KR101430818B1 - 체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법 - Google Patents

체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법 Download PDF

Info

Publication number
KR101430818B1
KR101430818B1 KR1020120105087A KR20120105087A KR101430818B1 KR 101430818 B1 KR101430818 B1 KR 101430818B1 KR 1020120105087 A KR1020120105087 A KR 1020120105087A KR 20120105087 A KR20120105087 A KR 20120105087A KR 101430818 B1 KR101430818 B1 KR 101430818B1
Authority
KR
South Korea
Prior art keywords
hypertension
circumference
judgment model
shape information
unit
Prior art date
Application number
KR1020120105087A
Other languages
English (en)
Other versions
KR20140039408A (ko
Inventor
이범주
김근호
김종열
Original Assignee
한국 한의학 연구원
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 한국 한의학 연구원 filed Critical 한국 한의학 연구원
Priority to KR1020120105087A priority Critical patent/KR101430818B1/ko
Publication of KR20140039408A publication Critical patent/KR20140039408A/ko
Application granted granted Critical
Publication of KR101430818B1 publication Critical patent/KR101430818B1/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
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

고혈압 판단 모델 생성 장치가 개시된다. 본 발명의 실시예에 다른 고혈압 판단 모델 생성 장치는, 적어도 한 명의 사람에 대한 체형 정보를 입력 받는 입력 유닛, 및 머신 러닝(machine learning) 기반으로 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛을 포함한다.

Description

체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법 {APPARATUS AND METHOD FOR CREATING HYPERTENSION CLASSIFICATION MODEL USING BODY SHAPE INFORMATION, APPARATUS AND METHOD FOR DETERMINING USING HYPERTENSION CLASSIFICATION MODEL}
본 발명의 실시예들은 체형 정보를 이용하여 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법에 관한 것이다.
생활 수준의 향상과, 서구화된 식습관에서 비롯된 만성 질환의 발명이 전 세계적으로 증가하고 있으며, 그 중에서도 고혈압 환자는 꾸준히 증가하고 있다. 고혈압은 잘못된 식습관, 가족력, 음주, 흡연, 운동 부족, 스트레스 등 여러 가지 환경적인 영향을 고루 받아 발생하며, 크게 두 종류로 나눌 수 있다.
하나는 원인이 되는 질병이 없이 나타나는 '본태성 고혈압'이고, 다른 하나는 신장 질환이나 혈관 이상, 내분비 질환 등으로 인해 이차적으로 발생하는 '이차성 고혈압'이다. 전체 고혈압 환자 중 이차성 고혈압 발생률은 5% 이하로 추정되며, 이들 중 높은 빈도를 차지하는 것이 신장 질환에 의한 고혈압이다. 반대로, 본태성 고혈압도 지속될 경우, 신장 질환이 생길 확률이 높아진다. 따라서, 다른 질환의 발병을 예방하고, 고혈압을 치료하기 위해서는 꾸준한 고혈압 판단이 필요하다.
현재는, 혈압 측정 장치를 이용하여 병원이나 가정에서 혈압 수치를 측정하고, 측정된 혈압 수치에 따라 고혈압을 판단할 수 있다. 그러나, 혈압 측정 장치가 없을 경우, 전술한 판단 방법은 이용이 불가능하며, 특히 위급한 상황에서의 즉각적인 혈압 측정이 어렵다.
본 발명의 실시예들은 상술한 문제점을 해결하기 위한 것으로, 실시예들의 목적은 사람의 체형 정보를 이용하여 고혈압을 판단할 수 있는 고혈압 판단 모델을 생성하기 위한 장치 및 방법을 제공하기 위한 것이다.
실시예들의 다른 목적은 혈압 측정 장치가 없더라도, 고혈압 판단 모델을 이용하여 사람의 체형 정보만으로 고혈압을 판단할 수 있는 장치 및 방법을 제공하기 위한 것이다.
이상과 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 고혈압 판단 모델 생성 장치는, 적어도 한 명의 사람에 대한 체형 정보를 입력 받는 입력 유닛; 및 머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛을 포함한다.
일 측에 따르면, 상기 체형 정보는 사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 신체 8부위를 구성하는 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레, 엉덩이(hip) 둘레 중 적어도 하나 이상의 사이즈, 및 각 부위 별 비율 중 적어도 하나 이상의 신체 특징을 포함할 수 있다.
일 측에 따르면, 상기 모델 생성 유닛은 상기 입력 유닛을 통해 입력된 상기 체형 정보를 전처리하는 전처리 유닛, 상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 특징 선택 유닛 및 상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 머신 러닝 유닛을 포함할 수 있다.
일 측에 따르면, 상기 전처리 유닛은 상기 입력 유닛을 통해 입력된 상기 체형 정보에 대한 이진화, 세션화 및 잡음 제거 중 적어도 하나의 전처리를 할 수 있다.
일 측에 따르면, 상기 특징 선택 유닛은 특징 선택 방법(Feature Selection Method)을 이용하여 상기 체형 정보에 대한 최적의 신체 특징을 선택할 수 있다.
일 측에 따르면, 상기 머신 러닝 유닛은 상기 특징 선택 유닛에 의해 선택된 상기 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 상기 고혈압 판단 모델을 생성할 수 있다.
일 측에 따르면, 상기 머신 러닝 알고리즘은 서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification), SVM(Support Vector Machine) 및 결정트리(Decision Tree) 중 어느 하나 중 어느 하나일 수 있다.
일 측에 따르면, 상기 고혈압 판단 모델 장치는 상기 입력부에 입력된 체형 정보 및 상기 모델 생성 유닛에 의해 생성된 고혈압 판단 모델을 저장하는 저장 유닛 및 외부로부터 상기 고혈압 판단 모델에 대한 요청 신호가 수신될 경우, 상기 요청 신호에 대응하여 상기 고혈압 판단 모델을 송신하는 통신 유닛을 포함할 수 있다.
본 발명의 실시예에 따른 고혈압 판단 장치는 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는 입력 유닛, 머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛, 및 외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 상기 제2 체형 정보를 상기 고혈압 판단 모델에 적용하여 상기 제2 체형 정보에 대한 고혈압 여부를 판단하는 고혈압 판단 유닛을 포함한다.
일 측에 따르면, 상기 제1 체형 정보 및 상기 제2 체형 정보는 사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 8 부위의 사이즈 및 각 부위 별 비율 중 적어도 하나 이상의 신체 특징을 포함할 수 있다.
일 측에 따르면, 상기 모델 생성 유닛은 상기 입력 유닛을 통해 입력된 상기 체형 정보를 전처리하는 전처리 유닛, 상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 특징 선택 유닛 및 상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 머신 러닝 유닛을 포함할 수 있다.
일 측에 따르면, 상기 전처리 유닛은 상기 입력 유닛을 통해 입력된 상기 체형 정보에 대한 이진화, 세션화 및 잡음 제거 중 적어도 하나의 전처리를 할 수 있다.
일 측에 따르면, 상기 특징 선택 유닛은 특징 선택 방법(Feature Selection Method)을 이용하여 상기 체형 정보에 대한 최적의 신체 특징을 선택할 수 있다.
일 측에 따르면, 상기 머신 러닝 유닛은 상기 특징 선택 유닛에 의해 선택된 상기 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 상기 고혈압 판단 모델을 생성할 수 있다.
일 측에 따르면, 상기 머신 러닝 알고리즘은 서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification), SVM(Support Vector Machine) 및 결정트리(Decision Tree) 중 어느 하나일 수 있다.
일 측에 따르면, 상기 고혈압 판단 장치는 상기 입력부에 입력된 제1 체형 정보 및 상기 모델 생성 유닛에 의해 생성된 고혈압 판단 모델을 저장하는 저장 유닛 및 상기 외부로부터 상기 제2 체형 정보를 수신하고, 상기 고혈압 여부의 판단 결과를 상기 외부로 전송하는 통신 유닛을 더 포함할 수 있다.
본 발명의 실시예에 따른 고혈압 판단 모델 생성 방법은 적어도 한 명의 사람에 대한 체형 정보를 입력 받는 입력 유닛, 및 머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 고혈압 판단 모델을 생성하는 단계를 포함한다.
일 측에 따르면, 상기 고혈압 판단 모델을 생성하는 단계는 상기 입력된 상기 체형 정보를 전처리하는 단계, 상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 단계 및 상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 단계를 포함할 수 있다.
본 발명의 실시예에 따른 고혈압 판단 방법은 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는 단계, 머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 단계, 외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 상기 제2 체형 정보를 상기 고혈압 판단 모델에 적용하여 상기 제2 체형 정보에 대한 고혈압 여부를 판단하는 단계를 포함할 수 있다.
본 발명의 실시예들에 따른 장치 및 방법은 사람의 체형 정보를 이용하여 고혈압을 판단할 수 있는 고혈압 판단 모델을 생성함으로써, 이 고혈압 판단 모델을 필요로 하는 곳에 제공할 수 있다. 또한, 본 발명의 실시예들에 따른 장치 및 방법은 고혈압 판단 모델을 이용하여 사람의 체형 정보만으로 고혈압을 판단할 수 있다.
본 발명의 실시예들에 따른 장치들 및 방법들에 따르면, 혈압 측정 장치가 없더라도, 고혈압 판단 모델을 제공하거나, 고혈압 판단 모델을 이용하여 고혈압을 판단할 수 있게 되어 즉각적인 고혈압 판단을 할 수 있다.
도 1은 본 발명의 실시예에 따른 고혈압 판단 모델 생성 장치의 구성을 나타내는 블록도이다.
도 2는 본 발명의 실시예에 따른 고혈압 판단 장치의 구성을 나타내는 블록도이다.
도 3은 본 발명의 실시예에 따른 고혈압 판단 모델 생성 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 실시예에 따른 고혈압 판단 방법을 설명하기 위한 흐름도이다.
이하에서, 본 발명에 따른 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 실시예에 따른 고혈압 판단 모델 생성 장치의 구성을 나타내는 블록도이다. 도 1을 참조하면, 고혈압 판단 모델 생성 장치(100)는 입력 유닛(110), 모델 생성 유닛(120), 통신 유닛(130) 및 저장 유닛(140)을 포함한다.
입력 유닛(110)은 적어도 한 명의 사람에 대한 체형 정보를 입력 받는다. 이 입력 유닛(110)은 사용자 입력 수단(예를 들어, 키보드, 터치 스크린 등)을 통해 사용자가 입력하는 체형 정보를 입력 받을 수 있다. 또는, 통신 유닛(130)을 통해 외부로부터 체형 정보가 수신될 경우, 입력 유닛(110)은 통신 유닛(130)으로부터 체형 정보를 입력 받을 수도 있다. 이 때, 저장 유닛(140)은 입력 유닛(110)을 통해 입력된 체형 정보를 저장할 수 있다.
이 실시예에서, 체형 정보란, 사람의 체형을 나타내는 다양한 신체 특징들을 포함할 수 있다. 구체적으로, 체형 정보는 사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 8 부위 별 사이즈 및 각 부위 별 비율 중 적어도 하나의 신체 특징을 포함할 수 있다.
일반적으로, 사람의 신체 부위는 크게 8 부위로써, 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레 및 엉덩이(hip) 둘레를 포함할 수 있다. 각 부위들의 사이즈(치수)는 줄자를 이용하여 측정할 수 있다. 이렇게 측정된 각 부위 별 사이즈를 사용자 입력 수단을 통해 사용자가 입력할 경우, 입력 유닛(110)은 체형 정보를 입력 받을 수 있다.
또한, 신체 부위 별 비율은 전술한 각 부위들의 비율을 나타낸다. 예를 들어, 신체 부위 별 비율은 "목 둘레/머리 둘레"로 산출할 수 있으며, 상기와 같은 방법으로 다른 부위들에 대해서도 비율을 산출할 수 있다. 입력 유닛(110)은 체형 정보가 입력되면, 이 채형 정보를 이용하여 신체 부위 별 비율을 산출할 수 있다.
모델 생성 유닛(120)은 머신 러닝 기반으로 체형 정보를 학습하여 고혈압 판단 모델을 생성할 수 있다. 고혈압 판단 모델이란, 불특정 인물의 체형 정보가 입력되었을 경우, 그 체형 정보에 대한 혈압 수치를 예측하고, 예측된 혈압 수치가 고혈압에 해당하는지 여부를 판단하는 프로그램이다. 체형 정보를 통해 예측된 혈압 수치는 수축기 혈압 및 이완기 혈압을 포함할 수 있다.
모델 생성 유닛(120)은 전처리 유닛(121), 특징 선택 유닛(122) 및 머신 러닝 유닛(123)을 포함한다.
전처리 유닛(121)은 입력 유닛(110)을 통해 입력된 체형 정보를 전처리할 수 있다. 구체적으로, 체형 정보는 일종의 데이터이며, 특히 머신 러닝을 위한 훈련 데이터 셋(training data set)으로, 전처리 유닛(121)은 이 체형 정보를 이진화하거나, 세션화 및 잡음 제거 중 어느 하나의 전처리를 할 수 있다. 이 때, 잡음은 일반적인 에러(error), 결측값(missing value), 이상값(outlier) 등을 포함할 수 있다.
특징 선택 유닛(122)은 전처리 유닛(121)을 통해 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택할 수 있다. 구체적으로, 특징 선택 유닛(122)은 특징 선택 방법(Feature Selection Method)을 이용하여 전처리된 체형 정보에 대한 최적의 신체 특징을 선택할 수 있다.
특징 선택 방법이란, 고혈압 판단 모델의 판단 정확도(분류 정확도)를 향상시키기 위한 것으로, 원본 데이터(original date)가 주어졌을 때, 가장 좋은 성능/분석을 나타낼 수 있는 데이터의 부분 집합을 원본 데이터에서 검색하는 방법이다. 이 특징 선택 방법을 이용할 경우, 다양한 체형 정보들 중에서 가장 관련도가 높은 신체 특징들을 검색하여 이들을 최적의 체형 특징으로 선택할 수 있다. 특징 선택 방법의 예로는, 래퍼(Wapper) 방식, 필터(Filter) 방식, 임베디드 (Embeded)방식, 기타 통계 방식을 이용할 수 있으나, 이에 한정되는 것은 아니다.
최적의 신체 특징이란, 고혈압 판단에 이용되는 중요 신체 특징을 의미한다. 예를 들어, 비만인 사람이나, 체질량지수가 높은 사람 또는, 부위 별 비율(예를 들어, 가슴 둘레/허리 둘레)가 낮은 사람들이 고혈압에 해당하는 경우가 많다. 따라서, 체중, 체질량지수, 부위 별 사이즈 및 부위 별 비율 등이 최적의 신체 특징으로 선택될 수 있다. 그러나, 최적의 신체 특징은 이에 한정되지 않으며, 사람의 성별, 나이, 거주 환경 및 고혈압 발생 원인에 따라 달라질 수 있다.
머신 러닝 유닛(123)은 특징 선택 유닛(122)에 의해 선택된 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 고혈압 판단 모델을 생성할 수 있다. 고혈압 판단 모델은 체형 정보에 대한 혈압 수치를 예측하고, 예측된 혈압 수치가 고혈압에 해당하는지 여부를 판단할 수 있다. 이를 위해, 고혈압 판단의 기준이 되는 혈압 수치가 고혈압 판단 모델에 기록될 수 있다. 예를 들어, 고혈압 판단 기준이 되는 수축기 혈압은 120mmHg 이상이고, 이완기 혈압은 80mmHg 이상일 수 있으나, 이는 일반적인 기준에 해당하는 것으로, 고혈압 판단 기준은 변경될 수 있다.
실시예에 따르면, 머신 러닝 알고리즘은 서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification), SVM(Support Vector Machine) 및 결정트리(Decision Tree) 중 어느 하나가 될 수 있다.
머신 러닝 유닛(123)은 고혈압 판단 모델이 생성되면, 이 고혈압 판단 모델의 성능을 테스트할 수 있다. 즉, 테스트 데이터 셋(test data set)을 고혈압 판단 모델에 적용하여 성능을 테스트하여, 테스트 결과, 고혈압 판단 모델이 일정 기준 이상의 성능을 가질 경우, 상용화 가능하다. 테스트 데이터 셋은 입력 유닛(110) 또는 통신 유닛(130)을 통해 입력된 체형 정보 중 일부가 될 수 있다. 만약, 두 사람 이상의 체형 정보가 수신되었을 경우, 이 중 일부를 훈련 데이터 셋으로 이용 가능하고, 나머지는 테스트 데이터 셋으로 이용 가능하다. 한 사람의 체형 정보가 수신되었을 경우에는, 체형 정보에 포함된 신체 특징들로 훈련 데이터 셋과, 테스트 데이터 셋을 나눌 수 있다.
머신 러닝 유닛(123)은 고혈압 판단 모델이 생성되면, 이를 저장 유닛(140)에 저장할 수 있다.
통신 유닛(130)은 외부와 유선 또는 무선 통신을 수행할 수 있다. 외부란, 고혈압 판단 모델을 필요로 하는 환자 개인이 될 수 있으며, 다양한 의료 기관들, 예를 들어, 보건소, 소방서, 요양원, 일반 병원 등이 될 수 있다. 이들은 환자의 고혈압 여부의 판단이 필요한 상황에서, 혈압 측정 장치가 없다면 이 고혈압 판단 모델 생성 장치(100)에 고혈압 판단 모델을 요청할 수 있다.
모델 생성 유닛(120)은 통신 유닛(140)을 통해 외부로부터 고혈압 판단 모델에 대한 요청 신호가 수신될 경우, 이 요청 신호에 대응하여 고혈압 판단 모델을 외부로 송신할 수 있다.
도 1에 도시된 고혈압 판단 모델 생성 장치(100)는 독립적인 장치로 이용될 수 있으며, 또는, 원격의료(Telemedicine) 시스템, 유비쿼터스 헬스케어(U-Health Care) 시스템, 원격 헬스케어(Remote Health Care) 시스템 등의 건강 관련 시스템이나, 건강 검진과 관련된 의료용 장비에 연결 또는 내장될 수 있다. 이 경우, 각 시스템이나 장비로부터 고혈압 판단 모델이 요청될 경우, 고혈압 판단 모델 생성 장치(100)는 고혈압 판단 모델을 해당 시스템이나, 장비에 송신할 수 있다.
도 2는 본 발명의 실시예에 따른 고혈압 판단 장치의 구성을 나타내는 블록도이다. 도 2를 참조하면, 고혈압 판단 장치(200)는 입력 유닛(210), 모델 생성 유닛(220), 고혈압 판단 유닛(230), 통신 유닛(240) 및 저장 유닛(250)을 포함한다.
입력 유닛(210)은 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는다. 입력 유닛(110)은 사용자 입력 수단을 통해 사용자가 입력하는 제1 체형 정보를 입력 받을 수 있다. 이 때, 제1 체형 정보는 고혈압 판단 모델을 생성하는데 이용되는 정보가 될 수 있다. 저장 유닛(250)은 입력 유닛(110)을 통해 입력된 제1 체형 정보를 저장할 수 있다.
제1 체형 정보란, 사람의 체형을 나타내는 다양한 신체 특징들을 포함할 수 있다. 구체적으로, 체형 정보는 사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 8 부위 별 사이즈 및 각 부위 별 비율 중 적어도 하나의 신체 특징을 포함할 수 있다.
모델 생성 유닛(220)은 전처리 유닛(221), 특징 선택 유닛(222) 및 머신 러닝 유닛(223)을 포함한다. 전처리 유닛(221), 특징 선택 유닛(222) 및 머신 러닝 유닛(223)은 도 1에 도시된 모델 생성 유닛(120)의 구성들과 동일한 동작을 하는 것으로, 구체적인 설명을 생략한다.
통신 유닛(240)은 외부와 유선 또는 무선 통신을 수행할 수 있다.
고혈압 판단 유닛(230)은 통신 유닛(240)을 통해 외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 제2 체형 정보를 고혈압 판단 모델에 적용하여 제2 체형 정보에 대한 고혈압 여부를 판단할 수 있다.
외부란, 즉각적인 고혈압 판단이 필요한 환자 개인이나, 다양한 의료 기관이 될 수 있다. 이들은 환자의 고혈압 여부의 판단이 필요한 상황에서, 혈압 측정 장치가 없다면 소지하고 있는 통신 장치(예를 들어, 휴대폰)를 이용하여 고혈압 판단 장치(200)로 제2 체형 정보를 송신할 수 있다. 이 실시예에서 제2 체형 정보란, 고혈압 판단 모델을 이용하여 고혈압을 판단 받기 위한 것으로, 제1 체형 정보와 동일 또는 유사한 신체 특징들을 포함할 수 있다. 이 제2 체형 정보는 저장 유닛(250)에 저장될 수 있다.
고혈압 판단 유닛(230)은 고혈압 판단 모델에 제2 체형 정보를 적용하여 제2 체형 정보에 대한 혈압 수치를 예측하고, 예측된 혈압 수치가 고혈압에 해당하는지 여부를 판단한다. 즉, 고혈압 판단 유닛(230)은 예측된 혈압 수치가 고혈압 판단 기준이 되는 수축기 혈압 또는 이완기 혈압을 초과할 경우, 고혈압으로 판단하고, 그에 대응하는 판단 결과를 생성할 수 있다.
고혈압 판단 유닛(230)은 고혈압 여부의 판단 결과를 통신 유닛(240)을 통해 외부로 송신할 수 있다.
사람의 체형 정보는 줄자나 체중계 등을 이용하여 간단하고 빠르게 측정이 가능하며, 줄자나 체중계가 없더라도 환자가 자신의 체형 정보를 미리 파악하고 있을 가능성이 크므로, 사람이 체형 정보를 고혈압 판단 장치(200)에 송신하는 것만으로, 고혈압 여부를 즉각적으로 알 수 있게 된다.
도 2에서는 고혈압 판단 유닛(230)이 고혈압 판단 장치(200)에 내장되어 있는 것으로 도시하였으나, 고혈압 판단 유닛(230)은 별도의 장치로 구성될 수도 있다. 즉, 도 1에 도시된 바와 같은 고혈압 판단 모델 생성 장치(100)를 일정의 서버 형태로 구비하고, 고혈압 판단 유닛(230)을 별개의 장치로 구성하여, 고혈압 판단 유닛(230)이 서버 형태의 고혈압 판단 모델 생성 장치(100)에 접속하여 고혈압 모델을 이용할 수도 있다.
도 3은 본 발명의 실시예에 따른 고혈압 판단 모델 생성 방법을 설명하기 위한 흐름도이다. 도 3에 도시된 고혈압 판단 모델 생성 방법은 고혈압 판단 모델 생성 장치나, 고혈압 판단 모델 생성 방법을 실행하는 프로그램을 기록한 컴퓨터 판단 가능 기록 매체에 의해 실행될 수 있다. 이 실시예에서는 고혈압 판단 모델 생성 장치에 의한 고혈압 판단 모델 생성 방법을 중심으로 설명하나, 이에 한정되지는 않는다.
고혈압 판단 모델 생성 장치는 적어도 한 명의 사람에 대한 체형 정보를 입력 받는다 (310 단계).
고혈압 판단 모델 생성 장치는 머신 러닝 기반으로 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성한다(320 단계). 구체적으로, 고혈압 판단 모델 생성 장치는 입력된 체형 정보를 전처리한 후, 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택할 수 있다. 이 때, 체형 정보에 포함된 다수의 신체 특징 중 고혈압을 판단하는데 중요한 의미를 갖는 신체 특징을 선택할 수 있다. 즉, 고혈압 판단에 최적의 신체 특징을 선택할 수 있다. 이후, 선택된 신체 특징을 머신 러닝 알고리즘을 통해 학습하여 고혈압 판단 모델을 생성할 수 있다.
고혈압 판단 모델 생성 장치는 외부로부터 고혈압 판단 모델에 대한 요청 신호가 수신될 경우(330 단계), 고혈압 판단 모델을 외부로 송신한다(340단계).
도 4는 본 발명의 실시예에 따른 고혈압 판단 방법을 설명하기 위한 흐름도이다. 도 4에 도시된 고혈압 판단 방법은 고혈압 판단 장치나, 고혈압 판단 방법을 실행하는 프로그램을 기록한 컴퓨터 판단 가능 기록 매체에 의해 실행될 수 있다. 이 실시예에서는 고혈압 판단 장치에 의한 고혈압 판단 방법을 중심으로 설명하나, 이에 한정되지는 않는다.
고혈압 판단 장치는 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는다(410 단계).
고혈압 판단 장치는 머신 러닝(machine learning) 기반으로, 입력된 제1 체형 정보들을 학습하여 고혈압 판단 모델을 생성한다(420 단계).
고혈압 판단 장치는 외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 제2 체형 정보를 고혈압 판단 모델에 적용하여 고혈압 여부를 판단한다(440 단계).
고혈압 판단 장치는 고혈압 여부의 판단 결과를 외부로 송신한다(450 단계).
본 발명에 따른 실시예들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 고혈압 판단 모델 생성 장치
110: 입력 유닛
120: 모델 생성 유닛
130: 통신 유닛

Claims (20)

  1. 적어도 한 명의 사람에 대한 체형 정보를 입력 받는 입력 유닛; 및
    머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛
    을 포함하고,
    상기 체형 정보는,
    사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 신체 8부위를 구성하는 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레, 엉덩이(hip) 둘레 중 적어도 하나 이상의 사이즈, 및 각 부위 별 비율을 포함하며,
    상기 모델 생성 유닛은,
    상기 입력된 체형 정보로부터 고혈압 판단과 가장 관련도가 높은 부위 별 비율들을 검색하고, 검색된 목 둘레/머리 둘레의 비율을 최적의 신체 특징으로 선택하는 특징 선택 유닛; 및
    상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 머신 러닝 유닛을 포함하고,
    상기 머신 러닝 유닛은 상기 입력 받은 체형 정보 중에서 일부의 체형 정보를 상기 머신 러닝을 위한 훈련 데이터 셋으로 사용하고, 나머지의 체형 정보를 상기 고혈압 판단 모델의 성능을 테스트하기 위한 테스트 데이터 셋으로 사용하여 상기 고혈압 판단 모델이 일정 기준 이상의 성능을 가지는 것을 테스트 하는
    고혈압 판단 모델 생성 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 모델 생성 유닛은,
    상기 입력 유닛을 통해 입력된 상기 체형 정보를 전처리하는 전처리 유닛;
    을 더 포함하는 고혈압 판단 모델 생성 장치.
  4. 제3항에 있어서,
    상기 전처리 유닛은,
    상기 입력 유닛을 통해 입력된 상기 체형 정보에 대한 이진화, 세션화 및 잡음 제거 중 적어도 하나의 전처리를 하는
    고혈압 판단 모델 생성 장치.
  5. 제1항에 있어서,
    상기 특징 선택 유닛은,
    특징 선택 방법(Feature Selection Method)을 이용하여 상기 체형 정보에 대한 최적의 신체 특징을 선택하는
    고혈압 판단 모델 생성 장치.
  6. 제5항에 있어서,
    상기 머신 러닝 유닛은,
    상기 특징 선택 유닛에 의해 선택된 상기 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 상기 고혈압 판단 모델을 생성하는, 고혈압 판단 모델 생성 장치.
  7. 제6항에 있어서,
    상기 머신 러닝 알고리즘은,
    서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification) 및 결정트리(Decision Tree) 중 어느 하나인, 고혈압 판단 모델 생성 장치.
  8. 제1항에 있어서,
    상기 입력 유닛에 입력된 체형 정보 및 상기 모델 생성 유닛에 의해 생성된 고혈압 판단 모델을 저장하는 저장 유닛; 및
    외부로부터 상기 고혈압 판단 모델에 대한 요청 신호가 수신될 경우, 상기 요청 신호에 대응하여 상기 고혈압 판단 모델을 송신하는 통신 유닛
    을 더 포함하는 고혈압 판단 모델 생성 장치.
  9. 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는 입력 유닛;
    머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛; 및
    외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 상기 제2 체형 정보를 상기 고혈압 판단 모델에 적용하여 상기 제2 체형 정보에 대한 고혈압 여부를 판단하는 고혈압 판단 유닛
    을 포함하고,
    상기 제1 체형 정보 및 상기 제2 체형 정보는,
    사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 신체 8부위를 구성하는 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레, 엉덩이(hip) 둘레 중 적어도 하나 이상의 사이즈 및 각 부위 별 비율을 포함하며,
    상기 모델 생성 유닛은,
    상기 입력된 체형 정보로부터 고혈압 판단과 가장 관련도가 높은 부위 별 비율을 검색하고, 검색된 목 둘레/머리 둘레의 비율을 최적의 신체 특징으로 선택하는 특징 선택 유닛; 및
    상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 머신 러닝 유닛을 포함하고,
    상기 머신 러닝 유닛은 상기 입력받은 체형 정보 중에서 일부의 체형 정보를 상기 머신 러닝을 위한 훈련 데이터 셋으로 사용하고, 나머지의 체형 정보를 상기 고혈압 판단 모델의 성능을 테스트하기 위한 테스트 데이터 셋으로 사용하여 상기 고혈압 판단 모델이 일정 기준 이상의 성능을 가지는 것을 테스트 하는
    고혈압 판단 장치.
  10. 삭제
  11. 제9항에 있어서,
    상기 모델 생성 유닛은,
    상기 입력 유닛을 통해 입력된 상기 체형 정보를 전처리하는 전처리 유닛;
    을 더 포함하는, 고혈압 판단 장치.
  12. 제11항에 있어서,
    상기 전처리 유닛은,
    상기 입력 유닛을 통해 입력된 상기 체형 정보에 대한 이진화, 세션화 및 잡음 제거 중 적어도 하나의 전처리를 하는, 고혈압 판단 장치.
  13. 제9항에 있어서,
    상기 특징 선택 유닛은,
    특징 선택 방법(Feature Selection Method)을 이용하여 상기 체형 정보에 대한 최적의 신체 특징을 선택하는, 고혈압 판단 장치.
  14. 제13항에 있어서,
    상기 머신 러닝 유닛은,
    상기 특징 선택 유닛에 의해 선택된 상기 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 상기 고혈압 판단 모델을 생성하는, 고혈압 판단 장치.
  15. 제14항에 있어서,
    상기 머신 러닝 알고리즘은,
    서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification) 및 결정트리(Decision Tree) 중 어느 하나인, 고혈압 판단 장치.
  16. 제9항에 있어서,
    상기 입력 유닛에 입력된 제1 체형 정보 및 상기 모델 생성 유닛에 의해 생성된 고혈압 판단 모델을 저장하는 저장 유닛; 및
    상기 외부로부터 상기 제2 체형 정보를 수신하고, 상기 고혈압 여부의 판단 결과를 상기 외부로 전송하는 통신 유닛을 더 포함하는, 고혈압 판단 장치.
  17. 적어도 한 명의 사람에 대한 체형 정보를 입력 받는 단계; 및
    머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 단계
    를 포함하고,
    상기 체형 정보는,
    사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 신체 8부위를 구성하는 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레, 엉덩이(hip) 둘레 중 적어도 하나 이상의 사이즈, 및 각 부위 별 비율을 포함하며,
    상기 고혈압 판단 모델을 생성하는 단계는,
    상기 입력 받은 체형 정보로부터 고혈압 판단과 가장 관련도가 높은 부위 별 비율들을 검색하고, 검색된 목 둘레/머리 둘레의 비율을 최적의 신체 특징으로 선택하는 단계;
    상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 단계; 및
    상기 입력 받은 체형 정보 중에서 일부의 체형 정보를 상기 머신 러닝을 위한 훈련 데이터 셋으로 사용하고, 나머지의 체형 정보를 상기 고혈압 판단 모델의 성능을 테스트하기 위한 테스트 데이터 셋으로 사용하여 상기 고혈압 판단 모델이 일정 기준 이상의 성능을 가지는 것을 테스트 하는 단계를 포함하는
    고혈압 판단 모델 생성 방법.
  18. 제17항에 있어서,
    상기 고혈압 판단 모델을 생성하는 단계는,
    상기 입력된 상기 체형 정보를 전처리하는 단계;
    를 더 포함하는 고혈압 판단 모델 생성 방법.
  19. 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는 단계;
    머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 단계;
    외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 상기 제2 체형 정보를 상기 고혈압 판단 모델에 적용하여 상기 제2 체형 정보에 대한 고혈압 여부를 판단하는 단계
    를 포함하고,
    상기 제1 체형 정보 및 상기 제2 체형 정보는,
    사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 신체 8부위를 구성하는 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레, 엉덩이(hip) 둘레 중 적어도 하나 이상의 사이즈 및 각 부위 별 비율을 포함하며,
    상기 고혈압 판단 모델을 생성하는 단계는,
    상기 입력된 체형 정보로부터 고혈압 판단과 가장 관련도가 높은 부위 별 비율들을 검색하고, 검색된 목 둘레/머리 둘레의 비율을 최적의 신체 특징으로 선택하는 단계;
    상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 단계; 및
    상기 입력받은 체형 정보 중에서 일부의 체형 정보를 상기 머신 러닝을 위한 훈련 데이터 셋으로 사용하고, 나머지의 체형 정보를 상기 고혈압 판단 모델의 성능을 테스트하기 위한 테스트 데이터 셋으로 사용하여 상기 고혈압 판단 모델이 일정 기준 이상의 성능을 가지는 것을 테스트 하는 단계를 포함하는
    는 고혈압 판단 방법.
  20. 제17항 및 제19항 중 어느 한 항의 방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
KR1020120105087A 2012-09-21 2012-09-21 체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법 KR101430818B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120105087A KR101430818B1 (ko) 2012-09-21 2012-09-21 체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120105087A KR101430818B1 (ko) 2012-09-21 2012-09-21 체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20140039408A KR20140039408A (ko) 2014-04-02
KR101430818B1 true KR101430818B1 (ko) 2014-08-18

Family

ID=50650032

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120105087A KR101430818B1 (ko) 2012-09-21 2012-09-21 체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101430818B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102426291B1 (ko) 2020-07-28 2022-07-29 주식회사 소프트웨어융합연구소 머신러닝을 이용한 고혈압 예측시스템에서 수행되는 고혈압 예측방법 및 시스템, 이를 수행하는 컴퓨터 프로그램
KR102517533B1 (ko) 2021-03-08 2023-04-04 주식회사 소프트웨어융합연구소 심탄도와 인공지능 기술을 이용한 혈압측정장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
성상훈, 제2형 당뇨병 환자에서 컴퓨터 단층촬영으로 측정한 내장지방량과 대사증후군, 심혈관계위험인자와의 관계, 대가가톨릭대학교 대학원, 2010. *
성상훈, 제2형 당뇨병 환자에서 컴퓨터 단층촬영으로 측정한 내장지방량과 대사증후군, 심혈관계위험인자와의 관계, 대가가톨릭대학교 대학원, 2010.*

Also Published As

Publication number Publication date
KR20140039408A (ko) 2014-04-02

Similar Documents

Publication Publication Date Title
US11819344B2 (en) Systems for automatic assessment of fall risk
CN110516161B (zh) 一种推荐方法及装置
JP5705621B2 (ja) 救命救急補助システムとその方法と救命救急補助装置
KR101870121B1 (ko) 심층신경망을 이용한 혈류상태 분석시스템, 방법 및 프로그램
Bisio et al. Smartphone-centric ambient assisted living platform for patients suffering from co-morbidities monitoring
CN108135485A (zh) 通过语音分析评估肺部病症
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
KR20160091694A (ko) 운동 가이드 정보를 제공하는 방법, 장치 및 시스템
JP6379199B2 (ja) データ分析装置、データ分析装置の制御方法、およびデータ分析装置の制御プログラム
WO2017025300A1 (en) Generating an indicator of a condition of a patient
KR102096476B1 (ko) 신체 맞춤형 운동 분석 시스템
KR102333992B1 (ko) 응급 정신상태 예측 장치 및 방법
WO2018087286A1 (en) Methods and apparatuses for handgrip strength assessment using pressure-sensitive elements
KR20190000194A (ko) 신경계 질환 관리를 위한 시스템 및 방법
CN106663140A (zh) 用于检测对象的健康状况的设备、系统和方法
KR101641455B1 (ko) 휴대용 건강상태 모니터링 시스템
JP2013148996A (ja) 重症度判定装置、及び、重症度判定方法
KR101430818B1 (ko) 체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법
US20130035601A1 (en) Apparatus and method for generating digital health screening form
WO2019107118A1 (ja) 健康管理支援装置、方法およびプログラム
KR102551006B1 (ko) 안마 의자를 이용한 사용자 건강 관리 방법에 사용되는 관리 서버
KR101430817B1 (ko) 체형 정보를 이용한 혈액 정보 판단 모델을 생성하는 장치 및 그 방법, 혈액 정보 판단 모델을 이용한 혈액 정보 판단 장치 및 그 방법
CN113743292B (zh) 基于视频序列的活动能力评估方法、装置、介质及设备
EP2687152A1 (en) Blood pressure measurement apparatus, gateway, system including the same, and method thereof
JP2009245408A (ja) 異常通報装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
X701 Decision to grant (after re-examination)
FPAY Annual fee payment

Payment date: 20170703

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180704

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190708

Year of fee payment: 6