KR101422064B1 - 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼 - Google Patents

시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼 Download PDF

Info

Publication number
KR101422064B1
KR101422064B1 KR1020120067283A KR20120067283A KR101422064B1 KR 101422064 B1 KR101422064 B1 KR 101422064B1 KR 1020120067283 A KR1020120067283 A KR 1020120067283A KR 20120067283 A KR20120067283 A KR 20120067283A KR 101422064 B1 KR101422064 B1 KR 101422064B1
Authority
KR
South Korea
Prior art keywords
content
information
user
contents
health
Prior art date
Application number
KR1020120067283A
Other languages
English (en)
Other versions
KR20140001266A (ko
Inventor
김종훈
김재권
김응환
안시훈
소재영
전진옥
Original Assignee
주식회사 비트컴퓨터
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 비트컴퓨터 filed Critical 주식회사 비트컴퓨터
Priority to KR1020120067283A priority Critical patent/KR101422064B1/ko
Publication of KR20140001266A publication Critical patent/KR20140001266A/ko
Application granted granted Critical
Publication of KR101422064B1 publication Critical patent/KR101422064B1/ko

Links

Images

Classifications

    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명의 실시예에 따른 유헬스 서비스 컨텐츠 추천이 가능한 유헬스 서비스 시스템은 회원 관리, 컨텐츠 전송 및 웹 서비스를 제공하는 건강 관리 센터 서버와 유헬스 서비스 플랫폼 장치를 포함할 수 있다. 유헬스 서비스 플랫폼 장치는 건강 관리 센터 서버와 네트워크로 연결되고, 사용자에 관한 개인 정보 또는 센서 정보를 포함하는 상황 데이터와 건강 관리 온톨로지 및 룰 베이스에 기초하여 사용자를 위한 컨텐츠를 추론하며, 나이브 베이지안 필터링을 통해 상기 추론된 컨텐츠 중에서 사용자가 선택할 컨텐츠일 사후 확률을 연산하고, 사후 확률이 상대적으로 큰 컨텐츠를 사용자에게 추천할 수 있다.

Description

시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ＴＶ 기반의 유헬스 서비스 플랫폼{METHOD FOR RECOMMENDING PERSONALIZED CONTENTS BASED ON NAIVE BAYESIAN FILTERING APPROACH FOR UBIQUITOUS HEALTH SERVICE OF SEMANTIC ENVIRONMENT AND UBUQUITOUS HEALTH SERVICE PLATFORM BASED ON DIGITAL TELEVISION USING THE SAME}
본 발명은 유비쿼터스 헬스 서비스에 관한 것으로, 더욱 상세하게는, 디지털 TV 기반의 유비쿼터스 헬스 서비스에 관한 것이다.
일상 생활에서 가장 중요한 가전제품이라 할 수 있는 TV가 고성능의 정보 처리 능력과 양방향 통신 능력을 갖춘 디지털 TV로 발전하면서, 기존의 아날로그 TV에서 생각할 수 없었던 기능이나 서비스를 제공할 수 있게 되었다. 종래에 웹 환경에서 제공되던 유비쿼터스 건강 관리 서비스(ubiquitous health service), 즉 유헬스 서비스를 디지털 TV에서 제공하는 것도 가능하게 되었다.
유헬스 서비스는 가정에서 개인들을 상대로 서비스를 제공하는 만큼 개인화된 세부 서비스를 제공하여야 한다. 예를 들어 사용자 신체, 지역, 위치, 날씨, 개인 생활 패턴, 질병, 식단 등의 정보에 따라 개인을 위한 맞춤형 건강 컨텐츠를 추론하여 사용자에게 추천할 수 있어야 한다.
이를 위해 온톨로지에 기반한 시멘틱 환경에서 지능형 유헬스 서비스가 개발되었다. 이러한 온톨로지 기반의 유헬스 서비스는 규칙 기반 필터링 기법이라고 할 수 있는 온톨로지를 이용하여 입력 데이터의 의미를 분석하고 개인화된 컨텐츠를 추론하여 사용자에게 제공할 수 있지만, 사용자의 선호도까지 만족시키는 수준의 개인화 컨텐츠 추천 서비스를 제공하는 데에는 한계가 있다.
본 발명이 해결하고자 하는 과제는 온톨로지 기반의 시멘틱 환경에서 높은 정확도 및 재현율을 가지고 사용자가 선호하는 컨텐츠를 추론할 수 있는 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 TV를 제공하는 데에 있다.
상기와 같은 과제를 해결하기 위한 본 발명에 따른 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ＴＶ 기반의 유헬스 서비스 플랫폼은 유헬스 서비스 컨텐츠의 추론을 위해 건강 관리 온톨로지와 룰 베이스를 제공하는 단계, 사용자에 관한 개인 정보 또는 센서 정보를 포함하는 상황 데이터를 온톨로지 언어로 생성하는 단계를 포함한다.
또한, 상황 데이터를 상기 건강 관리 온톨로지와 룰 베이스에 적용하여 컨텐츠를 추론하는 단계, 나이브 베이지안 필터링을 위해, 상황 데이터의 항목별 생성 여부에 관한 상황 정보, 추론된 컨텐츠의 항목별 생성 여부에 관한 추론 정보 및 추천된 컨텐츠들 중에서 사용자에 의한 선택 여부에 관한 선택 정보를 포함하여 학습 트랜잭션 테이블을 구축하는 단계를 포함한다.
또한, 학습 트랜잭션 테이블에 저장된 상황 정보, 추론 정보 및 선택 정보에 기초한 나이브 베이지안 필터링을 통해 추론된 컨텐츠들 중에서 사용자가 선택할 베이지안 사후 확률을 연산하는 단계를 포함한다.
또한, 연산된 사후 확률이 상대적으로 큰 적어도 하나의 컨텐츠를 추천 컨텐츠로 선정하는 단계를 포함한다.
아울러, 사용자가 선택할 베이지안 사후 확률을 연산하는 단계는 컨텐츠 추론 정보 P(Ij)를 위해, 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 추론 정보(I)에 기초한 컨텐츠 확률들 P(C|I)을 연산하는 단계를 포함한다.
또한, 선호도 추론 정보 P(Sk)를 위해, 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 선택 정보(S)에 기초한 선호도 확률들 P(C|S)을 연산하는 단계 및 연산된 컨텐츠 확률 P(C|I)과 선호도 확률 P(C|S)을 이용하여, 추론된 컨텐츠들 중에서 어떤 컨텐츠를 사용자가 선택할 베이지안 사후 확률 P(I|S)을 연산하는 단계를 포함한다.
나아가, 본 발명은 사용자에 관한 개인 정보 또는 센서 정보를 포함하는 상황 데이터를 온톨로지 언어로 생성하는 상황 데이터 생성부, 유헬스 서비스 컨텐츠의 추론을 위해 건강 관리 온톨로지와 룰 베이스를 관리하는 온톨로지 관리부를 포함한다.
또한, 상황 데이터를 건강 관리 온톨로지와 룰 베이스에 적용하여 컨텐츠를 추론하는 온톨로지 추론부, 나이브 베이지안 필터링을 위해, 상황 데이터의 항목별 생성 여부에 관한 상황 정보, 추론된 컨텐츠의 항목별 생성 여부에 관한 추론 정보 및 추천된 컨텐츠들 중에서 사용자에 의한 선택 여부에 관한 선택 정보를 포함하여 구축되는 학습 트랜잭션 테이블을 저장하는 학습 트랜잭션 DB를 포함한다.
또한, 학습 트랜잭션 테이블에 저장된 상황 정보, 추론 정보 및 선택 정보에 기초한 나이브 베이지안 필터링을 통해 추론된 컨텐츠들 중에서 사용자가 선택할 베이지안 사후 확률을 연산하는 나이브 베이지안 필터링부 및 연산된 사후 확률이 상대적으로 큰 적어도 하나의 컨텐츠를 추천 컨텐츠로 선정하는 컨텐츠 추천 제어부를 포함한다.
더 나아가, 본 발명은 회원 관리, 컨텐츠 전송 및 웹 서비스를 제공하는 건강 관리 센터 서버 및 건강 관리 센터 서버와 네트워크로 연결되고, 사용자에 관한 개인 정보 또는 센서 정보를 포함하는 상황 데이터와 건강 관리 온톨로지 및 룰 베이스에 기초하여 사용자를 위한 컨텐츠를 추론하며, 나이브 베이지안 필터링을 통해 상기 추론된 컨텐츠 중에서 사용자가 선택할 컨텐츠일 사후 확률을 연산하고, 사후 확률이 상대적으로 큰 컨텐츠를 사용자에게 추천하는 유헬스 서비스 플랫폼 장치를 포함한다.
본 발명의 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 TV에 따르면, 기존의 온톨로지 기반의 유헬스 서비스보다 더 높은 정확도와 재현율을 가지고 개인화된 컨텐츠를 추천할 수 있으며, 이미 구축된 온톨로지 및 규칙 베이스나 상황 데이터 변환 프로세스를 그대로 사용하더라도 이러한향상된 효과를 얻을 수 있다.
본 발명의 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 TV에 따르면, 구현이 상대적으로 용이하고 오버헤드가 적어 많은 자원을 소모하지 않으면서도 학습을 통해 사용자의 선호도를 만족시킬 수 있는 컨텐츠를 추론할 수 있다.
도 1은 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천이 가능한 디지털 TV 기반 유헬스 서비스 시스템을 예시한 개념도이다.
도 2는 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법을 예시한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법에서 이용하는 온톨로지를 예시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법에서 예시되는 학습 트랜잭션 테이블의 구조를 예시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법에서 나이브 베이지안 필터링 절차를 예시한 흐름도이다.
도 6은 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천이 가능한 유헬스 서비스 플랫폼이 구현된 디지털 TV 장치를 예시한 블록도이다.
본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천이 가능한 디지털 TV 기반 유헬스 서비스 시스템을 예시한 개념도이다.
도 1을 참조하면, 디지털 TV 기반 유헬스 서비스 시스템(10)은 디지털 TV 기반 유헬스 서비스 플랫폼(100)을 중심으로, 사용자 주변의 센서들(200), 건강 관리 센터(300), 의료 기관(400), 컨텐츠 제공자(500)를 포함할 수 있다.
유헬스 서비스 플랫폼(100)은 예를 들어 사용자 가정의 거실에 설치되고 인터넷으로 연결된 디지털 TV에서, 또는 디지털 TV용 셋톱 박스에서 구동된다.
유헬스 서비스 플랫폼(100)은 사용자로부터 사용자 개인의 개인 데이터를 입력받고, 사용자에 대해 무구속, 무자각을 지향하는 센서들(200)로부터 사용자의 건강 데이터를 수집한다. 유헬스 서비스 플랫폼(100)은 수집된 개인 데이터 및 건강 데이터를 기초로 사용자 개인의 건강 상태에 관한 상황 데이터를 생성하고, 상황 데이터와 온톨로지 및 룰 베이스에 기초하여 개인화된 컨텐츠를 추론하며, 추론된 컨텐츠 중에서 사용자의 선호도에 따라 나이브 베이지언 필터링된 추천 컨텐츠를 선정하여 사용자에게 제시할 수 있다. 유헬스 서비스 플랫폼(100)은 디지털 TV의 기능을 모두 가지고 있으므로 추천 컨텐츠를 컨텐츠 제공자(500)로부터 제공받아 화면에 표시할 수 있다.
건강 관리 센터(300)는 사용자 회원 관리, 디지털 TV 및 컨텐츠 서비스, 웹 서비스 등의 기술적인 서비스를 제공할 수 있다.
의료 기관(400)은 사용자의 질병력 데이터를 PHR(personal health record) 표준에 따라 유헬스 서비스 플랫폼(100) 등으로부터 전달받아 예후를 판정하고 적절한 소견을 생성할수 있고, 컨텐츠 제공자(500)는 전문가들이 구성한 컨텐츠 데이터를 유헬스 서비스 플랫폼(100)을 통해 사용자에게 제공할 수 있다.
이러한 협업 관계를 통해 유헬스 시스템(10)은 사용자에게 체계적이고 효과적으로 유헬스 서비스를 제공할 수 있다.
도 2는 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법을 예시한 흐름도이다.
도 2를 참조하면, 먼저 단계(S21)에서, 서비스 컨텐츠의 추론을 위해 건강 관리 온톨로지와 룰 베이스를 구성한다.
건강 관리 온톨로지는 예를 들어 도 3과 같이 구성될 수 있다. 도 3의 예에서, 최상위 클래스로 Thing 클래스가 있고, 그 밑에 Device, Healthy, Disease_History, Individual 클래스라는 5 개의 차상위 클래스가 준비된다. Device 클래스는 건강 정보 측정용 장치들의 종류와 속성을 가지며, Device 클래스의 인스턴스는 각 디바이스가 측정할 수 있는 측정 결과 값들이다. Healthy 클래스는 사용자 건강의 상태로 구성되며, 건강 평가 점수를 인스턴스로 가질 수 있다. Disease_History 클래스는 병원과 같은 의료 기관에서 측정한 임상 결과로 구성되며, 질병에 대한 상태, 치료, 약물 및 처방 등의 데이터를 의미한다. 마지막으로 Individual 클래스는 사용자의 이름, 나이, 성별, 생활 방식, 흡연량, 주량 등의 정보를 가진다.
건강 관리 온톨로지가 참조되는 컨텐츠 추천을 위한 룰 베이스는 다음의 표 1과 같이 예시적으로 구성될 수 있다. 표 1에서 룰 베이스는 ACSM Guide Line 2010 판을 참조하여 생성된 것으로, 체질량 지수, 고혈압 여부, 건강 수준 등의 사용자의 신체 상태를 판단하고 고혈압 환자일 경우에 운동 컨텐츠를 추천하기 위한 예시적인 몇 개의 규칙을 나타낸다.
구분 규칙
체질량 지수 (?In-body ?biosignal)∩(?Customer hasWeight ?Weight)∩
(?Customer hasHeight ?Weight)
->(?Customer hasBMI ?BMI)
고혈압 (?Customer hasDisease ?Hypertention) ∩ (?MaxBP < 120 or MinBP < 80)
-> (?Hypertention hasHypertention ?Safety)
((?MaxBP >= 120 && < 139) or (MinBP >= 80 && <89 ))
->(?Hypertention hasHypertention ?PreHypertention)
건강수준 (?Customer hasBMI ?BMI)∩(?BMI hasHealthLevel ?Health_Level)∩
(?Customer hasAge ?Age)∩(?Age hasHealthLevel ?Health_Level)∩
(?Customer hasSex ?Sex)∩(?Sex hasHealthLevel ?Health_Level)
->(?Customer hasRecommend_HealthLevel ?Health_Level)
고혈압환자 운동추천 (?Customer hasHealthlevel ?Health_Level5)∩
(?Customer hasDisease_History ?Hypertension )
->(?ExcerciseRecommand hasExerciseRecommand ?Exer5_Hypertension)
(?Customer hasHealthlevel ?Health_Level1)∩
(?Customer hasDisease_History ?Hypertension )
->(?ExcerciseRecommand hasExerciseRecommand ?Exer1_Hypertension)
다음으로, 단계(S22)에서, 특정한 사용자에 관하여 상황 데이터를 생성한다. 상황 데이터는 예를 들어 다양한 무구속, 무자각 센서들로써 검출할 수 있는 센싱 데이터와, 센서로 검출하기 부적합하거나 또는 사용자가 입력하는 것이 바람직한 개인 데이터 등을 온톨로지에 참조하기 적합하도록 적절한 온톨로지 언어, 예를 들어 OWL(Ontology Web Language) 형식으로 생성할 수 있다.
다음으로, 단계(S23)에서, 획득된 상황 데이터를 온톨로지와 룰 베이스에 적용하여 컨텐츠를 추론한다.
단계(S24)에서, 나이브 베이지안 필터링을 위해, 상황 데이터의 항목별 생성 여부에 관한 상황 정보, 추론된 컨텐츠의 항목별 생성 여부에 관한 추론 정보 및 추천된 컨텐츠들 중에서 사용자에 의한 선택 여부에 관한 선택 정보를 포함하여 학습 트랜잭션 테이블을 구축한다.
학습 트랜잭션 테이블을 설명하기 위해 도 4를 참조하면, 도 4는 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법에서 예시되는 학습 트랜잭션 테이블의 구조를 예시한 도면이다.
도 4에서, 단계(S22)에서 생성된 상황 데이터의 항목별 생성 여부에 관한 상황 정보(C1, C2, C3, ..., Ci, ...), 단계(S23)에서 추론된 컨텐츠의 추론 정보(I1, I2, I3, ..., Ij, ...)와, 추후에 사용자가 추천된 컨텐츠들 중에서 선택하거나 선택하지 않은 컨텐츠들에 관한 선택 정보(S1, S2, ..., Sk, ...)가 학습 트랜잭션 테이블에 각각의 이벤트 발생 순서에 따른 인덱스와 함께 저장된다.
상황 정보, 추론 정보 및 선택 정보는 각각 0(false) 또는 1(true)로 작성된다. 예를 들어 다수의 상황 데이터 중에서, 어떤 이벤트 시에 상황 데이터가 생성되는 상황 정보 항목(도 4의 예시에서 인덱스 1의 C2, C3, Ci)의 엔트리는 1로, 상황 데이터가 생성되지 않는 상황 정보 항목(인덱스 1의 C1)의 엔트리는 0으로 각각 학습 트랜잭션 테이블에 기록된다.
이와 유사하게, 입력된 상황 데이터에 관하여 온톨로지와 룰 베이스를 통한 추론 시에는, 서비스 관리자가 통제하는 전체 서비스 컨텐츠들 중에서 일부가 추론될 것이므로, 추론된 컨텐츠들의 추론 정보 항목(예를 들어, 인덱스 1의 I2)의 엔트리는 1로, 그렇지 않은 컨텐츠들의 추론 정보 항목들은 0으로 각각 학습 트랜잭션 테이블에 기록된다.
마찬가지로, 추론된 컨텐츠들로서 사용자에게 추천된 컨텐츠들 중에서 사용자가 실제로 선택한 컨텐츠들의 선택 정보 항목들의 엔트리는 1로, 그렇지 않으면 0으로 각각 학습 트랜잭션 테이블에 기록된다.
다시 도 2로 돌아와, 단계(S25)에서 학습 트랜잭션 테이블에 저장된 상황 정보(C), 추론 정보(I) 및 선택 정보(S)에 기초한 나이브 베이지안 필터링을 통해 추론된 컨텐츠들 중에서 사용자가 선택할 베이지안 사후 확률 P(I|S)을 연산하고, 사후 확률이 상대적으로 크게 연산된 적어도 하나의 컨텐츠를 추천 컨텐츠로 선정한다.
구체적으로 도 5를 참조하여 나이브 베이지안 필터링 절차를 예시하면, 도 5는 본 발명의 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법에서 나이브 베이지안 필터링 절차를 예시한 흐름도이다.
도 5에서, 나이브 베이지안 필터링은 다음의 3 단계로 진행된다.
먼저, 컨텐츠 추론 정보 P(Ij)을 위해, 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 추론 정보(I)에 기초한 컨텐츠 확률들 P(C|I)을 연산한다.
다음으로 선호도 추론 정보 P(Sk)을 위해, 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 선택 정보(S)에 기초한 선호도 확률들 P(C|S)가 연산된다.
마지막으로, 추론된 컨텐츠들 중에서 어떤 컨텐츠를 사용자가 선택할 지를 추론하기 위한 사후 확률을 위해, 연산된 컨텐츠 확률 P(C|I)과 선호도 확률 P(C|S)을 이용하여, 사후 확률들 P(I|S)가 연산된다.
연산된 사후 확률들 중에 상대적으로 큰 사후 확률 값을 가지는 추론 컨텐츠들이 추천될 컨텐츠로 선정될 수 있다.
구체적으로 설명하면, 먼저 컨텐츠 추론 정보 P(Ij)는 주어진 상황 데이터로부터 컨텐츠가 추론될 확률, 다시 말해 상황 데이터가 추론된 컨텐츠 정보의 추론에 기여할 확률이므로, 수학식 1과 같이 P(C|I)를 연산함으로써 얻을 수 있다.
Figure 112013115922323-pat00014
이와 유사하게 선호도 추론 정보 P(Sk)는 주어진 상황 데이터에서 사용자가 선호하는 특정 컨텐츠로 될 확률, 다시 말해 상황 데이터가 선호도 추론 정보의 도출에 기여할 확률이므로, 수학식 2과 같이 P(C|S)를 연산함으로써 얻을 수 있다.
Figure 112013115922323-pat00015
수학식 1 및 수학식 2에서 C는 상황 정보, Ij는 j번째 추론된 컨텐츠의 추론 정보, Sk는 k번째 컨텐츠의 선택 정보이며, Context는 입력된 상황 데이터의 전체 항목수, Ci는 i 번째 상황 정보 항목을 의미한다.
컨텐츠 추론 정보 P(C|Ij)와 선호도 추론 정보 P(C|Sk)를 얻고 나면, 베이지안 사후 확률 P(I|S)을 구할 수 있다.
Figure 112013115922323-pat00016
수학식 3을 참조하면, 온톨로지를 통해 추론된 첫 번째 컨텐츠 I1가 사용자에 의해 선택되는 컨텐츠가 될 것인지 여부에 관한 사후 확률이 예시된다. 만약, 수학식 3에서 첫 번째 컨텐츠의 색인 번호인 1 대신에
Figure 112013115922323-pat00017
(엘)을 대입하면, 온톨로지에 의해 추론된
Figure 112013115922323-pat00018
번째의 컨텐츠가 사용자에 의해 선택되는 컨텐츠가 될 것인지 여부에 관한 사후 확률이 연산된다.
모든 컨텐츠 I들에 대해 사후 확률이 연산된 후에, 사후 확률 값이 상대적으로 큰 몇 개의 컨텐츠들, 예를 들어 사후 확률 값이 가장 큰 컨텐츠 하나를 사용자에게 추천한다.
수학식 3에서, 나이브 베이지안 추론은 추론을 위한 정보에 관한 조건부 확률 값이 0이면 전체 추론 값이 0으로 계산되므로 그러한 항목에 관하여는 적절한 추론이 불가능하다. 이 경우에는, 이러한 문제를 해결하기 위한 방법 중 하나로 알려진 m-추정치 기법을 적용할 수 있다.
Figure 112013115922323-pat00019
수학식 4에서, n은 상황 데이터 yi의 사례 수, nc는 xi 값을 갖는 상황 데이터 yi 내의 훈련 사례 수, m은 등가 샘플 크기로 불리는 매개 변수, p는 사용자 정의 사전 확률 매개 변수이다. 학습 집합이 없다면(n=0), P(xi|yj)=p 이다. 등가 샘플 크기는 사전 확률 p와 관측 확률 nc와 n 사이의 타협점을 결정한다.
도 6은 일 실시예에 따른 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천이 가능한 유헬스 서비스 플랫폼이 구현된 디지털 TV 장치를 예시한 블록도이다.
도 6을 참조하면, 유헬스 서비스 플랫폼 디지털 TV 장치(60)는 컨텐츠 추천 제어부(61), 상황 데이터 생성부(62), 온톨로지 관리부(63), 온톨로지 추론부(64), 학습 트랜잭션 DB(65), 나이브 베이지안 필터링부(66), 컨텐츠 재생부(67), 디스플레이(68)를 포함할 수 있다.
컨텐츠 추천 제어부(61)는 사용자의 선호도를 추론할 수 있도록 다른 구성요소들(62 내지 68)의 동작을 전체적으로 제어하여 사용자가 선호할 만한 컨텐츠를 사용자에게 표시할 수 있다.
상황 데이터 생성부(62)는 사용자 인터페이스를 통해 개인 데이터를 입력받고, 센서 인터페이스를 통해 적어도 하나의 센서로부터 센서 데이터를 수신하며, 개인 데이터와 센서 데이터를 예를 들어 OWL과 같은 온톨로지 언어에 기반하는 상황 데이터로 변환하고, 이를 온톨로지 추론부(64)에 제공할 수 있다.
온톨로지 관리부(63)는 건강 관리 온톨로지와 룰 베이스를 관리하고, 온톨로지 추론부(64)는 상황 데이터 생성부(62)로부터 제공된 상황 데이터를 건강 관리 온톨로지와 룰 베이스에 입력하여 컨텐츠 추론 데이터를 생성한다.
컨텐츠 추론 데이터가 생성되면, 컨텐츠 추천 제어부(61)는 상황 데이터의 생성 여부에 관한 상황 정보(C)와, 온톨로지 추론부(64)에서 추론된 컨텐츠의 추론 정보(I)와, 컨텐츠 추천 제어부(61)가 사용자에게 추천했을 때에 실제로 사용자가 선택한 컨텐츠에 관한 선택 정보(S)를 학습 트랜잭션 DB(65)에 누적적으로 저장한다.
나이브 베이지안 필터링부(66)는 학습 트랜잭션 DB(65)에 저장되는 상황 정보(C), 추론 정보(I) 및 선택 정보(S)를 기초로, 수학식 1 내지 4에 의해 예시되는 나이브 베이지안 필터링을 통해, 추론된 컨텐츠들 중에서 사용자가 선택할 베이지안 사후 확률 P(I|S)을 연산한다.
컨텐츠 추천 제어부(61)는 연산된 사후 확률 P(I|S) 값들로부터, 사후 확률이 상대적으로 크게 연산된 적어도 하나의 컨텐츠를 추천 컨텐츠로 선정한다.
선정된 추천 컨텐츠는 디스플레이(68)에 표시되고, 사용자가 사용자 인터페이스를 통해 추천 컨텐츠 중에서 원하는 컨텐츠를 선택하면, 컨텐츠 추천 제어부(61)는 선택된 컨텐츠에 관한 선택 정보(S)를 학습 트랜잭션 DB(65)에 저장한다.
또한 컨텐츠 추천 제어부(61)는 사용자에 의해 선택된 컨텐츠의 실제 데이터를 컨텐츠 재생부(67)가 외부의 컨텐츠 제공자로부터 수신하여 디스플레이(68)에 재생하도록 제어한다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명이 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이와 균등하거나 또는 등가적인 변형 모두는 본 발명 사상의 범주에 속한다 할 것이다.
또한, 본 발명에 따른 장치는 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다.
10 디지털 TV 기반 유헬스 서비스 시스템
100 디지털 TV 기반 유헬스 서비스 플랫폼
200 센서들 300 건강 관리 센터
400 의료 기관 500 컨텐츠 제공자
60 유헬스 서비스 플랫폼 디지털 TV 장치
61 컨텐츠 추천 제어부 62 상황 데이터 생성부
63 온톨로지 관리부 64 온톨로지 추론부
65 학습 트랜잭션 DB 66 나이브 베이지안 필터링부
67 컨텐츠 재생부 68 디스플레이

Claims (9)

  1. 디지털 TV 기반의 유헬스 서비스 플랫폼 장치를 이용한 유헬스 서비스 컨텐츠 추천 방법으로서, 상기 유헬스 서비스 플랫폼 장치가,
    유헬스 서비스 컨텐츠의 추론을 위해 건강 관리 온톨로지와 룰 베이스를 제공하는 단계;
    사용자에 관한 개인 정보 또는 센서 정보를 포함하는 상황 데이터를 온톨로지 언어로 생성하는 단계;
    상기 상황 데이터를 상기 건강 관리 온톨로지와 룰 베이스에 적용하여 컨텐츠를 추론하는 단계;
    나이브 베이지안 필터링을 위해, 상기 상황 데이터의 항목별 생성 여부에 관한 상황 정보, 추론된 컨텐츠의 항목별 생성 여부에 관한 추론 정보 및 추천된 컨텐츠들 중에서 사용자에 의한 선택 여부에 관한 선택 정보를 포함하여 학습 트랜잭션 테이블을 구축하는 단계;
    상기 학습 트랜잭션 테이블에 저장된 상황 정보, 추론 정보 및 선택 정보에 기초한 나이브 베이지안 필터링을 통해 상기 추론된 컨텐츠들 중에서 사용자가 선택할 베이지안 사후 확률을 연산하는 단계; 및
    연산된 사후 확률이 상대적으로 큰 적어도 하나의 컨텐츠를 추천 컨텐츠로 선정하는 단계를 포함하는 유헬스 서비스 컨텐츠 추천 방법.
  2. 청구항 1에 있어서, 상기 사용자가 선택할 베이지안 사후 확률을 연산하는 단계는,
    컨텐츠 추론 정보 P(Ij)를 위해, 상기 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 추론 정보(I)에 기초한 컨텐츠 확률들 P(C|I)을 연산하는 단계;
    선호도 추론 정보 P(Sk)를 위해, 상기 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 선택 정보(S)에 기초한 선호도 확률들 P(C|S)을 연산하는 단계; 및
    연산된 컨텐츠 확률 P(C|I)과 선호도 확률 P(C|S)을 이용하여, 상기 추론된 컨텐츠들 중에서 어떤 컨텐츠를 사용자가 선택할 베이지안 사후 확률 P(I|S)을 연산하는 단계를 포함하는 것을 특징으로 하는 유헬스 서비스 컨텐츠 추천 방법.
  3. 청구항 2에 있어서, 상기 컨텐츠 추론 정보 P(Ij)를 위해 컨텐츠 확률들 P(C|I)을 연산하는 단계는 다음의 수학식
    Figure 112013115922323-pat00020
    를 이용하고,
    상기 선호도 추론 정보 P(Sk)를 위해 선호도 확률들 P(C|S)을 연산하는 단계는 다음의 수학식
    Figure 112013115922323-pat00021
    를 이용하며,
    베이지안 사후 확률 P(I|S)를 연산하는 단계는 다음의 수학식
    Figure 112013115922323-pat00022
    을 이용하고,
    여기서,
    C는 상황 정보, Ij는 j번째 추론된 컨텐츠의 추론 정보, Sk는 k번째 컨텐츠의 선택 정보이며, Context는 입력된 상황 데이터의 전체 항목수, Ci는 i번째 상황 정보 항목이며, P(Iℓ|S)는 추론된
    Figure 112013115922323-pat00023
    (엘)번째의 컨텐츠가 사용자에 의해 선택되는 컨텐츠가 될 것인지 여부에 관한 베이지안 사후 확률인 것을 특징으로 하는 유헬스 서비스 컨텐츠 추천 방법.
  4. 청구항 1 내지 청구항 3 중 어느 한 청구항에 따른 유헬스 서비스 컨텐츠 추천 방법을 컴퓨터에서 구현하기 위한 프로그램이 기록된 기록매체.
  5. 사용자에 관한 개인 정보 또는 센서 정보를 포함하는 상황 데이터를 온톨로지 언어로 생성하는 상황 데이터 생성부;
    유헬스 서비스 컨텐츠의 추론을 위해 건강 관리 온톨로지와 룰 베이스를 관리하는 온톨로지 관리부;
    상기 상황 데이터를 상기 건강 관리 온톨로지와 룰 베이스에 적용하여 컨텐츠를 추론하는 온톨로지 추론부;
    나이브 베이지안 필터링을 위해, 상기 상황 데이터의 항목별 생성 여부에 관한 상황 정보, 추론된 컨텐츠의 항목별 생성 여부에 관한 추론 정보 및 추천된 컨텐츠들 중에서 사용자에 의한 선택 여부에 관한 선택 정보를 포함하여 구축되는 학습 트랜잭션 테이블을 저장하는 학습 트랜잭션 DB;
    상기 학습 트랜잭션 테이블에 저장된 상황 정보, 추론 정보 및 선택 정보에 기초한 나이브 베이지안 필터링을 통해 상기 추론된 컨텐츠들 중에서 사용자가 선택할 베이지안 사후 확률을 연산하는 나이브 베이지안 필터링부; 및
    연산된 사후 확률이 상대적으로 큰 적어도 하나의 컨텐츠를 추천 컨텐츠로 선정하는 컨텐츠 추천 제어부를 포함하는 유헬스 서비스 컨텐츠 추천이 가능한 유헬스 서비스 플랫폼 장치.
  6. 청구항 5에 있어서, 상기 나이브 베이지안 필터링부는,
    컨텐츠 추론 정보 P(Ij)를 위해 상기 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 추론 정보(I)에 기초한 컨텐츠 확률들 P(C|I)을 연산하고, 선호도 추론 정보 P(Sk)를 위해 상기 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 선택 정보(S)에 기초한 선호도 확률들 P(C|S)을 연산하며, 연산된 컨텐츠 확률 P(C|I)과 선호도 확률 P(C|S)을 이용하여, 상기 추론된 컨텐츠들 중에서 어떤 컨텐츠를 사용자가 선택할 베이지안 사후 확률 P(I|S)을 연산하도록 동작하는 것을 특징으로 하는 유헬스 서비스 컨텐츠 추천이 가능한 유헬스 서비스 플랫폼 장치.
  7. 청구항 5에 있어서, 상기 유헬스 서비스 플랫폼 장치는 디지털 TV 또는 디지털 TV용 셋톱 박스인 것을 특징으로 하는 유헬스 서비스 컨텐츠 추천이 가능한 유헬스 서비스 플랫폼 장치.
  8. 회원 관리, 컨텐츠 전송 및 웹 서비스를 제공하는 건강 관리 센터 서버; 및
    상기 건강 관리 센터 서버와 네트워크로 연결되고, 사용자에 관한 개인 정보 또는 센서 정보를 포함하는 상황 데이터와 건강 관리 온톨로지 및 룰 베이스에 기초하여 사용자를 위한 컨텐츠를 추론하며, 나이브 베이지안 필터링을 통해 상기 추론된 컨텐츠 중에서 사용자가 선택할 컨텐츠일 사후 확률을 연산하고, 상기 사후 확률이 상대적으로 큰 컨텐츠를 사용자에게 추천하는 유헬스 서비스 플랫폼 장치를 포함하고,
    상기 유헬스 서비스 플랫폼 장치는,
    나이브 베이지안 필터링을 위해, 상기 상황 데이터의 항목별 생성 여부에 관한 상황 정보, 추론된 컨텐츠의 항목별 생성 여부에 관한 추론 정보 및 추천된 컨텐츠들 중에서 사용자에 의한 선택 여부에 관한 선택 정보를 포함하여 구축되는 학습 트랜잭션 테이블을 저장하는 학습 트랜잭션 DB; 및
    상기 학습 트랜잭션 테이블에 저장된 상황 정보, 추론 정보 및 선택 정보에 기초한 나이브 베이지안 필터링을 통해 상기 추론된 컨텐츠들 중에서 사용자가 선택할 베이지안 사후 확률을 연산하는 나이브 베이지안 필터링부를 포함하는 것을 특징으로 하는 유헬스 서비스 컨텐츠 추천이 가능한 유헬스 서비스 시스템.
  9. 청구항 8에 있어서, 상기 유헬스 서비스 플랫폼 장치의 나이브 베이지안 필터링부는,
    상기 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 추론 정보(I)에 기초한 컨텐츠 확률들 P(C|I)을 연산하고, 상기 학습 트랜잭션 테이블에 저장된 상황 정보(C)와 선택 정보(S)에 기초한 선호도 확률들 P(C|S)을 연산하며, 상기 연산된 컨텐츠 확률 P(C|I)과 선호도 확률 P(C|S)을 이용하여, 상기 추론된 컨텐츠들 중에서 어떤 컨텐츠를 사용자가 선택할 베이지안 사후 확률 P(I|S)을 연산하도록 동작하는 것을 특징으로 하는 유헬스 서비스 컨텐츠 추천이 가능한 유헬스 서비스 시스템.
KR1020120067283A 2012-06-22 2012-06-22 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼 KR101422064B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120067283A KR101422064B1 (ko) 2012-06-22 2012-06-22 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120067283A KR101422064B1 (ko) 2012-06-22 2012-06-22 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼

Publications (2)

Publication Number Publication Date
KR20140001266A KR20140001266A (ko) 2014-01-07
KR101422064B1 true KR101422064B1 (ko) 2014-07-31

Family

ID=50138805

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120067283A KR101422064B1 (ko) 2012-06-22 2012-06-22 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼

Country Status (1)

Country Link
KR (1) KR101422064B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106303701A (zh) * 2015-05-22 2017-01-04 小米科技有限责任公司 智能电视内容推荐方法及装置
KR102397476B1 (ko) * 2020-06-29 2022-05-11 한전케이디엔주식회사 시맨틱 웹 기반의 헬스 케어 시스템 및 그의 헬스 케어 정보 관리 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100037345A (ko) * 2008-10-01 2010-04-09 주식회사 비트컴퓨터 Ｉｐｔｖ를 이용한 헬스케어 서비스 시스템 및 그 방법
KR20100123141A (ko) * 2009-05-14 2010-11-24 주식회사 솔트룩스 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100037345A (ko) * 2008-10-01 2010-04-09 주식회사 비트컴퓨터 Ｉｐｔｖ를 이용한 헬스케어 서비스 시스템 및 그 방법
KR20100123141A (ko) * 2009-05-14 2010-11-24 주식회사 솔트룩스 사용자 선호 지식 베이스 기반의 컨텐츠 추천 방법 및 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
[카달로그] 한국컴퓨터종합학술대회 논문집 VOL.37 NO.1 의료데이터마이닝에서 클러스터링 기반의 나이브 베이지안 학습 *

Also Published As

Publication number Publication date
KR20140001266A (ko) 2014-01-07

Similar Documents

Publication Publication Date Title
US8374988B2 (en) Complex alert rules for a medical personnel alert system
US8416085B2 (en) Medical personnel alert rules based on grouping
Asthana et al. A recommendation system for proactive health monitoring using IoT and wearable technologies
US20110202495A1 (en) Adjustable alert rules for medical personnel
US10103947B2 (en) Processing of portable device data
US20220020487A1 (en) Processing of Portable Device Data
KR101261177B1 (ko) 임상 의사결정 지원 시스템 및 방법
US20200058408A1 (en) Systems, methods, and apparatus for linking family electronic medical records and prediction of medical conditions and health management
CN109155019A (zh) 用于跟踪由护理提供者关于护理接受者的非正式观察的系统和方法
Ahmed An intelligent healthcare service to monitor vital signs in daily life–a case study on health-iot
US20230245779A1 (en) System and method for peri-anaesthetic risk evaluation
Choi et al. Intelligent healthcare service using health lifelog analysis
US20200176114A1 (en) System and method for providing a layer-based presentation of a model-generated patient-related prediction
KR101422064B1 (ko) 시멘틱 환경의 유헬스 서비스를 제공하기 위한 나이브 베이지안 필터링 기반의 개인화 컨텐츠 추천 방법 및 이를 이용하는 디지털 ｔｖ 기반의 유헬스 서비스 플랫폼
Gauss et al. Current knowledge and availability of machine learning across the spectrum of trauma science
JP2023529547A (ja) 機械学習及び時系列グルコース測定値を使用したグルコース予測
KR20140090448A (ko) 의료 관리 서버 및 그것의 의료 관리 방법
Pugh et al. Evaluating alarm classifiers with high-confidence data programming
Chen XAmI applications to telemedicine and telecare
EP4113535A1 (en) Remote monitoring methods and systems for monitoring patients suffering from chronical inflammatory diseases
González-Ferrer et al. Use of the virtual medical record data model for communication among components of a distributed decision-support system
Mohung et al. Predictive Analytics for Smart Health Monitoring System in a University Campus
Tesanovic et al. eHealth personalization in the next generation RPM systems
Rao et al. AIoT and Big Data Analytics for Smart Healthcare Applications
Goumopoulos et al. Home-Based multi-parameter analysis for early risk detection and management of a chronic disease

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
FPAY Annual fee payment

Payment date: 20170523

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180416

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190404

Year of fee payment: 6