KR102197828B1 - 성장 예측 데이터를 제공하는 컴퓨팅 장치 - Google Patents

Abstract

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 성장 예측 데이터를 제공하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 코어를 포함하는 프로세서 및 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리 를 포함하고, 그리고 상기 프로세서는 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하고, 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하고, 그리고 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키고, 그리고 상기 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 상기 성장 예측 데이터를 출력하도록 할 수 있다.

Description

성장 예측 데이터를 제공하는 컴퓨팅 장치{COMPUTING DEVICE PROVIDING INFORMATION FOR GROWTH PREDICTION}

본 개시는 성장 예측 데이터를 제공하는 컴퓨팅 장치에 관한 것으로, 보다 구체적으로 부위별 골밀도 데이터를 포함하는 생체 데이터에 기초하여 성장 예측 데이터를 산출하는 컴퓨팅 장치에 관한 것이다.

오늘날, 성장기의 어린이나 청소년들이 키에 대한 관심이 증가함에 따라 자신의 성장에 관한 예측 방법에 대한 관심이 높아지고 있다. 이에 따라, 부모로부터 물려받은 유전적 요인과 섭취 영양분, 운동 등과 같은 환경 요인을 결합하여 최종 성장을 예측해주는 발명이 대한민국 등록 특허 10-1866208에 개시되어 있다.

다만, 종래기술은 성장기 청소년의 성장에 중요한 요인 중 하나인 성장판이 고려되지 않아 성장 예측에 대한 정확도가 보다 낮아질 우려가 있다. 예를 들어, 종래기술은 청소년의 성장이 보다 높게 예측되는 유전적 요인 및 환경 요인이 관측되더라도, 청소년의 성장에 직접적으로 영향을 주는 성장판이 손상(닫힘)을 입은 경우, 사용자의 성장이 제한되는 상황이 발생할 수 있음을 고려하지 못하고 있다. 즉, 종래기술은 현재 사용자의 신체를 통해 측정된 데이터를 고려치 않음으로 정확도가 보다 낮을 수 있다.

따라서, 사용자의 생체 정보를 통해 성장 예측 정보 및 성장판 정보를 산출함으로써 보다 높은 정확도를 제공하고, 그리고 사용자의 성장 예측 정보를 바탕으로 사용자의 성장을 더욱 촉진시킬 수 있도록 식습관 환경, 권장 운동 및 치료 방법 등을 제공해주는 컴퓨팅 장치의 수요가 당 업계에 존재할 수 있다.

본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 성장 예측 데이터를 제공하는 컴퓨팅 장치에 관한 것이다.

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 성장 예측 데이터를 제공하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 코어를 포함하는 프로세서 및 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리를 포함하고, 그리고 상기 프로세서는 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하고, 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하고, 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키고, 그리고 상기 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 상기 성장 예측 데이터를 출력하도록 할 수 있다.

대안적으로, 상기 생체 데이터 및 과거 생체 데이터는, 상이한 시점에 각각 기록된 사용자의 나이, 성별, 키, 몸무게, 부위별 임피던스 및 부위별 골밀도 데이터에 대한 정보를 각각 포함할 수 있다.

대안적으로, 사용자의 신체의 적어도 일부와 접촉가능한 두개 이상의 전극을 포함하며, 상기 전극에 전류를 인가하는 측정부를 더 포함하고, 상기 프로세서는, 상기 사용자의 손바닥, 발바닥, 어깨, 팔꿈치, 손목, 무릎 및 발목 중 적어도 하나에 접촉가능한 두개 이상의 전극에 인가된 전류 및 측정된 전압을 통해 상기 사용자의 부위별 임피던스를 결정하고, 상기 부위별 임피던스 및 상기 사용자의 생체 데이터에 적어도 부분적으로 기초하여 부위별 골밀도 데이터를 산출함으로써, 상기 성장 예측 대상의 생체 데이터를 생성할 수 있다.

대안적으로, 상기 성장 예측 모델은, 상기 사용자의 부위별 골밀도 데이터의 각각의 신체 부위의 골밀도와 상기 성장 예측 데이터가 양의 상관 관계를 가지는 모델일 수 있다.

대안적으로, 상기 프로세서는, 상기 학습된 성장 예측 모델에 입력되는 상기 성장 예측 대상의 생체 데이터에 포함된 부위별 골밀도를 각각 변화시킴으로써 출력되는 상기 성장 예측 데이터의 변화량 기초하여 상기 부위별 골밀도 및 상기 성장 예측 데이터의 상관 관계를 도출하고, 그리고 상기 상관 관계에 기초하여 성장 예측 정보에 가장 큰 변화 요인이 되는 사용자의 신체 부위를 결정할 수 있다.

대안적으로, 외부 서버와 데이터를 송수신하는 네트워크부를 더 포함하고, 상기 성장 예측 데이터는, 사용자의 향후 성장에 관련한 정보를 포함하고, 그리고 상기 프로세서는, 상기 외부 서버로부터 표준 성장 데이터 세트 및 표준 부위별 골밀도 데이터 세트를 수신하고, 상기 표준 성장 데이터 세트 및 상기 표준 부위별 골밀도 데이터 세트 중 상기 성장 예측 대상의 생체 정보에 포함된 나이 및 성별에 대응하는 표준 성장 데이터 및 표준 부위별 골밀도 데이터를 각각 식별할 수 있다.

대안적으로, 상기 프로세서는, 추가적으로 상기 성장 예측 대상의 생체 데이터에 포함된 상기 부위별 골밀도 데이터와 상기 부위별 골밀도 데이터에 대응하는 상기 표준 부위별 골밀도 데이터의 비교에 기초하여 부위별 골밀도 비교 데이터를 생성하고, 그리고 상기 성장 예측 데이터의 수치가 상기 표준 성장 데이터의 수치보다 낮은 경우, 상기 부위별 골밀도 비교 데이터에 기초하여 성장 관리 데이터를 생성할 것을 결정할 수 있다.

대안적으로, 상기 부위별 골밀도 비교 데이터는, 상기 사용자의 성장판의 손상 여부 및 손상 부위 중 적어도 하나에 관한 데이터를 포함하고, 상기 성장 관리 데이터는, 상기 성장판의 손상 여부 및 상기 성장판의 손상 부위 중 적어도 하나에 기초하여 상기 성장판의 상태를 유지 및 개선하기 위한 정보를 포함할 수 있다.

대안적으로, 상기 부위별 골밀도 데이터, 상기 부위별 골밀도 비교 데이터, 상기 성장 예측 데이터 및 상기 성장 관리 데이터 중 적어도 하나를 출력하는 출력부를 더 포함할 수 있다.

본 개시의 다른 실시예에서, 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은: 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하는 동작, 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하는 동작, 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키는 동작 및 상기 학습된 성장 예측 모델을 이용하여 성장 예측에 대상의 생체 데이터를 연산함으로써, 성장 예측 데이터를 출력하도록 하는 동작을 포함할 수 있다.

본 개시의 또 다른 실시예에서, 성장 예측 데이터를 제공하기 위한 방법에 있어서, 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하는 단계, 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하는 단계, 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키는 단계 및 상기 학습된 성장 예측 모델을 이용하여 성장 예측에 대상의 생체 데이터를 연산함으로써, 성장 예측 데이터를 출력하도록 하는 단계를 포함할 수 있다.

본 개시는 성장 예측 데이터를 산출하는 컴퓨터 장치를 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 성장 예측 데이터를 제공하는 컴퓨팅 장치의 시스템을 나타낸 개념도이다.
도 2는 본 개시의 일 실시예와 관련된 성장 예측 데이터를 제공하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 네트워크 함수를 나타낸 개략도이다.
도 4는 본 개시의 일 실시예와 관련된 성장 예측 모델을 나타낸 예시도이다.
도 5는 본 개시의 일 실시예와 관련된 사용자의 신체에서 성장판의 위치를 대략적으로 도시한 투시도이다.
도 6은 본 개시의 일 실시예와 관련된 사용자의 성장판의 상태에 따른 골밀도를 설명하기 위한 예시도이다.
도 7은 본 개시의 일 실시예와 관련된 성장 예측 정보를 제공하기 위한 컴퓨팅 장치의 순서도를 도시한다.
도 8은 본 개시의 일 실시예와 관련된 예측 대상의 성장 예측 데이터를 제공하기 위한 수단을 도시한 도면이다.
도 9는 본 개시의 일 실시예와 관련된 예측 대상의 성장 예측 데이터를 제공하기 위한 모듈을 도시한 도면이다.
도 10은 본 개시의 일 실시예와 관련된 예측 대상의 성장 예측 데이터를 제공하기 위한 로직을 도시한 도면이다.
도 11은 본 개시의 일 실시예와 관련된 예측 대상의 성장 예측 데이터를 제공하기 위한 회로를 도시한 도면이다.
도 12는 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 실시예와 관련된 성장 예측 데이터를 제공하는 컴퓨팅 장치의 시스템을 나타낸 개념도이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100) 및 외부 서버(200)는 무선 및/또는 유선을 통한 상호 연결을 통해 정보를 전송할 수 있고, 그리고 수신할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자에게 성장 예측 데이터를 제공할 수 있다. 보다 구체적으로 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 성장 예측 데이터를 출력하여 제공할 수 있다. 이때, 성장 예측 대상의 생체 데이터(즉, 사용자의 생체 데이터)는 사용자의 나이, 성별, 키, 몸무게, 부위별 임피던스 및 부위별 골밀도 데이터에 대한 정보를 포함할 수 있다. 상기 부위별 골밀도 데이터는 사용자의 어깨, 팔꿈치, 손목, 무릎 및 발목 중 적어도 하나에 접촉가능한 두개 이상의 전극에 인가된 전류 및 측정된 전압을 통해 사용자의 부위별 임피던스가 결정되고, 부위별 임피던스 및 사용자의 생체 데이터에 적어도 부분적으로 기초함으로써 산출될 수 있다. 즉, 사용자의 신체부위 중 성장판이 위치하는 부위의 골밀도를 각각 성장 예측 모델에 입력함으로써, 사용자의 성장 가능성에 대한 정보인 성장 예측 데이터를 산출할 수 있다.

일반적으로, 성장기의 어린이 및 청소년의 성장판의 상태는 상기 성장기의 어린이 및 청소년의 향후 성장과 밀접한 관계가 있다. 구체적으로, 성장판을 구성하는 연골 세포가 점차 단단한 뼈 세포로 변함으로써, 성장기의 사용자의 신체가 성장할 수 있다. 즉, 성장판을 구성하는 뼈 세포가 증가(골밀도 증가)하면서, 점차 뼈의 길이가 늘어나고, 이에 대응하여 키가 증가하게 됨으로, 성장판의 골밀도는 성장기의 어린이 및 청소년의 성장 가능성을 예측할 수 있는 중요 요인일 수 있다. 따라서, 본 개시의 컴퓨팅 장치(100)는 성장기 성장에 중요 요인인 성장판의 골밀도(즉, 부위별 골밀도 데이터)에 기초하여 성장 예측 데이터를 산출하는 성장 모델을 통해 사용자에게 성장 예측 데이터를 제공할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 성장 관리 데이터를 제공할 수 있다. 이때, 상기 성장 관리 데이터는 사용자의 성장판의 손상 여부 및 손상 부위 중 적어도 하나에 기초하여 성장판의 상태를 유지 및 개선하기 위한 정보를 포함할 수 있다. 컴퓨팅 장치(100)는 학습된 성장 예측 모델로부터 출력된 성장 예측 데이터와 표준 성장 데이터의 비교를 통해 성장 관리 데이터를 생성할 것을 결정할 수 있다. 보다 구체적으로, 컴퓨팅 장치(100)는 사용자의 성장 예측 데이터의 수치가 상기 사용자의 나이 및 성별에 대응하는 표준 성장 데이터의 수치보다 낮은 경우, 부위별 골밀도 비교 데이터에 기초하여 성장 관리 데이터를 생성할 것을 결정할 수 있다. 예를 들어, 컴퓨팅 장치(100)가 출력한 사용자의 성장 예측 데이터가 '사용자의 키가 10cm 성장'할 것에 대한 예측 정보를 포함하고, 상기 사용자의 나이 및 성별에 대응하는 표준 성장 데이터 즉, 상기 사용자와 동일 성별 및 나이를 가진 사용자들의 통계적으로 '키가 16cm 성장' 이라는 정보를 포함하는 경우, 컴퓨팅 장치(100)는 사용자의 성장 예측 데이터의 수치가 표준 성장 데이터의 수치보다 낮음을 판단할 수 있다. 또한, 컴퓨팅 장치(100)는 성장 예측 데이터가 표준 성장 데이터의 수치보다 낮음을 판단한 경우, 부위별 골밀도 비교 데이터에 기초하여 성장 관리 데이터를 생성할 수 있다. 상기 부위별 골밀도 비교 데이터는, 성장 예측 대상의 생체 데이터에 포함된 부위별 골밀도 데이터와 표준 부위별 골밀도 데이터의 비교에 기초하여 생성될 수 있다. 예를 들어, 부위별 골밀도 비교 데이터를 통해 사용자의 오른쪽 무릎에 위치한 성장판이 손상되었음을 판단한 경우, 상기 성장 관리 데이터는 오른쪽 무릎의 성장판 부근의 골밀도를 높이기 위한 생활 습관, 식습관 관련, 의료 처치 및 의약품 정보 등을 생성하여 제공할 수 있다. 즉, 성장 예측 대상자는 자신의 성장판의 손상 부위 및 손상 여부에 따른 구체적인 관리 정보를 제공받을 수 있으므로, 자신의 향후 골밀도에 따른 건강 관리를 체계적으로 수행할 수 있다. 전술한 성장 예측 데이터, 표준 성장 데이터 및 골밀도 비교 데이터에 대한 구체적인 수치 및 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

따라서, 컴퓨팅 장치(100)는 사용자의 성장 예측 데이터와 상기 사용자의 동일 연령 및 성별에 대응하는 표준 성장 데이터를 비교하여 사용자의 성장판의 상태를 유지 및 개선할 수 있도록 하는 성장 관리 데이터를 제공함으로써, 사용자의 성장을 촉진시킬 수 있다.

도 2는 본 개시의 일 실시예와 관련된 성장 예측 데이터를 제공하는 컴퓨팅 장치의 블록 구성도를 도시한다. 도 2에 도시된 컴포넌트 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. 또한, 도 2에 도시된 컴포넌트 이외에 추가적인 컴포넌트(들)가 상기 컴퓨팅 장치(100)에 포함될 수도 있다. 또한, 컴퓨팅 장치(100)는 임의의 형태의 장치를 모두 포함할 수 있으며, 예를 들어, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 또한, 컴퓨팅 장치(100)는 성장 예측 데이터를 산출하는 웹 서버일 수 있다. 또한, 컴퓨팅 장치(100)는 골밀도 측정 장치, 체성분 측정 장치 일 수 있다.

본 개시의 일 실시예에서 컴퓨팅 장치(100)는 CPU, GPGPU, 및 TPU 중 적어도 하나를 이용하여 모델을 분산하여 처리할 수 있다. 또한 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 다른 컴퓨팅 장치와 함께 모델을 분산하여 처리할 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.

본 개시의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치(100)의 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 프로세서(110)를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 성장 예측 정보를 산출할 수 있다.

본 개시의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)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.

또한, 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 모델의 학습, 모델을 이용한 골밀도 데이터에 대한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서(110)를 함께 사용하여 모델의 학습, 골밀도 측정 모델을 통한 골밀도 데이터에 대한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

이하에서는 본 개시의 일 실시예에 따른 사용자의 성장 예측 데이터를 출력하는 방법에 관하여 설명하도록 한다.

도 2에 도시된 바와 같이, 컴퓨팅 장치(100)는 프로세서(110), 메모리(120), 네트워크부(130) 및 측정부(140)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 외부 서버(200)로부터 수신할 수 있다. 보다 구체적으로, 프로세서(110)는 외부 서버(200)로부터 사용자의 생체 데이터를 수신하고, 그리고 상기 생체 데이터에 포함된 시점 정보에 기초하여 상기 생체 데이터의 이전 시점에 기록된 과거 생체 데이터를 추가적으로 수신할 수 있다. 여기서, 외부 서버(200)는 병원 서버 및 정부 서버 중 적어도 하나의 서버일 수 있으며, 각각의 서버의 전자건강기록, 전자의료기록 및 전강 검진 DB 중 적어도 하나로부터 생체 데이터 및 과거 생체 데이터를 수신할 수 있다.

또한, 프로세서(110)는 외부 서버(200)로부터 수신한 생체 데이터와 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성할 수 있다. 이때, 성장 예측 데이터는 사용자가 과거에 비해 성장한 사용자의 신체에 대한 데이터를 포함할 수 있다. 예를 들어, 과거 생체 데이터의 시점이 2014년 5월이며 상기 시점에 기록된 사용자의 키가 152cm이고, 생체 데이터의 시점이 2015년 3월이며 사용자의 키가 163cm로 기록된 경우, 성장 예측 데이터는 '향후 11cm 성장'에 대한 정보를 포함할 수 있다. 즉, 성장 예측 데이터는 특정 사용자의 생체 데이터와 과거 생체 데이터의 비교를 통해 사용자의 신체가 성장(예를 들어, 11cm)한 것을 나타내는 정보일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 네트워크 함수를 포함하는 성장 예측 모델을 생성할 수 있다. 프로세서(110)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어 중 적어도 하나를 포함하는 하나 이상의 네트워크 함수로 이루어진 성장 예측 모델을 생성할 수 있다. 프로세서(110)는 하나 이상의 입력 노드를 포함하는 입력 레이어로 구성된 네트워크 함수를 생성할 수 있다. 프로세서(110)는 네트워크 함수에 포함된 히든 레이어는 하나 이상의 히든 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 프로세서(110)는 네트워크 함수에 포함된 출력 레이어는 하나 이상의 출력 노드를 포함하도록 네트워크 함수를 생성할 수 있다. 프로세서(110)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.

또한, 프로세서(110)는 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시킬 수 있다. 보다 구체적으로, 프로세서(110)는 성장 예측 모델의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 학습 과거 생체 데이터의 항목들을 각각 입력할 수 있다. 예를 들어, 프로세서(110)는 성장 예측 모델의 입력 레이어에 6개의 노드가 포함되는 경우, 학습 과거 생체 데이터의 항목일 수 있는 나이, 성별, 키, 몸무게, 부위별 골밀도 등의 항목 값을 6개 노드 각각에 입력할 수 있다. 전술한 성장 예측 모델의 입력에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

프로세서(110)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 성장 예측 모델을 생성할 수 있다. 레이어는 하나 이상의 노드를 포함할 수 있다. 노드는 다른 노드와 링크를 통해 연결될 수 있다. 프로세서(110)는 성장 예측 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. 프로세서(110)는 성장 예측 모델의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 하나 이상의 히든 레이어를 거쳐 출력 레이어로 전파할 수 있다. 프로세서(110)는 성장 예측 모델의 출력 레이어로 전파된 값에 기초하여 성장 예측 데이터를 산출할 수 있다.

또한, 프로세서(110)는 상기 성장 예측 모델이 사용자의 부위별 골밀도 데이터의 각각의 신체 부위의 골밀도와 상기 성장 예측 데이터가 양의 상관 관계를 가지도록 링크의 가중치를 조절할 수 있다. 예를 들어, 프로세서(110)는 사용자의 부위별 골밀도 데이터의 각각의 신체 부위에 골밀도가 높은 경우, 성장 예측 데이터가 포함하는 성장 예상 수치를 높게 산출하도록 성장 예측 모델의 링크의 가중치를 조절할 수 있다.

또한, 프로세서(110)는 성장 예측 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. 프로세서(110)는 성장 예측 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.

프로세서(110)는 성장 예측 모델을 생성하기 위하여 학습 데이터의 학습 과거 생체 데이터에 포함된 항목 값 각각을 성장 예측 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 성장 예측 모델의 출력 레이어에서 연산한 성장 예측 데이터(즉, 출력)와 학습 성장 예측 데이터(즉, 정답)을 비교하여 오차를 계산할 수 있다. 프로세서(110)는 오차에 기초하여 성장 예측 모델의 가중치를 조정할 수 있다. 프로세서(110)는 상기 오차에 기초하여 성장 예측 모델의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다.

프로세서(110)는 성장 예측 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 과거 생체 데이터를 성장 예측 모델의 하나 이상의 네트워크 함수의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 입력하고, 학습 과거 생체 데이터에 라벨링 된 학습 성장 예측 데이터(즉, 정답)와 성장 예측 모델의 성장 예측 데이터(즉, 출력)를 비교하여 오차를 도출하고, 상기 도출된 오차를 성장 예측 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 성장 예측 모델을 이용한 연산과 성장 예측 모델에 대한 가중치 업데이트 과정을 수행한 경우 1 에폭일 수 있다.

또한, 프로세서(110)는 성장 예측 모델을 생성하는데 있어, 상기 성장 예측 모델을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이하인 경우, 상기 성장 예측 모델의 학습률을 사전 결정된 수치 이상으로 설정할 수 있다. 프로세서(110)는 성장 예측 모델을 생성하는데 있어, 상기 성장 예측 모델을 학습시키기 위한 학습 에폭이 사전결정된 에폭 이상인 경우, 상기 성장 예측 모델의 학습률을 사전 결정된 수치 이하로 설정할 수 있다. 상기 학습률은, 가중치의 업데이트 정도를 의미할 수 있다. 예를 들어, 학습 초반에는 학습률을 높게 설정하여(즉, 가중치의 업데이트 정도를 큰 폭으로 하여), 학습 데이터에 대한 출력이 학습 데이터의 라벨에 빠르게 접근하도록 할 수 있다. 예를 들어, 학습 후반에는 학습률을 낮게 설정하여(즉, 가중치의 업데이트 정도를 작은 폭으로 하여), 학습 데이터에 대한 출력과 학습 데이터의 라벨과의 오차를 줄이도록(즉, 정확성을 높이도록)할 수 있다. 전술한 학습률에 대한 개시는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(110)는 성장 예측 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. 프로세서(110)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. 프로세서(110)는 성장 예측 모델의 학습이 사전결정된 에폭 이상 반복된 후, 검증 데이터를 이용하여 성장 예측 모델의 학습 효과가 사전결정된 수준 이상인지 판단할 수 있다. 예를 들어, 프로세서(110)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.

또한, 프로세서(110)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. 프로세서(110)는 하나 이상의 과거 생체 데이터 및 상기 과거 생체 데이터에 라벨링된 성장 예측 데이터를 테스트 데이터 세트로 할 수 있다. 프로세서(110)는 테스트 데이터 세트에 포함된 과거 생체 데이터를 성장 예측 모델에 입력하고 상기 성장 예측 모델에서 출력된 출력과 상기 라벨링된 성장 예측 데이터를 비교하여 상기 테스트 데이터 세트에 대한 상기 성장 예측 모델의 정답률을 판단할 수 있다. 프로세서(110)는 테스트 데이터에 포함된 사용자의 학습 과거 생체 데이터를 상기 성장 예측 모델에 입력하고, 상기 성장 예측 모델에서 출력된 성장 예측 데이터(즉, 출력)와 상기 테스트 데이터에 포함된 상기 사용자의 학습 성장 예측 데이터(즉, 정답)를 비교하여, 오차가 사전 결정된 값 이하인 경우(즉, 정답률이 사전결정된 수준 이상인 경우), 상기 성장 예측 모델의 활성화를 결정할 수 있다. 프로세서(110)는 성장 예측 모델에서 출력된 성장 예측 데이터(즉, 출력)와 상기 테스트 데이터(즉, 정답)에 포함된 상기 사용자의 학습 성장 예측 데이터를 비교하여 상기 오차가 사전 결정된 값 이상인 경우, 상기 성장 예측 모델의 학습을 사전 결정된 에폭 이상 더 수행하거나 상기 성장 예측 모델을 비활성화할 수 있다. 프로세서(110)는 상기 성장 예측 모델을 비활성화하는 경우, 상기 성장 예측 모델을 폐기할 수 있다. 프로세서(110)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 성장 예측 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 본 개시의 일 실시예에 따라 프로세서(110)는 각각의 성장 예측 모델에 포함되는 하나 이상의 네트워크 함수들을 독립적으로 학습시켜 복수의 성장 예측 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 신경망만을 성장 예측을 위해 사용할 수 있다.

본 개시의 일 실시예에 따라 사용자의 학습 과거 생체 데이터 및 학습 성장 예측 데이터에 기초하여 성장 예측 모델을 생성할 수 있다.

또한, 프로세서(110)는 성장 예측 대상의 생체 데이터를 학습된 성장 예측 모델에 입력시킬 수 있다. 프로세서(110)는 성장 예측 대상의 생체 데이터에 포함되는 항목 각각을 성장 예측 모델의 입력 레이어에 포함되는 노드 각각에 입력할 수 있다. 프로세서(110)는 입력 레이어와 연결된 링크의 가중치를 이용하여 항목 각각을 연산하여 히든 레이어에 포함된 하나 이상의 히든 노드 각각에 전달할 수 있다. 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. 프로세서(110)는 입력 레이어에 입력된 하나 이상의 항목을 포함하는 과거 생체 데이터를 연산하여 하나 이상의 히든 노드를 거쳐 출력 레이어로 전파할 수 있다. 프로세서(110)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 성장 예측 모델은 전술한 본 개시의 일 실시예에 따라 성장 예측 모델의 생성 방법에 의하여 학습된 신경망일 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자의 생체 데이터에 기초하여 상기 사용자의 성장 예측 데이터를 산출할 수 있다. 보다 구체적으로, 프로세서(110)는 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 성장 예측 데이터를 출력하도록 할 수 있다. 이때, 성장 예측 모델에 입력되는 사용자의 생체 데이터는 사용자의 나이, 성별, 키, 몸무게, 부위별 임피던스 및 부위별 골밀도 데이터에 대한 정보를 포함할 수 있으며, 상기 부위별 골밀도 데이터는 사용자의 어깨, 팔꿈치, 손목, 무릎 및 발목 중 적어도 하나에 접촉가능한 두개 이상의 전극에 인가된 전류 및 측정된 전압을 통해 사용자의 부위별 임피던스가 결정되고, 부위별 임피던스 및 사용자의 생체 데이터에 적어도 부분적으로 기초함으로써 산출될 수 있다. 즉, 사용자의 신체 부위 중 성장판이 위치하는 부위의 골밀도를 각각 성장 예측 모델에 입력함으로써, 사용자의 성장 가능성에 대한 정보인 성장 예측 데이터를 산출할 수 있다.

일반적으로, 성장기의 어린이 및 청소년의 성장판의 상태는 상기 성장기의 어린이 및 청소년의 향후 성장과 밀접한 관계가 있다. 구체적으로, 성장판을 구성하는 연골 세포가 점차 단단한 뼈 세포로 변함으로써, 성장기의 사용자의 신체가 성장할 수 있다. 예를 들어, 도 6을 참조하면, 도 6의 (a)는 성장판이 열린 경우 즉, 성장 가능성이 높은 사용자의 골밀도를 예시적으로 나타낸 것이며, 도 6의 (b)는 성장판이 닫힌 경우 즉, 성장 가능성이 적은 사용자의 골밀도를 예시적으로 나타낸 것이다. 이 경우, 사용자의 성장판이 열린 경우의 골밀도는 상기 성장판이 닫힌 경우의 골밀도보다 높을 수 있다. 즉, 성장판을 구성하는 뼈 세포가 증가(골밀도 증가)하면서, 점차 뼈의 길이가 늘어나고, 이에 대응하여 키가 증가하게 됨으로, 성장판의 골밀도의 성장기의 어린이 및 청소년의 성장 가능성을 예측할 수 있는 중요 요인일 수 있다. 따라서, 본 개시의 컴퓨팅 장치(100)는 성장기 성장에 중요 요인인 성장판의 골밀도에 기초하여 성장 예측 데이터를 산출하는 성장 모델을 통해 사용자에게 성장 예측 데이터를 제공할 수 있다. 상기 도 6에 도시된 예시도들은 사용자의 성장 가능성에 따라 성장판을 구성하는 골밀도의 차이를 보여주기 위한 것일 뿐, 본 개시에서 측정되는 사용자의 성장판에 대한 골밀도는 두가지 예시도(도 6의 (a) 및 (b))에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 측정부(140)에서 측정된 사용자의 생체 임피던스 및 상기 사용자의 생체 데이터에 기초하여 부위별 골밀도 데이터를 산출할 수 있다. 이 경우, 상기 생체 임피던스는 사용자의 각 신체 부위에 대한 부위별 임피던스일 수 있다. 또한, 측정부(140)를 통해 측정되는 사용자의 각 신체 부위는 성장에 중요 요인인 성장판이 위치한 부위일 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 측정부(140)는 사용자의 성장판이 위치하는 사용자의 어깨(510), 팔꿈치(520), 손목(530), 무릎(540) 및 발목(550) 각각의 부위별 임피던스를 측정할 수 있다. 또한, 프로세서(110)는 상기 측정부(140)를 통해 측정된 부위별 임피던스와 사용자의 생체 정보에 기초하여 부위별 골밀도 데이터를 생성할 수 있다. 즉, 성장 예측 대상의 나이, 성별, 키 및 몸무게 등 신체정보를 입력 받고, 측정부(140)를 통해 상기 성장 예측 대상의 성장판이 위치한 부위에 대한 부위별 임피던스를 산출하고, 그리고 상기 신체정보 및 부위별 임피던스 정보에 기초하여 부위별 골밀도 정보를 생성함으로써, 성장 예측 대상의 생체 데이터를 생성할 수 있다. 따라서, 학습된 성장 예측 모델에 입력되는 성장 예측 대상의 생체 데이터는 상기 성장 예측 대상의 나이, 성별, 키, 몸무게, 부위별 임피던스 및 부위별 골밀도 데이터를 포함할 수 있다.

또한, 프로세서(110)는 학습된 성장 예측 모델에 입력되는 성장 예측 대상의 생체 데이터에 포함된 부위별 골밀도를 각각 변화시킴으로써, 출력되는 성장 예측 데이터의 변화량에 기초하여 상기 부위별 골밀도 및 상기 성장 예측 데이터의 상관 관계를 도출할 수 있다. 또한, 프로세서(110)는 부위별 골밀도 및 성장 예측 데이터의 상관 관계에 기초하여 성장 예측 정보에 가장 큰 변화 요인이 되는 사용자의 신체 부위를 결정할 수 있다. 보다 구체적으로, 도 5를 참조하면, 성장 예측 대상의 부위별 골밀도는 어깨(510), 팔꿈치(520), 손목(530), 무릎(540) 및 발목(550)에 대한 골밀도 일 수 있다. 자세한 예를 들어, 예측 대상의 생체 데이터가 포함하는 왼쪽 어깨의 골밀도 데이터(511), 오른쪽 어깨의 골밀도 데이터(512), 왼쪽 팔꿈치의 골밀도 데이터(521), 오른쪽 팔꿈치의 골밀도 데이터(522), 왼쪽 손목의 골밀도 데이터(531), 오른쪽 손목의 골밀도 데이터(532), 왼쪽 무릎의 골밀도 데이터(541), 오른쪽 무릎의 골밀도 데이터(542), 왼쪽 발목의 골밀도 데이터(551) 및 오른쪽 발목의 골밀도 데이터(552)에 수치를 하나의 항목씩 변경시킴으로써, 학습된 성장 예측 모델로부터 산출되는 성장 예측 데이터의 변화량에 가장 큰 기여를 하는 특정 부위를 결정할 수 있다. 즉, 부위별 골밀도 데이터 중 성장 예측 데이터에 결정적으로 영향을 끼치는 특정 부위를 결정할 수 있다. 이에 따라, 성장 예측 대상의 신체에 위치한 성장판 중 성장 제한에 원인이 되는 성장판에 대한 정보를 획득할 수 있어, 성장 예측 대상은 향후 자신의 성장에 대한 구체적인 관리 계획을 수립할 수 있다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 학습된 성장 예측 모델에 성장 예측 대상의 생체 데이터를 입력으로 하여 출력된 성장 데이터에 대응하는 표준 성장 데이터 세트를 외부 서버(200)로부터 수신할 수 있다. 또한, 프로세서(110)는 외부 서버(200)로부터 수신한 표준 성장 데이터 세트 중 상기 성장 예측 대상의 나이 및 성별에 대응하는 표준 성장 데이터를 식별할 수 있다. 이때, 표준 성장 데이터는 연령별 및 성별에 따라 각 성장 예측 대상에 기준이 되는 정보로, 동일한 연령 및 성별로 구성된 복수의 측정자의 성장 수치의 평균값일 수 있다. 예를 들어, 성장 예측 대상의 생체 데이터에 포함된 나이가 15세이며, 성별 남성인 경우, 프로세서(110)는 15세 남성의 표준 성장 데이터를 식별하여 외부 서버(200)로부터 수신할 수 있다. 전술한 성장 예측 대상의 나이 및 성별에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

또한, 프로세서(110)는 성장 예측 대상의 생체 정보에 포함된 부위별 골밀도에 대응하는 표준 부위별 골밀도 데이터 세트를 외부 서버(200)로부터 수신할 수 있다. 또한, 프로세서(110)는 외부 서버(200)로부터 수신한 표준 부위별 골밀도 데이터 세트 중 상기 성장 예측 대상의 나이 및 성별에 대응하는 표준 부위별 골밀도 데이터를 식별할 수 있다. 이때, 표준 부위별 골밀도 데이터는 연령별 및 성별에 따라 각각 성장 예측 대상의 부위별 골밀도 데이터에 기준이 되는 정보로, 동일한 연령 및 성별로 구성된 복수의 측정자의 각 부위별 골밀도 수치의 평균값일 수 있다. 예를 들어, 성장 예측 대상의 생체 데이터에 포함된 나이가 12세이며 성별이 여성인 경우, 프로세서(110)는 12세 여성의 표준 부위별 골밀도 데이터를 식별하여 외부 서버(200)로부터 수신할 수 있다. 전술한 성장 예측 대상의 나이 및 성별에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 프로세서(110)는 성장 예측 대상의 부위별 골밀도 데이터가 포함하는 각각의 항목과 상기 성장 예측 대상의 부위별 골밀도 데이터에 대응하는 표준 부위별 골밀도 데이터가 포함하는 각각의 항목을 비교할 수 있다. 보다 구체적으로, 상기 부위별 골밀도가 포함하는 어깨, 팔꿈치, 손목, 무릎 및 발목 각각에 대한 골밀도 데이터와 표준 부위별 골밀도 데이터가 포함하는 어깨, 팔꿈치, 손목, 무릎 및 발목 각각을 비교하여 부위별 골밀도 비교 데이터를 생성할 수 있다. 이때, 상기 부위별 골밀도 비교 데이터는 성장판의 손상 여부 및 손상 부위 중 적어도 하나에 대한 정보를 포함할 수 있다. 자세히 설명하면, 프로세서(110)는 부위별 골밀도 데이터의 각각의 항목과 표준 부위별 골밀도 데이터의 각각의 항목을 비교함으로써 성장판의 손상 여부 및 손상 부위를 결정할 수 있다. 자세한 예를 들어, 성장 예측 대상의 오른쪽 무릎에 대한 골밀도가 1.1(g/cm2)이고, 표준 부위별 골밀도 데이터에 포함된 오른쪽 무릎에 대한 골밀도(즉, 표준 골밀도)가 1.4(g/cm2)인 경우, 프로세서(110)는 성장 예측 대상의 오른쪽 무릎에 위치한 성장판이 손상되었다고 판단할 수 있다. 즉, 프로세서(110)는 부위별 골밀도 데이터 및 표준 부위별 골밀도 데이터의 각각 대응되는 항목을 비교할 수 있으며, 부위별 골밀도 데이터가 표준 부위별 골밀도 데이터보다 기 설정된 골밀도 임계 범위보다 작은 경우, 해당 부위의 성장판이 손상되었다고 판단할 수 있다. 전술한 부위별 골밀도 및 표준 부위별 골밀도에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이제 제한되지 않는다.

또한, 프로세서(110)는 성장 예측 데이터의 수치가 표준 성장 데이터의 수치보다 낮은 경우를 판단할 수 있다. 구체적인 예를 들어, 성장 예측 데이터가 향후 사용자가 10cm 성장할 것으로 예측한 정보를 포함하며, 표준 성장 데이터가 향후 사용자가 15cm 성장에 관한 정보를 포함하는 경우, 각각의 데이터에 포함된 수치를 비교함으로써 성장 예측 데이터가 5cm낮음을 식별할 수 있다.

또한, 프로세서(110)는 성장 예측 데이터의 수치가 표준 성장 데이터의 수치보다 낮음을 식별한 경우, 부위별 골밀도 비교 데이터에 기초하여 성장 관리 데이터를 생성할 수 있다. 이때, 성장 관리 데이터는 성장판의 손상 여부 및 손상 부위 중 적어도 하나에 기초하여 성장판의 상태를 유지 및 개선하기 위한 정보를 포함할 수 있다. 예를 들어, 부위별 골밀도 비교 데이터를 통해 사용자의 오른쪽 무릎에 위치한 성장판이 손상되었음을 판단한 경우, 상기 성장 관리 데이터는 오른쪽 무릎의 성장판 부근의 골밀도를 높이기 위한 생활 습관, 식습관 관련, 의료 처치 및 의약품 정보 등을 생성하여 제공할 수 있다. 즉, 성장 예측 대상자는 자신의 성장판의 손상 부위 및 손상 여부에 따른 구체적인 관리 정보를 제공받을 수 있으므로, 자신의 향후 골밀도에 따른 건강 관리를 체계적으로 수행할 수 있다.

본 개시의 일 실시예에 따르면, 네트워크부(130)는 송신부 및 수신부를 포함할 수 있다. 네트워크부(130)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.

또한, 네트워크부(130)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(130)는 네트워크의 연결 상태 및 네트워크의 송수신 속도를 감지할 수 있다. 네트워크부(130)를 통해 수신된 데이터는 메모리(120)를 통해 저장되거나, 또는 근거리 통신 모듈을 통해 근거리에 있는 다른 전자장치들로 전송될 수 있다.

또한, 네트워크부(130)는 본 개시의 일 실시예에 따른 성장 예측 데이터를 출력하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 데이터를 송수신할 수 있다. 네트워크부(130)는 사용자의 건강 검진 데이터 및 골밀도 데이터 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 또한, 네트워크부(130)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 복수의 컴퓨팅 장치 각각에서 성장 예측 모델의 학습이 분산 수행되도록 할 수 있다. 네트워크부(130)는 복수의 컴퓨팅 장치 사이의 통신을 가능하게 하여 성장 예측 모델을 이용한 골밀도 데이터 연산을 분산 처리할 수 있도록 할 수 있다.

메모리(120)는 본 개시의 일 실시예에 따른 성장 예측 데이터를 출력하기 위한 컴퓨터 프로그램을 저장할 수 있으며, 저장된 컴퓨터 프로그램은 프로세서(110)에 의하여 판독되어 구동될 수 있다.

본 개시의 실시예들에 따른 메모리(120)는 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 골밀도 데이터, 건강 검진 데이터 등)을 임시 또는 영구 저장할 수도 있다. 상기 메모리(120)는 디스플레이 및 음향에 관한 데이터를 저장할 수 있다. 메모리(120)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. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 측정부(140)는 전극을 포함하여 구비될 수 있다. 상기 전극은 사용자 신체의 적어도 일부분에 전류를 인가하여 임피던스를 측정하기 위해 두 개 이상으로 구성될 수 있다. 또한, 전극은 임피던스를 컴퓨팅 장치(100)의 프로세서(110)에 제공할 수 있다.

본 개시의 일 실시예에 따르면, 전극은 사용자 신체의 적어도 일부분에 접촉될 수 있도록 배치될 수 있다. 그리고 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. 예를 들어, 전극은 사용자의 손목의 상측에 접촉될 수 있게 배치되어 있는 상측 전압전극 및 상측 전류전극과 손목의 하측에 접촉될 수 있게 배치되어 있는 하측 전압전극 및 하측 전류전극으로 구성될 수 있다. 또한, 상기 전극은 50kHz의 주파수를 지니는 전류를 손목의 상측 전류전극으로 인가할 수 있다. 그리고 상기 전류는 상측 전류전극의 하측에 위치한 하측 전류전극으로 돌아올 수 있다. 또한 상기 전극은 50kHz의 주파수를 가진 전류가 흐를 때 손목을 상측 전압전극과 손목의 하측 전압전극 간의 전압차를 측정함으로써, 사용자 신체 중 상기 전류가 통전 된 왼쪽 손목 부분의 임피던스를 측정할 수 있다. 상기 전극의 배치와 작동 동작의 상세한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 측정부(140)는 사용자의 신체 부위 중 성장판이 위치한 부위의 임피던스인 부위별 임피던스를 측정할 수 있다. 보다 구체적으로, 측정부(140)는 사용자의 성장판이 위치한 어깨, 팔꿈치, 손목, 무릎 및 발목에 각각 2개의 전극을 접촉시킴으로써, 사용자의 성장판 부근의 임피던스를 측정할 수 있다. 또한, 측정부(140)의 측정 결과는 프로세서(110)로 제공함에 따라, 상기 프로세서(110)는 부위별 임피던스를 결정할 수 있다. 즉, 프로세서(110)는 측정부(140)에서 측정된 사용자의 부위별 임피던스에 기초한 부위별 골밀도 데이터를 통해 사용자의 향후 성장에 대한 성장 예측 정보를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 출력부(미도시)는 프로세서(110)에서 처리되는 정보를 표시(출력)할 수 있다. 예를 들어, 출력부(미도시)는 부위별 골밀도 데이터, 부위별 골밀도 비교 데이터, 성장 예측 데이터 및 성장 관리 데이터 중 적어도 하나를 출력할 수 있다. 다른 예를 들어, 출력부(미도시)는 컴퓨팅 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

출력부(미도시)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다.

또한, 출력부(미도시)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 컴퓨팅 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부로써 기능함과 동시에, 컴퓨팅 장치(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

도 3은 본 개시의 일 실시예와 관련된 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 4는 본 개시의 일 실시예와 관련된 성장 예측 모델을 나타낸 예시도이다.

본 개시의 일 실시예에 따른 성장 예측 모델에서의 학습 방법에 관하여 설명한다. 본 예시도에서 히든 레이어1(440)과 히든 레이어2(450) 사이에 하나 이상의 히든 레이어가 포함될 수 있고, 본 예시도에서 상기 하나 이상의 히든 레이어는 생략되어 도시된 것일 수 있다.

컴퓨팅 장치(100)는 하나 이상의 네트워크 함수(400)를 포함하는 성장 예측 모델을 생성할 수 있다. 네트워크 함수(400)는 하나의 입력 레이어(430)와 하나의 이상의 히든 레이어와 하나의 출력 레이어(460)를 포함할 수 있다.

컴퓨팅 장치(100)는 네트워크 함수(400)의 입력 레이어(430)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(440)에 포함된 제 1 히든 노드(420)는 제 1 입력 노드(401)에 전달된 값과 제 1 가중치(411)를 연산한 값, 제 2 입력 노드(402)에 전달된 값과 제 2 가중치를 연산한 값, 제 3 입력 노드(403) 에 전달된 값과 제 3 가중치를 연산한 값, 제 4 입력 노드(404) 에 전달된 값과 제 4 가중치를 연산한 값, 제 5 입력 노드(405) 에 전달된 값과 제 5 가중치를 연산한 값을 전달받을 수 있다. 예를 들어, 히든 레이어1(440)에 포함된 제 1 히든 노드(420)는 제 1 입력 노드(401) 에 전달된 값과 제 1 가중치(411)를 곱한 값, 제 2 입력 노드(402) 에 전달된 값과 제 2 가중치를 곱한 값, 제 3 입력 노드(403) 에 전달된 값과 제 3 가중치를 곱한 값, 제 4 입력 노드(404) 에 전달된 값과 제 4 가중치를 곱한 값, 제 5 입력 노드(405) 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(400)의 학습 성장 예측 데이터는 입력 레이어(430)에서 히든 레이어1(440), 히든 레이어2(450)를 통해 출력 레이어(460)로 전파될 수 있다. 출력 레이어(460)에 포함된 출력 노드(462)에서의 출력 값인, 성장 예측 데이터(즉, 출력)와 학습 성장 예측 데이터(즉, 정답)의 오차에 기초하여 네트워크 함수(400)의 가중치를 조정할 수 있다. 프로세서(110)는 네트워크 함수(400)의 출력 레이어(460)로부터 하나 이상의 히든 레이어(예를 들면, 히든 레이어2(450) 다음 히든 레이어1(440) 순으로)를 거쳐 입력 레이어(430)로 오차를 전파하면서, 각 링크에 설정된 가중치들을 업데이트(예를 들면, W2(1,1)(431)의 가중치를 조정한 이후 W1(1,1)(411)의 가중치를 조정)할 수 있다.

컴퓨팅 장치(100)는 네트워크 함수(400)의 입력 레이어(430)에 포함된 입력 노드 각각에 성장 예측 대상의 생체 데이터에 포함된 항목들의 항목 값 각각을 입력할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 성장 예측 대상의 생체 데이터 중 부위별 골밀도의 항목 값을 입력 레이어(430)의 제 1 입력 노드(401)에 입력할 수 있다. 프로세서(110)는 네트워크 함수(400)의 입력 레이어(430)에 입력된 값을 가중치(본 예시에서 제 1 가중치(W1(1,1)(411)) 및 제 2 가중치(W2(1,1)(431)))를 통해 연산하여 하나 이상의 히든 노드(본 예시에서, 히든 레이어1(440) 및 히든 레이어2(450)를 포함하는)를 통하여 출력 레이어(460)에 포함된 출력 노드(462)로 전파할 수 있다. 컴퓨팅 장치(100)는 출력 노드(462)의 출력 값인 성장 예측 데이터를 네트워크부(130)를 통해 발송하거나, 메모리(120)에 저장하거나, 또는 표시수단(예를 들어, 디스플레이)에 전달할 수 있다. 전술한 성장 예측 데이터 생성 방법에 관한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다. 즉, 측정 대상의 생체 데이터를 학습된 성장 예측 모델의 입력으로 하여, 성장 예측 데이터를 생성할 수 있다.

도 7은 본 개시의 일 실시예와 관련된 성장 예측 정보를 제공하기 위한 컴퓨팅 장치의 순서도를 도시한다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신할 수 있다(610).

보다 구체적으로, 컴퓨팅 장치(100)는 외부 서버(200)로부터 사용자의 생체 데이터를 수신하고, 그리고 상기 생체 데이터에 포함된 시점 정보에 기초하여 상기 생체 데이터의 이전 시점에 기록된 과거 생체 데이터를 추가적으로 수신할 수 있다. 여기서, 외부 서버(200)는 병원 서버 및 정부 서버 중 적어도 하나의 서버일 수 있으며, 각각의 서버의 전자건강기록, 전자의료기록 및 전강 검진 DB 중 적어도 하나로부터 생체 데이터 및 과거 생체 데이터를 수신할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 생체 데이터와 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성할 수 있다(620). 구체적으로, 컴퓨팅 장치(100)는 외부 서버(200)로부터 수신한 생체 데이터와 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성할 수 있다. 이때, 성장 예측 데이터는 사용자가 과거에 비해 성장한 사용자의 신체에 대한 데이터를 포함할 수 있다. 예를 들어, 과거 생체 데이터의 시점이 2014년 5월이며 상기 시점에 기록된 사용자의 키가 152cm이고, 생체 데이터의 시점이 2015년 3월이며 사용자의 키가 163cm로 기록된 경우, 성장 예측 데이터는 '향후 11cm 성장'에 대한 정보를 포함할 수 있다. 즉, 성장 예측 데이터는 특정 사용자의 생체 데이터와 과거 생체 데이터의 비교를 통해 사용자의 신체가 성장(예를 들어, 11cm)한 것을 나타내는 정보일 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시킬 수 있다(630). 보다 구체적으로, 컴퓨팅 장치(100)는 성장 예측 모델의 입력 레이어에 포함된 하나 이상의 입력 노드 각각에 학습 과거 생체 데이터의 항목들을 각각 입력할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 성장 예측 모델의 입력 레이어에 6개의 노드가 포함되는 경우, 학습 과거 생체 데이터의 항목일 수 있는 나이, 성별, 키, 몸무게, 부위별 골밀도 등의 항목 값을 6개 노드 각각에 입력할 수 있다. 전술한 성장 예측 모델의 입력에 대한 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

컴퓨팅 장치(100)는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하는 성장 예측 모델을 학습시킬 수 있다. 레이어는 하나 이상의 노드를 포함할 수 있다. 노드는 다른 노드와 링크를 통해 연결될 수 있다. 컴퓨팅 장치(100)는 성장 예측 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. 컴퓨팅 장치(100)는 성장 예측 모델의 입력 노드에 입력된 항목을 상기 입력 노드와 연결된 링크를 통해 연산하여 하나 이상의 히든 레이어를 거쳐 출력 레이어로 전파할 수 있다. 컴퓨팅 장치(100)는 성장 예측 모델의 출력 레이어로 전파된 값에 기초하여 성장 예측 데이터를 산출할 수 있다.

또한, 프로세서(110)는 상기 성장 예측 모델이 사용자의 부위별 골밀도 데이터의 각각의 신체 부위의 골밀도와 상기 성장 예측 데이터가 양의 상관 관계를 가지도록 링크의 가중치를 조절할 수 있다. 예를 들어, 프로세서(110)는 사용자의 부위별 골밀도 데이터의 각각의 신체 부위에 골밀도가 높은 경우, 성장 예측 데이터가 포함하는 성장 예상 수치를 높게 산출하도록 성장 예측 모델의 링크의 가중치를 조절할 수 있다.

또한, 컴퓨팅 장치(100)는 성장 예측 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. 컴퓨팅 장치(100)는 성장 예측 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.

컴퓨팅 장치(100)는 성장 예측 모델을 생성하기 위하여 학습 데이터의 학습 과거 생체 데이터에 포함된 항목의 항목 값 각각을 성장 예측 모델의 입력 레이어에 포함된 하나 이상의 입력 노드에 입력시키고, 성장 예측 모델의 출력 레이어에서 연산한 성장 예측 데이터(즉, 출력)와 학습 성장 예측 데이터(즉, 정답)을 비교하여 오차를 계산할 수 있다. 컴퓨팅 장치(100)는 오차에 기초하여 성장 예측 모델의 가중치를 조정할 수 있다. 컴퓨팅 장치(100)는 상기 오차에 기초하여 성장 예측 모델의 하나 이상의 네트워크 함수에 포함된 출력 레이어로부터 하나 이상의 히든 레이어를 거쳐 입력 레이어로 전파함으로써, 각각의 링크에 설정된 가중치를 업데이트할 수 있다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 성장 예측 데이터를 출력하도록 할 수 있다(640). 이때, 성장 예측 모델에 입력되는 성장 예측 대상의 생체 데이터는 사용자의 나이, 성별, 키, 몸무게, 부위별 임피던스 및 부위별 골밀도 데이터에 대한 정보를 포함할 수 있으며, 상기 부위별 골밀도 데이터는 사용자의 어깨, 팔꿈치, 손목, 무릎 및 발목 중 적어도 하나에 접촉가능한 두개 이상의 전극에 인가된 전류 및 측정된 전압을 통해 사용자의 부위별 임피던스가 결정되고, 부위별 임피던스 및 사용자의 생체 데이터에 적어도 부분적으로 기초함으로써 산출될 수 있다. 즉, 사용자의 신체 부위 중 성장판이 위치하는 부위의 골밀도를 각각 성장 예측 모델에 입력함으로써, 사용자의 성장 가능성에 대한 정보인 성장 예측 데이터를 산출할 수 있다.

도 8은 본 개시의 일 실시예와 관련된 예측 대상의 성장 예측 데이터를 제공하기 위한 수단을 도시한 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 성장 예측 데이터를 제공하기 위해 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하기 위한 수단(710), 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하기 위한 수단(720), 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키기 위한 수단(730), 그리고 상기 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 상기 성장 예측 데이터를 출력하도록 하기 위한 수단(740)을 포함할 수 있다.

대안적으로, 상기 생체 데이터 및 과거 생체 데이터는, 상이한 시점에 각각 기록된 사용자의 나이, 성별, 키, 몸무게, 부위별 임피던스 및 부위별 골밀도 데이터에 대한 정보를 각각 포함할 수 있다.

대안적으로, 사용자의 신체의 적어도 일부와 접촉가능한 두개 이상의 전극을 포함하며, 상기 전극에 전류를 인가하는 측정부를 더 포함하고, 상기 프로세서는, 상기 사용자의 손바닥, 발바닥, 어깨, 팔꿈치, 손목, 무릎 및 발목 중 적어도 하나에 접촉가능한 두개 이상의 전극에 인가된 전류 및 측정된 전압을 통해 상기 사용자의 부위별 임피던스를 결정하고, 상기 부위별 임피던스 및 상기 사용자의 생체 데이터에 적어도 부분적으로 기초하여 부위별 골밀도 데이터를 산출함으로써, 상기 성장 예측 대상의 생체 데이터를 생성할 수 있다.

대안적으로, 상기 성장 예측 모델은, 상기 사용자의 부위별 골밀도 데이터의 각각의 신체 부위의 골밀도와 상기 성장 예측 데이터가 양의 상관 관계를 가지는 모델일 수 있다.

대안적으로, 상기 프로세서는, 상기 학습된 성장 예측 모델에 입력되는 상기 성장 예측 대상의 생체 데이터에 포함된 부위별 골밀도를 각각 변화시킴으로써 출력되는 상기 성장 예측 데이터의 변화량 기초하여 상기 부위별 골밀도 및 상기 성장 예측 데이터의 상관 관계를 도출하고, 그리고 상기 상관 관계에 기초하여 성장 예측 정보에 가장 큰 변화 요인이 되는 사용자의 신체 부위를 결정할 수 있다.

대안적으로, 외부 서버와 데이터를 송수신하는 네트워크부를 더 포함하고, 상기 성장 예측 데이터는, 사용자의 향후 성장에 관련한 정보를 포함하고, 그리고 상기 프로세서는, 상기 외부 서버로부터 표준 성장 데이터 세트 및 표준 부위별 골밀도 데이터 세트를 수신하고, 상기 표준 성장 데이터 세트 및 상기 표준 부위별 골밀도 데이터 세트 중 상기 성장 예측 대상의 생체 정보에 포함된 나이 및 성별에 대응하는 표준 성장 데이터 및 표준 부위별 골밀도 데이터를 각각 식별할 수 있다.

대안적으로, 상기 프로세서는, 추가적으로 상기 성장 예측 대상의 생체 데이터에 포함된 상기 부위별 골밀도 데이터와 상기 부위별 골밀도 데이터에 대응하는 상기 표준 부위별 골밀도 데이터의 비교에 기초하여 부위별 골밀도 비교 데이터를 생성하고, 그리고 상기 성장 예측 데이터의 수치가 상기 표준 성장 데이터의 수치보다 낮은 경우, 상기 부위별 골밀도 비교 데이터에 기초하여 성장 관리 데이터를 생성할 것을 결정할 수 있다.

대안적으로, 상기 부위별 골밀도 비교 데이터는, 상기 사용자의 성장판의 손상 여부 및 손상 부위 중 적어도 하나에 관한 데이터를 포함하고, 상기 성장 관리 데이터는, 상기 성장판의 손상 여부 및 상기 성장판의 손상 부위 중 적어도 하나에 기초하여 상기 성장판의 상태를 유지 및 개선하기 위한 정보를 포함할 수 있다.

대안적으로, 상기 부위별 골밀도 데이터, 상기 부위별 골밀도 비교 데이터, 상기 성장 예측 데이터 및 상기 성장 관리 데이터 중 적어도 하나를 출력하는 출력부를 더 포함할 수 있다.

도 9는 본 개시의 일 실시예와 관련된 예측 대상의 성장 예측 데이터를 제공하기 위한 모듈을 도시한 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 성장 예측 데이터를 제공하기 위해 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하기 위한 모듈(810), 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하기 위한 모듈(820), 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키기 위한 모듈(830), 그리고 상기 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 상기 성장 예측 데이터를 출력하도록 하기 위한 모듈(840)을 포함할 수 있다.

도 10은 본 개시의 일 실시예와 관련된 예측 대상의 성장 예측 데이터를 제공하기 위한 로직을 도시한 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 성장 예측 데이터를 제공하기 위해 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하기 위한 로직(910), 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하기 위한 로직(920), 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키기 위한 로직(930), 그리고 상기 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 상기 성장 예측 데이터를 출력하도록 하기 위한 로직(940)을 포함할 수 있다.

도 11은 본 개시의 일 실시예와 관련된 예측 대상의 성장 예측 데이터를 제공하기 위한 회로를 도시한 도면이다.

본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 성장 예측 데이터를 제공하기 위해 생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하기 위한 회로(1010), 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하기 위한 회로(1020), 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키기 위한 회로(1030), 그리고 상기 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 상기 성장 예측 데이터를 출력하도록 하기 위한 회로(1040)를 포함할 수 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 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 예시적 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 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

도 12는 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,0020컴포넌트, 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)(2110) 및 랜덤 액세스 메모리(RAM)(2112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(2110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(2112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(2114)(예를 들어, EIDE, SATA)이 내장형 하드 디스크 드라이브(2114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음), 자기 플로피 디스크 드라이브(FDD)(2116)(예를 들어, 이동식 디스켓(2118)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(2114), 자기 디스크 드라이브(2116) 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(2130), 하나 이상의 애플리케이션 프로그램(2132), 기타 프로그램 모듈(2134) 및 프로그램 데이터(2136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(2112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(2112)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(2138) 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 (11)

1. 성장 예측 데이터를 제공하는 컴퓨팅 장치로서,
   하나 이상의 코어를 포함하는 프로세서; 및
   상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리;
   를 포함하고, 그리고
   상기 프로세서는,
   생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하고, 상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하고, 상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키고, 상기 학습된 성장 예측 모델을 이용하여 성장 예측 대상의 생체 데이터를 연산함으로써, 상기 성장 예측 데이터를 출력하도록 하고, 그리고 상기 학습된 성장 예측 모델에 입력되는 상기 성장 예측 대상의 생체 데이터에 포함된 부위별 골밀도를 각각 변화시킴으로써 출력되는 상기 성장 예측 데이터의 변화량에 기초하여 상기 부위별 골밀도 및 상기 성장 예측 데이터의 상관 관계를 도출하고, 그리고 상기 상관 관계에 기초하여 성장 예측 정보에 가장 큰 변화 요인이 되는 사용자의 신체 부위를 결정하여 성장 제한의 원인이 되는 성장판의 정보를 획득하는,
   성장 예측 데이터를 제공하는 컴퓨팅 장치.
   
2. 제 1 항에 있어서,
   상기 생체 데이터 및 과거 생체 데이터는,
   상이한 시점에 각각 기록된 사용자의 나이, 성별, 키, 몸무게, 부위별 임피던스 및 부위별 골밀도 데이터에 대한 정보를 각각 포함하는,
   성장 예측 데이터를 제공하는 컴퓨팅 장치.
   
3. 제 1 항에 있어서,
   사용자의 신체의 적어도 일부와 접촉가능한 두개 이상의 전극을 포함하며, 상기 전극에 전류를 인가하는 측정부;
   를 더 포함하고,
   상기 프로세서는,
   상기 사용자의 손바닥, 발바닥, 어깨, 팔꿈치, 손목, 무릎 및 발목 중 적어도 하나에 접촉가능한 두개 이상의 전극에 인가된 전류 및 측정된 전압을 통해 상기 사용자의 부위별 임피던스를 결정하고, 상기 부위별 임피던스 및 상기 사용자의 생체 데이터에 적어도 부분적으로 기초하여 부위별 골밀도 데이터를 산출함으로써, 상기 성장 예측 대상의 생체 데이터를 생성하는,
   성장 예측 데이터를 제공하는 컴퓨팅 장치.
   
4. 제 3 항에 있어서,
   상기 성장 예측 모델은
   상기 사용자의 부위별 골밀도 데이터의 각각의 신체 부위의 골밀도와 상기 성장 예측 데이터가 양의 상관 관계를 가지는 모델인,
   성장 예측 데이터를 제공하는 컴퓨팅 장치.
   
5. 삭제
6. 제 1 항에 있어서,
   외부 서버와 데이터를 송수신하는 네트워크부;
   를 더 포함하고, 그리고
   상기 성장 예측 데이터는,
   사용자의 향후 성장에 관련한 정보를 포함하고, 그리고
   상기 프로세서는,
   상기 외부 서버로부터 표준 성장 데이터 세트 및 표준 부위별 골밀도 데이터 세트를 수신하고, 상기 표준 성장 데이터 세트 및 상기 표준 부위별 골밀도 데이터 세트 중 상기 성장 예측 대상의 생체 정보에 포함된 나이 및 성별에 대응하는 표준 성장 데이터 및 표준 부위별 골밀도 데이터를 각각 식별하는,
   성장 예측 데이터를 제공하는 컴퓨팅 장치.
   
7. 제 6 항에 있어서,
   상기 프로세서는, 추가적으로
   상기 성장 예측 대상의 생체 데이터에 포함된 상기 부위별 골밀도 데이터와 상기 부위별 골밀도 데이터에 대응하는 상기 표준 부위별 골밀도 데이터의 비교에 기초하여 부위별 골밀도 비교 데이터를 생성하고, 그리고
   상기 성장 예측 데이터의 수치가 상기 표준 성장 데이터의 수치보다 낮은 경우, 상기 부위별 골밀도 비교 데이터에 기초하여 성장 관리 데이터를 생성할 것을 결정하는,
   성장 예측 데이터를 제공하는 컴퓨팅 장치.
   
8. 제 7 항에 있어서,
   상기 부위별 골밀도 비교 데이터는,
   상기 사용자의 성장판의 손상 여부 및 손상 부위 중 적어도 하나에 관한 데이터를 포함하고,
   상기 성장 관리 데이터는,
   상기 성장판의 손상 여부 및 상기 성장판의 손상 부위 중 적어도 하나에 기초하여 상기 성장판의 상태를 유지 및 개선하기 위한 정보를 포함하는,
   성장 예측 데이터를 제공하는 컴퓨팅 장치.
   
9. 제 1 항에 있어서,
   부위별 골밀도 데이터, 부위별 골밀도 비교 데이터, 상기 성장 예측 데이터 및 성장 관리 데이터 중 적어도 하나를 출력하는 출력부;
   를 더 포함하고,
   상기 성장 관리 데이터는,
   상기 성장판의 손상 여부 및 상기 성장판의 손상 부위 중 적어도 하나에 기초하여 상기 성장판의 상태를 유지 및 개선하기 위한 정보를 포함하는,
   성장 예측 데이터를 제공하는 컴퓨팅 장치.
   
10. 인코딩된 명령들을 포함하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 컴퓨터 시스템의 하나 이상의 프로세서들에 의해 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하는 동작;
    상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하는 동작;
    상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키는 동작;
    상기 학습된 성장 예측 모델을 이용하여 성장 예측에 대상의 생체 데이터를 연산함으로써, 성장 예측 데이터를 출력하도록 하는 동작; 및
    상기 학습된 성장 예측 모델에 입력되는 상기 성장 예측 대상의 생체 데이터에 포함된 부위별 골밀도를 각각 변화시킴으로써 출력되는 상기 성장 예측 데이터의 변화량에 기초하여 상기 부위별 골밀도 및 상기 성장 예측 데이터의 상관 관계를 도출하고, 그리고 상기 상관 관계에 기초하여 성장 예측 정보에 가장 큰 변화 요인이 되는 사용자의 신체 부위를 결정하여 성장 제한의 원인이 되는 성장판의 정보를 획득하는 동작;
    을 포함하는,
    컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.
    
11. 성장 예측 데이터를 제공하는 방법에 있어서,
    생체 데이터 및 상기 생체 데이터의 이전 시점 데이터인 과거 생체 데이터를 수신하는 단계;
    상기 생체 데이터와 상기 과거 생체 데이터를 비교하여 성장 예측 데이터를 생성하는 단계;
    상기 과거 생체 데이터와 성장 예측 데이터를 라벨링하여 성장 예측 모델을 학습시키는 단계;
    상기 학습된 성장 예측 모델을 이용하여 성장 예측에 대상의 생체 데이터를 연산함으로써, 성장 예측 데이터를 출력하도록 하는 단계; 및
    상기 학습된 성장 예측 모델에 입력되는 상기 성장 예측 대상의 생체 데이터에 포함된 부위별 골밀도를 각각 변화시킴으로써 출력되는 상기 성장 예측 데이터의 변화량에 기초하여 상기 부위별 골밀도 및 상기 성장 예측 데이터의 상관 관계를 도출하고, 그리고 상기 상관 관계에 기초하여 성장 예측 정보에 가장 큰 변화 요인이 되는 사용자의 신체 부위를 결정하여 성장 제한의 원인이 되는 성장판의 정보를 획득하는 단계;
    를 포함하는,
    성장 예측 데이터를 제공하는 방법.

Images