| 1 |
1
연산처리부는 맥파센서로부터 수신된 맥파신호로부터, 맥파의 평균 진폭을 포함하는 맥파 시간영역 특징을 검출하고, RR 간격인 심박변이를 검출하고, 심박변이로부터, 평균 RR 간격을 포함하는 심박변이도 시간영역 특징을 검출하고, 심박변이의 0
|
| 2 |
2
제1항에 있어서, 신호검출단계는, 연산처리부는, 맥파센서로부터 수신되거나 또는 맥파센서로부터 수신되어 메모리부에 임시 저장된 맥파 신호에서, 맥파 신호의 시간 영역 특징인, 맥파신호 평균진폭(Mean Amplitude), 맥파 상승 시간(Rise time), 맥파 하강 시간(Fall time), 평균 심박수(Average heart rate)을 구하는, 맥파 신호의 시간 영역 특징 검출단계;맥파 신호의 시간 영역 특징 검출단계 후, 연산처리부는, 맥파센서로부터 수신되거나 또는 맥파센서로부터 수신되어 메모리부에 임시 저장된 맥파 신호에서, 각 주기의 R포인트(최대점)에서 연이은 다음 주기의 R포인트까지의 간격인 RR 간격(심박변이)을 구하는, RR 간격검출단계;RR 간격검출단계 후, 연산처리부는 심박변이도(HRV) 시간 영역 특징인, 평균 RR 간격(Mean RRI), 전체 RR 간격의 표준편차(SDNN), 인접한 RR간격의 차이를 제곱한 값의 평균의 제곱근(rMSSD), 20ms를 초과하는 RR간격의 수(NN20), 50ms를 초과하는 RR간격의 수(NN50), 전체 RR간격 개수 중 20ms를 초과하는 RR간격 개수의 비율(pNN20), 전체 RR 간격 개수 중 50ms를 초과하는 RR간격 개수의 비율(pNN50)를 구하는, 심박변이도 시간 영역 특징 추출단계;를 포함하는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 방법
|
| 3 |
3
제2항에 있어서, 신호검출단계는, 연산처리부는, RR 간격검출단계에서 구한 RR 간격 값들, 심박변이 값들에서 기저선 보정을 통해 RR 간격의 직류(DC) 값 제거하고, 2 Hz로 큐빅 보간(Cubic interpolation, 3차보간)을 행하는, 기저선 보정 및 큐빅 보간 단계;연산처리부는, 기저선 보정 및 큐빅 보간 단계에서 기저선 보정 및 큐빅 보간이 행하여진 RR 간격 값에, 50% 중첩되는 해밍 윈도우(50% overlapped Hamming window)를 적용하여 고속 퓨리에 변환(FFT, Fast Fourier Transform)를 행하는, FFT단계;FFT단계에서 주파수 영역으로 변환된 RR 간격 값들에서, 심박변이도(HRV) 주파수 영역 특징인, 0
|
| 4 |
4
제2항에 있어서,연산처리부는 맥파신호의 한 주기에서 최대점(Peak)과 최소점(Valley)의 사이 크기를 맥파신호 진폭으로 구하고, 5분 동안 맥파신호 진폭들의 평균을 맥파신호 평균진폭으로서 구하며,맥파 상승 시간은, 5분 동안 맥파신호의 각 주기에서 최소점(Valley)에서 최대점(Peak)로 상승하는데 소요된 시간의 평균이며, 맥파 하강 시간은 5분 동안 각 주기에서 최대점(Peak)에서 최소점(Valley)로 하강하는데 소요된 시간의 평균인 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 방법
|
| 5 |
5
제3항에 있어서,연산처리부는 맥파 신호의 시간 영역 특징들, 심박변이도(HRV) 시간 영역 특징들, 및 심박변이도(HRV) 주파수 영역 특징들의 정규화(Dnormalization(i))는(단, Draw(i)는 맥파 신호의 시간 영역 특징들, 심박변이도(HRV) 시간 영역 특징들, 및 심박변이도(HRV) 주파수 영역 특징들 중의 하나의 특징 값 중에 하나 이고, Dmax(i)는 Draw(i)를 나타내는 특징들중 최대값을 나타내며, Dmin(i)은 Draw(i)를 나타내는 특징들중 최소값을 나타냄)에 의해 구하여지는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 방법
|
| 6 |
6
제3항에 있어서,통증심도분류 단계는, 연산처리부가 라벨링 단계에서 라벨링이 행하여진 정규화된 특징 벡터를, 다층퍼셉트론 신경망(Multi-layer Perceptron Neural Network) 기반의 패턴 분류기와, 방사 기저 함수 커널(Radial Basis Function kernel)을 이용하는 서포트 벡터 머신(Support Vector Machine, SVM) 기반의 패턴 분류기와, 심층 신뢰 신경망 (Deep Belief Network, DBN) 기반의 패턴분류기에 입력하여 기계 학습 패턴 분석을 행하여 통증 심도를 분류하는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 방법
|
| 7 |
7
제1항 내지 제6항 중 어느 한 항의 맥파 및 심박변이도를 이용한 통증 분류 방법에 대한 컴퓨터 프로그램 소스를 저장한 기록매체
|
| 8 |
8
발광다이오드와 포토센서를 구비하여 광용적맥파인 맥파를 검출하는 맥파센서와, 맥파센서로부터 수신된 맥파를 증폭하고 잡음을 제거하며, 디지탈신호로 변환하는 신호전처리부와, 신호전처리부로부터 맥파를 수신하여 맥파의 평균 진폭을 포함하는 맥파 시간영역 특징을 검출하는 연산처리부를 포함하는 맥파 및 심박변이도를 이용한 통증 분류장치에 있어서, 연산처리부는, 신호전처리부로부터 수신된 맥파신호로부터, RR 간격인 심박변이를 검출하고, 심박변이로부터, 평균 RR 간격을 포함하는 심박변이도 시간영역 특징을 검출하고, 심박변이의 0
|
| 9 |
9
제8항에 있어서, 연산처리부는 맥파 신호의 시간 영역 특징으로서, 맥파신호 평균진폭(Mean Amplitude), 맥파 상승 시간(Rise time), 맥파 하강 시간(Fall time), 평균 심박수(Average heart rate)을 구하고,연산처리부는, 맥파센서로부터 수신되거나 또는 맥파센서로부터 수신되어 메모리부에 임시 저장된 맥파 신호에서, 각 주기의 R포인트(최대점)에서 연이은 다음 주기의 R포인트까지의 간격인 RR 간격(심박변이)을 구하고,연산처리부는 심박변이도(HRV) 시간 영역 특징인, 평균 RR 간격(Mean RRI), 전체 RR 간격의 표준편차(SDNN), 인접한 RR간격의 차이를 제곱한 값의 평균의 제곱근(rMSSD), 20ms를 초과하는 RR간격의 수(NN20), 50ms를 초과하는 RR간격의 수(NN50), 전체 RR간격 개수 중 20ms를 초과하는 RR간격 개수의 비율(pNN20), 전체 RR 간격 개수 중 50ms를 초과하는 RR간격 개수의 비율(pNN50)를 구하는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 장치
|
| 10 |
10
제9항에 있어서, 연산처리부는, RR 간격 값들, 심박변이 값들에서 기저선 보정을 통해 RR 간격의 직류(DC) 값 제거하고, 2 Hz로 큐빅 보간(Cubic interpolation)을 행하고,기저선 보정 및 큐빅 보간 단계에서 기저선 보정 및 큐빅 보간이 행하여진 RR 간격 값에, 50% 중첩되는 해밍 윈도우(50% overlapped Hamming window)를 적용하여 고속 퓨리에 변환(FFT)를 행하고주파수 영역으로 변환된 RR 간격 값들에서, 심박변이도(HRV) 주파수 영역 특징인, 0
|
| 11 |
11
제6항에 있어서,라벨링 단계에서, 통증 심도 그룹별 출력변수는, 숫자등급 척도(NRS)의 통증점수로 나타내는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 장치
|
| 12 |
12
제11항에 있어서, 통증 심도 그룹별 출력변수는, 통증이 없는 휴식 상태를 나탄내는 '0'과, 통증이 있는 상태를 나타내는 '1' 중 하나를 나타내는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 장치
|
| 13 |
13
제11항에 있어서,다층퍼셉트론 신경망 기반의 패턴 분류기는, 라벨링이 행하여진 정규화된 특징 벡터를 입력층으로 놓고, 통증 심도를 출력층으로 놓으며, 기계학습을 통해 출력값과 목표값 사이의 오차를 줄이는 방향으로 은닉층의 연결가중치를 계산하여 통증 심도의 패턴을 분류하는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 방법
|
| 14 |
14
제11항에 있어서,방사 기저 함수 커널을 이용하는 서포트 벡터 머신 기반의 패턴 분류기는, 라벨링이 행하여진 정규화된 특징 벡터를 입력벡터로 놓고, 통증이 없는 그룹과 통증이 있는 그룹으로 이루어진 두 가지 그룹으로, 마진(Margin)을 최대화하여 나눌 수 있는 초평면(Hyperplane)의 법선 벡터의 최적값을 구하여 통증 심도의 패턴을 분류하는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 방법
|
| 15 |
15
제11항에 있어서,심층 신뢰 신경망(DBN) 기반의 패턴 분류기는, 라벨링이 행하여진 정규화된 특징 벡터들을 입력층으로 이용하여, 비지도 학습을 통해, 입력값만을 알고 있다는 가정하에, 연결가중치와 바이어스를 초기화한 후 지도(Supervised) 학습을 통해 역전파 알고리즘으로 연결가중치의 오류를 최소화하는 방향으로 조정하여 통증 심도의 패턴을 분류하는 것을 특징으로 하는, 맥파 및 심박변이도를 이용한 통증 분류 방법
|
