KR102261270B1 - 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치 - Google Patents

사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치 Download PDF

Info

Publication number
KR102261270B1
KR102261270B1 KR1020200160577A KR20200160577A KR102261270B1 KR 102261270 B1 KR102261270 B1 KR 102261270B1 KR 1020200160577 A KR1020200160577 A KR 1020200160577A KR 20200160577 A KR20200160577 A KR 20200160577A KR 102261270 B1 KR102261270 B1 KR 102261270B1
Authority
KR
South Korea
Prior art keywords
information
specific individual
learning model
content
psychological
Prior art date
Application number
KR1020200160577A
Other languages
English (en)
Inventor
양성우
Original Assignee
주식회사 엔젠바이오
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 엔젠바이오 filed Critical 주식회사 엔젠바이오
Priority to KR1020200160577A priority Critical patent/KR102261270B1/ko
Application granted granted Critical
Publication of KR102261270B1 publication Critical patent/KR102261270B1/ko
Priority to AU2021269412A priority patent/AU2021269412A1/en
Priority to US17/532,437 priority patent/US20220165392A1/en
Priority to EP21210514.2A priority patent/EP4006913A1/en
Priority to JP2021191187A priority patent/JP2022084563A/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/167—Personality evaluation
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0044—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the sight sense
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Psychiatry (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Social Psychology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Epidemiology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Business, Economics & Management (AREA)
  • Educational Technology (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)

Abstract

사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법은 분석장치가 특정 개인의 유전체 정보를 제1 학습모델에 입력하여 상기 특정 개인의 심리 유형을 결정하는 단계, 상기 분석장치가 상기 특정 개인에 대한 상기 유전체 정보, 임상 정보 및 생활 습관 정보를 제2 학습모델에 입력하여 상기 특정 개인의 정신적 건강 상태를 결정하는 단계 및 상기 분석장치가 콘텐츠 데이터베이스를 참조하여 상기 심리 유형 및 상기 정신적 건강 상태에 매칭되는 상기 특정 개인에 대한 맞춤형 디지털 콘텐츠를 결정하는 단계를 포함한다.

Description

사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치{PERSONALIZED CONTENT PROVIDING METHOD BASED ON PERSONAL MULTIPLE FEATURE INFORMATION AND ANALYSIS APPARATUS}
이하 설명하는 기술은 사용자 다중 특징 정보를 이용하여 개인의 심리 상태 및 정신적 건강 상태에 따른 맞춤형 콘텐츠를 제공하는 기법에 관한 것이다.
다양한 분야에서 개인 맞춤형 서비스가 제공되고 있다. 대표적으로 IT 기업들이 수집한 개인정보를 이용하여 해당 개인에게 맞는 광고, 상품, 콘텐츠 등을 노출하는 서비스를 제공한다. 다만, 개인 맞춤형 서비스는 대부분 인터넷을 통한 개인의 피드백, 개인의 활동 정보 및 개인의 선호도에 기반한 콘텐츠 제공에 그친다.
한국공개특허 제10-2017-0079999호
이하 설명하는 기술은 개인의 유전체 정보 및 임상정보와 같이 개인에 대한 바이오 정보를 중심으로 개인이 심리 유형이나 정신적 건강 상태를 추정하고, 추정된 결과에 기반한 개인 맞춤형 콘텐츠를 제공하는 기법을 제공하고자 한다. 나아가, 이하 설명하는 기술은 개인의 생활 습관 정보 등도 더 이용하여 개인에 대한 다중 정보에 기반한 개인 맞춤형 콘텐츠를 제공하는 기법을 제공하고자 한다.
사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법은 분석장치가 특정 개인의 유전체 정보를 제1 학습모델에 입력하여 상기 특정 개인의 심리 유형을 결정하는 단계, 상기 분석장치가 상기 특정 개인에 대한 상기 유전체 정보, 임상 정보 및 생활 습관 정보를 제2 학습모델에 입력하여 상기 특정 개인의 정신적 건강 상태를 결정하는 단계, 상기 분석장치가 콘텐츠 데이터베이스를 참조하여 상기 심리 유형 및 상기 정신적 건강 상태에 매칭되는 상기 특정 개인에 대한 맞춤형 디지털 콘텐츠를 결정하는 단계 및 상기 분석장치가 상기 맞춤형 디지털 콘텐츠를 제공하는 단계를 포함한다.
다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 분석장치는 특정 개인에 대한 유전체 정보, 임상 정보 및 생활 습관 정보를 입력받는 입력장치, 유전체 정보를 입력받아 분석대상의 심리 유형을 출력하는 제1 학습모델 및 유전체 정보, 임상 정보 및 생활 습관 정보를 입력받아 분석대상의 정신적 건강 상태를 출력하는 제2 학습모델을 저장하는 저장장치 및 상기 특정 개인의 유전체 정보를 상기 제1 학습모델에 입력하여 상기 특정 개인의 심리 유형을 결정하고, 상기 특정 개인의 유전체 정보, 임상 정보 및 생활 습관 정보를 상기 제2 학습모델에 입력하여 상기 특정 개인의 정신적 건강 상태를 결정하고, 콘텐츠 데이터베이스를 참조하여 상기 심리 유형 및 상기 정신적 건강 상태에 매칭되는 상기 특정 개인에 대한 맞춤형 디지털 콘텐츠를 결정하는 연산장치를 포함한다.
이하 설명하는 기술은 개인의 심리 상태 및 건강에 따라 개인의 정신적 건강 상태를 증진 내지 완화할 수 있는 디지털 콘텐츠를 제공한다.
도 1은 개인 맞춤형 콘텐츠 제공 시스템에 대한 예이다.
도 2는 개인 맞춤형 콘텐츠 제공 시스템에 대한 다른 예이다.
도 3은 분석장치의 동작에 대한 예이다.
도 4는 제1 학습모델을 통한 심리 유형 추정 과정에 대한 예이다.
도 5는 제2 학습모델을 통한 건강 상태 추정 과정에 대한 예이다.
도 6은 맞춤형 콘텐츠를 제공하는 과정에 대한 예이다.
도 7은 분석장치에 대한 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시례를 가질 수 있는 바, 특정 실시례들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설명된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
숙주는 미생물이 서식하는 대상이다. 숙주는 인간이라고 가정한다.
샘플은 숙주에서 추출한 시료를 의미한다. 샘플은 혈액이나 조직과 같이 숙주의 유전체 정보나 질병 정보를 판단하기 위한 시료이다. 또, 샘플은 분변과 같이 장내 미생물 파악이 가능한 시료일 수 있다.
유전체 정보는 특정한 개인 또는 개체의 유전체 데이터를 의미한다. 유전체 정보는 다양한 기술을 이용하여 획득될 수 있다. 개체는 기본적으로 인간, 동물, 식물, 미생물 등을 포함하는 의미이다. 예컨대, 유전체 데이터는 세포, 조직 등으로부터 데옥시리보 핵산(DNA), 리보핵산(RNA), 또는 단백질(Protein) 등에서 얻어진 염기서열, 유전자 발현 데이터, 표준 유전체 데이터와의 유전 변이, DNA 메틸화(methylation) 등을 포함할 수 있다. 대표적으로 유전체 정보는 NGS(Next Generation Sequencing)를 이용하여 획득되는 유전자 정보일 수 있다.
유전체 정보는 후성 유전체 정보를 포함할 수 있다. 후성 유전체 정보는 유전자 발현에 영향을 주는 인자들을 말하며 DNA 메틸화, 히스톤 변형, 마이크로 RNA 등에 관련된 정보를 포함한다.
마이크로바이옴은 인체에 서식, 공생하는 개체 수준의 세균, 바이러스 그리고 곰팡이 등 모든 미생물 군집과 이들 미생물 군집이 가지는 유전정보로 정의된다. 일반적으로 인간 마이크로바이옴은 인간의 장, 구강, 피부 등에 서식하는 미생물에 대한 정보를 포함한다. 인간 마이크로바이옴은 미생물의 16s rRNA와 함께 전체 메타 게놈(Whole metagenome) 등의 정보를 포함한다. 16s rRNA의 양은 사람으로부터 나온 여러 가지 샘플에 대해 메타게놈 분석을 하여 알 수 있다. 메타게놈 분석은 여러 가지 메타게놈 분석과 관련된 생명정보학적 도구를 이용해 수행할 수 있다. 분석의 목적은 일반적으로 미생물의 양을 측정하여 사용자의 인체 유래 미생물의 기능과 분포를 확인하는 것이다. 인간 마이크로바이옴은 16s rRNA분석을 위한 원시 정보부터 획득되는 OTU(Operational Taxonomic Unit) 정보를 포함한다. 나아가, 전장 유전체 분석(whole-genome sequencing)은 샘플의 염기서열 전체를 해독하는 방식으로, 분석 결과는 인간 유전 정보와 미생물의 유전 정보를 모두 포함한다. 따라서, 연구자는 미생물의 유전 정보만 추출(인간 유정 정보 필터링)하여 미생물 군집의 유전 정보를 확인할 수 있다.
개인의 유전체 정보는 숙주의 유전체 정보 및 마이크로바이옴 정보를 포함하는 의미로 사용할 수 있다.
임상 정보는 개인(환자)에 대한 생체 정보, 진료 정보 및 처방 정보 등 다양한 항목을 포함할 수 있다. 예컨대, 임상 정보는 개인의 신체 정보(나이, 성별, 인종, 신장, 몸무게 등), 검사 정보(혈액 검사 결과, X-ray 영상, CT 영상, MRI 영상, 심전도 검사, 유전체 분석 결과 등), 진단 결과(건강 상태, 발병 정보 등)를 포함할 수 있다. 한편, 임상 정보는 특정 개인의 가족에 대한 진료 정보 및 진단 결과에 대한 정보도 포함될 수 있다. 즉, 임상 정보는 특정 개인뿐만 아니라 유전적으로 연관된 타인의 진료 정보, 진단 결과 등을 포함할 수 있다.
한편, 임상 정보는 개인 건강을 측정하기 위한 문진 정보 및 설문 조사 정보를 포함할 수도 있다.
설문 정보는 스트레스 회복력(Stress Resilience), 염증 반응(Inflammatory response), 신경계 기능(Neurological function), 에너지 수준 향상(Boost Energy-Level), 식사에 대한 혈당 반응(Blood Glucose response to meals), 체질량 구성(Body Mass composition), 수면, 영양소 흡수(Nutrient absorption), 육체적 피로 및 음식 알레르기를 포함하는 항목 그룹 중 적어도 복수의 항목을 포함할 수 있다. 설문 정보는 개인의 스트레스 및 감정 상태에 대한 정보를 포함할 수 있다.
생활습관 정보는 생활습관과 관련한 정보를 의미한다. 예컨대, 생활습관 정보는 (i) 신체 활동 정보, (ii) 음식 섭취 정보, (iii) 운동 정보 등을 포함할 수 있다. 신체 활동 정보는 수면 시간, 기상 시간, 근무 시간, 휴식 시간 등을 포함할 수 있다. 음식 섭취 정보는 하루 섭취 열량, 섭취 영양분의 양 등을 포함할 수 있다. 운동 정보는 운동 여부, 운동 강도 등의 정보를 포함할 수 있다. 생활습관 정보는 스마트기기, IoT 기기, 웨어러블 기기 등을 통하여 수집할 수 있다.
생활 습관 정보는 대표적으로 수면량, 수면 시간, 수면 패턴, 운동량, 운동 시간, 걷는 시간, 걷는 거리 등과 같은 정보를 포함할 수 있다. 나아가, 생활 습관 정보는 개인 소리 정보를 포함할 수 있다. 소리 정보는 목소리, 코골이 소리 등을 포함할 수 있다.
심리 유형 정보는 개인에 대한 성향이나 심리를 분류한 정보를 의미한다. 예컨대, 심리 유형 정보는 MBTI (Myers-Briggs Type Indicator)와 같은 정보(16개의 분류)일 수 있다. 심리 유형 정보도 개인에 대한 식별 정보로 사용될 수 있다.
이하 건강 및 심리와 관련하여 특정 개인을 특징지을 수 있는 정보를 사용자 다중 특징 정보 또는 줄여서 다중 특징 정보라고 명명한다. 따라서, 사용자 다중 특징 정보는 개인에 대한 유전체 정보, 임상 정보, 생활습관 정보, 심리 유형 등을 포함할 수 있다.
한편, 이하 설명하는 기술은 학습 모델을 이용하여 개인의 건강 상태(정신적 건강 상태) 내지 심리 유형을 추정할 수 있다. 학습모델은 기계 학습(machine learning) 모델을 의미한다. 학습 모델은 다양한 유형의 모델들을 포함하는 의미이다. 예컨대, 학습 모델은 결정 트리, 랜덤 포레스트(random forest), KNN(K-nearest neighbor), 나이브 베이즈(Naive Bayes), SVM(support vector machine), 인공신경망(artificial neural network) 등이 있다. 인공신경망은 최근 딥러닝 신경망(deep learning network, DNN)이 주목받고 있다. DNN은 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), GAN(Generative Adversarial Network), RL(Relation Networks) 등이 있다.
도 1은 개인 맞춤형 콘텐츠 제공 시스템(100)에 대한 예이다.
분석서버(150)가 특정 개인에 대한 맞춤형 콘텐츠를 결정한다. 분석서버(150)는 전술한 사용자 다중 특징 정보를 필요로 한다.
사용자 단말(110)은 특정 개인에 대한 문진 정보 내지 설문 정보를 입력받아 전송한다. 문진 정보 및 설문 정보는 서비스 사업자가 사전에 확인하고자 하는 항목을 포함할 수 있다.
웨어러블 기기(120)는 특정 개인의 생활 습관 정보를 전송한다. 스마트 기기, IoT 기기 등 다양한 기기가 생활 습관 정보를 수집하여 전송할 수도 있다. 한편, 사용자 단말(110)이 주변 기기들이 수집한 정보를 취합하여 생활 습관 정보를 전송할 수도 있다.
유전체 정보 서버(130)는 특정 개인의 유전체 정보를 전송한다. 유전체 정보 서버(130)는 특정 개인의 샘플을 분석하여 유전체 정보를 생성할 수 있다. 샘플 수집이나 유전체 분석 과정은 설명은 생략한다. 유전체 정보는 숙주의 전장 유전체(whole genome)와 마이크로바이옴 정보(Whole metagenome)를 포함된 결합정보이며, 또는 특정 타깃 및 특정 마커(16s rRNA Sequencing) 시퀀스 정보일 수 있다. 나아가, 유전체 정보는 후성 유전체, 전사체, 단백체 정보를 포함할 수도 있다.
의료 정보 서버(130)는 특정 개인의 임상 정보를 전송한다. 의료 기관은 특정 개인의 진료 결과, 검사 결과, 질병 정보 등을 포함하는 임상 정보를 전송할 수 있다. 임상 정보는 특정 개인의 가족에 대한 진료 정보를 포함할 수도 있다.
경우에 따라서, 유전체 정보 서버(130)가 아닌 의료 정보 서버(130)가 특정 개인의 유전체 정보도 전송할 수 있다. 또한, 의료 정보 서버(130)가 진료 과정 중에 수집한 문진 정보 내지 설문 정보를 전송할 수도 있다.
분석서버(150)는 설문 정보, 생활 습관 정보, 유전체 정보, 임상 정보 등을 수신한다. 즉, 분석서버(150)는 사용자 다중 특징 정보를 입력받는다.
분석서버(150)는 유전체 정보를 기준으로 특정 개인의 유전형을 결정할 수 있다. 유전형은 유전체 정보(숙주 유전체 정보 및 마이크로바이옴)를 기반으로 특정 개인을 식별 내지 특징지을 수 있는 정보를 의미한다. 유전형은 특정 유전자들의 발현 여부, 특정 유전자들의 발현량, 복수의 유전자들의 발현 패턴, 후성 유전체 특징, 장내 미생물 군집의 구성 및 장내 미생물의 종류를 포함하는 유전체 정보 항목 중 적어도 하나의 항목을 기준으로 결정될 수 있다.
분석서버(150)는 사전에 학습된 학습 모델에 수신한 정보를 입력하여 분석 대상인 특정 개인의 심리 유형 및 건강 상태를 추정한다. 학습 모델은 통계적 분석 모델, 신경망 등 다양한 모델이 활용될 수 있다. 건강 상태는 정신적 건강 상태를 포함한다.
학습 모델은 사용자 다중 특징 정보에서 특징 정보를 추출하는 모델일 수 있다. 또는 학습 모델은 사용자 다중 특징 정보를 기준으로 레퍼런스 값과 비교하여 개인의 건강 상태에 대한 편차값을 생성할 수도 있다.
분석서버(150)는 학습 모델의 출력값을 기준으로 콘텐츠 데이터베이스(160)를 참조하여 출력값에 연관된 맞춤형 콘텐츠를 결정할 수 있다.
사용자 다중 특징 정보로부터 특정 개인을 특정하는 정보를 획득할 수 있다. 이와 같은 정보를 분석 대상 특징 정보 또는 특징 정보라고 명명한다. 분석 대상 특징 정보는 학습 모델이 출력하는 값 및 특정 개인의 유전형 중 적어도 하나를 포함할 수 있다. 분석 대상 특징 정보는 학습 모델이 출력하는 값 및 특정 개인의 유전형 중 적어도 하나를 가공한 정보일 수도 있다.
분석서버(150)는 분석 대상 특징 정보를 기준으로 콘텐츠 DB(160)로부터 특정 개인에 대한 맞춤형 콘텐츠 정보를 결정할 수 있다. 맞춤형 콘텐츠는 특정 대상의 심리 유형 및 건강 상태에 대응되게 건강 상태를 증진 내지 완화할 수 있는 콘텐츠에 해당한다.
분석서버(150)는 맞춤형 콘텐츠 정보를 사용자 단말(110)에 전달한다. 사용자 단말(110)은 맞춤형 콘텐츠를 출력한다. 후술하겠지만, 맞춤형 콘텐츠는 시각적 콘텐츠를 포함한다. 맞춤형 콘텐츠는 화면에 출력되는 객체의 색상, 배경 색상, 객체 디자인, 폰트 종류 등을 포함할 수 있다. 예컨대, 사용자 단말(110)은 맞춤형 콘텐츠 정보에 따라 배경 색상이나 배경 영상을 변경하여 출력할 수 있다.
도 2는 개인 맞춤형 콘텐츠 제공 시스템(200)에 대한 다른 예이다. 도 2는 개인 단말(컴퓨터 장치, PC, 노트북, 스마트 기기 등)이 개인 맞춤형 콘텐츠를 결정하고 제공하는 실시예이다.
사용자 단말(210)은 특정 개인으로부터 자신에 대한 문진 정보 내지 설문 정보를 입력받는다. 문진 정보 및 설문 정보는 서비스 사업자가 사전에 확인하고자 하는 항목을 포함할 수 있다.
웨어러블 기기(220)는 특정 개인의 생활 습관 정보를 전송한다. 스마트 기기, IoT 기기 등 다양한 기기가 생활 습관 정보를 수집하여 전송할 수도 있다. 웨어러블 기기(220)는 생활 습관 정보를 수집하는 별도의 서비스 서버(225)로 생활 습관 정보를 전송할 수 있다. 이 경우, 사용자 단말(110)은 서비스 서버(225)로부터 생활 습관 정보를 수신할 수 있다.
유전체 정보 서버(130)는 특정 개인의 샘플을 분석하여 유전체 정보를 생성할 수 있다. 유전체 정보 서버(230)는 특정 개인의 유전체 정보를 전송한다.
의료 정보 서버(230)는 특정 개인의 임상 정보를 전송한다. 의료 기관은 특정 개인의 진료 결과, 검사 결과, 질병 정보 등을 포함하는 임상 정보를 전송할 수 있다. 임상 정보는 특정 개인의 가족에 대한 진료 정보를 포함할 수도 있다.
경우에 따라서, 유전체 정보 서버(230)가 아닌 의료 정보 서버(230)가 특정 개인의 유전체 정보도 전송할 수 있다. 또한, 의료 정보 서버(230)가 진료 과정 중에 수집한 문진 정보 내지 설문 정보를 전송할 수도 있다.
사용자 단말(210)은 설문 정보, 생활 습관 정보, 유전체 정보, 임상 정보 등을 수신한다. 즉, 사용자 단말(210)은 사용자 다중 특징 정보를 입력받는다.
사용자 단말(210)은 유전체 정보를 기준으로 특정 개인의 유전형을 결정할 수 있다. 유전형은 유전체 정보(숙주 유전체 정보 및 마이크로바이옴)를 기반으로 특정 개인을 식별 내지 특징지을 수 있는 정보를 의미한다. 유전형은 특정 유전자들의 발현 여부, 특정 유전자들의 발현량, 복수의 유전자들의 발현 패턴, 후성 유전체 특징, 장내 미생물 군집의 구성 및 장내 미생물의 종류를 포함하는 유전체 정보 항목 중 적어도 하나의 항목을 기준으로 결정될 수 있다.
사용자 단말(210)은 사전에 학습된 학습 모델에 수신한 정보를 입력하여 분석 대상인 특정 개인의 심리 유형 및 건강 상태를 추정한다. 학습 모델은 통계적 분석 모델, 신경망 등 다양한 모델이 활용될 수 있다. 건강 상태는 정신적 건강 상태를 포함한다.
학습 모델은 사용자 다중 특징 정보에서 특징 정보를 추출하는 모델일 수 있다. 또는 학습 모델은 사용자 다중 특징 정보를 기준으로 레퍼런스 값과 비교하여 개인의 건강 상태에 대한 편차값을 생성할 수도 있다.
사용자 단말(210)은 학습 모델의 출력값을 기준으로 콘텐츠 데이터베이스(250)를 참조하여 출력값에 연관된 맞춤형 콘텐츠를 결정할 수 있다.
사용자 단말(210)은 분석 대상 특징 정보를 기준으로 콘텐츠 DB(250)로부터 특정 개인에 대한 맞춤형 콘텐츠 정보를 결정할 수 있다. 맞춤형 콘텐츠는 특정 대상의 심리 유형 및 건강 상태에 대응되게 건강 상태를 증진 내지 완화할 수 있는 콘텐츠에 해당한다.
사용자 단말(210)은 맞춤형 콘텐츠를 출력한다. 예컨대, 사용자 단말(110)은 맞춤형 콘텐츠 정보에 따라 배경 색상이나 배경 영상을 변경하여 출력할 수 있다.
도 3은 분석장치의 동작에 대한 예이다. 분석장치는 도 1의 분석서버(150) 및 도 2의 개인단말(210)에 해당하는 장치이다.
분석장치는 입력데이터를 입력받는다. 입력데이터는 ① 유전체 정보, ② 임상 정보 및 ③ 생활 습관 정보를 포함한다.
분석장치는 학습모델을 이용하여 분석대상의 심리 유형 및 건강 상태를 추정한다. 이때, 분석장치는 제1 학습모델 및 제2 학습모델을 이용하여 각각 심리 유형 및 건강 상태를 추정할 수 있다.
제1 학습모델은 입력데이터를 입력받아 분석대상의 심리 유형을 출력할 수 있다. 제2 학습모델은 입력데이터를 입력받아 분석대상의 건강 상태 정보를 출력할 수 있다. 건강 상태는 정신적 건강에 대한 정보일 수 있다.
제1 학습모델은 유전체 정보를 입력받아 분석대상의 심리 유형(#003)을 출력할 수 있다. #003은 심리 유형 중 특정 유형을 나타내는 식별 정보를 의미한다.
제2 학습모델은 유전체 정보, 임상 정보 및 생활 습관 정보를 입력받아 분석대상의 건강 상태(#002)를 출력할 수 있다. #002는 건강 상태 중 특정 건강 상태를 나타내는 식별 정보를 의미한다.
분석장치는 분석대상의 심리 유형(#003)과 건강 상태(#002)를 병합 처리하여 통합된 정보를 생성할 수 있다. 분석 대상에 대한 통합된 정보를 통합 표현형이라고 명명한다. 도 3은 통합 표현형(#003002)을 기준으로 분석 대상에 대한 맞춤형 콘텐츠를 결정하는 예이다.
분석장치는 분석 대상의 통합 표현형을 기준으로 콘텐츠 DB를 참조하여 매칭되는 콘텐츠 정보를 검색한다. #003002에 대한 콘텐츠 정보는 C53이라고 가정한다. 분석장치는 분석 대상의 맞춤형 콘텐츠 정보 C53을 결정한다.
도 4는 제1 학습모델을 통한 심리 유형 추정 과정(300)에 대한 예이다. 제1 학습 모델은 유전체 정보를 이용하여 분석 대상의 심리 유형을 추정한다.
유전체 정보는 숙주 유전체 정보, 숙주 후성 유전체 정보 및 마이크로바이옴을 포함한다. 분석장치는 유전체 정보를 일정하게 전처리할 수 있다(310).
분석장치는 유전체 정보 중 개인의 심리 유형에 연관된 유전자를 선별할 수 있다. 심리 유형에 연관된 유전자는 종래 알려진 문헌 정보나 연구 결과를 활용하여 결정할 수 있다. 분석장치는 선별된 유전자를 대상으로 이후 과정을 수행할 수 있다.
분석장치는 서로 다른 유전체 정보를 정규화할 수 있다. 또한, 분석장치는 서로 다른 유전체 정보를 일정하게 통합할 수도 있다. 입력데이터 전처리는 학습모델의 구조 및 종류에 따라 달라질 수 있다.
예컨대, (i) 제1 학습모델이 1차원 배열(벡터)을 입력받는다면, 분석장치는 복수의 유전체 정보를 1차원 벡터 시퀀스로 전처리할 수 있다. (ii) 제1 학습 모델이 CNN과 같이 2차원 매트릭스를 입력받는다면, 분석장치는 복수의 유전체 정보를 2차원 매트릭스 형태로 전처리할 수 있다. 이 경우, 분석장치는 유전체 정보의 종류에 따라 복수의 매트릭스를 생성할 수도 있고, 유전체 정보를 통합하여 하나의 매트릭스를 생성할 수도 있다. 이는 제1 학습모델의 입력 계층 구조(하나의 입력 계층 또는 복수의 입력 계층)에 따라 달라진다.
분석장치는 전처리된 입력데이터를 제1 학습모델에 입력한다(320). 이때 제1 학습모델은 사전에 학습이 완료된 모델이라고 가정한다. 제1 학습모델은 입력데이터를 분석하여 분석 대상의 심리 유형에 대한 정보를 출력한다(330).
도 4는 신경망 모델을 제1 학습모델의 예로 도시하였다. 그러나, 제1 학습모델은 다양한 학습 모델 중 어느 하나일 수 있다. 예컨대, 제1 학습모델은 KNN, SVM, 의사결정트리, 랜덤 포레스트, 딥러닝 모델 등과 같은 모델 중 어느 하나일 수 있다. 제1 학습모델은 심리 유형에 대한 정보를 출력하는데, 심리 유형이 MBTI와 같이 매우 많은 그룹(16개)으로 구분된다면 제1 학습모델은 다양한 유형 중 어느 하나의 유형을 결정할 수 있어야 한다. 예컨대, 제1 학습 모델은 심리 유형 분류별로 하나의 개별 모델이 마련될 수 있다. 대표적으로 랜덤 포레스트 모델로 설명하면, 제1 학습 모델은 제1 심리유형에 대한 제1 모델, 제2 심리 유형에 대한 제2 모델, ..., i 심리 유형에 대한 i 모델을 포함할 수 있다. i는 심리 유형의 개수이다. 각 개별 모델은 동일한 입력데이터는 입력받아 각자 출력값을 출력한다. 분석장치는 개별 모델이 출력한 값 중 가장 정확도가 높을 것으로 예상되는 모델을 기준으로 분석 대상의 심리 유형을 결정할 수 있다. 예컨대, 개별 모델이 0~1 사이의 값을 출력하고, k번째 모델(k 유형)의 출력값이 0.91로 가장 높았다면, 분석장치는 분석 대상의 심리 유형을 k 유형이라고 결정할 수 있다.
도 5는 제2 학습모델을 통한 건강 상태 추정 과정(400)에 대한 예이다. 제2 학습 모델은 입력 데이터를 이용하여 분석 대상의 건강 상태를 추정한다. 이하 건강 상태는 심리적 건강 상태를 중심으로 설명한다. 심리적 건강 상태는 무기력(apathy), 우울증, 스트레스, 만성피로 및 불안(anxiety) 중 적어도 어느 하나일 수 있다.
입력 데이터는 유전체 정보, 임상 정보 및 생활 습관 정보를 포함할 수 있다. 유전체 정보는 숙주 유전체 정보, 숙주 후성 유전체 정보 및 마이크로바이옴을 포함한다. 분석장치는 입력 데이터를 일정하게 전처리할 수 있다(410). 분석장치는 서로 다른 유형의 정보를 정규화할 수 있다. 유전체 정보, 임상 정보 및 생활 습관 정보는 각각 복수의 항목으로 구성된다. 따라서, 분석장치는 복수의 항목의 정보를 통합하여 전체 유전체 정보, 전체 임상 정보 및 전체 생활 습관 정보로 구성할 수 있다. 나아가, 분석장치는 유전체 정보, 임상 정보 및 생활 습관 정보를 하나의 통합된 정보로 구성할 수도 있다.
입력데이터 전처리는 학습모델의 구조 및 종류에 따라 달라질 수 있다.
예컨대, (i) 제2 학습모델이 1차원 배열(벡터)을 입력받는다면, 분석장치는 복수의 입력데이터를 1차원 벡터 시퀀스로 전처리할 수 있다. (ii) 제2 학습 모델이 CNN과 같이 2차원 매트릭스를 입력받는다면, 분석장치는 복수의 입력데이터를 2차원 매트릭스 형태로 전처리할 수 있다. 이 경우, 분석장치는 입력데이터의 종류에 따라 복수의 매트릭스를 생성할 수도 있고, 입력데이터를 통합하여 하나의 매트릭스를 생성할 수도 있다. 이는 제2 학습모델의 입력 계층 구조(하나의 입력 계층 또는 복수의 입력 계층)에 따라 달라진다.
분석장치는 전처리된 입력데이터를 제2 학습모델에 입력한다(420). 이때 제2 학습모델은 사전에 학습이 완료된 모델이라고 가정한다. 제2 학습모델은 입력데이터를 분석하여 분석 대상의 심리적 건강 상태에 대한 정보를 출력한다(430).
도 4는 신경망 모델을 제2 학습모델의 예로 도시하였다. 그러나, 제2 학습모델은 다양한 학습 모델 중 어느 하나일 수 있다. 예컨대, 제2 학습모델은 KNN, SVM, 의사결정트리, 랜덤 포레스트, 딥러닝 모델 등과 같은 모델 중 어느 하나일 수 있다. 제2 학습모델은 복수의 정신적 건강 상태 중 적어도 어느 하나의 건강 상태에 대한 정보를 출력하는데, 제2 학습모델은 다양한 건강 상태 중 어느 하나의 건강 상태를 결정할 수 있어야 한다.
예컨대, 제2 학습 모델은 정신적 건강 상태별로 하나의 개별 모델이 마련될 수 있다. 대표적으로 랜덤 포레스트 모델로 설명하면, 제2 학습 모델은 제1 정신적 건강 상태에 대한 제1 모델, 제2 정신적 건강 상태에 대한 제2 모델, ..., j 정신적 건강 상태에 대한 j 모델을 포함할 수 있다. j는 정신적 건강 상태의 개수이다. 각 개별 모델은 동일한 입력데이터는 입력받아 각자 출력값을 출력한다. 분석장치는 개별 모델이 출력한 값 중 가장 정확도가 높을 것으로 예상되는 모델을 기준으로 분석 대상의 정신적 건강 상태를 결정할 수 있다. 예컨대, 개별 모델이 0~1 사이의 값을 출력하고, m번째 모델(m 건강 상태)의 출력값이 0.92로 가장 높았다면, 분석장치는 분석 대상의 정신적 건강 상태를 m 건강 상태라고 결정할 수 있다.
도 6은 맞춤형 콘텐츠를 제공하는 과정(500)에 대한 예이다.
분석장치는 전술한 바와 같이 입력데이터를 이용하여 제1 학습모델로 분석 대상의 심리 유형을 추정한다(510). 또한, 분석장치는 입력데이터를 이용하여 제2 학습모델로 분석 대상의 정신적 건강 상태를 추정한다(520). 분석장치는 심리 유형과 건강 상태에 대한 정보를 결합하여 통합 표현형을 생성할 수도 있다(530).
분석장치는 분석 대상인 특정 개인을 특정하는 정보로 분석 대상 특징 정보를 사용한다. 분석 대상 특징 정보는 분석 대상의 심리 유형, 정신적 건강 상태 및 통합 표현형 중 적어도 하나로 구성될 수 있다.
분석장치는 도출된 분석 대상 특징 정보를 기준으로 콘텐츠 DB를 참조하여 해당 정보에 매칭되는 맞춤형 콘텐츠에 대한 정보를 결정할 수 있다(540). 콘텐츠 DB는 다양한 항목에 대한 정보를 포함할 수 있다. 콘텐츠 DB는 심리 유형에 대한 DB(예컨대, MBTI DB), 전신 건강 DB(mental health DB), 컬러 테라피 DB(color therapy DB) 등을 포함할 수 있다. MBTI DB는 심리 유형에 따른 맞춤형 콘텐츠 정보를 보유할 수 있다. 정신 건강 DB는 정신 건강 상태에 따른 맞춤형 콘텐츠 정보를 보유할 수 있다. 컬러 테라피 DB는 심리 상태나 정신 건강 상태에 따라 개인의 심리 내지 정신 건강을 정상 상태로 유도할 수 있는 콘텐츠(컬러값 등)에 대한 정보를 보유할 수 있다.
맞춤형 콘텐츠는 특정 개인에 대한 심리적 또는 정신적 상태를 정상 상태 또는 이완 상태로 유도하는 시각적 콘텐츠일 수 있다. 예컨대, 맞춤형 콘텐츠는 화면에 출력되는 배경 이미지, 배경 색상, 객체 색상, 글자 폰트 및 객체 디자인 중 적어도 하나를 포함할 수 있다.
분석장치는 결정한 맞춤형 콘텐츠를 출력할 수 있다(550). 또는, 분석장치는 결정한 맞춤형 콘텐츠의 정보를 개인 단말에 전송하여 개인 단말이 맞춤형 콘텐츠를 출력하게 할 수 있다.
도 7은 맞춤형 콘텐츠 결정 기준인 특징 정보에 대한 예이다. 콘텐츠 DB에서 맞춤형 콘텐츠를 찾는 기준을 분석 대상 특징 정보 또는 특징 정보라고 하였다. 특징 정보는 다양한 값이 사용될 수 있다.
도 7(A)는 건강 상태와 심리 유형이 사용된 예이다. 특징 정보는 2차원 매트릭스 형태를 가질 수 있고, 하나의 축은 건강 상태이고, 다른 하나의 축은 심리 유형이다. 따라서, 특징 정보는 (x, y)와 같이 표현될 수 있다.
도 7(B)는 유전형 타입과 건강상태/심리 유형이 사용된 예이다. 유전형에 대해서는 전술한 바와 같다. 특징 정보는 2차원 매트릭스 형태를 가질 수 있다. 하나의 축은 유전형 타입이고, 다른 하나의 축은 건강 상태 및 심리 유형 중 어느 하나일 수 있다. 또는 하나의 축은 유전형 타입이고, 다른 하나의 축은 통합된 표현형일 수도 있다. 특징 정보는 (x, y)와 같이 표현될 수 있다.
도 7(C)는 건강 상태, 심리 유형 및 통합 표현형이 사용된 예이다. 특징 정보는 3차원 매트릭스 형태를 가질 수 있고, 하나의 축은 건강 상태이고, 다른 하나의 축은 심리 유형이고, 나머지 하나의 축은 통합 표현형이다. 따라서, 특징 정보는 (x, y, z)와 같이 표현될 수 있다.
도 7(D)는 건강 상태, 심리 유형 및 유전형 타입이 사용된 예이다. 특징 정보는 3차원 매트릭스 형태를 가질 수 있고, 하나의 축은 건강 상태이고, 다른 하나의 축은 심리 유형이고, 나머지 하나의 축은 유전형 타입이다. 따라서, 특징 정보는 (x, y, z)와 같이 표현될 수 있다.
분석장치는 도 7과 같은 특징 정보를 기준으로 콘텐츠 DB에서 대응되는 맞춤형 콘텐츠를 검색할 수 있다.
도 8은 분석장치(600)에 대한 예이다. 도 7의 분석 장치(600)는 도 1의 분석서버(150) 및 도 2의 개인단말(210)에 해당하는 장치이다.
분석장치(600)는 사용자 다중 특징 정보를 이용하여 해당 개인에 대한 맞춤형 콘텐츠를 결정하는 장치이다.
분석장치(600)는 물리적으로 다양한 형태로 구현될 수 있다. 예컨대, 분석장치(600)는 PC와 같은 컴퓨터 장치, 네트워크의 서버, 데이터 처리 전용 칩셋 등의 형태를 가질 수 있다. 컴퓨터 장치는 스마트 기기 등과 같은 모바일 기기를 포함할 수 있다.
분석장치(600)는 저장장치(610), 메모리(620), 연산장치(630), 인터페이스 장치(640), 통신장치(650) 및 출력장치(660)를 포함할 수 있다.
저장장치(610)는 입력받은 입력데이터를 저장할 수 있다. 저장장치(610)는 사용자 다중 특징 정보를 저장할 수 있다. 저장장치(610)는 특정 개인에 대한 유전체 정보, 임상 정보 및 생활 습관 정보를 저장할 수 있다. 저장장치(610)는 일정하게 전처리한 입력데이터를 저장할 수도 있다.
저장장치(610)는 유전체 정보를 입력받아 분석대상의 심리 유형을 출력하는 제1 학습모델 및 유전체 정보, 임상 정보 및 생활 습관 정보를 입력받아 분석대상의 정신적 건강 상태를 출력하는 제2 학습모델을 저장할 수 있다.
저장장치(610)는 콘텐츠 DB를 저장할 수도 있다.
저장장치(610)는 특정 개인에 대하여 결정한 맞춤형 콘텐츠 정보 내지 맞춤형 콘텐츠를 저장할 수 있다.
메모리(620)는 분석장치(600)가 맞춤형 콘텐츠를 분석하는 과정에서 생성되는 데이터 및 정보 등을 저장할 수 있다.
인터페이스 장치(640)는 외부로부터 일정한 명령 및 데이터를 입력받는 장치이다. 인터페이스 장치(640)는 물리적으로 연결된 입력 장치 또는 외부 저장장치로부터 특정 개인의 유전체 정보, 임상 정보 및 생활 습관 정보를 입력받을 수 있다. 인터페이스 장치(640)는 사용자 다중 특징 정보를 분석하기 위한 명령을 입력받을 수 있다.
통신장치(650)는 유선 또는 무선 네트워크를 통해 일정한 정보를 수신하고 전송하는 구성을 의미한다. 통신장치(650)는 외부 객체로부터 특정 개인의 유전체 정보, 임상 정보 및 생활 습관 정보를 수신할 수 있다. 통신장치(650)는 사용자 다중 특징 정보를 분석하기 위한 명령을 수신할 수 있다. 통신장치(650)는 분석 결과인 맞춤형 콘텐츠 정보를 외부 객체로 송신할 수 있다.
통신장치(650)는 네트워크상의 콘텐츠 DB와 통신하여 관련된 콘텐츠 정보를 수신할 수도 있다.
통신장치(650) 내지 인터페이스 장치(640)는 외부로부터 일정한 데이터 내지 명령을 전달받는 장치이다. 통신장치(650) 내지 인터페이스 장치(640)를 입력장치라고 명명할 수 있다.
출력장치(660)는 일정한 정보를 출력하는 장치이다. 출력장치(660)는 데이터 처리 과정에 필요한 인터페이스, 분석 결과 등을 출력할 수 있다. 또한, 출력장치(660)는 결정된 맞춤형 콘텐츠 화면에 출력할 수 있다.
연산 장치(630)는 저장장치(610)에 저장된 프로그램 및 학습모델을 이용하여 입력 데이터를 분석하고, 맞춤형 콘텐츠를 결정할 수 있다.
연산 장치(630)는 전술한 바와 같이 입력 데이터를 일정하게 전처리할 수 있다.
연산 장치(630)는 특정 개인의 유전체 정보를 제1 학습모델에 입력하여 상기 특정 개인의 심리 유형을 결정할 수 있다.
연산 장치(630)는 특정 개인의 유전체 정보, 임상 정보 및 생활 습관 정보를 제2 학습모델에 입력하여 특정 개인의 정신적 건강 상태를 결정할 수 있다.
연산 장치(630)는 유전체 정보를 분석하여 특정 개인의 유전형 타입을 결정할 수도 있다.
연산 장치(630)는 심리 유형, 정신적 건강 상태, 통합된 표현형, 유전형 타입을 이용하여 특징 정보를 생성할 수 있다. 특징 정보의 유형은 도 7에서 설명한 바와 같다.
연산 장치(630)는 특징 정보를 기준으로 콘텐츠 DB를 참조하여 특정 개인에 대한 맞춤형 콘텐츠 정보를 결정할 수 있다.
연산 장치(630)는 데이터를 처리하고, 일정한 연산을 처리하는 프로세서, AP, 프로그램이 임베디드된 칩과 같은 장치일 수 있다.
또한, 상술한 바와 같은 개인 맞춤형 콘텐츠 결정 방법 내지 제공 방법은 컴퓨터에서 실행될 수 있는 실행가능한 알고리즘을 포함하는 프로그램(또는 어플리케이션)으로 구현될 수 있다. 상기 프로그램은 일시적 또는 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM (read-only memory), PROM (programmable read only memory), EPROM(Erasable PROM, EPROM) 또는 EEPROM(Electrically EPROM) 또는 플래시 메모리 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
일시적 판독 가능 매체는 스태틱 램(Static RAM，SRAM), 다이내믹 램(Dynamic RAM，DRAM), 싱크로너스 디램 (Synchronous DRAM，SDRAM), 2배속 SDRAM(Double Data Rate SDRAM，DDR SDRAM), 증강형 SDRAM(Enhanced SDRAM，ESDRAM), 동기화 DRAM(Synclink DRAM，SLDRAM) 및 직접 램버스 램(Direct Rambus RAM，DRRAM) 과 같은 다양한 RAM을 의미한다.
본 실시례 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.

Claims (12)

  1. 분석장치가 특정 개인의 유전체 정보를 제1 학습모델에 입력하여 상기 특정 개인의 심리 유형을 결정하는 단계;
    상기 분석장치가 상기 특정 개인에 대한 상기 유전체 정보, 임상 정보 및 생활 습관 정보를 제2 학습모델에 입력하여 상기 특정 개인의 정신적 건강 상태를 결정하는 단계;
    상기 분석장치가 콘텐츠 데이터베이스를 참조하여 상기 심리 유형 및 상기 정신적 건강 상태에 매칭되는 상기 특정 개인에 대한 맞춤형 디지털 콘텐츠를 결정하는 단계; 및
    상기 분석장치가 상기 맞춤형 디지털 콘텐츠를 제공하는 단계를 포함하되,
    상기 유전체 정보는 숙주의 유전체 정보, 마이크로바이옴 및 숙주의 후성 유전체 정보를 포함하고,
    상기 심리 유형은 MBTI(Myers-Briggs Type Indicator)에 따른 유형 중 어느 하나이고,
    상기 맞춤형 디지털 콘텐츠는 상기 특정 개인에 대한 심리적 또는 정신적 상태를 정상 상태 또는 이완 상태로 유도하는 시각적 콘텐츠로서, 개인 단말에 출력되는 배경 색상, 객체 색상, 글자 폰트 및 객체 디자인 중 적어도 하나를 포함하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법.
  2. 제1항에 있어서,
    상기 임상 정보는 상기 특정 개인이 입력한 설문 조사 정보, 상기 특정 개인의 의료 정보 및 상기 특정 개인의 가족의 의료 정보를 포함하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법.
  3. 제2항에 있어서,
    상기 설문 조사 정보는
    스트레스 회복력, 염증 반응, 신경계 기능, 에너지 수준 향상(Boost Energy-Level), 식사에 대한 혈당 반응, 체질량 구성, 수면, 영양소 흡수, 육체적 피로 및 음식 알레르기 중 적어도 복수의 항목에 대한 데이터를 포함하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 콘텐츠 데이터베이스는 상기 심리 유형 및 상기 정신적 건강 상태에 대응하는 색상 정보를 저장하는 컬러 테라피(color therapy) 데이터베이스인 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법.
  6. 제1항에 있어서,
    상기 분석장치는 상기 유전체 정보 중 개인의 심리 유형에 연관된 유전자들을 선별하여 상기 제1 학습모델에 대한 입력데이터로 전처리하고, 상기 입력데이터는 상기 제1 학습모델에 입력하여 상기 특정 개인의 심리 유형을 결정하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법.
  7. 특정 개인에 대한 유전체 정보, 임상 정보 및 생활 습관 정보를 입력받는 입력장치;
    유전체 정보를 입력받아 분석대상의 심리 유형을 출력하는 제1 학습모델 및 유전체 정보, 임상 정보 및 생활 습관 정보를 입력받아 분석대상의 정신적 건강 상태를 출력하는 제2 학습모델을 저장하는 저장장치; 및
    상기 특정 개인의 유전체 정보를 상기 제1 학습모델에 입력하여 상기 특정 개인의 심리 유형을 결정하고, 상기 특정 개인의 유전체 정보, 임상 정보 및 생활 습관 정보를 상기 제2 학습모델에 입력하여 상기 특정 개인의 정신적 건강 상태를 결정하고, 콘텐츠 데이터베이스를 참조하여 상기 심리 유형 및 상기 정신적 건강 상태에 매칭되는 상기 특정 개인에 대한 맞춤형 디지털 콘텐츠를 결정하는 연산장치를 포함하되,
    상기 유전체 정보는 숙주의 유전체 정보, 마이크로바이옴 정보 및 숙주의 후성 유전체 정보를 포함하고,
    상기 심리 유형은 MBTI(Myers-Briggs Type Indicator)에 따른 유형 중 어느 하나이고,
    상기 제2 학습 모델은 무기력(apathy), 우울증, 스트레스, 만성피로 및 불안(anxiety) 중 적어도 하나를 포함하는 상기 정신적 건강 상태를 출력하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 분석장치.
  8. 제7항에 있어서,
    상기 맞춤형 디지털 콘텐츠는 상기 특정 개인에 대한 심리적 또는 정신적 상태를 정상 상태 또는 이완 상태로 유도하는 시각적 콘텐츠로서, 개인 단말에 출력되는 배경 색상, 객체 색상, 글자 폰트 및 객체 디자인 중 적어도 하나를 포함하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 분석장치.
  9. 제7항에 있어서,
    상기 임상 정보는 상기 특정 개인이 입력한 설문 조사 정보, 상기 특정 개인의 의료 정보 및 상기 특정 개인의 가족의 의료 정보를 포함하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 분석장치.
  10. 제9항에 있어서,
    상기 설문 조사 정보는
    스트레스 회복력, 염증 반응, 신경계 기능, 에너지 수준 향상(Boost Energy-Level), 식사에 대한 혈당 반응, 체질량 구성, 수면, 영양소 흡수, 육체적 피로 및 음식 알레르기 중 적어도 복수의 항목에 대한 데이터를 포함하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 분석장치.
  11. 제7항에 있어서,
    상기 콘텐츠 데이터베이스는 상기 심리 유형 및 상기 정신적 건강 상태에 대응하는 색상 정보를 저장하는 컬러 테라피(color therapy) 데이터베이스인 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 분석장치.
  12. 제7항에 있어서,
    상기 연산장치는 상기 유전체 정보 중 개인의 심리 유형에 연관된 유전자들을 선별하여 상기 제1 학습모델에 대한 입력데이터로 전처리하고, 상기 입력데이터는 상기 제1 학습모델에 입력하는 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 분석장치.
KR1020200160577A 2020-11-26 2020-11-26 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치 KR102261270B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020200160577A KR102261270B1 (ko) 2020-11-26 2020-11-26 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치
AU2021269412A AU2021269412A1 (en) 2020-11-26 2021-11-18 Personalized content providing method based on personal multiple feature information and analysis apparatus
US17/532,437 US20220165392A1 (en) 2020-11-26 2021-11-22 Personalized content providing method based on personal multiple feature information and analysis apparatus
EP21210514.2A EP4006913A1 (en) 2020-11-26 2021-11-25 Personalized content providing method based on personal multiple feature information and analysis apparatus
JP2021191187A JP2022084563A (ja) 2020-11-26 2021-11-25 使用者多重特徴情報を利用した個人オーダーメイド型コンテンツ提供方法および分析装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200160577A KR102261270B1 (ko) 2020-11-26 2020-11-26 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치

Publications (1)

Publication Number Publication Date
KR102261270B1 true KR102261270B1 (ko) 2021-06-07

Family

ID=76374041

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200160577A KR102261270B1 (ko) 2020-11-26 2020-11-26 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치

Country Status (5)

Country Link
US (1) US20220165392A1 (ko)
EP (1) EP4006913A1 (ko)
JP (1) JP2022084563A (ko)
KR (1) KR102261270B1 (ko)
AU (1) AU2021269412A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102463875B1 (ko) 2022-10-11 2022-11-04 한동균 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170079999A (ko) 2015-12-31 2017-07-10 (주)블루와이즈 개인 건강정보 기반의 건강 콘텐츠 생성 및 맞춤형 정보 제공시스템
US20200258235A1 (en) * 2019-02-07 2020-08-13 Vysioneer INC. Method and apparatus for automated target and tissue segmentation using multi-modal imaging and ensemble machine learning models
KR20200111688A (ko) * 2017-12-19 2020-09-29 오리그3엔, 인코포레이티드 개인 유전자 프로파일들에 기반하여 소셜 미디어 상호작용들 및 온라인 콘텐츠를 필터링하기 위한 시스템들 및 방법들

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5514963B2 (ja) * 2012-03-23 2014-06-04 独立行政法人科学技術振興機構 パーソナルゲノム情報環境提供装置、パーソナルゲノム情報環境提供方法、および、プログラム
JP6636792B2 (ja) * 2015-01-30 2020-01-29 パナソニック株式会社 刺激提示システム、刺激提示方法、コンピュータ、および制御方法
EP3283652A4 (en) * 2015-04-13 2018-12-05 Ubiome Inc. Method and system for microbiome-derived diagnostics and therapeutics for mental health associated conditions
JP6530954B2 (ja) * 2015-04-27 2019-06-12 ジェネシスヘルスケア株式会社 遺伝子多型データを用いたパーソナリティ表示方法及びシステム
WO2017042831A2 (en) * 2015-09-07 2017-03-16 Isense Solution Private Limited A system and method of measuring productivity and longevity of human beings based on analysis of their genes in a biological and functional context
US10426400B2 (en) * 2017-06-23 2019-10-01 International Business Machines Corporation Optimized individual sleep patterns
KR102039815B1 (ko) * 2018-02-06 2019-11-01 울산대학교 산학협력단 신장이식 후 이식 장기의 염증 진단 또는 예측용 바이오마커
JP7018197B2 (ja) * 2018-04-03 2022-02-10 日本メナード化粧品株式会社 「ときめき」感情を評価する方法及び評価装置
JP7138291B2 (ja) * 2019-02-19 2022-09-16 ジャングルＸ株式会社 ベッティングアドバイス提供装置、ベッティングアドバイス提供システム、ベッティングアドバイス提供方法及びベッティングアドバイス提供プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170079999A (ko) 2015-12-31 2017-07-10 (주)블루와이즈 개인 건강정보 기반의 건강 콘텐츠 생성 및 맞춤형 정보 제공시스템
KR20200111688A (ko) * 2017-12-19 2020-09-29 오리그3엔, 인코포레이티드 개인 유전자 프로파일들에 기반하여 소셜 미디어 상호작용들 및 온라인 콘텐츠를 필터링하기 위한 시스템들 및 방법들
US20200258235A1 (en) * 2019-02-07 2020-08-13 Vysioneer INC. Method and apparatus for automated target and tissue segmentation using multi-modal imaging and ensemble machine learning models

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102463875B1 (ko) 2022-10-11 2022-11-04 한동균 빅데이터를 활용한 사용자 맞춤 심리 치료 콘텐츠 제공 방법, 장치 및 시스템

Also Published As

Publication number Publication date
JP2022084563A (ja) 2022-06-07
AU2021269412A1 (en) 2022-06-09
US20220165392A1 (en) 2022-05-26
EP4006913A1 (en) 2022-06-01

Similar Documents

Publication Publication Date Title
Goecks et al. How machine learning will transform biomedicine
Shehab et al. Machine learning in medical applications: A review of state-of-the-art methods
KR102258899B1 (ko) 통합적 건강 정보를 이용한 식단 및 운동 추천 방법 및 서비스 시스템
Fulcher et al. hctsa: A computational framework for automated time-series phenotyping using massive feature extraction
Ravì et al. Deep learning for health informatics
CN105046094B (zh) 肠道菌群的检测系统及其方法和动态式数据库
CN107301331B (zh) 一种基于基因芯片数据的疾病影响因素的挖掘方法
Juutinen et al. Parkinson’s disease detection from 20-step walking tests using inertial sensors of a smartphone: Machine learning approach based on an observational case-control study
KR20200049861A (ko) 미생물 관련 유의 지수 메트릭스
Tucker et al. A data mining methodology for predicting early stage Parkinson's disease using non-invasive, high-dimensional gait sensor data
Galvan-Tejada et al. Depression episodes detection in unipolar and bipolar patients: a methodology with feature extraction and feature selection with genetic algorithms using activity motion signal as information source
KR102261270B1 (ko) 사용자 다중 특징 정보를 이용한 개인 맞춤형 콘텐츠 제공 방법 및 분석장치
KR102492977B1 (ko) 마이크로바이옴을 이용한 건강 정보 제공 방법 및 분석장치
KR102072815B1 (ko) 마이크로바이옴을 이용한 건강 상태 분류 방법 및 장치
Mengelkoch et al. Multi-omics approaches in psychoneuroimmunology and health research: conceptual considerations and methodological recommendations
Osuwa et al. Importance of Continuous Improvement of Machine Learning Algorithms From A Health Care Management and Management Information Systems Perspective
CN113077875A (zh) Ct影像的处理方法及装置
Huang et al. Study on patient similarity measurement based on electronic medical records
Linder et al. Microarray data classified by artificial neural networks
Fung et al. A self-knowledge distillation-driven CNN-LSTM model for predicting disease outcomes using longitudinal microbiome data
CN109155151A (zh) 用于基于不一致性度量根据生物数据的亚群检测的方法、系统和装置
Rayan Machine Learning for Smart Health Care
CN110808102A (zh) 一种健康平台的信息推送方法、系统及终端
JP3232534U (ja) 転移学習に基づくパーソナライズされた食事判読システム
De Freitas et al. Deep learning for biomedical applications

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant