KR102075743B1 - 신체 성장 예측 모델링 장치 및 방법 - Google Patents

신체 성장 예측 모델링 장치 및 방법 Download PDF

Info

Publication number
KR102075743B1
KR102075743B1 KR1020170173539A KR20170173539A KR102075743B1 KR 102075743 B1 KR102075743 B1 KR 102075743B1 KR 1020170173539 A KR1020170173539 A KR 1020170173539A KR 20170173539 A KR20170173539 A KR 20170173539A KR 102075743 B1 KR102075743 B1 KR 102075743B1
Authority
KR
South Korea
Prior art keywords
growth
body growth
data
user
modeling
Prior art date
Application number
KR1020170173539A
Other languages
English (en)
Other versions
KR20190072292A (ko
Inventor
장윤
연한별
피민규
서성범
Original Assignee
주식회사 아우라
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 아우라 filed Critical 주식회사 아우라
Priority to KR1020170173539A priority Critical patent/KR102075743B1/ko
Publication of KR20190072292A publication Critical patent/KR20190072292A/ko
Application granted granted Critical
Publication of KR102075743B1 publication Critical patent/KR102075743B1/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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Abstract

신체 성장 예측 모델링 장치 및 그 방법이 제공된다. 이 방법은, 임의의 사용자에 대한 신체 성장 데이터를 입력받고, 사용자의 신체 성장 데이터와 기저장된 복수의 비교 대상자 별 신체 성장 데이터에 기초하여 사용자의 신체 성장 데이터와의 유사도 또는 사용자의 신체 성장 데이터에 대한 조건부 확률 중 어느 하나에 따른 성장 예측 모델을 모델링하되, 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나에 기준하여 성장 예측 모델을 모델링하며, 성장 예측 모델을 통해 사용자에 대응하는 신체 성장 값을 예측하여 출력한다. 이때, 기저장된 복수의 비교 대상자 별 신체 성장 데이터는 각 비교 대상자 별로 임의의 기간 동안 시계열적으로 기록된 것이고, 복수의 비교 대상자 중 둘 이상의 비교 대상자에 대응된 상기 임의의 기간은 범위 및 구간 중 적어도 하나가 서로 상이하거나 또는 구간이 일부 중복되는 것이다.

Description

신체 성장 예측 모델링 장치 및 방법{APPARATUS AND METHOD FOR BODY GROWTH PREDICTION MODELING}
본 발명은 전체적인 추세가 알려지지 않은 단편 데이터에 기초하여 물리적인 성장 값을 예측하는 신체 성장 예측 모델링 장치 및 방법에 관한 것이다.
예측 분석은, 데이터에서 정보를 추출하고 이를 사용하여 추세 및 행동 패턴 등을 예측하는 통계 및 데이터마이닝 영역의 기술이다. 이러한 예측 분석은 데이터에서 얻은 정보를 바탕으로 의사 결정에 필요한 모든 영역에 적용할 수 있다. 예측 분석의 핵심은 변수 간의 관계를 이해한 후에 알려지지 않은 변수를 예측해내는 부분이다. 이를 위해 데이터 특성 및 예측 대상에 따라 다양한 접근 방식들이 사용되고 있다.
예측 분석은 얻고자 하는 결과의 특성에 따라 적절한 접근 방식을 선택하는 것이 중요하다. 예측 분석에 적용될 수 있는 접근 방식으로는, 회귀 분석과 같은 통계적 기법과 기계 학습 기법 등이 사용되고 있다. 기존의 회귀 분석을 통한 예측 분석 프로세스는 여러 변수 간의 상호 작용을 수학 방정식으로 유도하는데 초점을 두었다. 또한, 기존의 기계 학습 기법을 통한 예측 분석 프로세스는 규칙 기반 모델링과 같이 수학 방정식에 의존하지 않고 학습 알고리즘을 통해 데이터 그룹을 분류하는데 중점을 두었다. 그러나 일반적으로 예측 결과의 정확도 및 유용성 등은 분석 방법과 분석가의 배경 지식에 의존적이라는 특징이 있다. 따라서, 예측 분석 프로세스는 예측 결과의 불확실성을 최소화하기 위해 합리적인 가설, 모델 생성(즉, 모델링) 및 결과 확인을 기반으로 한 데이터 분석 방법이 포함되어야 한다. 그런데 종래에 연구된 예측 분석 프로세스는, 분석가의 수준에 관계없이 예측 결과의 품질을 향상시키는 데만 중점을 두었을 뿐, 각 분석 과정과 원본 데이터 및 예측된 결과의 불확실성에 초점을 두지 않았다. 원본 데이터의 불확실성은 주로 데이터 누락, 데이터 부족 및 노이즈로 인해 발생되며 전처리 과정에서 제어할 수 있어야 한다. 그런데 기존의 예측 분석 프로세스에서는, 데이터가 부족한 경우(즉, 입력 데이터의 전반적인 경향을 알 수 없는 경우)에 야기되는 예측 결과의 불확실성을 해결할 수 없었다.
한편, 예측 분석이 필요한 다양한 분야 중에서, 최근에는 청소년의 신체 성장과 관련하여 사회적으로 큰 관심이 부여되고 있다. 특히, 키 성장이 언제 나타나고, 얼마나 성장할 것인지 등에 대한 예측 결과를 알고자 하는 사용자의 요구가 커지고 있다. 이와 관련된 학문 또는 기술을 다루는 연구자들은 신체 성장과 유전적/환경적 요인과의 관계를 분석하는데 중점을 두고 , 유전적 요인에 의해 결정되는 성장 한계 곡선을 탐색하여 성장이 가속화될 때를 분석하거나 잠재력을 극대화할 수 있는 외부 환경적 요인을 분석하고 있다.
이러한 성장 잠재력을 예측하는 방식으로서, 골격 정보를 이용하는 방식과 통계 자료의 모델링을 이용하는 방식이 있다. 골격 정보를 이용하는 방식은 가장 정확한 예측 결과를 도출할 수 있으나, 많은 시간 및 비용이 소요되는 단점이 있다. 그리고 통계 자료의 모델링을 이용하는 방식에서는, 분석 대상자의 생물학적 패턴이 유사한 표본의 추세를 분석하되 생물학적 및 성장 패턴에 적합한 성장 예측 모델을 적용하는 것이 매우 중요하다. 그러나 청소년 신체 성장 데이터와 같은 데이터는 전반적인 추세가 알려지지 않았기 때문에 실제적으로 패턴을 분류하는데 어려움이 있다. 즉, 성장 예측 모델에서 다루는 시간 범위를 벗어나는 경우에는 예측 모델의 불확실성이 증가되어 예측 결과의 신뢰도가 매우 낮아질 수 있다. 이러한 문제를 해결하기 위해 전체 학생의 신체 성장 데이터를 이용한 성장 예측을 처리할 수도 있으나, 이러한 방식만으로는 개인별 생물학적 특성을 반영한 신체 성장 예측은 불가능하다. 또한, 전체 학생의 신체 성장 데이터에서 유사한 성장 패턴들을 분류하여 패턴 별로 최적화된 성장 예측 모델을 모델링한다고 가정하더라도, 이러한 예측 모델의 불확실성을 최소화하기 위해서는 새로운 데이터가 업데이트될 때마다 모델 생성 및 검증을 반복해야 한다는 한계가 있다.
대한민국 공개특허 제 10-2014-0045759호(발명의 명칭: 성장 관리 서비스 방법 및 시스템)
본 발명의 일 실시예는 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 학생 신체 성장 데이터와 같이 전체적인 추세가 알려지지 않은 시계열적 단편 데이터를 이용하여 임의의 사용자의 물리적인 신체 성장 값을 예측하되, 시간 흐름에 따른 데이터 분포를 추정하고 유사한 데이터를 탐색하여 이들 간의 관계를 연결하는 데이터 중심의 접근 방식을 제공하는, 신체 성장 예측 모델링 장치 및 그 방법을 제공하고자 한다.
또한, 본 발명의 일 실시예는 신체 성장 예측 모델을 모델링하는 과정에서 분석가가 용이하게 불확실 요소들을 정리 및 최소화할 수 있도록, 대화형 데이터 탐색 기능을 지원하는 시각적 분석 프로세스를 수행하는, 신체 성장 예측 모델링 장치 및 그 방법을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 측면에 따른 신체 성장 예측 모델링 장치는, 복수의 비교 대상자 별 신체 성장 데이터가 저장된 데이터베이스; 임의의 사용자에 대한 신체 성장 데이터를 입력받는 입력 모듈; 성장 예측 모델링 프로그램이 저장된 메모리; 및 상기 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하며, 상기 프로세서는 상기 성장 예측 모델링 프로그램의 실행에 따라, 입력된 사용자의 신체 성장 데이터 및 기저장된 복수의 비교 대상자의 신체 성장 데이터에 기초하여, 상기 사용자의 신체 성장 데이터와의 유사도 또는 상기 사용자의 신체 성장 데이터에 대한 조건부 확률 중 어느 하나에 따른 성장 예측 모델을 모델링하되, 상기 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나에 기준하여 상기 신체 성장 모델을 모델링하며, 상기 성장 예측 모델을 통해 상기 사용자에 대응하는 신체 성장 값을 예측하여 출력한다. 이때, 상기 데이터베이스에는 각 비교 대상자 별로 임의의 기간 동안 시계열적으로 기록된 신체 성장 데이터가 저장되어 있다. 또한, 상기 복수의 비교 대상자 중 둘 이상의 비교 대상자에 대응된 상기 임의의 기간은, 범위 및 구간 중 적어도 하나가 서로 상이하거나 또는 구간이 일부 중복되는 것이다.
그리고, 본 발명의 다른 측면에 따른 신체 성장 예측 모델링 방법은, 임의의 사용자에 대한 신체 성장 데이터를 입력받는 단계; 상기 사용자의 신체 성장 데이터와 기저장된 복수의 비교 대상자 별 신체 성장 데이터에 기초하여, 상기 사용자의 신체 성장 데이터와의 유사도 또는 상기 사용자의 신체 성장 데이터에 대한 조건부 확률 중 어느 하나에 따른 성장 예측 모델을 모델링하는 단계; 및 상기 성장 예측 모델을 통해 상기 사용자에 대응하는 신체 성장 값을 예측하여 출력하는 단계를 포함한다. 이때, 상기 성장 예측 모델을 모델링하는 단계는, 상기 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나에 기준하여 상기 성장 예측 모델을 모델링한다. 또한, 상기 기저장된 복수의 비교 대상자 별 신체 성장 데이터는 각 비교 대상자 별로 임의의 기간 동안 시계열적으로 기록된 것이고, 상기 복수의 비교 대상자 중 둘 이상의 비교 대상자에 대응된 상기 임의의 기간은 범위 및 구간 중 적어도 하나가 서로 상이하거나 또는 구간이 일부 중복되는 것이다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 현재 시점에서 유사한 데이터를 연결하는 데이터 중심의 접근 방식을 사용하여 성장 예측 모델링을 수행함으로써, 전체적인 추세가 알려지지 않은 시계열적 단편 데이터를 기준 데이터로서 사용하더라도 기존의 단순 기계학습 또는 회귀 분석에 비해 예측 결과의 불확실성이 크게 감소된다.
또한, 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 임의의 대상의 신체 성장 예측 모델링을 지원할 수 있는 시각적 분석(visual analytics) 프로세스를 제공함으로써, 분석가가 성장 예측 변수 간의 관계를 식별하고 그에 따른 예측 모델의 유효성을 직접적으로 확인할 수 있어, 성장 예측 결과의 정확도를 향상시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 신체 성장 예측 모델링 장치의 구성도이다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 성장 예측 모델링에 적용되는 기준 데이터의 일례이다.
도 4는 본 발명의 일 실시예에 따른 분포 모델에 기반한 성장 예측 모델을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 베이즈 추론 모델에 기반한 성장 예측 모델을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 신체 성장 예측 모델링 방식에 따른 성장 예측 결과에 대한 정확도 검증 결과를 표시한 그래프이다.
도 7은 본 발명의 일 실시예에 따른 성장 예측 모델링을 지원하는 시각적 분석 사용자 인터페이스의 일례이다.
도 8은 본 발명의 일 실시예에 따른 사용자에 대한 성장 예측 결과의 분석을 지원하는 시각적 분석 사용자 인터페이스의 일례이다.
도 9는 본 발명의 일 실시예에 따른 신체 성장 예측 모델링 방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 본 발명을 명확하게 설명하기 위해 도면에서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한, 도면을 참고하여 설명하면서, 같은 명칭으로 나타낸 구성일지라도 도면에 따라 도면 번호가 달라질 수 있고, 도면 번호는 설명의 편의를 위해 기재된 것에 불과하고 해당 도면 번호에 의해 각 구성의 개념, 특징, 기능 또는 효과가 제한 해석되는 것은 아니다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)' 또는 '모듈'이란, 하드웨어 또는 소프트웨어에 의해 실현되는 유닛(unit), 양방을 이용하여 실현되는 유닛을 포함하며, 하나의 유닛이 둘 이상의 하드웨어를 이용하여 실현되어도 되고, 둘 이상의 유닛이 하나의 하드웨어에 의해 실현되어도 된다.
도 1은 본 발명의 일 실시예에 따른 신체 성장 예측 모델링 장치의 구성도이다.
이하에서, 실제 신체 성장 값을 예측하고자 하는 대상(object)을 "사용자"라고 지칭하며, 신체 성장을 예측하는데 필요한 기준 데이터로서의 신체 성장 데이터를 수집한 대상을 "비교 대상자"라고 지칭하도록 한다.
본 발명의 일 실시예에 따른 신체 성장 예측 모델링 장치(100)는, 사용자의 신체 성장 데이터를 입력받으면, 사전에 수집되어 있던 복수의 비교 대상자들의 신체 성장 데이터를 기준 데이터로서 사용하는 성장 예측 모델의 입력 값으로 사용하여, 해당 사용자에 대응하는 신체 성장 값을 예측한 결과를 출력한다.
구체적으로, 도 1에 도시한 바와 같이 신체 성장 예측 모델링 장치(100)은, 입력모듈(110), 메모리(120), 프로세서(130) 및 데이터베이스(140)를 포함한다.
입력모듈(110)은 임의의 사용자의 성장 예측을 위한 입력 데이터를 수신하여 프로세서(130)로 전달한다. 이때, 입력 데이터는 신체 성장 데이터로서, 해당 사용자의 과거 또는 현재의 신체 구성 요소의 값(이하, "신체 구성 요소 데이터"라고 지칭함)들을 포함할 수 있다.
또한, 입력 데이터는 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나의 파라미터를 포함할 수 있다. 이러한 신체 성장 데이터의 파라미터는 신체 성장 예측 모델을 모델링하는 조건으로서 사용된다.
예를 들어, 아래 표 1은 신체 성장 데이터에 포함되는 복수의 파라미터의 종류를 나타냈다.
<표 1>
Figure 112017125434258-pat00001
표 1에서와 같이 신체 성장 데이터는, 키, 신체질량지수(Body Mass Index, BMI), 기초대사율(Basal Metabolic Rate, BMR), 몸무게, 골격근량, 체지방량, 체수분량, 근육량, 제지방량, 단백질 수치, 미네랄 수치, 무기질 수치, 체지방률, 복부지방률, 목 둘레 치수, 가슴 둘레 치수, 복부 둘레 치수, 오른팔 둘레 치수, 왼팔 둘레 치수, 엉덩이 둘레 치수, 오른 허벅지 둘레 치수, 왼 허벅지 둘레 치수 중 적어도 하나를 포함하는 '신체 구성 요소 데이터'와, 사용자 식별 정보(ID), 성별(gender), 나이(age) 및 데이터 측정 시점(date)을 포함하는 '사용자 정보'로 구성될 수 있다.
참고로, 본 발명의 일 실시예에서 신체 성장 데이터의 파라미터 종류는 위의 표 1에 한정되지 않으며, 신체 구성 요소 및 성장과 관련된 다양한 종류의 파라미터가 추가 또는 변경될 수 있다. 또한, 본 발명의 일 실시예에서 신체 성장 데이터의 '사용자 정보'는 신체 성장 값을 예측하고자 하는 사용자뿐만 아니라 비교 대상자에 대해서도 공통적으로 적용되는 개념이다.
데이터베이스(140)에는 복수의 비교 대상자 별 신체 성장 데이터가 저장되어 있다. 이러한 복수의 비교 대상자의 신체 성장 데이터는 성장 예측 모델링에 기준 데이터로서 사용된다.
구체적으로, 데이터베이스(140)에는 각 비교 대상자 별로 임의의 기간 동안 시계열적으로 기록된 신체 성장 데이터가 저장되어 있으며, 복수의 비교 대상자 중 둘 이상의 비교 대상자에 대응된 임의의 기간은, 범위 및 구간 중 적어도 하나가 서로 상이하거나 또는 구간이 일부 중복된다.
도 2 및 도 3은 본 발명의 일 실시예에 따른 성장 예측 모델링에 적용되는 기준 데이터의 일례이다.
예를 들어 도 2 및 도 3을 참조하면, 비교 대상자로서 7세~18세 사이의 29969명의 학생을 지정하였으며, 이들에 대해 앞서 표 1에서와 같이 인바디로 측정한 22개의 신체 구성 요소와 학생 정보(즉, 사용자 정보)로 구성된 신체 성장 데이터를 수집하였다. 이들 비교 대상자들에 대해 신체 구성 요소를 측정한 횟수는 1년에 2~17회(평균 6회)이며, 측정 기간의 범위는 1~4년(평균 2년)이고, 측정 간격은 3~24주다. 도 2 및 3에서와 같은 비교 대상자의 신체 성장 데이터를 기록한 예는, 제한적인 데이터 수집환경으로 인해 데이터 개수와 간격 그리고 기간이 모두 불규칙적이다.
도 2는 학년 별로 수집된 신체 성장 데이터의 수를 나타낸다. 참고로, 도 2 및 도3에서는 전체 학년을 12학년으로 구분하되, 1 내지 6학년에 해당하는 초등학교, 7 내지 9 학년에 해당하는 중학교 및 10 내지 12학년에 해당하는 고등학교로 구분하였다. 도 2의 예에서는 데이터 수집 환경의 한계로 초등학교, 중학교, 고등학교별 데이터 개수의 편차가 매우 큰 것을 알 수 있다. 중학교의 경우 초등학생의 데이터 대비 69%가 감소하며, 고등학교의 경우 초등학생의 데이터 대비 94%가 감소한다.
도 3은 신체 성장 데이터의 측정 기간이 3년인 학생들을 대상으로한 구간 별 데이터의 수를 나타낸다. 예를 들어 도 3을 참조하면, 1학년부터 3학년까지 3년간 신체 성장 데이터를 기록한 비교 대상자는 1924명이며, 6학년부터 8학년까지 3년간 신체 성장 데이터를 기록한 비교 대상자는 161명이다. 즉, 비교 대상자 별로 수집된 신체 성장 데이터는 측정 기간이 3년으로서 그 범위 자체는 동일하더라도 그 구간은 서로 상이하거나 일부가 겹쳐질 수 있다. 또한, 비교 대상자의 신체 성장 데이터를 시계열적으로 측정한 측정 기간의 범위 자체가 상이한 것도 가능하다. 임의의 비교 대상자는 3년 동안 지속적으로 복수회 신체 성장 데이터를 기록할 수 있으며, 다른 비교 대상자는 5년 동안 지속적으로 복수회 신체 성장 데이터를 기록할 수도 있다.
참고로, 데이터베이스(140)는 프로세서(130)의 제어에 따라 읽기 및 쓰기 처리될 수 있으며, 메모리(120)의 일부 영역에 포함되거나 또는 도 1에서와 같이 신체 성장 예측 모델링 장치(100)에 별도의 구성으로 포함될 수도 있다.
메모리(120)에는 신체 성장 예측 모델을 생성하는 신체 성장 예측 모델링 프로그램이 저장되어 있다. 또한, 메모리(120)에는 신체 성장 예측 모델을 모델링하는데 필요한 조건들을 설정하거나 성장 예측 결과를 분석하기 위한 정보를 시각적으로 지원하는 시각적 분석(visual analytics) 프로세스를 제공하는, 시각적 분석 프로그램이 더 저장되어 있다. 참고로, 신체 성장 예측 모델링 프로그램 및 시각적 분석 프로그램은 별개의 프로그램으로서 서로 연동하여 동작할 수 있다. 또한, 신체 성장 예측 모델링 프로그램의 서브 프로그램으로서 시각적 분석 프로그램이 포함되어 동작하는 것도 가능하다.
이러한 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 또는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치를 통칭하는 것이다.
프로세서(130)는 메모리(120)에 저장된 프로그램을 실행하되, 아래와 같은 처리를 수행할 수 있다.
프로세서(130)는 성장 예측 모델링 프로그램의 실행에 따라, 입력된 사용자의 신체 성장 데이터 및 기저장된 복수의 비교 대상자의 신체 성장 데이터에 기초하여 성장 예측 모델을 모델링한다. 이때, 프로세서(130)는 사용자의 신체 성장 데이터와의 유사도 또는 사용자의 신체 성장 데이터에 대한 조건부 확률 중 어느 하나에 따른 성장 예측 모델을 모델링하되, 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나에 기준하여 신체 성장 예측 모델을 모델링한다. 그리고 프로세서(130)는 모델링된 성장 예측 모델을 통해 사용자에 대응하는 신체 성장 값을 예측하여 출력한다.
또한, 프로세서(130)는 성장 예측 모델의 모델링을 수행하는데 있어서, 이를 지원하는 시각적 분석(visual analytics) 사용자 인터페이스를 제공할 수 있다.
또한, 프로세서(130)는 사용자에 대응하는 신체 성장 값 출력 시, 예측 결과에 대한 분석을 지원하는 시각적 분석 사용자 인터페이스를 제공할 수 있다.
이하, 도 4 내지 도 8을 참조하여, 프로세서(130)를 통해 처리되는 각 동작들에 대해서 상세히 설명하도록 한다.
먼저, 도 4 및 도 5를 참조하여 프로세서(130)가 성장 예측 모델을 모델링하는 방식에 대해서 설명하도록 한다.
도 4는 본 발명의 일 실시예에 따른 분포 모델에 기반한 성장 예측 모델을 설명하기 위한 도면이다. 그리고 도 5는 본 발명의 일 실시예에 따른 베이지안 추론 모델에 기반한 성장 예측 모델을 설명하기 위한 도면이다.
프로세서(130)는 2 가지 기법(즉, 유사도 및 조건부 확률)에 기반하여 성장 예측 모델을 모델링할 수 있다.
도 4를 참조하여, 프로세서(130)가 분포 모델(distribution model)에 기반하여 성장 예측 모델을 모델링하는 방법에 대해서 설명하도록 한다.
복수의 신체 성장 요소 중 하나 이상의 파라미터는 정규 분포를 따르는 특성이 있다. 예를 들어, 키(height)는 정규 분포를 따르는 대표적인 데이터이다. 도 4에서는 n 학년의 키 분포와 n+t 학년의 신장(키) 분포가 모두 정규 분포를 따르는 것을 나타냈다. 이에 따라, 분포 모델에 다음과 같은 가설을 적용할 수 있다.
가설 1: 각 학년의 신장(height) 데이터는 정규 분포를 따른다.
가설 2: n학년(agen)에 학생A(StudentA)의 정규 분포상 위치는 n+t학년(agen+t)에서도 유사하다.
이에 기반하여, 프로세서(130)는 사용자의 신체 성장 데이터와의 유사도를 사용할 경우, 분포 모델에 기반하여 상기 성장 예측 모델을 모델링한다. 즉, 분포 모델을 사용하여 유사한 데이터를 실로 엮는 것과 같은 효과를 내기 위해서, 프로세서(130)는 다음 단계에서 예측하고자 하는 학생과 가장 비슷한 학생(즉, 비교 대상자)을 탐색한다. 이때, 데이터로부터 유사성을 측정하기 위한 분포 모델로서 유클리드 거리(Euclidean distance) 기법, 맨하탄 거리(Manhattan distance) 기법, 및 코사인 유사도(cosine similarity) 기법 중 어느 하나의 기법을 사용할 수 있다. 다만, 유사도를 측정하기 위한 기법은 이에 한정되지 않는다.
본 발명의 일 실시예에서는 프로세서(130)가 유클리드 거리 기법을 사용하여 성장 예측 모델링을 수행하는 것을 설명하도록 한다. 참고로 아래의 수학식 1을 통해 유클리드 거리를 계산할 수 있다.
<수학식 1>
Figure 112017125434258-pat00002
수학식 1에서 d는 p와 q 간의 유클리드 거리이며, qi는 예측하고자 하는 학생의 신체 구성 요소이고, pi는 비교 대상이 되는 다른 학생의 신체 구성 요소이다.
아래 알고리즘 1은 프로세서(130)가 임의의 사용자에 대해 신체 성장 예측 모델을 모델링하기 위해 실행하는 알고리즘의 일례이다.
<알고리즘 1>
Figure 112017125434258-pat00003
먼저, n 학년(또는 나이)(agen)에서 예측 대상(즉, 사용자)인 A학생(StudentA)의 표준 점수(z-score)를 계산한다. 그리고 n+t학년(agen+t)에서, A학생(StudentA)의 표준 점수와 가장 가까운 다른 학생(즉, 비교 대상자) 후보군을 탐색한다. 도 4를 참조하면, 후보군은 B 학생(StudentB), C 학생(StudentC) 및 D 학생(StudentD)이다. 그런 다음, 수학식 1을 통해 A 학생의 표준 점수와 가장 가까운 값을 갖는 B 학생을 검출한다. 이러한 성장 예측 모델링의 결과로서, n+t학년(agen+t)에서 A 학생의 키 값(즉, 신체 성장 값)은 B 학생의 키 값으로 대체된다.
이상에서, 신체 성장 데이터의 파라미터 중 사용자 정보 상의 "나이" 및 "성별"과 신체 구성 요소 상의 "키"가 성장 예측 모델링의 조건으로 선택된 것을 설명하였다. 그런데 본 발명의 일 실시예에서 성장 예측 모델링의 조건으로 선택되는 신체 성장 데이터의 파라미터의 개수 및 종류는 한정되지 않는다. 한편, 본 발명의 일 실시예에 따르면, 아래 도 6을 통해 설명할 시각적 분석 사용자 인터페이스를 통해, 분석가(신체 성장 예측 분석을 수행하는 사용자)는 다양한 파라미터의 종류 및 그 특성과 파라미터들 간의 관계 등을 확인하고, 예측 분석에 필요한 조건을 직접 선택할 수도 있다.
도 5를 참조하여, 프로세서(130)가 베이즈 추론 모델(Bayesian inference model)에 기반하여 성장 예측 모델을 모델링하는 방법에 대해서 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 베이즈 추론 모델에 기반한 성장 예측 모델을 설명하기 위한 도면이다.
프로세서(130)는 사용자의 신체 성장 데이터에 대한 조건부 확률(conditional probability)을 사용할 경우, 베이즈 추론 모델에 기반하여 성장 예측 모델을 모델링한다. 이때, 사건 B가 발생했을 때 사건 A가 발생할 확률(즉, 조건부 확률)은 다음의 수학식 2로 나타낼 수 있다.
<수학식 2>
Figure 112017125434258-pat00004
베이즈 추론은 통계적 접근법으로서 추론할 대상에 대한 사전 확률과 현재 시점에서의 관측 값인 우도(likelihood) 값에 기초하여 사후 확률을 추론하는 방법이다.
베이즈 추론 기법에 따라 사전 확률과 사후 확률의 관계를 정리하면 다음의 수학식 3과 같이 나타낼 수 있다.
<수학식 3>
Figure 112017125434258-pat00005
이때, P(H)는 사전 확률이고, P(E)는 관찰 값인 우도(likelihood) 값이다.
이러한 베이즈 추론에 기초한 신체 성장 예측 모델은 다음의 가설을 적용할 수 있다.
가설: 학생의 신체 성장 추세는 현재 시점에서 유사한 신체적 특징을 가진 학생 그룹의 평균적인 성장 추세를 따른다.
이에 기초하여, 다음과 같은 성장 예측 모델링을 수행한다. 먼저, 복수의 비교 대상자들의 신체 성장 데이터를 나이에 기준하여 복수의 그룹으로 분류한다. 이때, 복수의 그룹은 기설정된(또는 분석가에 의해 선택된) 파라미터의 특성 및 선택된 파라미터들 간의 관계 값 등에 기초하여 분류될 수 있다. 그런 다음, 사용자의 신체 성장 데이터가 임의의 그룹에 포함될 확률인 사전 확률을 산출하고, 산출된 사전 확률과 현재 시점의 우도(likelihood) 값에 기초하여 사후 확률을 산출하여 신체 성장 상태 경로를 추정한다. 이에 따라, 추정된 신체 성장 상태 경로에 포함된 적어도 하나의 그룹의 신체 성장 데이터에 기초하여 사용자의 신체 성장 값을 예측하고, 이를 성장 예측 모델링의 결과로서 출력한다.
예를 들어, 도 5에서, S는 임의의 성장 그룹에 학생이 포함될 확률을 나타내며
Figure 112017125434258-pat00006
이다. 이때, 1 학년(age1)에서 임의의 학생(즉, 사용자)이 S1,2로 분류될 확률은 P(E)=P(S1,2)=0.4이다. 이러한 경우, P(E) 값은 S1,2에 속한 학생 수를 1학년(age1)에 속한 전체 학생 수로 나눈 값이다. 학생의 신체 성장 추세가 S1,2에서 S2,1로 변이될 확률인 H1는 0.11이다. 그리고 학생의 신체 성장 추세가 S1,2에서 S2,2로 변이될 확률인 H2는 0.5이다. 이에 따라, H1에서 우도 함수 P(E|H)=0.17이며, H2에서 우도 함수 P(E|H)=0.25이다.
사전 확률 H1 및 H2에 대한 사후 확률 P(H|E)는 각각 다음의 수학식 4 및 5와 같이 계산된다.
<수학식 4>
Figure 112017125434258-pat00007
<수학식 5>
Figure 112017125434258-pat00008
따라서, 해당 학생에 대한 신체 성장 상태 경로는 성장 그룹 S1,2에서 S2,2로 변이되는 경로가 포함된다. 이러한 방식으로 복수의 성장 그룹 중 해당 학생의 신체 성장 상태 경로에 포함되는 복수의 그룹을 확인할 수 있다.
한편, 도 6은 본 발명의 일 실시예에 따른 신체 성장 예측 모델링 방식에 따른 성장 예측 결과에 대한 정확도 검증 결과를 표시한 그래프이다.
도 6을 참조하면, 정확도 검증에 3년 이상 신체 성장 정보를 수집한 기록이 있는 학생 5767명 (전체 학생의 25%)의 데이터를 이용한 것을 나타냈다.
이때, 첫 번째 연도에 측정한 데이터를 가지고 향후 2년간 예측한 결과와 실제 데이터와 비교하였다.
또한, 다양한 관점에서 성장 예측 모델을 평가하기 위해 RMSE (Root Mean Square Error):
Figure 112017125434258-pat00009
, MAPE (Mean Absolute Percentage Error):
Figure 112017125434258-pat00010
, MdAPE (Median relative Absolute Percentage Error):
Figure 112017125434258-pat00011
를 사용하였다. RMSE는 모델이 예측한 값과 실제 환경에서 관찰되는 값의 차이를 정량화한 것으로 정밀도를 표현하는데 적합하다. MAPE는 실제 값에 대한 상대 오차 비율을 나타낸다. 그리고 MdAPE는 RMSE와 MAPE와 달리 중간 값을 이용하기 때문에 특이 값에 의한 왜곡에 강인하다. 각 모델별 수식에서 ft는 예측 값을 의미하며, ot 는 실제 값을 의미한다.
그리고, 본 발명의 일 실시예에 따른 분포 모델 및 베이즈 추론 모델을 사용한 성장 예측 값에 따른 에러율과, 선형 회귀(Linear regression) 모델과 로그 회귀(Logarithm regression) 모델을 통해 예측한 성장 예측 값에 따른 에러율을 비교하였다.
도 6에서와 같이, 본 발명의 일 실시예에 따른 분포 모델 및 베이즈 추론 모델을 사용하여 모델링된 성장 예측 모델을 통한 성장 예측 값이 정확도가 월등히 높은 것을 알 수 있다.
다음으로, 도 7을 참조하여 프로세서(130)가 성장 예측 모델의 모델링을 지원하는 시각적 분석 사용자 인터페이스를 제공하는 방식에 대해서 설명하도록 한다.
도 7은 본 발명의 일 실시예에 따른 성장 예측 모델링을 지원하는 시각적 분석 사용자 인터페이스의 일례이다.
참고로, 도 7에서와 같은 성장 예측 모델링을 지원하는 시각적 분석 사용자 인터페이스는 웹 기반 프레임워크로 구현될 수 있다. 성장 예측 모델링을 지원하는데 시각적 분석 기법을 적용하는 이유는, 예측 모델의 구현 과정에서 발생 가능한 불확실 요소를 인지하고 이를 최소화 하기 위한 것이다. 이때, 불확실 요소는 데이터 손실, 이상치, 예측 모델과 관계없는 변수 선택 등으로 나눌 수 있다. 이에 따라, 시각적 분석 사용자 인터페이스를 통해, 성장 예측 모델링 조건 및 과정을 이해하기 쉽고 통계적 지식이 부족한 분석가도 쉽게 사용할 수 있다. 그리고 데이터를 충분히 이해할 수 있도록 다양한 시각 및 관점이 제공되며, 예측 모델링 성능 향상을 위해 데이터에 나타난 노이즈를 제어할 수 있다. 또한, 구현할 예측 모델의 불확실성을 정량화하여 분석가가 쉽게 인지할 수 있다.
도 7을 참조하면, 성장 예측 모델링 지원용 사용자 인터페이스는 5개의 상호 작용 모듈로 구성될 수 있다.
구체적으로, 성장 예측 모델의 모델링을 지원하는 시각적 분석 사용자 인터페이스를 통해, 도 7의 (a)에서와 같이 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나를 선택할 수 있도록 하는 파라미터 셀렉터, (b)에서와 같이 신체 성장 데이터 별로 분포를 출력하는 히스토그램 셀렉터, (c) 및 (d)에서와 같이 신체 성장 데이터의 파라미터 간 상호 관계 정도를 좌표 형태로 출력하는 평행좌표(parallel coordinates) 뷰 및 산포도(scatter plot) 뷰를 제공하며, 또한, 도 7의 (e)에서와 같이, 선택된 조건이 적용된 성장 예측 모델을 모델링하는 알고리즘 모델링 모듈을 제공한다.
이때, 도 7의 (c)에서와 같은 평행 좌표 뷰는, 평행 좌표도(parallel coordinates plot, PCP) 기법에 따라 다변량 데이터를 시각화할 수 있다. PCP는 고차원의 특정 기하학적 특성을 2D 패턴으로 변환하여 출력한다. 한편, PCP에서 축의 정렬 순서, 축의 회전 및 스케일링 등에 의해 다른 결과가 도출될 수 있으므로, 분석가는 평행 좌표 뷰를 통해 다양한 조건을 확인해 본 후 성장 예측 모델링을 수행할 수 있다. 또한, 도 7의 (d)에서와 같은 산포도(scatter plot) 뷰는, 직교 좌표계를 이용하여 두 변수 간의 관계를 시각화할 수 있다.
좀 더 상세히 설명하기 위해, 시간 흐름에 따른 키 성장 정도를 예측하기 위한 알고리즘을 구현한다고 가정한다. 데이터 간의 관계를 분석하기 위해 분석가는 (a) 파라미터 셀럭터에서 분석하고자 하는 데이터 종류를 선택할 수 있으며, 이때 시각적 분석 사용자 인터페이스 상의 (c) 평행 좌표 뷰와 (d) 산포도 뷰에 데이터 간의 관계가 시각화되어 출력된다. 상세한 분석을 위해 시각적 분석 사용자 인터페이스 상의 (b) 히스토그램 셀렉터와 (c) 평행 좌표 뷰에서, 브러시(brush)를 이용하여 분석하고자 하는 데이터 범위를 필터링 할 수 있다. 이때, 분석가는 브러시 기능을 이용하여 노이즈를 제거할 수 있으며, 제거된 노이즈에 대한 정보는 (c) 하단에 출력될 수 있다. 분석가는 시각적 분석 사용자 인터페이스 상의 (a)와 (e) 간에 드래그앤드롭(Drag&drop)을 통해 성장 예측 알고리즘을 모델링할 수 있다. 예를 들어, 도 7의 (e)와 같이 x축에 grade(학년), y축에 height(키)를 입력하고, 다음 예측 모델에 사용할 파라미터(height, gender, protein)를 입력할 수 있다. 이 경우 성장 예측 모델은 3개의 차원을 이용하여 키(height)를 예측한다. 또한, 시각적 분석 사용자 인터페이스를 통해 성장 예측 모델의 불확실성 정도를 정량화하여 (e)의 진행 표시 막대(progress bar)에 시각화할 수 있다. 즉, 도 7에서 파라미터 'height, gender, protein_mass'를 이용하여 모델링한 성장 예측 모델은 전체 데이터의 90.2%를 설명할 수 있으며, 약 9.8%의 불확실성 정도를 갖는다고 이해할 수 있다.
다음으로, 도 8을 참조하여 프로세서(130)가 신체 성장 예측 결과에 대한 분석을 지원하는 시각적 분석 사용자 인터페이스를 제공하는 방식에 대해서 설명하도록 한다.
도 8은 본 발명의 일 실시예에 따른 사용자에 대한 성장 예측 결과의 분석을 지원하는 시각적 분석 사용자 인터페이스의 일례이다.
참고로, 도 8에서와 같은 성장 예측 결과 분석을 지원하는 시각적 분석 사용자 인터페이스는 웹 기반 프레임워크로 구현될 수 있다. 도 8에 도시된 신체 성장 예측 결과 분석용 시각적 분석 사용자 인터페이스는, 청소년 신체 성장 현황 식별, 유사한 학생 그룹과의 비교, 그리고 성장 예측을 종합적으로 분석할 수 있는 정보를 제공한다.
도 8을 참조하면, 성장 예측 결과 분석 지원용 사용자 인터페이스는 5개의 상호 작용 모듈로 구성될 수 있다.
구체적으로, 성장 예측 결과 분석 을 지원하는 시각적 분석 사용자 인터페이스를 통해, 도 8의 (a)에서와 같이 분석하고자 하는 학생의 신체 현황을 알 수 있는 신체 상태 뷰(Body state view), (b)에서와 같이 신체 성장 패턴이 유사한 학생들을 식별할 수 있는 클러스터 뷰(Cluster view), (c)에서와 같이 신체 균형을 분석할 수 있는 방사형 차트(Radar chart), (d)에서와 같이 과거 성장 기록을 분석할 수 있는 히스토리 트랙커(History tracker) 및, (e)에서와 같이 성장 예측 결과를 분석할 수 있는 예측 뷰(Prediction view)를 제공할 수 있다.
이하, 도 9를 참조하여 본 발명의 일 실시예에 따른 신체 성장 예측 모델링 방법에 대해서 상세히 설명하도록 한다.
도 9는 본 발명의 일 실시예에 따른 신체 성장 예측 모델링 방법을 설명하기 위한 순서도이다.
먼저, 신체 성장 예측 대상인 사용자에 대한 신체 성장 데이터를 입력받는다(S910).
다음으로, 사전에 수집되어 저장되어 있는 복수의 비교 대상자 별 신체 성장 데이터를 이용하여, 사용자의 신체 성장 데이터와의 유사도 또는 사용자의 신체 성장 데이터에 대한 조건부 확률 중 어느 하나에 따른 성장 예측 모델을 모델링한다(S920).
기저장된 복수의 비교 대상자 별 신체 성장 데이터는, 각 비교 대상자 별로 임의의 기간 동안 시계열적으로 기록된 것이고, 복수의 비교 대상자 중 둘 이상의 비교 대상자에 대응된 상기 임의의 기간은 범위 및 구간 중 적어도 하나가 서로 상이하거나 또는 구간이 일부 중복된다.
또한, 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나에 기준하여 신체 성장 예측 모델을 모델링한다. 이때, 유사도 또는 조건부 확률을 사용하여 성장 예측 모델을 모델링하는 방식은 앞서 도 4 및 도 5를 통해 설명한 방식과 동일하므로 중복된 설명은 생략하도록 한다.
이러한 신체 성장 예측 모델링을 지원하기 위해 시각적 분석 사용자 인터페이스를 제공할 수 있다. 이러한 시각적 분석 사용자 인터페이스를 통해, 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나를 선택할 수 있도록 하는 파라미터 셀렉터, 신체 성장 데이터 별로 분포를 출력하는 히스토그램 셀렉터, 신체 성장 데이터의 파라미터 간 상호 관계 정도를 좌표 형태로 출력하는 평행좌표 뷰 및 산포도 뷰와, 선택된 조건이 적용된 성장 예측 모델을 모델링하는 알고리즘 모델링 모듈을 제공할 수 있다.
그런 다음, 성장 예측 모델을 통해 사용자에 대응하는 신체 성장 값을 예측하여 출력한다(S930).
이때, 성장 예측 모델을 통해 예측된 신체 성장 예측 값의 분석을 지원하는 시각적 분석 사용자 인터페이스를 제공할 수 있다. 이러한 시각적 분석 사용자 인터페이스를 통해, 사용자의 신체 현황 정보를 확인할 수 있는 신체 상태 뷰, 사용자 및 복수의 비교 대상자에 대해 신체 성장 패턴이 유사한 객체들을 식별할 수 있는 클러스터 뷰, 신체 균형을 분석할 수 있는 방사형 차트, 과거 성장 기록을 분석할 수 있는 히스토리 트랙커, 및 사용자의 성장 예측 결과를 분석할 수 있는 예측 뷰를 제공할 수 있다.
이상에서 설명한 본 발명의 실시예에 따른 신체 성장 예측 모델링 방법은, 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 이러한 기록 매체는 컴퓨터 판독 가능 매체를 포함하며, 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함하며, 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 조사 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
또한, 본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수도 있다.
본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 신체 성장 예측 모델링 장치
110: 입력모듈
120: 메모리
130: 프로세서
140: 데이터베이스

Claims (14)

  1. 신체 성장 예측 모델링 장치에 있어서,
    복수의 비교 대상자 별 신체 성장 데이터가 저장된 데이터베이스;
    임의의 사용자에 대한 신체 성장 데이터를 입력받는 입력 모듈;
    성장 예측 모델링 프로그램이 저장된 메모리; 및
    상기 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하며,
    상기 프로세서는 상기 성장 예측 모델링 프로그램의 실행에 따라, 입력된 사용자의 신체 성장 데이터 및 기저장된 복수의 비교 대상자의 신체 성장 데이터에 기초하여, 상기 사용자의 신체 성장 데이터와의 유사도 또는 상기 사용자의 신체 성장 데이터에 대한 조건부 확률 중 어느 하나에 따른 성장 예측 모델을 모델링하되, 상기 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나에 기준하여 상기 신체 성장 모델을 모델링하며, 상기 성장 예측 모델을 통해 상기 사용자에 대응하는 신체 성장 값을 예측하여 출력하고,
    상기 데이터베이스에는 각 비교 대상자 별로 임의의 기간 동안 시계열적으로 기록된 신체 성장 데이터가 저장되어 있으며,
    상기 복수의 비교 대상자 중 둘 이상의 비교 대상자에 대응된 상기 임의의 기간은, 범위 및 구간 중 적어도 하나가 서로 상이하거나 또는 구간이 일부 중복되는 것인, 신체 성장 예측 모델링 장치.
  2. 제 1 항에 있어서,
    상기 프로세서는,
    상기 성장 예측 모델의 모델링을 지원하는 시각적 분석(visual analytics) 사용자 인터페이스를 제공하되,
    상기 시각적 분석 사용자 인터페이스를 통해, 상기 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나를 선택할 수 있도록 하는 파라미터 셀렉터, 상기 신체 성장 데이터 별로 분포를 출력하는 히스토그램 셀렉터, 상기 신체 성장 데이터의 파라미터 간 상호 관계를 좌표 형태로 출력하는 평행좌표(parallel coordinates) 뷰 및 산포도(scatter plot) 뷰와, 선택된 조건이 적용된 상기 성장 예측 모델을 모델링하는 알고리즘 모델링 모듈을 제공하는, 신체 성장 예측 모델링 장치.
  3. 제 1 항에 있어서,
    상기 프로세서는,
    상기 사용자의 신체 성장 데이터와의 유사도를 사용할 경우, 분포 모델(distribution model)에 기반하여 상기 성장 예측 모델을 모델링하되,
    상기 분포 모델로서 유클리드 거리(Euclidean distance) 기법, 맨하탄 거리(Manhattan distance) 기법, 및 코사인 유사도(cosine similarity) 기법 중 어느 하나의 기법을 사용하고, 상기 유클리드 거리 또는 맨하탄 거리가 가장 가깝거나 상기 코사인 유사도가 가장 큰 비교 대상자를 선택하고, 상기 선택된 비교 대상자의 신체 성장 데이터에 기초하여 상기 사용자의 신체 성장 값을 예측하는, 신체 성장 예측 모델링 장치.
  4. 제 1 항에 있어서,
    상기 프로세서는,
    상기 사용자의 신체 성장 데이터에 대한 조건부 확률을 사용할 경우, 베이즈 추론 모델(Bayesian inference model)에 기반하여 상기 성장 예측 모델을 모델링하되,
    상기 복수의 비교 대상자들의 신체 성장 데이터를 나이에 기준하여 복수의 그룹으로 분류하고, 상기 사용자의 신체 성장 데이터가 임의의 그룹에 포함될 확률인 사전 확률을 산출하고, 상기 산출된 사전 확률과 현재 시점의 우도(likelihood) 값에 기초하여 사후 확률을 산출하여 신체 성장 상태 경로를 추정하며, 상기 추정된 신체 성장 상태 경로에 포함된 적어도 하나의 그룹의 신체 성장 데이터에 기초하여 상기 사용자의 신체 성장 값을 예측하는, 신체 성장 예측 모델링 장치.
  5. 제 1 항에 있어서,
    상기 신체 성장 데이터는,
    키, 신체질량지수(Body Mass Index, BMI), 기초대사율(Basal Metabolic Rate, BMR), 몸무게, 골격근량, 체지방량, 체수분량, 근육량, 제지방량, 단백질 수치, 미네랄 수치, 무기질 수치, 체지방률, 복부지방률, 목 둘레 치수, 가슴 둘레 치수, 복부 둘레 치수, 오른팔 둘레 치수, 왼팔 둘레 치수, 엉덩이 둘레 치수, 오른 허벅지 둘레 치수, 왼 허벅지 둘레 치수 중 적어도 하나를 포함하는 신체 구성 요소 데이터와,
    사용자 식별 정보, 성별, 나이 및 데이터 측정 시점을 포함하는 사용자 정보로 구성된 것인, 신체 성장 예측 모델링 장치.
  6. 제 1 항에 있어서,
    상기 프로세서는,
    상기 신체 성장 데이터에 포함된 복수의 파라미터 중 정규 분포 특성을 갖는 하나 이상의 파라미터를 상기 성장 예측 모델의 모델링 기준으로서 선택하는, 신체 성장 예측 모델링 장치.
  7. 제 1 항에 있어서,
    상기 프로세서는,
    상기 성장 예측 모델을 통해 예측된 신체 성장 예측 값의 분석을 지원하는 시각적 분석(visual analytics) 사용자 인터페이스를 제공하되,
    상기 시각적 분석 사용자 인터페이스를 통해,
    상기 사용자의 신체 현황 정보를 확인할 수 있는 신체 상태 뷰(Body state view), 상기 사용자 및 상기 복수의 비교 대상자에 대해 신체 성장 패턴의 유사도가 기설정된 값보다 높은 객체들을 식별할 수 있는 클러스터 뷰(Cluster view), 신체 균형을 분석할 수 있는 방사형 차트(Radar chart), 과거 성장 기록을 분석할 수 있는 히스토리 트랙커(History tracker), 및 상기 사용자의 성장 예측 결과를 분석할 수 있는 예측 뷰(Prediction view)를 제공하는, 신체 성장 예측 모델링 장치.
  8. 신체 성장 예측 모델링 장치에 의해 수행되는 신체 성장 예측 모델링 방법에 있어서,
    임의의 사용자에 대한 신체 성장 데이터를 입력받는 단계;
    상기 사용자의 신체 성장 데이터와 기저장된 복수의 비교 대상자 별 신체 성장 데이터에 기초하여, 상기 사용자의 신체 성장 데이터와의 유사도 또는 상기 사용자의 신체 성장 데이터에 대한 조건부 확률 중 어느 하나에 따른 성장 예측 모델을 모델링하는 단계; 및
    상기 성장 예측 모델을 통해 상기 사용자에 대응하는 신체 성장 값을 예측하여 출력하는 단계를 포함하며,
    상기 성장 예측 모델을 모델링하는 단계는,
    상기 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나에 기준하여 상기 성장 예측 모델을 모델링하며,
    상기 기저장된 복수의 비교 대상자 별 신체 성장 데이터는 각 비교 대상자 별로 임의의 기간 동안 시계열적으로 기록된 것이고,
    상기 복수의 비교 대상자 중 둘 이상의 비교 대상자에 대응된 상기 임의의 기간은, 범위 및 구간 중 적어도 하나가 서로 상이하거나 또는 구간이 일부 중복되는 것인, 신체 성장 예측 모델링 방법.
  9. 제 8 항에 있어서,
    상기 성장 예측 모델을 모델링하는 단계는,
    상기 성장 예측 모델의 모델링을 지원하는 시각적 분석(visual analytics) 사용자 인터페이스를 제공하되,
    상기 시각적 분석 사용자 인터페이스를 통해, 상기 신체 성장 데이터에 포함된 복수의 종류의 파라미터 중 적어도 하나를 선택할 수 있도록 하는 파라미터 셀렉터, 상기 신체 성장 데이터 별로 분포를 출력하는 히스토그램 셀렉터, 상기 신체 성장 데이터의 파라미터 간 상호 관계를 좌표 형태로 출력하는 평행좌표(parallel coordinates) 뷰 및 산포도(scatter plot) 뷰와, 선택된 조건이 적용된 상기 성장 예측 모델을 모델링하는 알고리즘 모델링 모듈을 제공하는, 신체 성장 예측 모델링 방법.
  10. 제 8 항에 있어서,
    상기 성장 예측 모델을 모델링하는 단계는,
    상기 사용자의 신체 성장 데이터와의 유사도를 사용할 경우, 분포 모델(distribution model)에 기반하여 상기 성장 예측 모델을 모델링하되,
    상기 분포 모델로서 유클리드 거리(Euclidean distance) 기법, 맨하탄 거리(Manhattan distance) 기법, 및 코사인 유사도(cosine similarity) 기법 중 어느 하나의 기법을 사용하고, 상기 유클리드 거리 또는 맨하탄 거리가 가장 가깝거나 상기 코사인 유사도가 가장 큰 비교 대상자를 선택하고, 상기 선택된 비교 대상자의 신체 성장 데이터에 기초하여 상기 사용자의 신체 성장 값을 예측하는, 신체 성장 예측 모델링 방법.
  11. 제 8 항에 있어서,
    상기 성장 예측 모델을 모델링하는 단계는,
    상기 사용자의 신체 성장 데이터에 대한 조건부 확률을 사용할 경우, 베이즈 추론 모델(Bayesian inference model)에 기반하여 상기 성장 예측 모델을 모델링하되,
    상기 복수의 비교 대상자들의 신체 성장 데이터를 나이에 기준하여 복수의 그룹으로 하고, 상기 사용자의 신체 성장 데이터가 임의의 그룹에 포함될 확률인 사전 확률을 산출하고, 상기 산출된 사전 확률과 현재 시점의 우도(likelihood) 값에 기초하여 사후 확률을 산출하여 신체 성장 상태 경로를 추정하며, 상기 추정된 신체 성장 상태 경로에 포함된 적어도 하나의 그룹의 신체 성장 데이터에 기초하여 상기 사용자의 신체 성장 값을 예측하는, 신체 성장 예측 모델링 방법.
  12. 제 8 항에 있어서,
    상기 신체 성장 데이터는,
    키, 신체질량지수(Body Mass Index, BMI), 기초대사율(Basal Metabolic Rate, BMR), 몸무게, 골격근량, 체지방량, 체수분량, 근육량, 제지방량, 단백질 수치, 미네랄 수치, 무기질 수치, 체지방률, 복부지방률, 목 둘레 치수, 가슴 둘레 치수, 복부 둘레 치수, 오른팔 둘레 치수, 왼팔 둘레 치수, 엉덩이 둘레 치수, 오른 허벅지 둘레 치수, 왼 허벅지 둘레 치수 중 적어도 하나를 포함하는 신체 구성 요소 데이터와,
    사용자 식별 정보, 성별, 나이 및 데이터 측정 시점을 포함하는 사용자 정보로 구성된 것인, 신체 성장 예측 모델링 방법.
  13. 제 8 항에 있어서,
    상기 사용자에 대응하는 신체 성장 값을 예측하여 출력하는 단계는,
    상기 성장 예측 모델을 통해 예측된 신체 성장 예측 값의 분석을 지원하는 시각적 분석(visual analytics) 사용자 인터페이스를 제공하되,
    상기 시각적 분석 사용자 인터페이스를 통해,
    상기 사용자의 신체 현황 정보를 확인할 수 있는 신체 상태 뷰(Body state view), 상기 사용자 및 상기 복수의 비교 대상자에 대해 신체 성장 패턴의 유사도가 기설정된 값보다 높은 객체들을 식별할 수 있는 클러스터 뷰(Cluster view), 신체 균형을 분석할 수 있는 방사형 차트(Radar chart), 과거 성장 기록을 분석할 수 있는 히스토리 트랙커(History tracker), 및 상기 사용자의 성장 예측 결과를 분석할 수 있는 예측 뷰(Prediction view)를 제공하는, 신체 성장 예측 모델링 방법.
  14. 제 8 항 내지 제13 항 중 어느 하나에 포함된 방법을 실행하는 컴퓨터 프로그램이 기록된 기록 매체.
KR1020170173539A 2017-12-15 2017-12-15 신체 성장 예측 모델링 장치 및 방법 KR102075743B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170173539A KR102075743B1 (ko) 2017-12-15 2017-12-15 신체 성장 예측 모델링 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170173539A KR102075743B1 (ko) 2017-12-15 2017-12-15 신체 성장 예측 모델링 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190072292A KR20190072292A (ko) 2019-06-25
KR102075743B1 true KR102075743B1 (ko) 2020-02-10

Family

ID=67065416

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170173539A KR102075743B1 (ko) 2017-12-15 2017-12-15 신체 성장 예측 모델링 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102075743B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102198302B1 (ko) 2020-05-20 2021-01-05 주식회사 지피바이오 성장 예측 방법 및 그 장치
KR102574431B1 (ko) 2022-09-29 2023-09-11 주식회사 지피 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR102618945B1 (ko) 2022-09-29 2023-12-29 주식회사 지피 인공지능을 이용한 성장단계 기반 성조숙 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR102618898B1 (ko) 2022-09-29 2024-01-02 주식회사 지피 인공지능을 이용한 성장단계 기반 비만 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101779800B1 (ko) 2016-09-27 2017-09-19 이재준 기계학습 기반 다면적 성장 평가 방법 및 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980027127A (ko) * 1996-10-15 1998-07-15 윤상철 체중관리 방법 및 장치
KR20100078307A (ko) * 2008-12-30 2010-07-08 이현석 온라인상에서의 성장관리 및 성장예보 방법
KR20140045759A (ko) 2012-10-09 2014-04-17 최윤호 성장 관리 서비스 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101779800B1 (ko) 2016-09-27 2017-09-19 이재준 기계학습 기반 다면적 성장 평가 방법 및 시스템

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102198302B1 (ko) 2020-05-20 2021-01-05 주식회사 지피바이오 성장 예측 방법 및 그 장치
KR102574431B1 (ko) 2022-09-29 2023-09-11 주식회사 지피 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR102618945B1 (ko) 2022-09-29 2023-12-29 주식회사 지피 인공지능을 이용한 성장단계 기반 성조숙 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR102618898B1 (ko) 2022-09-29 2024-01-02 주식회사 지피 인공지능을 이용한 성장단계 기반 비만 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR20240045995A (ko) 2022-09-29 2024-04-08 주식회사 지피 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR20240046100A (ko) 2022-09-29 2024-04-08 주식회사 지피 인공지능을 이용한 성장단계 기반 비만 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR20240046101A (ko) 2022-09-29 2024-04-08 주식회사 지피 인공지능을 이용한 성장단계 기반 비만 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR20240045994A (ko) 2022-09-29 2024-04-08 주식회사 지피 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램
KR20240046414A (ko) 2022-09-29 2024-04-09 주식회사 지피 인공지능을 이용한 성장단계 기반 성조숙 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR20190072292A (ko) 2019-06-25

Similar Documents

Publication Publication Date Title
KR102075743B1 (ko) 신체 성장 예측 모델링 장치 및 방법
US20180060150A1 (en) Root cause analysis
TW201224812A (en) Probabilistic data mining model comparison engine
Lynch et al. Increased need for data analytics education in support of verification and validation
US20210090101A1 (en) Systems and methods for business analytics model scoring and selection
Shraga et al. Learning to Characterize Matching Experts
Arifin et al. Comparative analysis on educational data mining algorithm to predict academic performance
Jadhav et al. Placement Readiness Check: Predicting Placement Status Using Supervised ML Methods
Chrisnanto et al. The uses of educational data mining in academic performance analysis at higher education institutions (case study at UNJANI)
Yeon et al. Visual imputation analytics for missing time-series data in bayesian network
Chalaris et al. Examining students' graduation issues using data mining techniques-The case of TEI of Athens
CN114818460A (zh) 基于自动机器学习的实验室设备剩余使用寿命预测方法
Mitra et al. Effective integration of geotagged, ancilliary longitudinal survey datasets to improve adulthood obesity predictive models
Xiong et al. A Proposed Hybrid CNN-RNN Architecture for Student Performance Prediction
JP2022068690A (ja) 意思決定支援装置
Yeon et al. Visual performance improvement analytics of predictive model for unbalanced panel data
Dubey et al. Improving Robustness of Logistic Regression under Label Noise
van Weert Predicting Academic Success Using Academic Genealogical Data, a Data Science Approach
CN116611022B (zh) 智慧校园教育大数据融合方法及平台
Shirsat et al. Breast Cancer detection based on machine learning feature selection and extraction algorithm
Panda et al. Machine learning using exploratory analysis to predict taxi fare
Schellingerhout et al. Explainable career path predictions using neural models
US20240020781A1 (en) Analytical platform for improving the education quality
Mihaescu et al. Generic approach for interpretation of PCA results-use case on learner's activity in social media tools
Raman et al. Machine learning based university admit eligibility predictor

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant