KR102002766B1 - 생체 정보 측정 장치 - Google Patents

생체 정보 측정 장치 Download PDF

Info

Publication number
KR102002766B1
KR102002766B1 KR1020180163804A KR20180163804A KR102002766B1 KR 102002766 B1 KR102002766 B1 KR 102002766B1 KR 1020180163804 A KR1020180163804 A KR 1020180163804A KR 20180163804 A KR20180163804 A KR 20180163804A KR 102002766 B1 KR102002766 B1 KR 102002766B1
Authority
KR
South Korea
Prior art keywords
data
user
learning
bone density
measurement model
Prior art date
Application number
KR1020180163804A
Other languages
English (en)
Inventor
김승호
류혁곤
목송윤
Original Assignee
주식회사 셀바스헬스케어
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 셀바스헬스케어 filed Critical 주식회사 셀바스헬스케어
Priority to KR1020180163804A priority Critical patent/KR102002766B1/ko
Application granted granted Critical
Publication of KR102002766B1 publication Critical patent/KR102002766B1/ko

Links

Images

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/05Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/053Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537Measuring body composition by impedance, e.g. tissue hydration or fat content
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/45For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4504Bones
    • A61B5/4509Bone density determination
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4869Determining body composition
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychiatry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Signal Processing (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

본 개시의 일 실시예에 따라 생체 정보 측정 장치가 개시된다. 상기 생체 정보 측정 장치는 사용자의 신체 일부에 접촉하여 상기 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 두개 이상의 전극을 포함하는 핸들부; 상기 사용자의 신체 일부에 접촉하여 상기 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 두개 이상의 전극을 포함하는 상판부; 및 일 사용자의 멀티 임피던스 정보를 포함하는 학습 생체 데이터를 독립 변수로 포함하고, 상기 일 사용자의 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 학습 데이터를 생성하고, 사용자들의 학습 데이터를 포함하는 학습 데이터셋을 생성하고, 상기 사용자들의 학습 생체 데이터를 건강 측정 모델을 통해 연산하여 출력한 골밀도 데이터와 상기 학습 데이터셋에 포함된 상기 실제 측정된 골밀도 데이터의 오차를 감소시키기 위하여 상기 건강 측정 모델의 학습을 수행하고, 입력 장치 및 사용자 단말 중 적어도 하나로부터 상기 사용자의 생체 데이터 중 적어도 일부를 수신하고, 그리고 상기 사용자의 상기 생체 데이터 중 적어도 일부를 입력 독립 변수로 하여, 상기 학습된 건강 측정 모델을 통해 연산함으로써, 상기 사용자의 골밀도 데이터를 생성하는 제어부를 포함한다.

Description

생체 정보 측정 장치{HEALTH MEASURING DEVICE}
본 개시는 생체 정보 측정 장치에 관한 것으로, 보다 구체적으로 복수의 전극부를 포함하는 생체 정보 측정 장치에 관한 것이다.
생체 임피던스를 측정하기 위해서는 전류 전극과 전압 전극이 필요하다. 전압 전극은 인체에 전압을 인가하기 위한 것이고, 전류 전극은 인체에 인가된 전압에 의하여 흐르는 전류를 측정하기 위한 것이며, 인가된 전압과 전류를 통하여 인체의 임피던스가 측정될 수 있다.
종래의 생체 임피던스를 측정하기 위한 장치는 고정적인 재질로 구성되어 있어, 정확도가 떨어지는 문제가 있었다. 따라서, 사용자의 신체 조건에 맞는 전극을 이용하여 사용자의 임피던스 측정의 정밀도를 높일 수 있는 장치에 대한 필요성이 당업계에 존재한다.
대한민국 등록특허 제10-0819537호는 체성분 분석기를 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 생체 정보 측정 장치를 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 상기 생체 정보 측정 장치는 사용자의 신체 일부에 접촉하여 상기 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 두개 이상의 전극을 포함하는 핸들부; 상기 사용자의 신체 일부에 접촉하여 상기 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 두개 이상의 전극을 포함하는 상판부; 및 일 사용자의 멀티 임피던스 정보를 포함하는 학습 생체 데이터를 독립 변수로 포함하고, 상기 일 사용자의 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 학습 데이터를 생성하고, 사용자들의 학습 데이터를 포함하는 학습 데이터셋을 생성하고, 상기 사용자들의 학습 생체 데이터를 건강 측정 모델을 통해 연산하여 출력한 골밀도 데이터와 상기 학습 데이터셋에 포함된 상기 실제 측정된 골밀도 데이터의 오차를 감소시키기 위하여 상기 건강 측정 모델의 학습을 수행하고, 입력 장치 및 사용자 단말 중 적어도 하나로부터 상기 사용자의 생체 데이터 중 적어도 일부를 수신하고, 그리고 상기 사용자의 상기 생체 데이터 중 적어도 일부를 입력 독립 변수로 하여, 상기 학습된 건강 측정 모델을 통해 연산함으로써, 상기 사용자의 골밀도 데이터를 생성하는 제어부를 포함할 수 있다.
생체 정보 측정 장치의 대안적인 실시예에서, 상기 생체 데이터는, 상기 사용자의 키, 체중, 나이, 성별 및 멀티 임피던스 정보를 포함할 수 있다.
생체 정보 측정 장치의 대안적인 실시예에서, 상기 생체 데이터는, 상기 사용자의 키, 체중, 나이, 성별 및 멀티 임피던스 정보 중 적어도 둘 이상의 조합을 이용하여 생성된 관계 정보를 더 포함할 수 있다.
생체 정보 측정 장치의 대안적인 실시예에서, 상기 학습 데이터셋은, 제약 조건을 만족하는 사용자에 대한 생체 데이터를 독립 변수로 포함하고, 상기 독립 변수와 매칭되는 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 학습 데이터를 포함하고, 그리고 상기 제약 조건은, 사전결정된 연령 이상에 해당하는 나이 조건, 성비를 동일하게 하기 위한 조건 및 사전결정된 골밀도 데이터 이상에 해당하는 실제 측정된 골밀도 데이터 조건 중 적어도 하나를 포함할 수 있다.
생체 정보 측정 장치의 대안적인 실시예에서, 상기 건강 측정 모델은, 상기 사용자의 상기 생체 데이터 중 적어도 일부를 포함하는 입력 독립 변수 및 상기 입력 독립 변수와 골밀도 데이터를 포함하는 종속 변수 간의 상관성을 나타내는 상관성 계수에 기초하여 상기 사용자의 골밀도 데이터를 생성할 수 있다.
생체 정보 측정 장치의 대안적인 실시예에서, 상기 제어부는, 상기 학습 데이터셋에 포함된 하나 이상의 학습 데이터 각각에 대한 상기 건강 측정 모델을 이용하여 획득한 골밀도 데이터와 상기 실제 측정된 골밀도 데이터의 오차의 제곱 각각을 합한 값이 최소가 되도록 상기 건강 측정 모델의 학습을 수행할 수 있다.
생체 정보 측정 장치의 대안적인 실시예에서, 상기 제어부는, 상기 사용자들과 다른 사용자들의 생체 데이터를 독립 변수로 포함하고, 상기 다른 사용자들의 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 테스트 데이터셋을 생성하고, 상기 다른 사용자들의 상기 생체 데이터를 상기 학습된 건강 측정 모델을 통해 연산하여 골밀도 데이터를 생성하고, 상기 연산된 골밀도 데이터와 상기 테스트 데이터셋에 포함된 상기 실제 측정된 골밀도 데이터의 오차를 연산하고, 상기 오차가 사전결정된 값 미만인 경우, 상기 학습된 건강 측정 모델의 활성화를 결정하고, 상기 오차가 사전결정된 값 이상인 경우, 상기 학습된 건강 측정 모델의 비활성화를 결정할 수 있다.
생체 정보 측정 장치의 대안적인 실시예에서, 상기 제어부는, 상기 사용자들과 다른 사용자들의 생체 데이터를 독립 변수로 포함하고, 상기 다른 사용자들의 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 테스트 데이터셋을 생성하고, 상기 다른 사용자들의 생체 데이터를 상기 학습된 건강 측정 모델을 통해 연산하여 생성한 골밀도 데이터를 포함하는 제 1 데이터와 상기 실제 측정된 골밀도 데이터를 포함하는 제 2 데이터의 오차의 제곱인 제 1 오차를 연산하고, 상기 제 1 데이터와 상기 다른 사용자들의 제 1 데이터의 평균 값인 제 3 데이터의 오차의 제곱인 제 2 오차를 연산하고, 상기 제 1 오차 및 상기 제 2 오차에 기초하여 결정 계수 값을 연산하고, 상기 결정 계수 값이 사전결정된 값 이상인 경우 상기 학습된 건강 측정 모델의 활성화를 결정하고, 상기 결정 계수 값이 사전결정된 값 미만인 경우 상기 학습된 건강 측정 모델의 비활성화를 결정할 수 있다.
생체 정보 측정 장치의 대안적인 실시예에서, 상기 골밀도 데이터는, 사용자의 뼈의 강도와 관련한 데이터이고, 사용자의 골밀도 값, 사용자의 골밀도 값과 사전결정된 사용자 그룹의 골밀도 값을 비교한 지수, 사용자의 골밀도 값과 사용자와 동일한 연령대의 사용자 그룹의 평균 골밀도 값을 비교한 지수, 사용자의 골밀도 값과 동일한 성별의 사용자 그룹의 골밀도 값을 비교한 지수, 사용자의 골밀도 값과 사용자와 동일한 성별에서 젊은 성인 집단의 평균 골밀도 값의 표준 편차로 나타낸 값 및 사용자의 골밀도 값과 동일한 인종 사용자 그룹의 골밀도 값을 비교한 지수 중 적어도 하나를 포함할 수 있다.
본 개시는 생체 정보 측정 장치를 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 생체 정보 측정 장치를 도시한다.
도 2는 본개시의 다른 일 실시예에 따른 생체 정보 측정 장치를 도시한다.
도 3은 본개시의 다른 일 실시예에 따른 생체 정보 측정 장치를 도시한다.
도 4는 본 개시의 일 실시예에 따른 생체 정보 측정 장치의 블록 구성도를 도시한 도면이다.
도 5는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 6은 본 개시의 일 실시예에 따른 건강 측정 모델을 나타낸 예시도이다.
도 7은 본 개시의 다른 일 실시예에 따른 건강 측정 모델을 적용한 예시적인 그래프이다.
도 8은 본 개시의 다른 일 실시예에 따른 건강 측정 모델을 적용한 예시적인 그래프이다.
도 9는 다른 건강 측정 모델의 일 예를 나타내는 도면이다.
도 10은 본 개시의 일 실시예에 따라 생체 정보 생성 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 11은 본 개시의 일 실시예에 따라 생체 정보 생성 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 12은 본 개시의 일 실시예에 따라 생체 정보 생성 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 13은 본 개시의 일 실시예에 따라 생체 정보 생성 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 14는 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의 미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
본 개시의 일 실시예에서 서버는 서버의 서버 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 서버는 임의의 형태의 장치는 모두 포함할 수 있다. 서버는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 서버는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
도 1은 본 개시의 일 실시예에 따른 생체 정보 측정 장치를 도시한다.
생체 정보 측정 장치는 본체부(110), 지지대(120), 핸들부(130), 입력부(140) 및 출력부(150)를 포함할 수 있다. 생체 정보 측정 장치의 구성 요소 중 본체부(110)를 제외한 일부는 본체부(110)의 윗편에 위치한다. 생체 정보 측정 장치의 구성 요소 중 본체부(110)를 제외한 일부를 상체부로 명명한다. 예컨대, 상체부는 지지대(120), 핸들부(130), 입력부(140) 및 출력부(150)를 포함할 수 있다. 지지대(120)는 본체부(110)에 결합되어, 본체부(110)로부터 상부로 연장된다. 지지대(120)의 상부에 있는 핸들부(130)에는 오른손 전극부(180) 및 왼손 전극부(190)가 연결되어 있다. 즉, 핸들부(130)는 오른손 전극부(180) 및 왼손 전극부(190)를 포함할 수 있다. 핸들부(130)는 사용자의 신체 일부로 구성되는 루프의 임피던스를 측정하기 위한 전극을 포함할 수 있다. 예를 들어, 전극이 사용자의 오른손 및 왼손에 연결되는 경우, 루프는 상기 사용자의 오른손부터 신체를 관통하여 왼손까지의 임피던스를 측정하기 위한 대상일 수 있다. 사용자는 선 자세에서 양 손의 전극부들(180 및 190)을 잡을 수 있고, 입력부(140)를 조작할 수 있고, 출력부(150) 를 확인할 수 있다. 본체부(110)는 하판부(112), 로드셀(load cell)(114) 및 상판부(116)를 포함할 수 있다. 상판부(116)의 상부에는 오른발 전극부(160) 및 왼발 전극부(170)가 연결되어 있다. 즉, 상판부는 오른발 전극부(160) 및 왼발 전극부(170)를 포함할 수 있다. 사용자는 상판부(116) 위에 올라서서 자신의 건강 데이터를 측정한다. 구체적으로, 사용자는 건강 데이터 측정을 위해 상판부(116) 위의 오른발 전극부(160) 위에 자신의 오른발을 올려 놓으며, 왼발 전극부(170) 위에 자신의 왼발을 올려 놓는다. 따라서, 상판부(116)는 발판의 역할을 한다. 상판부(116)는 신체의 일부와 접촉하여, 사용자의 신체의 일부로 구성되는 루프의 임피던스를 측정하기 위한 전극을 포함할 수 있다. 예를 들어, 사용자의 오른발 및 왼발이 상판부에 포함된 전극과 접촉하는 경우, 루프는 상기 사용자의 오른발부터 몸통을 통해 왼발로 이어지는 루트일 수 있다. 로드셀(114)은 상판부(116)의 아래에 위치한다. 로드셀(114)은 상판부(116)의 아랫면에 부착될 수 있다. 로드셀(114)은 로드셀의 윗면으로 가해지는 힘을 측정함으로써 피측정자의 체중을 측정하거나, 피측정자의 체중에 관련된 정보를 생성할 수 있다. 하판부(112)는 상판부(116) 및 로드셀(114)을 지지한다. 따라서, 하판부(112)를 지지부로 명명할 수 있다. 또한, 하판부(112)는 지지대(120)를 포함한 상체부를 지지한다. 즉, 하판부(112) 및 상체부는 일체로 상호 연결 또는 결합된다.
상판부는 사용자의 오른발과 접촉하는 오른발 전극부 및 사용자의 왼발과 접촉하는 왼발 전극부를 포함할 수 있다. 핸들부는 사용자의 오른손과 접촉하는 오른손 전극부 및 사용자의 왼손과 접촉하는 왼손 전극부를 포함할 수 있다. 4 개의 전극부들은 각각 전압이 인가되는 전압 전극 및 전류가 인가되는 전류 전극을 포함할 수 있다. 오른발 전극부는 사용자의 오른발(또는, 오른발바닥)에 접촉하는 오른발 전압 전극 및 오른발 전류 전극을 포함할 수 있다. 왼발 전극부는 사용자의 왼발(또는, 왼발바닥)에 접촉하는 왼발 전류 전극 및 왼발 전압 전극을 포함할 수 있다. 오른손 전극부는 사용자의 오른손에 접촉하는 오른손 전압 전극 및 오른손 전류 전극을 포함할 수 있다. 왼손 전극부는 사용자의 왼손에 접촉하는 왼손 전압 전극 및 왼손 전류 전극을 포함할 수 있다.
로드셀은 상체부, 핸들부, 지지대 및 상판부 중 적어도 하나의 무게를 반영하여 영점 조절할 수 있다. 예를 들어, 입력부 및 출력부가 상체부에 포함된 경우, 로드셀은 입력부 및 출력부의 무게를 반영하여 영점 조절될 수 있다. 전술한 영점 조절에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라, 생체 정보 측정 장치는 측정부(100)를 포함할 수 있다. 여기서 측정부(100)는 전극을 포함할 수 있고, 상기 전극은 사용자 신체의 적어도 일부분에 전류를 인가하여 임피던스를 측정하기 위해 두 개 이상으로 구성될 수 있다. 측정부(100)는 오른손 전극부(180), 왼손 전극부(190) 오른발 전극부(160) 및 왼발 전극부(170)를 포함할 수 있다. 상기 전극은 사용자 신체의 적어도 일부에 일정한 주파수를 지닌 전류를 인가할 수 있다, 이에 따라, 상기 전극은 상기 사용자 신체의 적어도 일부에 대한 임피던스를 측정할 수 있다. 또한, 전극은 측정한 임피던스를 컴퓨팅 장치(400)의 제어부(410)에 제공할 수 있다.
컴퓨팅 장치(400)의 제어부(410)는 전류 및 주파수 신호 중 적어도 하나를 발생시킬 수 있다. 제어부(410)는 소정의 주파수 신호를 생성할 수 있다. 상기 주파수 신호는 1kHz 이상 10MHz 이하의 범위의 주파수를 갖는 다주파수 신호일 수 있다. 제어부(410)는 주파수 신호에 기초하여 전류 전극에 인가될 전류를 생성할 수 있다. 예를 들어, 제어부(410)는, 1kHz 이상 10MHz 이하의 주파수를 갖는 신호를 생성할 수 있고, 제어부(410)에서 생성된 신호는 다주파수 신호로서 합성될 수 있다. 예를 들어, 제어부(410)는 다주파수 신호에 기초하여 전류 전극에 인가될 전류를 생성할 수 있다. 컴퓨팅 장치(400)의 제어부(410)에서 생성된 전류는 소정의 주파수 신호의 주파수 특성을 가질 수 있다. 예를 들어, 상기 전류는 소정의 주파수 신호와 마찬가지로 다주파수의 특성을 가질 수 있다.
예를 들어, 전극은 생체 정보 측정 장치 상에서 사용자의 왼쪽 손목에 접촉될 수 있게 배치되어 있는 좌측 전압전극, 좌측 전류전극과 오른쪽 손 2개의 손가락이 접촉할 수 있는 우측 전압전극, 우측 전류전극으로 구성될 수 있다. 또한, 상기 전극은 50kHz의 주파수를 지니는 전류를 왼쪽 손목의 좌측 전류전극으로 인가 할 수 있다. 그리고, 상기 전류는 왼쪽 손목, 왼쪽 팔, 몸통, 오른쪽 팔 및 오른쪽 손목을 거쳐 오른쪽 손의 우측 전류전극으로 돌아올 수 있다. 또한, 상기 전극은 50kHz 전류가 흐를 때 왼쪽 손목의 좌측 전압 전극과 오른쪽 손의 우측 전압전극 간의 전압차를 측정함으로써 사용자 신체 중 상기 전류가 통전 된 양쪽 팔과 몸통 부분의 임피던스를 측정할 수 있다. 상기 전극의 배치와 작동 동작은 상세한 예시의 기재일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 전극은 사용자의 손바닥 및 발바닥 중 적어도 하나와 접촉하는 기본접촉면 및 상기 기본접촉면 상에 돌출되어 위치하고, 사용자의 손가락, 또는 발가락 사이에 접촉되도록 구성되는 하나 이상의 밀착접촉면을 포함할 수 있다.
보다 구체적으로, 기본접촉면은 손허리 부분 및 손가락 부분 중 사용자의 손바닥 방향에 위치하는 면의 적어도 일부에 접촉되도록 배치될 수 있다. 여기서 손허리 부분은 다섯 개의 손가락이 모이는 부분이고, 각 손가락들의 손허리뼈가 위치하는 부분을 의미할 수 있다. 그리고, 여기서 손가락 부분은 손등의 배면 중 각 손가락에서 손허리 부분과 접하는 첫마디부터 끝마디까지를 의미할 수 있다. 또한, 밀착접촉면은 상기 기본접촉면 상에서 돌출되는 하나 이상의 유닛을 포함할 수 있고, 상기 손허리 부분 및 손가락 부분의 측면 중 적어도 일부에 접촉되도록 배치될 수 있다. 여기서 측면이란 손등 방향의 상면 및 손바닥 방향의 하면 사이에 위치하는 각 손가락들의 사이 부분 및 손날면을 포함할 수 있다. 따라서, 밀착접촉면은 기본접촉면이 접촉되는 일반적인 손바닥 부분 외에도 사용자의 손가락 사이에 위치하는 비교적 부드러운 피부에 접촉될 수 있다.
본 개시의 다른 일 실시예에 따른 전극은 기본접촉면 및 밀착접촉면을 포함할 수 있다. 그리고, 상기 기본접촉면은 사용자의 발바닥 방향에 위치하는 발허리 부분 및 발가락 부분 중 적어도 일부에 접촉되도록 배치될 수 있다. 여기서 발허리 부분은 다섯 개의 발가락이 모이고 각 발가락들의 발허리뼈가 위치하는 발볼을 포함하는 앞발 부분을 의미할 수 있다. 그리고, 여기서 발가락 부분은 발등의 배면 중 각 발가락에서 발허리 부분과 접하는 첫마디부터 끝마디까지를 의미할 수 있다. 또한, 밀착접촉면은 상기 기본접촉면 상에서 돌출되는 하나 이상의 족지간 유닛을 포함할 수 있고, 상기 발허리 부분 및 발가락 부분의 측면 중 적어도 일부에 접촉되도록 배치될 수 있다. 여기서 측면이란 발등 방향의 상면 및 발바닥 방향의 하면 사이에 위치하는 각 발가락들의 사이 부분, 발날면 및 발바닥의 아치부분을 포함할 수 있다. 따라서, 밀착접촉면은 기본접촉면이 접촉되는 일반적인 발바닥 부분 외에도 사용자의 발가락 사이에 위치하는 비교적 부드러운 피부에 접촉될 수 있다.
본 개시의 일 실시예에 따른 전극은 사용자의 체온, 또는 상기 사용자의 체온보다 높은 사전 설정된 온도로 유지될 수 있다. 보다 구체적으로, 측정부는 상기 전극에 열을 제공할 수 있는 발열 모듈(미도시), 또는 보온재를 포함할 수 있다. 따라서, 전극은 사용자의 체온, 또는 체온보다 0℃~10℃? 더 높은 온도 중 적어도 하나의 온도를 유지할 수 있도록 구성될 수 있다. 또한, 밀착접촉면은 사용자의 손가락, 또는 발가락의 사이에 열을 제공할 수 있다.
따라서, 본 개시의 일 실시예에 따른 생체 정보 측정 장치는 건조하고 굳은 살이 많은 사용자의 손바닥, 또는 발바닥을 대신해서 보다 습하고 굳은 살이 없는 손가락 또는, 발가락 사이의 피부에 접촉해서 임피던스를 측정할 수 있다. 그리고, 생체 정보 측정 장치는 건조하고 굳은 살이 많은 곳에서 발생하는 측정의 오차를 줄일 수 있다.
또한, 전극이 사용자가 제공하는 압력에 의해 사용자의 손, 발의 형태를 반영하여 변형될 수 있어, 보다 잘 고정될 수 있다. 추가적으로, 전극이 사용자의 체온보다 높은 온도로 유지될 수 있어 측정부위의 땀을 유발해 습도를 높일 수 있는 효과도 있을 수 있다.
생체 정보 측정 장치는 측정부(100)에서 측정된 임피던스에 기초하여 체성분 데이터 및 골밀도 데이터 중 적어도 하나를 포함하는 정보를 생성하는 컴퓨팅 장치(400)의 제어부(410)를 포함할 수 있다.
도 2는 본개시의 다른 일 실시예에 따른 생체 정보 측정 장치를 도시한다.
본 개시의 일 실시예에 따른 기본접촉면은 사용자의 손바닥으로 감싸지도록 구성되는 외주면을 포함할 수 있다. 그리고 밀착접촉면은 상기 외주면 상에 사전 설정된 각도로 배치되는 세 개의 지간 유닛(231, 232, 233)을 포함할 수 있다.
보다 구체적으로, 전극은 사용자가 손바닥으로 감쌀 수 있는 형태로 구성될 수 있다. 그리고, 기본접촉면은 상기 손바닥과 적어도 일부분 접촉할 수 있도록 상기 전극의 외주면의 적어도 일부분에 배치될 수 있다. 또한, 밀착접촉면은 사용자의 검지부터 약지까지의 네 손가락들의 사이에 배치되도록 구성되는 세 개의 지간 유닛(231, 232, 233)을 포함할 수 있다. 그리고, 세 개의 지간 유닛(231, 232, 233) 각각은 사용자가 쥐기 편하도록 기본접촉면과 사전설정된 각도로 형성될 수 있다. 예를 들어, 밀착접촉면의 세 개의 지간 유닛(231, 232, 233)은 기본접촉면과 각각 80°, 85° 및 90°로 형성될 수 있다. 전술한 지간 유닛의 각도에 대한 수치 기재는 예시일뿐, 본 개시는 이에 제한되지 않는다.
또한, 세 개의 지간 유닛(231, 232, 233)은 사람의 평균 손가락 두께 이상의 길이로 구성되고, 중단부가 양 끝단부보다 얇도록 구성될 수 있다. 보다 구체적으로, 세 개의 지간 유닛들은 사람들의 평균 손가락 첫 마디 두께 이상의 길이로 구성될 수 있다. 여기서 첫 마디는 사용자의 손바닥에서 손허리 부분과 첫 번째로 접하는 마디일 수 있다. 또한, 상기 세 개의 지간 유닛들은 각각 사용자의 손가락에 밀착될 수 있도록 중단부가 양 끝단보다 얇도록 형성되어 손가락이 보다 용이하게 고정될 수 있도록 구성될 수 있다.
도 3은 본개시의 다른 일 실시예에 따른 생체 정보 측정 장치를 도시한다.
본 개시의 일 실시예에 따른 밀착접촉면은 사용자의 엄지 손가락과 검지 손가락의 사이 부분의 적어도 일부분을 커버하도록 구성되는 하나의 엄지 유닛(234)을 포함할 수 있다.
보다 구체적으로, 전극은 사용자가 손바닥으로 감쌀 수 있는 형태로 구성될 수 있다. 그리고, 기본접촉면은 상기 손바닥과 적어도 일부분 접촉할 수 있도록 상기 전극의 외주면의 적어도 일부분에 배치될 수 있다. 또한, 밀착접촉면은 사용자의 엄지와 검지 사이에 배치되도록 구성되는 하나의 엄지 유닛(234)을 포함할 수 있다. 그리고, 하나의 엄지 유닛(234)은 사용자의 엄지와 검지 사이의 측면 중 적어도 일부분을 커버하도록 형성될 수 있다.
예를 들어, 도 3에 도시된 바와 같이 밀착접촉면의 하나의 엄지 유닛은 사용자의 오른 엄지와 검지의 사이에 돌출되도록 배치되는 원형의 금속으로 구성될 수 있다. 따라서, 하나의 엄지 유닛은 사용자가 측정부(100)를 손으로 감싸는 경우, 엄지와 검지 사이의 측면에 위치하여 사용자의 손가락에 밀착될 수 있고, 보다 용이하게 고정될 수 있다. 전술한 하나의 엄지 유닛의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 예를 들어, 하나의 엄지 유닛은 엄지와 검지의 측면으로부터 손등까지를 커버하도록 형성될 수도 있다.
따라서, 본 개시의 일 실시예에 따른 생체 정보 측정 장치는 건조하고 굳은 살이 많은 사용자의 손바닥, 또는 발바닥을 대신해서 보다 습하고 굳은 살이 없는 손가락 또는, 발가락 사이의 피부에 접촉해서 임피던스를 측정할 수 있다. 그리고, 생체 정보 측정 장치는 건조하고 굳은 살이 많은 곳에서 발생하는 측정의 오차를 줄일 수 있다.
또한, 전극이 사용자가 제공하는 압력에 의해 사용자의 손, 발의 형태를 반영하여 변형될 수 있어, 보다 잘 고정될 수 있다. 추가적으로, 전극이 사용자의 체온보다 높은 온도로 유지될 수 있어 측정부위의 땀을 유발해 습도를 높일 수 있는 효과도 있을 수 있다.
도 4는 본 개시의 일 실시예에 따른 생체 정보 측정 장치의 블록 구성도를 도시한 도면이다.
도 4에 도시된 컴퓨팅 장치(400)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(400)는 컴퓨팅 장치(400)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수도 있다. 컴퓨팅 장치(400)는 단말 또는 서버일 수 있다. 컴퓨팅 장치(400)는 임의의 형태의 장치는 모두 포함할 수 있다. 컴퓨팅 장치(400)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 컴퓨팅 장치(400)는 건강 측정을 처리하는 웹 서버일 수 있다.
본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.
본 명세서에서 모델은 네트워크 함수를 포함할 수 있다. 모델은 하나 이상의 네트워크 함수를 포함할 수도 있으며, 이 경우 모델의 출력은 하나 이상의 네트워크 함수의 출력의 앙상블일 수 있다.
컴퓨팅 장치(400)는 제어부(410), 네트워크부(420), 메모리(430) 및 측정부(100)를 포함할 수 있다.
제어부(410)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 제어부(410)는 메모리(430)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 체성분 및 골밀도 중 적어도 하나를 포함하는 건강 관련 데이터 측정 방법을 수행할 수 있다. 본 개시의 일 실시예에 따라 제어부(410)는 신경망의 학습을 위한 계산을 수행할 수 있다. 제어부(410)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
제어부(410)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 모델의 학습, 모델을 이용한 골밀도 데이터 및 체성분 데이터에 대한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 모델의 학습, 건강 측정 모델을 통한 골밀도 데이터 및 체성분 데이터 중 적어도 하나에 대한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에서 컴퓨팅 장치(400)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 모델을 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(400)는 다른 컴퓨팅 장치와 함께 모델을 분산하여 처리할 수 있다.
이하에서는 본 개시의 일 실시예에 따른 건강 측정을 위한 방법에 관하여 설명한다.
본 개시의 일 실시예에 따른 골밀도 데이터 및 체성분 데이터 중 적어도 하나를 연산하기 위한 하나 이상의 네트워크 함수를 포함하는 건강 측정 모델을 생성하는 방법에 관하여 설명한다.
본 개시에서 사용자의 생체 정보는, 사용자의 신체와 관련된 수치를 포함할 수 있다. 본 개시에서 사용자의 생체 정보는, 사용자의 체성분 구성을 나타낸 체성분 데이터 및 사용자의 골밀도를 나타내는 골밀도 데이터를 포함할 수 있다.
제어부(410)는 네트워크부(420)를 이용하여 학습 데이터 세트를 획득할 수 있다. 학습 데이터 세트는 전체 사용자의 학습 생체 데이터, 학습 체성분 데이터 및 학습 골밀도 데이터를 포함할 수 있다. 학습 생체 데이터는 사용자의 건강과 관련한 데이터일 수 있다. 학습 생체 데이터는 각각의 항목 값을 가지는 하나 이상의 항목을 포함할 수 있다. 예를 들어, 학습 생체 데이터는 키, 체중, 나이, 성별, 멀티 임피던스 및 관계 정보 중 적어도 하나를 포함할 수 있다. 상기 멀티 임피던스는 측정부를 통해 측정된 사용자 신체의 적어도 일부분에 해당하는 임피던스 측정 값일 수 있다. 상기 멀티 임피던스는 상기 두개 이상의 전극 중에서 하나의 전극에서 다른 하나의 전극으로 전류가 흐르는 경로와 관련한 임피던스인 다중 경로 임피던스 및 상기 사용자 신체의 적어도 일부에 대한 임피던스 측정을 위하여 상기 사용자의 신체의 적어도 일부에 인가된 상기 전압의 하나 이상의 주파수 별 임피던스인 다중 주파수 임피던스를 포함할 수 있다. 상기 멀티 임피던스는 위상각 및 리액턴스를 포함하는 값일 수 있다. 다중 주파수 임피던스는, 사용자 신체에 복수의 주파수를 가진 복수의 전류를 흐르게 하여 측정되는 임피던스일 수 있다. 예를 들어, 다중 경로 임피던스는 왼손과 접촉하는 전극에서 오른손과 접촉하는 전극으로 전류가 흐르는 경로와 관련된 사용자의 신체에 관한 임피던스 및 오른손과 접촉하는 전극과 왼발과 접촉하는 전극 사이에 흐르는 전류의 경로와 관련된 사용자 신체에 관한 임피던스 등을 포함할 수 있다. 즉, 다중 경로 임피던스는 생체 정보 측정 장치의 복수의 전극 사이에서 사용자의 신체를 따라 전류가 흐르는 경로 각각에 대한 임피던스들을 포함할 수 있다. 예를 들어, 다중 주파수 임피던스는 상기 사용자의 신체의 적어도 일부에 인가된 전압에 의해 50kHz의 전류가 흐를 때의 사용자 신체에 관한 임피던스와 30kHz의 전류에 대한 임피던스를 포함할 수 있다. 즉, 다중 주파수 임피던스는 상기 다중 경로 각각에 대하여 다중 주파수의 전압, 전류 신호를 인가하여 측정된 임피던스 일 수 있다. 전술한 멀티 임피던스에 관한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 관계 정보는, 학습 생체 데이터 중 관계 정보를 제외한 다른 인자들 중 적어도 두개의 인자들의 관계에 관한 정보일 수 있다. 예를 들어, 관계 정보는 학습 생체 데이터의 인자 중 체중과 멀티 임피던스의 관계에 관한 정보일 수 있다. 예를 들어, 관계 정보는
Figure 112018127042559-pat00001
일 수 있다. 전술한 관계 정보에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. 학습 골밀도 데이터는 사용자의 뼈의 강도와 관련한 데이터일 수 있다. 예를 들어, 학습 골밀도 데이터는 사용자의 골밀도 값 사전결정된 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 연령대의 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 성별의 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 인종 그룹의 골밀도와 비교한 지수, T-값 및 Z-값 중 적어도 하나를 포함할 수 있다. T-값은 동일한 성별에서 젊은 성인 집단의 평균 골밀도와 비교하여 표준편차로 나타낸 값을 포함할 수 있다. T-값은 (환자의 측정 골밀도 값 - 젊은 집단의 평균 골밀도 값)에 기초하여 표준편차로 나타낸 값을 포함할 수 있다. T-값은 골절에 관한 절대적인 위험도를 나타내는 값일 수 있다. Z-값은 동일한 연령대의 골밀도와 평균 골밀도를 비교하여 표준편차로 나타낸 값을 포함할 수 있다. Z-값은 (환자의 측정 골밀도 값 - 동일 연령 집단의 평균 골밀도 값)에 기초하여 표준 편차로 나타낸 값을 포함할 수 있다. 예를 들어, 학습 골밀도 데이터는 폐경 이후의 여성 또는 50세 이상의 남성에 대하여 측정한 경우 T-값일 수 있고, 소아, 청소년, 폐경 전 여성 또는 50세 이전 남성에 대하여 측정한 경우 Z-값일 수 있다. 학습 체성분 데이터는 사용자의 체내의 성분에 관한 데이터일 수 있다. 예를 들어, 학습 체성분 데이터는 체중, 체수분량, 세포 내 수분량, 세포 외 수분량, 체질량 지수, 체지방량, 근육량 및 골격근량 중 적어도 하나를 포함할 수 있다. 전술한 바와 같은 체성분 정보는 본 개시의 일 실시예에 따른 예시적 기재일 뿐이며, 기재되지 않은 다양한 정보들이 체성분 정보에 포함될 수 있다. 예를 들어, 체성분 정보는 단백질량 및 무기질량 중 적어도 하나를 더 포함할 수 있다. 전술한 학습 생체 데이터, 학습 체성분 데이터 및 학습 골밀도 데이터에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 학습 데이터 세트에 포함된 사용자의 학습 생체 데이터에 상기 사용자의 학습 골밀도 데이터 및 학습 체성분 데이터를 라벨링하여 학습 데이터를 생성할 수 있다. 제어부(410)는 사용자의 학습 생체 데이터를 학습 데이터의 입력으로 하고, 상기 사용자의 학습 골밀도 데이터 및 학습 체성분 데이터를 학습 데이터의 라벨로 하여 학습 데이터를 생성할 수 있다. 예를 들어, 사용자 A의 학습 생체 데이터(본 예시에서, 60세, 164cm, 여성, 53kg, 700Ω,
Figure 112018127042559-pat00002
)를 학습 데이터의 입력으로 하고, 상기 사용자 A의 학습 골밀도 데이터(본 예시에서, T-값 -0.1) 및 체성분 데이터(본 예시에서, 체지방률 25%)를 학습 데이터의 라벨로 하여 학습 데이터를 생성할 수 있다. 전술한 학습 데이터의 생성에 대한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
제어부(410)는 사용자의 학습 생체 데이터의 하나 이상의 항목 중 결손 항목이 있는 경우, 상기 결손 항목의 항목 값을 학습 데이터 세트의 중간값 또는 평균값으로 할 수 있다. 제어부(410)는 학습 생체 데이터 세트의 사용자들의 생체 데이터 중 일 항목에 대한 데이터가 부족한 경우, 해당 항목에 대한 열을 삭제할 수 있다. 예를 들어, 사용자B의 학습 생체 데이터의 항목 중 키에 대한 항목의 데이터가 존재하지 않는 경우, 사용자B의 키에 대한 결손 항목에 대해, 사용자B의 동일 성별 및 연령대의 전체 사용자들의 키에 대한 항목의 평균값인 173cm으로 결손 항목에 대한 항목 값을 보충할 수 있다. 예를 들어, 학습 생체 데이터의 항목 중 몸무게에 대한 데이터가 전체 사용자 중 사전 결정된 비율 이상의 사용자의 학습 생체 데이터에 부 존재하는 경우, 해당 항목(본 예시에서, 몸무게)에 대한 열을 삭제할 수 있다. 전술한 결손 항목의 항목 값 보충에 대한 기재는 예시일 뿐이며, 본개시는 이에 제한되지 않는다.
제어부(410)는 하나 이상의 네트워크 함수를 포함하는 건강 측정 모델을 생성할 수 있다. 제어부(410)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어 중 적어도 하나를 포함하는 하나 이상의 네트워크 함수로 이루어진 건강 측정 모델을 생성할 수 있다. 제어부(410)는 하나 이상의 입력 노드를 포함하는 입력 레이어로 구성된 네트워크 함수를 생성할 수 있다. 제어부(410)는 네트워크 함수에 포함된 히든 레이어는 하나 이상의 히든 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 제어부(410)는 네트워크 함수에 포함된 출력 레이어는 하나 이상의 출력 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 제어부(410)는 네트워크 함수의 레이어에 포함된 각각의 노드는 다른 레이어의 하나 이상의 노드와 링크를 통해 각각 연결되도록 생성할 수 있다. 각각의 링크에는 각각의 가중치가 설정될 수 있다.
제어부(410)는 건강 측정 모델의 입력으로 학습 데이터의 학습 생체 데이터를 입력할 수 있다. 제어부(410)는 건강 측정 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 학습 생체 데이터를 입력할 수 있다. 학습 생체 데이터는 하나 이상의 항목을 포함할 수 있다. 상기 항목은 사용자의 건강과 관련된 데이터 각각을 의미하는 것일 수 있다. 제어부(410)는 건강 측정 모델의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 학습 생체 데이터의 항목들을 각각 입력할 수 있다. 예를 들어, 제어부(410)는 건강 측정 모델의 입력 레이어에 5개의 노드가 포함되는 경우, 학습 생체 데이터의 5개 항목인 키, 몸무게, 나이, 성별, 멀티 임피던스의 항목 값을 5개의 노드 각각에 입력할 수 있다. 예를 들어, 제어부(410)는 건강 측정 모델의 입력 레이어에 포함된 제 1 노드에는 제 1 항목(본 예시에서, 항목 키 156cm), 제 2 노드에는 제 2 항목(본 예시에서, 항목 몸무게 43kg), 제 3 노드에는 제 3 항목(본 예시에서, 항목 나이 17세), 제 4 노드에는 제 4 항목(본 예시에서, 항목 성별 여자) 및 제 5 노드에는 제 5 항목(본 예시에서, 항목 멀티 임피던스 800 Ω)을 입력할 수 있다. 또한, 다른 예시에서, 건강 측정 모델의 입력 레이어는 복수의 생체 멀티 임피던스를 더 수신할 수 있다. 예를 들어, 전술한 건강 측정 모델의 입력에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 건강 측정 모델을 생성할 수 있다. 레이어는 하나 이상의 노드를 포함할 수 있다. 노드는 다른 노드와 링크를 통해 연결될 수 있다. 제어부(410)는 건강 측정 모델의 입력 레이어의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 히든 레이어로 전파할 수 있다. 연산은 임의의 수학적 연산을 포함할 수 있다. 예를 들어, 연산은 곱 또는 합성 곱일 수 있으나, 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 제어부(410)는 건강 측정 모델의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 하나 이상의 히든 레이어를 거쳐 출력 레이어로 전파할 수 있다. 제어부(410)는 건강 측정 모델의 출력 레이어로 전파된 값에 기초하여 골밀도 데이터 및 체성분 데이터를 생성할 수 있다.
제어부(410)는 건강 측정 모델의 제 1 노드의 제 1 노드 값을, 상기 제 1 노드와 연결된 이전 레이어에 포함된 제 2 노드의 제 2 노드 값과 상기 이전 레이어에 포함된 제 2 노드와 상기 제 1 노드를 연결하는 링크에 설정된 링크의 제 1 링크 가중치로 연산하여 도출할 수 있다. 제어부(410)는 건강 측정 모델의 제 1 노드의 제 1 노드 값을, 제 1 노드와 연결된 다음 레이어에 포함된 제 3 노드를 연결하는 링크에 설정된 제 2 링크 가중치로 연산하여 제 3 노드에 전파할 수 있다.
제어부(410)는 건강 측정 모델을 생성하기 위하여 학습 데이터의 학습 생체 데이터에 포함된 항목의 항목 값 각각을 건강 측정 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 건강 측정 모델의 출력 레이어에서 연산한 골밀도 데이터(즉, 제 1 출력) 및 체성분 데이터(즉, 제 2 출력)와 학습 골밀도 데이터(즉, 제 1 정답) 및 학습 체성분 데이터(즉, 제 2 정답)을 각각 비교하여 오차를 계산할 수 있다. 제어부(410)는 오차에 기초하여 건강 측정 모델의 가중치를 조정할 수 있다. 제어부(410)는 상기 오차에 기초하여 건강 측정 모델의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다.
제어부(410)는 건강 측정 모델을 생성하는데 있어, 과적합(overfitting)을 방지하기 위하여 히든 노드의 출력 일부가 다음 히든 노드에 전달되지 못하도록 드롭 아웃을 설정할 수 있다.
학습 에폭(epoch)은, 학습 데이터 세트에 포함된 모든 학습 데이터에 관하여 학습 생체 데이터를 건강 측정 모델의 하나 이상의 네트워크 함수의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 입력하고, 학습 생체 데이터에 라벨링 된 학습 골밀도 데이터(즉, 제 1 정답) 및 학습 체성분 데이터(즉, 제 2 정답)와 건강 측정 모델의 골밀도 데이터(즉, 제 1 출력) 및 체성분 데이터(즉, 제 2 출력)를 비교하여 오차를 도출하고, 상기 도출된 오차를 건강 측정 모델의 하나 이상의 네트워크 함수의 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트하는 동작일 수 있다. 즉, 학습 데이터 세트에 포함된 모든 학습 데이터에 대하여 건강 측정 모델을 이용한 연산과 건강 측정 모델에 대한 가중치 업데이트 과정을 수행한 경우 1 에폭일 수 있다.
제어부(410)는 건강 측정 모델을 생성하는데 있어, 상기 건강 측정 모델을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이하인 경우, 상기 건강 측정 모델의 학습률을 사전 결정된 수치 이상으로 설정할 수 있다. 제어부(410)는 건강 측정 모델을 생성하는데 있어, 상기 건강 측정 모델을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이상인 경우, 상기 건강 측정 모델의 학습률을 사전 결정된 수치 이하로 설정할 수 있다. 상기 학습률은, 가중치의 업데이트 정도를 의미할 수 있다. 예를 들어, 학습 초반에는 학습률을 빠르게 하여(즉, 가중치의 업데이트 정도를 큰 폭으로 하여), 학습 데이터(본 예시에서, 학습 골밀도 데이터 및 학습 체성분 데이터)와 출력 데이터(본 예시에서, 골밀도 데이터 및 체성분 데이터)가 동일한 값에 수렴하도록 할 수 있다. 예를 들어, 학습 후반에는 학습률을 낮게 하여(즉, 가중치의 업데이트 정도를 작은 폭으로 하여), 학습 데이터와 출력 데이터의 오차를 줄이도록(즉, 정확성을 높이도록)할 수 있다. 전술한 학습률에 대한 개시는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 건강 측정 모델의 학습을 사전결정된 에폭 이상 수행한 후, 검증 데이터 세트를 이용하여 학습의 중단 여부를 결정할 수 있다. 사전 결정된 에폭은 전체 학습 목표 에폭의 일부일 수 있다. 제어부(410)는 학습 데이터 세트의 일부를 검증 데이터 세트로 할 수 있다. 검증 데이터는 학습 데이터에 대응되는 데이터로, 학습의 중단 여부를 결정하기 위한 데이터일 수 있다. 제어부(410)는 건강 측정 모델의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 건강 측정 모델의 학습 효과가 사전결정된 수준 이상인지 판단할 수 있다. 예를 들어, 제어부(410)는 100만개의 학습 데이터를 이용하여 목표 반복 학습 횟수가 10만회인 학습을 수행하는 경우, 사전결정된 에폭인 10000회의 반복 학습을 수행한 후, 1000개의 검증 데이터를 이용하여 10회의 반복 학습(즉, 10 에폭)을 수행하여, 10회의 반복 학습 동안 신경망 출력의 변화가 사전결정된 수준 이하인 경우 더 이상의 학습이 무의미한 것으로 판단하고 학습을 종료할 수 있다. 즉, 검증 데이터는 신경망의 반복 학습에서 에폭별 학습의 효과가 일정 이상인지 이하인지 여부에 기초하여 학습의 완료를 결정하는 데 이용될 수 있다. 전술한 학습 데이터, 검증 데이터의 수 및 반복 횟수는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
제어부(410)는 학습 데이터 세트 중 적어도 하나를 테스트 데이터 세트로 할 수 있다. 테스트 데이터는 학습 데이터에 대응되는 데이터로, 모델의 학습이 완료된 이후 성능을 검증하기 위해 이용되는 데이터일 수 있다. 제어부(410)는 하나 이상의 생체 데이터 및 상기 생체 데이터에 라벨링된 골밀도 데이터 및 체성분 데이터를 테스트 데이터 세트로 할 수 있다. 제어부(410)는 테스트 데이터 세트에 포함된 생체 데이터를 건강 측정 모델에 입력하고 상기 건강 측정 모델에서 출력된 출력과 상기 라벨링된 골밀도 데이터 및 체성분 데이터를 비교하여 상기 테스트 데이터 세트에 대한 상기 건강 측정 모델의 정답률을 판단할 수 있다. 제어부(410)는 테스트 데이터에 포함된 사용자의 학습 생체 데이터를 상기 건강 측정 모델에 입력하고, 상기 건강 측정 모델에서 출력된 골밀도 데이터(즉, 제 1 출력) 및 체성분 데이터(즉, 제 2 출력)와 상기 테스트 데이터에 포함된 상기 사용자의 학습 골밀도 데이터(즉, 제 1 정답) 및 학습 체성분 데이터(즉, 제 2 정답)를 각각 비교하여, 오차가 사전 결정된 값 이하인 경우, 상기 건강 측정 모델의 활성화를 결정할 수 있다. 제어부(410)는 건강 측정 모델에서 출력된 골밀도 데이터(즉, 제 1 출력) 및 체성분 데이터(즉, 제 2 출력)와 상기 테스트 데이터(즉, 정답)에 포함된 상기 사용자의 학습 골밀도 데이터(즉, 제 1 정답) 및 학습 체성분 데이터(즉, 제 2 정답)를 각각 비교하여 상기 오차가 사전 결정된 값 이상인 경우, 상기 건강 측정 모델의 학습을 사전 결정된 에폭 이상 더 수행하거나 상기 건강 측정 모델을 비활성화할 수 있다. 제어부(410)는 상기 건강 측정 모델을 비활성화하는 경우, 상기 건강 측정 모델을 폐기할 수 있다. 제어부(410)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 건강 측정 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 제어부(410)는 각각의 건강 측정 모델에 포함되는 하나 이상의 네트워크 함수들을 독립적으로 학습시켜 복수의 건강 측정 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 신경망만을 골밀도 및 체성분 측정을 위해 사용할 수 있다.
본 개시의 일 실시예에 따라 사용자의 학습 생체 데이터, 학습 골밀도 데이터 및 학습 체성분 데이터에 기초하여 건강 측정 모델을 생성할 수 있다.
본 개시의 일 실시예에 따라 학습된 건강 측정 모델을 이용하여 골밀도 데이터 및 체성분 데이터를 출력하는 방법에 관하여 설명한다.
본 개시에서 사용자의 생체 정보는, 사용자의 신체와 관련된 수치를 포함할 수 있다. 본 개시에서 사용자의 생체 정보는, 사용자의 체성분 데이터 및 골밀도 데이터를 포함할 수 있다.
제어부(410)는 네트워크부(420)를 이용하여 하나 이상의 항목을 포함하는 생체 데이터를 수신할 수 있다. 제어부(410)는 메모리(430)에 저장된 하나 이상의 항목을 포함하는 생체 데이터를 건강 측정 모델에 입력할 수 있다. 생체 데이터는 학습 생체 데이터와 대응될 수 있다. 생체 데이터는 사용자의 건강과 관련한 데이터일 수 있다. 예를 들어, 생체 데이터는 키, 체중, 나이, 성별, 멀티 임피던스 및 관계 정보 중 적어도 하나를 항목으로 포함할 수 있다. 제어부(410)는 로드셀(114)을 통해 측정한 사용자의 체중 값을 이용하여 생체 데이터의 항목 중 체중에 대한 항목 값으로 할 수 있다. 제어부(410)는 사용자의 신체 일부로 구성되는 루프의 임피던스를 생체 데이터의 항목 값으로 할 수 있다. 제어부(410)는 측정부(100)를 이용하여 사용자의 생체 데이터에 포함되는 멀티 임피던스 항목을 측정한 데이터를 입력 받을 수 있다. 제어부(410)는 생체 데이터의 관계 정보를 제외한 다른 항목 값 중 둘 이상의 항목 값을 이용하여 관계 정보를 생성할 수 있다. 예를 들어, 네트워크부(420)는 사용자 단말기를 통해 전송된 키, 몸무게, 나이 및 성별 등을 입력한 값을 수신하여 제어부(410)에 전달할 수 있다. 제어부(410)는 입력부를 통해 사용자와 관련된 사용자 정보를 입력 받을 수 있다. 제어부(410)는 입력부를 통해 사용자에 대한 생체 데이터에 포함되는 항목에 대한 항목 값을 입력 받을 수 있다. 예를 들어, 생체 정보 측정 장치에 포함된 터치 스크린 또는 버튼 등의 입력부를 통해 사용자의 키, 몸무게, 나이 및 성별 등을 입력 받아 제어부(410)는 생체 데이터의 항목들을 수신할 수 있다. 예를 들어, 제어부(410)는 네트워크부(420)를 이용하여 사용자A의 키 178cm, 체중 84kg, 나이 31세 및 남성 데이터를 수신할 수 있고, 제어부(410)는 측정부(100)를 이용하여 사용자A의 멀티 임피던스 항목의 값(본 예시에서, 650Ω)을 입력 받을 수 있다. 예를 들어, 제어부(410)는 터치 패널을 통해 입력 받은 나이에 대한 항목 값(본 예시에서, 31세) 및 측정부(100)를 이용하여 입력 받은 멀티 임피던스에 대한 항목 값(본 예시에서, 5kΩ)을 이용하여 관계 정보(본 예시에서,
Figure 112018127042559-pat00003
=
Figure 112018127042559-pat00004
)를 생성할 수 있다. 예를 들어, 제어부(410)는 메모리(430)에 저장된 사용자A의 키, 체중, 나이 및 성별에 대한 정보와 측정부(100)를 이용하여 상기 사용자A의 멀티 임피던스 항목 값을 입력 받을 수 있다. 전술한 생체 데이터에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 사용자의 생체 데이터를 학습된 건강 측정 모델에 입력시킬 수 있다. 제어부(410)는 사용자의 생체 데이터에 포함되는 항목 각각을 건강 측정 모델의 입력 레이어에 포함되는 노드 각각에 입력할 수 있다. 제어부(410)는 입력 레이어와 연결된 링크의 가중치를 이용하여 항목 각각을 연산하여 히든 레이어에 포함된 하나 이상의 히든 노드 각각에 전달한다. 상기 연산은, 임의의 수학적 알고리즘을 포함할 수 있다. 예를 들어, 연산은 곱 및 합성 곱 등을 포함할 수 있으나, 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 제어부(410)는 입력 레이어에 입력된 하나 이상의 항목을 포함하는 생체 데이터를 연산하여 하나 이상의 히든 노드를 거쳐 출력 레이어로 전파할 수 있다. 제어부(410)는 히든 레이어에 포함된 히든 노드 각각의 값을 상기 히든 노드와 연결된 링크들의 가중치 들을 이용하여 연산하여 다른 히든 레이어에 포함된 히든 노드 또는 출력 레이어에 포함된 출력 노드에 전파할 수 있다. 학습된 건강 측정 모델은 전술한 본 개시의 일 실시예에 따라 건강 측정 모델의 생성 방법에 의하여 학습된 신경망일 수 있다.
제어부(410)는 학습된 건강 측정 모델에 포함된 출력 레이어의 출력에 기초하여 골밀도 데이터 및 체성분 데이터를 생성할 수 있다. 제어부(410)는 학습된 건강 측정 모델의 출력에 기초하여 골밀도 데이터 및 체성분 데이터를 동시에 생성할 수 있다. 골밀도 데이터는 사용자의 뼈의 강도와 관련한 데이터일 수 있다. 예를 들어, 골밀도 데이터는 사용자의 골밀도 값, 사전결정된 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 연령대의 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 성별의 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 인종 그룹의 골밀도와 비교한 지수, T-값 및 Z-값 중 적어도 하나를 포함할 수 있다. T-값은 동일한 성별에서 젊은 성인 집단의 평균 골밀도와 비교하여 표준편차로 나타낸 값을 포함할 수 있다. Z-값은 동일한 연령대의 골밀도 평균 골밀도와의 차이를 의미한다. 예를 들어, 골밀도 데이터는 폐경 이후의 여성 또는 50세 이상의 남성에 대하여 측정한 경우 T-값일 수 있고, 소아, 청소년, 폐경 전 여성 또는 50세 이전 남성에 대하여 측정한 경우 Z-값일 수 있다. 예를 들어, 제어부(410)는 학습된 건강 측정 모델에 입력한 생체 데이터에 기초하여 T-값 -1.5의 골밀도 데이터를 생성할 수 있다. 전술한 골밀도 데이터에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. 체성분 데이터는 사용자의 체내의 성분에 관한 데이터일 수 있다. 예를 들어, 체성분 데이터는 체중, 체수분량, 세포 내 수분량, 세포 외 수분량, 체질량 지수, 체지방량, 근육량 및 골격근량 중 적어도 하나를 포함할 수 있다. 예를 들어, 체성분 데이터는 사용자A에 대하여 체지방량 18%으로 출력될 수 있다. 예를 들어, 제어부(410)는 학습된 건강 측정 모델에 입력한 생체 데이터에 기초하여 체지방량, 근육량 등을 생성할 수 있다. 전술한 체성분 데이터에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 골밀도 데이터에 기초하여 건강 위험 정보를 생성할 수 있다. 건강 위험 정보는 신체에 발생할 수 있는 건강상의 위험에 대한 발생 확률을 의미하는 것일 수 있다. 예를 들어, 건강 위험 정보는 골다공증의 발병 확률일 수 있다. 예를 들어, 제어부(410)는 골다공증 발병 확률을 데이터 또는 그래프로 생성할 수 있다. 예를 들어, 제어부(410)는 T-값이 -0.1 이상이면 정상, T-값이 -0.1에서 -2.5이면 골감소증, T-값이 -2.5이하이면 골다공증으로 진단할 수 있다. 예를 들어, 제어부(410)는 70대 여성 환자의 T값이 -3.0이면 골다공증으로 진단할 수 있다. 예를 들어, 제어부(410)는 70대 여성 환자의 T값이 -3.0이면 30대 성인 여성 집단의 골밀도 분포에서 상기 환자의 위치를 알 수 있도록 그래프 상에 점으로 표시한 것으로 건강 위험 정보를 생성할 수 있다. 전술한 건강 위험 정보의 생성에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 체성분 데이터에 기초하여 건강 위험 정보를 생성할 수 있다. 예를 들어, 건강 위험 정보는 비만도일 수 있다. 예를 들어, 제어부(410)는 비만도를 데이터 또는 그래프로 생성할 수 있다. 예를 들어, 제어부(410)는 체지방량과 근육량을 비교하여 체지방량이 근육량보다 사전결정된 값 이상의 값을 갖는 경우 비만으로 판단할 수 있다. 예를 들어, 제어부(410)는 건강 측정 모델의 출력 값인 사용자의 체성분 데이터에 기초하여 경도 비만, 비만, 고도 비만에 대한 데이터 또는 그래프로 분류하여 출력할 수 있다. 전술한 건강 위험 정보의 생성에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 사용자의 생체 데이터를 건강 측정 모델의 입력으로 하여 골밀도 데이터 및 체성분 데이터를 생성할 수 있다.
이하에서는 본 개시의 다른 일 실시예에 따른 건강 측정을 위한 방법에 관하여 설명한다.
본 개시의 다른 일 실시예에 따른 골밀도 데이터 및 체성분 데이터 중 적어도 하나를 연산하기 위한 회귀식을 포함하는 건강 측정 모델을 생성하는 방법에 관하여 설명한다.
제어부(410)는 네트워크부(420)를 이용하여 학습 데이터 세트를 획득할 수 있다. 학습 데이터 세트는 전체 사용자의 학습 생체 데이터, 학습 골밀도 데이터 및 학습 체성분 데이터를 포함할 수 있다. 학습 데이터 세트는 전체 사용자의 학습 생체 데이터를 회귀 분석을 위한 독립 변수로 포함하고, 상기 전체 사용자의 학습 골밀도 데이터 및 학습 생체 데이터 중 적어도 하나를 회귀 분석을 위한 종속 변수로 포함할 수 있다. 학습 데이터는 사용자의 학습 생체 데이터를 회귀 분석을 위한 독립 변수로 포함하고, 상기 사용자의 상기 학습 생체 데이터에 매칭되는 상기 사용자의 학습 골밀도 데이터 및 학습 체성분 데이터를 상기 독립 변수에 대한 종속 변수로 매칭하여 포함할 수 있다. 학습 생체 데이터는 전술한 바와 같이 각각의 항목 값을 가지는 하나 이상의 항목을 포함할 수 있다. 학습 골밀도 데이터는 전술한 바와 같이 사용자의 골밀도 값, 사전결정된 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 연령대의 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 성별의 사용자 그룹의 골밀도와 비교한 지수, 상기 골밀도 데이터의 사용자와 동일한 인종 그룹의 골밀도와 비교한 지수, T-값 및 Z-값 중 적어도 하나를 포함할 수 있다. 학습 체성분 데이터는 전술한 바와 같이 사용자의 체내의 성분에 관한 데이터일 수 있다. 예를 들어, 학습 체성분 데이터는 체중, 체수분량, 세포 내 수분량, 세포 외 수분량, 체질량 지수, 체지방량, 근육량 및 골격근량 중 적어도 하나를 포함할 수 있다. 회귀식의 예측도를 높이기 위하여 학습 데이터 세트의 사용자에 하나 이상의 제약 조건을 만족하는 사용자 만을 포함할 수 있다. 예를 들어, 제약 조건은, 20대 이상, 학습 데이터 세트의 사용자의 남녀의 비율을 동일하도록 또는 골밀도의 T-score 값이 0 이하인 사용자가 T-score 값이 0 이상인 사용자보다 많도록 하는 조건 등을 포함할 수 있다. 전술한 제약 조건에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 두개의 변수가 주어진 경우, 한 변수를 회귀식의 입력으로 하여 다른 변수를 예측하거나, 회귀식을 통해 연산하여 두 변수 사이에 관계를 분석할 수 있다. 본 개시의 다른 일 실시예에 따른 제어부(410)는 사용자의 생체 데이터 중 적어도 하나를 회귀 분석을 위한 독립 변수로하고, 상기 사용자의 상기 골밀도 데이터 및 체성분 데이터 중 적어도 하나를 회귀 분석을 위한 종속 변수로 하는 다중 선형 회귀 분석식(즉, 회귀식)을 생성할 수 있다. 회귀식은 독립 변수와 종속 변수 간의 상관 관계 분석을 위한 식일 수 있다. 예를 들어, 회귀식은
Figure 112018127042559-pat00005
Figure 112018127042559-pat00006
일 수 있다. 전술한 회귀식의 독립 변수는 다른 독립 변수 항목이 더 포함될 수 있다. 전술한 회귀식은 상수를 더 포함할 수 있다. 예를 들어, 회귀식의 독립 변수는
Figure 112018127042559-pat00007
일 수 있다. 회귀식의 a 내지 l은 각 독립 변수에 대한 계수일 수 있다. 회귀식의 a 내지 l은 각 독립 변수와 골밀도 데이터 및 체성분 데이터 중 적어도 하나와의 상관성을 나타내는 계수일 수 있다. 종속 변수(즉, 골밀도 데이터 및 체성분 데이터 중 적어도 하나)와 상관 관계가 높은 독립 변수들의 계수 값은 상관 관계가 낮은 독립 변수들의 계수 값보다 큰 값을 가질 수 있다. 종속 변수(즉, 골밀도 데이터 및 체성분 데이터 중 적어도 하나)와 상관 관계가 사전 결정된 값 이하인 경우(즉, 상관 관계가 낮은 경우) 회귀식의 독립 변수에서 제외될 수 있다. 전술한 회귀식의 멀티 임피던스 항목 값은, 다중 경로 임피던스에 관한 값 또는 다중 주파수 임피던스에 관한 값일 수 있다. 전술한 회귀식의 관계 정보는 다른 둘 이상의 독립 변수에 기초한 관계 정보를 포함할 수 있다. 회귀식은 전체 사용자에 대해 적용되는 식일 수도 있고, 연령대 별, 성별 별, 골밀도 관련 질병 내력 유무 또는 체성분 관련 질병 내력 유무에 기초하여 적용되는 식일 수도 있다. 전술한 회귀식에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 학습 데이터에 포함된 사용자의 학습 생체 데이터를 회귀식의 독립 변수로하고, 학습 데이터에 포함된 사용자의 학습 골밀도 데이터 및 학습 체성분 데이터 중 적어도 하나를 회귀식의 종속 변수로 하여, 회귀식의 독립 변수와 종속 변수의 상관성을 나타내는 계수를 추출할 수 있다. 제어부(410)는 최소 제곱법에 기초하여 건강 측정 모델을 생성할 수 있다. 최소 제곱법은, 근사적으로 구한 종속 변수의 값과 실제 종속 변수에 해당하는 값의 오차의 제곱의 합이 최소가 되는 모델을 구하는 방법일 수 있다. 건강 측정 모델의 회귀식이
Figure 112018127042559-pat00008
인 경우, 제어부(410)는 실제 골밀도 값 및 실제 체성분 값 중 적어도 하나인
Figure 112018127042559-pat00009
와 근사적으로 구한 골밀도 값 및 체성분 값 중 적어도 하나인
Figure 112018127042559-pat00010
의 오차(즉,
Figure 112018127042559-pat00011
)의 제곱의 합(즉,
Figure 112018127042559-pat00012
)이 최소가 되는 모델을 생성할 수 있다. 제어부(410)는 복수의 학습 데이터(
Figure 112018127042559-pat00013
)에 대하여 최소 제곱법을 만족하는 건강 측정 모델을 생성할 수 있다. 전술한 건강 측정 모델의 회귀식에 관한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 학습 데이터 세트 중 적어도 하나의 학습 데이터를 테스트 데이터로 할 수 있다. 테스트 데이터는 학습 데이터에 대응되는 데이터로, 모델의 학습이 완료된 이후 성능을 검증하기 위해 이용되는 데이터일 수 있다. 본 개시의 건강 측정 모델의 성능 검증에 관한 일 실시예에 따라, 제어부(410)는 잔차 분석(residual analysis)을 이용하여 건강 측정 모델의 회귀식에 대한 성능을 검증할 수 있다. 잔차(residual)는 회귀식에 의해 도출된 값(즉, 테스트 데이터의 학습 생체 데이터를 회귀식의 독립 변수로 하여 도출된 종속 변수의 값)과 실제 값(즉, 테스트 데이터의 학습 골밀도 데이터 및 학습 체성분 데이터 중 적어도 하나)의 차를 의미할 수 있다. 제어부(410)는 학습된 건강 측정 모델의 잔차가 사전 결정된 값 이하인 경우(즉, 0에 수렴하는 값인 경우), 상기 건강 측정 모델의 활성화를 결정할 수 있다. 제어부(410)는 학습된 건강 측정 모델의 잔차가 사전 결정된 값 이상인 경우(즉, 0에서 멀리 떨어진 값인 경우), 상기 건강 측정 모델의 비활성화를 결정할 수 있다. 본 개시의 건강 측정 모델의 성능 검증에 관한 다른 일 실시예에 따라, 제어부(410)는 결정 계수(
Figure 112018127042559-pat00014
(
Figure 112018127042559-pat00015
))를 연산하여 건강 측정 모델의 회귀식에 대한 성능을 검증할 수 있다. 전술한 결정 계수 식에서, n은 테스트 데이터의 수일 수 있고,
Figure 112018127042559-pat00016
는 테스트 데이터의 학습 생체 데이터를 회귀식의 독립 변수로 하여 도출된 종속 변수의 값일 수 있고,
Figure 112018127042559-pat00017
는 테스트 데이터의 학습 골밀도 데이터 값 및 학습 체성분 데이터 중 적어도 하나일 수 있고,
Figure 112018127042559-pat00018
는 테스트 데이터 세트에 포함된 하나 이상의 테스트 데이터의 학습 생체 데이터를 회귀식의 독립 변수로 하여 도출된 종속 변수의 값의 평균 값일 수 있다. 제어부(410)는 학습된 건강 측정 모델의 결정 계수가 사전 결정된 값 이상인 경우(즉, 1에 가까운 값인 경우) 건강 측정 모델의 활성화를 결정할 수 있다. 전술한 성능 검증에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
본 개시의 다른 일 실시예에 따라 사용자의 학습 생체 데이터 및 학습 골밀도 데이터에 기초하여 건강 측정 모델을 생성할 수 있다.
본 개시의 다른 일 실시예에 따라 학습된 건강 측정 모델을 이용하여 생체 정보를 출력하는 방법에 관하여 설명한다.
제어부(410)는 네트워크부(420)를 이용하여 하나 이상의 항목을 포함하는 생체 데이터를 수신할 수 있다. 제어부(410)는 메모리(430)에 저장된 하나 이상의 항목을 포함하는 생체 데이터를 건강 측정 모델에 입력할 수 있다. 제어부(410)는 측정부(100)를 이용하여 사용자의 생체 데이터에 포함되는 멀티 임피던스 항목을 측정한 데이터를 입력 받을 수 있다. 제어부(410)는 생체 데이터의 관계 정보를 제외한 다른 항목 값 중 둘 이상의 항목 값을 이용하여 관계 정보를 생성할 수 있다. 제어부(410)는 생체 데이터의 항목을 각각 학습된 건강 측정 모델에 포함된 회귀식의 독립 변수로 회귀식에 입력할 수 있다. 제어부(410)는 골밀도 데이터에 관한 회귀식의 종속 변수의 값 및 체성분 데이터에 관한 회귀식의 종속 변수의 값을 건강 측정 모델의 출력으로 할 수 있다. 제어부(410)는 건강 측정 모델의 출력에 기초하여 골밀도 데이터 및 체성분 데이터를 동시에 생성할 수 있다. 제어부(410)는 건강 측정 모델의 출력에 기초하여 골밀도 데이터 및 체성분 데이터를 포함하는 생체 데이터를 생성할 수 있다. 제어부(410)는 골밀도 데이터 및 체성분 데이터를 포함하는 생체 정보에 기초하여 건강 위험 정보를 생성할 수 있다.
본 개시의 다른 일 실시예에 따라 사용자의 생체 데이터를 건강 측정 모델의 입력으로하여 골밀도 데이터 및 체성분 데이터를 포함하는 생체 정보를 생성할 수 있다.
전술한 건강 측정 모델을 이용한 생체 정보 측정 방법은 짧은 시간내에 생체 정보를 측정할 수 있다. 전술한 건강 측정 모델을 이용한 생체 정보 측정 방법은 측정자의 부주의에 의한 자세의 변화 등에 따른 오차율이 적다. 또한, 전술한 건강 측정 모델을 이용한 생체 정보 측정 방법은 주기적인 장비의 관리 없이도 사용이 가능하므로 경제적이다.
생체 정보 측정 장치가 본 개시의 실시예의 건강 측정 모델을 이용하여 골밀도 데이터 및 체성분 데이터를 포함하는 생체 정보를 측정함으로써 골밀도 데이터 및 체성분 데이터를 처리하는 경우에 발생할 수 있는 오류를 방지할 수 있다. 생체 정보 측정 장치가 본 개시의 실시예의 건강 측정 모델을 이용하여 골밀도 데이터 및 체성분 데이터를 포함하는 생체 정보를 측정함으로써 컴퓨터의 처리 성능 및 속도를 향상시킬 수 있다. 후술하는 도 7 내지 9에 기재된 바와 같이, 생체 정보 측정 장치가 본 실시예의 건강 측정 모델을 이용함으로써, 컴퓨팅 장치의 처리의 정확도를 향상시킬 수 있다. 생체 정보 측정 장치가 본 실시예의 건강 측정 모델을 이용함으로써, 생체 정보 측정 장치의 리소스 소모량을 절감시킬 수 있다.
본 개시의 일 실시예에 따라 제어부(410)는 건강 측정 모델에서 체성분 데이터 및 골밀도 데이터를 추출할 수 있다. 기존의 체성분 측정 장치에 건강 측정 모델을 생성하는 제어부(410)를 포함하기만 하면, 사용자는 기존의 체성분 측정 장치를 그대로 이용할 수 있어, 비용면에서 큰 이익을 볼 수 있다.
네트워크부(420)는 송신부 및 수신부를 포함할 수 있다. 네트워크부(420)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.
네트워크부(420)는 근거리 통신 모듈을 포함하여, 서비스 처리 장치와 비교적 근거리에 위치하고 근거리 통신 모듈을 포함한 전자 장치와 데이터를 송수신할 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다. 본 개시의 일 실시예에서, 네트워크부(420)는 네트워크의 연결 상태 및 네트워크의 송수신 속도를 감지할 수 있다. 네트워크부(420)를 통해 수신된 데이터는 메모리(430)를 통해 저장되거나, 또는 근거리 통신 모듈을 통해 근거리에 있는 다른 전자장치들로 전송될 수 있다.
네트워크부(420)는 본 개시의 일 실시예에 따른 건강 측정 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(420)는 생체 데이터, 골밀도 데이터 및 체성분 데이터 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(420)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 건강 측정 모델의 학습이 분산 수행되도록 할 수 있다. 네트워크부(420)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 건강 측정 모델을 이용한 골밀도 데이터 및 체성분 데이터 연산을 분산 처리할 수 있도록 할 수 있다.
메모리(430)는 본 개시의 일 실시예에 따른 건강 측정 방법을 수행하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 제어부(410)에 의하여 판독되어 구동될 수 있다.
본 개시의 실시예들에 따른 메모리(430)는 제어부(410)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 생체 데이터, 골밀도 데이터, 체성분 데이터 등)을 임시 또는 영구 저장할 수도 있다. 상기 메모리(430)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(430)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적 어도 하나의 타입의 저장매체를 포함할 수 있다.
측정부(100)는 사용자의 신체의 적어도 일부와 접촉가능한 두개 이상의 전극에 전압을 인가할 수 있다. 측정부(100)는 사용자의 신체의 적어도 일부와 접촉가능한 두개 이상의 전극에 전류를 발생시킬 수 있다. 측정부(100)는 상기 전극에 열을 제공할 수 있는 발열 모듈 또는 보온재를 포함할 수 있다. 측정부(100)는 기본접촉면 및 밀착접촉면 중 적어도 하나를 포함할 수 있다. 측정부(100)를 통해 측정한 사용자의 임피던스는 생체 데이터의 일 항목에 대한 항목 값일 수 있다.
도 5는 본 개시의 일 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuron)"들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의"링크"에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드 들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드 들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrentneural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learing rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regulaization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
도 6은 본 개시의 일 실시예에 따른 건강 측정 모델을 나타낸 예시도이다.
본 개시의 일 실시예에 따른 건강 측정 모델에서의 학습 방법에 관하여 설명한다. 본 예시도에서 히든 레이어1(640)과 히든 레이어2(650) 사이에 하나 이상의 히든 레이어가 포함될 수 있고, 본 예시도에서 상기 하나 이상의 히든 레이어는 생략되어 도시된 것일 수 있다.
제어부(410)는 하나 이상의 네트워크 함수(600)를 포함하는 건강 측정 모델을 생성할 수 있다. 네트워크 함수(600)는 하나의 입력 레이어(630)와 하나의 이상의 히든 레이어와 하나의 출력 레이어(660)를 포함할 수 있다.
제어부(410)는 건강 측정 모델의 네트워크 함수(600)에 학습 생체 데이터를 입력할 수 있다. 건강 측정 모델의 네트워크 함수(600)의 입력 레이어(630)에 포함된 입력 노드 각각에 학습 생체 데이터의 항목 각각이 입력될 수 있다. 예를 들어, 키 179cm에 대한 항목 값은 제 1 입력 노드(601), 체중 78kg에 대한 항목 값은 제 2 입력 노드(602), 나이 32세에 대한 항목 값은 제 3 입력 노드(603), 성별 남자에 대한 항목 값은 제 4 입력 노드(604) 및 멀티 임피던스 600 Ω에 대한 항목 값은 제 5 입력 노드(605)에 입력될 수 있다. 전술한 항목 값에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
제어부(410)는 네트워크 함수(600)의 입력 레이어(630)에 포함된 입력 노드에 입력된 항목 값 각각에 대해, 상기 입력 노드와 연결된 링크에 설정된 가중치로 연산하여 히든 레이어로 전파할 수 있다. 예를 들어, 히든 레이어1(640)에 포함된 제 1 히든 노드(620)는 제 1 입력 노드(601)에 전달된 값과 제 1 가중치(611)를 연산한 값, 제 2 입력 노드(602)에 전달된 값과 제 2 가중치를 연산한 값, 제 3 입력 노드(603) 에 전달된 값과 제 3 가중치를 연산한 값, 제 4 입력 노드(604) 에 전달된 값과 제 4 가중치를 연산한 값, 제 5 입력 노드(605) 에 전달된 값과 제 5 가중치를 연산한 값을 전달받을 수 있다. 예를 들어, 히든 레이어1(640)에 포함된 제 1 히든 노드(620)는 제 1 입력 노드(601) 에 전달된 값과 제 1 가중치(611)를 곱한 값, 제 2 입력 노드(602) 에 전달된 값과 제 2 가중치를 곱한 값, 제 3 입력 노드(603) 에 전달된 값과 제 3 가중치를 곱한 값, 제 4 입력 노드(604) 에 전달된 값과 제 4 가중치를 곱한 값, 제 5 입력 노드(605) 에 전달된 값과 제 5 가중치를 곱한 값의 합을 전달받을 수 있다. 전술한 연산에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
네트워크 함수(600)의 학습 생체 데이터는 입력 레이어(630)에서 히든 레이어1(640), 히든 레이어2(650)를 통해 출력 레이어(660)로 전파될 수 있다. 출력 레이어(660)에 포함된 제 1 출력 노드(662)에서의 출력 값인, 골밀도 데이터(즉, 제 1 출력)와 학습 골밀도 데이터(즉, 제 1 정답)의 오차 및 제 2 출력 노드(664)에서의 출력 값인, 체성분 데이터(즉, 제 2 출력)와 학습 체성분 데이터(즉, 제 2 정답)의 오차에 기초하여 네트워크 함수(600)의 가중치를 조정할 수 있다. 네트워크 함수(500)의 출력 레이어(660)로부터 하나 이상의 히든 레이어(예를 들면, 히든 레이어2(650) 다음 히든 레이어1(640) 순으로)를 거쳐 입력 레이어(630)로 전파하면서, 각 링크에 설정된 가중치들을 업데이트(예를 들면, W2(1,1)(631)의 가중치를 조정한 이후 W1(1,1)(611)의 가중치를 조정)할 수 있다.
본 개시의 일 실시예에 따라 사용자의 학습 생체 데이터, 학습 골밀도 데이터 및 학습 체성분 데이터에 기초하여 건강 측정 모델을 생성할 수 있다.
본 개시의 일 실시예에 따른 학습된 건강 측정 모델을 이용한 골밀도 데이터 및 체성분 데이터 생성 방법 관하여 설명한다.
제어부(410)는 네트워크 함수(600)의 입력 레이어(630)에 포함된 입력 노드 각각에 사용자의 생체 데이터에 포함된 항목들의 항목 값 각각을 입력할 수 있다. 예를 들어, 제어부(410)는 생체 데이터 중 키에 대한 항목 값인 176cm에 해당하는 값을 입력 레이어(630)의 제 1 입력 노드(601)에 입력할 수 있다. 제어부(410)는 네트워크 함수(600)의 입력 레이어(630)에 입력된 값을 가중치(본 예시에서 제 1 가중치(W1(1,1)(611)) 및 제 2 가중치(W2(1,1)(631)))를 통해 연산하여 하나 이상의 히든 노드(본 예시에서, 히든 레이어1(640) 및 히든 레이어2(650)를 포함하는)를 통하여 출력 레이어(660)에 포함된 제 1 출력 노드(662) 및 제 2 출력 노드(644)로 전파할 수 있다. 제어부(410)는 제 1 출력 노드(662)의 출력 값인 골밀도 데이터를 네트워크부(420)를 통해 발송하거나, 메모리(430)에 저장하거나, 또는 입력부(미도시)의 패널에 전달할 수 있다. 제어부(410)는 제 2 출력 노드(664)의 출력 값인 체성분 데이터를 네트워크부(420)를 통해 발송하거나, 메모리(430)에 저장하거나, 또는 입력부(미도시)의 패널에 전달할 수 있다. 전술한 골밀도 데이터 및 체성분 데이터 생성 방법에 관한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따라 사용자의 생체 데이터를 학습된 건강 측정 모델의 입력으로 하여, 골밀도 데이터 및 체성분 데이터를 생성할 수 있다.
도 7은 본 개시의 다른 일 실시예에 따른 건강 측정 모델을 적용한 예시적인 그래프이다.
도 7은 본 개시의 다른 일 실시예에 따른 회귀식을 포함하는 건강 측정 모델과 골밀도 측정 방법인 DEXA(Dual Energy X-ray Absorptiometry)를 이용한 골밀도 데이터를 비교한 값을 그래프로 나타낸 예시적인 그래프이다. 그래프의 x축은 골밀도 측정 방법인 DEXA를 이용하여 측정한 사용자의 골밀도이고, 그래프의 y축은 전술한 회귀식을 포함하는 건강 측정 모델을 이용하여 측정한 사용자의 골밀도이다. DEXA를 이용하여 측정한 사용자의 골밀도 값들과 회귀식을 포함하는 건강 측정 모델을 이용하여 연산한 사용자의 골밀도 값들을 산점도 형태로 찍어서 그래프에 나타낸 것이다. 산점도 형태로 나타난 그래프를 통해 양 값들의 관계를 시각적으로 나타낼 수 있다. 상관 관계를 산점도 형태로 나타낸 그래프에서 양의 상관 관계를 가지는 경우 우 상향하는 방향으로 그래프가 그려질 수 있다. 상관 관계를 산점도 형태로 나타낸 그래프에서 음의 상관 관계를 가지는 경우 우 하향하는 방향으로 그래프가 그려질 수 있다. 그래프를 통해 도출한 상관도는 0.523으로, DEXA를 이용한 골밀도 데이터의 출력과 회귀식을 포함하는 건강 측정 모델을 이용한 골밀도 데이터의 출력은 상관도가 높은 것을 알 수 있다. 따라서, 본 개시의 다른 일 실시예에 따른 회귀식을 포함하는 건강 측정 모델은, 병원 등에서 보편적으로 쓰이고 있는 DEXA와 비교했을 때, 골밀도 데이터 출력의 성능은 유사함을 알 수 있다. 본 개시의 다른 일 실시예에 따른 회귀식을 포함하는 건강 측정 모델은, DEXA보다 짧은 시간내에 전신의 골밀도를 측정할 수 있고, 사용자의 숙련도나 자세 변화에 따른 오차가 적으며, 주기적인 장비 관리가 필요하지 않기 때문에 더 경제적이다.
도 8은 본 개시의 다른 일 실시예에 따른 건강 측정 모델을 적용한 예시적인 그래프이다.
도 8은 본 개시의 다른 일 실시예에 따른 회귀식을 포함하는 건강 측정 모델을 이용하여 ROC(Receiver Operating Characteristic) 곡선을 도시한 예시적인 그래프이다. ROC 곡선을 도시한 본 그래프에서 x축은 1-특이도로써, 건강 측정 모델이 질병이 없는 것으로 판단(본 실시예에서, T-score가 -1.0이하인 골감소증이 있는 사용자부터 질병이 있는 것으로 판단함.)한 사용자 중 실제로 질병이 없는 사용자의 비율을 나타낸 값이며, y축은 민감도로써, 건강 측정 모델이 질병이 있는 것으로 판단한 사용자 중 실제로 질병이 있는 사용자의 비율을 나타낸 값이다. 본 실시예에서, 민감도는 80%이며 특이도는 70%로 높은 값이 도출되었다. ROC 곡선에서 그래프의 아래 면적을 AUC(Area Under the Curve)라고 한다. AUC가 큰 값을 가질수록 더욱 정확 한 모델임을 알 수 있다. 본 실시예에서 ROC 곡선에 대한 AUC 값은 0.847로, 건강 측정 모델은 매우 정확한 모델임을 알 수 있다.
도 9는 다른 건강 측정 모델의 일 예를 나타내는 도면이다.
도 9는 초음파 방식의 골밀도 측정 장치들과 골밀도 측정 방법인 DEXA를 이용한 골밀도 데이터를 비교한 값을 나타낸 표이다. 초음파 방식의 골밀도 측정 장치들의 골밀도 측정 방법인 DEXA와 비교했을 때의 최고 상관도는 0.526으로 본 발명의 다른 일 실시예에 따른 회귀식을 포함하는 건강 측정 모델과 골밀도 측정 방법인 DEXA와 비교했을 때의 상관도인 0.523과 유사한 값을 가진다. 즉, 본 개시의 다른 일 실시예에 따른 회귀식을 포함하는 건강 측정 모델은 초음파를 이용한 골밀도 측정 장치들 보다 더 높거나 유사한 성능을 가짐을 알 수 있다. 초음파 방식의 골밀도 측정 장치들의 ROC 곡선의 AUC의 최대 값은 0.75이다. 따라서, 본 발명의 다른 일 실시예에 따른 회귀식을 포함하는 건강 측정 모델의 AUC 값인 0.847과 비교했을 때, 본 발명의 건강 측정 모델이 더 정확한 골밀도 데이터를 측정할 수 있는 모델임을 알 수 있다.
도 10은 본 개시의 일 실시예에 따라 생체 정보 생성 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 생체 정보 생성 방법은 다음과 같은 로직에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라 생체 정보 생성을 위한 방법은 사용자의 신체 일부에 접촉하여 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 로직(1010); 사용자의 무게를 측정하기 위한 로직(1020); 사용자의 무게 및 멀티 임피던스를 포함하는 사용자의 생체 데이터에 적어도 부분적으로 기초하여 사용자의 생체 정보를 연산하기 위한 로직(1030); 생체 데이터를 하나 이상의 네트워크 함수를 포함하는 건강 측정 모델을 이용하여 연산하기 위한 로직(1040); 건강 측정 모델을 이용하여 사용자의 체성분 데이터 및 골밀도 데이터 중 적어도 하나를 생성하기 위한 로직(1050)에 의하여 구현될 수 있다.
도 11은 본 개시의 일 실시예에 따라 생체 정보 생성 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 생체 정보 생성 방법은 다음과 같은 모듈에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라 생체 정보 생성을 위한 방법은 사용자의 신체 일부에 접촉하여 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 모듈(1210); 사용자의 무게를 측정하기 위한 모듈(1220); 사용자의 무게 및 멀티 임피던스를 포함하는 사용자의 생체 데이터에 적어도 부분적으로 기초하여 사용자의 생체 정보를 연산하기 위한 모듈(1230); 생체 데이터를 하나 이상의 네트워크 함수를 포함하는 건강 측정 모델을 이용하여 연산하기 위한 모듈(1240); 건강 측정 모델을 이용하여 사용자의 체성분 데이터 및 골밀도 데이터 중 적어도 하나를 생성하기 위한 모듈(1250)에 의하여 구현될 수 있다.
도 12은 본 개시의 일 실시예에 따라 생체 정보 생성 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 생체 정보 생성 방법은 다음과 같은 회로에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라 생체 정보 생성을 위한 방법은 사용자의 신체 일부에 접촉하여 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 회로(1310); 사용자의 무게를 측정하기 위한 회로(1320); 사용자의 무게 및 멀티 임피던스를 포함하는 사용자의 생체 데이터에 적어도 부분적으로 기초하여 사용자의 생체 정보를 연산하기 위한 회로(1330); 생체 데이터를 하나 이상의 네트워크 함수를 포함하는 건강 측정 모델을 이용하여 연산하기 위한 회로(1340); 건강 측정 모델을 이용하여 사용자의 체성분 데이터 및 골밀도 데이터 중 적어도 하나를 생성하기 위한 회로(1350)에 의하여 구현될 수 있다.
도 13은 본 개시의 일 실시예에 따라 생체 정보 생성 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
본 개시의 일 실시예에 따라 생체 정보 생성 방법은 다음과 같은 수단에 의해 구현될 수 있다.
본 개시의 일 실시예에 따라 생체 정보 생성을 위한 방법은 사용자의 신체 일부에 접촉하여 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 수단(1410); 사용자의 무게를 측정하기 위한 수단(1420); 사용자의 무게 및 멀티 임피던스를 포함하는 사용자의 생체 데이터에 적어도 부분적으로 기초하여 사용자의 생체 정보를 연산하기 위한 수단(1430); 생체 데이터를 하나 이상의 네트워크 함수를 포함하는 건강 측정 모델을 이용하여 연산하기 위한 수단(1440); 건강 측정 모델을 이용하여 사용자의 체성분 데이터 및 골밀도 데이터 중 적어도 하나를 생성하기 위한 수단(1450)에 의하여 구현될 수 있다.
도 14는 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음), 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용 가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (9)

  1. 생체 정보 측정 장치로서,
    사용자의 신체 일부에 접촉하여 상기 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 두개 이상의 전극을 포함하는 핸들부;
    상기 사용자의 신체 일부에 접촉하여 상기 사용자의 신체 일부로 구성되는 하나 이상의 경로에 대한 다중 주파수 임피던스를 포함하는 멀티 임피던스를 측정하기 위한 두개 이상의 전극을 포함하는 상판부; 및
    일 사용자의 키, 체중, 나이, 성별 및 멀티 임피던스 정보를 포함하는 학습 생체 데이터를 독립 변수로 포함하고, 상기 일 사용자의 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 학습 데이터를 생성하고, 사용자들의 학습 데이터를 포함하는 학습 데이터셋을 생성하고, 상기 학습 데이터셋에 포함된 하나 이상의 학습 생체 데이터 각각을 건강 측정 모델을 통해 연산하여 출력한 골밀도 데이터와 상기 학습 데이터셋에 포함된 상기 학습 생체 데이터에 매칭되는 상기 실제 측정된 골밀도 데이터의 오차의 제곱 각각을 합한 값이 최소가 되도록 상기 건강 측정 모델의 학습을 수행하고, 상기 사용자들과 다른 사용자들의 키, 체중, 나이, 성별 및 멀티 임피던스 정보를 포함하는 테스트 생체 데이터를 독립 변수로 포함하고, 상기 다른 사용자들의 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 테스트 데이터셋을 생성하고, 상기 다른 사용자들의 하나 이상의 상기 테스트 생체 데이터 각각을 상기 학습된 건강 측정 모델을 통해 연산하여 출력한 테스트 골밀도 데이터와 상기 테스트 데이터셋에 포함된 상기 테스트 생체 데이터에 매칭되는 상기 다른 사용자들의 실제 측정된 골밀도 데이터의 오차의 제곱 각각의 합을 연산하고, 상기 오차의 제곱 각각의 합에 기초하여 상기 학습된 건강 측정 모델의 활성화 여부를 결정하고, 상기 오차의 제곱 각각의 합에 기초한 계수가 사전결정된 값 미만인 경우, 상기 학습된 건강 측정 모델의 활성화를 결정하고, 상기 오차의 제곱 각각의 합에 기초한 계수가 사전결정된 값 이상인 경우, 상기 학습된 건강 측정 모델의 비활성화를 결정하고, 입력 장치 및 사용자 단말 중 적어도 하나로부터 상기 사용자의 키, 체중, 나이, 성별 및 멀티 임피던스를 포함하는 생체 데이터 중 적어도 일부를 수신하고, 그리고 상기 사용자의 상기 생체 데이터 중 적어도 일부를 입력 독립 변수로 하여, 상기 학습된 건강 측정 모델을 통해 연산함으로써, 상기 사용자의 골밀도 데이터를 생성하는 제어부;
    를 포함하는,
    생체 정보 측정 장치.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 생체 데이터는,
    상기 사용자의 키, 체중, 나이, 성별 및 멀티 임피던스 정보 중 적어도 둘 이상의 조합을 이용하여 생성된 관계 정보를 더 포함하는,
    생체 정보 측정 장치.
  4. 제 1 항에 있어서,
    상기 학습 데이터셋은,
    제약 조건을 만족하는 사용자에 대한 생체 데이터를 독립 변수로 포함하고, 상기 독립 변수와 매칭되는 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 학습 데이터를 포함하고, 그리고
    상기 제약 조건은, 사전결정된 연령 이상에 해당하는 나이 조건, 성비를 동일하게 하기 위한 조건 및 사전결정된 골밀도 데이터 이상에 해당하는 실제 측정된 골밀도 데이터 조건 중 적어도 하나를 포함하는,
    생체 정보 측정 장치.
  5. 제 1 항에 있어서,
    상기 건강 측정 모델은,
    상기 사용자의 상기 생체 데이터 중 적어도 일부를 포함하는 입력 독립 변수 및 상기 입력 독립 변수와 골밀도 데이터를 포함하는 종속 변수 간의 상관성을 나타내는 상관성 계수에 기초하여 상기 사용자의 골밀도 데이터를 생성하는,
    생체 정보 측정 장치.
  6. 삭제
  7. 삭제
  8. 제 1 항에 있어서,
    상기 제어부는,
    상기 사용자들과 다른 사용자들의 생체 데이터를 독립 변수로 포함하고, 상기 다른 사용자들의 실제 측정된 골밀도 데이터를 종속 변수로 포함하는 테스트 데이터셋을 생성하고,
    상기 다른 사용자들의 생체 데이터를 상기 학습된 건강 측정 모델을 통해 연산하여 생성한 골밀도 데이터를 포함하는 제 1 데이터와 상기 실제 측정된 골밀도 데이터를 포함하는 제 2 데이터의 오차의 제곱인 제 1 오차를 연산하고,
    상기 제 1 데이터와 상기 다른 사용자들의 제 1 데이터의 평균 값인 제 3 데이터의 오차의 제곱인 제 2 오차를 연산하고,
    상기 제 1 오차 및 상기 제 2 오차에 기초하여 결정 계수 값을 연산하고,
    상기 결정 계수 값이 사전결정된 값 이상인 경우 상기 학습된 건강 측정 모델의 활성화를 결정하고,
    상기 결정 계수 값이 사전결정된 값 미만인 경우 상기 학습된 건강 측정 모델의 비활성화를 결정하는,
    생체 정보 측정 장치.
  9. 제 1 항에 있어서,
    상기 골밀도 데이터는,
    사용자의 뼈의 강도와 관련한 데이터이고,
    사용자의 골밀도 값, 사용자의 골밀도 값과 사전결정된 사용자 그룹의 골밀도 값을 비교한 지수, 사용자의 골밀도 값과 사용자와 동일한 연령대의 사용자 그룹의 평균 골밀도 값을 비교한 지수, 사용자의 골밀도 값과 동일한 성별의 사용자 그룹의 골밀도 값을 비교한 지수, 사용자의 골밀도 값과 사용자와 동일한 성별에서 젊은 성인 집단의 평균 골밀도 값의 표준 편차로 나타낸 값 및 사용자의 골밀도 값과 동일한 인종 사용자 그룹의 골밀도 값을 비교한 지수 중 적어도 하나를 포함하는,
    생체 정보 측정 장치.
KR1020180163804A 2018-12-18 2018-12-18 생체 정보 측정 장치 KR102002766B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180163804A KR102002766B1 (ko) 2018-12-18 2018-12-18 생체 정보 측정 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180163804A KR102002766B1 (ko) 2018-12-18 2018-12-18 생체 정보 측정 장치

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020180094175 Division 2018-08-13

Publications (1)

Publication Number Publication Date
KR102002766B1 true KR102002766B1 (ko) 2019-07-23

Family

ID=67439819

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180163804A KR102002766B1 (ko) 2018-12-18 2018-12-18 생체 정보 측정 장치

Country Status (1)

Country Link
KR (1) KR102002766B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210157203A (ko) * 2020-06-19 2021-12-28 고려대학교 산학협력단 근감소증 진단 플랫폼 및 이를 이용한 근감소증 분석 방법
WO2022025131A1 (en) * 2020-07-31 2022-02-03 Tanita Corporation Health level determination system, health level determination program, and health level detemination server

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010011582A (ko) * 1999-07-29 2001-02-15 차기철 생체 전기 임피던스법을 이용한 간편 인체 성분 측정 장치 및 방법
JP2002058655A (ja) * 2000-08-23 2002-02-26 Matsushita Electric Ind Co Ltd 体脂肪測定装置
KR20040085124A (ko) * 2004-09-13 2004-10-07 주식회사 오스테오시스 생체 전기 임피던스 분석법과 골밀도 측정법을 이용한인체 성분 분석기
KR20130027187A (ko) * 2011-09-07 2013-03-15 주식회사 바이오스페이스 상호 연결된 상판부 및 지지대를 사용하여 체성분을 측정하는 장치 및 방법
KR20180015790A (ko) * 2016-08-03 2018-02-14 주식회사 셀바스헬스케어 접촉 유닛을 포함하는 체성분 측정 장치
KR20180038251A (ko) * 2016-10-06 2018-04-16 주식회사 제니스헬스케어 기계학습을 이용한 체성분 측정시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20010011582A (ko) * 1999-07-29 2001-02-15 차기철 생체 전기 임피던스법을 이용한 간편 인체 성분 측정 장치 및 방법
JP2002058655A (ja) * 2000-08-23 2002-02-26 Matsushita Electric Ind Co Ltd 体脂肪測定装置
KR20040085124A (ko) * 2004-09-13 2004-10-07 주식회사 오스테오시스 생체 전기 임피던스 분석법과 골밀도 측정법을 이용한인체 성분 분석기
KR20130027187A (ko) * 2011-09-07 2013-03-15 주식회사 바이오스페이스 상호 연결된 상판부 및 지지대를 사용하여 체성분을 측정하는 장치 및 방법
KR20180015790A (ko) * 2016-08-03 2018-02-14 주식회사 셀바스헬스케어 접촉 유닛을 포함하는 체성분 측정 장치
KR20180038251A (ko) * 2016-10-06 2018-04-16 주식회사 제니스헬스케어 기계학습을 이용한 체성분 측정시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210157203A (ko) * 2020-06-19 2021-12-28 고려대학교 산학협력단 근감소증 진단 플랫폼 및 이를 이용한 근감소증 분석 방법
KR102421547B1 (ko) * 2020-06-19 2022-07-20 고려대학교 산학협력단 근감소증 진단 플랫폼 및 이를 이용한 근감소증 분석 방법
WO2022025131A1 (en) * 2020-07-31 2022-02-03 Tanita Corporation Health level determination system, health level determination program, and health level detemination server

Similar Documents

Publication Publication Date Title
CN108351862B (zh) 利用人工智能和用户输入来确定发育进展的方法和装置
US20200334493A1 (en) Method , apparatus, and storage medium for annotating image
KR102024375B1 (ko) 만성신장 질환의 질병 위험도를 예측하는 장치 및 방법
WO2020181805A1 (zh) 糖尿病的预测方法及装置、存储介质、计算机设备
KR102619981B1 (ko) 근전도 신호를 이용한 동작 분류 방법 및 장치
Pärkkä et al. Personalization algorithm for real-time activity recognition using PDA, wireless motion bands, and binary decision tree
KR20190030876A (ko) 건강 위험 예측 방법
KR102002766B1 (ko) 생체 정보 측정 장치
US20120072475A1 (en) Measuring "closeness" in a network
CN103392332A (zh) 测距与人体运动捕捉
Basha et al. A novel approach to perform analysis and prediction on breast cancer dataset using R
Li et al. Regularized parametric regression for high-dimensional survival analysis
Hwang et al. A deep learning-based method for grip strength prediction: comparison of multilayer perceptron and polynomial regression approaches
Pires et al. Machine learning for the evaluation of the presence of heart disease
CN103637800B (zh) 基于八段阻抗模型的人体成分分析的方法
KR102197828B1 (ko) 성장 예측 데이터를 제공하는 컴퓨팅 장치
KR102068585B1 (ko) 골밀도 측정장치
JP7173482B2 (ja) ヘルスケアデータ分析システム、ヘルスケアデータ分析方法およびヘルスケアデータ分析プログラム
KR20200023915A (ko) 골밀도 정보를 디스플레이 하는 장치
KR102158197B1 (ko) 골밀도에 대한 예측 정보를 제공하는 컴퓨팅 장치
KR102006139B1 (ko) 골밀도 측정 장치
KR102138686B1 (ko) 골밀도를 측정하는 안마 장치
Kamkar et al. Stable feature selection with support vector machines
KR102068587B1 (ko) 골밀도 정보를 제공하는 컴퓨팅 장치
KR20190031192A (ko) 건강 위험 예측 방법

Legal Events

Date Code Title Description
GRNT Written decision to grant