知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-11-08
(54)【発明の名称】生体値の予測方法
(51)【国際特許分類】
A61B 5/145 20060101AFI20241031BHJP
【ＦＩ】
A61B5/145
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024527594
(86)(22)【出願日】2022-06-02
(85)【翻訳文提出日】2024-05-10
(86)【国際出願番号】 KR2022007876
(87)【国際公開番号】W WO2023101119
(87)【国際公開日】2023-06-08
(31)【優先権主張番号】10-2021-0171649
(32)【優先日】2021-12-03
(33)【優先権主張国・地域又は機関】KR
(81)【指定国・地域】
(71)【出願人】
【識別番号】510115030
【氏名又は名称】アイセンス，インコーポレーテッド
(74)【代理人】
【識別番号】110003339
【氏名又は名称】弁理士法人南青山国際特許事務所
(72)【発明者】
【氏名】リー，デイビッド
(72)【発明者】
【氏名】カン，ヨンジェ
(72)【発明者】
【氏名】ナム，ハクヒョン
【テーマコード（参考）】
4C038
【Ｆターム（参考）】
4C038KK10
4C038KL01
4C038KX01
(57)【要約】
本発明は、血糖測定システムで生体値を予測する方法に関するものであり、より具体的には、使用者が生体値を管理するためにいつもお持ちするスマートフォンのような少ないメモリーと演算量で有する通信端末機を通じて予測モデルを生成して生成した予測モデルに使用者の生体値を適用して使用者の未来生体値を予測することができるし、使用者の生体履歴情報に基礎して使用者に個人化された予測モデルを生成することで、他の周辺使用者の生体情報を要しないでサーバーに接続なしも使用者の未来生体値を予測することができる生体値の予測方法に関するものである。
【選択図】図５
【選択図】図５
【特許請求の範囲】
【請求項1】
センサーから測定した生体情報を利用して使用者の生体値を予測する方法において、測定した使用者の生体情報から第１特徴値を抽出する段階と、
測定した使用者の生体情報を補正して補正した生体情報から第２特徴値を抽出する段階と、
前記第１特徴値と前記第２特徴値を縮小結合して特徴ベクター値を生成する段階と、
生成した特徴ベクター値を予測モデルに適用して使用者の生体値を予測する段階と、を含むことを特徴とする生体値の予測方法。
【請求項2】
前記センサーは一定期間の間使用者の身体に一部挿入されて使用者の生体情報を連続して測定するセンサーであることを特徴とする請求項１に記載の生体値の予測方法。
【請求項3】
前記生体情報の予測方法は測定した生体情報からノイズを除去して測定した生体情報を前処理する段階をさらに含み、
前記第１特徴値と前記第２特徴値は前処理された生体情報から抽出されることを特徴とする請求項２に記載の生体値の予測方法。
【請求項4】
前記第１特徴値は前処理された生体情報から直接抽出され、前記第２特徴値は前処理された生体情報を時間遅延と単位不一致を補正して生成される補正生体情報から抽出されることを特徴とする請求項３に記載の生体値の予測方法。
【請求項5】
前記単位不一致は、前処理生体情報または基準生体値に基礎して補正されることを特徴とする請求項４に記載の生体値の予測方法。
【請求項6】
前記単位不一致は、前記前処理された生体情報が上昇または下降時加重値を付与して補正されることを特徴とする請求項５に記載の生体値の予測方法。
【請求項7】
前記単位不一致は、測定した生体情報から判断された生体値と基準生体値との差によって割り当てされる加重値によって補正されることを特徴とする請求項５に記載の生体値の予測方法。
【請求項8】
前記生体値の予測方法は、第１予測時点の予測された生体値と前記第１予測時点に実際測定した生体値の差から予測誤差を計算する段階と、
前記予測誤差に基礎して予測モデルを再学習するかを決める段階をさらに含むことを特徴とする請求項４に記載の生体値の予測方法。
【請求項9】
前記予測誤差が臨界値または臨界の割合より大きい場合予測モデルを再学習することで決めることを特徴とする請求項８に記載の生体値の予測方法。
【請求項10】
前記生体値の予測方法は、単位時間の間予測誤差の発現特徴に基礎して前記予測モデルを再生成するかを決める段階をさらに含むことを特徴とする請求項８に記載の生体値の予測方法。
【請求項11】
前記発現特徴は、前記単位時間の間前記予測誤差が臨界値または臨界の割合を連続して超過する回数及び前記単位時間の間前記予測誤差が臨界値または臨界の割合を超過する全体回数のうちで少なくとも何れか一つであることを特徴とする請求項１０に記載の生体値の予測方法。
【請求項12】
前記生体値の予測方法で、予測モデルの再学習または予測モデルの再生成は前記予測モデルを生成するのに利用した以前データセット以外に現在時点まで測定した使用者の生体情報から生成される以後データセットを利用することを特徴とする請求項８に記載の生体値の予測方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、血糖測定システムで生体値を予測する方法に関するものであり、より具体的には、使用者が生体値を管理するためにいつもお持ちするスマートフォンのような少ないメモリーと演算量で有する通信端末機を通じて予測モデルを生成して生成した予測モデルに使用者の生体情報を適用して使用者の未来生体値を予測することができるし、使用者の生体履歴情報に基礎して使用者に個人化された予測モデルを生成することで他の周辺使用者の生体情報を要しないでサーバーに接続なしも使用者の未来生体値を予測することができる生体値の予測方法に関するものである。
【背景技術】
【0002】
糖尿病は現代人にたくさん発生される慢性疾患で国内の場合全体人口の５％に該当する２００万人以上に至る。
【0003】
糖尿病は肥満、ストレス、誤った食習慣、先天的遺伝など多様な原因によって膵臓で作られるインスリンが絶対的に不足であるか、または相対的に不足で血液で糖に対する均衡をすぐ取ってくれることができないことで血液内に糖成分が絶対的に多くなるようになって発病する。
【0004】
血液内には普通一定濃度の葡萄糖が含有されているし、組織細胞はここでエネルギーを得ている。
【0005】
しかし、葡萄糖が必要以上に増加するようになれば、肝臓や筋肉または脂肪細胞などに適切に貯蔵されることができずに血液内に蓄積され、これにより糖尿病患者は正常人よりずっと高い血糖が維持され、過多な血糖は組織をそのまま通過して小便で排出されることによって身体の各組織に絶対的に必要な糖分は不足になって身体各組織に異常を催すようになる。
【0006】
糖尿病は初期にはほとんど自覚症状がないことが特徴であるが、病気が進行されれば糖尿病特有の多飲、多食、多尿、体重減少、全身倦怠、皮膚掻痒症、手と足の傷が治らないで長続きする場合などの特有の症状が現われて、病気がいっそうさらに進行されれば視力障害、高血圧、腎臓病、中風、歯周疾患、筋けいれん及び神経痛、壞疽などで先に進む合併症が現われる。
【0007】
このような糖尿病を診断して合併症で先に進まないように管理するためには体系的な血糖測定と治療が併行されなければならない。
【0008】
糖尿病は管理のために倦まず弛まなく血糖を測定する必要があって血糖測定と関連される装置はその需要が倦まず弛まず増加する趨勢である。糖尿病患者が血糖調節を厳格にさせる場合、糖尿病の合併症発生が著しく減ることは各種研究を通じて確認されている。それによって糖尿病患者は血糖調節のために規則的に血糖を測定することが非常に重要である。
【0009】
糖尿病患者の血糖管理のために一般に採血式血糖測定機(finger prick method)が主に使用されるが、このような採血式血糖測定機は糖尿病患者の血糖管理にお手助けになるが、測定当時の結果だけ現われるために頻りに変化する血糖数値を正確に把握することが難しい問題がある。また、採血式血糖測定機は一日にも随時に血糖を測定するために毎度採血をする必要があって、糖尿病患者に採血に対する負担が大きい問題がある。
【0010】
糖尿病患者は、一般に高血糖及び低血糖状態を行き交うが、応急状況は低血糖状態で発生する。低血糖状態は糖分が長い間持続されない場合に発生し、意識を失うか、または最悪の場合命を失うこともある。したがって、低血糖状態を即刻で見つけることは糖尿病患者に非常に重要である。しかし、間歇的に血糖を測定する採血式血糖測定機は明らかな限界がある。
【0011】
このような採血式血糖測定機の限界を乗り越えるため、人体内に挿入して数分間隔で血糖を測定する連続血糖測定システム(ＣＧＭＳ： Continuous Glucose Monitoring System)が開発されたし、これを利用して糖尿病患者の管理と応急状況に容易に対処することができる。
【0012】
連続血糖測定システムは、人体に挿入されて使用者の血液のような体液を利用して血糖を測定する身体付着ユニット及び身体付着ユニットと通信して身体付着ユニットで測定された血糖値を表示するための通信端末機を含む。
【0013】
身体付着ユニットは一定時間の間、例えば、３月以内の時間の間(７週間、１５日、１月など)身体に一部挿入されて体液から使用者の血糖値を示す生体信号を生成するセンサー及びセンサーで受信した生体信号をリアルタイムでまたは周期的にまたは通信端末機から要請がある場合通信端末機に送信するトランスミッタでなされる。
【0014】
身体付着ユニットは生体信号を生成して通信端末機に送信するが、通信端末機には血糖管理アプリケーションが設置されて身体付着ユニットから生体信号を受信して受信した生体信号でノイズ除去など前処理、受信した電流値の生体信号を血糖値で単位較正、基準血糖値を利用した較正などの手続きを経って使用者が確認することができるように出力する。
【0015】
このように連続血糖測定システムはリアルタイムで使用者の生体信号を測定して使用者の血糖値を出力することだけではなく使用者の血糖値履歴、使用者の活動履歴、食事履歴、インシュリンなどの医薬品投与履歴などに基礎して使用者の未来血糖値を予測することができる。
【0016】
このような使用者の未来血糖値の予測は多様な方式でなされることができるが、代表的に使用者の血糖値履歴と周辺他の使用者の血糖値履歴に基礎して予測モデルを生成して生成した予測モデルに使用者の現在血糖値を適用して使用者の未来血糖値を予測することができる。
【0017】
このような使用者の未来血糖値の予測技術は使用者が低血糖または高血糖に陥ることがある可能性をあらかじめ予測して使用者が実際低血糖または高血糖状況に到逹する前あらかじめ対処することができるという効果を有する。
【0018】
しかし、従来未来血糖値の予測のために使用される予測モデルは使用者だけではなく他の周辺使用者の膨大な血糖履歴情報、食事履歴情報、活動履歴などを利用して生成されるために予測モデルを生成するために必要な情報を保存するための非常に大きいメモリー空間が必要であり、予測モデルに使用者の生体信号を適用して未来血糖値を予測するために多くの演算量が必要であるという問題点を有する。
【0019】
したがって、このような予測モデルの生成と修正、そして、予測モデルを利用した未来血糖値の予測は主に別途のサーバーを通じて行われなければならないし、未来血糖値予測のために通信端末機はいつもサーバーと通信を遂行しなければならないという問題点を有する。
【発明の開示】
【発明が解決しようとする課題】
【0020】
本発明は、上で言及した従来未来血糖値の予測方法が有する問題点を解決するためのものであり、本発明がなそうとする目的は使用者が血糖を管理するためにいつもお持ちするスマートフォンのような通信端末機を通じて少ないメモリーと演算量で使用者の未来血糖値を予測することができる生体値の予測方法を提供することである。
【0021】
本発明がなそうとする他の目的は、使用者の生体履歴情報に基礎して使用者に個人化された予測モデルを生成してサーバーに接続なしも使用者の未来生体値を予測することができる方法を提供することである。
【0022】
本発明がなそうとするまた他の目的は、使用者の予測された生体値と実際生体値から予測誤差を計算して予測誤差の発現特徴を判断して予測誤差の発現特徴によって予測モデルを再学習するか、または再生成して使用者の未来生体値を正確に予測することができる生体値の予測方法を提供することである。
【0023】
本発明がなそうとするまた他の目的は、前処理された生体情報から抽出される第１特徴値及び前処理された生体情報を時間補正して単位補正した生体情報から抽出される第２特徴値を利用して使用者に個人化された予測モデルを生成して生成した予測モデルを通じて使用者の生体値を正確に予測することができる方法を提供することである。
【課題を解決するための手段】
【0024】
本発明の目的を達成するために、身体付着ユニットのセンサーから測定した生体情報を利用して使用者の生体値を予測する方法は、測定した使用者の生体情報から第１特徴値を抽出する段階と、測定した使用者の生体情報を補正して補正した生体情報から第２特徴値を抽出する段階と、第１特徴値と第２特徴値を縮小結合して特徴ベクター値を生成する段階と、生成した特徴ベクター値を予測モデルに適用して使用者の生体値を予測する段階と、を含むことを特徴とする。
【0025】
ここでセンサーは、一定期間の間使用者の身体に一部挿入されて使用者の生体情報を測定するセンサーであることを特徴とする。
【0026】
望ましくは、本発明による生体情報の予測方法は、測定した生体情報でノイズを除去して測定した生体情報を前処理する段階をさらに含み、第１特徴値と第２特徴値は前処理された生体情報から抽出されることを特徴とする。
【0027】
ここで第１特徴値は、前処理された生体情報から直接抽出され、第２特徴値は前処理された生体情報を時間遅延と単位不一致を補正して生成される補正生体情報から抽出されることを特徴とする。
【0028】
ここで単位不一致は、前処理された生体情報または基準生体値に基礎して補正されることを特徴とする。
【0029】
本発明の一実施例で単位不一致は、前処理された生体情報が上昇または下降時加重値を付与して補正されることを特徴とする。
【0030】
本発明の他の実施例で単位不一致は、測定した生体情報から判断された生体値と基準生体値の差によって割り当てされる加重値によって補正されることを特徴とする。
【0031】
望ましくは、本発明による生体値の予測方法は、第１予測時点の予測された生体値と第１予測時点に実際測定した生体値の差から予測誤差を計算する段階と、予測誤差に基礎して予測モデルを再学習するかを決める段階をさらに含むことを特徴とする。
【0032】
ここで、予測誤差が臨界値または臨界の割合より大きい場合予測モデルを再学習することで決めることを特徴とする。
【0033】
本発明による生体値の予測方法で予測モデルを再学習することで決める場合、予測モデルを生成することに利用した以前データセット以外に現在時点まで測定した使用者の生体情報から生成される以後データセットを利用して予測モデルを再学習することを特徴とする。
【0034】
望ましくは、本発明による生体値の予測方法は、単位時間の間予測誤差の発現特徴に基礎して予測モデルを再生成するかを決める段階をさらに含むことを特徴とする。
【0035】
ここで、発現特徴は単位時間の間予測誤差が臨界値または臨界の割合を連続して超過する回数及び単位時間の間前記予測誤差が臨界値または臨界の割合を超過する全体回数のうちで少なくとも何れか一つであることを特徴とする。
【発明の効果】
【0036】
本発明による生体値の予測方法は次のような効果を有する。
【0037】
第一、本発明による生体値の予測方法は、使用者が生体値を管理するためにいつもお持ちするスマートフォンのような少ないメモリーと演算量で有する通信端末機を通じて予測モデルを生成して生成した予測モデルに使用者の生体情報を適用して使用者の未来生体値を予測することができる。
【0038】
第二、本発明による生体値の予測方法は、使用者の生体履歴情報に基礎して使用者に個人化された予測モデルを生成することで、他の周辺使用者の生体情報を要しないし、サーバーに接続なしも使用者の未来生体値を予測することができる。
【0039】
第三、本発明による生体値の予測方法は、使用者の予測された生体値と実際生体値から予測誤差を計算して予測誤差の発現特徴を判断して予測誤差の発現特徴によって予測モデルを再学習するか、または再生成することで、使用者の未来生体値を正確に予測することができる。
【0040】
第四、本発明による生体値の予測方法は、前処理された生体情報から抽出される第１特徴値及び前処理された生体情報を時間補正して単位補正した補正生体情報から抽出される第２特徴値を利用して使用者に個人化された予測モデルを生成することで、生成した予測モデルを通じて使用者の生体値を正確に予測することができる。
【図面の簡単な説明】
【0041】
【発明を実施するための形態】
【0042】
本発明で使用される技術的用語は、単に特定の実施例を説明するために使用されたものであり、本発明を限定しようとする意図ではないことを留意しなければならない。また、本発明で使用される技術的用語は本発明で特別に他の意味に定義されない限り、本発明が属する技術分野で通常の知識を有した者によって一般的に理解される意味で解釈されなければならないし、過度に包括的な意味で解釈されるか、または過度に縮まった意味で解釈されてはいけない。また、本発明で使用される技術的な用語が本発明の思想を正確に表現することができない誤った技術的用語である時には、当業者が正しく理解することができる技術的用語で取り替えられて理解されなければならないであろう。
【0043】
また、本発明で使用される単数の表現は文脈上明白に異なるように志さない限り複数の表現を含む。本発明で、"構成される"または"含む"などの用語は発明に記載された多くの構成要素ら、または多くの段階を必ずすべて含むことで解釈されてはいけなくて、そのうちで一部構成要素らまたは一部段階らは含まれないこともあって、または追加的な構成要素または段階らをさらに含むことができることで解釈されなければならない。
【0044】
また、添付された図面は本発明の思想を易しく理解するようにするためのものであるだけ、添付された図面によって本発明の思想が制限されることで解釈されてはいけないことを留意しなければならない。
【0045】
以下添付した図面を参照で本発明による生体値の予測方法に対してより具体的に説明する。
【0046】
以下では使用者の身体に一定期間付着された身体付着ユニットを通じて血糖値を示す生体情報を連続して測定して測定した生体情報を通信端末機に送信する連続血糖測定システムで説明するが、本発明が適用される分野によって身体付着ユニットは多様な種類の生体情報を測定して測定した生体情報を通信端末機に送信することができるし、これは本発明の範囲に属する。
【0047】
図１は、本発明の一実施例による血糖測定システムを示した概略図である。
【0048】
図１を参照すれば、本発明の一実施例による血糖測定システム１は身体付着ユニット１０及び通信端末機３０を含む。
【0049】
身体付着ユニット１０は身体に付着されるが、身体付着ユニット１０が身体に付着時身体付着ユニット１０のセンサー一端は肌に挿入されてセンサーの使用期間の間体液などを利用して使用者の血糖を示す生体情報を連続して測定する。
【0050】
通信端末機３０は身体付着ユニット１０から生体情報を受信して受信した生体情報を使用者に表示することができる端末機であり、例えば、スマートフォン、タブレットPC、またはノートブックなどのように身体付着ユニット１０と通信することができる移動端末機が使用されることができる。勿論、通信端末機１３はこれに限定されるものではなくて、通信機能を含み、プログラムやアプリケーションが設置されることができる端末機ならどのような種類の端末機であることができる。
【0051】
身体付着ユニット１０は通信端末機３０の要請によってまたは設定された時刻ごとに測定された生体情報を通信端末機３０に送るが、身体付着ユニット１０と通信端末機３０との間でデータ通信のために身体付着ユニット１０と通信端末機３０はお互いにＵＳＢケーブルなどによって有線で通信連結されるか、または赤外線通信、ＮＦＣ通信、ブルートゥース（登録商標）などの無線通信方式で通信連結されることができる。
【0052】
通信端末機３０は受信した生体情報に基礎して使用者の未来生体値を予測して予測生体値を使用者に提供する。望ましくは、通信端末機３０は予測生体値に基礎して使用者に高血糖または低血糖アラームを提供するか、または低血糖または低血糖アラームと共に使用者に必要な処方を提供することができる。
【0053】
ここで通信端末機３０は、受信した生体情報を一定期間保存することができるが、通信端末機３０は保存した生体情報を利用して予測モデルを生成することができる。
【0054】
また、通信端末機３０は未来一定時間に対する予測生体値と一定時間経過後実際測定した実際生体値をモニタリングして比べて、予測生体値と実際生体値との間の予測誤差に基礎してまたは予測誤差の発現特徴に基礎して生成した予測モデルを再学習するか、または再生成することができる。
【0055】
図２は、本発明による生体値予測装置を説明するための機能ブロック図である。
【0056】
本発明による生体値予測装置は通信端末機で具現されることができるが、図２を参照でより具体的に見れば、送受信部１１０は身体付着ユニットから使用者の生体情報を受信して保存部１３０は受信した生体情報を保存する。ここで、保存部１３０は受信した生体情報を受信時刻にマッピングして保存することができる。
【0057】
生体値判断部１８０は受信した生体情報から使用者の生体値を判断して判断した生体値を使用者に出力するか、または保存部１３０に受信時間とマッピングして保存する。
【0058】
ここで、使用者の身体に一定期間挿入されたセンサーを通じて色々種類の生体情報が測定されることができるが、以下では生体情報の一例で使用者の血糖情報を示す生体情報であることができるし、生体値は生体情報から判断される血糖値であることができる。
【0059】
保存部１３０には身体付着ユニットから受信した生体情報と共に生体情報から判断された生体値が保存されることができるが、特徴値生成部１５０は生体情報を利用して未来時点の予測生体値を判断することに利用される特徴値ベクターを生成する。
【0060】
予測部１７０は保存部１３０に保存されている予測モデルを利用して現在時点を基準で一定時間経過後の予測生体値を判断するが、予測部１７０は生成した特徴値ベクターを予測モデルに適用して予測生体値を判断する。ここで、予測生体値は現在時点を基準で一定時間経過後使用者が有する予測された生体値であり、予測生体値を利用して一定期間経過後使用者の生体値をあらかじめ予測して予測生体値に基礎して使用者にアラームを提供するか、または必要な処方を提供することができる。
【0061】
例えば、使用者が現在時点を基準で３時間後予測生体値が６０mg/dL以下で判断される場合、使用者に低血糖アラームを提供するか、または食べ物を取りなさいと処方を提供することができる。
【0062】
一方、保存部１３０には予測部１７０で判断した予測生体値と生体値判断部１８０で判断した実際生体値が保存されるが、学習部１９０は一定時間経過後判断した実際生体値と一定時間以前に予測した使用者の予測生体値をモニタリングしてお互いに比べる。
【0063】
学習部１９０は予測生体値と実際生体値の予測誤差の大きさや割合に基礎して保存部１３０に保存されている予測モデルを再学習するか、または、予測誤差の発現特徴に基礎して予測モデルをはじめから再び学習して新しい予測モデルを再生成して生成した新しい予測モデルで保存部１３０に保存されている予測モデルを更新することができる。
【0064】
図３は、本発明による特徴値生成部の一例を説明するための機能ブロック図である。
【0065】
図３を参照でより具体的に見れば、前処理部１５１は送受信部を通じて受信した生体情報でノイズを除去するか、または縮小する。
【0066】
身体付着ユニットを通じて測定されるか、または身体付着ユニットから受信した生体情報にはノイズが含まれることができる。例えば、身体付着ユニットのセンサーが人体に一部挿入されるために人が動く度にセンサーが動くことがあるし、このようなセンサーの動きによって身体付着ユニットで測定された生体情報データにノイズが含まれることがある。
【0067】
または、身体付着ユニットから通信端末機に生体情報が伝送される時、周辺の電磁気波などによって影響を受けることができるし、それによって通信端末機で受信される生体情報にノイズが含まれることができる。
【0068】
前処理部１５１は受信した生体情報に対して特異値(outlier)処理フィルタリング過程を遂行するか、または特異値処理が完了された生体情報に対して低帯域フィルタリング過程を遂行する。
【0069】
第１特徴値抽出部１５３は前処理された生体情報で第１特徴値を抽出して第２特徴値抽出部１５７は較正部１５５で較正された較正生体情報から第２特徴値を抽出する。身体付着ユニットから受信する、前処理された生体情報は使用者の生体値によって相異に変化する電流値情報であり、較正生体情報は較正部１５５で前処理された生体情報を時間遅延較正するか、または単位不一致較正した生体情報を意味する。
【0070】
望ましくは、較正部１５５は前処理された生体情報を較正して較正生体情報を第２特徴値抽出部１５７に提供するが、較正部は前処理された生体情報の時間遅延を較正するか、または電流値の生体情報を生体値の単位、例えば、血糖値の単位で較正する。
【0071】
特徴ベクター値生成部１５９は第１特徴値と第２特徴値を単純結合するか、または資源縮小などの方式で第１特徴値と第２特徴値を縮小及び結合して特徴ベクター値を生成する。
【0072】
図４は、本発明による学習部の一例を説明するための機能ブロック図である。
【0073】
図４を参照してより具体的に見れば、予測誤差計算部１９１は一定時間経過後判断した実際生体値と一定時間以前にあらかじめ予測した使用者の予測生体値をモニタリングしてお互いに比べて実際生体値と予測生体値との間の予測誤差を計算する。例えば、特徴ベクター値から現在時点を基準でｔ時間経過後の予測生体値を判断して実際ｔ時間経過後生体情報を利用して判断した実際生体値の間の予測誤差を計算する。
【0074】
予測誤差特徴判断部１９５は単位時間の間予測誤差が臨界値を超過するか、または臨界の割合を超過する回数または単位時間の間予測誤差が臨界値または臨界の割合を連続して超過する回数などの予測誤差の発現特徴を判断する。
【0075】
条件判断部１９３は予測誤差が設定した臨界値を超過するか、または実際生体値または予測生体値対比予測誤差の割合が設定した臨界割合を超過するかに基礎して再学習条件を判断するか、または、予測誤差の発現特徴に基礎して予測モデルの再生成条件を満足するかを判断する。
【0076】
再学習部１９７は再学習条件を満足する場合保存部に保存されている予測モデルを再学習して再学習した予測モデルで予測モデルを更新し、生成部１９９は再生成条件を満足する場合保存部に保存されている予測モデルを新たに生成して新たに生成した予測モデルで予測モデルを更新する。
【0077】
図５は、本発明による生体値の予測方法を説明するための流れ図である。
【0078】
図５を参照してより具体的に見れば、使用者の生体情報を受信する(Ｓ１１０)。ここで使用者の生体情報は使用者の身体に一定期間付着して連続して使用者の生体情報を測定する身体付着ユニットから受信することができる。
【0079】
通信端末機は受信した生体情報を前処理する(Ｓ１３０)。前処理過程をより具体的に見れば、特異値処理フィルタリングのために受信した生体情報のうちで所定の範囲を脱したデータを捜して該当生体情報を処理する。この時、特異値を有する生体情報であるもので判断されれば、該当生体情報を除去して処理することができる。しかし、これに限定されるものではなくて、必要によって特異値を有する生体情報を較正して利用することもできる。特異値が処理された生体情報に対して低帯域フィルタリングを遂行することができる。低帯域フィルタリングは、高帯域に該当する成分を除去して低帯域に該当する生体情報だけ残すことができる。低帯域フィルタリングされた生体情報を利用して低帯域フィルタリングされた生体情報に対する平均値を算定して処理することができるし、切削平均値を利用することができる。本発明が適用される分野によって多様な方式で前処理が可能であり、これは本発明の範囲に属する。
【0080】
前処理された生体情報から第１特徴値を抽出する(Ｓ１４０)。前処理された生体情報は身体付着ユニットで測定した使用者の生体値、例えば、血糖値を示す電流値であることができる。ここで、第１特徴値は統計的技法から抽出される生体情報の差、傾き、偏差、平均、実効値、尖鋭度などの特徴値や、フーリエ変換、ウェーブレット変換などのように生体情報を周波数領域分析して抽出される特徴値である。
【0081】
一方、前処理された生体情報を較正して較正生体情報を生成し(Ｓ１５０)、較正生体情報から第２特徴値を抽出する(Ｓ１５０)。ここで、前処理された生体情報は第２特徴値を抽出する前、前処理生体情報に含まれている時間遅延または単位不一致などを較正することができる。
【0082】
身体付着ユニットで使用者の生体情報を実際測定した時点と通信端末機で使用者の生体情報を受信した時点との間には時間遅延が発生するが、このような時間遅延は身体付着ユニットのセンサーで使用者の体液から生体情報を測定して生成するまで物理的構造によって発生するか、または生体情報を生成するために必要な演算時間などによって発生することができる。
【0083】
また、前処理された生体情報は、使用者の生体値を示す電流値情報であり、生体値自体ではないので、電流値から実際使用者の生体値で単位不一致を較正しなければならない。単位不一致は別途のセンサーストリップ(血液測定試験紙)と採血された体液を利用して採血式生体値測定機を通じて測定した基準生体値を利用して較正されることができる。例えば生体情報の電流値が１０nAであり、この時に測定した基準生体値が１００mg/dLの場合、較正傾き(A)を１０で設定して以後生体情報の電流値に傾きを掛けて使用者の生体値を判断する。
【0084】
本発明が適用される分野によって単位不一致を較正時生体値が増加しているか、または降りているか、または測定した生体値と基準生体値との間の差がいくらなのかによって加重値を付与して単位不一致を較正することができる。
【0085】
較正生体情報を利用して第２特徴値を抽出する(Ｓ１６０)。ここで、第２特徴値は統計的技法から抽出される較正生体情報の差、傾き、偏差、平均、実効値、尖鋭度などの特徴値や、フーリエ変換、ウェーブレット変換などのように較正生体情報を周波数領域分析して抽出される特徴値である。
【0086】
第１特徴値と第２特徴値を単純結合するか、または資源縮小して第１特徴値と第２特徴値から特徴ベクター値を生成する(Ｓ１７０)。
【0087】
生成した特徴ベクター値を予測モデルに適用して一定時間以後予測生体値を生成する(Ｓ１９０)。
【0088】
予測モデルは特徴ベクター値を利用して一定時間以後の予測生体値を生成することに利用されるが、例えば、一定間隔ごとに生成された特徴ベクター値(x)を構成する成分の数が１０個であり、各特徴ベクター値に対するラベル(y)を一定時間以後の予測生体値とすれば、各特徴ベクター値の入力(x)及びラベル(y)は下の数学式１のように表現される。
【0089】
[数学式１]
【数1】
【0090】
これに基づいて特徴値１と特徴値２から生成される特徴ベクター値 x=[x1.....x10] を予測モデルに入れると、一定時間以降の予測生体値ｙ'を出力する。
【0091】
ここで予測モデルは使用者の特徴値ベクターを訓練データで利用してＳＶＭ(Support Vector Machine)、ＧＭＭ(Gaussian Mixture Model)などの機械学習、ＣＮＮ(Convolution Neural Network)、ＲＮＮ(Recurrent Neural Network)などのディープラーニング、model-free RL、model-based RLなどの強化学習、ＤＱＮ(Deep Q Network)などのディップ強化学習を利用して生成されることができる。本発明で生成した予測モデルは追加または新しい訓練データを利用して再学習することができる。予測モデルを生成するために公知された多様な技術を使用することができるし、これに対する詳細な説明は略する。
【0092】
第１特徴値と第２特徴値は非常に多い特徴(feature)らを持っている。このようなデータを持って予測モデルを生成しようとする場合、データの次元が大きいために学習速度が遅いだけでなく性能も良くない可能性が大きい。このために第１特徴値と第２特徴値を単純結合するか、またはこれらのうちで特徴を選択するか、または縮小して予測モデルを生成することができるが、データの次元を縮小する方法である投影(projection)とマニホールド学習(manifold learning)そして、代表的な次元縮小アルゴリズムである主成分分析(ＰＣＡ)などが使用されるか、またはLassoなどのような特徴選択アルゴリズムなどが使用されることができる。第１特徴値と第２特徴値から特徴ベクター値を生成するために公知された多様な技術を使用することができるし、これに対する詳細な説明は略する。
【0093】
本発明では使用者の生体情報から生成される第１特徴値と第２特徴値をすべて利用して予測モデルを生成することで、周辺他の使用者のデータを利用しなくても使用者に個人化されて正確に使用者の生体値を予測することができる予測モデルを生成することができるし、第１特徴値と第２特徴値から生成された特徴ベクター値を予測モデルに適用して使用者の生体値を正確に予測することができるという効果を有する。
【0094】
図６は、本発明で予測モデルを再学習する段階の一例を説明するための流れ図である。
【0095】
図６を参照してより具体的に見れば、特徴ベクター値を利用して生成した第１予測時点の予測された予測生体値第１予測時点の実際生体値を利用して測定した実際生体値の差から予測誤差を計算する(Ｓ２１１)。
【0096】
予測誤差と既設定された臨界値または臨界の割合を比べて予測誤差が臨界値または臨界の割合を超過するかを判断する(Ｓ２１３)。
【0097】
予測誤差が臨界値または臨界の割合を超過する場合、再学習要件を満足するかを判断する(Ｓ２１５)。ここで再学習要件は、予測誤差が臨界値または臨界の割合を超過する場合満足することで判断するか、または、予測誤差が臨界値または臨界の割合を超過して以後既設定された第１時間の間の予測誤差の平均値が臨界平均値を超過する場合満足することで判断するか、または、予測誤差が臨界値または臨界の割合を超過し、以後連続して第２時間の間予測誤差が臨界値または臨界の割合を超過する場合満足することで判断することができる。
【0098】
再学習要件を満足する場合、予測モデルを再学習して再学習した予測モデルで既存に使った予測モデルを更新する(Ｓ２１７)。ここで、予測モデルの再学習は、保存部に保存された予測モデルを生成するが、利用した以前データセット以外に現在時点まで測定した使用者の生体情報から生成される以後データセットを利用することを特徴とする。
【0099】
ここで、データセットは第１特徴値と第２特徴値から生成される特徴ベクター値であることを特徴とする。
【0100】
図７は、本発明で予測モデルを再生成する段階の一例を説明するための流れ図である。
【0101】
図７を参照してより具体的に見れば、予測誤差の発現特徴を判断する(Ｓ２３１)。ここで、予測誤差の発現特徴は単位時間の間予測誤差の平均値、単位時間の間予測誤差が臨界値または臨界の割合を超過する回数、単位時間の間予測誤差が臨界値または臨界の割合を連続して超過する回数、単位時間対比予測誤差が臨界値または臨界の割合を超過する時間の割合などであることができる。
【0102】
予測誤差の発現特徴に基盤して予測モデルの再生成条件を満足するかを判断する(Ｓ２３３)。ここで、予測モデルの再生成条件は単位時間の間予測誤差の平均値が第１臨界平均値を超過するか、または、単位時間の間予測誤差が臨界値または臨界の割合を超過する回数が第１臨界回数を超過するか、または、単位時間の間予測誤差が臨界値または臨界の割合を連続して超過する回数が第２臨界回数を超過するか、または、単位時間対比予測誤差が臨界値または臨界の割合を超過する時間の割合が第１臨界の割合を超過するなどであるか、またはこれらの組み合わせとすることができる。
【0103】
予測モデルの再生成条件が満足する場合、訓練データを利用して予測モデルを再生成して再生成した予測モデルで既存に使った予測モデルを更新する(Ｓ２３５)。ここで、予測モデルの再生成は保存部に保存された予測モデルを生成することに利用した以前データセット以外に現在時点まで測定した使用者の生体情報から生成される以後データセットを利用することを特徴とする。
【0104】
ここで、データセットは第１特徴値と第２特徴値から生成される特徴ベクター値であることを特徴とする。
【0105】
図８は、時間遅延補正の一例を説明するための図面である。
【0106】
図８に示されているところのように、身体付着ユニットで生体情報を実際測定した時点の生体情報(点線で表示)と通信端末機で生体情報を受信した時点の生体情報(実線で表示)との間には時間遅延が発生する。このように発生する時間遅延を公知されたカルマン(Kalman)フィルター、ARIMAなどを利用して較正することができる。
【0107】
図９は、単位不一致の較正方法の一例を説明するための図面である。
【0108】
図９に示されているところのように、連続血糖測定システムで身体付着ユニットから受信した生体情報は正確性のために一定時間間隔(t１、t２、t３、t４...)、例えば、１２時間、２４時間ごとに基準生体値を利用して単位不一致を較正しなければならない。
【0109】
単位不一致を較正時生体情報(実線で表示)が上昇中であるか、それとも下降中であるかを考慮して加重値を割り当てて較正傾き(A)に割り当てた加重値を掛けて較正することができる。ここで、生体情報が上昇中の場合加重値は上昇速度に反比例して割り当てされることができるし、生体情報が下降中の場合加重値は下降速度に比例して割り当てされることができる。例えば、生体情報が上昇中の場合加重値は上昇速度に反比例して低い値で割り当てされることができるし(上昇速度が大きいほど０．９０、０．８０、０．７０...などで低い値で)、生体情報が下降中の場合加重値は下降速度に比例して高い値で割り当てされることができる(下降速度が大きいほど１．１０、１．２０、１．３０...などで高い値で)。
【0110】
図１０は、単位不一致の較正方法の他の例を説明するための図面である。
【0111】
図１０に示されているところのように、連続血糖測定システムで身体付着ユニットから受信した生体情報は正確性のために一定時間間隔(t１、t２、t３、t４...)、例えば、１２時間、２４時間ごとに基準生体値を利用して単位不一致を較正しなければならない。
【0112】
単位不一致を較正時基準生体値と測定生体値(実線で表示)の差に基礎して較正されることができる。基準生体値と測定生体値の差に基礎して差を減らすように加重値を割り当てるか(例えば、較正傾きが基準生体値と測定生体値の平均値を有するように加重値を計算して割り当て)、基準生体値と測定生体値の差が臨界範囲を脱した場合に限り差を減らすように加重値を割り当てることができる。
【0113】
【0114】
図１１に示されているところのように、第１予測時点(t１)で予測した予測生体値と第１予測時点に実際測定した測定生体値の間の予測誤差(d１)が臨界値または臨界範囲を脱するか、または、第２予測時点(t２)で予測した予測生体値と第２予測時点に実際測定した測定生体値の間の予測誤差(d２)が臨界値または臨界範囲を脱した場合第１予測時点と第２予測時点にそれぞれ予測モデルを再学習することができる。
【0115】
一方、図１２に示されているところのように、一定時間(td)間予測した予測生体値と相応する時刻に実際測定した測定生体値との間の予測誤差平均値が臨界平均値を超過する場合予測モデルを再学習することができる。
【0116】
図１３は、予測モデルを再生成する一例を説明するための図面である。
【0117】
図１３に示されているところのように、一定単位時間(tD)間予測した予測生体値と相応する時刻に実際測定した測定生体値との間の予測誤差が臨界値または臨界範囲を脱した全体回数が臨界回数を超過するか、または、一定単位時間(tD)間予測した予測生体値と相応する時刻に実際測定した測定生体値との間の予測誤差が臨界値または臨界範囲を連続して脱した回数が臨界回数を超過するか、またはこれらの組み合わせをすべて満足する場合予測モデルを再生成することができる。
【0118】
一方、前述した本発明の実施例らはコンピューターで実行されることができるプログラムで作成可能であり、コンピューターで読める記録媒体を利用して前記プログラムを動作させる汎用デジタルコンピューターで具現されることができる。
【0119】
前記コンピューターで読める記録媒体は、マグネチック貯蔵媒体(例えば、ロム(Read Only Memory)、フロッピー、ハードディスクなど)、光学的判読媒体(例えば、ＣＤ－ＲＯＭ、ディーブイディーなど)及びキャリアウエーブ(例えば、インターネットを通じた伝送)のような貯蔵媒体を含む。
【0120】
本発明は、図面に示された実施例を参照して説明されたが、これは例示的なものに過ぎなくて、本技術分野の通常の知識を有した者ならこれから多様な変形及び均等な他の実施例が可能であるという点を理解するであろう。よって、本発明の真正な技術的保護範囲は添付された登録請求範囲の技術的思想によって決まらなければならないであろう。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【国際調査報告】