KR102321197B1 - 딥러닝을 이용한 치매 위험인자 결정 방법 및 장치 - Google Patents
딥러닝을 이용한 치매 위험인자 결정 방법 및 장치 Download PDFInfo
- Publication number
- KR102321197B1 KR102321197B1 KR1020200012635A KR20200012635A KR102321197B1 KR 102321197 B1 KR102321197 B1 KR 102321197B1 KR 1020200012635 A KR1020200012635 A KR 1020200012635A KR 20200012635 A KR20200012635 A KR 20200012635A KR 102321197 B1 KR102321197 B1 KR 102321197B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- dementia
- risk factor
- comparison group
- dementia risk
- Prior art date
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
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Neurology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Child & Adolescent Psychology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Neurosurgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Social Psychology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 명세서는, 딥러닝을 이용하여 서버가 치매 위험인자를 결정하는 방법을 제공할 수 있다. 이때, 치매 위험인자를 결정하는 방법은 제 1 비교군에 대응하는 대상자들 각각으로부터 웨어러블 디바이스를 통해 생체 정보를 획득하는 단계, 제 1 비교군에 대응하는 대상자들 각각에 대한 측정 정보를 획득하는 단계, 대상자들 각각에 대한 생체 정보 및 측정 정보에 기초하여 제 1 치매 위험인자를 도출하는 단계, 제 1 치매 위험인자와 관련된 생체 정보 및 비교군 정보에 기초하여 수행되는 딥러닝을 통해 제 1 치매 위험인자와 관련된 제 2 치매 위험인자를 도출하는 단계를 포함할 수 있다.
Description
본 명세서는 딥러닝을 이용하여 치매 위험인자를 결정하는 방법 및 장치에 대한 것이다. 구체적으로, 병원 측정 정보 및 웨어러블 디바이스(Wearable Device)로 측정한 생체 정보를 이용하여 치매 위험인자를 도출하는 방법에 대한 것이다.
치매에 대한 사회적 관심이 증가하면서 치매 원인을 규명하고, 치매 관련 위험인자를 입증하고자 하는 연구가 증가하고 있다. 치매는 노화에 따라 수반되는 뇌 질환일 수 있다. 이때, 치매는 점진적으로 기억력 장애를 유발할 수 있다. 또한, 치매에 따라 개인 성격이 변화하거나 인지력이 감소할 수 있다.
치매는 일상적인 생활을 어렵게 할 수 있으며, 정상적인 사람도 지속적인 뇌 기능 손상에 따라 치매로 발전될 수 있다. 이러한 치매를 사전에 예방하기 위해서는 치매 발생 원인 및 치매 관련 위험인자에 대한 분석이 필요할 수 있다.
일반적으로, 치매는 뇌 영상이나 바이오 마커 등과 같이 의학적인 방법으로 진행 여부를 확인할 수 있다. 또한, 일 예로, 치매는 규칙적인 운동이나 규칙적인 수면 등과 같이 신체 활동에 따라 증상이 완화되거나 악화될 수 있다.
상술한 점을 고려하면, 치매 증상을 확인하기 위한 의학적 방법뿐만 아니라 치매와 관련된 위험인자를 파악하여 치매 예방 및 치료를 수행하기 위한 방법이 필요할 수 있으며, 하기에서는 이를 위해 딥러닝을 이용하는 방법에 대해 서술한다.
삭제
본 명세서는 딥러닝을 이용하여 치매 위험인자를 결정하는 방법 및 장치를 제공하는데 목적이 있다.
본 명세서는 병원 측정 정보 및 웨어러블 디바이스로 측정한 생체 정보를 이용하여 치매 위험인자를 도출하는 방법을 제공하는데 목적이 있다.
본 명세서는 치매 위험인자를 이용하여 새로운 치매 위험인자를 도출하는 방법을 제공하는데 목적이 있다.
본 명세서의 일 실시예에 따라, 딥러닝을 이용하여 서버가 치매 위험인자를 결정하는 방법을 제공할 수 있다. 이때, 치매 위험인자를 결정하는 방법은 제 1 비교군에 대응하는 대상자들 각각으로부터 웨어러블 디바이스를 통해 생체 정보를 획득하는 단계, 제 1 비교군에 대응하는 대상자들 각각에 대한 측정 정보를 획득하는 단계, 대상자들 각각에 대한 생체 정보 및 측정 정보에 기초하여 제 1 치매 위험인자를 도출하는 단계, 제 1 치매 위험인자와 관련된 생체 정보 및 비교군 정보에 기초하여 수행되는 딥러닝을 통해 제 1 치매 위험인자와 관련된 제 2 치매 위험인자를 도출하는 단계를 포함할 수 있다.
또한, 본 명세서의 일 실시예에 따라, 딥러닝을 이용하여 치매 위험인자를 결정하는 서버를 제공할 수 있다. 이때, 서버는 신호를 송수신하는 송수신부, 딥러닝 학습을 수행하는 딥러닝 학습부 및 송수신부와 딥러닝 학습부를 제어하는 제어부를 포함할 수 있다. 이때, 제어부는 제 1 비교군에 대응하는 대상자들 각각으로부터 웨어러블 디바이스를 통해 생체 정보를 획득하고, 제 1 비교군에 대응하는 대상자들 각각에 대한 측정 정보를 획득하고, 대상자들 각각에 대한 생체 정보 및 측정 정보에 기초하여 제 1 치매 위험인자를 도출하고, 제 1 치매 위험인자와 관련된 생체 정보 및 비교군 정보에 기초하여 수행되는 딥러닝을 통해 제 1 치매 위험인자와 관련된 제 2 치매 위험인자를 도출할 수 있다.
또한, 본 명세서의 일 실시예에 따라, 치매 위험인자 결정하는 시스템을 제공할 수 있다. 이때, 시스템은 딥러닝을 통해 치매 위험인자를 결정하는 서버, 생체 정보를 측정하는 웨어러블 디바이스, 웨어러블 디바이스와 생체 정보를 함께 측정하거나, 측정된 생체 정보를 서버로 전송하는 IoT 디바이스를 포함할 수 있다. 이때, 서버는 제 1 비교군에 대응하는 대상자들 각각의 웨어러블 디바이스들로부터 생체 정보를 획득하고, 서버는 제 1 비교군에 대응하는 대상자들 각각에 대한 측정 정보를 획득하고, 서버는 대상자들 각각에 대한 생체 정보 및 측정 정보에 기초하여 제 1 치매 위험인자를 도출하고, 서버는 제 1 치매 위험인자와 관련된 생체 정보 및 비교군 정보에 기초하여 수행되는 딥러닝을 통해 제 1 치매 위험인자와 관련된 제 2 치매 위험인자를 도출할 수 있다.
또한, 치매 위험인자를 도출하는 방법, 장치, 서버 및 시스템에 대해서 다음의 사항들이 공통으로 적용될 수 있다.
본 명세서의 일 실시예에 따라, 제 2 치매 위험인자를 도출하기 위한 딥러닝이 수행되는 경우, 제 2 비교군이 더 설정되고, 제 1 치매 위험인자와 관련된 생체 정보는 제 1 비교군에 대응하는 대상자들 각각으로부터 획득한 생체 정보 및 제 2 비교군에 대응하는 대상자들 각각으로부터 획득한 생체 정보를 포함하고, 딥러닝은 제 1 비교군의 생체 정보 및 제 2 비교군의 생체 정보의 비교를 통해 수행될 수 있다.
또한, 본 명세서의 일 실시예에 따라, 제 1 비교군은 주관적인지장애 상태에 대응하는 비교군이고, 제 2 비교군은 정상 상태에 대응하는 비교군일 수 있다.
또한, 본 명세서의 일 실시예에 따라, 생체 정보는 IoT 디바이스를 더 이용하여 획득될 수 있다.
또한, 본 명세서의 일 실시예에 따라, 측정 정보는 뇌 영상, CT, MRI, EEG 및 임상 소견 데이터 중 적어도 어느 하나 이상에 기초하여 도출될 수 있다.
또한, 본 명세서의 일 실시예에 따라, 대상자들 각각에 대한 생체 정보 및 측정 정보에 기초하여 제 1 치매 위험인자를 도출되는 경우, 생체 정보 및 측정 정보는 서버에서 의료 기관으로 전송되고, 서버는 의료 기관에서 결정된 제 1 치매 위험인자 정보를 수신할 수 있다.
또한, 본 명세서의 일 실시예에 따라, 대상자들 각각에 대한 생체 정보 및 측정 정보에 기초하여 제 1 치매 위험인자를 도출되는 경우, 서버는 생체 정보 및 측정 정보에 기초하여 딥러닝을 수행하고, 딥러닝에 기초하여 서버를 통해 직접 획득할 수 있다.
본 명세서는 딥러닝을 이용하여 치매 위험인자를 결정하는 방법 및 장치를 제공할 수 있다.
본 명세서는 병원 측정 정보 및 웨어러블 디바이스로 측정한 생체 정보를 이용하여 치매 위험인자를 도출하는 방법을 제공할 수 있다.
본 명세서는 치매 위험인자를 이용하여 새로운 치매 위험인자를 도출하는 방법을 제공할 수 있다.
본 명세서에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 명세서의 일 실시예에 따라 웨어러블 디바이스, 서버 및 IoT(Internet of Things) 디바이스를 나타낸 도면이다.
도 2는 본 명세서의 일 실시예에 따라 치매 위험인자를 도출하는 방법을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따라 웨어러블 디바이스가 생체 정보를 측정하는 방법을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따라 생체 정보를 활용하여 치매 위험인자를 확인하는 방법을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따라 IoT 디바이스와 웨어러블 디바이스가 생체 정보를 측정하는 방법을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따라 치매 위험인자를 도출하는 방법에 대한 순서도이다.
도 2는 본 명세서의 일 실시예에 따라 치매 위험인자를 도출하는 방법을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따라 웨어러블 디바이스가 생체 정보를 측정하는 방법을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따라 생체 정보를 활용하여 치매 위험인자를 확인하는 방법을 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따라 IoT 디바이스와 웨어러블 디바이스가 생체 정보를 측정하는 방법을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 8은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따라 치매 위험인자를 도출하는 방법에 대한 순서도이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.
이하의 실시예들은 본 발명의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시예를 구성할 수도 있다. 본 발명의 실시예 들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시된다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.
또한, 본 명세서에서 제1 및/또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 명세서의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게, 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
또한 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다. 그리고 명세서에 기재된 "?유닛", "?부" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 및/또는 소프트웨어의 결합으로 구현될 수 있다.
도 1은 본 명세서의 일 실시예에 따라 웨어러블 디바이스, 서버 및 IoT(Internet of Things) 디바이스를 나타낸 도면이다. 도 1a를 참조하면, 웨어러블 디바이스(Wearable Device, 100)는 송수신부(110), 제어부(120) 및 입력부(130)를 포함할 수 있다. 또한, 일 예로, 웨어러블 디바이스(100)는 다른 구성을 더 포함할 수 있으며, 상술한 실시예로 한정되지 않는다.
일 예로, 송수신부(110)는 다른 장치와 신호를 송수신하는 구성일 수 있다. 일 예로, 다른 장치는 서버(또는 센터, 200)일 수 있다. 또한, 다른 장치는 IoT 디바이스나 그 밖의 스마트폰 등 다른 장치일 수 있다. 즉 웨어러블 디바이스(100)가 신호를 교환할 수 있는 장치는 다른 장치일 수 있으며, 특정 장치로 한정되지 않는다.
일 예로, 제어부(120)는 송수신부(110) 및 입력부(130)를 제어하는 구성일 수 있다. 또한, 제어부(120)는 다른 구성들을 더 제어할 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, 입력부(130)는 생체 신호를 획득하는 구성일 수 있다. 일 예로, 입력부(130)는 위치 센서, 가속도 센서, 모션 센서 및 그 밖의 센서 중 적어도 어느 하나 이상을 통해 생체 신호를 획득할 수 있다. 즉, 입력부(130)는 외부 신호를 획득하거나 센싱하는 구성일 수 있으며, 상술한 실시예로 한정되지 않는다.
또한, 서버(또는 센터, 200)는 송수신부(210) 및 제어부(220)를 포함할 수 있다. 또한, 서버(200)는 딥러닝 학습부(230)를 더 포함할 수 있으며, 다른 구성을 더 포함할 수 있다.
일 예로, 송수신부(210)는 다른 장치와 신호를 송수신하는 구성일 수 있다. 일 예로, 다른 장치는 웨어러블 디바이스(100)일 수 있다. 또한, 다른 장치는 IoT 디바이스나 그 밖의 스마트폰 등 다른 장치일 수 있다. 즉 서버(200)가 신호를 교환할 수 있는 장치는 다른 장치일 수 있으며, 특정 장치로 한정되지 않는다.
일 예로, 제어부(220)는 송수신부(210) 및 딥러닝 학습부(230)를 제어하는 구성일 수 있다. 또한, 제어부(220)는 다른 구성들을 더 제어할 수 있으며, 상술한 실시예로 한정되지 않는다.
딥러닝 학습부(230)는 웨어러블 디바이스(100)로부터 획득한 생체 정보 및 그 밖의 정보를 통해 딥러닝을 수행하고 학습 모델에 기초하여 치매 위험인자를 도출할 수 있다. 일 예로, 웨어러블 디바이스(100)로부터 획득한 생체 정보와 측정 정보를 통해 치매 위험인자가 도출될 수 있다. 이때, 일 예로, 측정 정보는 뇌영상, CT, MRI, EEG 등을 통해 측정되는 정보일 수 있으며, 이에 대해서는 후술한다.
또한, 도 1b를 참조하면, 웨어러블 디바이스(100)는 IoT 디바이스(300)와 신호를 교환할 수 있다. 즉, 웨어러블 디바이스(100)는 IoT 디바이스(300)와 통신을 수행할 수 있다. 이때, 일 예로, IoT 디바이스(300)는 통신을 수행하기 위한 구성을 포함할 수 있다. 일 예로, IoT 디바이스(300)는 송수신부(310) 및 제어부(320)를 포함할 수 있다. 이때, 일 예로, 송수신부(310)는 웨어러블 디바이스(100)나 서버(200)와 통신을 수행할 수 있다. 또한, 일 예로, 송수신부(310)는 다른 디바이스와 통신을 수행할 수 있으며, 디바이스 종류는 한정되지 않는다. 또한, 제어부(320)는 IoT 디바이스(200) 내의 구성들을 제어하는 구성일 수 있다. 또 다른 일 예로, IoT 디바이스(200)는 저전력 장치일 수 있다. IoT 디바이스(200)는 저전력 장치로 특정 신호만을 전송하는 장치일 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 일 예로, IoT 디바이스(200)는 IoT 클라우드에 기초하여 동작하는 디바이스일 수 있다. 일 예로, IoT 디바이스(200)는 특정 지점에 고정 설치된 디바이스일 수 있다. 보다 구체적인 일 예로, IoT 디바이스(200)는 웨어러블 디바이스(100)로부터 신호를 수신하고, 이를 IoT 클라우드를 통해 서버 또는 다른 장치로 데이터를 전송할 수 있으며, 상술한 실시예로 한정되지 않는다. 또한, 일 예로, IoT 디바이스(200)는 웨어러블 디바이스(100)가 생체 신호를 측정하는 경우에 있어서 필요한 정보를 제공할 수 있으며, 이에 대해서는 후술한다.
도 2는 본 명세서의 일 실시예에 따라 치매 위험인자를 도출하는 방법을 나타낸 도면이다. 도 2를 참조하면, 치매 관련 정보는 다양한 측정을 통해 획득될 수 있다.
일 예로, 측정은 뇌 영상, CT, MRI 또는 EEG 측정일 수 있다. 또한, 일 예로, 측정은 아밀로이드 PET을 통해 수행되는 측정을 의미할 수 있다. 또 다른 일 예로, 측정은 혈액 바이오마커를 통해 수행되는 측정을 의미할 수 있다. 또 다른 일 예로, 측정은 선별검사용 설문지나 임상 소견처럼 의사를 통해 수행되는 측정을 의미할 수 있다.
즉, 측정이라 함은 다양한 방법을 통해 치매 발생 여부 또는 치매 발생 가능성 여부에 대한 정보를 획득하는 것을 의미할 수 있으며, 이를 통해 획득한 정보는 측정 정보일 수 있다. 일 예로, 측정 정보는 병원이나 기타 의료 시설을 통해서 수행될 수 있으며, 이를 통해 획득되는 정보일 수 있다. 이때, 일 예로, 측정 정보에 따라 치매 정도가 측정될 수 있다.
일 예로, 측정 정보에 따라 경도인지장애 단계로서 치매 정도가 측정될 수 있다. 또한, 측정 정보에 따라 알츠하이머 치매가 측정될 수 있다. 또 다른 일 예로, 치매가 진행 중인 상태로서 주관적인인지장애 단계로서 치매 정도가 측정될 수 있다. 즉, 상술한 측정을 통해 치매 발생 여부 또는 치매 발생 가능성으로서 치매 진행 상태에 따른 각각의 단계가 결정될 수 있다. 일 예로, 하기에서는 설명의 편의를 위해 치매 진행 단계를 각각의 숫자로 표현한다. 이때, 일 예로, 제 2 단계는 제 1 단계보다 치매가 더 진행된 상태일 수 있고, 제 3 단계는 제 2 단계보다 치매가 더 진행된 상태일 수 있다. 다만, 상술한 단계는 설명의 편의를 위한 예시일 뿐, 상술한 단계로 한정되지 않는다. 일 예로, 주관적인인지장애 단계는 제 1 단계이고, 경도인지장애는 제 2 단계일 수 있다. 다만, 이는 하나의 일 예일 뿐, 이에 한정되지 않는다.
도 3은 본 발명의 일 실시예에 따라 웨어러블 디바이스가 생체 정보를 측정하는 방법을 나타낸 도면이다. 한편, 도 3을 참조하면, 상술한 측정 정보들을 통해 치매 진행 정도에 따른 단계가 결정될 수 있다. 이때, 일 예로, 측정 정보에 대상이 되는 사람들에 대한 생체 정보가 측정될 수 있다. 일 예로, 생체 정보는 다양한 신체 정보일 수 있다. 보다 구체적인 일 예로, 신체 정보는 소모한 칼로리, 활동시간, 수면시간, 수면시간별 수면의 종류, 심박 수, 걸음 수, 걸음 거리 및 운동 횟수 중 적어도 어느 하나 이상일 수 있다. 또한, 신체 정보는 그 밖의 웨어러블 디바이스를 통해 측정되는 다양한 정보일 수 있으며, 상술한 실시예로 한정되지 않는다. 즉, 웨어러블 디바이스를 통해 대상이 되는 사람으로부터 획득되는 정보는 생체 정보일 수 있으며, 상술한 실시예로 한정되지 않는다.
도 4는 본 발명의 일 실시예에 따라 생체 정보를 활용하여 치매 위험인자를 확인하는 방법을 나타낸 도면이다. 이때, 일 예로, 서버(또는 센터)는 웨어러블 디바이스를 통해 획득한 생체 정보와 상술한 측정 정보를 이용하여 치매 발생에 대한 치매 위험인자를 예측할 수 있다. 이때, 일 예로, 치매 위험인자는 생체 정보와 측정 정보에 기초하여 사람(e.g. 의료진)에 의해 예측될 수 있다.
또 다른 일 예로, 치매 위험인자는 서버에서 획득된 생체 정보 및 측정 정보를 통해 생성된 통계 정보를 통해 도출될 수 있다. 또한, 일 예로, 치매 위험인자는 서버에서 획득한 생체 정보 및 측정 정보를 통해 딥러닝을 통해 도출될 수 있으며, 상술한 실시예로 한정되지 않는다. 이때, 일 예로, 상술한 바와 같이 도출된 치매 위험인자를 통해 새로운 치매 위험인자가 딥러닝 방식을 통해 도출될 수 있으며, 이에 대해서는 후술한다.
도 5는 본 발명의 일 실시예에 따라 IoT 디바이스와 웨어러블 디바이스가 생체 정보를 측정하는 방법을 나타낸 도면이다.
일 예로, 상술한 바와 같이 웨어러블 디바이스를 통해 생체 정보가 측정될 수 있다. 다만, 일 예로, 웨어러블 디바이스만을 이용하여 측정되는 생체 정보는 한계가 존재할 수 있다. 일 예로, 웨어러블 디바이스를 통해 수면 정보가 측정되는 경우, 주변 수면 환경 정보가 더 필요할 수 있다. 일 예로, 웨어러블 디바이스 착용자의 수면 환경 중 수면 주변 온도가 높거나 낮은 경우를 고려할 수 있다. 구체적인 일 예로, 높은 온도 및 일정한 온도가 유지되는 환경에서 웨어러블 디바이스를 통해 측정된 수면 정보는 낮은 온도 및 온도가 불규칙한 환경에서 웨어러블 디바이스를 통해 측정된 수면 정보와 다르게 활용될 수 있다.
또 다른 일 예로, 웨어러블 디바이스를 통해 측정되는 생체 정보는 가속도 센서, 모션 센서 및 그 밖의 신체 변화를 감지하는 센서를 통해 감지되기 때문에 측정되는 정보에 한계가 존재할 수 있다. 일 예로, 웨어러블 디바이스 착용자가 규칙적으로 식사를 하거나 규칙적인 생활을 하는지 여부에 대한 정보를 획득하는데 한계가 존재할 수 있다.
또한, 그 밖의 착용자의 다양한 정보를 획득하는데 한계가 존재할 수 있다. 상술한 점을 고려하여, 생체 정보는 IoT 디바이스를 더 이용하여 측정될 수 있다. 일 예로, 도 5를 참조하면, 웨어러블 디바이스(510)는 통신망을 통해 IoT 디바이스들(520-1, 520-2, 520-3, 520-4, 520-5)과 통신을 수행하고, 이로부터 정보를 획득할 수 있다. 이때, 일 예로, IoT 디바이스들(520-1, 520-2, 520-3, 520-4, 520-5)은 각각 다른 환경 조건 존재하는 디바이스일 수 있다.
일 예로, 제 1 IoT 디바이스(520-1)는 실내에 설치되어 사용자가 수면하는 방안의 온도, 습도, 조도 및 그 밖의 실내 상태에 대한 정보를 획득할 수 있는 디바이스일 수 있다. 또 다른 일 예로, 제 2 IoT 디바이스(520-2)는 사용자가 근무하는 회사 또는 그 밖의 공간의 상태 정보를 획득하는 디바이스일 수 있다.
일 예로, 상태 정보는 공기 오염도, 온도, 습도 및 그 밖의 주변 환경 정보일 수 있다. 즉, 다양한 IoT 디바이스들(520-1, 520-2, 520-3, 520-4, 520-5)은 각각 다른 환경에 존재할 수 있으며, 디바이스마다 서로 다른 조건에 기초하여 서로 다른 정보를 측정할 수 있다. 구체적인 일 예로, 제 1 IoT 디바이스(520-1)는 실내에 설치되어 사용자가 수면 중의 주변 환경 정보를 측정할 수 있다. 이때, 웨어러블 디바이스(510)는 사용자의 수면에 대한 정보를 측정하면서 제 1 IoT 디바이스(520-1)로부터 주변 환경 정보를 획득하여 보다 구체적인 생체 정보를 획득할 수 있다. 또 다른 일 예로, 제 2 IoT 디바이스(520-2)는 사용자의 근무지에 설치되어 사용자의 근무 환경에 대한 정보를 제공할 수 있다. 일 예로, 사용자가 장시간 동일한 자리를 지키고 있거나, 움직임이 없는지 여부는 웨어러블 디바이스(510)를 통해 측정될 수 있다. 이때, 제 2 IoT 디바이스(520-2)는 사용자에 대한 정보가 측정될 때 주변 환경 정보를 측정하여 제공할 수 있으며, 이를 통해 보다 구체적인 생체 정보가 획득될 수 있다.
또 다른 일 예로, IoT 디바이스들(520-1, 520-2, 520-3, 520-4, 520-5) 각각은 독립적인 정보를 제공할 수 있다. 일 예로, 실내에 설치된 IoT 디바이스는 웨어러블 디바이스(510)와의 연동을 통해 사용자의 출근 시간 및 퇴근 시간 등을 측정하고, 이에 대한 정보를 서버로 제공할 수 있다. 즉, IoT 디바이스들(520-1, 520-2, 520-3, 520-4, 520-5)은 각각의 조건에 따라 정보를 측정할 수 있으며, 이를 서버로 전송할 수 있다.
상술한 바를 통해, 치매 위험인자를 도출하는 경우에 보다 세밀한 정보를 획득할 수 있으며, 새로운 치매 위험인자 도출을 위한 정보를 확보할 수 있다.
도 6은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다. 딥러닝은 학습 모델에 기초하여 심층 신경망(Deep Neural Network)을 학습함을 의미할 수 있다. 일 예로, 도 6을 참조하면, 심층 신경망은 입력 레이어(Input layer), 다중의 히든 레이어(Hidden layer) 및 출력 레이어(Output layer)를 포함할 수 있다. 즉, 심층 신경망은 다중의 히든 레이어(Hidden layer)을 포함한 인공신경망(Artificial Neural Network)을 의미할 수 있다.
이때, 히든 레이어는 입력 정보에 기초하여 학습된 정보에 기초하여 출력 레이어로 출력 정보를 제공할 수 있다. 또한, 히든 레이어는 입력 레이어 및 출력 레이어와 관련된 다수의 정보들을 저장하고 있고, 이에 대한 정보에 기초하여 정합의 데이터가 산출되도록 할 수 있다.
또한, 학습모델은 입력 레이어의 정보 및 출력 레이어의 정보를 저장하고, 이를 학습을 위한 데이터로 활용하여 지속적으로 학습될 수 있다. 구체적인 일 예로, 딥러닝의 학습 방식은 지도 학습(supervised learning)과 비지도 학습(unsupervised learning)을 포함할 수 있다. 이때, 일 예로, 지도 학습은 입력에 대한 정해진 출력에 기초하여 학습되는 모델일 수 있다. 또한, 비지도 학습은 정해진 출력이 아닌 다양한 패턴 정보에 기초하여 입력 레이어에 정합하는 출력 레이어를 결정하는 방법일 수 있다.
일 예로, 본 발명에서는 지도 학습 및 비지도 학습 중 적어도 어느 하나에 기초하여 학습 모델이 구성되고, 이에 기초하여 매칭이 수행될 수 있다.
또한, 일 예로, 치매 위험인자를 도출하기 위한 입력 정보는 생체 정보 및 측정 정보일 수 있으며, 이에 대해서는 후술한다. 또한, 일 예로, 새로운 치매 위험인자를 도출하기 위한 입력 정보는 기존 치매 위험인자 정보 및 관련 인자 정보일 수 있으며, 이에 대해서는 후술한다.
또한, 일 예로, 히든 레이어는 입력 레이어 정보의 유사도를 판단하는 정보를 포함할 수 있다. 이때, 유사 여부에 따라 출력 정보가 도출될 수 있으며, 상술한 바와 같이 새로운 치매 위험인자가 도출될 수 있다.
도 7은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다. 도 7을 참조하면, 서버는 상술한 딥러닝 학습부를 포함할 수 있다.
일 예로, 딥러닝 학습부는 학습 모델에 기초하여 동작할 수 있으며, 학습 모델은 상술한 바와 같이 지도 학습 및 비지도 학습 중 적어도 어느 하나를 이용한 학습 모델일 수 있다. 또한, 학습 모델은 입력 정보에 기초하여 학습을 수행하고, 이를 통해 지속적으로 업데이트를 수행할 수 있다. 이때, 일 예로, 딥러닝을 위한 입력 정보는 측정 정보 및 생체 정보일 수 있다. 일 예로, 상술한 바와 같이 측정 정보 및 생체 정보를 바탕으로 사람(e.g. 의료진)이 치매 위험인자를 판단하여 장치에 입력할 수 있다.
또 다른 일 예로, 치매 위험인자는 측정 정보와 생체 정보를 바탕으로 딥러닝을 통해 도출될 수 있다. 일 예로, 측정 정보는 상술한 뇌 영상, CT, MRI, EEG 및 임상 소견 데이터 중 적어도 어느 하나 이상일 수 있다. 즉, 측정 정보는 병원이나 기타 의료 기관을 통해 측정 정보일 수 있다. 이때, 일 예로, 입력 정보는 상술한 측정 정보에 기초하여 치매 발생 여부 또는 치매 발생 가능성에 대한 단계 정보일 수 있다. 또 다른 일 예로, 측정 정보는 측정된 정보 자체로서 입력 정보일 수 있다. 일 예로, 측정된 정보를 바탕으로 치매 발생 정도가 비교될 수 있다. 또한, 입력 정보는 생체 정보를 포함할 수 있다. 그 후, 상술한 입력 정보에 기초하여 학습 모델을 통해 딥러닝이 수행될 수 있다.
이때, 딥러닝을 통해 출력되는 정보는 치매 위험인자 정보일 수 있다. 이때, 치매 위험인자 정보는 치매 발생에 영향을 미치는 인자를 의미할 수 있다. 일 예로, 측정 정보를 통해 치매 위험군이 높은 단계로 판별된 사람들의 생체 정보가 딥러닝을 통해 학습될 수 있다.
보다 구체적인 일 예로, 딥러닝을 통해 상술한 정보가 비교되어 수면시간, 걸음 거리, 걸음 수 데이터가 중 수면시간이 위험인자로 판별될 수 있다. 즉, 출력 정보로서 치매 위험인자 정보가 수면 시간으로 도출될 수 있다. 즉, 측정 정보 및 생체 정보에 기초하여 치매 발생에 영향을 주는 정보가 치매 위험인자로서 딥러닝을 통해 도출될 수 있다.
도 8은 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
또한, 일 예로, 도 8a을 참조하면, 치매 위험인자를 통해 새로운 치매 위험인자가 딥러닝을 통해 도출될 수 있다. 일 예로, 딥러닝에서 입력 정보는 치매 위험인자 및 치매 위험인자와 관련된 생체 정보일 수 있다. 보다 구체적인 일 예로, 상술한 도 7에서 치매 위험인자로 수면시간이 도출된 경우, 수면시간에 포함된 수면패턴(램수면, 깊은 수면, 얕은 수면)과 같은 수면 관련 생체 정보가 입력 정보로 설정될 수 있다.
즉, 입력 정보는 치매 위험인자와 치매 위험인자와 관련된 생체 정보일 수 있다. 이때, 일 예로, 딥러닝의 학습 모델을 통해 상술한 치매 위험인자에 기초하여 새로운 치매 위험인자가 도출될 수 있다. 일 예로, 치매 위험인자로 수면시간이 도출된 경우, 딥러닝을 통해 치매 위험인자와 관련된 새로운 치매 위험인자로 램수면 여부가 도출될 수 있다. 즉, 기존 치매 위험인자로부터 새로운 치매 위험인자가 도출될 수 있다.
한편, 구체적인 일 예로, 도 8b를 참조하면, 기존 치매 위험인자로부터 새로운 치매 위험인자가 도출되기 위한 학습 모델에서는 비교군 정보가 비교될 수 있도록 설정될 수 있다.
구체적인 일 예로, 학습 모델은 치매 발생 가능성이 높은 비교군 1과 치매 발생 가능성이 낮은 비교군 2에 대한 정보를 설정할 수 있다. 또한, 일 예로, 학습 모델은 다른 방식을 통해 비교군을 설정할 수 있으며, 상술한 실시예로 한정되지 않는다.
이때, 학습 모델은 입력 정보로서 치매 위험인자와 생체 정보를 각각의 비교군에 대한 입력 정보로 활용할 수 있다. 이때, 일 예로, 비교군은 치매 발생 가능성이 매우 낮은 정상 범주의 사람들과 치매 발생 가능성이 존재하는 상술한 제 1 단계로 설정될 수 있다.
즉, 비교군은 정상 범주에 해당하는 비교군과 주관적인인지장애로 판단되는 비교군으로 설정되어 상호 간의 비교가 수행될 수 있다.
또 다른 일 예로, 비교군은 상술한 치매 단계로서 제 1 단계 및 제 2 단계로 설정될 수 있다. 즉, 치매 발생 정도에 차이가 있는 그룹이 비교군으로 설정될 수 있으며, 상술한 실시예로 한정되지 않는다. 그 후, 학습 모델은 각각의 비교군을 통해 획득한 출력 정보를 비교하고, 이를 통해 최종 치매 위험인자를 도출할 수 있다.
이때, 일 예로, 비교군 사이의 정보에 기초하여 출력 정보가 치매 발생 가능성을 지시할 수 있는 경우, 새로운 치매 위험인자가 도출될 수 있다. 또한, 학습 모델은 상술한 정보들을 저장하고, 지속적으로 업데이트하여 다양한 비교군을 설정하고, 비교군에 대한 구체적인 정보를 업데이트하여 새로운 치매 위험인자를 도출하는데 활용할 수 있다. 즉, 기존 치매위험인자와 생체 정보를 통해 새로운 치매 위험인자가 딥러닝을 통해 도출될 수 있다.
도 9는 본 발명의 일 실시예에 따라 딥러닝을 수행하는 방법을 나타낸 도면이다.
도 9를 참조하면, 두 단계의 딥러닝이 적용될 수 있다. 일 예로, 학습 모델 1에 기초하여 수행되는 딥러닝은 측정 정보 및 생체 정보를 통해 도출되는 치매 위험인자일 수 있다. 즉, 상술한 도 7의 방법을 통해 도출되는 치매 위험인자일 수 있다. 이때, 일 예로, 상술한 도 7를 통해 도출되는 출력 정보가 학습 모델 2에 대한 입력 정보일 수 있다. 즉, 도출된 치매 위험인자가 새로운 입력 정보일 수 있다. 이때, 학습 모델 2는 생체 정보를 입력 정보로 더 추가하여 치매 위험인자를 도출할 수 있다. 즉, 상술한 도 8처럼 기존 치매 위험인자로부터 새로운 치매 위험인자를 도출할 수 있으며, 이를 통해 치매와 관련된 위험인자를 도출할 수 있다. 즉, 치매 위험인자를 도출하는 경우에는 두 단계의 딥러닝이 적용될 수 있으며, 상술한 바를 통해 보다 구체적인 치매 위험인자를 도출할 수 있다.
한편, 일 예로, 도 7 내지 도 9에서 사용되는 생체 정보는 상술한 도 5에서 IoT 디바이스를 통해 획득된 정보를 포함할 수 있다. 즉, 웨어러블 디바이스를 통해 획득되는 생체 정보 및 IoT 디바이스를 더 고려하여 획득되는 정보가 도 7 내지 도 9에서 활용되는 입력 정보일 수 있으며, 상술한 실시예로 한정되지 않는다.
도 10은 본 발명의 일 실시예에 따라 치매 위험인자를 도출하는 방법에 대한 순서도이다.
도 10을 참조하면, 서버는 제 1 비교군에 대응하는 대상들 각각으로부터 웨어러블 디바이스를 통해 생체 정보를 획득할 수 있다. (S1010) 이때, 일 예로, 도 10에서 제 1 비교군은 주관적인인지장애 상태에 대응하는 대상자들일 수 있다. 또 다른 일 예로, 제 1 비교군은 치매 발생 정도에 따라 다른 비교군일 수 있으며, 상술한 실시예로 한정되지 않는다. 이때, 제 1 비교군에 대응하는 대상들 각각에 대한 생체 정보가 웨어러블 디바이스로부터 획득될 수 있다. (S1020) 또한, 일 예로, 서버는 제 1 비교군에 대응하는 대상자들 각각에 대한 측정 정보를 획득할 수 있다. 이때, 측정 정보는 뇌 영상, CT, MRI, EEG 및 임상 소견 데이터 정보 중 적어도 어느 하나 이상일 수 있다. 또한, 일 예로, 측정 정보는 의료 기관에서 치매 발생 여부 및 치매 발생 정도를 확인하기 위한 측정을 의미할 수 있으며, 상술한 실시예로 한정되지 않는다. 이때, 일 예로, 서버는 상술한 제 1 비교군에 대응하는 대상들 각각에 대한 측정 정보를 획득할 수 있다. 그 후, 서버는 대상자들 각각에 대한 생체 정보 및 측정 정보에 기초하여 제 1 치매 위험인자를 도출할 수 있다. (S1030) 이때, 일 예로, 서버는 생체 정보 및 측정 정보는 의료기관이나 의료진에서 전송하고, 이들로부터 획득된 정보를 바탕으로 제 1 치매 위험인자를 도출할 수 있다. 즉, 제 1 치매 위험인자는 의료기관이나 의료진을 통해 결정될 수 있다. 일 예로, 치매 위험인자는 상술한 바와 같이 비교군에 대응되는 측정 정보를 바탕으로 소모한 칼로리, 활동시간, 수면시간, 수면시간별 수면의 종류, 심박 수, 걸음 수, 걸음 거리 및 운동 횟수와 같이 치매에 영향을 미칠 수 있는 도출된 인자를 의미할 수 있다. 즉, 치매 위험인자는 치매 발생에 영향을 미치는 인자일 수 있으며, 의료기관이나 의료진에 의해 도출될 수 있다.
또 다른 일 예로, 제 1 치매 위험인자는 서버의 딥러닝을 통해서도 도출될 수 있다. 즉, 의료기관이나 의료진으로 생체 정보 및 측정 정보를 전송하지 않고, 서버가 획득한 정보를 바탕으로 딥러닝을 통해 직접 제 1 치매 위험인자 정보를 도출할 수 있다. 일 예로, 비교군에 대한 측정 정보와 생체 정보가 딥러닝을 통해 매칭될 수 있고, 이를 통해 제 1 치매 위험인자 정보가 도출될 수 있다.
다음으로, 제 1 치매 위험인자와 관련된 생체 정보 및 비교군 정보에 기초하여 수행되는 딥러닝을 통해 제 1 치매 위험인자와 관련된 제 2 치매위험인자가 도출될 수 있다. (S1040) 이때, 일 예로, 비교군은 상술한 제 1 비교군과 함께 제 2 비교군이 설정될 수 있다. 일 예로, 도 10에서 제 2 비교군은 정상 상태에 대응하는 비교군일 수 있다. 즉, 제 1 비교군은 주관적인인지장애 상태에 대응하는 비교군이고, 제 2 비교군은 정상상태에 대응하는 비교군일 수 있다. 또한, 일 예로, 비교군은 다양하게 설정되는 것도 가능할 수 있으며, 상술한 방법은 하나의 일 예일 수 있다. 이때, 일 예로, 웨어러블 디바이스를 통해 제 1 비교군에 대응하는 대상자 및 제 2 비교군에 대응하는 대상자들에 대한 생체 정보가 측정될 수 있다. 서버는 상술한 측정 정보와 비교군 특징 정보에 기초하여 상술한 딥러닝을 수행할 수 있다. 그 후, 제 1 치매 위험인자와 관련된 생체 정보들 중 제 2 치매 위험인자를 도출할 수 있다. 즉, 제 2 치매 위험인자는 제 1 치매 위험인자로부터 도출된 새로운 치매 위험인자일 수 있다. 즉, 상술한 바와 같이 서버는 기존의 치매 위험인자, 생체 정보 및 비교군 정보에 기초하여 딥러닝을 통해 새로운 치매 위험인자를 도출할 수 있다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시형태에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시 형태를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 이상에서는 본 명세서의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 명세서는 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 명세서의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 명세서의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안될 것이다.
그리고 당해 명세서에서는 물건 발명과 방법 발명이 모두 설명되고 있으며, 필요에 따라 양 발명의 설명은 보충적으로 적용될 수 있다.
100 : 웨어러블 디바이스
110 : 웨어러블 디바이스의 송수신부
120 : 웨어러블 디바이스의 제어부
130 : 웨어러블 디바이스의 입력부
210 : 서버의 송수신부
220 : 서버의 제어부
230 : 서버의 딥러닝 학습부
300 : IoT 디바이스
310 : IoT 디바이스의 송수신부
320 : IoT 디바이스의 제어부
110 : 웨어러블 디바이스의 송수신부
120 : 웨어러블 디바이스의 제어부
130 : 웨어러블 디바이스의 입력부
210 : 서버의 송수신부
220 : 서버의 제어부
230 : 서버의 딥러닝 학습부
300 : IoT 디바이스
310 : IoT 디바이스의 송수신부
320 : IoT 디바이스의 제어부
Claims (9)
- 딥러닝을 이용하여 서버가 치매 위험인자 결정 방법에 있어서,
제 1 비교군에 대응하는 대상자들 각각으로부터 웨어러블 디바이스(Wearable Device)를 통해 생체 정보를 획득하는 단계;
상기 제 1 비교군에 대응하는 상기 대상자들 각각에 대한 측정 정보를 획득하는 단계;
상기 대상자들 각각에 대한 상기 생체 정보 및 상기 측정 정보에 기초하여 제 1 치매 위험인자를 도출하는 단계;
상기 제 1 치매 위험인자와 관련된 생체 정보 및 비교군 정보에 기초하여 수행되는 딥러닝을 통해 상기 제 1 치매 위험인자와 관련된 제 2 치매 위험인자를 도출하는 단계;를 포함하되,
상기 측정 정보는, 치매 발생 여부 및 치매 단계에 대한 정보로써 뇌 영상, CT, MRI, EEG 및 임상 소견 데이터 중 적어도 어느 하나 이상에 기초하여 도출되는 정보이고,
상기 제1 치매 위험인자는 상기 제2 치매 위험인자와 다른 종류이거나 제2 치매 위험 인자의 하위 개념이고,
상기 비교군 정보는 상기 제1 비교군의 정보 및 상기 제1 비교군 보다 치매 발생 가능성이 낮은 제2 비교군의 정보로 구성되는, 치매 위험인자 결정 방법.
- 제 1 항에 있어서,
상기 제 2 치매 위험인자를 도출하기 위한 딥러닝이 수행되는 경우, 제 2 비교군이 더 설정되고, 상기 제 1 치매 위험인자와 관련된 생체 정보는 상기 제 1 비교군에 대응하는 대상자들 각각으로부터 획득한 생체 정보 및 상기 제 2 비교군에 대응하는 대상자들 각각으로부터 획득한 생체 정보를 포함하고,
상기 딥러닝은 상기 제 1 비교군의 상기 생체 정보 및 상기 제 2 비교군의 상기 생체 정보의 비교를 통해 수행되는, 치매 위험인자 결정 방법.
- 제 2 항에 있어서,
상기 제 1 비교군은 주관적인지장애 상태에 대응하는 비교군이고,
상기 제 2 비교군은 정상 상태에 대응하는 비교군인, 치매 위험인자 결정 방법.
- 제 1 항에 있어서,
상기 생체 정보는 IoT(Internet of Thing) 디바이스를 더 이용하여 획득되는, 치매 위험인자 결정 방법.
- 삭제
- 제 1 항에 있어서,
상기 대상자들 각각에 대한 상기 생체 정보 및 상기 측정 정보에 기초하여 제 1 치매 위험인자를 도출되는 경우, 상기 생체 정보 및 상기 측정 정보는 상기 서버에서 의료 기관으로 전송되고, 상기 서버는 상기 의료 기관에서 결정된 상기 제 1 치매 위험인자 정보를 수신하는, 치매 위험인자 결정 방법.
- 제 1 항에 있어서,
상기 대상자들 각각에 대한 상기 생체 정보 및 상기 측정 정보에 기초하여 제 1 치매 위험인자를 도출되는 경우, 상기 서버는 상기 생체 정보 및 상기 측정 정보에 기초하여 딥러닝을 수행하고, 상기 딥러닝에 기초하여 서버를 통해 직접 획득하는, 치매 위험인자 결정 방법.
- 딥러닝을 이용하여 치매 위험인자를 결정하는 서버에 있어서,
신호를 송수신하는 송수신부;
딥러닝 학습을 수행하는 딥러닝 학습부; 및
상기 송수신부 및 상기 딥러닝 학습부를 제어하는 제어부를 포함하되,
상기 제어부는,
제 1 비교군에 대응하는 대상자들 각각으로부터 웨어러블 디바이스(Wearable Device)를 통해 생체 정보를 획득하고,
상기 제 1 비교군에 대응하는 상기 대상자들 각각에 대한 측정 정보를 획득하고,
상기 대상자들 각각에 대한 상기 생체 정보 및 상기 측정 정보에 기초하여 제 1 치매 위험인자를 도출하고,
상기 제 1 치매 위험인자와 관련된 생체 정보 및 비교군 정보에 기초하여 수행되는 딥러닝을 통해 상기 제 1 치매 위험인자와 관련된 제 2 치매 위험인자를 도출하되,
상기 측정 정보는, 치매 발생 여부 및 치매 단계에 대한 정보로써 뇌 영상, CT, MRI, EEG 및 임상 소견 데이터 중 적어도 어느 하나 이상에 기초하여 도출되는 정보이고,
상기 제1 치매 위험인자는 상기 제2 치매 위험인자와 다른 종류이거나 제2 치매 위험 인자의 하위 개념이고,
상기 비교군 정보는 상기 제1 비교군의 정보 및 상기 제1 비교군 보다 치매 발생 가능성이 낮은 제2 비교군의 정보로 구성되는, 치매 위험인자를 결정하는 서버.
- 치매 위험인자 결정하는 시스템에 있어서,
딥러닝을 통해 치매 위험인자를 결정하는 서버; 및
생체 정보를 측정하는 웨어러블 디바이스;
상기 웨어러블 디바이스와 상기 생체 정보를 함께 측정하거나, 측정된 생체 정보를 서버로 전송하는 IoT 디바이스;를 포함하되,
상기 서버는 제 1 비교군에 대응하는 대상자들 각각의 상기 웨어러블 디바이스들로부터 생체 정보를 획득하고,
상기 서버는 상기 제 1 비교군에 대응하는 상기 대상자들 각각에 대한 측정 정보를 획득하고,
상기 서버는 상기 대상자들 각각에 대한 상기 생체 정보 및 상기 측정 정보에 기초하여 제 1 치매 위험인자를 도출하고,
상기 서버는 상기 제 1 치매 위험인자와 관련된 생체 정보 및 비교군 정보에 기초하여 수행되는 딥러닝을 통해 상기 제 1 치매 위험인자와 관련된 제 2 치매 위험인자를 도출하되,
상기 측정 정보는, 치매 발생 여부 및 치매 단계에 대한 정보로써 뇌 영상, CT, MRI, EEG 및 임상 소견 데이터 중 적어도 어느 하나 이상에 기초하여 도출되는 정보이고,
상기 제1 치매 위험인자는 상기 제2 치매 위험인자와 다른 종류이거나 제2 치매 위험 인자의 하위 개념이고,
상기 비교군 정보는 상기 제1 비교군의 정보 및 상기 제1 비교군 보다 치매 발생 가능성이 낮은 제2 비교군의 정보로 구성되는, 치매 위험인자를 결정하는 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200012635A KR102321197B1 (ko) | 2020-02-03 | 2020-02-03 | 딥러닝을 이용한 치매 위험인자 결정 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200012635A KR102321197B1 (ko) | 2020-02-03 | 2020-02-03 | 딥러닝을 이용한 치매 위험인자 결정 방법 및 장치 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20210098731A KR20210098731A (ko) | 2021-08-11 |
| KR102321197B1 true KR102321197B1 (ko) | 2021-11-03 |
| KR102321197B9 KR102321197B9 (ko) | 2022-07-29 |
Family
ID=77314113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200012635A KR102321197B1 (ko) | 2020-02-03 | 2020-02-03 | 딥러닝을 이용한 치매 위험인자 결정 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102321197B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11759145B1 (en) | 2022-06-09 | 2023-09-19 | Haii Corp. | Technique for identifying dementia based on voice data |
| US11850059B1 (en) | 2022-06-10 | 2023-12-26 | Haii Corp. | Technique for identifying cognitive function state of user |
| US11862301B2 (en) | 2022-01-05 | 2024-01-02 | Haii Co, Ltd. | Technique for training dementia identification model based on test result data |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101967227B1 (ko) * | 2017-02-28 | 2019-08-13 | 연세대학교 산학협력단 | 질병 예측 모델을 생성하는 방법, 서버 및 시스템 |
| KR20190092790A (ko) | 2018-01-31 | 2019-08-08 | 이동선 | 노년층 경도 인지장애 및 치매 예방, 인지능력 향상을 위한 전정기관 훈련 중심의 인터페이스 장치 |
-
2020
- 2020-02-03 KR KR1020200012635A patent/KR102321197B1/ko active IP Right Grant
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11862301B2 (en) | 2022-01-05 | 2024-01-02 | Haii Co, Ltd. | Technique for training dementia identification model based on test result data |
| US11759145B1 (en) | 2022-06-09 | 2023-09-19 | Haii Corp. | Technique for identifying dementia based on voice data |
| US11850059B1 (en) | 2022-06-10 | 2023-12-26 | Haii Corp. | Technique for identifying cognitive function state of user |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102321197B9 (ko) | 2022-07-29 |
| KR20210098731A (ko) | 2021-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3367883B1 (en) | Monitoring activities of daily living of a person | |
| KR102321197B1 (ko) | 딥러닝을 이용한 치매 위험인자 결정 방법 및 장치 | |
| US10736582B2 (en) | Monitoring and tracking system, method, article and device | |
| Dahmen et al. | Smart secure homes: a survey of smart home technologies that sense, assess, and respond to security threats | |
| JP2021513377A (ja) | 生理学的イベント検知特徴部を備えたベッド | |
| Shin et al. | Detection of abnormal living patterns for elderly living alone using support vector data description | |
| US9375142B2 (en) | Learning patient monitoring and intervention system | |
| JP2021508567A (ja) | ２人の睡眠者の鼾及び呼吸パラメータを判定するためのセンサ特徴部を備えたベッド | |
| Khademi et al. | Personalized sleep parameters estimation from actigraphy: a machine learning approach | |
| WO2018057667A1 (en) | Systems and methods for detecting corrupt or inaccurate sensory representations | |
| JP7028787B2 (ja) | 視覚的コンテキストを用いる、生理学的パラメータの測定の適時トリガ | |
| US20220108447A1 (en) | Wound healing analysis and tracking | |
| US20220110546A1 (en) | System and methods for tracking behavior and detecting abnormalities | |
| JP7258918B2 (ja) | モニタリング対象者のバイタルサインの信頼性の決定 | |
| US11911187B2 (en) | Monitoring a subject | |
| US20210398683A1 (en) | Passive data collection and use of machine-learning models for event prediction | |
| Schinle et al. | Personalization of monitoring system parameters to support ambulatory care for dementia patients | |
| JP2022009084A (ja) | 認知機能予測システム及びプログラム | |
| Huang et al. | Monitoring sleep and detecting irregular nights through unconstrained smartphone sensing | |
| US10888224B2 (en) | Estimation model for motion intensity | |
| US20230023432A1 (en) | Method and apparatus for determining dementia risk factors using deep learning | |
| Liao et al. | An empirical study on engineering a real-world smart ward using pervasive technologies | |
| Nchena et al. | Autonomous Update of a Dataset for Anomaly Detection Services in Elderly Care Smart House | |
| Ahamed | Smart aging: utilisation of machine learning and the Internet of Things for independent living | |
| JP2024065638A (ja) | 睡眠パターンの安定性を表す指標を取得するためのコンピューターが実行する方法、プログラムおよび情報処理装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |