KR102424629B1 - 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 - Google Patents
딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 Download PDFInfo
- Publication number
- KR102424629B1 KR102424629B1 KR1020190119246A KR20190119246A KR102424629B1 KR 102424629 B1 KR102424629 B1 KR 102424629B1 KR 1020190119246 A KR1020190119246 A KR 1020190119246A KR 20190119246 A KR20190119246 A KR 20190119246A KR 102424629 B1 KR102424629 B1 KR 102424629B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- user
- parameter
- test
- modeling data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000013135 deep learning Methods 0.000 title abstract description 51
- 206010012559 Developmental delay Diseases 0.000 title 1
- 230000006872 improvement Effects 0.000 claims abstract description 158
- 208000035976 Developmental Disabilities Diseases 0.000 claims abstract description 84
- 238000012360 testing method Methods 0.000 claims description 73
- 230000008569 process Effects 0.000 claims description 67
- 238000009226 cognitive therapy Methods 0.000 claims description 50
- 238000002405 diagnostic procedure Methods 0.000 claims description 45
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 42
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 230000003930 cognitive ability Effects 0.000 claims description 29
- 230000001149 cognitive effect Effects 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 22
- 230000008447 perception Effects 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000003936 working memory Effects 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000036632 reaction speed Effects 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 2
- 238000011282 treatment Methods 0.000 description 40
- 238000012549 training Methods 0.000 description 37
- 238000013480 data collection Methods 0.000 description 25
- 238000003745 diagnosis Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 12
- 208000024891 symptom Diseases 0.000 description 12
- 230000015654 memory Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000003920 cognitive function Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000007370 cognitive improvement Effects 0.000 description 5
- 238000010835 comparative analysis Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 3
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 description 3
- 206010003805 Autism Diseases 0.000 description 3
- 208000020706 Autistic disease Diseases 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000003141 lower extremity Anatomy 0.000 description 3
- 238000011369 optimal treatment Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 210000001364 upper extremity Anatomy 0.000 description 3
- 208000012239 Developmental disease Diseases 0.000 description 2
- 208000029560 autism spectrum disease Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000013102 re-test Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009246 art therapy Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000005281 excited state Effects 0.000 description 1
- 230000008449 language Effects 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008111 motor development Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229940124595 oriental medicine Drugs 0.000 description 1
- 238000010827 pathological analysis Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000009245 play therapy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002630 speech therapy Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- 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
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Marketing (AREA)
- Epidemiology (AREA)
- Human Resources & Organizations (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Public Health (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
- Pharmaceuticals Containing Other Organic And Inorganic Compounds (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
본 발명은 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법에 관한 것이다. 상기 발달장애 개선 시스템은, 사용자 단말기로부터 입력받은 사용자의 진단정보와, 상기 사용자 단말기에 제공되는 과제에 대한 수행정보를 수신하는 정보 수집부, 상기 진단정보를 기초로 하나 이상의 파라미터를 산출하고, 산출된 파라미터를 이용하여 모델링을 수행하는 파라미터 모델링부, 및 상기 과제에 대한 수행정보 및 상기 파라미터 모델링부에서 출력된 모델링 데이터를 입력받고, 이에 대한 출력으로 차기 수행과제코드 및 예상개선율을 출력하는 학습부를 포함한다.
Description
본 발명은 사용자 단말기를 통해 입력된 진단검사정보를 기초로 사용자의 발달장애를 진단하고, 딥러닝 모듈을 이용하여 사용자에게 적합한 인지능력 개선 컨텐츠를 도출하기 위한 발달장애 개선 시스템 및 방법에 관한 기술이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할뿐 종래기술을 구성하는 것은 아니다.
종래에는 상담이나 관찰만으로 소아의 자폐스펙트럼장애 또는 경도인지장애 등과 같은 발달장애를 진단하는 것이 일반적이었다.
소아에 대한 발달장애 진단은 소아의 발달 및 성장에 큰 영향을 미칠 뿐 아니라, 소아가 해당되는 질환의 종류에 따라 다른 처방이 이루어져야 하기 때문에 매우 신중하게 이루어져야한다.
다만, 치료사의 짧은 시간 상담이나 단편적인 관찰로만 진단이 이루어지는 경우, 실제 소아에 대한 정확한 진단이 수행되기 어려운 문제가 있었다. 또한, 치료사 개인의 판단에 의존한 주관적인 개선율 측정으로 인해, 증상개선치료에 한계가 있었다.
최근에는 발달장애에 대해 전문적인 치료를 위한 특수재활치료기관, 아동심리발달센터, 발달장애 전문 한의원 등 많은 전문 치료기관이 생기고 있다. 해당 치료기관은 언어치료, 놀이치료, 미술치료 및 약물치료 등을 통하여 발달장애의 개선을 위한 치료를 돕고 있다.
그러나, 이러한 치료 프로그램들은 프로세스 및 컨텐츠가 획일화되어 있어, 개개인의 장애정도에 맞춘 최적의 치료 프로세스를 제공하기 어려운 문제점이 있었다. 또한, 치료기관에서 제공하는 치료 프로세스는 가정에서 연계되어 제공받기 어려운 문제점이 있었다.
본 발명의 목적은, 사용자의 발달장애에 대해 정확히 진단하고, 딥러닝 모듈을 이용하여 가장 높은 예상개선율을 나타내는 치료 프로세스를 도출하는 시스템 및 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 그래픽 인공신경망(Graphic Neural Networks; GNN)을 기초로 학습된 딥러닝 모듈과, 사용자의 다양한 정보를 기초로 모델링된 모델링 데이터를 이용하여, 최적의 치료 프로세스를 도출하는 시스템 및 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 사용자의 호흡패턴 정보, 청지각 정보, 및 신체 움직임 정보에 따라서, 사용자의 발달장애를 개선시킬 수 있는 서로 다른 치료 프로세스를 제공하는 시스템 및 방법을 제공하는 것이다.
또한, 본 발명의 목적은, 사용자가 접근하기 쉬운 휴대용 단말기를 이용하여 사용자에게 최적의 치료 프로세스를 제공할 수 있는 시스템을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 목적을 달성하기 위하여, 본 발명의 실시예에 따른 발달장애 개선 시스템은, 사용자 단말기로부터 입력받은 사용자의 진단정보와, 상기 사용자 단말기에 제공되는 과제에 대한 수행정보를 수신하는 정보 수집부, 상기 진단정보를 기초로 하나 이상의 파라미터를 산출하고, 산출된 파라미터를 이용하여 모델링을 수행하는 파라미터 모델링부, 및 상기 과제에 대한 수행정보 및 상기 파라미터 모델링부에서 출력된 모델링 데이터를 입력받고, 이에 대한 출력으로 차기 수행과제코드 및 예상개선율을 출력하는 학습부를 포함한다.
또한, 상기 학습부는, 상기 파라미터 모델링부에서 생성된 모델링 데이터와, 현재 수행과제코드 및 인지능력 개선율을 포함하는 상기 수행정보를 입력 노드로 하는 입력 레이어와, 차기 수행과제코드 및 예상개선율을 출력 노드로 하는 출력 레이어와, 상기 입력 레이어와 상기 출력 레이어 사이에 배치되는 하나 이상의 히든 레이어를 포함하고, 상기 입력 노드와 상기 출력 노드 사이의 노드 및 에지의 가중치는 상기 학습부의 학습 과정에 의해 업데이트될 수 있다.
또한, 상기 정보 수집부는, 상기 사용자의 과거 진단검사정보 및 환경정보를 더 수신하고, 상기 파라미터 모델링부는, 상기 진단정보에 관한 제1 파라미터를 제1 축에 매핑하고, 상기 과거 진단검사정보에 관한 제2 파라미터를 상기 제1 축과 교차하는 제2 축에 매핑하며, 상기 환경정보에 관한 제3 파라미터를 상기 제1 및 제2 축에 교차하는 제3 축에 매핑하고, 이를 기초로 상기 사용자에 대한 3차원 모델링 데이터를 생성하여 상기 학습부에 전달할 수 있다.
또한, 상기 3차원 모델링 데이터는, 상기 환경정보 중 어느 하나의 항목을 기초로 전체 사이즈가 변경될 수 있다.
또한, 상기 학습부에서 출력되는 복수의 차기 수행과제코드 및 이에 대한 예상개선율을 기초로, 상기 예상개선율이 가장 높은 상기 차기 수행과제코드를 선정하여, 상기 차기 수행과제코드에 대응되는 컨텐츠를 상기 사용자 단말기에 제공하는 컨텐츠 제공부를 더 포함할 수 있다.
또한, 상기 학습부는, 그래픽 인공신경망(Graphic Neural Networks)을 이용하여, 입력된 상기 모델링 데이터와 가장 유사한 모델링 데이터를 도출하고, 이를 기초로 상기 차기 수행과제코드 및 상기 예상개선율을 출력할 수 있다.
또한, 상기 사용자의 진단정보는, 사용자의 호흡량, 호흡강도, 정상 호흡 비율, 및 정상 호흡 유지율 중 적어도 하나를 측정하는 호흡검사정보, 주파수별 가청 데시별, 청지각 능력, 및 청각 지시에 따른 작업기억력 중 적어도 하나를 측정하는 청지각검사정보, 또는 신체 움직임 또는 반응속도를 측정하는 동작반응검사정보를 포함할 수 있다.
또한, 상기 정보 수집부는, 상기 사용자의 과거 진단검사정보를 더 수신하고, 상기 모델링 데이터는, 상기 진단정보에 관한 제1 파라미터를 제1 축에 매핑하고, 상기 과거 진단검사정보에 관한 제2 파라미터를 상기 제1 축과 교차하는 제2 축에 매핑하여 모델링된, 2차원 모델링 데이터를 포함할 수 있다.
또한, 상기 진단정보는, 지능검사, 발달검사, 장애검사, 성격검사, 인지검사, 호흡검사, 청지각검사, 뇌파검사, 및 동작반응검사 중 적어도 하나에 대한 검사정보를 포함하고, 상기 과거 진단검사정보는, 타기관에서 미리 측정된 상기 진단정보의 항목 중 일부에 대한 검사정보를 포함하며, 상기 제2 파라미터는, 검사항목이 매칭되는 상기 제1 파라미터의 해당 부분에 매핑되어 모델링될 수 있다.
또한, 상기 정보 수집부는, 상기 사용자의 환경정보를 더 수신하고, 상기 모델링 데이터는, 상기 환경정보에 관한 제3 파라미터를 상기 제1 및 제2 축에 교차하는 제3 축에 매핑하여 모델링된, 3차원 모델링 데이터를 포함할 수 있다.
또한, 상기 환경정보는, 연령, 성별, 가족력, 병력, 및 생활환경 중 적어도 하나에 대한 정보를 포함하고, 상기 제3 파라미터는, 상기 제1 및 제2 파라미터 중 문제 연관성이 있는 해당 부분에 매핑되어 모델링될 수 있다.
또한, 상기 3차원 모델링 데이터는, 구 형태, 다각뿔 형태, 및 다면체 형태 중 어느 하나의 형태로 모델링된 데이터를 포함할 수 있다.
한편, 본 발명의 실시예에 따른 발달장애 개선 방법은, 사용자 단말기로부터 사용자의 진단정보와, 상기 사용자 단말기에 제공되는 과제에 대한 수행정보를 수신하는 단계, 상기 진단정보를 기초로 하나 이상의 파라미터를 산출하고, 산출된 파라미터를 이용하여 모델링 데이터를 생성하는 단계, 상기 과제에 대한 수행정보 및 상기 모델링 데이터를 입력받고, 이를 기초로 차기 수행과제코드 및 예상개선율을 출력하는 단계, 및 출력된 상기 예상개선율 중 가장 높은 예상개선율을 나타내는 상기 차기 수행과제코드를 선정하고, 선정된 상기 차기 수행과제코드에 대응되는 컨텐츠를 상기 사용자 단말기에 제공하는 단계를 포함한다.
또한, 상기 차기 수행과제코드 및 예상개선율을 출력하는 단계는, 그래픽 인공신경망(Graphic Neural Networks)을 이용하여, 입력된 모델링 데이터와 가장 유사한 모델링 데이터를 도출하고, 이를 기초로 상기 차이 수행과제코드 및 상기 예상개선율을 출력하는 것을 포함할 수 있다.
또한, 상기 사용자의 과거 진단검사정보 및 환경정보를 수신하는 단계를 더 포함하고, 상기 모델링 데이터는, 상기 진단정보에 관한 제1 파라미터를 제1 축에 매핑하고, 상기 과거 진단검사정보에 관한 제2 파라미터를 상기 제1 축과 교차하는 제2 축에 매핑하고, 상기 환경정보에 관한 제3 파라미터를 상기 제1 및 제2 축에 교차하는 제3 축에 매핑함으로써 생성되는 3차원 모델링 데이터를 포함할 수 있다.
본 발명의 발달장애 개선 시스템 및 방법은, 딥러닝 모듈을 이용하여 사용자의 발달장애 정도에 따른 맞춤화 개선 프로세스 및 훈련 컨텐츠를 제공할 수 있다. 이를 통해, 본 발명은 사용자에게 알맞은 개선 프로세스 및 훈련 컨텐츠를 제공함으로써, 발달장애를 단기간에 효과적으로 개선시킬 수 있다.
또한, 본 발명은 그래픽 인공신경망(Graphic Neural Networks)을 이용하여 학습된 딥러닝 모듈과, 사용자의 정보를 기초로 모델링된 모델링 데이터를 이용함으로써, 사용자의 다양한 정보들을 종합적으로 분석할 수 있으며, 가장 개선율이 높은 개선 프로세스를 선정하여 제공할 수 있다.
또한, 본 발명은 사용자에게 적합한 입력 디바이스를 통하여 발달장애치료를 수행할 수 있다. 본 발명은 서로 다른 입력 디바이스에 최적화된 발달장애 훈련 컨텐츠를 제공함으로써, 사용자의 발달장애치료의 효과를 향상시키고 사용자의 만족도를 높일 수 있다.
또한, 본 발명은 일반 사용자가 접근하기 쉬운 휴대용 단말기를 이용하여 발달장애 개선 프로세스 및 훈련 컨텐츠를 제공함으로써, 발달장애 훈련 서비스의 가격을 낮추고, 다양한 국가 또는 다양한 소득수준의 사용자들에게 발달장애 개선 서비스를 널리 보급할 수 있다.
상술한 내용과 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 실시예에 따른 발달장애 개선 시스템을 나타내는 개략도이다.
도 2는 도 1의 발달장애 개선 시스템의 구성요소를 설명하기 위한 블럭도이다.
도 3은 도 1의 발달장애 개선 시스템에 대한 개략적인 동작 방법을 설명하기 위한 블럭도이다.
도 4는 도 2의 학습부의 구성을 도시한 도면이다.
도 5는 도 1의 딥러닝 모듈에서 이용되는 모델링 데이터의 구성을 설명하기 위한 도면이다.
도 6은 도 5의 모델링 데이터에 대한 몇몇 예시를 설명하기 위한 도면이다.
도 7은 본 발명의 발달장애 개선 시스템의 학습단계를 설명하기 위한 순서도이다.
도 8은 본 발명의 발달장애 개선 시스템의 수행단계를 설명하기 위한 순서도이다.
도 9는 도 1의 인지치료서버에 입출력되는 데이터에 대한 몇몇 예시를 설명하기 위한 블럭도이다.
도 10은 도 9의 인지치료서버에 입출력되는 데이터에 대한 일 예를 설명하기 위한 블럭도이다.
도 11은 본 발명의 실시예에 따른 발달장애 개선 시스템에서 사용자에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 12는 본 발명의 실시예에 따른 발달장애 개선 시스템에서 보호자 및 재활전문가에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 13은 본 발명의 실시예에 따른 발달장애 개선 시스템에서 재활전문기관에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 14는 본 발명의 실시예에 따른 발달장애 개선 시스템에서 기업회원에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 2는 도 1의 발달장애 개선 시스템의 구성요소를 설명하기 위한 블럭도이다.
도 3은 도 1의 발달장애 개선 시스템에 대한 개략적인 동작 방법을 설명하기 위한 블럭도이다.
도 4는 도 2의 학습부의 구성을 도시한 도면이다.
도 5는 도 1의 딥러닝 모듈에서 이용되는 모델링 데이터의 구성을 설명하기 위한 도면이다.
도 6은 도 5의 모델링 데이터에 대한 몇몇 예시를 설명하기 위한 도면이다.
도 7은 본 발명의 발달장애 개선 시스템의 학습단계를 설명하기 위한 순서도이다.
도 8은 본 발명의 발달장애 개선 시스템의 수행단계를 설명하기 위한 순서도이다.
도 9는 도 1의 인지치료서버에 입출력되는 데이터에 대한 몇몇 예시를 설명하기 위한 블럭도이다.
도 10은 도 9의 인지치료서버에 입출력되는 데이터에 대한 일 예를 설명하기 위한 블럭도이다.
도 11은 본 발명의 실시예에 따른 발달장애 개선 시스템에서 사용자에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 12는 본 발명의 실시예에 따른 발달장애 개선 시스템에서 보호자 및 재활전문가에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 13은 본 발명의 실시예에 따른 발달장애 개선 시스템에서 재활전문기관에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 14는 본 발명의 실시예에 따른 발달장애 개선 시스템에서 기업회원에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또한, 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
본 발명에서 딥러닝(Deep Learning)은 사물이나 데이터를 군집화하거나 분류하는 데 사용하는 기술이다. 즉, 딥러닝은 많은 양의 데이터를 컴퓨터에 입력하고 비슷한 것끼리 분류하도록 하는 기술이다. 이때 데이터를 어떻게 분류할 것인가를 놓고 이미 많은 기계학습 알고리즘이 등장했다. 딥러닝은 인공신경망의 한계를 극복하기 위해 제안된 기계학습 방법이다.
보다 자세히 설명하자면, 머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.
딥러닝(Deep learning)은 단계를 높여갈수록 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낼 수 있다.
딥러닝 구조는 인공신경망(ANN)를 포함할 수 있으며, 예를 들어 딥러닝 구조는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network), GNN(Graphic Neural Networks) 등의 심층신경망(DNN)으로 구성될 수 있다. 본 명세서에서는 설명의 편의를 위하여 그래픽 인공신경망(Graphic Neural Networks; GNN)을 이용하는 딥러닝 모듈을 예로 들어 설명하도록 한다. 다만, 이는 하나의 예시에 불과하며 본 발명이 위 실시예에 한정되는 것은 아니다.
이하에서, 도 1 내지 도 14를 참조하여 본 발명의 실시예에 따른 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법에 대해 살펴보도록 한다.
도 1은 본 발명의 실시예에 따른 발달장애 개선 시스템을 나타내는 개략도이다.
도 1을 참조하면, 본 발명의 몇몇 실시예에 따른 발달장애 개선 시스템은, 인지치료서버(100)와 사용자 단말기(200)를 포함한다. 이때, 인지치료서버(100)는 데이터 수집관리 모듈(110)과 딥러닝 모듈(120)로 구성될 수 있다.
인지치료서버(100)와 사용자 단말기(200)는 서버-클라이언트 시스템으로 구현될 수 있다. 이때, 인지치료서버(100)는 발달장애 개선 프로세스를 선정하고 사용자 단말기(200)에 제공할 수 있다. 인지치료서버(100)는 유무선 네트워크를 통해 사용자 단말기(200)와 데이터를 송수신할 수 있다.
인지치료서버(100)는 각각의 사용자 단말기(200)로부터 수신된 데이터들에 기초한 빅데이터 분석기술을 이용하여 각 사용자의 발달 상황을 분석하고, 이를 통해 발달장애 정도를 진단할 수 있다. 또한, 진단한 결과를 바탕으로 각 사용자 상황에 알맞은 개선 프로세스 및 훈련 컨텐츠를 제공할 수 있다.
이 과정에서 인지치료서버(100)는 각 사용자의 데이터를 이용하여 학습된 인공신경망(Neural Networks)을 이용하여 발달장애정도를 진단하고, 그에 맞은 개선 프로세스 및 훈련 컨텐츠를 제공할 수 있다. 인공신경망을 이용한 딥러닝 모듈(120)에 대한 구체적인 설명은 도 2 및 도 3을 참조하여 자세히 후술하도록 한다.
이하에서는 발달장애 개선 시스템이 사용자의 발달장애정도(또는, 인지능력)을 진단하고 이를 기초로 각 사용자들에게 적합한 개선 프로세스 및 훈련 컨텐츠를 제공하는 과정을 단계적으로 설명한다.
구체적으로, 인지치료서버(100)는 사용자의 발달상황을 진단하는데 지표가 될 수 있는 각종 데이터를 수집한다. 이때, 발달장애 개선 시스템은 진단정보, 타기관에서 수행한 과거 진단검사정보, 환경정보, 및 과제수행정보를 수집할 수 있다.
여기에서, 상기 진단정보는, 지능검사, 발달검사, 장애검사, 성격검사, 인지검사(뚜렛, ADHD, 자폐증 등), 호흡검사, 청지각검사, 뇌파검사, 및 동작반응검사 중 적어도 하나를 포함하는 검사결과를 포함한다. 상기 과거 진단검사정보는 타기관에서 미리 측정된 상기 진단정보의 항목 중 일부에 대한 검사정보를 포함한다. 상기 환경정보는, 연령, 성별, 가족력, 병력, 및 생활환경 중 적어도 하나에 대한 정보를 포함한다. 또한, 과제수행정보는 사용자 단말기(200)를 통해 수행한 수행과제정보 및 수행정보를 포함한다.
구체적으로, 진단정보는 발달장애 분야에 따라 1) 호흡량, 호흡강도, 정상/비정상 호흡 빈도, 청각 지시에 따른 작업기억력, 인지기능(예를 들어, 실행력, 주의집중력, 협응력, 작업기억력 등), 2) 좌귀, 우귀의 주파수 별 가청 데시벨(dB) 검사 정보 입력. 청각 지시에 따른 작업기억력, 3) 상지/하지/척추 움직임정보(예를들어, 근력, 가용각도, 근전도, 자세유지시간)등을 포함할 수 있다.
인지치료서버(100)는 상술한 사용자 단말기(200)의 사용자에게 훈련 컨텐츠를 통해 설정된 과제를 제공할 수 있다. 훈련 컨텐츠를 수행하는 과정에서 발달장애 개선 시스템은 사용자의 진단정보를 수집할 수 있다.
이어서, 인지치료서버(100)는, 수집된 진단정보와 미리 입력된 과거 진단검사정보 및 환경정보를 기초로, 사용자에게 적합한 추천 개선 프로세스 및 훈련 컨텐츠를 선정할 수 있다. 선정된 개선 프로세스 및 훈련 컨텐츠는 해당 사용자 단말기(200)에 제공될 수 있다.
이때, 사용자 단말기(200)는 휴대폰 등의 이동 통신 장치가 될 수 있으나, 본 발명이 이에 한정되는 것은 아니며, 노트북(laptop), PC(Personal computer), PDA(Personal Digital Assistant), HPC(Handheld PC), 웹패드(WebPad), 태블릿 PC(Tablet PC), 등 통신 포트를 갖는 다양한 형태의 정보단말기가 될 수 있다. 사용자 단말기(200)는 통신 포트를 이용하여 인터넷 또는 네트워크 접속이 가능하다.
추가적으로, 사용자 단말기(200)는 다양한 부가장치와 페어링되어 동작할 수 있다. 예를 들어, 사용자 단말기(200)는 호흡 인터페이스, 청지각 검사 장치, 뇌파 검사장치, 동작 인식 장치 등과 유무선으로 연결되어 동작할 수 있다.
또한, 인지치료서버(100)는 의료기관서버(300)에서 입력된 전문 데이터를 이용함으로써, 발달장애에 대한 판단 정확도를 높일 수 있다.
추가적으로, 발달장애 개선 시스템에서 수집되는 진단정보는, 개선 프로세스 및 훈련 컨텐츠가 제공하고 있는 과제의 현재 제공 상태와 동기되어 수집될 수 있다. 즉, 특정 진단정보가 수집될 때, 사용자가 제공받고 있는 과제와 수행정보는 함께 동기되어 저장됨으로써 정확한 진단정보 분석이 이루어지도록 할 수 있다.
또한, 본 발명은 일반 사용자가 접근하기 쉬운 휴대용 단말기를 이용하여 발달장애 개선 프로세스 및 훈련 컨텐츠를 제공함으로써, 발달장애 훈련 서비스의 가격을 낮출 수 있고, 다양한 장소 및 국가 또는 다양한 소득수준의 사용자들에게 서비스를 널리 보급할 수 있다.
도 2는 도 1의 발달장애 개선 시스템의 구성요소를 설명하기 위한 블럭도이다. 도 3은 도 1의 발달장애 개선 시스템에 대한 개략적인 동작 방법을 설명하기 위한 블럭도이다.
도 2 및 도 3을 참조하면, 본 발명의 실시예에 따른 발달장애 개선 시스템의 인지치료서버(100)는 데이터 수집관리 모듈(110)과 딥러닝 모듈(120)을 포함한다.
여기에서, 데이터 수집관리 모듈(110)은, 정보 수집부(111), 인지능력 진단부(113), 파라미터 모델링부(115), 컨텐츠 제공부(117), 데이터베이스부(119)를 포함할 수 있다. 딥러닝 모듈(120)은 학습부(121)와 메모리부(123)를 포함할 수 있다.
우선, 정보 수집부(111)는 사용자 단말기(200)를 통해 사용자의 진단정보, 과거 진단검사정보, 환경정보, 및 과제수행정보를 수신한다. 정보 수집부(111)는 수신된 정보들을 데이터베이스부(119) 또는 딥러닝 모듈(120) 내 메모리부(123)에 저장할 수 있다.
여기에서, 진단정보는 시스템을 활용한 검사 및 훈련정보와 개선정보 등을 포함할 수 있다. 구체적으로, 진단정보는, 지능검사, 발달검사, 장애검사, 성격검사, 인지검사(뚜렛, ADHD, 자폐증 등), 호흡검사, 청지각검사, 뇌파검사, 및 동작반응검사 중 적어도 하나에 대응되는 검사결과를 포함한다.
예를 들어, 사용자의 진단정보는, 사용자의 호흡량, 호흡강도, 정상 호흡 비율, 및 정상 호흡 유지율 중 적어도 하나를 측정하는 호흡검사정보, 주파수별 가청 데시별, 청지각 능력, 및 청각 지시에 따른 작업기억력 중 적어도 하나를 측정하는 청지각검사정보, 또는 신체 움직임 또는 반응속도를 측정하는 동작반응검사정보를 포함할 수 있다. 이에 대한 자세한 설명은 도 9를 참조하여 이하에서 후술하도록 한다.
과거 진단검사정보는 타기관에서 미리 측정된 상기 진단정보의 항목 중 일부에 대한 검사정보를 포함한다. 과거 진단검사정보는 사용자 단말기(200)를 통해 입력되거나, 의료기관서버(300)로부터 수신하여 입력될 수 있다.
환경정보는 연령, 성별, 가족력, 병력, 병리증상, 다양한 기간 및 병원 등의 검사결과정보 등이 포함될 수 있다.
또한, 정보 수집부(111)는 사용자 단말기(200)를 통해 수행되는 개선 컨텐츠의 정보를 수신한다. 정보 수집부(111)는 사용자가 개선 컨텐츠를 수행하는 동안 중간검사 결과를 수집하며, 수행 후 개체 컨텐츠별 과제수행정보를 수집한다. 과제수행정보는 사용자 단말기(200)를 통해 사용자가 수행한 수행과제정보 및 수행정보, 수행 과제코드, 과제정답률, 인지능력 개선율, 및 과제수행 특이점 등이 포함할 수 있다.
인지능력 진단부(113)는 정보 수집부(111)가 수집한 정보를 기초로 사용자의 발달장애상태(또는, 인지능력)를 진단하도록 구성된다. 예를 들어, 인지능력 진단부(113)는 과거 진단검사정보, 시스템 제공 컨텐츠를 활용한 진단검사의 수행정보를 이용하여 사용자의 인지능력 레벨을 평가한다. 이때, 도출된 인지능력 레벨은 자폐스펙트럼 장애군 및 경도인지장애 등의 분야를 포함할 수 있다.
예를 들어, 인지능력 진단부(113)는 사용자가 사용자 단말기(200)를 통해 수행한 호흡 연계 컨텐츠, 청지각 연계 컨텐츠, 물리 재활 컨텐츠에 포함된 인지개선용 과제에 대한 과제수행정보를 정보 수집부(111)로부터 제공받을 수 있다. 이어서, 인지능력 진단부(113)는 과제수행정보를 분석하여 도출해낸 결과를 딥러닝 모듈(120)에 전달한다. 이때, 인지능력 진단부(113)는 과거의 컨텐츠 활동 정보와 현재의 활동 정보를 대비하여 개선된 항목 및 개선율, 개선기간, 진도율, 종합 개선율, 과제수행 특이점 등을 추출할 수 있다.
인지능력 진단부(113)에서 도출된 인지능력 개선율 및 특이점은 딥러닝 모듈(120)에 전달될 수 있다.
파라미터 모델링부(115)는 정보 수집부(111)에서 수집된 진단정보, 과거 진단검사정보 및 환경정보를 기초로 하나 이상의 파라미터를 산출하고, 산출된 파라미터를 이용하여 모델링을 수행한다.
파라미터 모델링부(115)는 시스템 내에 저장된 정보들을 이용하여 사용자 정보에 대한 다차원 모델링을 수행할 수 있다. 이때, 파라미터 모델링부(115)는 주 활용 변수인 제1 파라미터, 비교 분석 변수인 제2 파라미터, 및 하위 비교 분석 변수인 제3 파라미터를 매핑하여 변수활용 도식을 만들어 낼 수 있다.
예를 들어, 파라미터 모델링부(115)는 진단정보에 관한 제1 파라미터를 제1 축(X축)에 매핑하여 모델링한 1차원 모델링 데이터를 생성할 수 있다. 또한, 파라미터 모델링부(115)는 과거 진단검사정보에 관한 제2 파라미터를 제1 축과 교차하는 제2 축(Y축)에 추가로 매핑하여 모델링한 2차원 모델링 데이터를 생성할 수 있다. 추가적으로, 파라미터 모델링부(115)는 환경정보에 관한 제3 파라미터를 제1 및 제2 축(X축 및 Y축)과 교차하는 제3 축(Z축)에 추가로 매핑하여 모델링한 3차원 모델링 데이터를 생성할 수 있다.
파라미터 모델링부(115)에서 생성하는 3차원 모델링 데이터는 구 형태, 다각뿔 형태, 및 다면체 형태 중 어느 하나의 형태로 모델링될 수 있다. 이에 대한 자세한 설명은, 도 7 및 도 8을 참조하여 후술하도록 한다.
컨텐츠 제공부(117)는, 인지능력 진단부(113)의 진단결과에 대응하여 활동 학습부(121)에서 도출되는 차기 수행과제코드와 관련된 개선 컨텐츠를 사용자 단말기(200)에 제공할 수 있다.
또한, 컨텐츠 제공부(117)는 사용자가 과제를 수행하는 동안, 중간검사 결과 수치에 따른 컨텐츠 수행단계를 재배치하거나 발생가능한 상황을 재도출할 수 있다. 도출되는 컨텐츠에는 사용자 맞춤형 개선 프로세스, 사용자 연령 및 증상레벨 별 최적의 개선기간 및 빈도, 리마인더 설정 등이 포함될 수 있다.
데이터베이스부(119)는 데이터 수집관리 모듈(110)의 동작 중에 수행되는 관련된 각종 데이터들을 저장할 수 있다. 이때, 데이터베이스부(119)는 사용자의 계정을 별도로 분리하여, 해당 사용자와 관련된 데이터들을 저장 및 관리할 수 있다. 또한, 데이터베이스부(119)는 사용자 단말기(200)에 제공되는 각종 컨텐츠들이 저장될 수 있다.
한편, 딥러닝 모듈(120)의 학습부(121)는 과제에 대한 수행정보 및 상기 파라미터 모델링부에서 출력된 모델링 데이터를 입력받고, 이에 대한 출력으로 차기 수행과제코드 및 예상개선율을 출력한다. 이때, 학습부(121)는 모델링 데이터에 매핑된 파라미터를 기준으로 데이터를 메모리부(123)에 저장하거나, 유사 데이터를 카테고리에 따라 분류할 수 있다. 이어서, 학습부(121)는 빅데이터를 기초로 학습된 인공신경망을 이용하여 수행이 필요로 되는 컨텐츠 ID 및 차기 수행과제코드를 도출하고, 중간검사 일정 등을 도출할 수 있다.
또한, 학습부(121)는 파라미터 모델링부(115)에서 도출된 파라미터에 대한 매핑 데이터를 기초로 인공신경망 학습을 수행한다. 학습부(121)는 학습 인자로 입력되는 파라미터들에 대하여 머신 러닝(machine learning)을 수행할 수 있다. 메모리부(123)는 머신 러닝에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
보다 자세히 설명하자면, 머신 러닝(Machine Learning)의 일종인 딥러닝(Deep Learning) 기술은 데이터를 기반으로 다단계로 깊은 수준까지 내려가 학습하는 것이다.
딥러닝(Deep learning)은, 단계를 높여가면서 복수의 데이터들로부터 핵심적인 데이터를 추출하는 머신 러닝(Machine Learning) 알고리즘의 집합을 나타낸다.
학습부(121)는 공지된 다양한 딥러닝 구조를 이용할 수 있다. 예를 들어, 학습부(121)는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), DBN(Deep Belief Network), GNN(Graph Neural Network) 등의 구조를 이용할 수 있다.
구체적으로, CNN(Convolutional Neural Network)은 사람이 물체를 인식할 때 물체의 기본적인 특징들을 추출한 다음 뇌 속에서 복잡한 계산을 거쳐 그 결과를 기반으로 물체를 인식한다는 가정을 기반으로 만들어진 사람의 뇌 기능을 모사한 모델이다.
RNN(Recurrent Neural Network)은 자연어 처리 등에 많이 이용되며, 시간의 흐름에 따라 변하는 시계열 데이터(Time-series data) 처리에 효과적인 구조로 매 순간마다 레이어를 쌓아올려 인공신경망 구조를 구성할 수 있다.
DBN(Deep Belief Network)은 딥러닝 기법인 RBM(Restricted Boltzman Machine)을 다층으로 쌓아 구성되는 딥러닝 구조이다. RBM(Restricted Boltzman Machine) 학습을 반복하여 일정 수의 레이어가 되면, 해당 개수의 레이어를 가지는 DBN(Deep Belief Network)이 구성될 수 있다.
GNN(Graphic Neural Network, 그래픽 인공신경망, 이하, GNN)는 특정 파라미터 간 매핑된 데이터를 기초로 모델링된 모델링 데이터를 이용하여, 모델링 데이터 간의 유사도와 특징점을 도출하는 방식으로 구현된 인공신경망 구조를 나타낸다.
한편, 학습부(121)의 인공신경망 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있다.
한편, 메모리부(123)에는 머신 러닝으로 미리 학습된 인공신경망(Artificial Neural Network)이 탑재될 수 있다.
딥러닝 모듈(120)의 학습부(121)는 도출된 파라미터에 대한 모델링 데이터를 입력 데이터로 하는 머신 러닝(machine learning) 기반의 개선 프로세스 추천 동작을 수행할 수 있다. 이때, 인공신경망의 머신 러닝 방법으로는 자율학습(unsupervised learning)과 지도학습(supervised learning)이 모두 사용될 수 있다. 또한, 학습부(121)는 설정에 따라 학습 후 차기 수행과제코드 및 예상개선율을 출력하기 위한 인공신경망 구조를 자동 업데이트하도록 제어될 수 있다.
추가적으로, 도면에 명확하게 도시하지는 않았으나, 본 발명의 다른 실시예에서, 학습부(121)의 동작은 별도의 클라우드 서버(미도시)에서 실시될 수 있다. 또한, 학습부(121)는 컨텐츠 수행 형태별 최적의 연계 치료전문가를 도출할 수 있다. 이때, 치료전문가는 발달장애 개선 시스템을 통해 치료 프로세스의 수퍼바이징 및 개입 등을 할 수 있다.
이하에서는, 전술한 본 발명의 실시예에 따른 학습부(121)의 구성에 대해 살펴보도록 한다.
도 4는 도 2의 학습부의 구성을 도시한 도면이다.
도 4를 참조하면, 학습부(121)는 파라미터에 관한 모델링 데이터, 수행과제코드, 인지능력 개선율 및 특이점를 입력노드로 하는 입력 레이어(input)와, 차기 수행과제코드와 예상개선율을 출력노드로 하는 출력 레이어(Output)와, 입력 레이어와 출력 레이어 사이에 배치되는 M 개의 히든 레이어를 포함한다.
여기서 각 레이어들의 노드를 연결하는 에지(edge)에는 가중치가 설정될 수 있다. 이러한 가중치 혹은 에지의 유무는 학습 과정에서 추가, 제거, 또는 업데이트 될 수 있다. 따라서, 학습 과정을 통하여, k개의 입력노드와 i개의 출력노드 사이에 배치되는 노드들 및 에지들의 가중치는 업데이트될 수 있다.
학습부(121)가 학습을 수행하기 전에는 모든 노드와 에지는 초기값으로 설정될 수 있다. 그러나, 누적하여 정보가 입력될 경우, 노드 및 에지들의 가중치는 변경되고, 이 과정에서 학습인자로 입력되는 파라미터들(즉, 모델링 데이터, 수행과제코드, 인지능력 개선율 및 특이점)과 출력노드로 할당되는 값(즉, 차기 수행과제코드와 예상개선율) 사이의 매칭이 이루어질 수 있다.
추가적으로, 클라우드 서버(미도시)를 이용하는 경우, 학습부(121)는 많은 수의 파라미터들을 수신하여 처리할 수 있다. 따라서, 학습부(121)는 방대한 데이터에 기반하여 학습을 수행할 수 있다.
또한, 학습부(121)를 구성하는 입력노드와 출력노드 사이의 노드 및 에지의 가중치는 학습부(121)의 학습 과정에 의해 업데이트될 수 있다. 학습부(121)에서 출력되는 차기 수행과제코드와 예상개선율은 사용자의 개선 프로세스 및 훈련 컨텐츠를 도출하는데 이용될 수 있다.
이하에서는, 본 발명의 실시예에 따른 딥러닝 모듈(120)에 제공되는 모델링 데이터에 대해 자세히 살펴보도록 한다.
도 5는 도 1의 딥러닝 모듈에서 이용되는 모델링 데이터의 구성을 설명하기 위한 도면이다. 도 6은 도 5의 모델링 데이터에 대한 몇몇 예시를 설명하기 위한 도면이다. 이하에서는, 설명의 편의를 위하여 3차원 모델링 데이터를 예로 들어 설명하도록 한다. 다만, 이는 하나의 예시일 뿐이며 모델링 데이터의 파라미터, 구성 및 형상은 다양하게 변형되어 실시될 수 있다.
우선, 본 발명에서 이용되는 사용자의 3차원 모델링 데이터는 제1 파라미터, 제2 파라미터 및 제3 파라미터를 매핑하여 생성될 수 있다. 여기에서, 제1 파라미터(주 활용 변수)는 진단정보 및 증상정보를 매핑한 변수이고, 제2 파라미터(비교 분석 변수)는 기 진단검사 정보를 매핑한 변수를 의미한다. 제3 파라미터(하위 비교분석 변수)는 환경정보를 매핑한 변수를 의미한다.
구체적으로, 데이터 수집관리 모듈(110)은 사용자에 대한 데이터를 기초로 제1 파라미터, 제2 파라미터, 제3 파라미터를 추출하여 매핑하는 과정을 통해 3차원 모델링을 수행할 수 있다.
3차원 모델링 결과물은 딥러닝 모듈(120)에 입력되며, 딥러닝 모듈(120)은 GNN을 통해 다수의 3차원 모델링 결과물에 대한 패턴을 학습할 수 있다. 여기에서, GNN이란 딥러닝 모듈 종류 중 하나로, 3차원 함수 내에 각각의 변수를 그래픽으로 매핑함으로써, 데이터 변수 분포를 쉽게 비교 분석할 수 있도록 한다.
도 5의 <A1>는 제1 파라미터의 도식의 일 예를 나타낸다. 우선, 제1 파라미터는 제1 축(X축)을 따라 나열되며, 각각의 해당 항목의 점수에 따라 해당 항목의 크기가 다르게 표현될 수 있다.
이때, 제1 파라미터는 최우선 컨텐츠 적용을 위해 활용되는 척도로써, 발달장애 개선 시스템에 제공되는 진단정보를 의미한다. 예를 들어, 진단정보는 언어발달 척도(언어관련 장애 진단 및 수준 진단), 사용자 관찰 진단 척도(뚜렛, ADHD 등 진단 및 수준 진단), 지각운동 발달진단, 협응력 발달진단 등 직접적으로 수행이 가능한 진단검사 결과 등이 포함될 수 있다.
직접적으로 수행이 가능한 진단검사를 통해 도출되는 결과(즉, 진단정보)는 제1 파라미터의 항목으로 지정되어 직선 매핑될 수 있다. 개별 변수는 수치에 따라 서로 다른 크기로 형성되어 배치될 수 있으며, 제1 파라미터의 패턴은 훈련 및 진단 검사의 척도로 활용될 수 있다.
도 5의 <A2>는 제2 파라미터의 도식의 일 예를 나타낸다. 제1 파라미터를 기준으로, 제1 파라미터 각각 항목에 해당하는 제2 파라미터들이 제1 축(X축)과 교차하는 제2 축(Y축)을 따라 배치된다.
여기에서, 제2 파라미터는 사용자의 과거 진단검사정보에 대응되며, 제1 파라미터의 대조 데이터 및 병행 데이터로 활용되는 척도이다. 제2 파라미터는 병원, 재활기간, 사회서비스제공기관에서 별도의 비용을 들여 수행하는 진단검사 척도로, 증상 분류 별 1개 이상의 검사 종류가 존재할 수 있다. 이러한 진단 검사 척도 및 검사 데이터는 의료기관 서버(300)를 통해 제공받을 수 있다.
정리하면, 제2 파라미터는 기 진단검사 정보와 타 진단항목과의 연관성을 나타내기 위한 변수를 의미하며, 컨텐츠 훈련에 따른 타 항목의 연관 요인을 연계분석하는데 활용할 수 있다.
도 5의 <A3>는 제3 파라미터의 도식의 일 예를 나타낸다. 제3 파라미터는 제1 파라미터, 제2 파라미터의 간접항에 대입되어, 제1 축(X축) 및 제2 축(Y축)과 교차하는 제3 축(Z축)을 따라 배치된다.
제3 파라미터는 가족력, 생활 환경정보 등 수집 가능한 환경정보에 대한 전체 항목을 포함할 수 있다. 또한, 제3 파라미터는 제1 파라미터, 제2 파라미터의 간접 항에 대입되어 과거 및 현재의 동일 진단결과 내 개선 비율 차이 또는 발생문제의 연관성, 유사성 등 딥러닝을 통한 간접변수로 활용될 수 있다.
도 5의 <A4>는 사용자 데이터 변수 분포를 설명하기 위한 사용자 데이터 변수 분포도이다. 제1 파라미터, 제2 파라미터 및 제3 파라미터가 도식에 표현되어 매칭되는 경우, 사용자의 데이터는 3차원의 분포도로 표현될 수 있다.
위 과정을 통해 사용자의 정보들을 기초로 3차원 모델링이 수행될 수 있으며, 수행 결과 생성된 각각의 3차원 모델링 데이터은 머신러닝을 통하여 학습되고, 사용자에게 가장 알맞은 개선 프로세스 및 훈련 컨텐츠를 도출하는데 이용될 수 있다.
도 6을 참조하면, <B11>, <B12>, <B21>, <B22>는 3차원 모델링 데이터의 몇몇 예시를 나타낸다. 사용자는 발달장애 개선 시스템의 활용 목적에 따라 모델링의 타입을 변경할 수 있다. 3차원 모델링 데이터의 타입은 진단검사를 통해 발견되는 문제점 및 개선 시도 항목에 따라 달라질 수 있다.
이때, 3차원 모델링 데이터는 구 형태, 다각뿔 형태, 및 다면체 형태 중 어느 하나의 형태로 모델링될 수 있다.
기본적으로 사용자의 3차원 모델링 데이터는 구형태로 모델링 될 수 있다. 이때, 다만 사용자에 따라 특정 진단항목의 일대일 매핑된 위치에서 특이점이 도출되는 경우가 있으며, 이 경우, 그에 맞는 형태의 추가 모델링이 진행될 수 있다. 예를 들어, 특정 문제범위에 대한 외부의료기관의 소견를 포함하는 사용자의 경우, 삼각뿔 또는 사각면체의 타입으로 모델링된 데이터가 이용될 수 있다.
또한, 3차원 모델링 데이터는 사용자의 특정 정보에 의존적으로 크기가 변경될 수 있다. 예를 들어, 3차원 모델링 데이터는 사용자의 연령에 따라 크기가 달라질 수 있다. 또한, 3차원 모델링 데이터은 특이점에 대응되는 항목의 개선정도에 따라 문제표시부분의 크기가 변화될 수 있다.
다만, 전술한 내용은 3차원 모델링 데이터의 하나의 예시에 불과하며, 본 발명에서 3차원 모델링 데이터는 다양하게 변형되어 실시될 수 있다.
이하에서는, 본 발명의 실시예에 따른 발달장애 개선 시스템의 학습단계 및 수행단계에 대해 구체적으로 살펴보도록 한다.
도 7은 본 발명의 발달장애 개선 시스템의 학습단계를 설명하기 위한 순서도이다.
도 7을 참조하면, 본 발명의 발달장애 개선 시스템의 학습단계에서, 사용자 단말기(200)는 사용자로부터 진단정보, 과거 진단검사정보, 환경정보를 수집한다(S111). 이때, 진단정보는 사용자의 입력정보, 각종 검사에 필요한 사용자 응답 정보, 및 과제수행정보를 기초로 사용자 단말기(200)에서 생성될 수 있다. 또한, 사용자 단말기(200)는 데이터 수집관리 모듈(110)이 진단정보를 생성할 수 있도록, 진단정보의 생성에 필요한 정보를 수집하여 전달할 수 있다.
이어서, 사용자 단말기(200)는 수집된 정보를 데이터 수집관리 모듈(110)에 전달한다(S113).
이어서, 데이터 수집관리 모듈(110)은 수집된 정보를 기초로 사용자의 인지능력을 평가한다(S115). 이때, 데이터 수집관리 모듈(110)은 수집된 정보를 기초로 사용자의 인지능력 개선율 및 인지개선 특이점을 도출할 수 있다.
또한, 데이터 수집관리 모듈(110)은 수집된 정보를 기초로 파라미터를 매핑하고, 매핑된 파라미터를 이용하여 모델링 데이터를 생성한다(S117).
예를 들어, 데이터 수집관리 모듈(110)은, 사용자의 진단정보에 관한 제1 파라미터를 제1 축에 매핑하고, 사용자의 과거 진단검사정보에 관한 제2 파라미터를 상기 제1 축과 교차하는 제2 축에 매핑하며, 사용자의 환경정보에 관한 제3 파라미터를 상기 제1 및 제2 축에 교차하는 제3 축에 매핑할 수 있다. 이어서, 데이터 수집관리 모듈(110)은 매핑된 데이터를 기초로 사용자에 대한 3차원 모델링 데이터를 생성할 수 있다. 다만, 전술한 바와 같이, 위 파라미터를 기초로 다양한 차원의 모델링 데이터를 생성할 수 있음은 자명하다.
한편, 사용자 단말기(200)는 인지개선용 과제를 수행한다(S121).
이어서, 사용자 단말기(200)는 과제 수행과정에서 발생되는 과제수행정보를 데이터 수집관리 모듈(110)에 전달한다(S123).
이어서, 데이터 수집관리 모듈(110)은 생성된 모델링 데이터, 현재 수행과제코드, 이에 대한 인지능력개선율 및 특이점을 도출하여 딥러닝 모듈(120)에 전달한다(S125).
이어서, 딥러닝 모듈(120)은 전달받은 각각의 파라미터 또는 데이터들을 메모리부(123)에 저장하고, 저장된 빅데이터를 이용하여 인공신경망 학습을 수행한다(S127).
복수의 사용자들에 대한 데이터를 기초로 S111 내지 S127 단계는 반복 수행될 수 있다. 이때, 딥러닝 모듈(120)의 인공신경망 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공신경망은 학습에 의해 웨이트(weight) 값이 지속적으로 업데이트될 수 있다.
도 8은 본 발명의 발달장애 개선 시스템의 수행단계를 설명하기 위한 순서도이다. 이하에서는 전술한 내용과 중복되는 내용은 생략하고 차이점을 위주로 설명하도록 한다.
도 8을 참조하면, S211 단계 내지 S225 단계는 전술한 S111 단계 내지 S125 단계와 실질적으로 동일하게 동작한다. 다만, 딥러닝 모듈(120)은 미리 학습된 인공신경망을 이용하여 동작을 수행할 수 있다.
우선, 데이터 수집관리 모듈(110)은 사용자 단말기(200)로부터 수집된 진단정보, 과거 진단검사정보, 환경정보를 수신한다(S211, S213).
이어서, 데이터 수집관리 모듈(110)는 사용자 단말기(200)는 수신된 정보를 기초로 사용자의 인지능력을 평가한다(S215). 또한, 데이터 수집관리 모듈(110)은 수신된 정보를 기초로 파라미터를 매핑하고, 매핑된 파라미터를 이용하여 모델링 데이터를 생성한다(S217).
이어서, 데이터 수집관리 모듈(110)은 인지개선용 제1 과제를 사용자 단말기(200)에 전달하고, 인지치료서버(100)로부터 제1 과제에 대한 수행정보를 전달받는다(S221, S223).
이어서, 데이터 수집관리 모듈(110)은, 생성된 사용자의 모델링 데이터, 제1 과제의 수행과제코드, 사용자의 인지능력개선율 및 특이점을 도출하여 딥러닝 모듈(120)에 전달한다(S225). 여기에서, 모델링 데이터는 3개의 매핑된 파라미터를 기초로 생성된 3차원 모델링 데이터를 포함한다.
이어서, 딥러닝 모듈(120)은 미리 학습된 인공신경망을 이용하여, 하나 이상의 차기 수행과제코드 및 이의 예상개선율을 출력한다(S227).
이어서, 딥러닝 모듈(120)은 복수의 차기 수행과제코드 중에서 예상개선율이 가장 높은 차기 수행과제코드를 선정한다.
이어서, 딥러닝 모듈(120)은 선정된 차기 수행과제코드와, 이의 예상개선율을 데이터 수집관리 모듈(110)에 전달한다(S231).
이어서, 데이터 수집관리 모듈(110)은 수신된 차기 수행과제코드에 대응되는 컨텐츠를 사용자 단말기(200)에 제공한다(S233).
이어서, 사용자 단말기(200)는 제공받은 컨텐츠에 포함된 인지개선용 제2 과제를 수행하고(S235), 제2 과제에 대한 수행정보를 다시 데이터 수집관리 모듈(110)에 전달한다(S237).
이어서, 데이터 수집관리 모듈(110)은 사용자 단말기(200)로부터 전달받은 제2 과제의 수행과제코드와, 해당 과제수행에 대한 사용자의 인지능력개선율 및 특이점을 도출하여 딥러닝 모듈(120)에 전달한다(S229). 이때, 동일한 사용자에 대한 모델링 데이터는 딥러닝 모듈(120)의 메모리부(123)에 저장되어 이용될 수 있다.
이어서, 딥러닝 모듈(120)은 미리 학습된 인공신경망을 이용하여, 하나 이상의 차기 수행과제코드 및 이의 예상개선율을 출력한다(S241).
이어서, 딥러닝 모듈(120)은 출력된 차기 수행과제코드 중에서 예상개선율이 가장 높은 차기 수행과제코드를 선정하여 다시 데이터 수집관리 모듈(110)에 제공한다.
전술한 단계들을 반복 수행하면서, 본 발명의 발달장애 개선 시스템은 딥러닝 모듈(120)을 이용하여 예상개선율이 가장 높은 훈련 컨텐츠를 지속적으로 제공할 수 있다. 이를 통해, 사용자는 본인에게 알맞은 개선 프로세스 및 훈련 컨텐츠를 통하여, 발달장애를 빠른 시간 내에 효과적으로 개선시킬 수 있다.
도 9는 도 1의 인지치료서버에 입출력되는 데이터에 대한 몇몇 예시를 설명하기 위한 블럭도이다.
도 9를 참조하면, 사용자 단말기(200)를 통해 사용자는 게임화 된 개선 프로세스 및 훈련 컨텐츠를 실행할 수 있다. 이때, 사용자 단말기(200)는 인지치료서버(100)로부터 다양한 종류의 훈련 컨텐츠를 수신하여 수행할 수 있다.
예를 들어, 사용자 단말기(200)는 호흡 연계 컨텐츠(C1), 청지각 연계 컨텐츠(C2), 물리 재활 컨텐츠(C3) 등을 인지치료서버(100)로부터 수신하여 수행할 수 있다.
이때, 인지치료서버(100)는 컨텐츠의 종류와 관계없이 인지기능 및 협응력 기능 등을 포함한 연계 게임화 컨텐츠 활용 정보, 병력정보, 진단검사 정보, 컨텐츠 순응율 정보, 리마인더 수행율 정보 등을 수신할 수 있다.
또한, 인지치료서버(100)는 수신받은 정보를 활용하여 컨텐츠 연계 프로세스, 예상 개선기간 및 개선율, 개선훈련 중 발생가능한 문제점, 최적의 재활전문가, 인지기능 훈련 프로세스 등을 공통적으로 도출하여 제공할 수 있다.
예를 들어, 사용자가 호흡 연계 컨텐츠(C1)를 수행하는 경우, 인지치료서버(100)는 사용자의 호흡량, 호흡강도, 정상 호흡 비율, 정상 호흡 유지율, 청각 지시에 따른 작업기억력, 및 인지기능 검사정보(예를 들어, 실행력, 주의집중력, 협응력, 작업기억력 등을 포함)를 수신할 수 있다. 인지치료서버(100)는 수신받은 정보들을 분석하여, 진단정보를 기준으로 효율적인 호흡 유도 컨텐츠를 도출할 수 있다.
한편, 사용자가 청지각 연계 컨텐츠(C2)를 수행하는 경우, 인지치료서버(100)는 좌귀, 우귀의 주파수 별 가청 데시벨(dB) 검사 정보, 청각 지시에 따른 인지기능 검사정보(예를 들어, 작업기억력, 실행력, 주의집중력, 협응력 등)를 수신할 수 있다. 이어서, 인지치료서버(100)는 수신받은 정보를 분석하여, 좌귀 또는 우귀에 대해 기준치(예를 들어, 20 데시벨(dB)) 이상 편차를 보이는 주파수(Hz)를 도출하고, 도출된 주파수(Hz) 대역의 데시벨(dB)을 조절한 음원을 인코딩할 수 있다. 또한, 인지치료서버(100)는 도출된 주파수(Hz) 대역의 데시벨(dB)을 조절한 음원을 청지각 연계 컨텐츠(C2) 및 뇌파 연계 컨텐츠 등의 게임화 컨텐츠에 적용시킬 수 있다.
또한, 사용자가 물리 재활 컨텐츠(C3)를 수행하는 경우, 인지치료서버(100)는 사용자의 상지, 하지, 또는 척추의 움직임정보(예를 들어, 근력, 가용각도, 근전도, 자세, 시간)를 수신할 수 있다. 인지치료서버(100)는 수신받은 정보들을 분석하여, 상지, 하지, 척추 등의 부위에 알맞은 최적의 재활훈련 정보를 도출할 수 있다. 또한, 인지치료서버(100)는 추가적으로 별도의 카메라를 이용하여 게임화 컨텐츠 내의 가상 캐릭터 대한 제어정보를 도출할 수 있다.
이때, 본 발명의 발달장애 개선 시스템은. 사용자에게 적합한 입력 디바이스를 선택하여 발달장애치료를 수행할 수 있다. 즉, 본 발명은 서로 다른 입력 디바이스에 대해 최적화된 발달장애 훈련 컨텐츠를 제공함으로써, 사용자의 발달장애치료의 효과를 높이고 사용자의 만족도를 높일 수 있다.
이하에서는, 인지치료서버(100)가 사용자 단말기(200)에 호흡 연계 컨텐츠(C1)를 제공하는 경우를 예로 들어 설명하도록 한다.
도 10은 도 9의 인지치료서버에 입출력되는 데이터에 대한 일 예를 설명하기 위한 블럭도이다.
도 10을 참조하면, 호흡 연계 컨텐츠는 사용자에게 정상적인 호흡을 유도함으로써 사용자의 호흡 형태를 검사할 수 있다. 호흡 형태 검사는 게임 컨텐츠를 통해 진행될 수 있으며, 일반적인 평온상태의 호흡 검사, 약간의 흥분상태 호흡 검사 등을 포함할 수 있다.
호흡 연계 컨텐츠는 정상 호흡 비율 및 정상 호흡 유지율을 추출할 수 있다. 또한, 호흡 연계 컨텐츠는 호흡 조절을 통한 기능성 인지게임 등을 통해 진단정보 및 과제행정보를 추출할 수 있다.
추출된 정보들은 인지치료서버(100)로 전송된다. 인지치료서버(100)는 병리증상 진단 데이터, 사용자 치료결과 단계별 수집 데이터, 치료사 치료패턴 데이터, 치료사의 치료패턴 및 사용자 치료개선율 수집 데이터, 사용자별 컨텐츠 순응율 분석 데이터 등을 데이터베이스화하여 저장할 수 있다. 인지치료서버(100)는 저장된 데이터베이스를 기초로 추출된 정보들을 분석할 수 있다.
인지치료서버(100)는 진단정보(즉, 호흡 검사 데이터) 및 수행정보(즉, 게임화 진단 데이터)를 기초로, 다차원 모델링 데이터를 생성한다. 이어서, 인지치료서버(100)는, 유사 사용자 모델링 데이터에 대한 빅데이터 분석, 기존 사용자와의 특이점 도출 및 개선 시나리오를 시뮬레이션 등을 수행한다.
이를 통해, 인지치료서버(100)는 시뮬레이션을 기반으로 한 최적의 개선 프로세스 및 훈련 컨텐츠를 도출할 수 있다.
예를 들어, 인지치료서버(100)는 프로세스 진행 시 주의사항 및 예상 문제상황을 도출할 수 있고, 사용자 특성 및 개선 프로세스 특성에 대응되는 개인훈련이 가능한 최적의 치료사를 도출하여 추천할 수 있다.
인지치료서버(100)에서 도출된 최적의 개선 프로세스는 사용자 단말기(200)를 통해 사용자에게 제공될 수 있다.
한편, 사용자가 도출된 개선 프로세스를 수행함에 따라, 개선 프로세스의 수행 항목별 개선율, 개선 특이점 등이 추가로 도출될 수 있다. 또한, 개선 프로세스 진행 도중, 인지치료서버(100)는 진단검사를 병행하여 제공할 수 있으며, 유사 진단검사에 대한 수행정보를 추출할 수 있다.
이어서, 추출된 데이터들은 인지치료서버(100)로 전송되고, 인지치료서버(100)는 서버 내에 저장된 데이터를 기반으로 전송받은 데이터를 분석할 수 있다. 또한, 인지치료서버(100)는 개체별 컨텐츠 활용 순응율 및 개선율을 지속적으로 수집 및 분석할 수 있다.
개선 프로세스 진행 도중, 사용자의 인지능력이 정상 범주에 도달하게 되는 경우, 인지치료서버(100)는 해당 개선 프로세스를 종료시킬 수 있다. 이때, 인지치료서버(100)는 정상 범주 도달시의 특이사항 분석 및 예측 시나리오와의 매칭율, 차이점 분석, 유사 모델 별 시나리오 등을 추가 도출할 수 있다. 또한, 인지치료서버(100)는 사용자 별 모델링 결과의 누적 정도에 따른 인지기능 및 자폐성향 등에 관한 생애 주기 관리 모델을 도출할 수 있다.
도 11은 본 발명의 실시예에 따른 발달장애 개선 시스템에서 사용자에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 11을 참조하면, 본 발명의 발달장애 개선 시스템에서, 사용자는 로그인 후 사용자의 진단정보, 과거 진단검사정보 및 환경정보를 기초로 인지능력 진단검사를 수행한다(S310). 이때, 검사수행결과는 인지치료서버(100)로 전달될 수 있다. 또한, 진단정보, 과거 진단검사정보 및 환경정보도 함께 인지치료서버(100)에 전송될 수 있다.
이어서, 인지치료서버(100)는 수집된 정보를 기초로, 사용자 맞춤형 개선 프로세스 도출, 사용자 연령 및 증상레벨별 최적의 개선기간 및 빈도를 도출할 수 있다. 또한, 인지치료서버(100)는 사용자 단말기(200)를 통해 리마인더를 설정하여 사용자에게 알림을 제공할 수 있다. 즉, 인지치료서버(100)는 수신된 사용자의 데이터 및 검사 수행결과를 기초로 사용자에게 가장 적합한 치료 프로세스 및 훈련 컨텐츠를 선정할 수 있다.
이어서, 사용자는 사용자 단말기(200)를 통해 제공받은 개선 프로세스를 수행한다(S320). 이때, 총 개선기간 및 진도율, 과제수행정보 및 개선율이 종합되어 인지치료서버(100)에 전송될 수 있다.
이어서, 인지치료서버(100)는 개선활동 수행 과정에서 수집된 정보를 기초로, 사용자 맞춤형 개선 프로세스를 도출할 수 있다.
이어서, 사용자는 인지치료서버(100)로부터 제공받은 개선 프로세스를 기초로 인지능력에 대한 재검사를 수행한다(S330). 이때, 총 개선기간 및 진도율, 과제수행정보 및 개선율이 종합되어 인지치료서버(100)에 전송될 수 있고, 인지치료서버(100)는 재검사의 증상 개선율에 따라, 개선 프로세스의 세부 난이도 및 과제 세부설정을 변경하여 적용할 수 있다.
이어서, 인지치료서버(100)는 사용자의 목표 개선율의 달성여부를 판단한다(S340).
이어서, 사용자의 목표 개선율이 달성되지 않은 경우, 인지치료서버(100)는 개선활동 수행 단계(S320 단계)부터 다시 사용자에게 제공할 수 있다.
반면, 사용자의 목표 개선율이 달성된 경우, 사용자의 훈련은 종료된다(S350).
이때, 전체 검사 및 훈련 종합정보가 인지치료서버(100)로 전송될 수 있다. 또한, 인지치료서버(100)는 전송받은 정보를 기초로 유사 연령대 및 증상군의 평균치와 비교치를 리포팅하고, 추후 필요진단검사 및 개선 프로세스를 추천하며, 목표 달성까지의 특이사항 및 학습 특이점을 추천할 수 있다.
즉, 본 발명은 사용자의 인지능력 개선율을 평가하고, 사용자의 개선율을 높이기 위한 맞춤 프로세스를 제공함으로써, 발달장애를 빠른 시간내에 효과적으로 개선시킬 수 있다.
도 12는 본 발명의 실시예에 따른 발달장애 개선 시스템에서 보호자 및 재활전문가에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 12을 참조하면, 본 발명의 발달장애 개선 시스템에서, 보호자 및 재활전문가(이하, 보호자)는 로그인 후 사용자의 데이터 입력한다(S410). 이때, 보호자는 사용자의 검사결과를 확인할 수 있다.
이어서, 인지치료서버(100)는 수집된 정보를 기초로, 추천 프로세스(연계 프로세스) 도출 및 리마인더를 표출할 수 있다.
이어서, 보호자는 증상개선 보고서를 입력함으로써 사용자의 수행정보를 관리한다(S420). 이때, 인지치료서버(100)는 입력된 정보를 기초로, 과제수행에 대한 특이점을 리포팅하거나, 프로세스 개선 추천/재설정 기능 제공하거나, 예상 문제점을 제공할 수 있다.
이어서, 보호자는 사용자의 재검사에 대한 진단정보를 확인하거나, 시스템 상으로 도출되지 않은 특이사항 등을 입력할 수 있다(S430). 이때, 인지치료서버(100)는 입력 정보를 기반으로 데이터 분석, 훈련 종료 여부 및 프로세스 변경 필요 여부를 결정할 수 있다.
사용자 훈련 종료 시, 보호자는 전체 검사 및 훈련 종합 정보를 최종 확인하고, 재활전문기관 연계 시 슈퍼바이저가 이를 확인한다(S440). 이때, 인지치료서버(100)는 유사 연령대 및 증상군의 평균치와 비교치를 리포팅하고, 추후 필요진단검사 및 개선 프로세스를 추천하며, 목표 달성까지의 특이사항 및 학습 특이점을 추천할 수 있다.
이를 통해, 본 발명의 발달장애 개선 시스템은, 사용자에게 보다 전문적인 개선 프로세스를 제공할 수 있으며, 사용자의 개선 프로세스 이용에 대한 신뢰도를 높일 수 있다.
도 13은 본 발명의 실시예에 따른 발달장애 개선 시스템에서 재활전문기관에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 13을 참조하면, 본 발명의 발달장애 개선 시스템에서, 재활전문기관은 로그인 후 사용자 데이터 및 검사결과 등의 초기데이터를 확인한다(S510). 이때, 재활전문기관은 초기데이터를 기초로 추가 필요사항에 대해 재활전문가를 업무목록에 추가할 수 있다. 인지치료서버(100)는 초기데이터를 기초로 사용자의 검사결과를 세부출력하거나, 재활전문가의 특이사항에 관한 정보를 제공할 수 있다.
이어서, 재활전문기관은 재활전문가의 재활시간을 관리하고, 재활 필요 사용자를 연계하여 지정해주며, 세션별 슈퍼바이징 정보를 입력함으로써 재활전문가를 관리할 수 있다(S520). 이때, 인지치료서버(100)는 재활전문가 별 증상개선훈련의 특이점을 도출하고, 사용자와 재활전문가 간의 시너지 비율을 도출할 수 있으며, 사용자의 추적관리에 관한 서비스를 지원할 수 있다.
도 14는 본 발명의 실시예에 따른 발달장애 개선 시스템에서 기업회원에게 제공되는 서비스 플로우를 설명하기 위한 도면이다.
도 14를 참고하면, 본 발명의 발달장애 개선 시스템에서, 기업회원은 로그인 후, 주업무영역, 업무수행 희망영역, 및 증빙자료를 입력함으로써 사용자의 재활데이터를 확인한다(S610). 이때, 인지치료서버(100)는 매칭 재활영역을 도출하고, 주요 증상별 컨텐츠 제작 프로토콜을 제공할 수 있다.
이어서, 기업회원은 재활융합 컨텐츠를 개발 및 검수한다(S620). 이때, 기업회원은 자체개발 융합 컨텐츠를 실증용으로 업로드할 수 있으며, 인지치료서버(100)는 실증 계약기관의 컨텐츠를 활용하고, 이의 개선점을 도출할 수 있다.
이어서, 기업회원은 최종 재활융합 컨텐츠를 게시한다(S630). 한편, 인지치료서버(100)는 사용자의 구매기록, 활용기록, 선호도, 사용자 기준 개선점를 도출할 수 있으며, 인공지능 분석을 통하여 추가 개선점 도출하거나, 최적화 코멘트 등을 제공할 수 있다.
이어서, 기업회원은 정산과정을 수행한다(S640). 이때, 인지치료서버(100)는 컨텐츠 판매에 대한 통계를 제공하고, 현 상태 유지시 예상 판매량, 개선시 예상판매량, 매출 및 비율별 정산내역을 포함하는 자료를 기업회원에게 제공할 수 있다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 인지치료서버
110 : 데이터 수집관리 모듈
120 : 딥러닝 모듈
200 : 사용자 단말기
300 : 의료기관 서버
110 : 데이터 수집관리 모듈
120 : 딥러닝 모듈
200 : 사용자 단말기
300 : 의료기관 서버
Claims (15)
- 사용자 단말기와 연계되는 인지치료서버를 포함하는 발달장애 개선 시스템에 있어서,
상기 사용자 단말기로부터 입력받은 사용자의 진단정보, 과거 진단검사정보 및 환경정보와, 상기 사용자 단말기에 제공되는 과제에 대한 수행정보를 수신하는 정보 수집부;
상기 진단정보, 상기 과거 진단검사정보 및 상기 환경정보를 기초로 둘 이상의 파라미터를 산출하고, 산출된 파라미터를 이용하여 모델링 데이터를 생성하는 파라미터 모델링부;
상기 과제에 대한 수행정보 및 상기 파라미터 모델링부에서 출력된 모델링 데이터를 입력받고, 이에 대한 출력으로 차기 수행과제코드 및 예상개선율을 출력하는 학습부; 및
상기 학습부에서 출력되는 복수의 차기 수행과제코드 및 이에 대한 예상개선율을 기초로, 상기 예상개선율이 가장 높은 상기 차기 수행과제코드를 선정하여, 상기 차기 수행과제코드에 대응되는 컨텐츠를 상기 사용자 단말기에 제공하는 컨텐츠 제공부를 포함하되,
상기 파라미터 모델링부는, 서로 다른 둘 이상의 파라미터를 이용하여 각각의 파라미터를 서로 다른 차원에 매핑시키고, 맵핑된 파라미터를 기초로 다차원 모델링 데이터를 생성하고,
상기 학습부는,
복수의 다차원 모델링 데이터를 기초로 그래픽 인공신경망(Graphic Neural Networks)을 학습시키고,
상기 파라미터 모델링부에서 생성된 상기 다차원 모델링 데이터를 입력받고,
학습된 상기 그래픽 인공신경망을 이용하여, 상기 학습부에 입력된 상기 다차원 모델링 데이터에 대한 출력으로 상기 복수의 차기 수행과제코드 및 이에 대한 예상개선율을 출력하는 것을 포함하는
발달장애 개선 시스템.
- 제1 항에 있어서,
상기 학습부는,
상기 파라미터 모델링부에서 생성된 모델링 데이터와, 상기 수행정보에 포함된 현재 수행과제코드 및 인지능력 개선율을 입력 노드로 하는 입력 레이어와,
상기 차기 수행과제코드 및 상기 예상개선율을 출력 노드로 하는 출력 레이어와,
상기 입력 레이어와 상기 출력 레이어 사이에 배치되는 하나 이상의 히든 레이어를 포함하고,
상기 입력 노드와 상기 출력 노드 사이의 노드 및 에지의 가중치는 상기 학습부의 학습 과정에 의해 업데이트되는 발달장애 개선 시스템.
- 제2 항에 있어서,
상기 파라미터 모델링부는, 상기 진단정보에 관한 제1 파라미터를 제1 축에 매핑하고, 상기 과거 진단검사정보에 관한 제2 파라미터를 상기 제1 축과 교차하는 제2 축에 매핑하며, 상기 환경정보에 관한 제3 파라미터를 상기 제1 및 제2 축에 교차하는 제3 축에 매핑하고, 이를 기초로 상기 사용자에 대한 3차원 모델링 데이터를 생성하여 상기 학습부에 전달하는 발달장애 개선 시스템.
- 제3 항에 있어서,
상기 3차원 모델링 데이터는, 상기 환경정보에 포함된 어느 하나의 항목을 기초로 전체 사이즈가 변경되는 발달장애 개선 시스템.
- 삭제
- 삭제
- 제1 항에 있어서,
상기 진단정보는,
사용자의 호흡량, 호흡강도, 정상 호흡 비율, 및 정상 호흡 유지율 중 적어도 하나를 측정하는 호흡검사정보,
주파수별 가청 데시별, 청지각 능력, 및 청각 지시에 따른 작업기억력 중 적어도 하나를 측정하는 청지각검사정보, 또는
신체 움직임 또는 반응속도를 측정하는 동작반응검사정보를 포함하는 발달장애 개선 시스템.
- 제1 항에 있어서,
상기 정보 수집부는, 상기 사용자의 과거 진단검사정보를 더 수신하고,
상기 모델링 데이터는, 상기 진단정보에 관한 제1 파라미터를 제1 축에 매핑하고, 상기 과거 진단검사정보에 관한 제2 파라미터를 상기 제1 축과 교차하는 제2 축에 매핑하여 모델링된, 2차원 모델링 데이터를 포함하는 발달장애 개선 시스템.
- 제8 항에 있어서,
상기 진단정보는, 지능검사, 발달검사, 장애검사, 성격검사, 인지검사, 호흡검사, 청지각검사, 뇌파검사, 및 동작반응검사 중 적어도 하나에 대한 검사정보를 포함하고,
상기 과거 진단검사정보는, 타기관에서 미리 측정된 상기 진단정보의 항목 중 일부에 대한 검사정보를 포함하며,
상기 제2 파라미터는, 검사항목이 매칭되는 상기 제1 파라미터의 해당 부분에 매핑되어 모델링되는 발달장애 개선 시스템.
- 제8 항에 있어서,
상기 정보 수집부는, 상기 사용자의 환경정보를 더 수신하고,
상기 모델링 데이터는, 상기 환경정보에 관한 제3 파라미터를 상기 제1 및 제2 축에 교차하는 제3 축에 매핑하여 모델링된, 3차원 모델링 데이터를 포함하는 발달장애 개선 시스템.
- 제10 항에 있어서,
상기 환경정보는, 연령, 성별, 가족력, 병력, 및 생활환경 중 적어도 하나에 대한 정보를 포함하고,
상기 제3 파라미터는, 상기 제1 및 제2 파라미터 중 문제 연관성이 있는 해당 부분에 매핑되어 모델링되는 발달장애 개선 시스템.
- 제10 항에 있어서,
상기 3차원 모델링 데이터는, 구 형태, 다각뿔 형태, 및 다면체 형태 중 어느 하나의 형태로 모델링된 데이터를 포함하는 발달장애 개선 시스템.
- 사용자 단말기와 연계되는 인지치료서버를 포함하는 발달장애 개선 시스템에서 수행되는 발달장애 개선 방법에 있어서,
상기 사용자 단말기로부터 사용자의 진단정보, 과거 진단검사정보 및 환경정보와, 상기 사용자 단말기에 제공되는 과제에 대한 수행정보를 수신하는 단계;
상기 진단정보, 상기 과거 진단검사정보 및 상기 환경정보를 기초로 둘 이상의 파라미터를 산출하고, 산출된 상기 파라미터를 이용하여 모델링 데이터를 생성하는 단계;
상기 과제에 대한 수행정보 및 상기 모델링 데이터를 입력받고, 이를 기초로 차기 수행과제코드 및 예상개선율을 출력하는 단계; 및
출력된 상기 예상개선율 중 가장 높은 예상개선율을 나타내는 상기 차기 수행과제코드를 선정하고, 선정된 상기 차기 수행과제코드에 대응되는 컨텐츠를 상기 사용자 단말기에 제공하는 단계를 포함하되,
상기 모델링 데이터를 생성하는 단계는,
서로 다른 둘 이상의 파라미터를 이용하여 각각의 파라미터를 서로 다른 차원에 매핑시키고, 맵핑된 파라미터를 기초로 다차원 모델링 데이터를 생성하되,
상기 차기 수행과제코드 및 예상개선율을 출력하는 단계는,
복수의 다차원 모델링 데이터를 기초로 학습부에 포함된 그래픽 인공신경망(Graphic Neural Networks)을 학습시키고,
상기 다차원 모델링 데이터를 상기 학습부에서 입력받고,
학습된 상기 그래픽 인공신경망을 이용하여, 상기 학습부에 입력된 상기 다차원 모델링 데이터에 대한 출력으로 상기 복수의 차기 수행과제코드 및 이에 대한 예상개선율을 출력하는 것을 포함하는
발달장애 개선 방법.
- 삭제
- 제13 항에 있어서,
상기 사용자의 과거 진단검사정보 및 환경정보를 수신하는 단계를 더 포함하고,
상기 모델링 데이터는, 상기 진단정보에 관한 제1 파라미터를 제1 축에 매핑하고, 상기 과거 진단검사정보에 관한 제2 파라미터를 상기 제1 축과 교차하는 제2 축에 매핑하고, 상기 환경정보에 관한 제3 파라미터를 상기 제1 및 제2 축에 교차하는 제3 축에 매핑함으로써 생성되는 3차원 모델링 데이터를 포함하는 발달장애 개선 방법.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190103036 | 2019-08-22 | ||
| KR20190103036 | 2019-08-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210023631A KR20210023631A (ko) | 2021-03-04 |
| KR102424629B1 true KR102424629B1 (ko) | 2022-07-26 |
Family
ID=74660552
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190119246A KR102424629B1 (ko) | 2019-08-22 | 2019-09-27 | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102424629B1 (ko) |
| WO (1) | WO2021033827A1 (ko) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102344724B1 (ko) * | 2021-03-12 | 2022-01-04 | 주식회사 노스트라에이아이 | 인공지능 모델을 통해 학생의 학습을 관리하는 전자 장치, 및 학습 관리 방법 |
| CN115843045A (zh) * | 2021-09-18 | 2023-03-24 | 维沃移动通信有限公司 | 数据采集方法及装置 |
| KR102658654B1 (ko) * | 2021-10-25 | 2024-04-18 | 주식회사 에스와이비 | 발달장애아동 통합 교육지원 서비스 제공 방법 |
| KR20240079906A (ko) * | 2022-11-29 | 2024-06-05 | 주식회사 뉴다이브 | 콘텐츠의 피드백 기반 사회적 상황의 인지력 분석 장치, 방법 및 컴퓨터 프로그램 |
| KR102580302B1 (ko) * | 2023-02-08 | 2023-09-19 | 주승하 | 발달지연 및 발달장애 아동을 위한 플랫폼 서비스 제공 시스템 |
| WO2024191000A1 (ko) * | 2023-03-15 | 2024-09-19 | 주식회사 아이큐비타민 | 디지털 처방 동화 컨텐츠에 기초한 딥러닝 기반의 아동발달예측모델 및 아동처방정보제공모델 생성 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018100797A1 (ja) | 2016-11-29 | 2018-06-07 | ソニーモバイルコミュニケーションズ株式会社 | 情報処理方法、情報処理装置、および情報処理端末 |
| KR102001398B1 (ko) * | 2018-01-25 | 2019-07-18 | 재단법인 아산사회복지재단 | 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108780663B (zh) * | 2015-12-18 | 2022-12-13 | 科格诺亚公司 | 数字个性化医学平台和系统 |
| KR20170107229A (ko) * | 2016-03-15 | 2017-09-25 | (주)인더텍 | 아이 트랙킹을 이용한 인지 집중력 훈련 장치 및 방법 |
| AU2017299614A1 (en) * | 2016-07-19 | 2019-01-31 | Akili Interactive Labs, Inc. | Platforms to implement signal detection metrics in adaptive response-deadline procedures |
| AU2017314831C1 (en) * | 2016-08-26 | 2023-01-05 | Akili Interactive Labs, Inc. | Cognitive platform coupled with a physiological component |
| KR101895602B1 (ko) * | 2016-12-13 | 2018-09-07 | 주식회사 라스테크 | 경도인지장애자의 인지능력 향상을 위한 시스템 및 이를 이용한 방법 |
| KR20190093953A (ko) * | 2018-02-02 | 2019-08-12 | 주식회사 비온시이노베이터 | 인지기능 저하 고령자 및 장애인의 인지능력 향상 및 정서적 안정을 지원하는 서비스 플랫폼 |
-
2019
- 2019-09-27 WO PCT/KR2019/012558 patent/WO2021033827A1/ko active Application Filing
- 2019-09-27 KR KR1020190119246A patent/KR102424629B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018100797A1 (ja) | 2016-11-29 | 2018-06-07 | ソニーモバイルコミュニケーションズ株式会社 | 情報処理方法、情報処理装置、および情報処理端末 |
| KR102001398B1 (ko) * | 2018-01-25 | 2019-07-18 | 재단법인 아산사회복지재단 | 기계학습을 통한 뇌질환 상태변화 예측방법, 장치 및 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021033827A1 (ko) | 2021-02-25 |
| KR20210023631A (ko) | 2021-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102424629B1 (ko) | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 | |
| EP3566231B1 (en) | Apparatus and method for triggering a fall risk alert to a person | |
| CN110292378B (zh) | 基于脑波闭环监测的抑郁症远程康复系统 | |
| CN108780663B (zh) | 数字个性化医学平台和系统 | |
| RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
| US10376197B2 (en) | Diagnosing system for consciousness level measurement and method thereof | |
| KR20200005986A (ko) | 얼굴인식을 이용한 인지장애 진단 시스템 및 방법 | |
| CN106956271A (zh) | 预测情感状态的方法和机器人 | |
| CN110584601B (zh) | 一种老人认知功能监测和评估系统 | |
| WO2016111993A1 (en) | Human performance optimization and training methods and systems | |
| KR102245338B1 (ko) | 웨어러블 기반 셀프형 운동관리 시스템 및 그 방법 | |
| US10610109B2 (en) | Emotion representative image to derive health rating | |
| KR102453304B1 (ko) | 치매 예방 및 자가진단을 위한 가상현실콘텐츠를 제공하는 시스템 | |
| KR20220089913A (ko) | 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법 | |
| CN117064388A (zh) | 基于情绪识别实现精神障碍评估分析的系统 | |
| Hong et al. | Adaptive mobile cloud computing on college physical training education based on virtual reality | |
| US20240082638A1 (en) | Wearable device systems and methods for movement signatures | |
| JP4009202B2 (ja) | 個人情報配信システム | |
| EP4413588A1 (en) | Mental health intervention using a virtual environment | |
| CN109243573A (zh) | 一种综合体育教育锻炼设备 | |
| US20190374150A1 (en) | Diagnosing system for consciousness level measurement and method thereof | |
| Dudukcu et al. | Physiotherapy Activities Classification with Deep Neural Networks | |
| EP4273873A1 (en) | Personalized exercise guidance system and method based on machine learning | |
| CN118477246B (zh) | 一种基于虚拟现实的心理减压系统及装置 | |
| CN110134250B (zh) | 人机互动信号处理方法、设备及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |