KR101781174B1 - 설문 기반 체질 판단 방법 및 장치 - Google Patents

설문 기반 체질 판단 방법 및 장치 Download PDF

Info

Publication number
KR101781174B1
KR101781174B1 KR1020150190256A KR20150190256A KR101781174B1 KR 101781174 B1 KR101781174 B1 KR 101781174B1 KR 1020150190256 A KR1020150190256 A KR 1020150190256A KR 20150190256 A KR20150190256 A KR 20150190256A KR 101781174 B1 KR101781174 B1 KR 101781174B1
Authority
KR
South Korea
Prior art keywords
constitution
probability value
questionnaire
item
answer
Prior art date
Application number
KR1020150190256A
Other languages
English (en)
Other versions
KR20170079553A (ko
Inventor
김종열
남지호
이유정
김홍기
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 KR1020150190256A priority Critical patent/KR101781174B1/ko
Publication of KR20170079553A publication Critical patent/KR20170079553A/ko
Application granted granted Critical
Publication of KR101781174B1 publication Critical patent/KR101781174B1/ko

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
    • A61B5/48—Other medical applications
    • A61B5/4854—Diagnosis based on concepts of traditional oriental medicine
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • G06F19/32—
    • G06F19/363—
    • G06N7/005—
    • 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
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Child & Adolescent Psychology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Alternative & Traditional Medicine (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

컴퓨터에서 실행되는 프로그램으로 구현된, 자동화된 적응적 설문 수행(administration of computerized adaptive tests)을 통한 체질 판단 방법이 개시된다. 이 방법은 설문 문항의 체질별 답안 선택확률을 고려하여 선택된 설문 문항을 제시하고 그 답안에 따라 체질별 확률값을 갱신하는 과정을 반복하여, 최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단한다.

Description

설문 기반 체질 판단 방법 및 장치{Method and apparatus for determining constitution based on administration of computerized adaptive tests}
본 발명은 사상의학에 근거하여 분류된 인체의 체질을 판단하는 기술에 관한 것으로, 특히 컴퓨터로 설문을 통해 체질을 판단하는 기술에 관한 것이다.
사상의학에 따르면, 사람의 체질은 태양인, 태음인, 소양인, 및 소음인으로 나눌 수 있으며, 같은 질병이나 증상에 대하여도 체질에 따라 식습관이나 치료방법을 다르게 하는 것이 효과적이라는 것이다. 이러한 사상의학에 근거한 체질을 판별하기 위한 기술의 하나로 국내등록특허공보 제10-1220399호에 개시된 통합정보를 이용한 체질정보 분석방법이 알려져 있다. 이 등록공보에는 사람의 얼굴, 설문, 체형, 음성 등의 정보를 종합적으로 이용하여 체질을 판정하는 내용이 개시되어 있다.
한편, 미국공개특허공보 제2011/0045452호에는 컴퓨터 기반 적응적 테스트 생성 기술에 대해 개시되어 있다. 이 공보에 따르면, 사용자에게 문제를 제시하고, 제시된 문제에 대한 사용자의 답안이 정답인지 아니면 오답인지에 따라 난이도가 좀 더 높은 문제를 제시하거나 난이도가 좀 더 낮은 문제를 제시하여 사용자의 레벨을 평가하는 내용이 알려져 있다. 그런데 이 기술은 정답이 있는 문제를 제시하여 사용자의 입력 답안이 정답인지 아니면 오답인지에 따라 다음에 제시할 문제의 난이도를 달리하는 것뿐이다.
본 발명은 설문을 이용하여 사용자의 체질을 판단함에 있어서, 보다 개선된 방식으로 체질을 효과적으로 판단할 수 있게 하는 기술적 방안을 제공함을 목적으로 한다.
일 양상에 따른 컴퓨터에서 실행되는 프로그램으로 구현된, 자동화된 적응적 설문 수행(administration of computerized adaptive tests)을 통한 체질 판단 방법은 설문 문항의 체질별 답안 선택확률을 고려하여 선택된 설문 문항을 제시하고 그 답안에 따라 체질별 확률값을 갱신하는 과정을 반복하여, 최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단한다.
체질 판단 방법은 설문 문항의 체질별 답안 선택확률을 고려하여 선택된 설문 문항을 제시하는 설문 문항 제시 단계, 제시된 설문 문항에 대해 설문 대상자로부터 답안을 입력받는 답안 입력 단계, 입력된 답안에 따라 체질별 확률값을 갱신하는 체질별 확률값 갱신 단계, 및 최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단하고 그렇지 않은 경우 설문 문항 제시 단계로 되돌아가는 루프 제어 단계를 포함할 수 있다.
설문 문항 제시 단계는 설문 대상자의 체질별 확률값 중에서 최대 체질별 확률값을 확인하는 단계, 및 확인된 최대 체질별 확률값을 갖는 체질의 답안 선택 확률값이 가장 큰 설문 문항을 제시하는 단계를 포함할 수 있다.
체질 판단 방법은 설문 이외의 방식으로 설문 대상자의 체질별 초기 확률값을 결정하는 초기 확률값 결정 단계를 더 포함할 수 있다.
초기 확률값 결정 단계는 안면촬영과 음성 녹음 중 적어도 하나를 통해 추출된 특징 데이터를 이용하여 체질별 초기 확률값을 산출할 수 있다.
체질별 확률값 갱신 단계는 베이즈 정리를 이용하여 체질별 확률값을 갱신할 수 있다.
한편, 일 양상에 따른 체질 판단 장치는 설문 문항들 및 각 설문 문항의 답안에 대해 체질별 답안 선택 확률값이 저장된 설문 데이터베이스, 및 설문 문항의 체질별 답안 선택확률을 고려하여 선택된 설문 문항을 제시하고 그 답안에 따라 체질별 확률값을 갱신하는 과정을 반복하여, 최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단하는 설문 진행부를 포함한다.
설문 진행부는 설문 문항의 체질별 답안 선택확률을 고려하여 설문 데이터베이스에서 설문 문항을 선택하는 설문 문항 선택부, 선택된 설문 문항을 제시하고 답안을 입력받는 응답 처리부, 입력된 답안에 기초하여 체질별 확률값을 갱신하는 확률값 갱신부, 최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단하고 그렇지 않은 경우 설문을 반복케 하는 종료조건 판단부를 포함할 수 있다.
체질 판단 장치는 설문 이외의 방식으로 설문 대상자의 체질별 초기 확률값을 산출하는 초기 확률값 산출부를 더 포함할 수 있다.
초기 확률값 산출부는 안면촬영과 음성 녹음 중 적어도 하나를 통해 추출된 설문 대상자의 특징 데이터를 이용하여 체질별 초기 확률값을 산출할 수 있다.
설문 문항 선택부는 설문 대상자의 체질별 확률값 중에서 최대 체질별 확률값을 확인하는 확률값 확인부, 및 확인된 최대 체질별 확률값을 갖는 체질의 답안 선택 확률값이 가장 큰 설문 문항을 선택하는 문항 선택부를 포함할 수 있다.
본 발명에 따르면, 컴퓨터화된 설문을 통해 사상체질을 결정하되, 가장 변별력이 높은 문제들을 우선적으로 제시함으로써 보다 효과적으로 사상체질을 결정할 수 있다.
도 1은 일 실시예에 따른 적응적 설문 수행을 통해 사용자의 사상 체질 판단을 위한 환경 구성도이다.
도 2는 다른 실시예에 따른 적응적 설문 수행을 통해 사용자의 사상 체질 판단을 위한 환경 구성도이다.
도 3은 일 실시예에 따른 체질 판단 장치의 블록도이다.
도 4는 일 실시예에 따른 도 3에 도시된 설문 문항 선택부의 블록도이다.
도 5는 적응적 설문 수행에 따른 화면 예시도이다.
도 6은 일 실시예에 따른 체질 판단 방법의 흐름도이다.
도 7는 도 6에 도시된 설문 문항 제시 단계의 세부 흐름도이다.
도 8은 다른 실시예에 따른 체질 판단 방법의 흐름도이다.
도 9은 도 8에 도시된 초기 확률값 산출 단계의 세부 흐름도이다.
전술한, 그리고 추가적인 본 발명의 양상들은 첨부된 도면을 참조하여 설명되는 바람직한 실시예들을 통하여 더욱 명백해질 것이다. 이하에서는 본 발명을 이러한 실시예를 통해 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 설명하기로 한다.
도 1은 일 실시예에 따른 적응적 설문 수행을 통해 사용자의 체질 판단을 위한 환경 구성도이다. 사용자(10), 즉 설문을 통해 자신의 체질을 파악하고자 하는 설문 대상자는 체질 판단 장치(20)와 상호 작용하여 자신의 체질을 알기 위한 적응적 설문을 수행할 수 있다. 체질 판단 장치(20)는 데스크톱 컴퓨터나 노트북, 혹은 스마트 단말 등과 같은 전자기기로서, 그 자체에 적응적 설문 수행을 통한 체질 판단을 위한 하드웨어 및 소프트웨어 구성을 모두 포함할 수 있다. 예를 들어, 체질 판단 장치(20)는 사용자 단말이며, 적응적 설문 수행을 통한 체질 판단을 위한 소프트웨어를 다운로드하여 설치한 것일 수 있다. 사용자(10)는 사용자 단말(30)과 상호 작용하여 적응적 설문을 수행하며, 이를 통해 체질 결과를 얻게 된다.
도 2는 다른 실시예에 따른 적응적 설문 수행을 통해 사용자의 사상 체질 판단을 위한 환경 구성도이다. 사용자(10)는 사용자 단말(30)과 상호 작용하여 적응적 설문 과정을 수행하며, 사용자 단말(30)은 네트워크를 통해 체질 판단 장치(20)와 상호 작용하여 적응적 설문 과정을 수행한다. 사용자 단말(30)은 통신 가능한 전자기기로서, 마우스나 키보드와 같은 입력수단을 통해 사용자의 입력을 지원하며 디스플레이를 통해 사용자로의 출력을 지원한다. 그리고 체질 판단 장치(20)는 사용자 단말(30)이 네트워크를 통해 접속 가능한 서버로서, 하나 이상의 웹 서버와 데이터베이스 서버를 포함하는 분산 서버로 이루어질 수 있다. 체질 판단 장치(20)는 사용자 단말(30)을 통해 사용자에게 설문 문항들을 제시하고, 그에 대한 답안들을 입력받아 사용자의 체질을 판단한다.
도 3은 일 실시예에 따른 체질 판단 장치의 블록도이다. 설문 데이터베이스(100)는 별도의 데이터베이스 서버로 구성될 수 있다. 설문 데이터베이스(100)에는 사용자의 체질을 파악하기 위해 이용되는 설문 문항들이 저장된다. 이 설문 문항들은 사람의 체질을 태양인, 태음인, 소양인, 및 소음인으로 구별하는 사상 체질을 전제로 한 것일 수 있다. 그리고 설문 문항들은 주어진 답안들 중에서 하나를 고르는 객관식 문항들일 수 있다.
설문 데이터베이스(100)에는 설문 문항들 외에 설문 문항별로 각각의 답안에 대해 체질별 답안 선택 확률값도 저장된다. 여기서, 체질별 답안 선택 확률값이라 함은 설문문항의 답안별로 어떤 체질의 사람이 그 답안을 선택할 확률값을 말한다. 예를 들어, 5지 선다형일 경우에 설문 문항 A에 대한 태양인의 1번 답안 선택 확률값은 0.5, 2번 답안 선택 확률값은 0.32, 3번 답안 선택 확률값은 0.1, 4번 답안 선택 확률값은 0.05, 5번 답안 선택 확률값은 0.03과 같이, 설문 문항 A에 대한 태양인의 선택 확률값이 설문 데이터베이스(100)에 미리 저장된다. 또한, 태음인과 소양인 및 소음인 각각에 대해서도 설문 문항 A에 대한 선택 확률값이 설문 데이터베이스(100)에 미리 저장되며, 다른 설문 문항들에 대해서도 모두 체질별 답안 선택 확률값이 저장된다. 일 실시예에 있어서, 체질별 설문답안 선택 확률값은 체질별로 기축적된 설문 문항 데이터를 통계 처리한 결과로 얻어진다.
설문 진행부(200)는 프로세서에 의해 로딩되어 실행되는 컴퓨터 프로그램으로 구성될 수 있다. 설문 진행부(200)는 설문 문항의 체질별 답안 선택확률을 고려하여 적절한 설문 문항을 선택하여 제시하고, 제시된 설문 문항에 대해 사용자로부터 입력된 답안에 따라 체질별 확률값을 갱신하는 과정을 반복하며, 체질별 확률값들 중에서 최대 체질별 확률값이 기준치 이상인 경우에 그 체질로 판단하여 사용자에게 판단 결과를 제공한다. 여기서, 체질별 확률값이라 함은 어떤 사람이 어떤 체질일 확률값을 말한다.
도 3에 도시된 바와 같이, 설문 진행부(200)는 설문 문항 선택부(210)와 응답 처리부(220)와 확률값 갱신부(230) 및 종료조건 판단부(240)를 포함한다. 설문 문항 선택부(210)는 설문 문항의 체질별 답안 선택 확률값을 고려하여 설문 데이터베이스(100)에서 설문 문항을 선택한다. 도 4에 도시된 바와 같이, 설문 문항 선택부(210)는 확률값 확인부(211)와 문항 선택부(212)를 포함할 수 있다. 확률값 확인부(211)는 확률값 저장부(300)에 저장되어 있는 사용자의 체질별 확률값을 확인한다. 확률값 저장부(300)에 미리 저장되어 있는 체질별 확률값은 체질별 초기 확률값이라 부를 수 있다. 체질별 초기 확률값이라 함은 설문을 수행하기 전의 체질별 확률값을 의미하는 것으로, 설문 이외의 방식으로 산출된 체질별 확률값을 의미할 수 있다. 확률값 확인부(211)는 확률값 확인부(211)에 저장된 사용자의 체질별 확률값을 비교하여 가장 큰 최대 체질별 확률값을 확인한다. 예를 들어, 사용자의 태양인 초기 확률값이 0.4이고, 태음인 초기 확률값이 0.3이고, 소양인 초기 확률값이 0.2이며, 소음인 초기 확률값이 0.1이라면, 체질별 초기 확률값 중에서 태양인 초기 확률값이 최대 체질별 확률값(최대값)인 것으로 확인하게 된다.
문항 선택부(212)는 확률값 확인부(211)에 의해 확인된 최대값을 갖는 체질의 답안 선택 확률값이 가장 큰 설문 문항을 설문 데이터베이스(100)에서 선택한다. 위의 예에서는 사용자의 체질별 초기 확률값 중에서 태양인 초기 확률값이 가장 크므로, 문항 선택부(212)는 설문 데이터베이스(100)에서 태양인의 답안 선택 확률값이 가장 큰 설문 문항을 선택한다. 예를 들어, 설문 데이터베이스(100)에 저장된 설문 문항들 중에서 1번 문항에 대한 태양인의 선택 확률값은 ①번 답안부터 ⑤번 답안까지 순차적으로 0.7, 0.15, 0,1, 0.07, 0.03로 정해져 있고, 2번 문항에 대한 태양인의 선택 확률값은 ①번 항목부터 ⑤번 항목까지 순차적으로 0.1, 0.8, 0.05, 0.03, 0.02로 정해져 있다면, 태양인이 2번 문항에 대해 ②번 답안을 선택할 확률값이 1번 문항에 대해 ①번 항목을 선택할 확률값보다 높으므로, 문항 선택부(212)는 1번 문항을 선택하는 것이다. 여기에서는 두 개의 설문 문항이 있을 경우를 예시하였으나, 이는 설명의 편의를 위한 것일 뿐, 실제로 문항 선택부(212)는 수십 혹은 수백개의 설문 문항들 중에서 태양인의 답안 선택 확률값이 가장 큰 설문 문항을 선택하게 된다.
응답 처리부(220)는 설문 문항 선택부(210)에 의해 선택된 설문 문항을 사용자에게 제시하며, 사용자로부터 답안을 입력받는다. 확률값 갱신부(230)는 사용자의 입력 답안에 기초하여 확률값 저장부(300)에 저장된 체질별 확률값을 갱신한다. 예를 들어, 태양인, 태음인, 소양인, 소음인 순서로 확률값이 0.4, 0.3, 0.2, 0.1이라고 할 때, 사용자의 답안 입력에 따라 0.51, 0.18, 0.31, 0.00과 같이 갱신된다. 종료조건 판단부(240)는 최대 체질별 확률값이 기준치 이상인지 아닌지를 판단한다. 최대 체질별 확률값이 기준치 이상일 경우, 종료조건 판단부(240)는 그 체질로 판단하며 사용자에게 체질 결과를 제시한다. 위의 예에서 최대 체질별 확률값은 0.51이므로, 종료조건 판단부(240)는 0.51이 기준치 이상일 경우에는 사용자의 체질이 태양인인 것으로 판단하게 된다. 여기서, 기준치는 체질을 결정하는데 기준이 되는 값으로서, 0.90 등 적절한 값으로 정해질 수 있다. 기준치가 0.90일 경우 0.51은 기준치 미만이므로, 종료조건 판단부(240)는 설문 과정이 반복 수행된다.
루프 제어부(250)는 최대 체질별 확률값이 기준치 미만일 경우에 상술한 과정이 반복되도록 설문 문항 선택부(210)에게 그 다음 제시할 설문 문항을 선택할 것을 명령한다. 설문 문항 선택부(210)는 이미 제시된 설문 문항을 제외하고 나머지 설문 문항들 중에서 체질별 답안 선택확률을 고려하여 설문 데이터베이스(100)에서 설문 문항을 선택한다. 이때, 설문 문항 선택부(210)는 상술한 바와 같이 확률값 저장부(300)에 저장된 체질별 확률값 중에서 최대 체질별 확률값을 갖는 체질의 답안 선택 확률이 가장 큰 설문 문항을 선택한다. 체질별 확률값은 사용자의 답안에 따라 갱신되는바, 태양인의 답안 선택 확률값이 가장 큰 설문 문항이 선택되었다가도 그 다음 번 문항에서는 소양인의 답안 선택 확률값이 가장 큰 설문 문항이 선택될 수 있다. 설문 문항 선택부(210)에 의해 설문 문항이 선택되면, 응답 처리부(220)와 확률값 갱신부(230) 및 종료조건 판단부(240)가 순차적으로 해당 역할을 수행하여 체질이 결정되거나 체질이 결정되거나 상술한 루프가 반복될 수 있다.
한편, 설문 문항 선택부(210)는 최초로 제시할 설문 문항에 대해서는 디폴트로 지정된 최초 문항 혹은 랜덤하게 설문 데이터베이스(100)에서 선택하며, 두번째 제시할 설문 문항에 대해서는 설문 문항의 체질별 답안 선택 확률을 고려하여 설문 데이터베이스(100)에서 설문 문항을 선택한다. 이는 사용자의 체질별 초기 확률값이 없을 경우를 고려한 것이다. 따라서, 최초에는 디폴트로 정해진 최초 설문 문항 혹은 랜덤하게 하나의 설문 문항을 선택하는 것이다. 선택된 최초 설문 문항은 사용자에게 제시되고, 사용자의 입력 답안에 따라 체질별 확률값이 생성되는바, 두 번째 루프부터는 사용자의 체질별 확률값 중에서 최대 체질별 확률값을 갖는 체질의 답안 선택 확률이 가장 큰 설문 문항을 선택한다.
초기 확률값 산출부(400)는 설문 이외의 방식으로 사용자의 체질별 초기 확률값을 산출한다. 산출된 체질별 초기 확률값은 확률값 저장부(300)에 저장된다. 일 실시예에 있어서, 초기 확률값 산출부(400)는 안면촬영과 음성 녹음을 통해 추출된 설문 대상자의 특징 데이터를 이용하여 체질별 초기 확률값을 산출한다. 참고로, 본 출원인은 스테레오 영상을 이용한 안면 진단을 통해 사용자의 체질을 진단하는 기술을 개발한 바 있다. 이에 따른 안면 진단 방법은 기준 컬러 테이블이 포함된 대상 인물의 정면 영상 및 측면 영상을 디지털 카메라로 촬영하고, 측면 영상에 포함된 기준 컬러 테이블과 정면 영상에 포함된 기준 컬러 테이블이 동일한 컬러값을 가지도록 측면 영상의 컬러값을 변환하며, 정면 영상과 측면 영상의 특징점을 매칭시켜 하나의 3차원 텍스처로 합성하여 3차원 모델을 형성한 후에, 3차원 모델에서 진단에 필요한 부위의 컬러와 기하정보를 측정하여 체질을 진단하는 것이다. 이에 대한 구체적인 내용은 본 출원인에 의해 특허출원되어 등록된 등록번호 제10-0926771호에 상세히 기술되어 있다.
그리고 본 출원인은 음성 분석을 통해 사상체질을 구분하는 기술도 개발한 바 있다. 이에 따른 체질 구분 방법은 크게 네 단계로 이루어진다. 1단계에서는 체질이 확진된 다수의 음성 데이터로부터 음성 특징 변수를 추출하되, 각각의 음성 특징 변수에 대해서 체질별 분포를 조사한다. 2단계에서는 음성 특징 변수에 대한 체질별 최대값과 최소값을 서치한다. 3단계에서는 체질별 최대값에서 서치된 최소치(uMin)와 최소치(uMin)가 발생한 체질(ui)로 이루어지는 제 1 Logical Rule과 체질별 최소값에서 서치(search)된 최대치(lMax)와 최대치(lMax)가 발생한 체질(li)로 이루어지는 제 2 Logical Rule로 구성되는 gRule 매트릭스를 생성한다. 그리고 4단계에서는 임의로 입력된 음성 데이터의 특정 음성 특징 변수를 특정 음성 특징 변수의 gRule 매트릭스에 적용하여 음성 데이터를 통한 특정 체질을 구분한다. 이에 대한 구체적인 내용은 본 출원인에 의해 특허출원되어 등록된 등록번호 제10-0926771호에 상세히 기술되어 있다.
도 5는 적응적 설문 수행에 따른 화면 예시도이다. 사용자의 체질별 초기 확률값은 태양인, 태음인, 소양인, 소음인 순서로 0.4, 0.3, 0.2, 0.1이라고 하면, 태양인 초기 확률값이 가장 크므로, 태양인의 답안 선택 확률값이 가장 큰 설문 문항이 1번 문항으로 제시된다. 사용자가 1번 문항에 대해 답안을 입력하면, 사용자의 체질별 확률값은 갱신된다. 도 5에서는 체질별 확률값이 태양인 0.51, 태음인 0.18, 소양인 0.31, 소음인 0.00으로 갱신되었다. 갱신된 체질별 확률값 중에서 최대값은 0.51이며 이는 기준치인 0.90 미만이므로, 2번 문항이 제시된다. 이 같은 과정을 통해 설문 문항이 순차적으로 제시되며, 사용자의 답안에 따라 체질별 확률값이 갱신된다. 도 5에서는 5번 문항에 대한 사용자의 입력 답안에 따라 갱신된 체질별 확률값 중에서 최대값이 0.9로 기준치 조건을 만족하므로, 총 5개의 설문 문항을 통해 체질 결과가 출력됨을 확인할 수 있다. 물론 설문 문항 개수는 이보다 적거나 많을 수 있으며, 사용자의 답안에 기초하여 체질별 확률값을 갱신하고 그에 따라 가장 적합한 설문 문항을 제시하는 방식인바, 적은 수의 설문 문항만으로도 체질 진단이 가능하다.
도 6은 일 실시예에 따른 체질 판단 방법의 흐름도이며, 도 7는 도 6에 도시된 설문 문항 제시 단계의 세부 흐름도이다. 도 6에 도시된 체질 판단 방법은 자동화된 적응적 설문 수행(administration of computerized adaptive tests)을 통해 체질을 판단하는 컴퓨터 프로그램으로 구현된 설문문항 알고리즘으로서, 컴퓨터 프로그램을 실행하는 프로세서에 의해 수행될 수 있다. 이하에서는 설명의 편의상 체질 판단 방법을 수행하는 주체를 프로세서라 한다. 프로세서는 설문 문항의 체질별 답안 선택 확률을 고려하여 선택된 설문 문항을 제시하고 그 답안에 따라 체질별 확률값을 갱신하는 과정을 반복함으로써, 최대 체질별 확률값이 기준치 이상인 경우에 그 체질로 판단한다.
도 6에 도시된 바와 같이, 프로세서는 설문 문항 제시 단계(S200)와 답안 입력 단계(S300)와 체질별 확률값 갱신 단계(S400) 및 루프 제어 단계(S500)를 포함한다. 이에 대해 설명한다. 프로세서는 설문 문항의 체질별 답안 선택확률을 고려하여 설문 데이터베이스(100)에서 설문 문항을 선택하고, 선택된 설문 문항을 설문 대상자인 사용자에게 제시한다(S200). 일 실시예에 있어서, S200은 도 7에 도시된 바와 같이 S210과 S220을 포함한다. S210에서, 프로세서는 미리 지정되어 있는 사용자의 체질별 초기 확률값 중에서 최대 체질별 확률값을 확인한다. 여기서, 체질별 초기 확률값은 상술한 바와 같이 설문 이외의 방식으로 산출된 체질별 확률값을 의미한다. 체질별 확률값을 수학식으로 표현하면 아래의 수학식 1과 같이 나타낼 수 있다.
Figure 112015129057880-pat00001
여기서, Con은 체질(Constitution)을 의미한다. 위의 수학식 표현에 따르면, π1은 그 사람이 태음인일 확률을 의미하고, π2는 그 사람이 소음인일 확률을 의미하고, π3은 그 사람이 소양인일 확률을 의미하며, π4는 그 사람이 태양인일 확률을 의미한다.
S220에서, 프로세서는 설문 문항들 중에서 최대 체질별 확률값(최대값)을 갖는 체질의 답안 선택 확률값이 가장 큰 설문 문항을 선택한다. 즉, 최대값을 갖는 체질에 대해 설문 데이터베이스(100)에 저장된 설문 문항들 중에서 설문답안 선택 확률값이 가장 큰 설문 문항을 제시하는 것이다.
도 6에 대해 계속하여 설명하기에 앞서, 답안마다 체질별로 선택할 확률값을 계산하는 방법에 대해 살펴본다. 프로세서는 체질별로 기존에 축적되어 있는 설문 문항 데이터를 통계 처리한 결과를 바탕으로 설문 문항(Qn)별 체질 확률값(Pn ij)을 행렬 계산할 수 있다. 이를 수학식으로 나타내면 다음과 같다.
Figure 112015129057880-pat00002
여기서, j는 설문에 대한 항목번호, 즉 Qn 설문에 답을 j로 한 경우를 의미한다. 예를 들어, P3 12는 태음인(i=1)이 3번 문항에 2번 항목을 답으로 선택할 확률이다. 아래 수학식 3은 문항별 체질 확률값 행렬을 나타낸 것으로, 1번 문항에 대한 확률 행렬을 나타낸다.
Figure 112015129057880-pat00003
수학식 3과 같은 방식으로 문항별 체질 확률값 행렬을 나타낼 수 있다. 문항별 체질 확률값 행렬을 정의하면, 각 문항별로 그 문항의 답안들에 대해 체질별 답안 선택 확률들을 행렬로 정리한 값을 나타내는 문항별 체질 확률값 행렬을 말한다.
프로세서는 수학식 3을 이용하여 체질별 초기 확률값을 바탕으로 확률값이 가장 큰 설문 문항들을 선택할 수 있다. 즉, 가장 변별력이 높은 문항들을 선택할 수 있는 것이다. 프로세서는 선택된 설문 문항들 중에서 해당 체질 확률값(Pn ij)이 가장 높은 문항순으로 정렬할 수 있다. 예를 들어, 태음인과 태양인과 소음인 및 소양인 중에서 태음인의 초기 확률값이 가장 클 경우에, 프로세서는 1번문항 3번 선택 확률값(P1 13)=0.87 > 8번문항 1번 선택 확률값(P8 11)=0.83 > 5번문항 2번 선택 확률값(P5 12)=0.79 순과 같이 태음인에 대한 선택 확률값이 가장 큰 설문 문항 순으로 정렬할 수 있다.
다시 도 6으로 돌아와서, 프로세서는 제시된 설문 문항에 대해 사용자로부터 답안을 입력받으며(S300), 입력된 답안에 따라 사용자의 체질별 확률값을 갱신한다(S400). 일 실시예에 있어서, 프로세서는 베이즈 정리(Bayes theorem)를 이용하여 체질별 확률값을 갱신한다. 예를 들어, 설문 문항 Qn에 대해 j항목을 선택했을 시에 체질이 i일 확률값은 아래 수학식에 의해 갱신된다.
Figure 112015129057880-pat00004
프로세서는 갱신된 체질별 확률값 중에서 최대 체질별 확률값(최대값)과 미리 정해진 기준치를 비교한다(S500). 비교 결과 최대값이 기준치 이상이면, 사용자의 체질을 최대값을 갖는 체질로 판단한다. 비교 결과 최대값이 기준치 미만이면, 프로세서는 설문 문항 제시 단계(S200)로 되돌아간다.
이상과 같은 체질 판단 방법은 설문문항을 무작위 순서대로 제시하는 것이 아니라, 추정되는 체질별로 설문답안 선택 확률값이 가장 높은 설문 문항부터 가장 낮은 설문 문항 순으로, 즉 구조화된 순에 따라 순차적으로 제시한다. 그리고 제시된 설문 문항에 대해 입력된 답안에 따라 체질별 확률값이 갱신되고 그 갱신된 확률값이 기준치 이상일 경우에는 체질이 결정되는 방식이므로, 제시되는 설문 문항의 개수는 고정적이 아니라 가변적이다. 즉, 체질 확률에 따라 제시되는 설문 문항의 개수가 달라진다. 이 같은 방식에 의하면, 적은 수의 설문 문항, 예를 들어 두세 설문 문항만으로 체질이 진단될 수도 있다. 즉, 보다 빠르고 효과적인 체질 진단이 가능해진다.
도 8은 다른 실시예에 따른 체질 판단 방법의 흐름도이며, 도 9은 도 8에 도시된 초기 확률값 산출 단계의 세부 흐름도이다. 도 8에 도시된 체질 판단 방법은 도 7에 도시된 체질 판단 방법에 S100 과정이 추가된 것이다. S100에서, 프로세서는 사용자의 체질별 초기 확률값을 산출하는데, 설문 이외의 방법으로 체질별 초기 확률값을 산출한다. 일 실시예에 있어서, S100은 도 8에 도시된 바와 같이 S110과 S120을 포함한다. 프로세서는 안면촬영과 음성 녹음을 통해 추출된 사용자의 특징 데이터를 입력받고(S110), 입력된 특징 데이터를 이용하여 체질별 확률값을 산출한다(S120). 이후의 S200 내지 S500은 도 6을 참조로 설명한 바와 같다.
이상의 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 있는 코드로 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
100 : 설문 데이터베이스 200 : 설문 진행부
210 : 설문 문항 선택부 211 : 최대 확률값 확인부
212 : 문항 선택부 220 : 응답 처리부
230 : 확률값 갱신부 240 : 종료조건 판단부
250 : 루프 제어부 300 : 확률값 저장부
400 : 초기 확률값 산출부

Claims (12)

  1. 컴퓨터에서 실행되는 프로그램으로 구현된, 자동화된 적응적 설문 수행(administration of computerized adaptive tests)을 통한 체질 판단 방법에 있어서,
    설문 이전에, 설문 대상자에 대해 산출된 체질별 초기 확률값 중에서 최대 체질별 확률값을 가진 체질의 답안 선택 확률값이 가장 큰 설문 문항을 최초 설문 문항으로 제시하고 그 답안에 따라 체질별 확률값을 갱신하는 단계; 및
    최초 설문 문항의 답안에 따라 최대 체질별 확률값을 갖는 체질의 답안 선택 확률값이 가장 큰 설문 문항부터 순차적으로 제시하고 그 답안에 따라 체질별 확률값을 갱신하는 과정을 반복하여, 최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단하는 체질 판단 단계;
    를 포함하는 체질 판단 방법.
  2. 제 1 항에 있어서, 체질 판단 단계는 :
    설문 문항의 체질별 답안 선택확률을 고려하여 선택된 설문 문항을 제시하는 설문 문항 제시 단계;
    제시된 설문 문항에 대해 설문 대상자로부터 답안을 입력받는 답안 입력 단계;
    입력된 답안에 따라 체질별 확률값을 갱신하는 체질별 확률값 갱신 단계; 및
    최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단하고 그렇지 않은 경우 설문 문항 제시 단계로 되돌아가는 루프 제어 단계;
    를 포함하는 체질 판단 방법.
  3. 삭제
  4. 제 1 항에 있어서, 체질 판단 방법은 :
    1번 문항 제시 이전에, 설문 이외의 방식으로 설문 대상자의 체질별 초기 확률값을 결정하는 초기 확률값 결정 단계;
    를 더 포함하는 체질 판단 방법.
  5. 제 4 항에 있어서,
    초기 확률값 결정 단계는 안면촬영과 음성 녹음 중 적어도 하나를 통해 추출된 특징 데이터를 이용하여 체질별 초기 확률값을 산출하는 체질 판단 방법.
  6. 제 2 항에 있어서,
    체질별 확률값 갱신 단계는 베이즈 정리를 이용하여 체질별 확률값을 갱신하는 체질 판단 방법.
  7. 제 1 항, 제 2 항, 제 4 항 내지 제 6 항 중 어느 한 항에 따른 방법을 컴퓨터로 실행하기 위한 프로그램이 기록된 컴퓨터 판독가능한 기록매체.
  8. 설문 이전에, 설문 대상자에 대해 산출된 체질별 초기 확률값이 저장되는 확률값 저장부;
    설문 문항들 및 각 설문 문항의 답안에 대해 체질별 답안 선택 확률값이 저장된 설문 데이터베이스; 및
    상기 확률값 저장부에 저장되어 있는 채질별 초기 확률값을 확인하고 확인된 체질별 초기 확률값 중에서 최대 체질별 확률값을 가진 체질의 답안 선택 확률값이 가장 큰 설문 문항을 상기 설문 데이터베이스에서 선택하여 최초 설문 문항으로 제시하고 그 답안에 따라 체질별 확률값을 갱신하며, 최초 설문 문항의 답안에 따라 최대 체질별 확률값을 갖는 체질의 답안 선택 확률값이 가장 큰 설문 문항을 추가로 제시하고 그 답안에 따라 체질별 확률값을 갱신하는 과정을 반복하여, 최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단하는 설문 진행부;
    를 포함하는 체질 판단 장치.
  9. 제 8 항에 있어서, 설문 진행부는 :
    설문 문항의 체질별 답안 선택확률을 고려하여 설문 데이터베이스에서 설문 문항을 선택하는 설문 문항 선택부;
    선택된 설문 문항을 제시하고 답안을 입력받는 응답 처리부;
    입력된 답안에 기초하여 체질별 확률값을 갱신하는 확률값 갱신부; 및
    최대 체질별 확률값이 기준치 이상인 경우 그 체질로 판단하고 그렇지 않은 경우 설문을 반복케 하는 종료조건 판단부;
    를 포함하는 체질 판단 장치.
  10. 제 9 항에 있어서,
    설문 이외의 방식으로 설문 대상자의 체질별 초기 확률값을 산출하는 초기 확률값 산출부;
    를 더 포함하는 체질 판단 장치.
  11. 제 10 항에 있어서,
    초기 확률값 산출부는 안면촬영과 음성 녹음 중 적어도 하나를 통해 추출된 설문 대상자의 특징 데이터를 이용하여 체질별 초기 확률값을 산출하는 체질 판단 장치.
  12. 삭제
KR1020150190256A 2015-12-30 2015-12-30 설문 기반 체질 판단 방법 및 장치 KR101781174B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150190256A KR101781174B1 (ko) 2015-12-30 2015-12-30 설문 기반 체질 판단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150190256A KR101781174B1 (ko) 2015-12-30 2015-12-30 설문 기반 체질 판단 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20170079553A KR20170079553A (ko) 2017-07-10
KR101781174B1 true KR101781174B1 (ko) 2017-09-22

Family

ID=59355293

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150190256A KR101781174B1 (ko) 2015-12-30 2015-12-30 설문 기반 체질 판단 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101781174B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108324252B (zh) * 2018-03-28 2021-06-29 黄河科技学院 一种中医内科诊疗装置
CN109697227A (zh) * 2019-01-28 2019-04-30 深圳壹账通智能科技有限公司 过程优化的电子问卷动态生成方法、装置和计算机设备

Also Published As

Publication number Publication date
KR20170079553A (ko) 2017-07-10

Similar Documents

Publication Publication Date Title
US9317918B2 (en) Apparatus, method, and computer program product for medical diagnostic imaging assistance
AU2021202521A1 (en) Dynamic search and retrieval of questions
Polat et al. Hepatitis disease diagnosis using a new hybrid system based on feature selection (FS) and artificial immune recognition system with fuzzy resource allocation
EP1941410A2 (en) Medical-risk stratifying method and system
JP6750055B2 (ja) 顔画像からの定性的特徴を評価するコンピュータ実行ツールを構築する方法
US20080192995A1 (en) Example-Based Diagnosis Decision Support
JP2018045516A (ja) 分類装置、分類方法およびプログラム
EP3591656A1 (en) Determining rate of recruitment information concerning a clinical trial
JP2020518050A (ja) エンティティ間のコンテキスト的類似度の学習及び適用
JP2009528117A (ja) 画像の類似度を評価するための画像特性セットの特定
RU2559712C2 (ru) Обратная связь по релевантности для извлечения изображения на основе контента
KR101781174B1 (ko) 설문 기반 체질 판단 방법 및 장치
EP4173000A2 (en) Machine learning based medical data checker
CN113096793A (zh) 基于医学影像、算法和区块链的远程医疗诊断系统
Nugroho et al. Effective predictive modelling for coronary artery diseases using support vector machine
US20170004401A1 (en) Artificial intuition
CN117174257B (zh) 医疗影像的处理装置、电子设备及计算机可读存储介质
CN113360611A (zh) 基于检查结果的ai诊断方法、装置、存储介质和设备
CN108197706B (zh) 残缺数据深度学习神经网络方法、装置、计算机设备及存储介质
CN108334935B (zh) 精简输入的深度学习神经网络方法、装置和机器人系统
CN116705310A (zh) 围术期风险评估的数据集构建方法、装置、设备及介质
JP7321690B2 (ja) 検証システム及び検証装置
CN110993091B (zh) 从数据生成向量
JP2021196905A (ja) 情報処理装置、制御方法およびプログラム
JP2022551325A (ja) 診断ツール

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
GRNT Written decision to grant