 따른 생체 신호 획득부(210)는 사용자의 신체로부터 소정 단위 시간 간격으로 생체 신호에 관한 데이터를 획득할 수 있다. 이러한 소정 단위 시간 간격으로 획득되는 생체 신호에는, 그 단위 간격 시간 동안 지속적으로 측정되는 사용자의 생체 신호 및 그 단위 간격 시간마다 일시적으로 측정된 사용자의 생체 신호 중 적어도 하나가 포함될 수 있다. 한편, 본 발명의 일 실시예에 따른 단위 시간 간격은 특정 간격으로 고정되지 않고 시간대별, 상황별 또는 사용자의 설정 등에 따라 변경될 수도 있음을 밝혀 둔다.For another example, the bio-signal acquisition unit 210 according to an embodiment of the present invention may acquire bio-signal data from the user's body at predetermined unit time intervals. The bio-signals acquired at such a predetermined unit time interval may include at least one of a user's bio-signal continuously measured during the unit interval time and a user's bio-signal temporarily measured at each unit interval time. On the other hand, it should be noted that the unit time interval according to an embodiment of the present invention is not fixed to a specific interval, but may be changed according to time zone, situation, or user's setting.

또 다른 예를 들어, 본 발명의 일 실시예에 따른 생체 신호 획득부(210)는 사용자의 신체로부터 소정 단위 크기(예를 들어, 소정 수의 사이클을 포함하는 심전도 신호에 관한 데이터)로 생체 신호에 관한 데이터를 획득할 수 있다. 보다 구체적으로, 생체 신호 획득부(210)는 사용자의 신체로부터 측정되는 생체 신호에 관한 데이터가 소정 수준으로 누적될 때마다 그 데이터를 획득할 수 있다.For another example, the biosignal acquisition unit 210 according to an embodiment of the present invention may generate a biosignal from the user's body in a predetermined unit size (eg, data related to an electrocardiogram signal including a predetermined number of cycles). data can be obtained. More specifically, the biosignal acquisition unit 210 may acquire the biosignal data measured from the user's body whenever the data is accumulated at a predetermined level.

다음으로, 본 발명의 일 실시예에 따른 학습 모델 관리부(220)는 생체 신호에 관한 제1 데이터가 획득되면, 그 제1 데이터 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 그 제1 데이터를 이용하여 업데이트하는 기능을 수행할 수 있다. 예를 들어, 본 발명의 일 실시예에 따른 학습 모델로부터 심장 이상과 연관되는 확률(probability), 벡터(vector), 행렬(matrix), 로짓(logic) 및 좌표(coordinate) 중 적어도 하나가 출력될 수 있으며, 이러한 출력이 소정 기준에 따라 특정 심장 이상 이벤트(예를 들어, 정상, 비정상 등)로 분류 또는 군집화(이러한 군집화는, 거리(예를 들어, K-means), 밀도(DB-SCAN) 등에 의해 군집화가 이루어질 수 있음)될 수 있다. 또한, 이러한 소정 기준은 기설정되거나 학습이 수행되는 과정에서 동적으로 업데이트될 수 있다.Next, when the first data related to the biosignal is obtained, the learning model manager 220 according to an embodiment of the present invention converts the learning model learned based on other data obtained before the first data to the first data. The update function can be performed using . For example, at least one of a probability, a vector, a matrix, a logit, and a coordinate associated with cardiac abnormality is output from the learning model according to an embodiment of the present invention. and classify or cluster these outputs into specific cardiac abnormal events (eg, normal, abnormal, etc.) according to predetermined criteria (these clusters are distance (eg, K-means), density (DB-SCAN)) and the like) can be achieved. In addition, these predetermined criteria may be preset or dynamically updated while learning is performed.

예를 들어, 본 발명의 일 실시예에 따른 학습 모델은 인공 신경망 기반으로 하여 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)을 포함하여 구성될 수 있으며, 학습 모델 관리부(220)는 생체 신호에 관한 제1 데이터가 획득되기 전에 획득된 다른 데이터에 기초하여 해당 학습 모델에 대한 사전 학습을 수행하고 제1 데이터를 이용하여 그 사전 학습된 학습 모델의 가중치를 업데이트할 수 있다. 본 발명의 일 실시예에 따르면, 이러한 학습 모델은, 오토 인코더(Autoencoder), 생산적 적대 신경망(Generative Adversarial Nets; GAN), 유넷(U-NET) 등을 포함할 수 있다. 한편, 본 발명에 따른 학습 모델이 반드시 위의 열거된 학습 모델에만 한정되는 것은 아니며, 본 발명의 목적을 달성할 수 있는 범위 내에서 지도학습(이 경우에, 데이터에 대한 라벨이 학습 과정에서 더 제공될 수 있음), 비지도학습 또는 강화학습에 포함되는 다양한 학습 모델로 변경될 수 있다.For example, the learning model according to an embodiment of the present invention may be configured to include an input layer, a hidden layer and an output layer based on an artificial neural network, and a learning model management unit ( 220) may perform pre-learning on the corresponding learning model based on other data obtained before the first data about the biosignal is obtained, and update the weight of the pre-trained learning model using the first data. . According to an embodiment of the present invention, such a learning model may include an autoencoder, a generative adversarial net (GAN), a U-NET, and the like. On the other hand, the learning model according to the present invention is not necessarily limited to the learning models listed above, and supervised learning (in this case, the label for the data is more may be provided), and may be changed to various learning models included in unsupervised learning or reinforcement learning.

보다 구체적으로, 학습 모델 관리부(220)는 생체 신호에 관한 제1 데이터가 획득되기 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 대상으로 제1 데이터를 이용한 전이 학습을 수행함으로써, 위의 학습 모델의 가중치를 업데이트할 수 있다. 즉, 이전 데이터에 기초하여 사전 학습된 학습 모델의 가중치를 새로 획득되는 데이터를 이용하여 업데이트하는 전이 학습(transfer learning)이 수행될 수 있다.More specifically, the learning model management unit 220 performs transfer learning using the first data on a learning model learned based on other data obtained before the first data regarding the biosignal is obtained, thereby performing the above learning process. You can update the weights of the model. That is, transfer learning of updating the weights of the pre-trained learning model based on previous data using newly acquired data may be performed.

또한, 학습 모델 관리부(220)는, 학습 시작 트리거가 발생되는 경우에, 학습 모델의 학습을 시작되도록 할 수 있다. 예를 들어, 이러한 학습 시작 트리거는 학습 모델을 학습하는 데 필요한 최소한(또는 적정 수준)의 데이터가 쌓이는 시점에 기초하여 특정되는 조건(예를 들어, 데이터의 수가 10개 이상, 데이터의 최초 획득 시점으로부터 10분 후)이 만족되는 경우에 발생되는 것일 수 있다.Also, when a learning start trigger is generated, the learning model manager 220 may start learning of the learning model. For example, such a learning start trigger is a condition (e.g., the number of data is 10 or more, the first acquisition time of data 10 minutes after) is satisfied.

예를 들어, 학습 모델 관리부(220)는 학습 시작 트리거가 발생되기 전까지는 사용자의 생체 신호에 관한 데이터를 누적하여 획득하고, 학습 시작 트리거가 발생되면, 그 누적하여 획득된 생체 신호에 관한 데이터를 이용하여 학습 모델을 학습(구체적으로, 사전 학습)시킬 수 있다. 즉, 학습에 필요한 소정 수준 이상의 데이터가 축적된 후에 학습이 시작될 수 있게 된다. 그 다음에, 학습 모델 관리부(220)는 위의 누적하여 획득된 생체 신호에 관한 데이터 이후에 획득되는 제1 데이터를 이용하여 위의 학습된 학습 모델을 업데이트할 수 있다. 그 다음에, 학습 모델 관리부(220)는 위의 제1 데이터 직후에 획득되는 제2 데이터를 이용하여 위의 업데이트된 학습 모델을 다시 업데이트할 수 있습니다. 한편, 위의 생체 신호에 관한 데이터(예를 들어, 제1 데이터, 제2 데이터)는 소정의 단위 시간 간격으로 획득될 수 있다.For example, the learning model manager 220 accumulates and acquires data about the user's bio-signals until a learning start trigger occurs, and when a learning start trigger occurs, the accumulated data about the bio-signals It can be used to train the learning model (specifically, pre-learning). That is, after a predetermined level or more of data required for learning is accumulated, learning can be started. Thereafter, the learning model manager 220 may update the learned learning model by using the first data obtained after the accumulated biosignal data. Then, the learning model management unit 220 may re-update the updated learning model by using the second data obtained immediately after the first data. Meanwhile, the data (eg, first data and second data) related to the above biosignal may be acquired at a predetermined unit time interval.

또한, 학습 모델 관리부(220)는 제1 데이터 전에 학습 모델을 학습하는 데 이용된 다른 데이터의 수를 참조하여 그 제1 데이터가 학습 모델의 업데이트에 반영되는 정도를 결정할 수 있다. 예를 들어, 이러한 데이터의 수는 앞서 살펴본 소정의 단위 시간 간격 또는 소정의 단위 크기에 따라 연속적으로 획득되는 데이터의 수에 기초하여 특정되는 것일 수 있다.In addition, the learning model manager 220 may determine the degree to which the first data is reflected in the update of the learning model with reference to the number of other data used to learn the learning model before the first data. For example, the number of such data may be specified based on the number of data continuously acquired according to a predetermined unit time interval or a predetermined unit size as described above.

구체적으로, 학습 모델 관리부(220)는 제1 데이터 전에 학습 모델을 학습하는 데 이용된 다른 데이터의 수에 따라 그 제1 데이터의 중요도(예를 들어, 학습 모델에 반영되는 가중치)를 달리하여 학습 모델을 업데이트할 수 있다.Specifically, the learning model management unit 220 learns by varying the importance of the first data (eg, a weight reflected in the learning model) according to the number of other data used to learn the learning model before the first data. You can update the model.

예를 들어, 학습 모델 관리부(220)는, 제1 데이터를 이용하여 학습 모델을 업데이트하는 경우에 그 제1 데이터 전에 학습 모델을 학습하는 데 이용된 다른 데이터의 수보다, 위의 제1 데이터가 획득된 시점 직후에 획득되는 제2 데이터를 이용하여 위의 업데이트된 학습 모델을 재업데이트하는 경우에 그 제2 데이터 전에 위의 업데이트된 학습 모델을 학습하는 데 이용된 다른 데이터의 수가 더 많으므로, 학습 모델의 가중치를 업데이트함에 있어서, 제1 데이터의 중요도가 제2 데이터의 중요도보다 높게 설정될 수 있다.For example, when the learning model management unit 220 is updated by using the first data, the first data is higher than the number of other data used to learn the learning model before the first data. In the case of re-updating the above updated learning model using the second data obtained immediately after the obtained time point, since the number of other data used to train the above updated learning model before the second data is larger, In updating the weight of the learning model, the importance of the first data may be set higher than the importance of the second data.

다음으로, 본 발명의 일 실시예에 따른 모니터링부(230)는 학습 모델 관리부(220)에 의해 업데이트된 학습 모델을 이용하여 사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 분석함으로써, 심장 이상 이벤트를 모니터링하는 기능을 수행할 수 있다.Next, the monitoring unit 230 according to an embodiment of the present invention analyzes data related to biosignals measured from the user's body using the learning model updated by the learning model management unit 220 , thereby causing a cardiac abnormality event. can perform the function of monitoring.

예를 들어, 모니터링부(230)는 생체 신호에 관한 제1 데이터에 기초하여 학습 모델이 업데이트되면, 제1 데이터가 그 업데이트된 학습 모델에 입력되는 경우에 출력되는 결과를 참조하여 심장 이상 이벤트가 발생하는지 여부를 결정할 수 있다.For example, when the learning model is updated based on the first data related to the biosignal, the monitoring unit 230 may detect a cardiac abnormality event with reference to a result output when the first data is input to the updated learning model. You can decide whether or not this happens.

또한, 모니터링부(230)는 심장 이상 이벤트가 발생한 것으로 판단되면, 해당 심장 이상 이벤트를 저장하고, 그 심장 이상 이벤트에 관한 알림 정보를 제공할 수 있다. 예를 들어, 이러한 알림 정보는 시각(예를 들어, 텍스트, 이미지), 청각(예를 들어, 소리) 중 촉각(예를 들어, 진동) 적어도 하나의 방식에 기초하여 제공될 수 있다.In addition, when it is determined that a cardiac abnormal event has occurred, the monitoring unit 230 may store the corresponding cardiac abnormal event and provide notification information regarding the cardiac abnormal event. For example, the notification information may be provided based on at least one of visual (eg, text, image) and auditory (eg, sound) tactile (eg, vibration) methods.

다음으로, 본 발명의 일 실시예에 따른 통신부(240)는 생체 신호 획득부(210), 학습 모델 관리부(220) 및 모니터링부(230)로부터의/로의 데이터 송수신이 가능하도록 하는 기능을 수행할 수 있다.Next, the communication unit 240 according to an embodiment of the present invention performs a function of enabling data transmission/reception to/from the biosignal acquisition unit 210 , the learning model management unit 220 , and the monitoring unit 230 . can

마지막으로, 본 발명의 일 실시예에 따른 제어부(250)는 생체 신호 획득부(210), 학습 모델 관리부(220), 모니터링부(230) 및 통신부(240) 간의 데이터의 흐름을 제어하는 기능을 수행할 수 있다. 즉, 본 발명에 따른 제어부(250)는 학습 모델 관리 시스템(200)의 외부로부터의/로의 데이터 흐름 또는 학습 모델 관리 시스템(200)의 각 구성요소 간의 데이터 흐름을 제어함으로써 생체 신호 획득부(210), 학습 모델 관리부(220), 모니터링부(230) 및 통신부(240)에서 각각 고유 기능을 수행하도록 제어할 수 있다.Finally, the control unit 250 according to an embodiment of the present invention controls the flow of data between the biosignal acquisition unit 210 , the learning model management unit 220 , the monitoring unit 230 , and the communication unit 240 . can be done That is, the control unit 250 according to the present invention controls the data flow to/from the outside of the learning model management system 200 or the data flow between each component of the learning model management system 200 to thereby obtain the biosignal acquisition unit 210 . ), the learning model management unit 220 , the monitoring unit 230 , and the communication unit 240 may be controlled to perform their own functions, respectively.

도 3 및 도 4는 본 발명의 일 실시예에 따라 학습 모델이 관리되는 과정을 예시적으로 나타내는 도면이다.3 and 4 are diagrams exemplarily illustrating a process in which a learning model is managed according to an embodiment of the present invention.

도 3을 참조하면, 본 발명의 일 실시예에 따르면, 스마트폰(300)(즉, 본 발명에 따른 디바이스(300))이 웨어러블(wearable) 디바이스(400)와 연결되고, 그 웨어러블 디바이스(400)가 사용자의 신체로부터 생체 신호를 획득하여 스마트폰(300)에게 제공하는 상황을 가정해 볼 수 있다. 여기서, 본 발명의 일 실시예에 따른 웨어러블 디바이스(400)는 통신망(100)을 통해 스마트폰(300) 또는 학습 모델 관리 시스템(200)에 접속한 후 통신할 수 있도록 하는 기능을 포함하는 디지털 기기로서, 사용자의 신체에 직접 또는 간접적으로 부착되어 사용자로부터 측정되는 생체 신호를 획득할 수 있는 스마트 와치, 무선 패치 등 다양한 기기를 포함할 수 있다. 한편, 본 발명의 일 실시예에 따르면, 학습 모델 관리 시스템(200)의 전부 또는 일부의 기능이 본 발명에 따른 스마트폰(300) 또는 웨어러블 디바이스(400)에 포함(예를 들어, 애플리케이션의 형태로 포함)될 수도 있다.Referring to FIG. 3 , according to an embodiment of the present invention, a smartphone 300 (ie, the device 300 according to the present invention) is connected to a wearable device 400 and the wearable device 400 . ) may be assumed to obtain a biosignal from the user's body and provide it to the smart phone 300 . Here, the wearable device 400 according to an embodiment of the present invention is a digital device including a function to enable communication after connecting to the smart phone 300 or the learning model management system 200 through the communication network 100 . As such, it may include various devices such as a smart watch and a wireless patch that are attached to the user's body directly or indirectly to obtain a biosignal measured from the user. On the other hand, according to an embodiment of the present invention, all or some of the functions of the learning model management system 200 are included in the smart phone 300 or the wearable device 400 according to the present invention (eg, the form of the application) may be included).

먼저, 본 발명의 일 실시예에 따르면, 사용자의 신체에 부착되는 웨어러블 디바이스(400)가 사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 획득할 수 있다.First, according to an embodiment of the present invention, the wearable device 400 attached to the user's body may acquire data on biosignals measured from the user's body.

그 다음에, 본 발명의 일 실시예에 따라 위의 측정된 생체 신호에 관한 데이터가 스마트폰(300)을 통해 학습 모델 관리 시스템(200)에게 소정의 단위 시간 간격(또는 소정의 단위 크기)으로 제공될 수 있다.Then, according to an embodiment of the present invention, the data related to the above measured bio-signals are transmitted to the learning model management system 200 through the smart phone 300 at a predetermined unit time interval (or a predetermined unit size). can be provided.

그 다음에, 도 4를 참조하면, 본 발명의 일 실시예에 따라 위의 제공되는 생체 신호에 관한 데이터가 소정 수준 누적되면, 학습 시작 트리거가 발생될 수 있고, 그 소정 수준 누적된 생체 신호에 관한 데이터(401)를 이용하여 심장 이상 이벤트를 모니터링하기 위한 학습 모델(410)이 학습될 수 있다.Next, referring to FIG. 4 , according to an embodiment of the present invention, when the data related to the provided bio-signals are accumulated at a predetermined level, a learning start trigger may be generated, and the bio-signals accumulated at the predetermined level may be generated. A learning model 410 for monitoring a heart abnormality event may be trained using the related data 401 .

또한, 본 발명의 일 실시예에 따라 위의 학습이 완료되면, 그 학습된 학습 모델(410)을 이용하여 위의 소정 수준 누적된 생체 신호에 관한 데이터(401)에 심장 이상 이벤트가 존재하는지 여부가 모니터링될 수 있다(451).In addition, when the above learning is completed according to an embodiment of the present invention, whether a heart abnormality event exists in the data 401 about the biosignal accumulated at a predetermined level using the learned learning model 410 may be monitored (451).

그 다음에, 본 발명의 일 실시예에 따라 위의 학습 시작 트리거가 발생된 이후에 생체 신호에 관한 제1 데이터(402)가 추가적으로 획득되면, 그 제1 데이터 전에 획득된 다른 데이터(401)에 기초하여 학습된 학습 모델(410)을 제1 데이터(402)를 이용하여 업데이트(즉, 업데이트된 학습 모델(420))할 수 있다.Then, according to an embodiment of the present invention, when the first data 402 related to the biosignal is additionally acquired after the above learning start trigger is generated, the other data 401 acquired before the first data The learning model 410 learned based on the first data 402 may be updated (ie, the updated learning model 420 ).

예를 들어, 제1 데이터(402)가 획득되기 이전에 획득된 다른 데이터(401)에 기초하여 학습된 학습 모델(410)을 대상으로 제1 데이터(402)를 이용한 전이 학습을 수행함으로써, 위의 학습 모델(410)의 가중치가 업데이트될 수 있다.For example, by performing transfer learning using the first data 402 on the learning model 410 learned based on other data 401 obtained before the first data 402 is obtained, transfer learning using the first data 402 is performed. The weight of the learning model 410 of may be updated.

또한, 본 발명의 일 실시예에 따라 위의 학습 모델의 업데이트가 완료되면, 그 업데이트된 학습 모델(420)을 이용하여 위의 제1 데이터(402)에 심장 이상 이벤트가 존재하는지 여부가 모니터링될 수 있다(452).In addition, when the update of the above learning model is completed according to an embodiment of the present invention, whether a cardiac abnormality event exists in the above first data 402 using the updated learning model 420 is monitored. can (452).

그 다음에, 본 발명의 일 실시예에 따라 위의 제1 데이터(402)가 획득된 이후에 제2 데이터(403)가 추가적으로 획득되면, 그 제2 데이터(403) 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델(430)이 위의 제2 데이터(403)를 이용하여 업데이트될 수 있다.Then, according to an embodiment of the present invention, when the second data 403 is additionally acquired after the above first data 402 is acquired, based on other data acquired before the second data 403 Thus, the learned learning model 430 may be updated using the second data 403 above.

또한, 본 발명의 일 실시예에 따라 위의 학습 모델의 업데이트가 완료되면, 그 업데이트된 학습 모델(430)을 이용하여 위의 제2 데이터(403)에 심장 이상 이벤트가 존재하는지 여부가 모니터링될 수 있다(453).In addition, when the update of the learning model is completed according to an embodiment of the present invention, whether a cardiac abnormality event exists in the second data 403 is monitored using the updated learning model 430 . can (453).

한편, 본 발명의 일 실시예에 따라 위의 모니터링 과정에서 심장 이상 이벤트가 발생한 것으로 판단되면, 해당 심장 이상 이벤트가 저장되고, 그 심장 이상 이벤트에 관한 알림 정보가 제공될 수 있다(460).Meanwhile, if it is determined that a cardiac abnormality event has occurred during the monitoring process according to an embodiment of the present invention, the corresponding cardiac abnormality event may be stored and notification information regarding the cardiac abnormality event may be provided ( 460 ).

앞서 살펴본 바와 같이, 본 발명의 일 실시예에 따라 사용자의 생체 신호에 관한 새로운 데이터가 획득될 때마다 그 직전까지 획득된 데이터에 기초하여 학습된 학습 모델을 동적으로 업데이트함으로써, 사용자의 심장 이상 이벤트를 모니터링하기 위한 정교한 학습 모델을 지속적으로 유지할 수 있게 된다. 나아가, 새로운 데이터가 기존 학습 모델의 업데이트에 반영되는 정도(431, 432, 433)가 기존 학습 모델을 학습하는 데 이용된 데이터의 수(또는 새로운 데이터 이전까지 획득된 데이터의 수)에 따라 적응적으로 조절될 수 있도록 함으로써, 학습 모델이 안정적으로 업데이트될 수 있게 된다.As described above, according to an embodiment of the present invention, whenever new data related to a user's biosignal is acquired, the learned learning model is dynamically updated based on the data acquired just before that, so that the user's heart abnormality event It is possible to continuously maintain a sophisticated learning model for monitoring Furthermore, the degree to which new data is reflected in the update of the existing learning model (431, 432, 433) is adaptive according to the number of data used to train the existing learning model (or the number of data acquired before new data). By allowing it to be adjusted, the learning model can be updated stably.

이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.The embodiments according to the present invention described above may be implemented in the form of program instructions that can be executed through various computer components and recorded in a computer-readable recording medium. The computer-readable recording medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the computer-readable recording medium may be specially designed and configured for the present invention, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and magneto-optical media such as floppy disks. medium), and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. A hardware device may be converted into one or more software modules to perform processing in accordance with the present invention, and vice versa.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.In the above, the present invention has been described with reference to specific matters such as specific components and limited embodiments and drawings, but these are provided to help a more general understanding of the present invention, and the present invention is not limited to the above embodiments, Those of ordinary skill in the art to which the invention pertains can make various modifications and changes from these descriptions.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.Therefore, the spirit of the present invention should not be limited to the above-described embodiments, and the scope of the spirit of the present invention is not limited to the scope of the scope of the present invention. will be said to belong to

100: 통신망
200: 학습 모델 관리 시스템
210: 생체 신호 획득부
220: 학습 모델 관리부
230: 모니터링부
240: 통신부
250: 제어부
300: 디바이스
400: 웨어러블 디바이스100: communication network
200: learning model management system
210: biosignal acquisition unit
220: learning model management unit
230: monitoring unit
240: communication department
250: control unit
300: device
400: wearable device

Claims (11)

생체 신호에 기초한 학습 모델을 관리하기 위한 방법으로서,
사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 획득하는 단계, 및
상기 생체 신호에 관한 제1 데이터가 획득되면, 상기 제1 데이터 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 상기 제1 데이터를 이용하여 업데이트하는 단계를 포함하고,
상기 학습 모델은, 상기 사용자의 심장 이상 이벤트를 검출하기 위한 학습 모델인
방법.A method for managing a learning model based on biosignals, comprising:
Acquiring data about a biosignal measured from the user's body, and
When the first data related to the biosignal is obtained, updating a learning model learned based on other data obtained before the first data by using the first data,
The learning model is a learning model for detecting the heart abnormality event of the user.
Way. 제1항에 있어서,
상기 생체 신호에 관한 데이터는 소정의 단위 시간 간격으로 획득되는
방법.According to claim 1,
The data related to the biosignal is acquired at a predetermined unit time interval.
Way. 제1항에 있어서,
상기 업데이트 단계에서, 학습 시작 트리거가 발생되기 전까지 누적하여 획득되는 생체 신호에 관한 데이터에 기초하여 학습 모델을 사전 학습하는
방법.According to claim 1,
In the updating step, the learning model is pre-learning based on the data about the bio-signals that are accumulated until the learning start trigger is generated.
Way. 제1항에 있어서,
상기 업데이트 단계에서, 상기 제1 데이터를 이용하여 전이 학습을 수행하여 상기 학습 모델의 가중치를 업데이트하는
방법.According to claim 1,
In the updating step, the weight of the learning model is updated by performing transfer learning using the first data.
Way. 제1항에 있어서,
상기 업데이트 단계에서, 상기 제1 데이터 전에 상기 학습 모델을 학습하는 데 이용된 다른 데이터의 수에 따라 상기 제1 데이터가 상기 학습 모델의 업데이트에 반영되는 정도를 결정하는
방법.According to claim 1,
In the updating step, determining the degree to which the first data is reflected in the update of the learning model according to the number of other data used to train the learning model before the first data
Way. 제1항에 따른 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 비일시성의 컴퓨터 판독 가능 기록 매체.A non-transitory computer-readable recording medium storing a computer program for executing the method according to claim 1 . 생체 신호에 기초한 학습 모델을 관리하기 위한 시스템으로서,
사용자의 신체로부터 측정되는 생체 신호에 관한 데이터를 획득하는 생체 신호 획득부, 및
상기 생체 신호에 관한 제1 데이터가 획득되면, 상기 제1 데이터 전에 획득된 다른 데이터에 기초하여 학습된 학습 모델을 상기 제1 데이터를 이용하여 업데이트하는 학습 모델 관리부를 포함하고,
상기 학습 모델은, 상기 사용자의 심장 이상 이벤트를 검출하기 위한 학습 모델인
시스템.A system for managing a learning model based on biosignals, comprising:
A bio-signal acquisition unit for acquiring data related to a bio-signal measured from the user's body, and
When the first data related to the biosignal is obtained, a learning model manager for updating a learning model learned based on other data obtained before the first data by using the first data,
The learning model is a learning model for detecting the heart abnormality event of the user.
system. 제7항에 있어서,
상기 생체 신호에 관한 데이터는 소정의 단위 시간 간격으로 획득되는
시스템.8. The method of claim 7,
The data related to the biosignal is acquired at a predetermined unit time interval.
system. 제7항에 있어서,
상기 학습 모델 관리부가, 학습 시작 트리거가 발생되기 전까지 누적하여 획득되는 생체 신호에 관한 데이터에 기초하여 학습 모델을 사전 학습하는
시스템.8. The method of claim 7,
The learning model management unit pre-learning the learning model based on the biosignal data accumulated until the learning start trigger is generated.
system. 제7항에 있어서,
상기 학습 모델 관리부가, 상기 제1 데이터를 이용하여 전이 학습을 수행하여 상기 학습 모델의 가중치를 업데이트하는
시스템.8. The method of claim 7,
The learning model management unit performs transfer learning using the first data to update the weight of the learning model.
system. 제7항에 있어서,
상기 학습 모델 관리부가, 상기 제1 데이터 전에 상기 학습 모델을 학습하는 데 이용된 다른 데이터의 수에 따라 상기 제1 데이터가 상기 학습 모델의 업데이트에 반영되는 정도를 결정하는
시스템.8. The method of claim 7,
The learning model management unit determines the degree to which the first data is reflected in the update of the learning model according to the number of other data used to learn the learning model before the first data
system.
KR1020210009016A 2021-01-21 2021-01-21 Method, system and non-transitory computer-readable recording medium for managing a learning model based on biometric signals KR102576829B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210009016A KR102576829B1 (en) 2021-01-21 2021-01-21 Method, system and non-transitory computer-readable recording medium for managing a learning model based on biometric signals

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210009016A KR102576829B1 (en) 2021-01-21 2021-01-21 Method, system and non-transitory computer-readable recording medium for managing a learning model based on biometric signals

Publications (2)

Publication Number Publication Date
KR20220106273A true KR20220106273A (en) 2022-07-29
KR102576829B1 KR102576829B1 (en) 2023-09-12

Family

ID=82606787

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210009016A KR102576829B1 (en) 2021-01-21 2021-01-21 Method, system and non-transitory computer-readable recording medium for managing a learning model based on biometric signals

Country Status (1)

Country Link
KR (1) KR102576829B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102652840B1 (en) 2023-10-17 2024-03-29 (주)씨어스테크놀로지 System for Providing Automatic Algorithm Update for ECG Analysis

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160064607A (en) * 2014-11-28 2016-06-08 광운대학교 산학협력단 An apparatus and a method for detecting myocardial infarction
KR20180099434A (en) * 2017-02-28 2018-09-05 삼성전자주식회사 Method and apparatus for monitoring patient
JP2020031701A (en) * 2018-08-27 2020-03-05 Ｐｈｃホールディングス株式会社 Event estimation method, event estimation program, server device, biological information measuring device, and event estimation system
KR20200063330A (en) * 2018-11-21 2020-06-05 한국과학기술원 Method and system for transfer learning into any target dataset and model structure based on meta-learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160064607A (en) * 2014-11-28 2016-06-08 광운대학교 산학협력단 An apparatus and a method for detecting myocardial infarction
KR20180099434A (en) * 2017-02-28 2018-09-05 삼성전자주식회사 Method and apparatus for monitoring patient
JP2020031701A (en) * 2018-08-27 2020-03-05 Ｐｈｃホールディングス株式会社 Event estimation method, event estimation program, server device, biological information measuring device, and event estimation system
KR20200063330A (en) * 2018-11-21 2020-06-05 한국과학기술원 Method and system for transfer learning into any target dataset and model structure based on meta-learning

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102652840B1 (en) 2023-10-17 2024-03-29 (주)씨어스테크놀로지 System for Providing Automatic Algorithm Update for ECG Analysis

Also Published As

Publication number Publication date
KR102576829B1 (en) 2023-09-12

Similar Documents

Publication Publication Date Title
US11727279B2 (en) Method and apparatus for performing anomaly detection using neural network
KR20140063100A (en) Apparatus and methods for remote cardiac disease management
KR102576829B1 (en) Method, system and non-transitory computer-readable recording medium for managing a learning model based on biometric signals
US20240099665A1 (en) Electrocardiogram data processing server, electrocardiogram data processing method of extracting analysis required section while segmenting electrocardiogram signal into signal segments with variable window sizes, and computer program
KR102521116B1 (en) Method, server, device and non-transitory computer-readable recording medium for monitoring biometric signals by using wearable device
KR102219378B1 (en) Method, system and non-transitory computer-readable recording medium for recognizing arrhythmia by using artificial neural network
KR102620321B1 (en) Method, system and non-transitory computer-readable recording medium for managing analysis model for bio-signal
US11344075B2 (en) Smart prediction of neurological injury
US20210161477A1 (en) Determining Whether a Hypothesis Concerning a Signal is True
KR102353061B1 (en) Method, system and non-transitory computer-readable recording medium for managing bio-information
KR101375673B1 (en) Method for warning of epileptic seizure using excitatory-inhibitory model based on the chaos neuron and electronic device supporting the same
KR20230012942A (en) Method, system and non-transitory computer-readable recording medium for managing output data of analysis model for bio-signal
KR20220169852A (en) Method, system and non-transitory computer-readable recording medium for managing reliability of analysis model for bio-signal
KR102338932B1 (en) Method, system and non-transitory computer-readable recording medium for monitoring bio-information
KR102681050B1 (en) Method and system for estimating risk of cardiac arrest and death
KR102342775B1 (en) Electrocardiogram signal processing method and apparatus
KR102362906B1 (en) Method, system and non-transitory computer-readable recording medium for monitoring objects
US20230263451A1 (en) Medical data providing device, medical data providing method and computer program
KR102576831B1 (en) Method, system and non-transitory computer-readable recording medium for managing training data of analysis model for bio-signal
JP7022957B1 (en) Atrial fibrillation detection program, atrial fibrillation detection device, atrial fibrillation detection method and atrial fibrillation detection system
Laxmi et al. Using Wearable IoT Devices to Analyze Healthcare Data for Human Activity Recognition
KR20240078847A (en) Hardware-efficient electrocardiogram classification method and apparatus for resource-liminted devices
EP4390958A1 (en) A computer implemented method for adaptive physiology-based monitoring of a subject
KR20240030450A (en) Method, system and non-transitory computer-readable recording medium for assisting analysis of bio-signal by using clustering
CN118383730A (en) Epileptic seizure early warning method, epileptic seizure early warning system, electronic equipment and storage medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant