KR102414765B1

KR102414765B1 - 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템

Info

Publication number: KR102414765B1
Application number: KR1020210136007A
Authority: KR
Inventors: 조원득; 양원호; 서성철; 이정훈; 조대산
Original assignee: 주식회사 엔씨엘; 조원득; 양원호; 서성철
Priority date: 2021-10-13
Filing date: 2021-10-13
Publication date: 2022-06-30
Also published as: KR102414765B9

Abstract

본 발명은 본 발명은 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템에 관한 것으로, 보다 상세하게는 사용자 단말기를 통해 사용자의 위치정보를 수신받는 위치정보취득부; 유해인자 농도 DB로부터 상기 위치정보에 대응된 해당공간에서의 유해인자 데이터를 취득하여 사용자별 시공간에 따른 유해인자 데이터를 저장하는 노출량 DB; 상기 사용자별 시공간에 따른 유해인자 데이터를 기반으로 위해성을 평가하여 위해성 분석데이터를 생성하는 위해성평가수단; 및 상기 사용자별 시공간에 따른 유해인자농도 데이터와 상기 위해성 분석데이터를 상기 사용자 단말기로 전송하는 데이터알림부;를 포함하는 것을 특징으로 하는 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템에 관한 것이다.

Description

사용자 위치정보 기반 환경유해인자 노출정보알림 시스템{System for monotoring noxious factor based on user location information}

본 발명은 사용자 위치정보 기반 사용자 맞춤형 환경유해인자 노출정보알림 시스템 및 알림방법에 관한 것이다. 보다 상세하게는 사용자 위치정보를 기반으로 사용자별 시공간에 따른 노출량 데이터와 이에 따른 위해성을 평가할 수 있는 시스템에 관한 것이다.

ICT/IoT의 기술과 O2O 등 다양한 사업의 발굴로 4차산업혁명은 우리 생활에 적용 되어지고 있다. 미국, 독일의 경우 다양한 생산방식과 비즈니스모델의 혁신을 통해 기업 가치사슬 전반에 걸쳐 비용절감과 새로운 가치창출을 추진하고 있다. 4차산업 혁명의 추진과정에 이루어지는 디지털 전환(digital transformation)으로 기존 문제 점 해결과 불필요한 낭비요소를 제거하고, 소비자 행동양식의 변화를 다양한 채널을 통한 정보 파악 및 빅데이터 분석결과를 통해 서비스에 대한 마케팅과 전달방식의 다변화를 추구하고 있다.

저가 측정 센서의 개발은 다양한 환경에서의 환경유해인자 측정을 가능하게 하고, ICT/IoT 기술을 활용하여 작은 단위에서의 시간별 존재인구(성별/연령별)의 통계적 데이터 생성을 가능하게 하는 기술은 상용화 되어 단위 지역의 총노출량 산정 알고 리즘을 시스템으로 구현할 수 있는 방안을 가능하게 하고 있다.

반도체 기술의 발전과 생체 신호 알고리즘의 개발은 착용기기 기반의 바이오마커 구현함으로써 개인맞춤형 실시간 환경성 질환 정보를 제공할 수 있게 한다. 환경유해인자에 대한 농도 정보, 착용기기 기반의 생체 정보 및 관련 데이터의 연동은 비용 효율적인 방법으로 수용체의 건강영향평가 방안을 제공할 수 있다.

또한 고전적인 접근으로 미세먼지 등 환경유해인자의 공기질과 관련된 저해상도의 공간 격자(Spatial grid)에서 측정된 데이터를 바탕으로 보다 고해상도로 예측하는 기술은 CMAQ(Community Multiscale Air Quality) 모델을 비롯한 Hybrid 모델링 등 다양한 대기 모델링 분야의 기법들이 제시되고 있으며, 현재까지도 연구 중에 있다.

또한, 최근 4차산업혁명의 도래로 인공지능 기술의 활용이 가속화됨에 따라, 딥러닝을 활용한 데이터 예측 기술 에 대한 연구 및 시도가 지속적으로 이루어지고 있는 실정이다.그러나 상기 딥러닝 기반의 데이터 예측 기술은 동시에 복수로 측정된 환경유해인자의 측정 데이터간 교화작용 또는 인접 공간의 노드간 상호작용을 활용한 보간 기술의 연구가 미흡한 실정이다.

더 나아가, 현재 미세먼지 등 환경유해인자의 국가 단위 측정망의 숫자는 비싼 설치비용의 문제로 제한적으로 설치되어 있으며, 다소 저렴한 센서 등 IoT 기반의 측정망 설치가 통신회사를 중심으로 최근 활발히 이루어지고 있으나, 이 또한 경제성의 문제로 미세 환경을 완벽히 이해하기에는 부족한 상황이다.

이에 따라, 기존 저해상도의 측정망 설치환경에서 보다 조밀한 지점을 고해상도로 예측하는 기술이 매우 중요하 게 됐다. 그러나 기존의 측정망 설치환경에서 측정되지 않는 지역의 지점, 센서의 결함 또는 정전 등의 다양한 문제로 발생한 결측 데이터는 해당 데이터를 이용할 수 없거나 이용하기 어려우며, 종래 머신러닝 기반의 데이터 보간 기 술은 공간적인 요소를 고려하지 않고 결측 데이터를 보간하거나, 아예 제외하는 방식으로 결측 데이터를 다루기 때문에 보간의 정확도가 낮고, 해당 데이터를 사용한 후속 작업에서의 활용도가 떨어지는 문제점이 있다.

본 발명에서는 사용자에 대한 환경유해인자의 노출평가 및 위해성평가를 기반으로, ICT/IoT 기술을 기반으로 보다 실시간적이고 효율적인 환경보건서비스의 구현 방안을 제시하고자 한다.

대한민국 공개특허 10-2015-0140444 대한민국 등록특허 10-2218734 대한민국 공개특허10-2020-0135674

따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 실시예에 따르면, 사용자의 위치를 실시간 또는 특정주기마다 판단하여, 구축된 유해인자 농도 DB에 기반하여 사용자별 시공간에 따른 유해인자 데이터를 DB로 구축한 후, 이러한 사용자별 시공간에 따른 유해인자 데이터를 기반으로 위해성을 평가하여 모니터링할 수 있는, 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템 및 알림방법을 제공하는데 그 목적이 있다.

본 발명의 실시예에 따르면, 사용자별 시공간에 따른 유해인자 데이터와 사용자 인체 특성, 신체신호를 통합하여 환경성 질환 증상징후의 사전예측이 가능한 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템 및 알림방법을 제공하는데 그 목적이 있다.

또한 본 발명의 실시예에 따르면, 공간적인 요소를 고려할 수 있는 딥 러닝 기반의 예측 모델을 통해 결측 데이터가 존재하는 공기 중 환경유해인자 측정 노드의 데이터를 보간할 수 있고, 또한, 환경유해인자간 교화작용 및 인접 공간의 영향력을 고려하여 기존 머신러닝 기반의 데이터 보간 기술에 비해 결측 데이터를 높은 정확도로 예측 가능한 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템 및 알림방법을 제공하는데 그 목적이 있다.

한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 목적은 사용자 환경유해인자 노출정보알림 시스템에 있어서, 사용자 단말기를 통해 사용자의 위치정보를 수신받는 위치정보취득부; 유해인자 농도 DB로부터 상기 위치정보에 대응된 해당공간에서의 유해인자 데이터를 취득하여 사용자별 시공간에 따른 유해인자 데이터를 저장하는 노출량 DB; 상기 사용자별 시공간에 따른 유해인자 데이터를 기반으로 위해성을 평가하여 위해성 분석데이터를 생성하는 위해성평가수단; 및 상기 사용자별 시공간에 따른 유해인자농도 데이터와 상기 위해성 분석데이터를 상기 사용자 단말기로 전송하는 데이터알림부;를 포함하는 것을 특징으로 하는 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템으로서 달성될 수 있다.

그리고 상기 사용자의 위치정보는 사용자 좌표데이터와, 실내와 실외 구분 정보를 포함하며, 상기 유해인자 농도 DB는 유해인자 예측 데이터를 포함하고, 위치별 실내공간의 유해인자 데이터가 저장된 실내농도 DB와, 위치별 실외공간의 유해인자 데이터가 저장된 실외농도 DB를 포함하며, 상기 실외농도 DB에 저장되는 위치별 유해인자 데이터는, 측정지점의 유해인자 데이터와 미측정지점의 유해인자데이터를 포함하고, 유해인자 데이터는, 예측 모델 생성장치에서 측정 노드가 하나 이상 설치된 측정지점 또는 상기 측정 노드가 미설치 된 미측정지점에 대한 저해상도의 유해인자 데이터와 공간 정보 데이터를 정규화 및 인코딩한 입력 데이터로부터 예측 데이터를 생성하는 복수의 예측 모델을 생성한 후, 상기 유해인자 데이터가 측정된 별도의 측정지점에 대해 적용되는 평가 기법으로 상기 복수의 예측 모델을 평가하여 상기 복수의 예측 모델 중 상기 별도의 측정지점의 유해인자 데이터의 실제 값과 예측 값의 오차 정도가 가장 작은 예측 모델을 최종 예측 모델로 확정하고, 상기 예측 모델 생성장치가 상기 최종 예측 모델을 통해 상기 측정지점 또는 상기 미측정지점에 대한 저해상도의 환경유해인자 데이터와 공간 정보 데이터를 정규화 및 인코딩한 입력 데이터로부터 예측 데이터를 생성하며, 계산장치가 상기 예측 데이터를 고해상도의 최종 예측 데이터로 보간하여 산출되는 것을 특징으로 할 수 있다.

또한 상기 위해성평가수단에 의한 위해성 평가는, 유해인자물질에 대한 정보를 수집하고,유해인자별 노출강도, 빈도, 기간에 대한 노출량을 평가한 후, 유해영향이 발생할 확률을 결정하는 것을 특징으로 할 수 있다.

그리고 상기 사용자에 대한 신체정보를 개인별로 저장하는 임상정보 DB를 더 포함하며, 상기 위해성평가수단은, 개인별 상기 신체정보와 상기 유해인자데이터를 통합분석하여 환경성 질환 증상징후를 사전예측하는 것을 특징으로 할 수 있다.

또한 상기 임상정보 DB는 사용자가 착용한 웨어러블 기기를 통해 측정된 생체신호를 저장하고, 상기 위해성평가수단은, 개인별 상기 생체신호와 상기 유해인자데이터를 통합분석하여 환경성 질환 증상징후를 사전예측하는 것을 특징으로 할 수 있다.

그리고 누적된 상기 위치정보를 기반으로 사용자의 이동패턴을 분석하는 이동패턴분석부를 포함하고, 상기 위해성 평가수단은 상기 이동패턴분석부에 의해 분석된 이동패턴과, 유해인자 예측데이터와, 사용자별 시공간에 따른 유해인자 예측 데이터를 기반으로 위해성을 평가하여 사전에 데이터알림부를 통해 사용자에게 위해성 평가데이터를 전송하는 것을 특징으로 할 수 있다.

본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템 및 알림방법에 따르면, 사용자의 위치를 실시간 또는 특정주기마다 판단하여, 구축된 유해인자 농도 DB에 기반하여 사용자별 시공간에 따른 유해인자 데이터를 DB로 구축한 후, 이러한 사용자별 시공간에 따른 유해인자 데이터를 기반으로 위해성을 평가하여 모니터링할 수 있는 효과를 갖는다.

그리고 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템 및 알림방법에 따르면, 사용자별 시공간에 따른 유해인자 데이터와 사용자 인체 특성, 신체신호를 통합하여 환경성 질환 증상징후의 사전예측이 가능한 효과를 갖는다.

또한 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템 및 알림방법에 따르면, 공간적인 요소를 고려할 수 있는 딥 러닝 기반의 예측 모델을 통해 결측 데이터가 존재하는 공기 중 환경유해인자 측정 노드의 데이터를 보간할 수 있고, 또한, 환경유해인자간 교화작용 및 인접 공간의 영향력을 고려하여 기존 머신러닝 기반의 데이터 보간 기술에 비해 결측 데이터를 높은 정확도로 예측 가능한 효과를 갖는다.

한편, 본 발명에서 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.

본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1 및 도 2는 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템의 개념도,
도 3은 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템의 블록도,
도 4는 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림방법의 흐름도,
도 5는 본 발명의 실시예에 따른 고해상도 유해인자 농도 데이터 수집 예시,
도 6은 본 발명의 실시예에 따른 인공지능 기반 환경유해인자 고해상도 데이터 보간방법의 과정을 나타내는 흐름도,
도 7a는 환경유해인자의 산점도 분석을 위한 산점도,
도 7b는 환경유해인자의 선형관계 평가를 위한 피어슨 상관계수이다.
도 7c는 결측 데이터가 복원된 PM10 변수와 다른 환경유해인자 변수(Feature)의 영향력에 대한 상관관계를 나타 내는 그래프이다.
도 7d은 머신러닝 모델과 딥러닝 모델의 예측 성능 비교를 위한 그래프이다.
도 8은 본 발명의 실시예에 따른 존재 인구 기반의 단위 시공간 총노출량 산정 예시,
도 9a는 용량-반응 평가에서 역치가 존재하지 않는 경우의 Linear no-threshold model 그래프,
도 9b는 용량-반응 평가에서 역치가 존재하는 경우의 threshold model 그래프,
도 9c는 발암성 도는 비발암성 물질에 따른 일체의 일일 노출량을 도출하기 위한 LADD 도출식,
도 9d는 비발암성 물질과 발암성 물질을 통한 Health Risk 도출 개념도,
도 9e는 Monte-Carlo Simulation을 이용한 불확실성 분석의 활용예를 도시한 것이다.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 통상의 기술자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.

본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.

본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함하는 것이다. 예를 들면, 직각으로 도시된 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서 도면에서 예시된 영역들은 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.

아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.

이하에서는 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템(100)의 구성, 기능 및 알림방법에 대해 설명하도록 한다.

도 1 및 도 2는 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템의 개념도를 도시한 것이다. 그리고 도 3은 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템의 블록도를 도시한 것이다.

도 1 내지 도 3에 도시된 바와 같이, 기본적으로 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템(100)은, 사용자단말기(10) 내의 GPS 수신기, 네트워크 위치정보를 기반으로 하여 사용자의 위치정보를 취득하고, 사용자의 위치정보에 따른 해당공간 내에서의 미세먼지 등과 같은 환경 유해인자 농도를 파악하여, 시간에 따라 사용자의 이동위치 공간에 따른 유해인자 데이터를 취득하여, 노출량 DB(30)에 사용자별 시공간에 따른 유해인자 데이터를 구축하게 된다. 따라서 사용자는 자신의 위치정보에 따른 해당 공간 내의 환경유해인자 노출 농도를 파악, 모니터링할 수 있으며, 사용자 별로 환경유해인자의 노출정도, 노출강도, 빈도 등에 따른 위해성에 대한 평가결과와, 환경성 질환의 예측정보를 파악할 수 있는 특징을 갖는다.

이러한 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템(100)은, 위치정보취득부(10), 유해인자 농도 DB(20), 노출량 DB(30), 위해성평가수단(60), 데이터 알림부(70) 등을 포함하여 구성될 수 있다.

위치정보취득부(10)는 사용자 단말기(10)를 통해 사용자의 위치정보를 수신받도록 구성된다. 사용자의 위치정보는 실시간으로 취득될 수 있고, 특정주기(예를 들어 5분마다)마다 취득될 수 있다. 본 발명의 실시예에서는 사용자단말기(10)에 EH GPS 트랙커를 설치하여 사용자의 위치데이터를 호울할 수 있으며, 사용자 좌표를 기반으로 주소데이터를 연동하고, 사용자 위치추적 데이터 베이스 테이블 구조(사용자 아이디, 폰넘버, 위도, 경도, 지역명, 프로바이더)를 생성하게 된다. 또한 이때 사용자가 실내에 위치하고있는 지, 실외에 위치하고 있는 지를 파악하게 된다. 본 발명의 실시예에서는 실외에서는 GPS, 실내에서는 네트워크 위치정보를 통해 위치정보를 취득하게 된다.

사용자 단말기(10)의 어플리케이션이 O/S에 위치정보를 문의하면, 두 가지의 정보를 선택하여 받을 수 있다. H/W인 GPS 모듈로 부터 측정된 GPS 위치정보와 SK텔레콤과 같은 Network provider가 GPS 위성 및 자사 기지국과 스마트폰의 위치의 계산을 기반으로 생성한 network 위치정보이다.

Network 위치정보는 사전에 정의된 정보의 값을 활용하는 로직으로 구성되어 정보의 요구와 응답에 거의 시간 지연이 발생하지 않는다. 하지만, GPS 위치정보는 다르다. GPS 위치정보를 얻기 위해서는, GPS H/W를 구동시켜야 하고, GPS모듈에서 해당 위성정보를 수집하여 좌표계로 변환하는 과정이 수행된 연후에 정보제공이 가능하기 때문이다. 이 procedure에는 소요되는 시간이 매우 짧을 수도 있지만, 반면에 3분 이상 길어지는 경우도 있다. 실외에 있을 경우, 대부분은 1분 이내에 GPS위치정보의 생성과 정보 제공이 가능하기 때문에 문제가 없을테지만, 실내와 같이 GPS 위성으로부터 정보 수신이 어려운 경우에는 시간이 많이 소모된다. GPS위치정보의 생성에 대한 시간을 정해 놓지 않으면, 서버로의 주기적인 정보 전송이 불가한 경우가 발생한다. 따라서 본 발명의 실시예에서는 GPS위치정보의 수신 대기 시간을 2분으로 정의하였다.

서버는 스마트폰으로부터 GPS위치정보를 수신했는지, network 위치정보를 수신했는지 구분이 가능하기 때문에, 실내외를 구분하여 저장할 수 있다.

도 4는 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림방법의 흐름도를 도시한 것이다.

사용자의 위치정보를 추적(호출)하고(S1), 사용자 좌표를 기반으로 주소데이터를 연동하여, 사용자 위치기반 환경 유해인자 노출데이터를 유해인자 농도 DB(20)로부터 조회하게 되며, 사용자 환경 유해인자 노출량 DB(30)에 저장하게 된다.

즉, 유해인자 농도 DB(20)로부터 위치정보에 대응된 해당공간에서의 유해인자 데이터를 취득하게 되고, 노출량 DB(30)에 사용자별 시공간에 따른 유해인자 데이터를 저장하게 된다(S2). 즉, 사용자별 시공간에 따른 유해인자 데이터는 특정 시간 동안 노출된 유해인자 농도에 대한 공간별 누적량 데이터에 해당한다. 또한 후에 설명하는 바와 같이, 유해 인자 농도 DB(20)의 유해인자 데이터는 현재 측정데이터 뿐 아니라, 예측된 유해인자 데이터를 포함할 수 있다.

그리고 위해성 평가수단(60)은 사용자별 시공간에 따른 유해인자 데이터를 기반으로 위해성을 평가하여 위해성 분석데이터를 생성하게 된다(S3). 그리고 데이터 알림부(70)를 통해 사용자별 시공간에 따른 유해인자농도 데이터와 상기 위해성 분석데이터를 상기 사용자 단말기(10)로 전송하게 된다(S4).

또한 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템(100)에서는 먼저 유해인자 농도 DB(20)가 구축되어 있다. 환경 유해인자 농도에 대한 고해상도 데이터를 수집하기 위해, 1) 측정기 기반의 실측데이터, 다른 서버(공공기관, 연구과제 등)과 연동하고 2) 인공지능 모델링 기반의 보간기술을 활용하게 된다. 도 5는 본 발명의 실시예에 따른 고해상도 유해인자 농도 데이터 수집 예시를 도시한 것이다.

보다 구체적으로, 유해인자 농도 DB(20)는, 위치별 실내공간의 유해인자 데이터가 저장된 실내농도 DB(21)와, 위치별 실외공간의 유해인자 데이터가 저장된 실외농도 DB(22)를 포함하며, 이러한 실내농도 DB(21)과 실외농도 DB(22)에 저장되는 유해인자 데이터는 예측데이터를 포함할 수 있다. 저장되는 위치별 유해인자 데이터는, 측정지점의 유해인자 데이터와 미측정지점의 유해인자데이터를 포함하고 있다.

도 6은 본 발명의 실시예에 따른 인공지능 기반 환경유해인자 고해상도 데이터 보간방법의 과정을 나타내는 흐름도를 도시한 것이다.

먼저, 예측 모델의 훈련 단계(S100)는 측정 노드가 측정지점의 환경유해인자 데이터를 측정하고, 입력장치에 측정지점의 환경유해인자 데이터와 공간 정보 데이터가 입력될 수 있다(S110). 측정지점의 데이터 입력 단계(S110) 후, 데이터 처리장치는 데이터 정규화부 및 인코딩부를 통해 측정지점의 환경유해인자 데이터를 정규화한 후, 정규화된 환경유해인자 데이터와 상기 정규화된 환경유해인자 데이터의 마스크 데이터를 생성할 수 있고, 측정지점의 공간 정보 데이터를 정규화한 후, 공간 정보 데이터와 상기 공간 정보 데이터의 마스크 데이터를 생성하고, 정규화된 환경유해인자 데이터 및 상기 환경유해인자 데이터의 마스크 데이터와, 의 정규화된 공간 정보 데이터 및 상기 공간 정보 데이터의 마스크 데이터를 측정지점의 입력 데이터로 인코딩함으로써, 데이터를 전처리할 수 있다(S120).

인코딩부는 정규화된 환경유해인자 데이터 중 결측 데이터를 임시 값인 '0'으로 채워 넣을 수 있으며, 마스크 데이터의 임시 값에 해당되는 영역에 '1', 임시 값을 제외한 나머지 환경유해인자 데이터에 해당되는 영역에 '0'의 값을 채워 넣을 수 있다. 상기 데이터 전처리 단계(S120) 후, 예측 모델 생성장치는 예측 데이터를 생성하기 위한 반복 신경망 기반 의 예측 모델을 생성할 수 있다(S130). 예측 모델 생성 단계(S130)에서는, 예측 모델 생성장치가 예측 모델의 성능을 평가하기 위해 예측 모 델을 복수로 생성하는 것이 바람직하다.

예측 모델 생성 단계(S130) 후, 예측 모델 생성장치는 환경유해인자 데이터의 결측 데이터가 존재하지 않는 측정지점에 대해 평가 기법을 적용하여 예측 모델의 성능을 평가할 수 있으며(S140), 복수의 예측 모델 중 가장 좋은 성능의 예측 모델을 확정할 수 있다(S150). 상기 예측 모델 성능평가 단계(S140)에서는, 예측 모델 생성장치가 복수의 예측 모델에 대해 MAE, RMSE, MAPE의 성능 평가 기법을 순차적으로 적용하여 예측 모델의 성능을 평가할 수 있다. 상기 예측 모델 확정 단계(S150)에서는, 예측 모델 생성장치가 성능 평가된 복수의 예측 모델 중 환경유해 인자가 측정된 별도의 측정지점에 대한 환경유해인자 데이터의 실제 값과 오차 값의 차이가 가장 낮은 예측 모 델을 최종 예측 모델로 확정할 수 있다.

한편, 상기 예측 모델 확정 단계(S150)에서 확정된 최종 예측 모델은 보간 단계(S200)의 예측 모델 적용 단계(S230)에서 예측 모델 생성장치에 적용될 수 있다. 보간 단계(S200)는 측정지점 또는 미측정지점의 환경유해인자 데이터의 보간이 이루어지는 것이 바람직하나, 이하에서는 미측정지점의 보간 단계를 통해 본 발명의 보간 단계(S200)를 자세히 설명하도록 한다. 먼저, 예측 모델의 보간 단계(S200)는 입력장치에 미측정지점의 환경유해인자 데이터와 미측정지점의 공간 정보 데이터가 입력될 수 있다(S210). 환경유해인자 데이터는 측정 노드가 미설치되어 미측정지점의 환경유해인자 데이터를 측정하는 것이 불가능하므로, 환경유해인자 데이터는 전 시간 영역에 걸쳐 모두 결측 데이터일 수 있다.

미측정지점의 데이터 입력 단계(S210) 후, 데이터 처리장치는 데이터 정규화부 및 인코딩부를 통해 미측정지점의 환경유해인자 데이터와 상기 환경유해인자 데이터의 마스크 데이터를 생성하며, 미측정지점의 공간 정보 데이터를 정규화한 후, 상기 공간 정보 데이터와 상기 공간 정보 데이터의 마스크 데이터를 생성하고, 정규화된 환경유해인자 데이터 및 상기 환경유해인자 데이터의 마스크 데이터와, 정규화된 공간 정보 데이터 및 상기 공간 정보 데이터의 마스크 데이터를 미측 정지점의 입력 데이터로 인코딩함으로써, 데이터를 전처리할 수 있다(S220).

인코딩부는 미측정지점의 환경유해인자 데이터는 모든 데이터가 결측 데이터이므로, 모든 데이터가 임시 값인 '0'으로 채워 넣을 수 있으며, 임시 값에 해당되는 마스크 데이터의 전체 영역에 '1' 의 값을 채워 넣을 수 있다.

데이터 전처리 단계(S220) 후, 예측 모델 생성장치는 상기 예측 모델 확정 단계(S150)에서 확정된 최 종 예측 모델을 적용할 수 있다(S230). 상기 예측 모델 적용 단계(S230)에서는, 예측 모델 생성장치가 최종 예측 모델이 적용된 인코더부 및 디코더부를 통해 미측정지점의 입력 데이터로부터 미측정지점의 예측 데이터를 할 수 있다. 예측 모델 적용 단계(S230) 후, 계산장치는 미측정지점의 예측 데이터로의 반정규화를 통해 미측정 지점(B)의 예측 데이터로부터 최종 예측 데이터를 보간하고, 상기 최종 예측 데이터가 데이터 베이스에 저장될 수 있다(S240). 이러한 본 발명의 데이터 보간방법은 측정지점 및 미측정지점에 대한 저해상도의 환경유해인자 데이터에 포함된 결측 데이터를 예측하여 고해상도의 최종 예측 데이터를 보간함으로써, 사용자는 측정지점(A) 또는 미측정지점(B)의 실외 농도를 예측할 수 있다.

한편, 본 발명에서의 최종 예측 모델은 딥러닝 기반의 예측 모델 또는 머신러닝 기반의 예측 모델일 수 있으나, 바람직하게는 딥러닝 기반의 예측 모델일 수 있다. 이와 같이, 최종 예측 모델이 딥러닝 기반의 예측 모델로 적 용되어야 하는 것은 첨부된 도면들을 참조하여 자세히 설명하도록 하겠다.

도 7a는 환경유해인자의 산점도 분석을 위한 산점도이며, 도 7b는 환경유해인자의 선형관계 평가를 위한 피어슨 상관계수이고, 도 7c는 결측 데이터가 복원된 PM10 변수와 다른 환경유해인자 변수(Feature)의 영향력에 대한 상 관관계를 나타내는 그래프이며, 도 7ds는 머신러닝 모델과 딥러닝 모델의 예측 성능 비교를 위한 그래프이다.

먼저, 도 7a의 산점도(Scatter plot)를 이용하여 측정 노드(10)에서 측정되는 환경유해인자 간 상관관계를 분석 할 수 있다. 여기서, 산점도는 환경유해인자 변수 간의 일대일 상관관계를 분석하기 위한 통계 그래프를 의미한다. 도 7a를 참조하면, 환경유해인자의 산점도의 수직 축은 상측에서 하측으로 수평 축은 좌측에서 우측으로 PM 10 (μg/㎥), PM 2.5(μg/㎥), CO(ppm), CO2(ppm), NO2(ppb), VOC(ppb), HCHO(ppb), Temp(℃), Humid(%)와 같은 순서일 수 있다. 피어슨(Pearson) 알고리즘은 도 7a의 산점도로부터 환경유해인자 간 상관관계를 분석할 수 있다. 여기서, 피어슨 알고리즘은 환경유해인자의 두 변수 간의 연관성을 측정하기 위한 피어슨 상관계수 기반의 알고리즘이다.

도 7b를 참조하면, 환경유해인자 변수 간의 상관계수에서 PM 10(μg/㎥)와 PM 2.5(μg/㎥)의 연관성이 '0.98'로 도출되었으며, Temp(℃)와 Humid(%)의 연관성은 '0.81'로 도출되었다. 이를 통해, 피어슨 알고리즘은 PM 10(μ g/㎥)와 PM 2.5(μg/㎥), 그리고 Temp(℃)와 Humid(%)의 사이에서 뚜렷한 상관관계가 있는 것으로 분석할 수 있다. 또한, CO(ppm), NO2(ppb), HCHO(ppb)는 측정 노드(10)에서 환경유해인자 데이터를 측정한 기간동안 '0'의 값으로 측정됨에 따라 연관성이 모두 '0'이므로, 도 5의 환경유해인자 변수 간의 상관계수에 도시되지 않았다. 이를 통해, 피어슨 알고리즘은 CO(ppm), NO2(ppb), HCHO(ppb)가 변수로 사용하기에는 부적합한 것으로 분석할 수 있다. 더 나아가, 환경유해인자 변수 간의 상관계수에서는 커널밀도 추정(Kernel Density Estimation)을 통해 PM 10 (μg/㎥)으로부터 Humid(%)를 향해 연관성의 값이 '1'인 그래프가 이루어질 수 있다. 도 7c의 미래 예측 성능(MSE)의 값은 환경유해인자 데이터의 20 %를 임의로 결측시킨 후, 환경유해인자 변수를 하나씩 제외하면서 PM 10(μg/㎥)의 수치를 예측한 결과를 나타낸다. 이러한 도 7c의 미래 예측 성능에 대한 그 래프는 PM 10(μg/㎥)과 다른 변수 간의 상관관계를 제시하고 있다.

도 7c을 참조하면, PM 2.5(μg/㎥)가 '208.48', CO2(ppm)가 '67.42', VOC(ppb)가 '66.94', Temp(℃)가 '72.98', Humid(%)가 '63.72', 변수의 전체 사용이 '75.11'로 미래 예측 성능 값이 도출되었다. 이를 통해, PM 2,5(μg/ ㎥)가 PM 10(μg/㎥)와 가장 큰 상관관계를 갖고 있으며, PM 2,5(μg/㎥)를 제외한 나머지 환경유해인자 변수는 미래 예측 성능이 크게 떨어지며, PM 10(μg/㎥)과의 상관관계가 없을 뿐만 아니라, 딥러닝 예측 모델 또는 머 신러닝 예측 모델의 학습을 방해하는 것으로 분석할 수 있다. 즉, 환경유해인자 변수 간의 상관관계와 대응하여 딥러닝 예측 모델 또는 머신러닝 예측 모델의 학습이 이루어 지는 것이 학습 효율이 높은 것을 의미한다. 한편, 측정 노드(10) 간의 거리를 이용하여 딥러닝 예측 모델과 머신러닝 예측 모델의 성능을 비교하였다. 먼저, 측정 노드(10) 간의 거리는 위도와 경도를 이용하는 하버사인(haversine) 공식을 통해 산출될 수 있다. 여기서, 하버사인 공식은 타겟 노드와 비타겟 노드 간의 위도와 경도를 통해 타겟 노드와 비타겟 노드 간의 최 단거리를 구하는 공식이다. 그 후, 타겟 노드로부터 거리가 짧은 비타겟 노드를 반경 1 km, 2 km, 3 km, 4 km, 5 km 순으로 제외하면서 타 겟 노드의 예측 실험을 진행하여 딥러닝 예측 모델과 머신러닝 예측 모델의 타겟 노드와 비타겟 노드의 간격에 의한 영향력을 확인하였으며, 이에 대한 결과는 도 7d의 그래프와 같다.

도 7d를 참조하면, 머신러닝 예측 모델은 타겟 노드와 비타겟 노드 간의 거리에 따라, 미래 예측 성능(MAE 또는 RMSE)의 값이 크게 변화되는 반면, 딥러닝 예측 모델은 타겟 노드와 비타겟 노드 간의 거리와 상관없이 미래 예 측 성능 값에 변화가 없는 것으로 분석되었다. 이에 따라, 딥러닝 예측 모델은 타겟 노드와 비타겟 노드 간의 거리에 대한 영향력이 머신러닝 예측 모델보다 작아 미래 예측 성능 값의 변화가 크게 일어나지 않으므로, 딥러닝 예측 모델이 머신러닝 예측 모델보다 환경유 해인자 데이터의 보간을 위한 최종 예측 모델로 적용되는 것이 바람직하다는 결과가 도출되었다.

앞서 언급한 본 발명의 실시예에 따른 인공지능 기반 환경유해인자 고해상도 데이터 보간방법을 통해 구축된 유해인자 농도 DB(20)를 통해, 사용자 위치정보에서의 유해인자 데이터를 확인, 모니터링할 수 있으며, 단위 시공간에 대한 총 노출량을 노출량 DB(30)에 저장할 수 있다. 도 8은 본 발명의 실시예에 따른 존재 인구 기반의 단위 시공간 총노출량 산정 예시를 나타낸 것이다.

본 발명의 실시예에 따른 유해인자의 농도를 예측하고 대응 체계를 수립하는 것과 함께 단위 공간의 사용자에 대한 총노출량을 예측하는 것이 중요하다. 환경유해인자의 동일한 농도 하에서도 사용자의 수에 따라 건강영향이 높은 지역에 대한 대응을 수립할 수 있어야 한다. 단위공간(100m*100m)에 거주했던 ‘존재인구’는 다양한 통계데이터를 활용할 수 있으며, 이동통신시스템을 활용한 p-Cell 기반의 데이터도 적용이 가능하다.

고해상도 환경유해인자 농도정보와‘존재인구’데이터를 활용하여 단위 시공간의 총노출량을 산정할 수 있다. 기초데이터는 5분 단위로 형성이 되지만, 총노출량 모니터링을 위해서는 1시간 평균 데이터를 활용한다. 객체 공간에 대한 시간별 총노출량 변동을 모니터링할 수 있으며, 축적된 데이터 기반으로 환경유해인자 농도 변화에 대한 시뮬레이션도 가능하다. 또한 본 발명의 실시예에 따른 시스템에 활용된 존재인구 데이터는 5세 단위의 연령별과 성별 통계 수치를 반영하고 있어, 민간계층에 대한 노출량 산정 및 고농도에 따른 건강영향 시뮬레이션도 수행할 수 있다.

그리고 노출량 DB(30)에 구축된 사용자별 시공간에 따른 유해인자 데이터를 기반으로 위해성평가수단(60)은 위해성을 평가하여 위해성 분석데이터를 생성하게 된다. 위해성평가수단(60)에 의한 위해성 평가는, 유해인자물질에 대한 정보를 수집하고,유해인자별 노출강도, 빈도, 기간에 대한 노출량을 평가한 후, 유해영향이 발생할 확률을 결정

본 발명의 실시예에서는 실시간 사용자 및 유해인자 상태 모니터링과 함께, 사용자의 환경성 질환의 예측이 반영되어질 수 있다.

노출평가는 사용자에 환경유해인자가 노출된 농도, 빈도 및 기간을 측정하는 방법이다. 일반적으로 ‘위해성’이란 ‘어떤 바람직하지 않은 일이 일어날 가능성’ 을 나타낸다. ‘위해성 평가’란 “환경오염인자의 유해성과 노출량 모두를 조사하고, 사람의 건강이나 환경 중 생물에서 영향이 미칠지를 명확히하는 것으로 정의할 수 있다.

인간 건강 위해성 평가(Human Health Risk Assessment, HRA)는 유해물질이 환경에 배출될 때 인체에 노출되는 크기와 해당 환경유해인자의 안전 수준을 비교 평가하여 인체에 미치는 건강 영향의 크기와 발생확률을 추정 하는 일련의 과정이다.

건강위해성평가 시에는 노출기간, 노출빈도, 평균수명, 체중 등의 노출계수 와 환경유해인자별 병합 평균농도와 노출인자계수 및 이들의 확률밀도를 이용하여 일일 평균 용량(average daily nose, ADD)등을 반영한다.

US NRC(National Research Council)과 US NAS(National Academy of Sciences)에서 1983년 제안되어진 Health Risk Assessment 방법은 총 4단계의 과정을 제시하고 있으며 각 단계는 다음과 같다.

①Hazard Identification

유해성 확인 단계라고도 하며 화학물질의 독성 및 작용기작에 대한 역학 자료를 바탕으로 화학물질이 인체에 미치는 유해한 건강영향을 규명하고 그 확실성을 검증하는 과정이다. 어떤 화학물질에 노출되었을 경우 ‘유해한 영향을 일으키는가?’를 결정하는 단계로써 수집한 역학 자료를 토대로 그 유해성 여부를 확인하는 정성적 평가 단계이다. 유해성 확인을 위해 역학, 독성, 인위적 실험, In vitro/In vivo 실험, 물리화학적 특징 등과 같은 자료를 수집하여 평가한다. 수집된 자료를 통하여 조사하고자 하는 유해화학물질의 독성이나 발암/비발암성 등을 확증하게 된다. IRIS(Integrated Risk Information System), IRPTC(International Register of Potentially Toxic Chemicals), TOXNET(Toxicology Data Network) 등과 같은 곳에서 다양한 자료를 수집 할 수 있다.

②Dose-Response Assessment

용량-반응 평가라고도 하며 유해한 영향이 어느 정도의 노출량으로 발생하는지를 조사하는 단계이다. 독성이 높은 물질의 경우 매우 적은 양이 인체에 노출되어도 인체에 유해한 영향을 나타낼 것이며 낮은 독성의 물질의 경우 매우 많은 양에 노출되어도 인체에 유해한 영향을 나타내지 않을 수 있어 이에 대한 정확한 판단이 필요하다. 본 단계에서는 인체에 유해한 영향이 어느 정도 노출량에 의해 발생되었는지를 평가하며 이를 위하여 동물시험 결과 등에서 “유해한 영향을 나타내지 않는 양” (악영향무관찰량)을 참고하여 이 결과를 사람에게 적용하는 경우의 볼확실성(종간 차이, 개인의 감수성에 의한 차이 등)을 고려하고, “사람의 건강에 대해 유해한 영향을 나타내지 않는 양을 산출한다.

도 9a는 용량-반응 평가에서 역치가 존재하지 않는 경우의 Linear no-threshold model 그래프를 나타낸 것이다. 용량-반응 평가에서 역치(Threshold)의 유무에 따라 비발암성물질, 발암성물질로 나눠 평가를 진행하게 된다. 도 9a에 도시된 바와 같이, 역치가 존재하지 않는 경우 Linear no-threshold model을 따르는 것으로 가정하며 이는 노출된 Dose에 비례하여 Risk가 증가하는 것으로 평가한다. 이들은 발암성 물질로써 분류되며 발암성 물질 및 유전독성물질을 포함한다. 이들은 단위위해도(Unit Risk : UR) 또는 Slope Factor(SF) 둘 중 하나의 단위로 평가한다.

도 9b는 용량-반응 평가에서 역치가 존재하는 경우의 threshold model 그래프를 도시한 것이다. 도 9b에 도시된 바와 같이, 역치가 존재하는 경우 Threshold model을 따르는 것으로 가정하며 이는 억치 이하의 Dose에선 유해한 건강영향이 발생하지 않다가 역치를 넘어선 순간 일정한 Risk가 발생하는 것으로 평가한다. 이들은 비발암성 물질로써 분류되며 발암성 물질중 비유전 독성물질은 비발암성 물질의 건강영향과 동일하다고 간주하고 평가를 진행한다. 이들은 RfD(Reference Dose) 혹은 RfC(Reference Concentration)으로 평가한다.

③Exposure Assessment

노출 평가라고도 하며 건강영향집단이 어느 정도의 양의 오염물질에 노출되어 있는지를 조사하는 단계이다. 이 과정에서 평가하고자 하는 물질에 대한 사람에의 환경중 노출 강도(Strength), 빈도(Frequency) 및 기간(Duration)을 측정 또는 평가하게 되며 배출원, 환경오염 측정자료 또는 예측자료를 이용하여 환경 중 농도를 매개체(공기, 물, 토양, 음식물 등)에 의한 노출경로를 고려하여 인체의 일일 노출량으로 표현한다. 인체의 일일 노출량은 개인 또는 집단의 다양한 생활양식의 변화에 따라 다양하게 변화하므로 노출인구집단의 크기, 노출의 강도, 노출 시간 등의 노출발생과 관련된 다양한 노출계수를 조사 및 정리하여 노출 시나리오를 구성작성하며 이를 토대로 인체의 일일 노출량을 도출하게 된다. 이는 발암성 혹은 비발암성 물질에 따라 LADD(Lifetime Average Daily Dose) 또는 ADD(Average Daily Dose)로 나눠 도출하며 도출식은 도 9c와 같다. ADD의 경우 LT(Life Time)대신 AT(Average Time Period of Exposure)로 계산한다.

④Risk Characterization

위해성 결정이라고도 하며 앞선 단계들에서 얻은 정보들을 종합하여 유해영향이 발생할 확률을 결정하는 단계로써 발암 및 비발암성에 따라 최종적인 위해도를 도출한다. 도 9d는 비발암성 물질과 발암성 물질을 통한 Health Risk 도출 개념도를 도시한 것이다.

발암성 물질의 경우 그 위해도는 ECR(Excess Cancer Risk)로 표현되며 보통 1x10^-5 이상의 값을 가질 경우 위해성이 있다고 판단한다. ECR을 구하는 식은 다음의 식 1과 같다.

[식1]

비발암성물질의 경우 그 위해도는 HQ(Hazard Quotient)로 표현되며 도출된 값이 1 이상의 값을 가질 경우 위해성이 있다고 판단한다. HQ를 구하는 식은 다음의 식2와 같다.

[식2]

ECR 및 HQ를 통하여 인체의 위해성을 정량적으로 도출 및 평가할 수 있으나, 인체 위해성 평가 모델은 그 특징상 불확실성을 가지고 있다. 도 9e는 Monte-Carlo Simulation을 이용한 불확실성 분석의 활용예를 도시한 것이다. 불확실성은 모수에 대한 불확실성, 모델에 대한 불확실성, 결정규칙에 대한 불확실성, 변수에 대한 불확실성 총 네 개의 불확실성으로 구분이 가능하며 이러한 불확실성에 대해 분석 및 제시하여야 한다. 불확실성을 분석하기 위하여 주로 Monte-Carlo Simulation을 이용한다.

또한 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템(100)은 도 2 및 도 3에 도시된 바와 같이, 사용자에 대한 신체정보를 개인별로 저장하는 임상정보 DB(50)를 포함할 수 있다. 따라서 위해성평가수단(60)은, 개인별 신체정보와 유해인자데이터를 통합분석하여 환경성 질환 증상징후를 사전예측할 수 있게 된다. 이러한 임상정보 DB(50)에 저장되는 사용자별 신체정보는 사용자가 직접입력한 정보일 수도 있고, 사용자가 착용한 웨어러블 기기를 통해 측정된 생체신호일 수 있다. 생체정보는 다양한 웨어러블 측정기기(2)에 의해 측정되는 폐소리, 심박수, 산소포화도, 피부수분 함유량 등일 수 있다.

또한 본 발명의 실시예에 따른 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템(100)은 사용자 이동패턴분석부(40)를 포함할 수 있다. 이러한 이동패턴분석부(40)는 사용자의 위치정보에 기반하여 이동거리, 빈번하게 위치하게 되는 공간, 요일별, 시간별 빈번 거주 공간 등을 분석할 수 있다.

그리고 분석된 이동패턴에 기반하여, 유해인자 농도 예측데이터와, 이러한 예측데이터에 기반하여 사용자별 시공간에 따른 유해인자 예측 데이터를 생성할 수 있다. 예를 들어, 사용자의 이동패턴 분석결과 내일 특정시간에 방문, 이동하게 되는 공간의 예측 유해인자 농도가 높거나, 이동패턴 분석결과 내일 외출 총 시간에서의 예측 유해인자 총 노출 농도가 높아 위해성이 존재한다고 판단되면, 사용자에게 미리 예측된 위해인자 데이터와, 위해성 평가데이터를 사전에 안내하여 모니터링이 가능하도록 할 수있다.

또한, 상기와 같이 설명된 장치 및 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

1:사용자단말기
2:웨어러블 측정기기
10:위치정보취득부
20:유해인자 농도 DB
21:실내농도 DB
22:실외농도 DB
30:노출량 DB
40:사용자 이동패턴분석부
50:임상정보 DB
60:위해성평가수단
70:데이터알림부
100:사용자 위치정보 기반 환경유해인자 노출정보알림 시스템

Claims

사용자 환경유해인자 노출정보알림 시스템에 있어서,
사용자 단말기를 통해 사용자의 위치정보를 수신받는 위치정보취득부; 유해인자 농도 DB로부터 상기 위치정보에 대응된 해당공간에서의 유해인자 데이터를 취득하여 사용자별 시공간에 따른 유해인자 데이터를 저장하는 노출량 DB; 상기 사용자별 시공간에 따른 유해인자 데이터를 기반으로 위해성을 평가하여 위해성 분석데이터를 생성하는 위해성평가수단; 및 상기 사용자별 시공간에 따른 유해인자농도 데이터와 상기 위해성 분석데이터를 상기 사용자 단말기로 전송하는 데이터알림부;를 포함하고,
상기 사용자의 위치정보는 사용자 좌표데이터와, 실내와 실외 구분 정보를 포함하며, 실외에서는 GPS, 실내에서는 네트워크 위치정보를 통해 위치정보를 취득하며,
상기 유해인자 농도 DB는 유해인자 예측 데이터를 포함하고, 위치별 실내공간의 유해인자 데이터가 저장된 실내농도 DB와, 위치별 실외공간의 유해인자 데이터가 저장된 실외농도 DB를 포함하며, 상기 실외농도 DB에 저장되는 위치별 유해인자 데이터는, 측정지점의 유해인자 데이터와 미측정지점의 유해인자데이터를 포함하고,
상기 위해성평가수단에 의한 위해성 평가는,
유해물질이 환경에 배출될 때 인체에 노출되는 크기와 환경유해인자의 안전 수준을 비교 평가하여 인체에 미치는 건강 영향의 크기와 발생확률을 추정하는 것으로,
환경유해인자의 독성 및 작용기작에 대한 역학 자료를 바탕으로 환경유해인자이 인체에 미치는 유해한 건강영향을 규명하고 그 확실성을 검증하는 유해성 확인 단계와, 환경유해인자의 유해한 영향이 어느 정도의 노출량으로 발생하는지를 조사하고 발암성물질의 위해도를 slope Factor로 평가하고 비발암성 물질의 위해도를 RfD로 평가하는 용량-반응 평가 단계와, 환경유해인자별 노출강도, 빈도, 기간에 대한 일일 노출량을 발암성 물질 또는 비발암성 물질에 따라 LADD 또는 ADD로 나눠 하기의 수학식 1로 계산하는 단계와, 발암성 물질 및 비발암성 물질에 따라 유해영향이 발생할 확률을 결정하는 위해성 결정단계와, Monte-Carlo Simulation을 이용한 불확실성 분석단계를 포함하며,
상기 발암성 물질의 위해도는 ECR(Excess Cancer Risk)로 표현되며 1x10^-5 이상의 값을 가질 경우 위해성이 있다고 판단하고 상기 ECR은 하기 수학식 2로 산출되고, 비발암성물질의 위해도는 HQ(Hazard Quotient)로 표현되며 1 이상의 값을 가질 경우 위해성이 있다고 판단하며 상기 HQ는 하기 수학식 3으로 산출되는 것을 특징으로 하는 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템:
[수학식 1]

상기 ADD 계산시는 LT대신 AT(Average Time Period of Exposure)로 계산한다.
[수학식 2]

[수학식 3]
제 1항에 있어서,
유해인자 데이터는,
예측 모델 생성장치에서 측정 노드가 하나 이상 설치된 측정지점 또는 상기 측정 노드가 미설치 된 미측정지점에 대한 저해상도의 유해인자 데이터와 공간 정보 데이터를 정규화 및 인코딩한 입력 데이터로부터 예측 데이터를 생성하는 복수의 예측 모델을 생성한 후, 상기 유해인자 데이터가 측정된 별도의 측정지점에 대해 적용되는 평가 기법으로 상기 복수의 예측 모델을 평가하여 상기 복수의 예측 모델 중 상기 별도의 측정지점의 유해인자 데이터의 실제 값과 예측 값의 오차 정도가 가장 작은 예측 모델을 최종 예측 모델로 확정하고, 상기 예측 모델 생성장치가 상기 최종 예측 모델을 통해 상기 측정지점 또는 상기 미측정지점에 대한 저해상도의 환경유해인자 데이터와 공간 정보 데이터를 정규화 및 인코딩한 입력 데이터로부터 예측 데이터를 생성하며, 계산장치가 상기 예측 데이터를 고해상도의 최종 예측 데이터로 보간하여 산출되는 것을 특징으로 하는 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템.
삭제
제 1항에 있어서,
상기 사용자에 대한 신체정보를 개인별로 저장하는 임상정보 DB를 더 포함하며,
상기 위해성평가수단은, 개인별 상기 신체정보와 상기 유해인자데이터를 통합분석하여 환경성 질환 증상징후를 사전예측하는 것을 특징으로 하는 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템.
제 4항에 있어서,
상기 임상정보 DB는 사용자가 착용한 웨어러블 기기를 통해 측정된 생체신호를 저장하고, 상기 위해성평가수단은, 개인별 상기 생체신호와 상기 유해인자데이터를 통합분석하여 환경성 질환 증상징후를 사전예측하는 것을 특징으로 하는 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템.
제 1항에 있어서,
누적된 상기 위치정보를 기반으로 사용자의 이동패턴을 분석하는 이동패턴분석부를 포함하고,
상기 위해성 평가수단은 상기 이동패턴분석부에 의해 분석된 이동패턴과, 유해인자 예측데이터와, 사용자별 시공간에 따른 유해인자 예측 데이터를 기반으로 위해성을 평가하여 사전에 데이터알림부를 통해 사용자에게 위해성 평가데이터를 전송하는 것을 특징으로 하는 사용자 위치정보 기반 환경유해인자 노출정보알림 시스템.