KR102487440B1 - 음성 데이터에 기초한 치매 식별 기법 - Google Patents
음성 데이터에 기초한 치매 식별 기법 Download PDFInfo
- Publication number
- KR102487440B1 KR102487440B1 KR1020220069864A KR20220069864A KR102487440B1 KR 102487440 B1 KR102487440 B1 KR 102487440B1 KR 1020220069864 A KR1020220069864 A KR 1020220069864A KR 20220069864 A KR20220069864 A KR 20220069864A KR 102487440 B1 KR102487440 B1 KR 102487440B1
- Authority
- KR
- South Korea
- Prior art keywords
- voice data
- information
- image
- dementia
- ratio
- Prior art date
Links
- 206010012289 Dementia Diseases 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 230000000694 effects Effects 0.000 claims abstract description 38
- 238000003860 storage Methods 0.000 claims description 48
- 230000004044 response Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 42
- 238000013528 artificial neural network Methods 0.000 description 18
- 239000000090 biomarker Substances 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 208000024827 Alzheimer disease Diseases 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 208000010877 cognitive disease Diseases 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 208000027061 mild cognitive impairment Diseases 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000003920 cognitive function Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 108091063796 miR-206 stem-loop Proteins 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7445—Display arrangements, e.g. multiple display units
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Signal Processing (AREA)
- Neurosurgery (AREA)
- Developmental Disabilities (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- User Interface Of Digital Computer (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
Abstract
본 개시의 몇몇 실시예에 의한 장치의 적어도 하나의 프로세서에 의해 치매를 식별하는 방법이 개시된다. 상기 방법은: 사용자 단말기에서 복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하는 단계; 및 상기 내용 분석 정보 및 상기 음성 활동 분석 정보를 치매 식별 모델에 입력하여 치매 여부를 식별하는 단계;를 포함할 수 있다.
Description
본 개시는 음성 데이터에 기초한 치매 식별 기법에 관한 것으로, 구체적으로 복수의 이미지를 디스플레이하면서 획득된 복수의 제1 음성 데이터 및 이미지 디스플레이 없이 획득된 제2 음성 데이터를 이용하여 치매를 식별하는 장치 및 그 방법에 관한 것이다.
알츠하이머 질환(Alzheimer's Disease, AD)은 노화에 따라 수반되는 뇌 질환으로서, 점진적인 기억력 장애, 인지력 결손, 개인 성격의 변화 등을 초래하는 질병이다. 그리고, 치매(dementia)는 정상적으로 생활해오던 사람이 다양한 원인에 인해 뇌기능이 손상되면서 발생하는, 지속적이고 전반적인 인지 기능의 저하 상태를 의미한다. 여기서 인지 기능이란 기억력, 언어 능력, 시공간 파악 능력, 판단력 및 추상적 사고력 등 다양한 지적 능력을 가리키는 것으로서, 각 인지 기능은 뇌의 특정 부위와 밀접한 관련이 있다. 치매의 가장 흔한 형태가 알츠하이머 질환이다.
알츠하이머 질환, 치매 또는 경도 인지 장애를 진단하기 위한 다양한 방법들이 제시되고 있다. 예컨대, 후각 조직의 miR-206의 발현 수준을 이용하여 알츠하이머 질환 또는 경도 인지 장애를 진단하는 방법, 혈액 내에서 특징적으로 증가하는 바이오 마커를 이용하여 치매를 진단하는 방법 등이 알려져 있다.
그러나, 후각 조직의 miR-206을 이용하기 위해서는 조직 검사에 필요한 특수 장비 또는 검사가 필요하고, 혈액 내의 바이오 마커를 이용하기 위해서는 침습적인 방법으로 환자의 혈액을 채취해야 하므로, 환자의 거부감이 상대적으로 크다는 단점이 각각 존재한다.
따라서, 별도의 특수 장비 또는 검사 없이 환자가 거부감을 거의 느끼지 않는 방법으로 치매를 진단할 수 있는 방법을 개발할 필요성이 절실한 실정이다.
본 개시는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다. 본 개시의 몇몇 실시예가 이루고자 하는 기술적 과제는, 환자가 거부감을 거의 느끼지 않는 방법으로 치매 진단하는 것을 그 목적으로 한다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 몇몇 실시예에 의한 장치의 적어도 하나의 프로세서에 의해 치매를 식별하는 방법은: 사용자 단말기에서 복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하는 단계; 및 상기 내용 분석 정보 및 상기 음성 활동 분석 정보를 치매 식별 모델에 입력하여 치매 여부를 식별하는 단계;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 사용자 단말기에서 복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 상기 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하는 단계는: 상기 복수의 제1 음성 데이터를 복수의 제1 텍스트 데이터로 변환하는 단계; 상기 제2 음성 데이터를 제2 텍스트 데이터로 변환하는 단계; 및 상기 복수의 제1 텍스트 데이터 및 상기 제2 텍스트 데이터를 이용하여 상기 내용 분석 정보를 획득하는 단계;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 내용 분석 정보는, 상기 복수의 제1 텍스트 데이터 및 상기 제2 텍스트 데이터의 전체 음절 대비 간투사 비율에 대한 제1 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 내용 분석 정보는, 상기 복수의 이미지 각각과 관련된 키워드가 상기 복수의 제1 텍스트 데이터 각각 및 상기 제2 텍스트 데이터에 포함된 정도를 나타내는 제2 정보 및 상기 복수의 이미지 각각과 관련된 키워드의 유사어가 상기 복수의 제1 텍스트 데이터 각각 및 상기 제2 텍스트 데이터에 포함된 정도를 나타내는 제3 정보를 더 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 음성 활동 분석 정보는: 상기 사용자 단말기의 사용자의 발화 속도 정보 및 상기 사용자의 응답 시간 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 응답 시간 정보는, 상기 복수의 제1 음성 데이터 각각에서 상기 사용자의 음성이 존재하는 제1 시점 정보에 기초하여 산출되는 정보; 및 상기 제2 음성 데이터 내에서 상기 사용자의 음성이 존재하는 제2 시점 정보에 기초하여 산출되는 정보;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 복수의 태스크는: 복수의 이미지가 순차적으로 디스플레이되는 것과 연동하여 상기 복수의 이미지 각각과 관련된 상기 복수의 제1 음성 데이터를 획득하는 제1 태스크; 및 이미지 디스플레이 없이 상기 제2 음성 데이터를 획득하는 제2 태스크;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 복수의 제1 음성 데이터는, 상기 복수의 이미지 중 N차 이미지가 디스플레이될 때 제1 터치 입력이 입력된 시점부터 제2 터치 입력이 입력된 시점까지 획득되는 음성 데이터이고, 상기 N은, 1 이상의 자연수일 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 제1 터치 입력은, 상기 N차 이미지와 같이 상기 사용자 단말기에 디스플레이되는 제1 버튼에 대한 터치 입력이고, 상기 제2 터치 입력은, 상기 제1 터치 입력에 응답하여 상기 제1 버튼 대신 제2 버튼이 상기 N차 이미지와 같이 상기 사용자 단말기에 디스플레이된 상태에서 상기 제2 버튼에 대한 터치 입력일 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 N차 이미지는, 상기 제2 터치 입력에 응답하여 N+1차 이미지로 변경될 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 제2 음성 데이터는, 상기 제2 태스크 수행 시 디스플레이되는 화면에 제3 터치 입력이 입력된 시점부터 제4 터치 입력이 입력된 시점까지 획득되는 음성 데이터일 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 제3 터치 입력은, 상기 제2 태스크가 수행될 때 디스플레이되는 제3 버튼에 대한 터치 입력이고, 상기 제4 터치 입력은, 상기 제3 터치 입력에 응답하여 상기 제3 버튼 대신 제4 버튼이 디스플레이된 상태에서 상기 제4 버튼에 대한 터치 입력일 수 있다.
본 개시의 몇몇 실시예에 의한 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램은 디바이스의 적어도 하나의 프로세서에서 실행되는 경우, 치매를 식별하는 단계들을 수행하며, 상기 단계들은: 복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하는 단계; 및 상기 내용 분석 정보 및 상기 음성 활동 분석 정보를 치매 식별 모델에 입력하여 치매 여부를 식별하는 단계;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의한 치매를 식별하는 장치는: 적어도 하나의 프로그램 명령이 저장된 저장부; 및 상기 적어도 하나의 프로그램 명령을 수행하는 적어도 하나의 프로세서;를 포함하고, 상기 적어도 하나의 프로세서는, 복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하고, 상기 내용 분석 정보 및 상기 음성 활동 분석 정보를 치매 식별 모델에 입력하여 치매 여부를 식별할 수 있다.
본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시에 따른 음성 데이터를 이용하여 치매를 식별하는 기법의 효과에 대해 설명하면 다음과 같다.
본 개시의 몇몇 실시예에 의하면, 환자가 거부감을 거의 느끼지 않는 방법으로 정확하게 치매를 진단할 수 있다.
본 개시를 통해 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 다양한 실시예들이 도면들을 참조로 설명되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 실시예들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 실시예(들)가 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 치매를 식별하는 시스템을 설명하기 위한 개략도이다.
도 2는 본 개시의 몇몇 실시예에 따라 치매 식별을 위한 디지털 바이오 마커 데이터인 복수의 제1 음성 데이터 및 제2 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다.
도 4 및 도 5는 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득할 때 디스플레이되는 복수의 이미지를 설명하기 위한 도면이다.
도 6은 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득하기 전에 수행되는 태스크의 일례를 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따라 제2 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따라 음성 데이터에 기초하여 치매 여부를 식별하는 방법의 일례를 설명하기 위한 흐름도이다.
도 9는 본 개시의 몇몇 실시예에 따라 내용 분석 정보를 획득할 때 사용되는 키워드 및 유사어의 일례를 설명하기 위한 도면이다.
도 1은 본 개시의 몇몇 실시예에 따른 치매를 식별하는 시스템을 설명하기 위한 개략도이다.
도 2는 본 개시의 몇몇 실시예에 따라 치매 식별을 위한 디지털 바이오 마커 데이터인 복수의 제1 음성 데이터 및 제2 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3은 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다.
도 4 및 도 5는 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득할 때 디스플레이되는 복수의 이미지를 설명하기 위한 도면이다.
도 6은 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득하기 전에 수행되는 태스크의 일례를 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따라 제2 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따라 음성 데이터에 기초하여 치매 여부를 식별하는 방법의 일례를 설명하기 위한 흐름도이다.
도 9는 본 개시의 몇몇 실시예에 따라 내용 분석 정보를 획득할 때 사용되는 키워드 및 유사어의 일례를 설명하기 위한 도면이다.
이하에서는 도면을 참조하여 본 개시에 따른 장치 및 장치의 제어 방법의 다양한 실시예(들)를 상세하게 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시의 하나 이상의 실시예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 개시의 적어도 하나의 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 개시의 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 또한, 첨부된 도면은 본 개시의 하나 이상의 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 개시의 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 본 개시의 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 따라서, 이하에서 언급되는 제1 구성요소는 본 개시의 기술적 사상 내에서 제2 구성 요소가 될 수도 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 즉, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우, 본 개시와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
본 개시에서, "포함하는", "포함한다" 또는 "가지다" 등의 용어는 본 개시상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "또는"이라는 용어는 배타적 의미의 "또는"이 아니라 내포적 의미의 "또는"으로 이해되어야 한다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 개시에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 용어 "정보" 및 "데이터"는 서로 상호 교환 가능하도록 사용될 수 있다.
다른 정의가 없다면, 본 개시에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시의 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 특별히 정의되어 있지 않는 한 과도하게 해석되지 않는다.
그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 개시의 몇몇 실시예들은 본 개시의 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 개시 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 개시의 몇몇 실시예에 따르면, 사용자 단말기의 프로세서는 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득할 수 있다. 여기서, 디지털 바이오 마커 데이터는, 핸드폰 등과 같은 디지털 기기를 통해 획득되는 바이오 마커로 본 개시에서는 치매 식별을 위해 사용되는 바이오 마커일 수 있다. 한편, 장치는 사용자 단말기를 통해 획득된 디지털 바이오 마커 데이터를 이용하여 사용자 단말기의 사용자가 치매인지 여부를 식별할 수 있다.
이하에서, 도 1를 참조하여 치매를 식별하는 시스템에 대해서 설명하고, 도 2 내지 도 7을 참조하여 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득하는 방법에 대해 설명하고, 도 8 및 도 9를 참조하여 디지털 바이오 마커 데이터인 음성 데이터를 이용하여 치매를 식별하는 방법에 대해서 설명한다.
도 1은 본 개시의 몇몇 실시예에 따른 치매를 식별하는 시스템을 설명하기 위한 개략도이다.
도 1을 참조하면 치매를 식별하는 시스템은 치매를 식별하는 장치(100) 및 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득하는 사용자 단말기(200)를 포함할 수 있다. 여기서, 사용자 단말기(200)는 치매 식별을 필요로 하는 사용자가 사용하는 단말기일 수 있다. 다만, 이에 한정되는 것은 아니다.
장치(100)와 사용자 단말기(200)는 유/무선 네트워크(300)를 통해 통신이 연결될 수 있다.
도 1에 도시된 시스템을 구성하는 구성요소들은 치매를 식별하는 시스템을 구현하는데 있어서 필수적인 것은 아니어서, 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
본 개시의 장치(100)는 유/무선 네트워크(wire/wireless network)(300)를 통하여 사용자 단말기(200)와 페어링 또는 연결(pairing or connecting) 가능하며, 이를 통해 소정 데이터를 송/수신할 수 있다. 이 경우, 유/무선 네트워크(300)를 통해 송/수신되는 데이터는 송/수신 전에 변환(converting)될 수 있다. 여기서, “유/무선 네트워크”(300)라 함은, 장치(100)와 사용자 단말기(200) 사이에서 페어링 또는/및 데이터 송수신을 위해 다양한 통신 규격 내지 프로토콜을 지원하는 통신 네트워크를 통칭한다. 이러한 유/무선 네트워크(300)는, 규격에 의해 현재 또는 향후 지원될 통신 네트워크를 모두 포함하며, 그를 위한 하나 또는 그 이상의 통신 프로토콜들을 모두 지원 가능하다.
치매를 식별하는 장치(100)는 적어도 하나의 프로세서(110)(이하, 적어도 하나의 프로세서는 프로세서라고 지칭함), 저장부(120) 및 통신부(130)를 포함할 수 있다. 도 1에 도시된 구성요소들은 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 개시에서 설명되는 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
본 개시의 장치(100)의 각 구성요소는 실제 구현되는 장치(100)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라, 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나 하나의 구성요소가 2 이상의 구성요소로 세분화될 수 있다. 또한, 각 블록에서 수행하는 기능은 본 개시의 실시예를 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
본 개시에서 설명되는 장치(100)는 데이터(data), 콘텐츠(content), 서비스(service) 및 애플리케이션(application) 등을 송신 및 수신 중 적어도 하나 이상을 수행하는 모든 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 장치(100)에는 예를 들어, 서버(server), PC(Personal Computer), 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 디바이스 제어기 등과 같은 고정형 디바이스(standing device) 스마트 폰(Smart Phone), 태블릿 PC(Tablet PC), 노트북(Notebook) 등과 같은 모바일 디바이스(mobile device or handheld device)가 모두 포함될 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서, "서버"라 함은, 다양한 종류의 사용자 단말기 즉, 클라이언트(client)로 데이터를 공급 또는 그로부터 데이터를 수신하는 장치 혹은 시스템을 의미한다. 서버로 예컨대, 웹 페이지(web page), 웹 컨텐트 또는 웹 서비스(web content or web service)를 제공하는 웹 서버(Web server)나 포털 서버(portal server), 광고 데이터(advertising data)를 제공하는 광고 서버(advertising server), 컨텐트를 제공하는 컨텐트 서버(content server), SNS(Social Network Service)를 제공하는 SNS 서버, 제조업체(manufacturer)에서 제공하는 서비스 서버(service server), VoD(Video on Demand)나 스트리밍(streaminng) 서비스 제공을 위한 MVPD(Multichannel Video Programming Distributor), 유료 서비스(pay service) 등을 제공하는 서비스 서버 등이 포함될 수 있다.
본 개시에서 장치(100)로 명명하는 경우, 그 의미는 문맥에 따라 서버를 의미하나, 고정형 디바이스 또는 모바일 디바이스를 의미할 수도 있고 특별히 언급하지 않는다면 모두 포함하는 의미로 사용될 수도 있다.
프로세서(110)는 응용 프로그램과 관련된 동작 외에도 통상적으로 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(110)는 장치(100)의 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 저장부(120)에 저장된 응용 프로그램을 구동함으로써, 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
프로세서(110)는 저장부(120)에 저장된 응용 프로그램을 구동하기 위하여 장치(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 응용 프로그램의 구동을 위하여 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 예를 들어, 프로세서(110)는 장치의 중앙 처리 장치(CPU: Central Processing Unit), 범용 그래픽 처리 장치 (GPUGP: General Purpose Graphics Processing Unit), 텐서 처리 장치(TPU: Tensor Processing Unit) 등을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 프로세서(110)는 듀얼 프로세서 또는 기타 멀티프로세서 아키텍처로 구성될 수 있다. 다만, 이에 한정되는 것은 아니다.
프로세서(110)는 저장부(120)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 치매 식별 모델을 이용하여 사용자가 치매인지 여부를 식별할 수 있다.
저장부(120)는, 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 저장부(120)는 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 장치(100)의 동작을 위한 데이터들, 명령어들, 적어도 하나의 프로그램 명령을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는, 장치(100)의 기본적인 기능을 위하여 출고 당시부터 장치(100) 상에 존재할 수도 있다. 한편, 응용 프로그램은, 저장부(120)에 저장되고, 장치(100) 상에 설치되어 프로세서(110)에 의하여 장치(100)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
저장부(120)는 프로세서(110)에서 생성하거나 결정한 임의의 형태의 정보 및 통신부(130)를 통해 수신한 임의의 형태의 정보를 저장할 수 있다.
저장부(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 장치(100)는 인터넷(internet) 상에서 저장부(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작될 수도 있다.
본 개시의 몇몇 실시예에 따르면, 장치(100)의 저장부(120)는 기 학습된 치매 식별 모델을 저장하고 있을 수 있다.
치매 식별 모델은, 학습용 입력 데이터에 라벨링 된 라벨 데이터와 치매 식별 모델에서 출력된 예측 데이터 사이의 차이 값을 역전파(back propagation)하여 신경망의 가중치를 업데이트하는 방법으로 학습될 수 있다.
본 개시에서 학습용 입력 데이터는 복수의 테스트 사용자 각각이 자신의 테스트 장치를 통해 본 개시의 몇몇 실시예에 따른 복수의 태스크를 수행하여 획득될 수 있다. 여기서, 학습용 입력 데이터는 복수의 태스크를 수행하여 획득된 복수의 제1 학습용 음성 데이터 및 제2 학습용 음성 데이터를 이용하여 획득된 학습용 내용 분석 정보 및 학습용 음성 활동 분석 정보일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서 테스트 사용자는, 경도 인지 장애가 존재하는 환자로 분류되는 사용자, 알츠하이머 환자로 분류되는 사용자, 정상으로 분류되는 사용자 등을 포함할 수 있다. 다만 이에 한정되는 것은 아니다.
본 개시에서 테스트 장치는 학습용 입력 데이터를 확보할 때 다양한 테스트 사용자들이 테스트를 수행하는 장치를 의미할 수 있다. 여기서, 테스트 장치는, 치매 식별에 사용되는 사용자 단말기(200)와 동일하게 휴대폰, 스마트 폰(smart phone), 태블릿 PC(tablet PC), 울트라북(ultrabook) 등과 같은 이동 단말기(mobile device)일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서 라벨 데이터는 정상, 알츠하이머 환자 및 경도 인지 장애가 존재하는 환자인지 여부를 인지할 수 있는 스코어 값일 수 있다. 다만, 이에 한정되는 것은 아니다.
치매 식별 모델은 일반적으로 노드로 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나의 노드들을 포함하여 구성될 수 있다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
치매 식별 모델 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다.
예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 치매 식별 모델은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성할 수 있다. 치매 식별 모델 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관 관계, 링크들 각각에 부여된 가중치의 값에 따라, 치매 식별 모델의 특성이 결정될 수 있다.
치매 식별 모델은 하나 이상의 노드들의 집합으로 구성될 수 있다. 치매 식별 모델을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 치매 식별 모델을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 치매 식별 모델 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 학습용 입력 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 치매 식별 모델 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 몇몇 실시예에 따른 치매 식별 모델은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 그리고, 입력 레이어의 노드 각각에 학습용 입력 데이터가 입력될 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 치매 식별 모델은 딥 뉴럴 네트워크 구조를 가질 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다.
딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 치매 식별 모델은 교사 학습(supervised learning) 방식으로 학습될 수 있다. 다만, 이에 한정되는 것은 아니고, 치매 식별 모델은 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수도 있다.
치매 식별 모델의 학습은 치매 식별 모델이 치매를 식별하는 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
치매 식별 모델은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 치매 식별 모델의 학습에서 반복적으로 학습용 입력 데이터를 치매 식별 모델에 입력시키고 학습용 입력 데이터에 대한 치매 식별 모델의 출력(뉴럴 네트워크를 통해 예측된 스코어 값)과 타겟(라벨 데이터로 사용된 스코어 값)의 에러를 계산하고, 에러를 줄이기 위한 방향으로 치매 식별 모델의 에러를 치매 식별 모델의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 치매 식별 모델의 각 노드의 가중치를 업데이트 하는 과정이다.
업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 치매 식별 모델의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 치매 식별 모델의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 치매 식별 모델의 학습 초기에는 높은 학습률을 사용하여 치매 식별 모델이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
치매 식별 모델의 학습에서 학습용 입력 데이터는 실제 데이터(즉, 학습된 치매 식별 모델을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습용 입력 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습용 입력 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다.
과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습용 입력 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면 저장부(120)는 복수의 스토리 각각에 대한 복수의 이미지를 저장할 수 있다. 여기서, 복수의 이미지는 복수의 제1 음성 데이터를 획득할 때 순차적으로 디스플레이되는 이미지일 수 있다. 그리고, 복수의 스토리 마다 서로 다른 복수의 이미지들이 저장되어 있을 수 있다. 이는 도 4 및 도 5를 참조하여 좀더 자세히 후술한다.
통신부(130)는 장치(100)와 유선/무선 통신 시스템 사이, 장치(100)와 다른 장치 사이 또는 장치(100)와 외부 서버 사이의 유선/무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 통신부(130)는 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
통신부(130)는 유선/무선 인터넷 접속을 위한 모듈을 말하는 것으로 장치(100)에 내장되거나 외장될 수 있다. 통신부(130)는 유선/무선 신호를 송수신하도록 이루어질 수 있다.
통신부(130)는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말 및 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있을 수 있다. 다만, 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 통신부(130)는 데이터를 송수신할 수 있다.
더불어, 통신부(130)는 근거리 통신(Short range communication)을 통해 신호를 송수신하도록 이루어질 수도 있다. 통신부(130)는 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra-Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여 근거리 통신을 수행할 수 있다. 통신부(130)는 근거리 통신망(Wireless Area Networks)을 통해 무선 통신을 지원할 수 있다. 근거리 무선 통신망은 근거리 무선 개인 통신망(Wireless Personal Area Networks)일 수 있다.
본 개시의 몇몇 실시예에 따른 장치(100)는 통신부(130)를 통해 사용자 단말기(200)와 유/무선 네트워크(300)가 연결될 수 있다.
본 개시에서 사용자 단말기(200)는 유/무선 네트워크(wire/wireless network)(300)를 통하여 치매 식별 모델이 저장된 장치(100)와 페어링 또는 연결(pairing or connecting) 가능하며, 이를 통해 소정 데이터를 송/수신 및 디스플레이할 수 있다.
본 개시에서 설명되는 사용자 단말기(200)는 데이터(data), 콘텐츠(content), 서비스(service) 및 애플리케이션(application) 등을 송신, 수신 및 디스플레이 중 적어도 하나 이상을 수행하는 모든 디바이스를 포함할 수 있다. 그리고, 사용자 단말기(200)는 치매인지 여부를 확인하고 싶어하는 사용자의 단말기를 의미할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서 사용자 단말기(200)는 예를 들어, 휴대폰, 스마트 폰(smart phone), 태블릿 PC(tablet PC), 울트라북(ultrabook) 등과 같은 이동 단말기(mobile device)를 포함할 수 있다. 다만, 이에 한정되는 것은 아니고, 사용자 단말기(200)는 PC(Personal Computer), 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 디바이스 제어기 등과 같은 고정형 디바이스(standing device)도 포함할 수 있다.
사용자 단말기(200)는 프로세서(210), 저장부(220), 통신부(230), 음향 데이터 획득부(240), 디스플레이부(250) 및 음향 출력부(260)를 포함할 수 있다. 도 1에 도시된 구성요소들은 사용자 단말기(200)를 구현하는데 있어서 필수적인 것은 아니어서, 본 개시에서 설명되는 사용자 단말기(200)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
본 개시의 사용자 단말기(200)의 각 구성요소는 실제 구현되는 사용자 단말기(200)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라, 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나 하나의 구성요소가 2 이상의 구성요소로 세분화될 수 있다. 또한, 각 블록에서 수행하는 기능은 본 개시의 실시예를 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
사용자 단말기(200)의 프로세서(210), 저장부(220) 및 통신부(230)는 장치(100)의 프로세서(110), 저장부(120) 및 통신부(130)와 동일한 구성 요소이므로, 중복되는 설명은 생략하고, 이하 차이점을 중심으로 설명한다.
본 개시에서 사용자 단말기(200)의 프로세서(210)는 음성 데이터를 획득하기 위한 화면을 디스플레이하도록 디스플레이부(250)를 제어할 수 있다. 여기서, 음성 데이터를 획득하기 위한 화면은 스토리와 관련된 복수의 이미지 각각을 디스플레이하는 화면일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 스토리와 관련된 복수의 이미지는 장치(100)의 저장부(120)에 저장되어 있을 수도 있고, 사용자 단말기(200)의 저장부(220)에 저장되어 있을 수도 있다.
복수의 이미지가 장치(100)의 저장부(120)에 저장되어 있는 경우, 사용자 단말기(200)의 프로세서(210)는 복수의 이미지 중 1차 이미지(첫번째 이미지)를 디스플레이할 때 장치(100)에 1차 이미지 요청 신호를 전송한 후 1차 이미지를 수신하도록 통신부(230)를 제어할 수 있다. 사용자 단말기(200)의 프로세서(210)는 1차 이미지를 수신한 경우 1차 이미지를 디스플레이하도록 디스플레이부(250)를 제어할 수 있다. 다음 이미지들은 1차 이미지를 디스플레이한 방법과 동일한 방법으로 사용자 단말기(200)에서 디스플레이될 수 있다. 다만, 이에 한정되는 것은 아니다.
복수의 이미지가 사용자 단말기(200)의 저장부(220)에 저장되어 있는 경우, 사용자 단말기(200)의 프로세서(210)는 저장부(220)에 저장된 복수의 이미지를 순차적으로 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
한편, 치매 식별 모델을 이용한 연산을 수행하기 위해서는 높은 처리 속도 및 연산 능력이 필요하기 때문에 치매 식별 모델은 장치(100)의 저장부(120)에만 저장되어 있고, 사용자 단말기(200)의 저장부(220)에는 저장되어 있지 않을 수 있다. 다만, 이에 한정되는 것은 아니다.
음향 데이터 획득부(240)는 외부의 음향 신호를 전기적인 음향 데이터로 처리할 수 있다. 처리된 음향 데이터는 사용자 단말기(200)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 음향 데이터 획득부(240)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
본 개시에서 음향 데이터 획득부(240)는 프로세서(210)의 제어 하에 사용자의 음성을 녹음한 음성 데이터를 획득할 수 있다. 다만, 이에 한정되는 것은 아니다.
구체적으로, 사용자 단말기(200)의 프로세서(210)는 복수의 이미지를 순차적으로 디스플레이되는 동안 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득할 수 있다.
좀더 구체적으로, 사용자 단말기(200)의 프로세서(210)는 복수의 이미지 중 1차 이미지가 디스플레이될 때 제1 버튼(예를 들어, 시작 버튼)을 함께 디스플이하도록 디스플레이부(250)를 제어할 수 있다. 프로세서(210)는 제1 버튼에 대한 제1 터치 입력이 입력된 경우, 제1 버튼 대신 제2 버튼(예를 들어, 완료 버튼)을 1차 이미지와 함께 디스플레이하는 것과 연동하여 음향 데이터 획득부(240)를 활성화하여 1차 이미지와 관련된 음성 데이터를 획득하기 시작할 수 있다. 그리고, 프로세서(210)는 제2 버튼에 대한 제2 터치 입력이 입력된 경우, 음성 데이터 획득을 종료할 수 있다. 즉, 1차 이미지가 디스플레이될 때 획득되는 음성 데이터는 제1 터치 입력이 입력된 시점부터 제2 터치 입력이 입력된 시점까지의 사용자의 음성을 녹음한 음성 데이터일 수 있다.
사용자 단말기(200)의 프로세서(210)는 하나의 스토리와 관련된 복수의 이미지를 디스플레이하면서 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득할 수 있다.
본 개시의 몇몇 실시예에 따르면, 프로세서(210)는 복수의 제1 음성 데이터를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다.
일례로, 프로세서(210)는 복수의 제1 음성 데이터 각각을 획득할 때마다 실시간으로 복수의 제1 음성 데이터 각각을 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다.
다른 일례로, 프로세서(210)는 복수의 제1 음성 데이터를 모두 획득한 때 장치(100)에 복수의 제1 음성 데이터를 전송하도록 통신부(230)를 제어할 수 있다.
또 다른 일례로, 프로세서(210)는 복수의 제1 음성 데이터를 모두 획득한 후 이미지 디스플레이 없이 제2 음성 데이터까지 모두 획득한 때 장치(100)에 복수의 제1 음성 데이터 및 제2 음성 데이터를 전송하도록 통신부(230)를 제어할 수 있다.
다만, 상술한 예시들은 일 예에 불과할 뿐 본 개시가 상술한 예시들에 한정되는 것은 아니다.
한편, 사용자 단말기(200)의 프로세서(210)는 하나의 스토리와 관련된 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득한 경우, 이미지의 디스플레이 없이 제2 음성 데이터를 획득하도록 음향 데이터 획득부(240)를 제어할 수 있다.
구체적으로, 사용자 단말기(200)의 프로세서(210)는 스토리 내용을 전부 이야기하라는 내용의 메시지를 제3 버튼(예를 들어, 시작 버튼)과 함께 디스플이하도록 디스플레이부(250)를 제어할 수 있다. 프로세서(210)는 제3 버튼에 대한 제3 터치 입력이 입력된 경우, 제3 버튼 대신 제4 버튼(예를 들어, 완료 버튼)을 메시지와 함께 디스플레이하는 것과 연동하여 음향 데이터 획득부(240)를 활성화하여 스토리와 관련된 제2 음성 데이터를 획득하기 시작할 수 있다. 그리고, 프로세서(210)는 제4 버튼에 대한 제4 터치 입력이 입력된 경우, 제2 음성 데이터 획득을 종료할 수 있다. 즉, 제2 음성 데이터는 제3 터치 입력이 입력된 시점부터 제4 터치 입력이 입력된 시점까지의 사용자의 음성을 녹음한 음성 데이터일 수 있다.
디스플레이부(250)는 사용자 단말기(200)에서 처리되는 정보를 표시(출력)할 수 있다. 예를 들어, 디스플레이부(250)는 사용자 단말기(200)에서 구동되는 응용 프로그램의 실행 화면 정보 또는 이러한 실행 화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(250)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 디스플레이부(250)는 프로세서(210)의 제어 하에 스토리와 관련된 복수의 이미지 각각을 순차적으로 디스플레이할 수 있다.
음향 출력부(260)는 통신부(230)로부터 수신되거나 저장부(220)에 저장된 오디오 데이터(또는 음향 데이터 등)를 출력할 수 있다. 음향 출력부(260)는 사용자 단말기(200)에서 수행되는 기능과 관련된 음향 신호를 출력하기도 한다.
음향 출력부(260)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등을 포함할 수 있다. 즉, 음향 출력부(260)는 리시버(receiver)로 구현될 수도 있으며 라우드 스피커(loud speaker)의 형태로 구현될 수도 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 음향 출력부(260)는 복수의 이미지를 디스플레이하기 전에 사용자가 수행해야 되는 작업을 설명하는 메시지를 포함하는 화면을 출력하는 것과 연동하여 기 설정된 음향(예를 들어, 사용자가 수행해야 되는 작업을 설명하는 음성)을 출력할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 사용자 단말기(200)의 프로세서(210)는 치매 식별을 위한 디지털 바이오 마커 데이터인 복수의 제1 음성 데이터 및 제2 음성 데이터를 획득할 수 있다. 이는 도 2를 참조하여 좀더 자세히 후술한다.
도 2는 본 개시의 몇몇 실시예에 따라 치매 식별을 위한 디지털 바이오 마커 데이터인 복수의 제1 음성 데이터 및 제2 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 흐름도이다. 도 3은 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다. 도 4 및 도 5는 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득할 때 디스플레이되는 복수의 이미지를 설명하기 위한 도면이다. 도 6은 본 개시의 몇몇 실시예에 따라 복수의 제1 음성 데이터를 획득하기 전에 수행되는 태스크의 일례를 설명하기 위한 도면이다. 도 7은 본 개시의 몇몇 실시예에 따라 제2 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다. 도 2 내지 도 7과 관련하여 도 1과 관련하여 상술한 바와 중복되는 내용은 다시 설명하지 않으며, 이하 차이점을 중심으로 설명한다.
도 2를 참조하면, 사용자 단말기(200)의 프로세서(210)는 복수의 이미지를 순차적으로 디스플레이하는 것과 연동하여 상기 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득하는 제1 태스크를 수행할 수 있다(S110). 여기서, 복수의 제1 음성 데이터는 복수의 이미지 중 N(N은 1 이상의 자연수)차 이미지가 디스플레이될 때 제1 터치 입력이 입력된 시점부터 제2 터치 입력이 입력된 시점까지 획득되는 음성 데이터를 포함할 수 있다.
제1 터치 입력은 N차 이미지와 같이 디스플레이되는 제1 버튼(예를 들어, 시작 버튼)에 대한 터치 입력일 수 있다.
제2 터치 입력은 제1 터치 입력에 응답하여 제1 버튼 대신 제2 버튼이 N차 이미지와 같이 디스플레이된 상태에서 제2 버튼에 대한 터치 입력일 수 있다.
복수의 제1 음성 데이터를 획득하는 과정은 도 3을 참조하여 좀더 자세히 설명한다.
도 3의 (a)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 치매 식별을 위한 디지털 바이오 마커 데이터 중 일부인 복수의 제1 음성 데이터를 획득하기 이전에, 사용자가 수행해야하는 작업을 설명하는 설명 화면(S1)이 디스플레이되도록 디스플레이부(250)를 제어할 수 있다. 여기서, 설명 화면(S1)은 사용자가 수행해야하는 작업을 설명하는 메시지(M1) 및 복수의 제1 음성 데이터를 획득하는 제1 태스크를 시작하도록 만드는 시작 버튼(401)을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메시지(M1)가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지(M1)와 관련된 음향(예를 들어, 메시지(M1) 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지(M1)와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 단순 실수로 잘못된 작업을 수행할 가능성이 낮아질 수 있다.
도 3의 (b)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 시작 버튼(401)을 선택하는 터치 입력에 기초하여 복수의 이미지 중 1차 이미지(P1)를 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
구체적으로, 사용자 단말기(200)의 프로세서(210)는 복수의 이미지 중 1차 이미지(P1)가 디스플레이될 때 제1 버튼(411)을 함께 디스플이하도록 디스플레이부(250)를 제어할 수 있다. 여기서, 복수의 이미지는 하나의 스토리와 관련된 이미지들로 디스플레이 순서에 따라 디스플레이되는 이미지들이고, 1차 이미지(P1)는 가장 먼저 디스플레이되는 최초 이미지일 수 있다.
한편, 복수의 이미지가 장치(100)의 저장부(120)에 저장되어 있는 경우와 복수의 이미지가 사용자 단말기(200)의 저장부(220)에 저장되어 있는 경우에 이미지를 디스플레이하는 방법이 달라질 수 있다.
일례로, 복수의 이미지가 장치(100)의 저장부(120)에 저장되어 있는 경우, 사용자 단말기(200)의 프로세서(210)는 시작 버튼(401)을 선택하는 터치 입력이 감지된 때 장치(100)에 1차 이미지 요청 신호를 전송한 후 1차 이미지(P1)를 수신하도록 통신부(230)를 제어할 수 있다. 사용자 단말기(200)의 프로세서(210)는 1차 이미지(P1)를 수신한 경우 1차 이미지(P1)를 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
다른 일례로, 복수의 이미지가 사용자 단말기(200)의 저장부(220)에 저장되어 있는 경우, 프로세서(210)는 시작 버튼(401)을 선택하는 터치 입력이 감지된 때 저장부(220)에 저장된 복수의 이미지 중 1차 이미지(P1)를 디스플레이하도록 디스플레이부를 제어할 수도 있다.
도 3의 (c)를 참조하면, 프로세서(210)는 제1 버튼(411)에 대한 제1 터치 입력이 입력된 경우, 제1 버튼 대신 제2 버튼(412)을 1차 이미지(P1)와 함께 디스플레이하는 것과 연동하여 음향 데이터 획득부(240)를 활성화하여 1차 이미지(P1)와 관련된 제1 음성 데이터를 획득하기 시작할 수 있다.
제1 버튼(411)에 대한 터치 입력이 감지된 경우, 제1 버튼(411) 대신 디스플레이되는 제2 버튼(412)에 기 설정된 효과가 부가되면서 디스플레이될 수 있다. 예를 들어, 제2 버튼(412)을 중심으로 기 설정된 색상이 퍼져나가는 형태의 효과가 제2 버튼(412)에 부가될 수 있다. 다만, 기 설정된 효과는 상술한 예시에 한정되는 것은 아니고 다양한 효과가 제2 버튼(412)에 부가될 수 있다. 상술한 바와 같이 제2 버튼(412)에 기 설정된 효과가 부가되면 사용자가 현재 제1 음성 데이터가 획득 중이라는 것을 인지할 수 있다.
프로세서(210)는 제2 버튼(412)에 대한 제2 터치 입력이 입력된 경우, 제1 음성 데이터 획득을 종료하고 음향 데이터 획득부(240)를 비활성화할 수 있다. 즉, 1차 이미지가 디스플레이될 때 획득되는 제1 음성 데이터는 제1 터치 입력이 입력된 시점부터 제2 터치 입력이 입력된 시점까지의 사용자의 음성을 녹음한 음성 데이터일 수 있다. 그리고, 1차 이미지가 디스플레이될 때 획득되는 제1 음성 데이터는 1차 이미지와 관련된 제1 음성 데이터로 기록할 수 있다.
본 개시의 몇몇 실시예에 따르면, 프로세서(210)는 제2 버튼(412)에 대한 제2 터치 입력이 입력된 경우, 1차 이미지(P1) 대신 2차 이미지(도 4의 P2)가 디스플레이되도록 디스플레이부(250)를 제어할 수 있다. 즉, N차 이미지(N은 1 이상의 자연수)는, 제2 터치 입력에 응답하여 N+1차 이미지로 변경될 수 있다.
한편, 프로세서(210)는 2차 이미지가 디스플레이될 때 도 3의 (b) 및 도 3의 (c)와 관련하여 상술한 태스크를 동일하게 수행할 수 있다. 즉, 프로세서(210)는 상술한 바와 같이 사용자의 제2 버튼(412)에 대한 터치 입력이 감지된 때 다음 이미지로 이미지를 순차적으로 변경하고 다음 이미지와 관련된 제1 음성 데이터를 추가로 획득할 수 있다. 이런 방식으로 프로세서(210)는 선택된 스토리와 관련된 모든 이미지와 관련된 복수의 제1 음성 데이터를 획득할 수 있다.
본 개시의 몇몇 실시예에 따르면, 복수의 이미지는 하나의 스토리와 관련된 이미지로 스토리 타이틀이 달라지면 복수의 이미지도 달라질 수 있다.
장치(1100)의 저장부(120) 또는 사용자 단말기(200)의 저장부(220)에는 복수의 스토리 각각과 관련된 복수의 이미지가 저장되어 있을 수 있다.
도 5를 참조하면, 복수의 스토리는 서로 다른 스토리 타이틀을 가질 수 있다. 여기서, 스토리는 이솝우화, 동화와 같이 하나의 줄거리를 갖는 스토리일 수 있다.
일례로, 복수의 스토리는 제1 스토리, 제2 스토리, 제3 스토리 및 제4 스토리를 적어도 포함할 수 있다. 여기서, 제1 스토리의 스토리 타이틀은 토끼와 거북이이고, 제2 스토리의 스토리 타이틀은 콩쥐팥쥐이고, 제3 스토리의 스토리 타이틀은 해님과 달님이고, 제4 스토리의 스토리 타이틀은 흥부와 놀부일 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 복수의 스토리 각각과 관련된 이미지 개수는 서로 같을 수도 있고 서로 다를 수도 있다.
예를 들어, 제1 스토리, 제2 스토리 및 제3 스토리와 관련된 이미지의 개수는 4개일 수 있고, 제4 스토리와 관련된 이미지의 개수는 5개일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서, 사용자 단말기(200)에서 디스플레이되는 복수의 이미지는 상술한 복수의 스토리 중 어느 하나의 스토리와 관련된 이미지들일 수 있다.
복수의 스토리 중 어느 하나의 스토리는 랜덤하게 선택될 수도 있고, 기 설정된 순서에 따라 선택될 수도 있다. 다만, 이에 한정되는 것은 아니다.
도 4를 참조하면, 하나의 스토리와 관련된 복수의 이미지(P1, P2, P3, P4)는 서로 다를 수 있고, 장치(100)의 저장부(120) 또는 사용자 단말기(200)의 저장부(220)에 저장되어 있을 수 있다. 다만, 이에 한정되는 것은 아니다.
그리고, 복수의 이미지(P1, P2, P3, P4) 각각에는 순서가 정해져 있을 수 있다. 따라서, 사용자 단말기(200)에 복수의 이미지(P1, P2, P3, P4)가 디스플레이될 때 순차적으로 디스플레이될 수 있다.
구체적으로, 1차 이미지(P1)가 디스플레이될 때 같이 디스플레이되는 제2 버튼(412)에 대한 제2 터치 입력이 감지되면, 2차 이미지(P2)가 사용자 단말기(200)의 디스플레이부(250) 상에 디스플레이될 수 있고, 2차 이미지(P2)가 디스플레이될 때 같이 디스플레이되는 제2 버튼(412)에 대한 제2 터치 입력이 감지되면, 3차 이미지(P2)가 사용자 단말기(200)의 디스플레이부(250) 상에 디스플레이될 수 있다. 이런 방법으로 복수의 이미지(P1, P2, P3, P4) 전부가 사용자 단말기(200)의 디스플레이부(250) 상에 디스플레이될 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 복수의 이미지를 순차적으로 디스플레이하는 것과 연동하여 상기 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득하는 제1 태스크 이전에, 음성 데이터의 획득 없이 상기 복수의 이미지 각각을 순차적으로 기 설정된 시간 동안 디스플레이하는 태스크가 수행될 수도 있다. 이는 도 6을 참조하여 자세히 설명한다.
도 6의 (a)를 참조하면, 복수의 이미지 각각을 순차적으로 기 설정된 시간 동안 디스플레이하는 태스크가 수행되기 이전에, 사용자가 수행해야하는 작업을 설명하는 설명 화면(S2)이 디스플레이되도록 디스플레이부(250)를 제어할 수 있다. 여기서, 설명 화면(S2)은 사용자가 수행해야하는 작업을 설명하는 메시지(M2) 및 복수의 이미지 각각을 순차적으로 기 설정된 시간 동안 디스플레이하는 태스크를 시작하도록 만드는 시작 버튼(402)을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메시지(M2)가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지(M2)와 관련된 음향(예를 들어, 메시지(M2) 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지(M2)와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 사용자의 집중력을 향상시킬 수 있다.
도 6의 (b)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 시작 버튼(402)을 선택하는 터치 입력에 기초하여 복수의 이미지 중 1차 이미지(P1)를 먼저 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
구체적으로, 사용자 단말기(200)의 프로세서(210)는 복수의 이미지 중 1차 이미지(P1)가 디스플레이될 때 이미지의 순서와 관련된 정보(O)를 함께 디스플이하도록 디스플레이부(250)를 제어할 수 있다. 여기서, 복수의 이미지는 하나의 스토리와 관련된 이미지들로 디스플레이 순서에 따라 디스플레이되는 이미지들이고, 1차 이미지(P1)는 가장 먼저 디스플레이되는 최초 이미지일 수 있다.
이미지의 순서와 관련된 정보(O)는 숫자를 포함할 수 있다. 즉, 1차 이미지(P1)가 최초 이미지이기 때문에 1이라는 숫자가 이미지의 순서와 관련된 정보(O)에 포함될 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 1차 이미지는 기 설정된 시간(예를 들어, 5초) 동안 디스플레이된 후에 2차 이미지로 변경될 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 사용자 단말기(200)의 디스플레이부(250)에 디스플레이되는 이미지가 2차 이미지로 변경된 경우, 이미지의 순서와 관련된 정보(O)도 같이 변경될 수 있다.
예를 들어, 2차 이미지는 두번째 이미지이기 때문에 2라는 숫자가 이미지의 순서와 관련된 정보(O)에 포함될 수 있다. 다만, 이에 한정되는 것은 아니다.
즉, 사용자 단말기(200)의 디스플레이부(250)에 디스플레이되는 이미지는 순차적으로 변경될 수 있고, 이미지가 변경될 때 이미지의 순서와 관련된 정보(O)도 같이 변경될 수 있다.
다시, 도 2를 참조하면, 사용자 단말기(200)의 프로세서(210)는 이미지 디스플레이 없이 제2 음성 데이터를 획득하는 제2 태스크를 수행할 수 있다(S120).
제2 음성 데이터는 제2 태스크 수행 시 디스플레이되는 화면에 제3 터치 입력이 입력된 시점부터 제4 터치 입력이 입력된 시점까지 획득되는 음성 데이터일 수 있다. 다만, 이에 한정되는 것은 아니다. 여기서, 제3 터치 입력은, 제2 태스크가 수행될 때 디스플레이되는 제3 버튼(예를 들어, 시작 버튼)에 대한 터치 입력일 수 있다. 그리고, 제4 터치 입력은, 제3 터치 입력에 응답하여 제3 버튼 대신 제4 버튼이 디스플레이된 상태에서 제4 버튼에 대한 터치 입력일 수 있다.
구체적으로, 도 7의 (a)를 참조하면, 제2 태스크가 수행되기 이전에 사용자가 수행해야하는 작업을 설명하는 설명 화면(S3)이 디스플레이되도록 디스플레이부(250)를 제어할 수 있다. 여기서, 설명 화면(S3)은 사용자가 수행해야하는 작업을 설명하는 메시지(M3) 및 제2 음성 데이터 획득과 관련된 시작 버튼(413)을 포함할 수 있다. 여기서, 메시지(M3)는 제1 태스크에서 디스플레이된 복수의 이미지와 관련된 스토리에 대한 이야기를 하라는 내용을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메시지(M3)가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지(M3)와 관련된 음향(예를 들어, 메시지(M3) 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지(M3)와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 사용자의 집중력을 향상시킬 수 있다.
도 7의 (b)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 제3 버튼(413)을 선택하는 터치 입력이 입력된 경우, 제3 버튼(413) 대신 제4 버튼(414)을 화면(S3) 상에 디스플레이하도록 디스플레이부(250)를 제어할 수 있다. 그리고, 프로세서(210)는 화면(S3) 상에 별도의 이미지를 디스플레이하지 않고 음향 데이터 획득부(240)를 활성화하여 제2 음성데이터를 획득하기 시작할 수 있다.
제3 버튼(413)에 대한 터치 입력이 감지된 경우, 제3 버튼(413) 대신 디스플레이되는 제4 버튼(414)에 기 설정된 효과가 부가되면서 디스플레이될 수 있다. 예를 들어, 제4 버튼(414)을 중심으로 기 설정된 색상이 퍼져나가는 형태의 효과가 제4 버튼(414)에 부가될 수 있다. 다만, 기 설정된 효과는 상술한 예시에 한정되는 것은 아니고 다양한 효과가 제4 버튼(414)에 부가될 수 있다. 상술한 바와 같이 제4 버튼(414)에 기 설정된 효과가 부가되면 사용자가 현재 제2 음성 데이터가 획득 중이라는 것을 인지할 수 있다.
한편, 프로세서(210)는 제4 버튼(414)에 대한 제4 터치 입력이 입력된 경우 제2 음성 데이터 획득을 종료하고 음향 데이터 획득부(240)를 비활성화할 수 있다. 즉, 제2 음성 데이터는 제3 버튼(413)을 선택하는 제3 터치 입력이 입력된 시점부터 제4 터치 입력이 입력된 시점까지의 사용자의 음성을 녹음한 음성 데이터일 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 사용자 단말기(200)의 프로세서(210)는 복수의 제1 음성 데이터 및 제2 음성 데이터를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다.
일례로, 프로세서(210)는 복수의 제1 음성 데이터 및 제2 음성 데이터를 전부 획득한 후에 장치(100)에 복수의 제1 음성 데이터 및 제2 음성 데이터를 전송하도록 통신부(230)를 제어할 수 있다.
다른 일례로, 프로세서(210)는 복수의 제1 음성 데이터를 전부 획득한 후에 복수의 제1 음성 데이터를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다. 그리고, 프로세서(210)는 제2 음성 데이터를 획득한 후에 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다. 즉, 프로세서(210)는 제1 태스크를 통해 복수의 제1 음성 데이터를 전부 획득한 후 제2 태스크가 수행되기 이전에 복수의 제1 음성 데이터를 먼저 장치(100)에 전송하고, 그 다음 제2 음성 데이터를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다.
또 다른 일례로, 프로세서(210)는 복수의 제1 음성 데이터 및 제2 음성 데이터 각각을 획득할 때 마다 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다.
다만, 상술한 예시들은 본 개시의 일 예시에 불과할 뿐 본 개시는 상술한 예시들에 한정되는 것은 아니다.
장치(100)의 프로세서(110)는 복수의 제1 음성 데이터 및 제2 음성 데이터를 전부 수신한 후에 사용자 단말기(200)의 사용자의 치매 여부를 식별할 수 있다. 이는 도 8을 참조하여 좀더 자세히 후술한다.
도 8은 본 개시의 몇몇 실시예에 따라 음성 데이터에 기초하여 치매 여부를 식별하는 방법의 일례를 설명하기 위한 흐름도이다. 도 9는 본 개시의 몇몇 실시예에 따라 내용 분석 정보를 획득할 때 사용되는 키워드 및 유사어의 일례를 설명하기 위한 도면이다. 도 8과 관련하여 도 1 내지 도 7과 관련하여 상술한 바와 중복되는 내용은 다시 설명하지 않고, 이하 차이점을 중심으로 설명한다.
도 8을 참조하면, 장치(100)의 적어도 하나의 프로세서(110)는 사용자 단말기(200)에서 복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득할 수 있다(S131).
내용 분석 정보는 복수의 제1 음성 데이터 및 제2 음성 데이터의 내용을 분석한 정보를 의미할 수 있고, 음성 활동 분석 정보는 사용자 단말기(200)의 사용자의 발화 속도나 응답 시간을 나타내는 정보를 의미할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서 음성 분석 정보는, 사용자 단말기의 사용자의 발화 속도 정보 및 사용자의 응답 시간 정보를 포함할 수 있다.
발화 속도 정보는 복수의 제1 음성 데이터 및 제2 음성 데이터 각각에 포함된 음절 수와 복수의 제1 음성 데이터 및 제2 음성 데이터 각각에서 사용자의 음성이 존재하는 총 시간에 기초하여 산출될 수 있다.
예를 들어, 프로세서(110)는 복수의 제1 음성 데이터 및 제2 음성 데이터 각각에 포함된 음절 수에 복수의 제1 음성 데이터 및 제2 음성 데이터 각각에서 사용자의 음성이 존재하는 총 시간을 나누어 발화 속도를 산출할 수 있다.
본 개시에서 발화 속도 정보를 산출하는 방법은 상술한 예시에 한정되는 것은 아니다.
응답 시간 정보는 사용자가 시작 버튼을 누른 후에 이야기를 할 때까지 지연된 시간에 대한 정보를 의미할 수 있다. 다만, 이에 한정되는 것은 아니다.
응답 시간 정보는 복수의 제1 음성 데이터 각각에서 사용자의 음성이 존재하는 제1 시점 정보에 기초하여 산출되는 정보 및 제2 음성 데이터 내에서 사용자의 음성이 존재하는 제2 시점 정보에 기초하여 산출되는 정보를 포함할 수 있다.
예를 들어, 복수의 제1 음성 데이터 또는 제2 음성 데이터에서 사용자의 음성이 3초 후에 나오는 경우 사용자의 음성이 존재하는 시점은 3초가 될 수 있다.
다만, 본 개시에서 상술한 예는 일 예시에 불과할 뿐 본 개시가 상술한 예에 한정되는 것은 아니다.
복수의 태스크는 복수의 이미지가 순차적으로 디스플레이되는 것과 연동하여 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득하는 제1 태스크 및 이미지 디스플레이 없이 제2 음성 데이터를 획득하는 제2 태스크를 포함할 수 있다. 이는 도 1 내지 도 7에서 상술한 바 자세한 설명은 생략한다.
본 개시에서 프로세서(110)는 복수의 제1 음성 데이터를 복수의 제1 텍스트 데이터로 변환할 수 있고, 제2 음성 데이터를 제2 텍스트 데이터로 변환할 수 있다. 여기서, 복수의 제1 음성 데이터를 복수의 제1 텍스트 데이터로 변환할 때 그리고 제2 음성 데이터를 제2 텍스트 데이터로 변환할 때, 음성 인식 기술(예를 들어, Speech To Text; STT)과 관련된 알고리즘이 이용될 수 있다. 다만, 이에 한정되는 것은 아니다.
장치(100)의 저장부(120)에는 음성 데이터를 텍스트 데이터로 변환하는 음성 인식 기술(예를 들어, Speech To Text; STT)과 관련된 알고리즘이 저장되어 있을 수 있다. 예를 들어, 음성 인식 기술과 관련된 알고리즘은 HMM(Hidden Markov Model) 등일 수 있다.
프로세서(110)는 복수의 제1 텍스트 데이터 및 제2 텍스트 데이터를 이용해서 내용 분석 정보를 획득할 수 있다. 여기서, 내용 분석 정보는 복수의 제1 텍스트 데이터 및 제2 텍스트 데이터의 전체 음절 대비 간투사 비율에 대한 제1 정보, 복수의 이미지 각각과 관련된 키워드가 복수의 제1 텍스트 데이터 및 제2 텍스트 데이터에 포함된 정도를 나타내는 제2 정보 및 복수의 이미지 각각과 관련된 키워드의 유사어가 복수의 제1 텍스트 데이터 및 제2 텍스트 데이터에 포함된 정도를 나타내는 제3 정보 를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
종래 기술에 따르면, 간투사 비율을 이용해서 치매 여부를 식별하는 경우가 존재하지 않았으나, 본 개시와 같이 간투사 비율을 함께 이용해서 치매 여부를 식별하는 경우 치매 식별의 정확도가 더욱 향상될 수 있다.
도 9를 참조하면, 본 개시의 장치(100)의 저장부(120)에는 복수의 이미지 각각과 관련된 복수의 키워드(510) 및 복수의 키워드 각각과 관련된 복수의 유사어(520)가 저장되어 있을 수 있다. 여기서, 복수의 이미지가 서로 다른 이미지이기 때문에, 복수의 키워드 및 복수의 키워드 각각과 관련된 복수의 유사어는 이미지마다 서로 다를 수 있다.
본 개시의 몇몇 실시예에서, 프로세서(110)는 복수의 이미지 중 1차 이미지가 디스플레이될 때 획득된 음성 데이터를 텍스트 데이터로 변환한 텍스트 데이터에 1차 이미지와 관련된 키워드 및 복수의 유사어가 포함된 정도(예를 들어, 텍스트 데이터에 포함된 전체 단어 대비 키워드의 비율 및 유사어의 비율)를 산출할 수 있다. 그리고, 프로세서(110)는 복수의 이미지 중 2차 이미지가 디스플레이될 때 획득된 음성 데이터를 텍스트 데이터로 변환한 텍스트 데이터에 2차 이미지와 관련된 키워드 및 복수의 유사어가 포함된 정보를 산출할 수 있다. 이런 식으로, 프로세서(110)는 복수의 제1 음성 데이터 전부에 대해서 키워드 및 복수의 유사어가 포함된 정보를 산출할 수 있다.
본 개시의 몇몇 실시예에 따르면, 프로세서(110)는 제2 음성 데이터를 텍스트 데이터로 변환한 제2 텍스트 데이터에 복수의 이미지 전부와 관련된 복수의 키워드 및 복수의 키워드 각각과 관련된 복수의 유사어가 포함된 정도를 산출할 수 있다.
복수의 키워드 및 복수의 키워드 각각과 관련된 복수의 유사어는 서로 매핑되어 도 9와 같이 테이블 형태로 저장부(120)에 저장되어 있을 수 있다. 다만, 이에 한정되는 것은 아니고 복수의 키워드 및 복수의 키워드와 관련된 유사어는 다양한 형태로 저장부(120)에 저장되어 있을 수 있다.
도 8을 다시 참조하면, 프로세서(110)는 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 획득한 내용 분석 정보 및 음성 활동 분석 정보를 치매 식별 모델에 입력하여 사용자 단말기(200)의 사용자의 치매 여부를 식별할 수 있다(S132).
구체적으로, 프로세서(110)는 내용 분석 정보 및 음성 활동 분석 정보를 치매 식별 모델에 입력하여 스코어 값을 산출할 수 있다. 그리고, 프로세서(110)는 스코어 값에 기초하여 치매 여부를 식별할 수 있다.
예를 들어, 프로세서(110)는 스코어 값이 기 설정된 임계 값을 초과하는지 여부에 기초하여 사용자 단말기(200)의 사용자가 치매인지 여부를 결정할 수 있다. 즉, 프로세서(110)는 치매 식별 모델에서 출력된 스코어 값이 기 설정된 임계 값을 초과한다고 인식한 경우 사용자가 치매라고 결정하고, 치매 식별 모델에서 출력된 스코어 값이 기 설정된 임계 값 이하라고 인식한 경우 사용자가 치매가 아니라고 결정할 수 있다.
상술한 예시는 일 예시에 불과할 뿐 본 개시는 상술한 예들에 한정되는 것은 아니다.
본 개시에서 치매 식별 모델은 테스트 사용자들이 본 개시에서 상술한 방법을 통해 획득된 디지털 바이오 마커 데이터를 이용하여 학습이 완료된 딥러닝 모델일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 획득된 내용 분석 정보 및 음성 활동 분석 정보를 이용하여 치매 여부를 식별하기 때문에 복수의 제1 음성 데이터 및 제2 음성 데이터는 치매 식별을 위한 디지털 바이오 마커 데이터라고 볼 수 있다.
인지 정상군 120명과 인지 저하군 9명이 자신의 사용자 단말기를 통해 치매 여부를 식별하는 실험을 진행한 바 있다. 이 실험의 목표는 기 학습된 치매 식별 모델의 정확도를 확인하는 것이었다. 상술한 실험을 통해 산출된 분류의 정확도는 80% 이상인 것을 확인하였다.
상술한 본 발명의 몇몇 실시예들 중 적어도 하나에 의하면, 환자가 거부감을 거의 느끼지 않는 방법으로 정확하게 치매를 진단할 수 있다.
본 개시에서 장치(100)는 상기 설명된 몇몇 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 몇몇 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
본 개시에서 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 디바이스로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 몇몇 실시예는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays, 프로세서, 제어기, 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 개시에서 설명되는 몇몇 실시예가 적어도 하나의 프로세서로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 개시에서 설명되는 절차 및 기능과 같은 몇몇 실시예는 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 개시에서 설명되는 하나 이상의 기능, 태스크 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 애플리케이션으로 소프트웨어 코드(software code)가 구현될 수 있다. 여기서, 소프트웨어 코드는, 저장부(120)에 저장되고, 적어도 하나의 프로세서(110)에 의해 실행될 수 있다. 즉, 적어도 하나의 프로그램 명령이 저장부(120)에 저장되어 있고, 적어도 하나의 프로그램 명령이 적어도 하나의 프로세서(110)에 의해 실행될 수 있다.
본 개시의 몇몇 실시예에 따른 장치(100)의 적어도 하나의 프로세서(110)가 치매 식별 모델을 이용하여 치매를 식별하는 방법은 장치(100)에 구비된 적어도 하나의 프로세서(110)가 읽을 수 있는 기록매체에 적어도 하나의 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 적어도 하나의 프로세서가 읽을 수 있는 기록매체는 적어도 하나의 프로세서(110)에 의해 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록 디바이스를 포함한다. 적어도 하나의 프로세서가 읽을 수 있는 기록 매체의 예로는 ROM(Read Only Memory), RAM(Random Access Memory), CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장 디바이스 등이 포함된다.
한편, 사용자 단말기(200)의 프로세서(210)가 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득하는 방법은 사용자 단말기(200)에 구비된 프로세서(210)가 읽을 수 있는 기록매체에 적어도 하나의 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 적어도 하나의 프로세서가 읽을 수 있는 기록매체는 적어도 하나의 프로세서(110)에 의해 읽힐 수 있는 데이터가 저장되는 모든 종류의 기록 디바이스를 포함한다. 적어도 하나의 프로세서가 읽을 수 있는 기록 매체의 예로는 ROM(Read Only Memory), RAM(Random Access Memory), CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장 디바이스 등이 포함된다.
한편, 본 개시에서 첨부된 도면을 참조하여 설명하였으나, 이는 실시예일 뿐 특정 실시예에 한정되지 아니하며, 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 변형실시가 가능한 다양한 내용도 청구범위에 따른 권리범위에 속한다. 또한, 그러한 변형실시들이 본 발명의 기술 사상으로부터 개별적으로 이해되어서는 안 된다.
Claims (14)
- 장치의 적어도 하나의 프로세서에 의해 치매를 식별하는 방법에 있어서, 상기 방법은:
사용자 단말기에서 복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하는 단계; 및
상기 내용 분석 정보 및 상기 음성 활동 분석 정보를 치매 식별 모델에 입력하여 치매 여부를 식별하는 단계;
를 포함하고,
상기 내용 분석 정보는,
상기 복수의 제1 음성 데이터 및 상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 저장부에 저장된 적어도 하나의 키워드의 제1 비율에 대한 정보 및 상기 전체 단어 대비 상기 적어도 하나의 키워드와 관련된 적어도 하나의 유사어의 제2 비율에 대한 정보를 포함하고,
상기 제1 비율에 대한 정보는:
상기 복수의 제1 음성 데이터 중 N차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N차 이미지와 관련된 N차 키워드의 비율에 대한 정보;
상기 복수의 제1 음성 데이터 중 N+1차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N+1차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N+1차 이미지와 관련된 N+1차 키워드의 비율에 대한 정보; 및
상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 복수의 제1 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 상기 N차 이미지 및 상기 N+1차 이미지를 포함하는 복수의 이미지와 관련된 복수의 키워드의 비율에 대한 정보;
를 포함하고,
상기 제2 비율에 대한 정보는:
상기 복수의 제1 음성 데이터 중 N차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N차 이미지와 관련된 상기 N차 키워드와 매핑되어 있는 N차 유사어의 비율에 대한 정보;
상기 복수의 제1 음성 데이터 중 N+1차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N+1차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N+1차 이미지와 관련된 N+1차 키워드와 매핑되어 있는 N+1차 유사어의 비율에 대한 정보; 및
상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 복수의 제1 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 상기 N차 이미지 및 상기 N+1차 이미지를 포함하는 상기 복수의 이미지와 관련된 복수의 키워드와 매핑되어 있는 복수의 유사어의 비율에 대한 정보;
를 포함하고,
상기 N+1차 이미지는,
상기 N차 이미지가 디스플레이될 때 터치 입력에 응답하여 변경된 이미지이고,
상기 N은,
1 이상의 자연수인,
치매 식별 방법. - 제1항에 있어서,
상기 사용자 단말기에서 복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 상기 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하는 단계는:
상기 복수의 제1 음성 데이터를 복수의 제1 텍스트 데이터로 변환하는 단계;
상기 제2 음성 데이터를 제2 텍스트 데이터로 변환하는 단계; 및
상기 복수의 제1 텍스트 데이터 및 상기 제2 텍스트 데이터를 이용하여 상기 내용 분석 정보를 획득하는 단계;
를 포함하는,
치매 식별 방법. - 제2항에 있어서,
상기 내용 분석 정보는,
상기 복수의 제1 텍스트 데이터 및 상기 제2 텍스트 데이터의 전체 음절 대비 간투사 비율에 대한 제1 정보를 포함하는,
치매 식별 방법. - 제3항에 있어서,
상기 제1 비율에 대한 정보는,
상기 복수의 제1 텍스트 데이터 각각 및 상기 제2 텍스트 데이터에 상기 적어도 하나의 키워드가 포함된 정도를 분석하여 생성되고,
상기 제2 비율에 대한 정보는,
상기 복수의 제1 텍스트 데이터 각각 및 상기 제2 텍스트 데이터에 상기 적어도 하나의 유사어가 포함된 정도를 분석하여 생성되는,
치매 식별 방법. - 제1항에 있어서,
상기 음성 활동 분석 정보는:
상기 사용자 단말기의 사용자의 발화 속도 정보 및 상기 사용자의 응답 시간 정보를 포함하는,
치매 식별 방법. - 제5항에 있어서,
상기 응답 시간 정보는,
상기 복수의 제1 음성 데이터 각각에서 상기 사용자의 음성이 존재하는 제1 시점 정보에 기초하여 산출되는 정보; 및
상기 제2 음성 데이터 내에서 상기 사용자의 음성이 존재하는 제2 시점 정보에 기초하여 산출되는 정보;
를 포함하는,
치매 식별 방법. - 제1항에 있어서,
상기 복수의 태스크는:
하나의 스토리와 관련된 상기 복수의 이미지가 순차적으로 하나씩 디스플레이되는 것과 연동하여 상기 복수의 이미지 각각과 관련된 상기 복수의 제1 음성 데이터를 획득하는 제1 태스크; 및
이미지 디스플레이 없이 상기 하나의 스토리에 대한 정보를 디스플레이하면서 상기 제2 음성 데이터를 획득하는 제2 태스크;
를 포함하는,
치매 식별 방법. - 제7항에 있어서,
상기 복수의 제1 음성 데이터는,
상기 복수의 이미지 중 상기 N차 이미지가 디스플레이될 때 시작 버튼에 대한 터치 입력이 입력된 시점부터 종료 버튼에 대한 터치 입력이 입력된 시점까지 획득되는 상기 N차 음성 데이터; 및
상기 복수의 이미지 중 상기 N+1차 이미지가 디스플레이될 때 시작 버튼에 대한 터치 입력이 입력된 시점부터 종료 버튼에 대한 터치 입력이 입력된 시점까지 획득되는 상기 N+1차 음성 데이터;
를 포함하는,
치매 식별 방법. - 삭제
- 삭제
- 제7항에 있어서,
상기 제2 음성 데이터는,
상기 제2 태스크 수행 시 디스플레이되는 화면에 제3 터치 입력이 입력된 시점부터 제4 터치 입력이 입력된 시점까지 획득되는 음성 데이터인,
치매 식별 방법. - 제11항에 있어서,
상기 제3 터치 입력은,
상기 제2 태스크가 수행될 때 디스플레이되는 제3 버튼에 대한 터치 입력이고,
상기 제4 터치 입력은,
상기 제3 터치 입력에 응답하여 상기 제3 버튼 대신 제4 버튼이 디스플레이된 상태에서 상기 제4 버튼에 대한 터치 입력인,
치매 식별 방법. - 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 디바이스의 적어도 하나의 프로세서에서 실행되는 경우, 치매를 식별하는 단계들을 수행하며, 상기 단계들은:
복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하는 단계; 및
상기 내용 분석 정보 및 상기 음성 활동 분석 정보를 치매 식별 모델에 입력하여 치매 여부를 식별하는 단계;
를 포함하고,
상기 내용 분석 정보는,
상기 복수의 제1 음성 데이터 및 상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 저장부에 저장된 적어도 하나의 키워드의 제1 비율에 대한 정보 및 상기 전체 단어 대비 상기 적어도 하나의 키워드와 관련된 적어도 하나의 유사어의 제2 비율에 대한 정보를 포함하고,
상기 제1 비율에 대한 정보는:
상기 복수의 제1 음성 데이터 중 N차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N차 음성 데이터가 획득될 때 사용자 단말기에서 디스플레이된 N차 이미지와 관련된 N차 키워드의 비율에 대한 정보;
상기 복수의 제1 음성 데이터 중 N+1차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N+1차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N+1차 이미지와 관련된 N+1차 키워드의 비율에 대한 정보; 및
상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 복수의 제1 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 상기 N차 이미지 및 상기 N+1차 이미지를 포함하는 복수의 이미지와 관련된 복수의 키워드의 비율에 대한 정보;
를 포함하고,
상기 제2 비율에 대한 정보는:
상기 복수의 제1 음성 데이터 중 N차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N차 이미지와 관련된 상기 N차 키워드와 매핑되어 있는 N차 유사어의 비율에 대한 정보;
상기 복수의 제1 음성 데이터 중 N+1차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N+1차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N+1차 이미지와 관련된 N+1차 키워드와 매핑되어 있는 N+1차 유사어의 비율에 대한 정보; 및
상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 복수의 제1 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 상기 N차 이미지 및 상기 N+1차 이미지를 포함하는 상기 복수의 이미지와 관련된 복수의 키워드와 매핑되어 있는 복수의 유사어의 비율에 대한 정보;
를 포함하고,
상기 N+1차 이미지는,
상기 N차 이미지가 디스플레이될 때 터치 입력에 응답하여 변경된 이미지이고,
상기 N은,
1 이상의 자연수인,
컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램. - 치매를 식별하는 장치에 있어서, 상기 장치는:
적어도 하나의 프로그램 명령이 저장된 저장부; 및
상기 적어도 하나의 프로그램 명령을 수행하는 적어도 하나의 프로세서;
를 포함하고,
상기 적어도 하나의 프로세서는,
복수의 태스크를 수행하여 획득된 복수의 제1 음성 데이터 및 제2 음성 데이터를 이용하여 내용 분석 정보 및 음성 활동 분석 정보를 획득하고,
상기 내용 분석 정보 및 상기 음성 활동 분석 정보를 치매 식별 모델에 입력하여 치매 여부를 식별하고,
상기 내용 분석 정보는,
상기 복수의 제1 음성 데이터 및 상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 저장부에 저장된 적어도 하나의 키워드의 제1 비율에 대한 정보 및 상기 전체 단어 대비 상기 적어도 하나의 키워드와 관련된 적어도 하나의 유사어의 제2 비율에 대한 정보를 포함하고,
상기 제1 비율에 대한 정보는:
상기 복수의 제1 음성 데이터 중 N차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N차 음성 데이터가 획득될 때 사용자 단말기에서 디스플레이된 N차 이미지와 관련된 N차 키워드의 비율에 대한 정보;
상기 복수의 제1 음성 데이터 중 N+1차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N+1차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N+1차 이미지와 관련된 N+1차 키워드의 비율에 대한 정보; 및
상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 복수의 제1 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 상기 N차 이미지 및 상기 N+1차 이미지를 포함하는 복수의 이미지와 관련된 복수의 키워드의 비율에 대한 정보;
를 포함하고,
상기 제2 비율에 대한 정보는:
상기 복수의 제1 음성 데이터 중 N차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N차 이미지와 관련된 상기 N차 키워드와 매핑되어 있는 N차 유사어의 비율에 대한 정보;
상기 복수의 제1 음성 데이터 중 N+1차 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 N+1차 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 N+1차 이미지와 관련된 N+1차 키워드와 매핑되어 있는 N+1차 유사어의 비율에 대한 정보; 및
상기 제2 음성 데이터를 분석하여 생성된 사용자가 발화한 전체 단어 대비 상기 복수의 제1 음성 데이터가 획득될 때 상기 사용자 단말기에서 디스플레이된 상기 N차 이미지 및 상기 N+1차 이미지를 포함하는 상기 복수의 이미지와 관련된 복수의 키워드와 매핑되어 있는 복수의 유사어의 비율에 대한 정보;
를 포함하고,
상기 N+1차 이미지는,
상기 N차 이미지가 디스플레이될 때 터치 입력에 응답하여 변경된 이미지이고,
상기 N은,
1 이상의 자연수인,
장치.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220069864A KR102487440B1 (ko) | 2022-06-09 | 2022-06-09 | 음성 데이터에 기초한 치매 식별 기법 |
KR1020230002148A KR20230169829A (ko) | 2022-06-09 | 2023-01-06 | 음성 데이터에 기초한 치매 식별 기법 |
US18/316,124 US11759145B1 (en) | 2022-06-09 | 2023-05-11 | Technique for identifying dementia based on voice data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220069864A KR102487440B1 (ko) | 2022-06-09 | 2022-06-09 | 음성 데이터에 기초한 치매 식별 기법 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230002148A Division KR20230169829A (ko) | 2022-06-09 | 2023-01-06 | 음성 데이터에 기초한 치매 식별 기법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102487440B1 true KR102487440B1 (ko) | 2023-01-11 |
Family
ID=84892487
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220069864A KR102487440B1 (ko) | 2022-06-09 | 2022-06-09 | 음성 데이터에 기초한 치매 식별 기법 |
KR1020230002148A KR20230169829A (ko) | 2022-06-09 | 2023-01-06 | 음성 데이터에 기초한 치매 식별 기법 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230002148A KR20230169829A (ko) | 2022-06-09 | 2023-01-06 | 음성 데이터에 기초한 치매 식별 기법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11759145B1 (ko) |
KR (2) | KR102487440B1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190135908A (ko) | 2019-02-01 | 2019-12-09 | (주)제이엘케이인스펙션 | 인공지능 기반 치매 진단 방법 및 장치 |
JP2021097913A (ja) * | 2019-12-23 | 2021-07-01 | 株式会社キャピタルメディカ | 認知機能確認方法、認知機能障害判定方法、認知機能確認プログラム、認知機能障害判定プログラム及び認知機能確認判定装置 |
KR20210091561A (ko) * | 2020-01-14 | 2021-07-22 | 주식회사 바이칼에이아이 | 인공지능 기술을 활용한 경도 인지 장애 감지 방법 및 장치 |
KR20220031957A (ko) * | 2020-09-06 | 2022-03-15 | 주식회사 참빛교육 | 독서 레벨 테스트 시스템 |
KR102392318B1 (ko) * | 2022-01-17 | 2022-05-02 | 주식회사 하이 | 혼합 테스트에 기초하여 치매를 식별하는 기법 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102257291B1 (ko) | 2018-09-14 | 2021-05-28 | 주식회사 아이메디신 | 인지 장애 판별 방법 및 컴퓨터 프로그램 |
KR102321197B1 (ko) | 2020-02-03 | 2021-11-03 | 서울대학교병원 | 딥러닝을 이용한 치매 위험인자 결정 방법 및 장치 |
KR102494874B1 (ko) | 2020-06-15 | 2023-02-06 | 한국과학기술정보연구원 | 일상생활 능력정보 기반 치매 예측 방법 및 그 장치 |
-
2022
- 2022-06-09 KR KR1020220069864A patent/KR102487440B1/ko active IP Right Grant
-
2023
- 2023-01-06 KR KR1020230002148A patent/KR20230169829A/ko unknown
- 2023-05-11 US US18/316,124 patent/US11759145B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190135908A (ko) | 2019-02-01 | 2019-12-09 | (주)제이엘케이인스펙션 | 인공지능 기반 치매 진단 방법 및 장치 |
JP2021097913A (ja) * | 2019-12-23 | 2021-07-01 | 株式会社キャピタルメディカ | 認知機能確認方法、認知機能障害判定方法、認知機能確認プログラム、認知機能障害判定プログラム及び認知機能確認判定装置 |
KR20210091561A (ko) * | 2020-01-14 | 2021-07-22 | 주식회사 바이칼에이아이 | 인공지능 기술을 활용한 경도 인지 장애 감지 방법 및 장치 |
KR20220031957A (ko) * | 2020-09-06 | 2022-03-15 | 주식회사 참빛교육 | 독서 레벨 테스트 시스템 |
KR102392318B1 (ko) * | 2022-01-17 | 2022-05-02 | 주식회사 하이 | 혼합 테스트에 기초하여 치매를 식별하는 기법 |
Also Published As
Publication number | Publication date |
---|---|
KR20230169829A (ko) | 2023-12-18 |
US11759145B1 (en) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11398223B2 (en) | Electronic device for modulating user voice using artificial intelligence model and control method thereof | |
KR102638481B1 (ko) | 혼합 테스트에 기초하여 치매를 식별하는 기법 | |
US11631400B2 (en) | Electronic apparatus and controlling method thereof | |
US11942077B2 (en) | Electronic device and operating method thereof | |
KR102487440B1 (ko) | 음성 데이터에 기초한 치매 식별 기법 | |
KR102487420B1 (ko) | 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득하는 방법 | |
KR102455264B1 (ko) | 치매를 식별하는 기법 | |
KR102519725B1 (ko) | 사용자의 인지 기능 상태를 식별하는 기법 | |
KR102431261B1 (ko) | 테스트 결과 데이터에 기초하여 치매 식별 모델을 학습시키는 기법 | |
US11900222B1 (en) | Efficient machine learning model architecture selection | |
CN116324763A (zh) | 使用多个聊天机器人进行问题应答的电子设备及其控制方法 | |
KR102479598B1 (ko) | 시선 정보에 기초하여 경도 인지 장애를 식별하는 기법 | |
US20230233138A1 (en) | Technique for identifying dementia based on plurality of result data | |
US11957476B2 (en) | Identifying a dementia based on gaze information of user performing task on a screen and gaze task score | |
KR102526173B1 (ko) | 음성 데이터에서 특정 화자의 음성을 추출하는 기법 | |
KR102498426B1 (ko) | 디지털 바이오 마커에 기초하여 인지 강화 훈련을 제공하는 기법 | |
US20240029723A1 (en) | System and method for command fulfillment without wake word | |
KR102539256B1 (ko) | 음성 데이터에서 특정 화자의 음성을 구분하는 모델을 학습시키는 기법 | |
US20220215276A1 (en) | Electronic device and method for controlling electronic device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |