KR102264498B1 - 유병 확률 예측을 위한 컴퓨터 프로그램 - Google Patents

유병 확률 예측을 위한 컴퓨터 프로그램 Download PDF

Info

Publication number
KR102264498B1
KR102264498B1 KR1020200049623A KR20200049623A KR102264498B1 KR 102264498 B1 KR102264498 B1 KR 102264498B1 KR 1020200049623 A KR1020200049623 A KR 1020200049623A KR 20200049623 A KR20200049623 A KR 20200049623A KR 102264498 B1 KR102264498 B1 KR 102264498B1
Authority
KR
South Korea
Prior art keywords
information
user
learning
prevalence probability
prevalence
Prior art date
Application number
KR1020200049623A
Other languages
English (en)
Inventor
김호
세르게이 텐
이솔
윤상혁
권도형
박승환
차지희
서시연
Original Assignee
주식회사 바스젠바이오
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 바스젠바이오 filed Critical 주식회사 바스젠바이오
Priority to KR1020200049623A priority Critical patent/KR102264498B1/ko
Application granted granted Critical
Publication of KR102264498B1 publication Critical patent/KR102264498B1/ko

Links

Images

Classifications

    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G06N3/08—Learning methods
    • 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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Nutrition Science (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 개시의 일 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 유병 확률 예측을 위한 이하의 동작을 수행하도록 하며, 상기 동작들은, 학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신하는 동작, 상기 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하는 동작, 사용자의 상태 정보를 상기 유병 확률 예측 모델의 입력으로 하여 상기 사용자의 유병 확률을 산출하는 동작 및 상기 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 상기 건강 관리 정보를 상기 사용자의 사용자 단말에 제공하는 동작을 포함할 수 있다.

Description

유병 확률 예측을 위한 컴퓨터 프로그램{COMPUTER PROGRAM FOR PREDICTING PREVALENCE PROBABILITY}
본 개시는 인공지능 기술에 관한 것으로서, 보다 구체적으로 딥러닝을 활용한 유병 확률 예측에 관한 것이다.
평균 수명이 늘어나면서 건강한 삶에 관한 관심은 더욱 높아지고 있는 반면, 과학이 발달하면서 현대인의 신체 활동이 감소하고, 대다수 현대인에게서 운동 부족 현상이 발생하고 있다. 특히, 당뇨병 또는, 고혈압에 해당하는 인구가 지속적으로 증가하고 있다.
그러나, 일부 질병을 제외하고는 주기적인 건강 검진을 통해서만 해당 질병이 있음을 진단받거나, 검진 결과에 대하여 의사의 확인으로 향후 질병이 발생할 가능성이 있음을 예측하고 있다. 이 경우에도 의사의 경험적 판단이나 또는 질병 간의 영향력이나 보편성을 미리 정해진 수치 또는 정상 상태와의 단순 비교를 통해 추후 질병 발생 가능성을 예측하므로 예측의 정확도가 다소 결여될 우려가 있다.
한편, 최근 딥러닝이 주목을 받으면서 다양한 산업에서 인공 신경망 기술을 산업적으로 이용하는 시도가 이루어 지고 있으며, 헬스케어 분야에서도 인공 신경망 기술을 산업적으로 이용하려는 시도가 이루어 지고 있다.
따라서, 인공신경망을 활용하여 개인의 유병 확률을 예측하고, 예측된 유병 확률을 기반으로 건강 관리의 방향을 제시해주는 기술에 대한 수요가 당 업계에 존재할 수 있다.
대한민국 공개특허는 제10-2020-0015280호는 폐렴의 발병 확률을 결정하는 방법을 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 유병 확률을 예측하기 위한 컴퓨터 프로그램에 관한 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 유병 확률 예측을 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신하는 동작, 상기 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하는 동작, 사용자의 상태 정보를 상기 유병 확률 예측 모델의 입력으로 하여 상기 사용자의 유병 확률을 산출하는 동작 및 상기 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 상기 건강 관리 정보를 상기 사용자의 사용자 단말에 제공하는 동작을 포함할 수 있다.
대안적으로, 상기 학습 상태 정보 및 상기 상태 정보는, 복수의 사용자 각각에 건강 상태에 관련한 정보로, 사용자 기본 정보, 신체 활동 정보, 연관 질병 정보 및 식습관 정보 중 적어도 하나의 정보를 포함할 수 있다.
대안적으로, 상기 학습 건강 데이터에 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하는 동작은, 상기 학습 상태 정보를 상기 인공 신경망에 입력시키는 동작, 상기 학습 상태 정보를 입력으로 하여 상기 인공 신경망으로부터 출력된 출력과 상기 학습 질병 정보를 비교하여 오차를 도출하는 동작 및 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 동작을 포함할 수 있다.
대안적으로, 상기 학습 질병 정보는, 당뇨병 및 고혈압 진단 여부에 관한 정보를 포함하고, 그리고 상기 유병 확률은, 상기 당뇨병에 관련한 유병 확률 및 상기 고혈압에 관련한 유병 확률 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 건강 관리 정보는, 상기 유병 확률 예측 모델을 통해 산출된 유병 확률에 기초하여 생성되는 것으로, 상기 사용자의 건강을 증진시키기 위한 정보이며, 권장 식습관 정보 및 권장 운동 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 건강 관리 정보와 연관성을 가지는 하나 이상의 영업점 정보를 획득하는 동작, 상기 사용자 단말의 위치 정보 및 상기 건강 관리 정보에 기초하여 상기 하나 이상의 영업점 정보 중 적어도 하나의 영업점 정보를 포함하는 추천 이벤트 정보를 생성하는 동작 및 상기 생성된 추천 이벤트 정보를 상기 사용자 단말로 전송할 것을 결정하는 동작을 더 포함할 수 있다.
대안적으로, 상기 사용자의 유병 확률에 기초하여 상기 사용자의 행동을 제한하거나, 또는 증진시키기 위한 기준이 되는 행위 기준 정보를 생성하는 동작을 더 포함하고, 그리고 상기 행위 기준 정보는, 하나 이상의 제한 행동 패턴 정보 및 하나 이상의 권장 행동 패턴 정보를 포함할 수 있다.
대안적으로, 상기 사용자 단말로부터 사용자의 센싱 데이터를 획득하는 동작, 상기 센싱 데이터와 상기 행위 기준 정보의 비교에 기초하여 알림 정보를 생성하는 동작 및 상기 알림 정보를 상기 사용자 단말에 전송할 것을 결정하는 동작을 포함할 수 있다.
대안적으로, 상기 알림 정보는, 상기 사용자의 행동을 제한하기 위한 제 1 알림 정보 및 상기 사용자의 행동을 지속시키기 위한 제 2 알림 정보 중 적어도 하나를 포함하며, 상기 센싱 데이터와 상기 행위 기준 정보의 비교에 기초하여 알림 정보를 생성하는 동작은, 상기 센싱 데이터가 상기 행위 기준 정보에 포함된 하나 이상의 제한 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 상기 제 1 알림 정보를 생성하는 동작 및 상기 센싱 데이터가 상기 행위 기준 정보에 포함된 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 상기 제 2 알림 정보를 생성하는 동작을 포함할 수 있다.
본 개시의 다른 실시예에 따른 컴퓨팅 장치의 프로세서에서 수행되는 유병 확률을 예측하기 위한 방법이 개시된다. 상기 방법은, 상기 컴퓨팅 장치의 프로세서가 학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신하는 단계, 상기 프로세서가 상기 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하는 단계, 상기 프로세서가 사용자의 상태 정보를 상기 유병 확률 예측 모델의 입력으로 하여 상기 사용자의 유병 확률을 산출하는 단계 및 상기 프로세서가 상기 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 상기 건강 관리 정보를 상기 사용자의 사용자 단말에 제공하는 단계를 포함할 수 있다.
본 개시의 또 다른 실시예에 따른 유병 확률을 예측하기 위한 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는 하나 이상의 코어를 포함하는 프로세서, 상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리 및 사용자 단말 외부 서버와 데이터를 송수신하는 네트워크부를 포함하고, 그리고 상기 프로세서는 학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신하고, 상기 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하고, 사용자의 상태 정보를 상기 유병 확률 예측 모델의 입력으로 하여 상기 사용자의 유병 확률을 산출하고, 상기 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 상기 건강 관리 정보를 상기 사용자의 사용자 단말에 제공할 수 있다.
본 개시는 유병 확률을 예측하는 컴퓨터 프로그램을 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 유병 확률 예측 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 유병 확률 예측을 위한 사용자의 입력을 수신하는 사용자 인터페이스에 대한 예시도를 도시한다.
도 3a는 본 개시의 일 실시예와 관련된 사용자에게 제공되는 추천 식습관 정보에 대한 예시도를 도시한다.
도 3b는 본 개시의 일 실시예와 관련된 사용자에게 제공되는 추천 식습관 정보에 대한 예시도를 도시한다.
도 4a는 본 개시의 일 실시예와 관련된 사용자에게 제공되는 추천 이벤트 정보에 대한 예시도를 도시한다.
도 4b는 본 개시의 다른 실시예와 관련된 사용자에게 제공되는 추천 이벤트 정보에 대한 예시도를 도시한다.
도 5는 본 개시의 일 실시예와 관련된 네트워크 함수를 나타낸 개략도이다.
도 6은 본 개시의 일 실시예와 관련된 유병 확률 예측 방법에 대한 예시적인 순서도를 도시한다.
도 7은 본 개시의 일 실시예와 관련된 유병 확률 예측 방법을 구현하기 위한 로직을 도시한다.
도 8은 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 의미하는 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.
도 1은 본 개시의 일 실시예와 관련된 유병 확률 예측 방법을 제공하기 위한 동작을 수행하는 컴퓨팅 장치의 블록 구성도를 도시한다.
컴퓨팅 장치(100)는 사용자 단말로부터 사용자의 상태 정보를 수신할 수 있다. 사용자의 상태 정보는, 사용자의 건강 상태를 예측하기 위한 기준이 되는 정보로, 사용자 기본 정보, 신체 활동 정보, 연관 질병 정보 및 식습관 정보 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)는 사용자의 상태 정보를 수신하는 경우, 사용자의 상태 정보를 유병 확률 예측 모델의 입력으로 하여 해당 사용자의 유병 확률을 산출할 수 있다. 본 개시에서의 사용자의 유병 확률은 예컨대, 당뇨병 및 고혈압에 관련한 유병 확률일 수 있다. 또한, 컴퓨팅 장치(100)는 사용자의 상태 정보에 대응하여 산출된 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 건강 관리 정보를 사용자 단말로 전송할 수 있다. 건강 관리 정보는 사용자의 건강을 증진시키기 위한 정보로, 권장 식습관 정보 및 권장 운동 정보 중 적어도 하나를 포함할 수 있다.
사용자 단말은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc), VR(Virtual Reality) 기기 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 전술한 사용자 단말에 관련한 사용자에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
도 1에 도시된 바와 같이, 컴퓨팅 장치(100)는 프로세서(110), 메모리(130) 및 네트워크부(150)를 포함할 수 있다. 전술한 컴포넌트들은 예시적인 것으로서, 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 외부 서버 및 사용자 단말과 데이터를 송수신하는 네트워크부(150)를 포함할 수 있다. 즉, 네트워크부(150)는 본 개시의 일 실시예에 따른 유병 확률 예측 방법을 수행하기 위한 데이터 등을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 네트워크부(150)는 학습 건강 데이터, 상태 정보 등 본 개시의 실시예에 필요한 데이터들을 다른 컴퓨팅 장치, 서버 등과 송수신할 수 있다. 예를 들어, 네트워크부(150)는 병원서버, 정부 서버로부터 전자건강기록(EHR: electronic health record) 및 국민건강영양조사 기록을 수신할 수 있으며, 또한, 병원서버 등으로부터 전자의료기록(EMR: electronic medical record)을 수신할 수 있다. 또한, 네트워크부(150)는 사용자 단말로부터 사용자의 건강에 관련한 상태 정보 등을 수신할 수 있다. 전술한 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 네트워크부(150)는 외부 서버 및 사용자 단말에 정보를 전송할 수 있고, 그리고 수신할 수 있다. 보다 구체적으로, 네트워크부(150)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(150)는 근거리 통신 모듈을 포함하여, 사용자 단말 및 관리자 단말과 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 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)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 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자 단말 및 관리자 단말에게 적절한 정보 또는, 기능을 제공하거나 처리할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 사용자의 상태 정보에 대응하는 유병 확률을 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, 유병 확률 예측 모델을 이용하여 사용자의 유병 확률을 예측하기 위한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서(110)를 함께 사용하여 모델의 학습, 유병 확률 예측 모델을 이용하여 사용자의 유병 확률을 예측하기 위한 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 실시예와 따른 사용자의 상태 정보에 기초하여 유병 확률을 예측하는 방법에 관하여 설명하도록 한다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 외부 서버로부터 학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터는 수신할 수 있다. 외부 서버는 복수의 사용자들의 건강, 영양 또는 질병 등에 관한 정보를 제공하는 서버로서, 예컨대, 정부 서버, 또는 병원 서버를 의미할 수 있다. 프로세서(110)는 네트워크부(150)를 통해 병원 서버, 정부 서버로부터 전자건강기록, 전자의료기록 및 국민건강영양조사 기록 등을 획득할 수 있다.
학습 상태 정보는, 복수의 사용자 각각 건강 상태와 연관성을 가지는 정보로, 사용자 기본 정보, 신체 활동 정보, 연관 질병 정보 및 식습관 정보 중 적어도 하나를 포함할 수 있다. 사용자 기본 정보는, 예를 들어, 연령, 성별, 키, 몸무게, 성별, 연령, 체질량지수, 허리둘레, 수축기혈압, 이완기혈압, 식전혈당, 총콜레스테롤, 트리글리세라이드, HDL 콜레스테롤, LDL 콜레스테롤 등에 관한 정보일 수 있다. 전술한 사용자 기본 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 신체 활동 정보는, 사용자의 평균 운동량에 관한 정보로, 예를 들어, 사용자가 1주 20분이상 격렬한 운동을 수행하는 정보, 1주 30분이상 걷기 운동을 수행한다는 정보 등 1주 주 운동횟수 또는 지속시간에 관한 정보를 포함할 수 있다. 전술한 신체 활동 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 연관 질병 정보는, 사용자의 유병 확률 증가 요인에 관련한 질병에 대한 정보로, 예를 들어, 가족력, 심질환 뇌졸중 과거병력, 장애중증도, 장애유형, 심장병 과거병력, 고혈압 과거 병력, 당뇨병 과거 병력, 고지혈증 과거 병력, 폐결핵 과거 병력, 암포함 기타 과거 병력 등에 관한 정보를 포함할 수 있다. 식습관 정보는, 예를 들어, 과거 흡연기간, 과거 하루 평균 흡연량, 현재 흡연기간, 현재 하루 평균 흡연량, 주 음주 횟수, 1회 음주량, 1회 평균 식사 속도, 일일 평균 섭취량, 섭취 식단 정보 등에 관한 정보를 포함할 수 있다. 전술한 식습관 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
학습 질병 정보는, 복수의 사용자 각각에 관련한 질병 정보로, 질환의 발생 여부, 질환의 명칭 및 발생 시기를 포함할 수 있다. 예를 들어, 학습 질병 정보는, A 사용자가 2018년 당뇨병을 확진 받았다는 정보를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 학습 건강 데이터에 기초하여 인공 신경망에 대한 학습을 수행함으로써, 유병 확률 예측 모델을 생성할 수 있다. 구체적으로, 프로세서(110)는 학습 건강 데이터에 포함된 학습 상태 정보를 인공 신경망에 입력시킬 수 있다. 프로세서(110)는 학습 상태 정보를 인공 신경망의 입력으로 하여 출력된 출력과 학습 건강 데이터에 포함된 학습 질병 정보를 비교하여 오차를 도출할 수 있다. 보다 자세히 설명하면, 프로세서(110)는 학습 상태 정보와 학습 질병 정보를 매칭시켜 라벨링된 학습 데이터를 생성할 수 있다. 라벨링된 학습 데이터는 입력 데이터와 정답의 순서쌍으로 구성될 수 있다. 여기서 입력 데이터는 전술한 바와 같이 학습 상태 정보를 포함할 수 있으며, 정답은 학습 질병 정보를 포함할 수 있다. 신경망의 학습에서 학습 상태 정보는 신경망의 입력 레이어에 입력될 수 있고, 학습 질병 정보는 신경망의 출력과 비교될 수 있다. 프로세서(110)는 학습 상태 정보에 대한 신경망의 연산 결과와 학습 질병 정보(라벨)의 오차에 기초하여 신경망을 학습시킬 수 있다. 프로세서(110)는 인공 신경망의 출력과 학습 질병 정보의 오차를 인공 신경망에 역전파하여 인공 신경망의 가중치를 업데이트함으로써, 유병 확률 예측 모델을 생성할 수 있다. 즉, 프로세서(110)에 의해 생성된 유병 확률 예측 모델은 사용자의 상태 정보에 기초한 유병 확률을 출력하도록 학습된 신경망 모델일 수 있다.
본 개시의 일 실시예에 따라 훈련된 신경망을 이용하여 유병 확률을 예측하는 방법에 관하여 설명한다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자의 상태 정보를 획득하기 위한 정보 입력 사용자 인터페이스를 사용자 단말에 제공할 수 있다. 또한, 프로세서(110)는 정보 입력 사용자 인터페이스에 대한 사용자의 입력에 기반하여 사용자의 상태 정보를 획득할 수 있다.
보다 구체적인 예를 들어, 프로세서(110)는 사용자 단말로 정보 입력 사용자 인터페이스(200)를 제공할 수 있다. 프로세서(110)가 사용자 단말로 제공하는 정보 입력 사용자 인터페이스(200)는 도 2에 도시된 바와 같이, 사용자에게 요구되는 정보를 인지시키기 위한 정보 표시 영역(210) 및 정보 표시 영역(210)에 관련한 정보를 입력 받기 위한 정보 수신 영역(220)을 포함할 수 있다. 정보 표식 영역(210)은 도 2에 도시된 바와 같이, 나이, 성별, 몸무게, 키, 수축기 혈압, 이완기 혈압, 1주일간 걷기 운동, 1주인간 근육운동, 음주량, 뇌졸중 진단, 심근경색/협심증 진단, 당뇨진단, 심부전증 진단, 가족력 등을 표시할 수 있다. 또한, 정보 수신 영역(220)은 사용자로부터 정보 표시 영역(210)에 표시된 각 정보에 대한 입력을 수신하기 위한 하나 이상의 입력 영역을 포함할 수 있다. 예를 들어, 사용자는 정보 표시 영역(210)에 표시된 1주일간 걷기 운동에 대응하는 정보 수신 영역에 “주 2회 30분 이상”이라는 정보를 입력할 수 있다. 다른 예를 들어, 사용자는 정보 표시 영역(210)에 표시된 음주량에 대응하는 정보 수신 영역에 “주 3회 1병 이상”이라는 정보를 입력할 수 있다. 이에 따라, 프로세서(110) 정보 입력 사용자 인터페이스를 통해 사용자가 주 2회 30분 이상 걷기 운동을 수신하다는 상태 정보를 획득할 수 있다. 전술한 정보 입력 사용자 인터페이스에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(110)는 사용자 단말로 정보 입력 사용자 인터페이스를 제공함에 따라, 보다 용이하게 사용자의 상태 정보를 획득할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자의 상태 정보를 유병 확률 예측 모델의 입력으로 하여 사용자의 유병 확률을 산출할 수 있다. 유병 확률 예측 모델은 전술한 바와 같이, 사용자의 상태 정보에 기초한 유병 확률을 출력하도록 학습된 신경망 모델일 수 있다. 유병 확률은 당뇨병에 관련한 유별 확률 및 고혈압에 관련한 유병 확률 중 적어도 하나를 포함할 수 있다. 유병 확률 예측 모델은 사용자의 상태 정보를 입력으로 하여 해당 사용자의 상태 정보에 대응하는 유병 확률을 산출할 수 있다. 프로세서(110)는 유병 확률 예측 모델을 통해 산출된 유병 확률을 사용자 단말로 제공할 수 있다.
예를 들어, 프로세서(110)는 정보 입력 사용자 인터페이스(200)에 포함된 결과 산출 그래픽 객체(230)에 대한 사용자 입력을 수신하는 경우, 정보 수신 영역(220)에 기입된 내용을 기반으로 획득된 사용자의 상태 정보에 대응하는 유병 확률을 산출하여 유병 확률 표시 영역(240)에 표시할 수 있다. 즉, 유병 확률 표시 영역(240)에는 도 2에 도시된 바와 같이, “고혈압 유병 확률은 67.5% 입니다”와 같은 정보가 표시될 수 있다. 전술한 유병 확률에 대한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자의 상태 정보에 대응하여 산출된 유병 확률에 기초하여 건강 관리 정보를 생성할 수 있다. 건강 관리 정보는, 유병 확률 예측 모델을 통해 산출된 유병 확률에 기초하여 생성되는 것으로, 사용자의 건강을 증진시키기 위한 정보이며, 권장 식습관 정보 및 권장 운동 정보 중 적어도 하나를 포함할 수 있다.
예를 들어, A 사용자의 당뇨병 유병 확률이 50%인 경우, 프로세서(110)는 당뇨병에 관련한 A 사용자의 유병 확률을 낮추기 위한 식습관 정보를 포함하는 건강 관리 정보를 생성할 수 있다. 이 경우, 건강 관리 정보는 도 3a에 도시된 바와 같이, 식습관 관리 표(310)의 형태일 수 있으며, 식습관 관리 표(310)는 추천 음식에 관한 정보 표시 영역(311) 및 비추천 음식에 관한 정보 표시 영역(312)을 포함할 수 있다. 즉, A 사용자는 도 3a에 도시된 바와 같은 건강 관리 정보를 통해, 당뇨병을 예방에 도움이 되는 음식이 바나나, 포도, 양배추, 땅콩, 사과 등임을 인지할 수 있으며, 당뇨병을 유발할 수 있는 음식이 감자, 우동, 옥수수, 떡, 하면 등임을 인지할 수 있다. 다만, 도 3a에 표시된 식습관 관리 표(310)는 건강 관리 정보의 일 예시일 뿐, 본 개시에서 사용자에게 제공되는 건강 관리 정보는 이에 제한되지 않는다. 예를 들어, 건강 관리 정보는 A 사용자에 요구되는 일일 필요 열량에 대한 정보, 끼니 별 식사량에 대한 정보 및 끼니 별 추천 식단에 관한 정보 등을 텍스트 형태로 표시한 정보일 수도 있다.
다른 예를 들어, B 사용자의 고혈압 유병 확률이 75%인 경우, 프로세서(110)는 고혈압에 관련한 B 사용자의 유병 확률을 낮추기 위한 운동 정보를 포함하는 건강 관리 정보를 생성할 수 있다. 이 경우, 건강 관리 정보는 도 3b에 도시된 운동 관리 표(320)의 형태일 수 있으며, 운동 관리 표(320)는 추천 운동 종목 표시 영역(321), 운동 시간 표시 영역(322) 및 칼로리 소비량 표시 영역(323)을 포함할 수 있다. 즉, B 사용자는 도 3b에 도시된 바와 같은 건강 관리 정보를 통해, 고혈압 예방에 도움이 되는 운동 종목이 걷기, 조깅, 수영, 사이클링, 스트레칭 등임을 인지할 수 있으며, 각 종목의 효과를 극대화하기 위한 운동 시간, 그리고 칼로리 소비량을 인지할 수 있다. 다만, 도 3b에 표시된 운동 관리 표(320)는 건강 관리 정보의 일 예시일 뿐, 본 개시에서 사용자에게 제공되는 건강 관리 정보는 이에 제한되지 않는다. 예를 들어, 건강 관리 정보는 “고혈압 예방에는 수영이 도움이 됩니다. 운동 시, 급격한 혈압 상승을 예방하기 위해 체조나 스트레칭이 필요하며, 새벽 운동 보다는 오후 시간대의 운동이 보다 효과적입니다.”와 같은 텍스트 형태의 정보일 수도 있다.
또한 예를 들어, 프로세서(110)는 당뇨병에 관련한 유병 확률이 높을수록 보다 많은 운동량을 제안하는 권장 운동 정보를 포함하는 건강 관리 정보를 생성할 수 있으며, 당뇨병에 관련한 유병 확률이 낮을수록 최소한의 운동량을 제안하는 권장 운동 정보를 포함하는 건강 관리 정보를 생성할 수 있다.
다른 예를 들어, 프로세서(110)는 고혈압에 관련한 유병 확률이 높을수록 보다 많은 제한 식단에 관련한 권장 식습관 정보를 포함하는 건강 관리 정보를 생성할 수 있으며, 고혈압에 관련한 유병 확률이 낮을수록 보다 적은 제한 식단에 관련한 권장 식습관 정보를 포함하는 건강 관리 정보를 생성할 수 있다.
즉, 프로세서(110)는 단순히 질환 종류에 대응하는 건강 관리 정보를 제공하는 것 아닌, 각 질환에 따라 산출된 유병 확률의 수치에 기반하여 복수의 사용자 각각에게 보다 적정한 권장 식습관 또는 권장 운동 등에 관한 정보를 제공할 수 있다. 다시 말해, 복수의 사용자 별로 다양하게 산출되는 유병 확률 각각에 따라 상이한 정보를 포함하는 건강 관리 정보를 생성(예를 들어, 유병 확률이 높은 사용자는 유병 확률이 낮은 사용자 보다 많은 운동량을 포함하는 건강 관리 정보를 생성할 수 있음)할 수 있다. 전술한, 건강 관리 정보 생성에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자의 위치 정보 및 건강 관리 정보에 기초하여 추천 이벤트 정보를 생성하고, 생성된 추천 이벤트 정보를 사용자 단말로 전송할 것을 결정할 수 있다. 추천 이벤트 정보는, 건강 관리 정보에 포함된 권장 식습관 정보 및 권장 운동 정보에 기반하여 하나 이상의 영업점을 추천하기 위한 정보일 수 있다. 또한, 프로세서(110)는 추천 이벤트 정보를 사용자 단말로 전송할 것을 결정할 수 있다.
구체적으로, 프로세서(110)는 건강 관리 정보와 연관성을 가지는 하나 이상의 영업점 정보를 획득할 수 있다. 건강 관리 정보와 연관성을 가지는 하나 이상의 영업점은 예를 들어, 당뇨병 및 고혈압 예방에 도움이 되는 음식점 또는 운동 장소에 관련한 것일 수 있다. 즉, 프로세서(110)는 당뇨병 및 고혈압 예방에 도움이 되는 하나 이상의 영업점에 대한 정보를 수집하여 데이터베이스화 할 수 있다.
또한, 프로세서(110)는 사용자 단말의 위치 정보 및 건강 관리 정보에 기초하여 하나 이상의 영업점 정보 중 적어도 하나의 영업점 정보를 포함하는 추천 이벤트 정보를 생성할 수 있다.
예를 들어, A 사용자의 건강 관리 정보가 당뇨병의 유병 확률이 50%이므로 식습관 조절이 필요하다는 정보를 포함하며, A 사용자에 관련한 사용자 단말의 현재 위치가 논현동이라는 위치 정보를 포함하는 경우, 프로세서(110)는 당뇨병 예방에 관련한 하나 이상의 영업점 중 논현동에 위치한 제 1 영업점을 식별하고, 그리고 식별된 제 1 영업점에 대응하는 제 1 영업점 정보를 포함하는 제 1 추천 이벤트 정보(400)를 사용자 단말로 전송할 것을 결정할 수 있다. 이 경우, 사용자 단말에 표시되는 제 1 추천 이벤트 정보(400)는 도 4a에 도시된 바와 같을 수 있다. 구체적으로, 제 1 추천 이벤트 정보(400)는 관련 영업점에 대한 안내 정보를 나타내는 정보 표시 영역(410) 및 관련 영업점의 위치를 나타내는 위치 표시 영역(420)을 포함할 수 있다. 또한, 정보 표시 영역(410)은 메뉴 안내 그래픽 객체(411) 및 추천 음식 안내 그래픽 객체(412)를 포함할 수 있다. 메뉴 안내 그래픽 객체(411)에 대한 사용자의 입력이 수신되는 경우, 제 1 영업점에서 판매하는 음식의 종류에 대한 정보, 각 음식에 포함되는 재료에 대한 정보 및 각 음식의 칼로리에 대한 정보 등이 표시될 수 있으며, 추천 음식 안내 그래픽 객체(412)에 대한 사용자의 입력이 수신되는 경우, 제 1 영업점에서 판매하는 음식들 중 당뇨병 예방에 도움이 되는 적어도 하나의 음식에 대한 정보가 표시될 수 있다. 또한, 위치 표시 영역(420)은 A 사용자의 위치에 기반한 제 1 영업점의 위치를 표시할 있다. 도 4a를 참조하여 전술한 제 1 추천 이벤트 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
다른 예를 들어, B 사용자의 건강 관리 정보가 고혈압의 유병 확률이 70%이므로 운동이 필요하다는 정보를 포함하며, B 사용자에 관련한 사용자 단말의 현재 위치가 신림동이라는 위치 정보를 포함하는 경우, 프로세서(110)는 고혈압 예방에 관련한 하나 이상의 영업점 중 신림동에 위치한 제 2 영업점 정보를 식별하고, 그리고 제 2 영업점에 대응하는 제 2 영업점 정보를 포함하는 제 2 추천 이벤트 정보(500)를 사용자 단말로 전송할 것을 결정할 수 있다. 이 경우, 사용자 단말에 표시되는 제 2 추천 이벤트 정보(500)는 도 4b에 도시된 바와 같을 수 있다. 구체적으로, 제 2 추천 이벤트 정보(500)는 관련 영업점에 대한 안내 정보를 나타내는 정보 표시 영역(510) 및 관련 영업점의 위치를 나타내는 위치 표시 영역(520)을 포함할 수 있다. 또한, 정보 표시 영역(510)은 시설 안내 그래픽 객체(511) 및 운동 방법 안내 그래픽 객체(512)를 포함할 수 있다. 시설 안내 그래픽 객체(511)에 대한 사용자의 입력이 수신되는 경우, 제 2 영업점의 영업 시간에 대한 정보, 이용 요금에 대한 정보 및 예약 가능 여부에 관한 정보 등이 표시될 수 있으며, 운동 방법 안내 그래픽 객체(512)에 대한 사용자의 입력이 수신되는 경우, 제 2 영업점에서 수행될 수 있는 고혈압 예방에 도움이 되는 운동 동작, 운동 지속 시간, 칼로리 소모 시간 및 운동 요령 등에 관한 정보가 표시될 수 있다. 도 4b를 참조하여 전술한 제 1 추천 이벤트 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(110)는 사용자에 대하여 예측된 유병 확률에 기초하여 사용자의 건강을 증진시키기 위한(또는, 사용자의 유병 확률을 저감시키기 위한) 건강 관리 정보를 제공할 수 있다. 또한, 프로세서(110)는 사용자의 위치에 기반하여 인근에 위치한 영업점들의 위치를 포함하는 추천 이벤트 정보를 제공함으로써, 지속적인 건강 관리에 대한 동기 부여를 사용자에게 제공할 수 있다. 이에 따라, 사용자는 예측된 유병 확률에 대응하여 자신이 개선해야 하는 정보들을 별도의 검색 과정 없이 용이하게 제공받을 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 사용자의 유병 확률에 기초하여 사용자의 행동을 제한하거나, 또는 지속시키기 위한 기준이 되는 행위 기준 정보를 생성할 수 있다. 행위 기준 정보는, 사용자의 신체 특정 정보 또는 동작 식별 정보에 대응하는 하나 이상의 제한 행동 패턴 정보 및 하나 이상의 권장 행동 패턴 정보를 포함할 수 있다. 예를 들어, A 사용자의 고혈압 유병 확률이 80%인 경우, 프로세서(110)는 해당 유병 확률에 기초하여 역도 운동에 관련한 행동 패턴을 제한하는 제한 행동 패턴 정보를 포함하는 행위 기준 정보를 생성할 수 있다. 다른 예를 들어, B 사용자의 당뇨병 유병 확률이 78%인 경우, 프로세서(110)는 해당 유병 확률에 기초하여 식사 섭취에 관련한 동작이 30분을 넘지 않도록 제한하는 제한 행동 패턴 정보를 포함하는 행위 기준 정보를 생성할 수 있다. 전술한 각 사용자의 유병 확률에 대한 구체적인 수치적 기재 및 행위 기준 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(110)는 복수의 사용자 각각에 대응하여 산출된 각각에 유병 확률에 대응하는 행위 기준 정보를 생성할 수 있다. 다시 말해, 복수의 사용자 각각에게 대응하는 제한 또는 권장되는 기준이 되는 행위 기준 정보를 생성할 수 있다.
또한, 프로세서(110)는 사용자 단말로부터 사용자의 센싱 데이터를 획득할 수 있다. 추가적인 실시예에서 센싱 데이터를 획득하기 위하여 사용자의 신체 일부에 접촉하여 하나 이상의 센서를 통해 사용자의 센싱 데이터를 획득하는 웨어러블 디바이스가 구비될 수 있다. 센싱 데이터는, 신체 측정 정보 또는 동작 식별 정보 중 적어도 하나를 포함할 수 있다. 신체 측정 정보는, 예를 들어, 사용자의 심박수, 호흡수, 혈압 등에 관한 정보를 포함할 수 있으며, 사용자의 신체에 접촉되는 압전 센서를 통해 획득될 수 있다. 동작 식별 정보는, 압전 센서, 가속도 센서, 지자기 센서 및 자이로 센서를 통해 획득되는 것으로, 사용자의 움직임에 관한 정보를 포함할 수 있다. 예를 들어, 동작 식별 정보는, 사용자의 측두골에 접촉된 압전 센서를 통한 사용자의 저작근 두께의 변화를 감지하여 사용자의 움직임이 식사에 관련한 움직임이라는 정보를 포함할 수 있다. 다른 예를 들어, 동작 식별 정보는 사용자가 소지한 단말에 구비된 자이로 센서를 통해 사용자의 움직임이 뛰기 운동에 관련한 움직임이라는 정보를 포함할 수 있다. 전술한 신체 측정 정보 및 동작 식별 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
프로세서(110)는 센싱 데이터와 행위 기준 정보의 비교에 기초하여 알림 정보를 생성할 수 있다. 알림 정보는 사용자의 행동을 제한하기 위한 제 1 알림 정보 및 사용자의 행동을 증진시키기 위한 제 2 알림 정보 중 적어도 하나를 포함할 수 있다.
자세히 설명하면, 프로세서(110)는 센싱 데이터가 행위 기준 정보에 포함된 하나 이상의 제한 패턴 정보 중 적어도 하나에 대응하는 경우, 제 1 알림 정보를 생성할 수 있다.
예를 들어, A 사용자가 고혈압 유병 확률이 80%임에 따라, 프로세서(110)는 사용자의 수축기 혈압을 150mmHg으로 제한하는 제한 행동 패턴 정보를 포함하는 행위 기준 정보를 생성할 수 있다. 또한, 프로세서(110)는 사용자의 센싱 데이터를 획득할 수 있으며, 획득된 센싱 데이터와 행위 기준 정보를 비교할 수 있다. 이 경우, 사용자의 센싱 데이터가 혈압이 행위 기준 정보인 150mmHg을 초과한다는 정보를 포함하는 경우, 프로세서(110)는 A 사용자의 행동을 제한하기 위한 제 1 알림 정보를 생성하여 사용자 단말에 제공할 수 있다. 예를 들어, 제 1 알림 정보는 “현재 동작은 고혈압에 적정하지 못한 동작입니다. 동작을 멈추고 안정을 취하세요”와 같은 텍스트 정보를 포함할 수 있다. 전술한 A 사용자의 유병 확률, 센싱 데이터, 행위 기준 정보 및 제 1 알림 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
또한, 프로세서(110)는 센싱 데이터가 행위 기준 정보에 포함된 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 제 2 알림 정보를 생성할 수 있다.
예를 들어, B 사용자가 당뇨병 유병 확률이 90%임에 따라, 프로세서(110)는 사용자의 걷기 운동을 최소 20분 이상 지속하도록 하는 권장 행동 패턴 정보를 포함하는 행위 기준 정보를 생성할 수 있다. 또한, 프로세서(110)는 사용자 단말로부터 사용자가 걷는 동작을 수행한다는 정보를 포함하는 사용자의 센싱 데이터를 획득할 수 있으며, 사용자의 걷는 동작이 15분 동안 지속된 후 정지가 됨을 식별할 수 있다. 이 경우, 프로세서(110)는 사용자의 센싱 데이터를 통해 식별한 동작 지속 시간이 행위 기준 정보에 포함된 20분에 도달하지 못하는 것을 식별하여 B 사용자에게 추가적인 동작을 권장하기 위한 제 2 알림 정보를 생성하여 사용자 단말에 제공할 수 있다. 예를 들어, 제 2 알림 정보는 “5분 동안의 추가적인 동작이 당뇨병 예방에 도움이 됩니다”와 같은 텍스트 정보를 포함할 수 있다. 전술한 B 사용자의 유병 확률, 센싱 데이터, 행위 기준 정보 및 제 1 알림 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(110)는 사용자 단말을 사용자의 센싱 데이터를 획득할 수 있으며, 해당 센싱 데이터를 행위 기준 정보와 비교하여 사용자의 동작을 제한하거나, 또는 지속시키기 위한 알림 정보를 제공할 수 있다. 이 경우, 행위 기준 정보는 사용자 개개인에 대응하여 생성된 정보이므로, 각 사용자에게 보다 적정한 알림 정보가 제공될 수 있다. 다시 말해, 프로세서(110)는 사용자 개개인에게 보다 효율적인 동작에 관한 정보를 제공할 수 있다. 이에 따라, 사용자는 알림 정보를 통해 자신이 수행하는 동작이 부적절한 동작임을 인지하거나, 또는 동작의 효율이 극대화되기 위해 필요한 정보들을 제공받을 수 있다.
도 5는 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 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 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 가변 될 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 노드들과의 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 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 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: recurrent neural 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.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 이 경우, 도 2의 예시에서는 차원 감소 레이어와 차원 복원 레이어가 대칭되는 것으로 도시되어 있으나, 본 개시는 이에 제한되지 않으며, 차원 감소 레이어와 차원 복원 레이어의 노드는 대칭일 수도 있고 아닐 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
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 라벨을 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(learning 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(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 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 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 6은 본 개시의 일 실시예와 관련된 유병 확률 예측 방법에 대한 예시적인 순서도를 도시한다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신할 수 있다(610).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써, 유병 확률 예측 모델을 생성할 수 있다(620).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 상태 정보를 유병 확률 예측 모델의 입력으로 하여 사용자의 유병 확률을 산출할 수 있다(630).
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 건강 관리 정보를 사용자 단말로 제공할 수 있다(640).
전술한 도 6에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
도 7은 본 개시의 일 실시예와 관련된 유병 확률 예측 방법을 구현하기 위한 로직을 도시한다.
본 개시의 일 실시예에 따르면, 컴퓨팅 장치(100)는 학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신하기 위한 로직(710), 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써, 유병 확률 예측 모델을 생성하기 위한 로직(720), 사용자의 상태 정보를 유병 확률 예측 모델의 입력으로 하여 사용자의 유병 확률을 산출하기 위한 로직(730) 및 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 건강 관리 정보를 사용자 단말로 제공하기 위한 로직(740)을 포함할 수 있다.
대안적으로, 상기 학습 상태 정보 및 상기 상태 정보는, 복수의 사용자 각각에 건강 상태에 관련한 정보로, 사용자 기본 정보, 신체 활동 정보, 연관 질병 정보 및 식습관 정보 중 적어도 하나의 정보를 포함할 수 있다.
대안적으로, 상기 학습 건강 데이터에 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하기 위한 로직은, 상기 학습 상태 정보를 상기 인공 신경망에 입력시키기 위한 로직, 상기 학습 상태 정보를 입력으로 하여 상기 인공 신경망으로부터 출력된 출력과 상기 학습 질병 정보를 비교하여 오차를 도출하기 위한 로직 및 상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하기 위한 로직을 포함할 수 있다.
대안적으로, 상기 학습 질병 정보는, 당뇨병 및 고혈압 진단 여부에 관한 정보를 포함하고, 그리고 상기 유병 확률은, 상기 당뇨병에 관련한 유병 확률 및 상기 고혈압에 관련한 유병 확률 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 건강 관리 정보는, 상기 유병 확률 예측 모델을 통해 산출된 유병 확률에 기초하여 생성되는 것으로, 상기 사용자의 건강을 증진시키기 위한 정보이며, 권장 식습관 정보 및 권장 운동 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 건강 관리 정보와 연관성을 가지는 하나 이상의 영업점 정보를 획득하기 위한 로직, 상기 사용자 단말의 위치 정보 및 상기 건강 관리 정보에 기초하여 상기 하나 이상의 영업점 정보 중 적어도 하나의 영업점 정보를 포함하는 추천 이벤트 정보를 생성하기 위한 로직 및 상기 생성된 추천 이벤트 정보를 상기 사용자 단말로 전송할 것을 결정하기 위한 로직을 더 포함할 수 있다.
대안적으로, 상기 사용자의 유병 확률에 기초하여 상기 사용자의 행동을 제한하거나, 또는 증진시키기 위한 기준이 되는 행위 기준 정보를 생성하기 위한 로직을 더 포함하고, 그리고 상기 행위 기준 정보는, 하나 이상의 제한 행동 패턴 정보 및 하나 이상의 권장 행동 패턴 정보를 포함할 수 있다.
대안적으로, 상기 사용자 단말로부터 사용자의 센싱 데이터를 획득하기 위한 로직, 상기 센싱 데이터와 상기 행위 기준 정보의 비교에 기초하여 알림 정보를 생성하기 위한 로직 및 상기 알림 정보를 상기 사용자 단말에 전송할 것을 결정하기 위한 로직을 포함할 수 있다.
대안적으로, 상기 알림 정보는, 상기 사용자의 행동을 제한하기 위한 제 1 알림 정보 및 상기 사용자의 행동을 지속시키기 위한 제 2 알림 정보 중 적어도 하나를 포함하며, 상기 센싱 데이터와 상기 행위 기준 정보의 비교에 기초하여 알림 정보를 생성하기 위한 로직은, 상기 센싱 데이터가 상기 행위 기준 정보에 포함된 하나 이상의 제한 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 상기 제 1 알림 정보를 생성하기 위한 로직 및 상기 센싱 데이터가 상기 행위 기준 정보에 포함된 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 상기 제 2 알림 정보를 생성하기 위한 로직을 포함할 수 있다.
본 개시의 다른 실시예에 따르면, 컴퓨팅 장치를 구현하기 위한 로직은, 컴퓨팅 장치를 구현하기 위한 모듈, 회로, 또는 수단에 의하여 구현될 수도 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 8은 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 조합으로 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 이러한 컴퓨터 판독가능 저장 매체는 휘발성 및 비휘발성 매체, 이동식 및 비-이동식 매체를 포함한다. 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, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 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 구현하는 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 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 서버에 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 신뢰성있으며 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 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. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
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. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 유병 확률 예측을 위한 동작들을 수행하도록 하며, 상기 동작들은:
    학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신하는 동작;
    상기 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하는 동작;
    사용자의 상태 정보를 상기 유병 확률 예측 모델의 입력으로 하여 상기 사용자의 유병 확률을 산출하는 동작;
    상기 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 상기 건강 관리 정보를 상기 사용자의 사용자 단말에 제공하는 동작; 및
    상기 사용자의 유병 확률에 기초하여 행위 기준 정보-상기 행위 기준 정보는 상기 사용자의 움직임을 제한하기 위한 제한 시간을 포함하는 하나 이상의 제한 행동 패턴 정보 및 상기 사용자의 움직임을 지속시키기 위한 하나 이상의 권장 행동 패턴 정보를 하나 이상 포함함-를 생성하는 동작;
    상기 사용자 단말의 하나 이상의 센서들을 통해 상기 사용자의 센싱 데이터를 획득하는 동작;
    상기 센싱 데이터가 상기 하나 이상의 제한 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 대응되는 제한 행동 패턴 정보에 기초하여 제 1 알림 정보를 생성하는 동작;
    상기 센싱 데이터가 상기 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 상기 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 상기 센싱 데이터에 기초하여 추가적인 동작의 필요여부 및 상기 추가적인 동작을 수행해야하는 남은 시간에 대한 정보를 포함하는 제 2 알림 정보를 생성하는 동작; 및
    상기 제 1 알림 정보 또는 상기 제 2 알림 정보 중 적어도 하나를 상기 사용자 단말에 전송할 것을 결정하는 동작;
    을 포함하고, 그리고
    상기 센싱 데이터는,
    상기 하나 이상의 센서들 중 압전 센서, 가속도 센서, 지자기 센서 또는 자이로 센서 중 적어도 하나를 통해 획득되는 상기 사용자의 움직임과 관련된 동작 식별 정보를 포함하고,
    상기 건강 관리 정보는,
    상기 유병 확률 예측 모델을 통해 산출된 유병 확률에 기초하여 생성되고, 운동 효과를 극대화할 수 있는 운동 시간대 정보 및 권장 운동 정보를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  2. 제 1 항에 있어서,
    상기 학습 상태 정보 및 상기 상태 정보는,
    복수의 사용자 각각에 건강 상태에 관련한 정보로, 사용자 기본 정보, 신체 활동 정보, 연관 질병 정보 및 식습관 정보 중 적어도 하나의 정보를 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  3. 제 1 항에 있어서,
    상기 학습 건강 데이터에 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하는 동작은,
    상기 학습 상태 정보를 상기 인공 신경망에 입력시키는 동작;
    상기 학습 상태 정보를 입력으로 하여 상기 인공 신경망으로부터 출력된 출력과 상기 학습 질병 정보를 비교하여 오차를 도출하는 동작; 및
    상기 비교 결과 도출된 오차를 상기 인공 신경망에 역전파하여 상기 인공 신경망의 가중치를 업데이트하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  4. 제 1 항에 있어서,
    상기 학습 질병 정보는,
    당뇨병 및 고혈압 진단 여부에 관한 정보를 포함하고, 그리고
    상기 유병 확률은,
    상기 당뇨병에 관련한 유병 확률 및 상기 고혈압에 관련한 유병 확률 중 적어도 하나를 포함하는,
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  5. 제 1 항에 있어서,
    상기 건강 관리 정보는,
    상기 사용자의 건강을 증진시키기 위한 정보이며, 권장 식습관 정보를 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  6. 제 1 항에 있어서,
    상기 건강 관리 정보와 연관성을 가지는 하나 이상의 영업점 정보를 획득하는 동작;
    상기 사용자 단말의 위치 정보 및 상기 건강 관리 정보에 기초하여 상기 하나 이상의 영업점 정보 중 적어도 하나의 영업점 정보를 포함하는 추천 이벤트 정보를 생성하는 동작; 및
    상기 생성된 추천 이벤트 정보를 상기 사용자 단말로 전송할 것을 결정하는 동작;
    을 더 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
  7. 삭제
  8. 삭제
  9. 삭제
  10. 컴퓨팅 장치의 프로세서에서 수행되는 유병 확률을 예측하기 위한 방법으로,
    상기 컴퓨팅 장치의 프로세서가 학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신하는 단계;
    상기 프로세서가 상기 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하는 단계;
    상기 프로세서가 사용자의 상태 정보를 상기 유병 확률 예측 모델의 입력으로 하여 상기 사용자의 유병 확률을 산출하는 단계;
    상기 프로세서가 상기 유병 확률에 기초하여 건강 관리 정보를 생성하고, 그리고 생성된 상기 건강 관리 정보를 상기 사용자의 사용자 단말에 제공하는 단계; 및
    상기 사용자의 유병 확률에 기초하여 행위 기준 정보-상기 행위 기준 정보는 상기 사용자의 움직임을 제한하기 위한 제한 시간을 포함하는 하나 이상의 제한 행동 패턴 정보 및 상기 사용자의 움직임을 지속시키기 위한 하나 이상의 권장 행동 패턴 정보를 포함함-를 생성하는 단계;
    상기 사용자 단말의 하나 이상의 센서들을 통해 상기 사용자의 센싱 데이터를 획득하는 단계;
    상기 센싱 데이터가 상기 하나 이상의 제한 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 대응되는 제한 행동 패턴 정보에 기초하여 제 1 알림 정보를 생성하는 단계;
    상기 센싱 데이터가 상기 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 상기 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 상기 센싱 데이터에 기초하여 추가적인 동작의 필요여부 및 상기 추가적인 동작을 수행해야하는 남은 시간에 대한 정보를 포함하는 제 2 알림 정보를 생성하는 단계; 및
    상기 제 1 알림 정보 또는 상기 제 2 알림 정보 중 적어도 하나를 상기 사용자 단말에 전송할 것을 결정하는 단계;
    를 포함하고, 그리고
    상기 센싱 데이터는,
    상기 하나 이상의 센서들 중 압전 센서, 가속도 센서, 지자기 센서 또는 자이로 센서 중 적어도 하나를 통해 획득되는 상기 사용자의 움직임과 관련된 동작 식별 정보를 포함하고,
    상기 건강 관리 정보는,
    상기 유병 확률 예측 모델을 통해 산출된 유병 확률에 기초하여 생성되고, 운동 효과를 극대화할 수 있는 운동 시간대 정보 및 권장 운동 정보를 포함하는,
    컴퓨팅 장치의 프로세서에서 수행되는 유병 확률 예측하기 위한 방법.
  11. 유병 확률을 예측하기 위한 컴퓨팅 장치로써,
    하나 이상의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행가능한 프로그램 코드들을 포함하는 메모리; 및
    사용자 단말 및 외부 서버와 데이터를 송수신하는 네트워크부;
    를 포함하고, 그리고
    상기 프로세서는,
    학습 상태 정보 및 학습 질병 정보를 포함하는 학습 건강 데이터를 수신하고,
    상기 학습 건강 데이터를 통해 인공 신경망에 대한 학습을 수행함으로써 유병 확률 예측 모델을 생성하고,
    사용자의 상태 정보를 상기 유병 확률 예측 모델의 입력으로 하여 상기 사용자의 유병 확률을 산출하고,
    상기 유병 확률에 기초하여 건강 관리 정보를 생성하고, 생성된 상기 건강 관리 정보를 상기 사용자의 사용자 단말에 제공하고,
    상기 사용자의 유병 확률에 기초하여 행위 기준 정보-상기 행위 기준 정보는 상기 사용자의 움직임을 제한하기 위한 제한 시간을 포함하는 하나 이상의 제한 행동 패턴 정보 및 상기 사용자의 움직임을 지속시키기 위한 하나 이상의 권장 행동 패턴 정보를 포함함-를 생성하고,
    상기 사용자 단말의 하나 이상의 센서들을 통해 상기 사용자의 센싱 데이터를 획득하고,
    상기 센싱 데이터가 상기 하나 이상의 제한 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 대응되는 제한 행동 패턴 정보에 기초하여 제 1 알림 정보를 생성하고,
    상기 센싱 데이터가 상기 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 경우, 상기 하나 이상의 권장 행동 패턴 정보 중 적어도 하나에 대응하는 상기 센싱 데이터에 기초하여 추가적인 동작의 필요여부 및 상기 추가적인 동작을 수행해야하는 남은 시간에 대한 정보를 포함하는 제 2 알림 정보를 생성하고,
    상기 제 1 알림 정보 또는 상기 제 2 알림 정보 중 적어도 하나를 상기 사용자 단말에 전송할 것을 결정하고, 그리고
    상기 센싱 데이터는,
    상기 하나 이상의 센서들 중 압전 센서, 가속도 센서, 지자기 센서 또는 자이로 센서 중 적어도 하나를 통해 획득되는 상기 사용자의 움직임과 관련된 동작 식별 정보를 포함하고,
    상기 건강 관리 정보는,
    상기 유병 확률 예측 모델을 통해 산출된 유병 확률에 기초하여 생성되고, 운동 효과를 극대화할 수 있는 운동 시간대 정보 및 권장 운동 정보를 포함하는,
    유병 확률을 예측하기 위한 컴퓨팅 장치.
KR1020200049623A 2020-04-23 2020-04-23 유병 확률 예측을 위한 컴퓨터 프로그램 KR102264498B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200049623A KR102264498B1 (ko) 2020-04-23 2020-04-23 유병 확률 예측을 위한 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200049623A KR102264498B1 (ko) 2020-04-23 2020-04-23 유병 확률 예측을 위한 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR102264498B1 true KR102264498B1 (ko) 2021-06-14

Family

ID=76417331

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200049623A KR102264498B1 (ko) 2020-04-23 2020-04-23 유병 확률 예측을 위한 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR102264498B1 (ko)

Cited By (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11139060B2 (en) 2019-10-03 2021-10-05 Rom Technologies, Inc. Method and system for creating an immersive enhanced reality-driven exercise experience for a user
US11264123B2 (en) 2019-10-03 2022-03-01 Rom Technologies, Inc. Method and system to analytically optimize telehealth practice-based billing processes and revenue while enabling regulatory compliance
US11270795B2 (en) 2019-10-03 2022-03-08 Rom Technologies, Inc. Method and system for enabling physician-smart virtual conference rooms for use in a telehealth context
US11282608B2 (en) 2019-10-03 2022-03-22 Rom Technologies, Inc. Method and system for using artificial intelligence and machine learning to provide recommendations to a healthcare provider in or near real-time during a telemedicine session
US11282599B2 (en) 2019-10-03 2022-03-22 Rom Technologies, Inc. System and method for use of telemedicine-enabled rehabilitative hardware and for encouragement of rehabilitative compliance through patient-based virtual shared sessions
US11282604B2 (en) 2019-10-03 2022-03-22 Rom Technologies, Inc. Method and system for use of telemedicine-enabled rehabilitative equipment for prediction of secondary disease
US11284797B2 (en) 2019-10-03 2022-03-29 Rom Technologies, Inc. Remote examination through augmented reality
US11295848B2 (en) 2019-10-03 2022-04-05 Rom Technologies, Inc. Method and system for using artificial intelligence and machine learning to create optimal treatment plans based on monetary value amount generated and/or patient outcome
US11309085B2 (en) 2019-10-03 2022-04-19 Rom Technologies, Inc. System and method to enable remote adjustment of a device during a telemedicine session
US11317975B2 (en) 2019-10-03 2022-05-03 Rom Technologies, Inc. Method and system for treating patients via telemedicine using sensor data from rehabilitation or exercise equipment
US11325005B2 (en) 2019-10-03 2022-05-10 Rom Technologies, Inc. Systems and methods for using machine learning to control an electromechanical device used for prehabilitation, rehabilitation, and/or exercise
US11328807B2 (en) 2019-10-03 2022-05-10 Rom Technologies, Inc. System and method for using artificial intelligence in telemedicine-enabled hardware to optimize rehabilitative routines capable of enabling remote rehabilitative compliance
US11348683B2 (en) 2019-10-03 2022-05-31 Rom Technologies, Inc. System and method for processing medical claims
US11404150B2 (en) 2019-10-03 2022-08-02 Rom Technologies, Inc. System and method for processing medical claims using biometric signatures
US11410768B2 (en) 2019-10-03 2022-08-09 Rom Technologies, Inc. Method and system for implementing dynamic treatment environments based on patient information
US11433276B2 (en) 2019-05-10 2022-09-06 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to independently adjust resistance of pedals based on leg strength
US11445985B2 (en) 2019-10-03 2022-09-20 Rom Technologies, Inc. Augmented reality placement of goniometer or other sensors
US11471729B2 (en) 2019-03-11 2022-10-18 Rom Technologies, Inc. System, method and apparatus for a rehabilitation machine with a simulated flywheel
US11508482B2 (en) 2019-10-03 2022-11-22 Rom Technologies, Inc. Systems and methods for remotely-enabled identification of a user infection
US11596829B2 (en) 2019-03-11 2023-03-07 Rom Technologies, Inc. Control system for a rehabilitation and exercise electromechanical device
US11701548B2 (en) 2019-10-07 2023-07-18 Rom Technologies, Inc. Computer-implemented questionnaire for orthopedic treatment
US11756666B2 (en) 2019-10-03 2023-09-12 Rom Technologies, Inc. Systems and methods to enable communication detection between devices and performance of a preventative action
US11801423B2 (en) 2019-05-10 2023-10-31 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to interact with a user of an exercise device during an exercise session
US11826613B2 (en) 2019-10-21 2023-11-28 Rom Technologies, Inc. Persuasive motivation for orthopedic treatment
US11830601B2 (en) 2019-10-03 2023-11-28 Rom Technologies, Inc. System and method for facilitating cardiac rehabilitation among eligible users
US11887717B2 (en) 2019-10-03 2024-01-30 Rom Technologies, Inc. System and method for using AI, machine learning and telemedicine to perform pulmonary rehabilitation via an electromechanical machine
US11904207B2 (en) 2019-05-10 2024-02-20 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to present a user interface representing a user's progress in various domains
US11915815B2 (en) 2019-10-03 2024-02-27 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning and generic risk factors to improve cardiovascular health such that the need for additional cardiac interventions is mitigated
US11915816B2 (en) 2019-10-03 2024-02-27 Rom Technologies, Inc. Systems and methods of using artificial intelligence and machine learning in a telemedical environment to predict user disease states
US11923057B2 (en) 2019-10-03 2024-03-05 Rom Technologies, Inc. Method and system using artificial intelligence to monitor user characteristics during a telemedicine session
US11923065B2 (en) 2019-10-03 2024-03-05 Rom Technologies, Inc. Systems and methods for using artificial intelligence and machine learning to detect abnormal heart rhythms of a user performing a treatment plan with an electromechanical machine
US11942205B2 (en) 2019-10-03 2024-03-26 Rom Technologies, Inc. Method and system for using virtual avatars associated with medical professionals during exercise sessions
US11955220B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML and telemedicine for invasive surgical treatment to determine a cardiac treatment plan that uses an electromechanical machine
US11955223B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning to provide an enhanced user interface presenting data pertaining to cardiac health, bariatric health, pulmonary health, and/or cardio-oncologic health for the purpose of performing preventative actions
US11955222B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for determining, based on advanced metrics of actual performance of an electromechanical machine, medical procedure eligibility in order to ascertain survivability rates and measures of quality-of-life criteria
US11955218B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for use of telemedicine-enabled rehabilitative hardware and for encouraging rehabilitative compliance through patient-based virtual shared sessions with patient-enabled mutual encouragement across simulated social networks
US11955221B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML to generate treatment plans to stimulate preferred angiogenesis
US11950861B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. Telemedicine for orthopedic treatment
US11957960B2 (en) 2019-05-10 2024-04-16 Rehab2Fit Technologies Inc. Method and system for using artificial intelligence to adjust pedal resistance
US11961603B2 (en) 2019-10-03 2024-04-16 Rom Technologies, Inc. System and method for using AI ML and telemedicine to perform bariatric rehabilitation via an electromechanical machine
US12020800B2 (en) 2019-10-03 2024-06-25 Rom Technologies, Inc. System and method for using AI/ML and telemedicine to integrate rehabilitation for a plurality of comorbid conditions
US12020799B2 (en) 2019-10-03 2024-06-25 Rom Technologies, Inc. Rowing machines, systems including rowing machines, and methods for using rowing machines to perform treatment plans for rehabilitation
US12057237B2 (en) 2020-04-23 2024-08-06 Rom Technologies, Inc. Method and system for describing and recommending optimal treatment plans in adaptive telemedical or other contexts
US12062425B2 (en) 2019-10-03 2024-08-13 Rom Technologies, Inc. System and method for implementing a cardiac rehabilitation protocol by using artificial intelligence and standardized measurements
US12087426B2 (en) 2019-10-03 2024-09-10 Rom Technologies, Inc. Systems and methods for using AI ML to predict, based on data analytics or big data, an optimal number or range of rehabilitation sessions for a user
US12100499B2 (en) 2022-11-29 2024-09-24 Rom Technologies, Inc. Method and system for using artificial intelligence and machine learning to create optimal treatment plans based on monetary value amount generated and/or patient outcome

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110107132A (ko) * 2010-03-24 2011-09-30 주식회사 유비케어 맞춤형 운동 안내 방법 및 시스템
KR20180079208A (ko) * 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법
KR20180120469A (ko) * 2017-04-27 2018-11-06 권오일 질병 분석 및 예측 시스템
KR20190091788A (ko) * 2018-01-29 2019-08-07 연세대학교 산학협력단 데이터 기반의 예방 의료정보 제공 및 평가를 위한 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110107132A (ko) * 2010-03-24 2011-09-30 주식회사 유비케어 맞춤형 운동 안내 방법 및 시스템
KR20180079208A (ko) * 2016-12-30 2018-07-10 서울대학교산학협력단 대사이상 질환의 질병 위험도를 예측하는 장치 및 방법
KR20180120469A (ko) * 2017-04-27 2018-11-06 권오일 질병 분석 및 예측 시스템
KR20190091788A (ko) * 2018-01-29 2019-08-07 연세대학교 산학협력단 데이터 기반의 예방 의료정보 제공 및 평가를 위한 장치 및 방법

Cited By (56)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12083381B2 (en) 2019-03-11 2024-09-10 Rom Technologies, Inc. Bendable sensor device for monitoring joint extension and flexion
US12083380B2 (en) 2019-03-11 2024-09-10 Rom Technologies, Inc. Bendable sensor device for monitoring joint extension and flexion
US12059591B2 (en) 2019-03-11 2024-08-13 Rom Technologies, Inc. Bendable sensor device for monitoring joint extension and flexion
US12029940B2 (en) 2019-03-11 2024-07-09 Rom Technologies, Inc. Single sensor wearable device for monitoring joint extension and flexion
US11904202B2 (en) 2019-03-11 2024-02-20 Rom Technolgies, Inc. Monitoring joint extension and flexion using a sensor device securable to an upper and lower limb
US11596829B2 (en) 2019-03-11 2023-03-07 Rom Technologies, Inc. Control system for a rehabilitation and exercise electromechanical device
US11541274B2 (en) 2019-03-11 2023-01-03 Rom Technologies, Inc. System, method and apparatus for electrically actuated pedal for an exercise or rehabilitation machine
US11471729B2 (en) 2019-03-11 2022-10-18 Rom Technologies, Inc. System, method and apparatus for a rehabilitation machine with a simulated flywheel
US11433276B2 (en) 2019-05-10 2022-09-06 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to independently adjust resistance of pedals based on leg strength
US11957960B2 (en) 2019-05-10 2024-04-16 Rehab2Fit Technologies Inc. Method and system for using artificial intelligence to adjust pedal resistance
US11904207B2 (en) 2019-05-10 2024-02-20 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to present a user interface representing a user's progress in various domains
US11801423B2 (en) 2019-05-10 2023-10-31 Rehab2Fit Technologies, Inc. Method and system for using artificial intelligence to interact with a user of an exercise device during an exercise session
US11830601B2 (en) 2019-10-03 2023-11-28 Rom Technologies, Inc. System and method for facilitating cardiac rehabilitation among eligible users
US11961603B2 (en) 2019-10-03 2024-04-16 Rom Technologies, Inc. System and method for using AI ML and telemedicine to perform bariatric rehabilitation via an electromechanical machine
US11410768B2 (en) 2019-10-03 2022-08-09 Rom Technologies, Inc. Method and system for implementing dynamic treatment environments based on patient information
US11348683B2 (en) 2019-10-03 2022-05-31 Rom Technologies, Inc. System and method for processing medical claims
US11445985B2 (en) 2019-10-03 2022-09-20 Rom Technologies, Inc. Augmented reality placement of goniometer or other sensors
US11328807B2 (en) 2019-10-03 2022-05-10 Rom Technologies, Inc. System and method for using artificial intelligence in telemedicine-enabled hardware to optimize rehabilitative routines capable of enabling remote rehabilitative compliance
US11508482B2 (en) 2019-10-03 2022-11-22 Rom Technologies, Inc. Systems and methods for remotely-enabled identification of a user infection
US11515028B2 (en) 2019-10-03 2022-11-29 Rom Technologies, Inc. Method and system for using artificial intelligence and machine learning to create optimal treatment plans based on monetary value amount generated and/or patient outcome
US11515021B2 (en) 2019-10-03 2022-11-29 Rom Technologies, Inc. Method and system to analytically optimize telehealth practice-based billing processes and revenue while enabling regulatory compliance
US11325005B2 (en) 2019-10-03 2022-05-10 Rom Technologies, Inc. Systems and methods for using machine learning to control an electromechanical device used for prehabilitation, rehabilitation, and/or exercise
US11317975B2 (en) 2019-10-03 2022-05-03 Rom Technologies, Inc. Method and system for treating patients via telemedicine using sensor data from rehabilitation or exercise equipment
US12087426B2 (en) 2019-10-03 2024-09-10 Rom Technologies, Inc. Systems and methods for using AI ML to predict, based on data analytics or big data, an optimal number or range of rehabilitation sessions for a user
US11756666B2 (en) 2019-10-03 2023-09-12 Rom Technologies, Inc. Systems and methods to enable communication detection between devices and performance of a preventative action
US11309085B2 (en) 2019-10-03 2022-04-19 Rom Technologies, Inc. System and method to enable remote adjustment of a device during a telemedicine session
US11264123B2 (en) 2019-10-03 2022-03-01 Rom Technologies, Inc. Method and system to analytically optimize telehealth practice-based billing processes and revenue while enabling regulatory compliance
US11139060B2 (en) 2019-10-03 2021-10-05 Rom Technologies, Inc. Method and system for creating an immersive enhanced reality-driven exercise experience for a user
US11887717B2 (en) 2019-10-03 2024-01-30 Rom Technologies, Inc. System and method for using AI, machine learning and telemedicine to perform pulmonary rehabilitation via an electromechanical machine
US11295848B2 (en) 2019-10-03 2022-04-05 Rom Technologies, Inc. Method and system for using artificial intelligence and machine learning to create optimal treatment plans based on monetary value amount generated and/or patient outcome
US11284797B2 (en) 2019-10-03 2022-03-29 Rom Technologies, Inc. Remote examination through augmented reality
US11915815B2 (en) 2019-10-03 2024-02-27 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning and generic risk factors to improve cardiovascular health such that the need for additional cardiac interventions is mitigated
US11915816B2 (en) 2019-10-03 2024-02-27 Rom Technologies, Inc. Systems and methods of using artificial intelligence and machine learning in a telemedical environment to predict user disease states
US11923057B2 (en) 2019-10-03 2024-03-05 Rom Technologies, Inc. Method and system using artificial intelligence to monitor user characteristics during a telemedicine session
US11923065B2 (en) 2019-10-03 2024-03-05 Rom Technologies, Inc. Systems and methods for using artificial intelligence and machine learning to detect abnormal heart rhythms of a user performing a treatment plan with an electromechanical machine
US11942205B2 (en) 2019-10-03 2024-03-26 Rom Technologies, Inc. Method and system for using virtual avatars associated with medical professionals during exercise sessions
US11955220B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML and telemedicine for invasive surgical treatment to determine a cardiac treatment plan that uses an electromechanical machine
US11955223B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using artificial intelligence and machine learning to provide an enhanced user interface presenting data pertaining to cardiac health, bariatric health, pulmonary health, and/or cardio-oncologic health for the purpose of performing preventative actions
US11955222B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for determining, based on advanced metrics of actual performance of an electromechanical machine, medical procedure eligibility in order to ascertain survivability rates and measures of quality-of-life criteria
US11955218B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for use of telemedicine-enabled rehabilitative hardware and for encouraging rehabilitative compliance through patient-based virtual shared sessions with patient-enabled mutual encouragement across simulated social networks
US11955221B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. System and method for using AI/ML to generate treatment plans to stimulate preferred angiogenesis
US11950861B2 (en) 2019-10-03 2024-04-09 Rom Technologies, Inc. Telemedicine for orthopedic treatment
US11282604B2 (en) 2019-10-03 2022-03-22 Rom Technologies, Inc. Method and system for use of telemedicine-enabled rehabilitative equipment for prediction of secondary disease
US11404150B2 (en) 2019-10-03 2022-08-02 Rom Technologies, Inc. System and method for processing medical claims using biometric signatures
US11978559B2 (en) 2019-10-03 2024-05-07 Rom Technologies, Inc. Systems and methods for remotely-enabled identification of a user infection
US12020800B2 (en) 2019-10-03 2024-06-25 Rom Technologies, Inc. System and method for using AI/ML and telemedicine to integrate rehabilitation for a plurality of comorbid conditions
US12020799B2 (en) 2019-10-03 2024-06-25 Rom Technologies, Inc. Rowing machines, systems including rowing machines, and methods for using rowing machines to perform treatment plans for rehabilitation
US11282599B2 (en) 2019-10-03 2022-03-22 Rom Technologies, Inc. System and method for use of telemedicine-enabled rehabilitative hardware and for encouragement of rehabilitative compliance through patient-based virtual shared sessions
US11270795B2 (en) 2019-10-03 2022-03-08 Rom Technologies, Inc. Method and system for enabling physician-smart virtual conference rooms for use in a telehealth context
US11282608B2 (en) 2019-10-03 2022-03-22 Rom Technologies, Inc. Method and system for using artificial intelligence and machine learning to provide recommendations to a healthcare provider in or near real-time during a telemedicine session
US12062425B2 (en) 2019-10-03 2024-08-13 Rom Technologies, Inc. System and method for implementing a cardiac rehabilitation protocol by using artificial intelligence and standardized measurements
US11701548B2 (en) 2019-10-07 2023-07-18 Rom Technologies, Inc. Computer-implemented questionnaire for orthopedic treatment
US11826613B2 (en) 2019-10-21 2023-11-28 Rom Technologies, Inc. Persuasive motivation for orthopedic treatment
US12057237B2 (en) 2020-04-23 2024-08-06 Rom Technologies, Inc. Method and system for describing and recommending optimal treatment plans in adaptive telemedical or other contexts
US12096997B2 (en) 2021-11-22 2024-09-24 Rom Technologies, Inc. Method and system for treating patients via telemedicine using sensor data from rehabilitation or exercise equipment
US12100499B2 (en) 2022-11-29 2024-09-24 Rom Technologies, Inc. Method and system for using artificial intelligence and machine learning to create optimal treatment plans based on monetary value amount generated and/or patient outcome

Similar Documents

Publication Publication Date Title
KR102264498B1 (ko) 유병 확률 예측을 위한 컴퓨터 프로그램
JP7316358B2 (ja) 生物物理学的モデル化および応答予測のためのシステム、方法、およびデバイス
US11664108B2 (en) Systems, methods, and devices for biophysical modeling and response prediction
KR20190030876A (ko) 건강 위험 예측 방법
US20240115184A1 (en) Method for predicting chronic disease on basis of electrocardiogram signal
KR102362678B1 (ko) 생체신호 분석 방법
US20210375441A1 (en) Using clinical notes for icu management
Goudjerkan et al. Predicting 30-day hospital readmission for diabetes patients using multilayer perceptron
Zeinalnezhad et al. An integrated data mining algorithms and meta-heuristic technique to predict the readmission risk of diabetic patients
KR20190031192A (ko) 건강 위험 예측 방법
KR20240006058A (ko) 메타 학습으로 생성된 모델로 개인화된 생물학적 상태를 예측하기 위한 시스템, 방법 및 디바이스
KR20230090890A (ko) 인지 능력을 평가하기 위한 방법
KR102430779B1 (ko) 질환 판단 방법
KR102687022B1 (ko) 입력 변수가 제한된 환경에서 인공 신경망을 활용한 예측 방법
KR102661357B1 (ko) 의료데이터를 분석하기 위한 방법 및 장치
KR20230108848A (ko) 분산형 데이터 처리 기술을 활용한 질병 예측 ai 모델 학습 시스템
KR102606619B1 (ko) 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법
KR102686793B1 (ko) 인공지능을 활용한 비정형 데이터의 정형화 방법
KR20240128308A (ko) 치료 장소 입실 가능성 예측 방법
KR102647018B1 (ko) 데이터 세트 생성 방법
KR102666172B1 (ko) 리뷰 평점을 조절하는 방법
KR20230075626A (ko) 환자의 상태 변화를 예측하는 방법
US20240161930A1 (en) Prediction method using static and dynamic data
US20240145028A1 (en) Method For Data Augmentation Related To Target Protein
KR20230158687A (ko) 신체정보를 예측하기 위한 방법

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant