KR102494380B1

KR102494380B1 - 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템

Info

Publication number: KR102494380B1
Application number: KR1020210102115A
Authority: KR
Inventors: 전정욱; 정윤석
Original assignee: 주식회사 넘버제로
Priority date: 2021-02-24
Filing date: 2021-08-03
Publication date: 2023-02-06
Anticipated expiration: 2041-02-24
Also published as: KR20220121151A; KR102440827B1; KR20220121152A; KR20220121150A; KR102494264B1; KR102494384B1; KR20210109460A; KR20220121149A; KR20220121148A; KR102494373B1; KR102494360B1

Abstract

기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템이 개시된다. 일실시예에 따른 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법은, 식별자의 기저귀 대변 이미지를 획득하고, 기저귀 대변 이미지로부터 대변 객체 및 색상 코드를 검출하며, 색상 코드에 기초하여, 대변 객체를 전처리하고, 전처리된 대변 객체를 처리하여 식별자의 대변 상태 판단 결과를 생성한다.

Description

기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템{METHOD, APPARATUS AND SYSTEM FOR　PROVIDING BABY HEALTH DIAGNOSIS SOLUTION BY USING DIAPERSTOOL IMAGE}

아래 실시예들은 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템에 관한 것이다.

실시예들과 관련된 배경기술로,　대한민국 공개특허공보　KR 10-2020-0141776 A는 대변 이미지를 이용한 영유아 건강 관리 방법 및 장치를 개시한다.　　구체적으로,　선행문헌은 대변 이미지와 더불어 바이탈 사인 데이터 및 병원 기록 데이터 중 적어도 하나 이상의 데이터를 기 설정된 시간 동안 시계열적으로 수집하는 단계와,　수집한 대변 이미지 각각의 분석을 통해 대변 상태 정보를 도출하는 단계와,　대변 상태 정보와 획득한 데이터를 기반으로 정상 상태,　질환 상태 및 건강 상태별 판단용 대변 상태 정보를 생성하여 사용자 데이터베이스에 저장하는 단계와,　이후,　영유아의 대변 이미지를 획득하는 단계와,　이후 획득한 대변 이미지에 대한 분석을 통해 대변 상태 정보를 생성하는 단계와,　대변 상태 정보와 사용자 데이터베이스에 저장된 정상 상태,　질환 상태 및 건강 상태별 판단용 대변 상태 변화 정보간의 비교를 통해 대변 상태 정보와 기 설정된 임계 범위 내에서 일치한 판단용 대변 상태 정보가 사용자 데이터베이스에 존재하는지를 판단하는 단계와,　판단 결과,　일치한 판단용 대변 상태 정보가 존재할 경우 영유아의 상태 판단 정보를 생성하는 단계와,　생성한 상태 판단 정보를 기 등록된　　사용자측 단말에 전송하는 단계를 포함하는 대변 이미지 기반의 영유아 건강 관리 방법을 개시한다.

이를 통해, 선행문헌은 영유아의 대변 이미지와 더불어 병원 기록 데이터, 섭식 기록 데이터 및 바이탈 사인 데이터 중 적어도 하나 이상을 이용하여 영유아의 상태별 판단용 대변 상태 정보를 생성한 후 이를 기반으로 대변 이미지를 이용하여 영유아의 상태를 판단함으로써, 영유아의 건강 관리에 도움을 줄 수 있다.

또한, 대한민국 공개특허공보 KR 10-2020-0119135 A는 신경망 모듈을 이용한 대변상태 분석방법 및 이를 위한 시스템을 개시한다. 구체적으로, 선행문헌은 환자의 신체에 장착되는 자동 배설물 처리장치의 장착구에 설치된 온도센서, 습도센서, 자이로센서, 가스센서, 및 이미지센서로부터 각각, 미리 결정된 시구간 동안의 온도정보, 습도정보, 상기 환자의 자세정보, 가스정보, 및 이미지정보를 수집하여 상기 수집된 정보들에 대한 전처리 단계를 수행하도록 되어 있는, 처리부 및 상기 전처리 단계가 수행되어 상기 처리부로부터 출력된 입력정보인 온도값, 습도값, 자세값, 가스농도값, 가스발생횟수, 및 이미지값을 입력받아 상기 환자의 대변상태값을 출력하는 신경망 모듈을 포함하는, 서버를 개시한다.

이를 통해, 선행문헌은 신경망 모듈을 이용하여 환자의 대변상태를 분석하는 방법 및 이를 위한 서버를 제공할 수 있다.

그러나 선행문헌들은 식별자의 기저귀 대변 이미지를 획득하고, 기저귀 대변 이미지로부터 대변 객체 및 색상 코드를 검출하며, 색상 코드에 기초하여, 대변 객체를 전처리하고, 전처리된 대변 객체를 처리하여 식별자의 대변 상태 판단 결과를 생성하는 기술적 특징을 개시하지 않는다.

대한민국 공개특허공보 KR 10-2020-0141776 A 대한민국 공개특허공보 KR 10-2020-0119135 A

실시예들은 기저귀 대변 이미지를 이용하여 식별자의 대변 상태 판단 결과를 생성하고자 한다.

실시예들은 기저귀 대변 이미지에 포함된 색상 코드를 이용하여 대변 객체를 전처리 하고자 한다.

실시예들은 뉴럴 네트워크를 이용하여 대변 객체들의 상태를 학습하고자 한다.

본 발명의 실시예에 따른 아기 건강 진단 솔루션 제공 방법은, 식별자의 기저귀 대변 이미지를 획득하는 단계; 상기 기저귀 대변 이미지로부터 대변 객체 및 색상 코드를 검출하는 단계; 상기 색상 코드에 기초하여, 상기 대변 객체를 전처리하는 단계; 및 상기 전처리된 대변 객체를 처리하여 상기 식별자의 대변 상태 판단 결과를 생성하는 단계를 포함할 수 있다.

일 실시예로서, 상기 색상 코드를 검출하는 단계는, 트레이닝 기저귀 대변 이미지들을 획득하는 단계; 상기 트레이닝 기저귀 대변 이미지들로부터 트레이닝 색상 코드들을 추출하는 단계; 상기 트레이닝 색상 코드들에 대해서 미리 정의된 색 정보를 나타내는 제1 레이블들을 획득하는 단계; 상기 트레이닝 색상 코드들을 미리 학습된 제1 뉴럴 네트워크로 적용하여, 상기 트레이닝 색상 코드들에 대응하는 트레이닝 출력들을 생성하는 단계; 및 상기 트레이닝 출력들 및 상기 제1 레이블들에 기초하여, 상기 제1 뉴럴 네트워크를 학습시키는 단계를 포함할 수 있다.

일 실시예로서, 상기 대변 객체를 전처리하는 단계는 상기 색상 코드의 굴곡을 평탄화하는 단계; 상기 색상 코드의 색상들을 검출하는 단계; 상기 색상 코드의 색상들에 대해서 미리 정의된 색 정보와 상기 검출된 색상들을 비교하여 색상 보정값을 생성하는 단계; 및 상기 색상 보정값을 이용하여 상기 대변 객체의 색상을 보정하는 단계를 포함할 수 있다.

일 실시예로서, 상기 대변 객체를 전처리하는 단계는 상기 색상 코드의 미리 정의된 크기 정보를 이용하여 상기 대변 객체의 크기를 산출하는 단계를 포함할 수 있다.

일 실시예로서, 상기 대변 상태 판단 결과를 생성하는 단계는 상기 전처리된 대변 객체를 이용하여 대변의 상태 - 상기 대변의 상태는 설사 변비, 정상, 매우됨, 됨, 약간됨, 보통, 약간 묽음, 묽음, 및 매우 묽음 중 적어도 하나의 상태를 포함함 - 를 분류하는 단계; 및 상기 분류된 대변 상태에 따라서 상기 식별자의 건강 상태 정보를 생성하는 단계를 포함할 수 있다.

일 실시예로서, 상기 식별자의 개인 정보 - 상기 개인 정보는 상기 식별자의 나이, 성별 및 알레르기 정보 중 적어도 하나를 포함함 - 및 섭취 음식 정보 - 상기 섭취 음식 정보는 모유 수유 여부, 이유식 종류 및 먹는 음식 중 적어도 하나를 포함함 - 를 수신하는 단계; 트레이닝 기저귀 대변 이미지들을 획득하는 단계; 상기 트레이닝 기저귀 대변 이미지들로부터 트레이닝 대변 객체들을 추출하는 단계; 상기 식별자의 개인 정보 및 섭취 음식 정보에 따른 상기 트레이닝 대변 객체들의 상태를 나타내는 제1 레이블들을 획득하는 단계; 상기 트레이닝 대변 객체들을 미리 학습된 제1 뉴럴 네트워크로 적용하여, 상기 트레이닝 대변 객체들에 대응하는 트레이닝 출력들을 생성하는 단계; 및 상기 트레이닝 출력들 및 상기 제1 레이블들에 기초하여, 상기 제1 뉴럴 네트워크를 학습시키는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 전처리된 대변 객체를 전문가 단말로 전송하는 단계; 및 상기 전문가 단말로부터 상기 전처리된 대변 객체에 대한 피드백 정보를 수신하는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 피드백 정보에 따라서 병원 내원이 필요한 경우 병원 예약 요청을 전송하는 단계; 및 상기 병원 예약 요청에 기초하여 병원 예약을 수행하는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 분류된 대변의 상태 각각에 가중치를 부여하는 단계; 상기 식별자에 대하여 미리 설정된 기간 동안의 제1 기저귀 대변 이미지들 획득하는 단계; 상기 제1 기저귀 대변 이미지들 각각으로부터 대변의 상태들을 추출하는 단계; 상기 추출된 대변의 상대들 각각에 대하여 상기 부여된 가중치를 곱하고 합산하여 소화력 지수를 산출하는 단계; 및 상기 소화력 지수에 기초하여 상기 식별자의 소화력 순위를 산출하는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 생성된 대변 상태 판단 결과에 기초하여 상기 식별자의 제1 신체나이 지수를 산출하는 단계; 상기 개인 정보를 이용하여 상기 식별자의 제2 신체나이 지수를 산출하는 단계; 상기 섭취 음식 정보를 이용하여 상기 식별자의 제3 신체나이 지수를 산출하는 단계; 상기 제1 내지 제3 신체나이 지수 각각에 가중치를 부여하는 단계; 상기 제1 내지 제3 신체나이 지수와 상기 제1 내지 제3 신체나이 지수 각각에 부여된 가중치를 곱한 값의 평균을 산출하는 단계; 및 산출된 평균을 최종 신체나이 지수로 생성하는 단계를 더 포함할 수 있다.

일 실시예로서, 상기 기저귀 대변 이미지를 획득하는 단계는, 제1 사용자 단말로부터 제1 파트 기저귀 대변 이미지를 수신하는 단계; 제2 사용자 계정이 로그인된 제2 사용자 단말로부터 제2 파트 기저귀 대변 이미지를 수신하는 단계; 상기 제1 파트 기저귀 대변 이미지 및 상기 제2 파트 기저귀 대변 이미지를 결합하여 제1 기저귀 대변 이미지를 생성하는 단계; 상기 제1 기저귀 대변 이미지에서 상기 제1 파트 기저귀 대변 이미지가 차지하는 비율인 제1 비율을 획득하고, 상기 제1 기저귀 대변 이미지에서 상기 제2 파트 기저귀 대변 이미지가 차지하는 비율인 제2 비율을 획득하는 단계; 상기 제1 비율이 상기 제2 비율 보다 큰 것으로 확인되면, 상기 제1 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제1 저작자 정보로 등록하고, 상기 제2 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제2 저작자 정보로 등록하는 단계; 상기 제1 비율이 상기 제2 비율 보다 작은 것으로 확인되면, 상기 제2 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제1 저작자 정보로 등록하고, 상기 제1 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제2 저작자 정보로 등록하는 단계; 상기 제1 기저귀 대변 이미지의 원저작자 정보와 상기 제1 사용자 계정의 정보 및 상기 제2 사용자 계정의 정보 중 어느 하나가 일치하는지 여부를 확인하는 단계; 상기 제1 기저귀 대변 이미지의 원저작자 정보와 상기 제1 사용자 계정의 정보 및 상기 제2 사용자 계정의 정보가 모두 일치하지 않는 것으로 확인되면, 상기 제1 기저귀 대변 이미지를 상기 제2 기저귀 대변 이미지의 수정으로 생성된 2차 저작물로 판정하는 단계; 상기 제1 비율이 상기 제2 비율 보다 큰 것으로 확인되면, 상기 제1 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제1 저작자 정보로 등록하고, 상기 제2 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제2 저작자 정보로 등록하고, 상기 제1 기저귀 대변 이미지의 원저작자로 등록된 제3 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제3 저작자를 나타내는 제3 저작자 정보로 등록하는 단계; 및 상기 제1 비율이 상기 제2 비율 보다 작은 것으로 확인되면, 상기 제2 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제1 저작자 정보로 등록하고, 상기 제1 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제2 저작자 정보로 등록하고, 상기 제3 사용자 계정의 정보를 상기 제1 기저귀 대변 이미지의 제3 저작자 정보로 등록하는 단계를 포함할 수 있다.

본 발명의 실시예에 따른 컴퓨터 프로그램은, 상기한 아기 건강 진단 솔루션 제공 방법을 컴퓨터에서 실행하기 위하여 컴퓨터 판독 가능한 기록 매체에 저장될 수 있다.

본 발명의 실시예에 따른 아기 건강 진단 솔루션 제공 장치는, 식별자에 대응하는 기저귀 대변 이미지들을 획득하여 저장하는 메모리; 및 상기 기저귀 대변 이미지로부터 대변 객체 및 색상 코드를 검출하고, 상기 색상 코드에 기초하여, 상기 대변 객체를 전처리하며, 상기 전처리된 대변 객체를 처리하여 상기 식별자의 대변 상태 판단 결과를 생성하는 프로세서를 포함할 수 있다.

실시예들은 색상 코드를 포함하는 기저귀 대변 이미지를 학습 모델 기반으로 분석하여 기저귀 촬영 환경과 카메라 사양에 따라 변화하는 기저귀 대변 이미지를 표준화하고, 대변 이미지의 분석 왜곡을 방지할 수 있다. 이로 인해서, 기저귀 대변 이미지를 분석하여 아기의 대변으로부터 색깔과 모양에 따른 보다 정확하고 신속하게 건강 상태 정보를 제공할 수 있다.

도 1은 일실시예에 따른 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 아기 건강 진단 솔루션 제공 장치를 설명하기 위한 도면이다.
도 4는 일실시예에 따른 필요 아기 건강 진단 솔루션 제공 방법의 흐름도이다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
도 6 내지 도 14는 일실시예에 따른 아기 건강 진단 솔루션의 어플리케이션 구현예이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.

실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.

인공지능(Artificial Intelligence, AI) 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 규칙(Rule) 기반의 스마트 시스템과 달리 기계가 스스로 학습하고 판단하는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 규칙 기반의 스마트 시스템은 점차 심층 학습(Deep Learning) 기반 인공지능 시스템으로 대체되고 있다.

인공지능 기술은 기계 학습 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 심층 학습 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 심층 학습의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.

도 1은 일실시예에 따른 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 시스템을 설명하기 위한 도면이다.

도 1에 도시한 바와 같이, 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 시스템(100)은, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 아기 건강 진단 솔루션 제공 장치(120), 데이터베이스(130) 및 네트워크(N)를 포함할 수 있다. 일 실시예에 따르면, 데이터베이스(130)는 아기 건강 진단 솔루션 제공 장치(120)와 별도로 구성된 것으로 도시되었지만 이에 한정되지 않고, 데이터베이스(130)가 아기 건강 진단 솔루션 제공 장치(120)내에 구비될 수도 있다. 예를 들어, 아기 건강 진단 솔루션 제공 장치(120)는, 기계 학습 알고리즘의 수행을 위한 다수의 뉴럴 네트워크를 포함할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 식별자(예를 들어, 유아)의 기저귀 대변 이미지를 획득할 수 있다. 일 실시예에 따르면, 아기 건강 진단 솔루션 제공 장치(120)는, 미리 설정된 기간(예를 들어, 3일, 1주일, 1개월 등) 동안의 기저귀 대변 이미지들을 획득할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는, 획득한 기저귀 대변 이미지로부터 대변 객체 및 색상 코드를 검출할 수 있다. 일 실시예에 따르면, 색상 코드(color patch)는 기저귀의 다양한 위치에 부착될 수 있고, 기저귀와는 별도로 기저귀 주변에 위치할 수도 있다.

아기 건강 진단 솔루션 제공 장치(120)는, 검출된 색상 코드에 기초하여 검출된 대변 객체의 전처리를 수행할 수 있다. 일 실시예에 따르면, 아기 건강 진단 솔루션 제공 장치(120)는, 색상 코드의 굴곡을 평탄화하고, 색상 코드의 색상들을 검출하며, 색상 코드의 색상들에 대해서 미리 정의된 색 정보와 검출된 색상들을 비교하여 색상 보정값을 생성하고, 색상 보정값을 이용하여 대변 객체의 색상을 보정할 수 있다. 다른 실시예에 따르면, 아기 건강 진단 솔루션 제공 장치(120)는, 색상 코드의 미리 정의된 크기 정보를 이용하여 대변 객체의 크기를 산출할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는, 전처리된 대변 객체를 처리하여 식별자의 대변 상태 판단 결과를 생성할 수 있다. 일 실시예에 따르면, 아기 건강 진단 솔루션 제공 장치(120)는, 전처리된 대변 객체를 이용하여 대변의 상태를 분류하고, 분류된 대변 상태에 따라서 식별자의 건강 상태 정보를 생성할 수 있다. 여기서, 대변의 상태는 설사 변비, 정상, 매우됨, 됨, 약간됨, 보통, 약간 묽음, 묽음, 및 매우 묽음 중 적어도 하나의 상태를 포함할 수 있지만, 이에 한정되지 않는다.

아기 건강 진단 솔루션 제공 장치(120)는, 전처리된 대변 객체를 전문가 단말로 전송하고, 전문가 단말로부터 전처리된 대변 객체에 대한 피드백 정보를 수신할 수 있다. 또한, 아기 건강 진단 솔루션 제공 장치(120)는, 피드백 정보에 따라서 병원 내원이 필요한 경우 병원 예약 요청을 병원 서버로 전송하고, 병원 서버는 병원 예약 요청에 기초하여 병원 예약을 수행할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는, 분류된 대변의 상태 각각에 가중치를 부여하고, 식별자에 대하여 미리 설정된 기간 동안의 제1 기저귀 대변 이미지들 획득하며, 제1 기저귀 대변 이미지들 각각으로부터 대변의 상태들을 추출하고, 추출된 대변의 상대들 각각에 대하여 부여된 가중치를 곱하고 합산하여 소화력 지수를 산출하며, 산출된 소화력 지수에 기초하여 식별자의 소화력 순위를 산출할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는, 생성된 대변 상태 판단 결과에 기초하여 식별자의 제1 신체나이 지수를 산출하고, 개인 정보를 이용하여 식별자의 제2 신체나이 지수를 산출하며, 섭취 음식 정보를 이용하여 식별자의 제3 신체나이 지수를 산출하고, 제1 내지 제3 신체나이 지수 각각에 제1 가중치를 부여하고, 제1 내지 제3 신체나이 지수와 제1 내지 제3 신체나이 지수 각각에 부여된 제1 가중치를 곱한 값의 평균을 산출하며, 산출된 평균을 최종 신체나이 지수로 생성할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는, 제1 사용자 단말(110-1)로부터 제1 파트 기저귀 대변 이미지를 수신하고, 제2 사용자 계정이 로그인된 제2 사용자 단말로부터 제2 파트 기저귀 대변 이미지를 수신하며, 제1 파트 기저귀 대변 이미지 및 제2 파트 기저귀 대변 이미지를 결합하여 제1 기저귀 대변 이미지를 생성하고, 제1 기저귀 대변 이미지에서 제1 파트 기저귀 대변 이미지가 차지하는 비율인 제1 비율을 획득하고, 제1 기저귀 대변 이미지에서 제2 파트 기저귀 대변 이미지가 차지하는 비율인 제2 비율을 획득하며, 제1 비율이 제2 비율 보다 큰 것으로 확인되면, 제1 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제1 저작자 정보로 등록하고, 제2 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제2 저작자 정보로 등록하며, 제1 비율이 제2 비율 보다 작은 것으로 확인되면, 제2 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제1 저작자 정보로 등록하고, 제1 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제2 저작자 정보로 등록하며, 제1 기저귀 대변 이미지의 원저작자 정보와 제1 사용자 계정의 정보 및 제2 사용자 계정의 정보 중 어느 하나가 일치하는지 여부를 확인하고, 제1 기저귀 대변 이미지의 원저작자 정보와 제1 사용자 계정의 정보 및 제2 사용자 계정의 정보가 모두 일치하지 않는 것으로 확인되면, 제1 기저귀 대변 이미지를 제2 기저귀 대변 이미지의 수정으로 생성된 2차 저작물로 판정하며, 제1 비율이 제2 비율 보다 큰 것으로 확인되면, 제1 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제1 저작자 정보로 등록하고, 제2 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제2 저작자 정보로 등록하고, 제1 기저귀 대변 이미지의 원저작자로 등록된 제3 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제3 저작자를 나타내는 제3 저작자 정보로 등록하고, 제1 비율이 제2 비율 보다 작은 것으로 확인되면, 제2 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제1 저작자 정보로 등록하고, 제1 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제2 저작자 정보로 등록하고, 제3 사용자 계정의 정보를 제1 기저귀 대변 이미지의 제3 저작자 정보로 등록할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는, 식별자의 개인 정보 및 섭취 음식 정보를 수신하고, 트레이닝 기저귀 대변 이미지들을 획득하며, 트레이닝 기저귀 대변 이미지들로부터 트레이닝 대변 객체들을 추출하고, 식별자의 개인 정보 및 섭취 음식 정보에 따른 트레이닝 대변 객체들의 상태를 나타내는 제1 레이블들을 획득하며, 트레이닝 대변 객체들을 미리 학습된 제1 뉴럴 네트워크로 적용하여, 트레이닝 대변 객체들에 대응하는 트레이닝 출력들을 생성하고, 트레이닝 출력들 및 제1 레이블들에 기초하여, 제1 뉴럴 네트워크를 학습시킬 수 있다. 여기서, 개인 정보는 식별자의 나이, 성별 및 알레르기 정보 중 적어도 하나를 포함하고, 섭취 음식 정보는 모유 수유 여부, 이유식 종류 및 먹는 음식 중 적어도 하나를 포함할 수 있지만, 이에 한정되지 않는다. 대변 객체의 전처리를 위한 학습 방법에 대해서는 후술하도록 한다.

네트워크(N)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 아기 건강 진단 솔루션 제공 장치(120), 데이터베이스(130), 등 간의 무선 또는 유선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행하도록 할 수 있다. 예를 들어, 네트워크는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행하도록 할 수도 있다.

데이터베이스(130)는, 다양한 데이터를 저장할 수 있다. 데이터베이스(130)에 저장되는 데이터는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 아기 건강 진단 솔루션 제공 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 데이터베이스(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 데이터베이스(130)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n)로부터 획득된 기저귀 대변 이미지들, 아기 건강 진단 솔루션 제공 장치(120)에서 형성된 대변 객체, 색상 코드, 대변 상태 판단 결과 등을 저장할 수 있다.

본 발명에서, 인공지능(Artificial Intelligence, AI)은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직(Symbolic Logic) 등의 개념을 포함할 수 있다. 기계 학습(Machine Learning, ML)은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.

기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.

인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런(neuron)을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스(synapse)를 통하여 신호를 주고받는 뉴런의 시냅틱(synaptic) 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션(convolution) 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트(Ada-boost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.

이중, CNN은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.

컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현예가 사용될 수 있다.

사용자 단말(110-1)의 스마트폰 어플리케이션을 활용하여 기저귀를 촬영하면, 아기 건강 진단 솔루션 제공 장치(120)는 기저귀 이미지를 분석하여 아기의 대변으로부터 색깔과 모양에 따른 건강 상태 정보를 제공할 수 있다.

사용자 단말(110-1)에 접속한 부모가 아기의 출생일, 성별, 모유수유 여부와 같은 기본 정보를 어플리케이션을 통해 입력하면, 아기 건강 진단 솔루션 제공 장치(120)가 기저귀를 촬영한 이미지를 기반으로 분석된 변의 상태, 변의 상태에 따른 건강 진단 결과와 원인, 소아과 방문의 필요성, 생후 일수에 따른 맞춤형 대변 상태 가이드 정보를 제공할 수 있다.

소아과에서는 이미 아기 대변으로부터 건강 상태를 진단하고 있고, 기저귀를 전문의에 가져가는 것이 소아과 진단에서 권장되고 있다. CT/MRI 등 영상 기반 의료진단 기술도 CNN 알고리즘 등이 적용되어 발전하고 있는데, 머신러닝 기반 영상처리기술을 활용한다면 기저귀 대변 이미지에 대한 전문의 진단 결과를 트레이닝 시킬 수 있다.

출산율이 떨어지는 것에 비해, 유아용품, 영유아식, 아기 건강 관련 시장은 부유층의 육아에 대한 관심도가 높아짐에 따라 가파르게 증가하고 있다. 현재까지 아기 건강 진단에 관해서 ECG, 산소량, 근처 미세먼지, 체온 등 신체정보의 센싱 기반 서비스가 제공되고 있다.

“색상 코드” 기반 기저귀 대변 진단 솔루션으로 기저귀 업체로부터 투자를 유치하고, 소아과와의 협업을 통해 비즈니스 모델을 창출할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는 이미지 왜곡을 보정하기 위해, 기저귀 한쪽 면에 색상 코드를 부착하고, 색상 코드가 포함된 이미지를 미리 학습된 SegNet 모델과 ResNet 모델에 적용하여 대변 상태를 분류하고, 신속한 소아과 진단을 위한 예비적인 정보를 제공할 수 있다.

기저귀 대변 이미지 진단 솔루션 개발 후 사용자 확보를 위해 촬영에 대한 인센티브로 기저귀 구입 쿠폰을 제시할 수 있다. 기저귀 업체 입장에서, 비용이 들더라도 아기 건강 진단 정보 제공을 통해 기저귀에 대한 고객 충성도를 높일 수 있고, 이렇게 확보된 대변 이미지를 트레이닝에 추가적으로 활용하여 솔루션 정확도를 높일 수 있다.

현재, 기저귀 센서를 이용하여 대소변 여부 알람을 제공하는데 추가적인 서비스로 아기 건강 진단 솔루션을 제시하여 사용자를 확보하고 매출을 높일 수 있다. 사용자의 구독 서비스 옵션을 1) 기저귀 + 2) 대소변 여부 알람 + 3) 아기 건강 상태 진단으로 제시하여, 기저귀를 아이템으로 하는 구독 서비스를 확장할 수 있다.

아기의 건강 상태 진단에 대한 예비적인 결과물을 기초로 근처 소아과를 추천하고, 소아과 진단에 대변 이미지를 활용하는데 수익 모델을 창출할 수 있고, 사용자 확보 수가 늘어난다면 아기 관련 용품, 건강 식품 등 육아 관련 광고 비즈니스 정착이 가능할 수 있다.

의사소통에 한계가 있는 아기의 건강 상태는 대변의 색깔과 모양으로부터 진단이 가능할 수 있다. 아기의 대변 상태로부터 이상 증상이 발견된다면 신속하게 병원 진료를 받아 정확한 진단이 필요할 수 있다.

부모는 정확한 진단을 위해 아기의 대변 사진을 소아과 전문의에 보여주거나 기저귀를 진료 시 가져가는데, 이는 생후 일수에 따라 상태가 달라지는 아기 대변이 건강 상태의 척도이기 때문이다.

예를 들어, 생후 첫 일주일 간은 변 상태가 매일 달라지고, 태어난 지 5일이 지나면 모유 때문에 황금색 변이 배출되고, 일주일이 지나면 변 상태가 모유 수유 여부에 따라 노란색이나 갈색을 띄게 되는데, 흑색변이나 회색 변일 경우 변이 묻은 기저귀를 가지고 전문의를 찾아가야 할 수 있다. 그러나, 많은 건강 정보를 담고 있는 변의 상태를 보고 부모가 병원을 찾아가야 할지를 판단하는데 어려움이 있고, 기저귀를 병원에 지참하는 것도 불편할 수 있다.

아기 건강 진단 시장은 인공지능 기술의 발달로 가파르게 커지고 있는데, 현재까지는 센서를 활용하여 수집된 정보로 진단하는 서비스가 대부분이다(ECG, 산소량, 근처 미세먼지, 체온 등).

CNN 등 인공 신경망의 활용도가 높아지면서, 이미지를 통해 의료 정보를 분석하는 기술도 고도화되고 있다. 영상의학 전문의가 머신 러닝 기반 MRI/CT 분석 기술을 통해 진단하는 활용예가 늘어나고 있고, 의료 진단 서비스의 대중화가 가속화되고 있다.

아기 건강 진단 솔루션 제공 장치(120)는 아기 건강 진단 정보를 담고 있는 대변을 촬영하고, 촬영된 이미지를 딥 러닝 기술로 분석하여 전문의 판단 전에 예비적이고 보조적인 아기 건강 관련 정보를 제공할 수 있다.

스마트 기저귀 시장도 확대되고 있고, 전통적인 기저귀에 창의적인 IT기술을 결합한 서비스도 속속 출시되고 있는 상황에서, 아기 건강과 직접적으로 관련된 대변으로부터 별도 센서 탑재 없이 아기 건강 진단 서비스를 출시한다면 진료가 필요한 적절한 시점에 부모와 소아과를 연결할 수 있다.

성인 대변의 모양과 색상을 통해 만성 위장병 등 건강 상태를 진단하는 Bristol stool scale라는 의료 분류 체계가 있다. 아래는 Bristol Stool Chart를 나타낸다.

아기의 대변은 출생 일수, 모유 수유 여부에 따라 그 모양과 색깔이 달라지고, 치아와 소화기관이 형성되는 과정에서 소화 능력이 불완전한 상태이므로, 아기 대변을 보고 건강 상태를 파악하기 위한 분류 체계 정보를 부모에게 제공하는 것이 중요할 수 있다.

아기 건강 진단 솔루션의 완성도가 높아짐에 따라 다량의 이미지 확보를 통해 딥 러닝 기반 영상 처리 기술에 적합한 분류 체계 구축이 가능할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는 아기 대변 정보로부터 건강 상태를 예비 진단하는 솔루션을 구현하여 아기 건강 시장에서 새로운 시장을 확보할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는 기저귀의 대변 이미지 분석뿐만 아니라 생후 개 월수와 같은 아기에 대한 정보를 바탕으로 육아에 필요한 정보를 해당 아기에 적합한 형태로 제공할 수 있다. 예를 들어, 해당 개월 수에 적합한 음식, 배변 습관 훈련 방법, 감각을 익히는 방법 등 정보를 제공할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는 아기 대변 이미지를 확보하고, 히스토리를 추적하여 아기 건강 상태를 지속적으로 모니터링할 수 있다.

아기 대변 이미지 분석을 통해 소아과 진료가 필요한 상태인지 여부를 부모가 파악하고, 진료가 필요하다면 아기 건강 진단 솔루션 제공 장치(120)는 주변 병원 예약 서비스와 연결하여 신속한 진료를 도모할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는 병원 진단 시 기저귀 대변 촬영 결과를 제공하여 정확한 진단에 필요한 정보를 제공할 수 있다.

아기 건강 진단 결과 솔루션을 고도화하기 위하여 기저귀 대변 이미지를 촬영하면 트레이닝이 가능한 규격으로 전처리를 하기 위한 어플리케이션을 구현할 수 있다.

대변 이미지 분류 관련 2019년 논문(Augmenting Gastrointestinal Health: A Deep Learning Approach to Human Stool Recognition and Characterization in Macroscopic Images, https://arxiv.org/ftp/arxiv/papers/1903/1903.10578.pdf)에 따르면, 650 여개의 이미지 트레이닝 시 식별 및 분류 모델의 정확도가 대략 70 % 이상이고, 25200 개 이미지 트레이닝 시 99.4 %의 정확도가 확보될 수 있다고 기재되어 있다.

소아과 전문의 2인을 섭외하여 확보된 기저귀 대변 이미지의 레이블링을 수행하고, 우선적으로 변비/정상/설사의 3개 분류 모델을 구축할 수 있다.

우선적으로 500개의 트레이닝 이미지를 레이블링하고, 레이블링 된 트레이닝 이미지를 바탕으로, SegNet으로 대변 모양을 식별하는 모델을 학습시킬 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는 SegNet을 기반으로 식별된 대변을 ResNet으로 색깔 기반 분류를 수행하는 모델을 학습시킬 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는 레이블링 된 이미지를 학습한 SegNet 및 ResNet을 활용하여 기저귀 대변 이미지 분석 솔루션을 구현할 수 있다.

아기 건강 진단 솔루션 제공 장치(120)는 "색상 코드"가 부착된 기저귀 대변 이미지를 활용하여 이미지 왜곡 보정 기능이 탑재된 어플리케이션을 구현할 수 있다.

기저귀 대변 이미지의 촬영 환경이나 이미지 센서의 사양에 따라 변하는 이미지 상태로 인해 왜곡 문제가 발생할 수 있는데, 이를 해결하기 위해 기저귀 한쪽 면에 "색상 코드"를 부착하고, "색상 코드"와 같이 촬영된 이미지 분석 결과를 통해 진단의 정확성을 높일 수 있다.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.

도 2는 본 발명의 실시예에 따른 뉴럴 네트워크의 학습을 설명하기 위한 도면이다.

도 2에 도시한 바와 같이, 학습 장치는 기저귀 대변 이미지가 포함하는 대변 객체의 전처리를 위하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 일 실시예에 따르면, 학습 장치는 아기 건강 진단 솔루션 제공 장치(120)와 다른 별개의 주체일 수 있지만, 이에 제한되는 것은 아니다.

뉴럴 네트워크(124)는 트레이닝 샘플들이 입력되는 입력 레이어(122)와 트레이닝 출력들을 출력하는 출력 레이어(126)를 포함하고, 트레이닝 출력들과 레이블들 사이의 차이에 기초하여 학습될 수 있다. 여기서, 레이블들은 색상 코드 및 색상 코드에 대응하는 식별 정보에 기초하여 정의될 수 있다. 뉴럴 네트워크(124)는 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 뉴럴 네트워크의 출력들 및 레이블들 의해 설계된 손실 함수(Loss Function)를 이용할 수 있다.

학습 장치는 미리 정의된 손실 함수를 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 뉴럴 네트워크(124) 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

학습 장치는 역전파(Backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 뉴럴 네트워크(124) 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일 실시예에 따르면, 학습 장치는 트레이닝 기저귀 대변 이미지들을 획득하고, 트레이닝 기저귀 대변 이미지들로부터 트레이닝 색상 코드들을 추출할 수 있다. 학습 장치는 트레이닝 색상 코드들에 대해서 각각 미리 레이블링 된 정보(제1 레이블들)를 획득할 수 있는데, 트레이닝 색상 코드들에 미리 정의된 색 정보를 나타내는 제1 레이블들을 획득할 수 있다.

일 실시예에 따르면, 학습 장치는 트레이닝 색상 코드들의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제1 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.

일 실시예에 따르면, 학습 장치는 제1 트레이닝 특징 벡터들을 뉴럴 네트워크(124)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제1 레이블들에 기초하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(124) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 아기 건강 진단 솔루션 제공 장치(120)는 학습이 완료된 뉴럴 네트워크(124)를 이용하여 기저귀 대변 이미지로부터 색상 코드를 추출할 수 있다.

다른 실시예에 따르면, 학습 장치는 트레이닝 기저귀 대변 이미지들을 획득하고, 트레이닝 기저귀 대변 이미지들로부터 트레이닝 색상 코드들을 추출할 수 있다. 학습 장치는 트레이닝 색상 코드들에 대해서 각각 미리 레이블링 된 정보(제2 레이블들)를 획득할 수 있는데, 트레이닝 색상 코드들에 대해서 미리 정의된 직사각형 정보를 나타내는 제2　레이블들을 획득할 수 있다.

다른 실시예에 따르면, 학습 장치는 트레이닝 색상 코드들의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제2 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.

다른 실시예에 따르면, 학습 장치는 제2 트레이닝 특징 벡터들을 뉴럴 네트워크(124)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제2 레이블들에 기초하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(124) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 아기 건강 진단 솔루션 제공 장치(120)는 학습이 완료된 뉴럴 네트워크(124)를 이용하여 기저귀 대변 이미지로부터 추출된 색상 코드의 굴곡을 평탄화 할 수 있다.

또 다른 실시예에 따르면, 학습 장치는 식별자의 개인 정보 및 섭취 음식 정보를 수신할 수 있다. 예를 들어, 개인 정보는 식별자의 나이, 성별 및 알레르기 정보 중 적어도 하나를 포함할 수 있고, 섭취 음식 정보는 모유 수유 여부, 이유식 종류 및 먹는 음식 중 적어도 하나를 포함할 수 있지만, 이에 한정되지 않는다.

또 다른 실시예에 따르면, 학습 장치는 트레이닝 기저귀 대변 이미지들을 획득하고, 트레이닝 기저귀 대변 이미지들로부터 트레이닝 대변 객체들을 추출할 수 있다. 학습 장치는 트레이닝 대변 객체들에 대해서 각각 미리 레이블링 된 정보(제3 레이블들)를 획득할 수 있는데, 식별자의 개인 정보 및 섭취 음식 정보에 따른 트레이닝 대변 객체들의 상태를 나타내는 제3　레이블들을 획득할 수 있다.

또 다른 실시예에 따르면, 학습 장치는 트레이닝 대변 객체들의 외관 특징들, 패턴 특징들 및 색상 특징들에 기초하여 제3 트레이닝 특징 벡터들을 생성할 수 있다. 특징을 추출하는 데는 다양한 방식이 채용될 수 있다.

또 다른 실시예에 따르면, 학습 장치는 제3 트레이닝 특징 벡터들을 뉴럴 네트워크(124)에 적용하여 트레이닝 출력들을 획득할 수 있다. 학습 장치는 트레이닝 출력들과 제3 레이블들에 기초하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 학습 장치는 트레이닝 출력들에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 뉴럴 네트워크(124) 내 노드들의 연결 관계를 최적화하여 뉴럴 네트워크(124)를 학습시킬 수 있다. 아기 건강 진단 솔루션 제공 장치(120)는 학습이 완료된 뉴럴 네트워크(124)를 이용하여 기저귀 대변 이미지로부터 식별자의 대변 상태 판단 결과를 생성할 수 있다.

도 3은 일실시예에 따른 아기 건강 진단 솔루션 제공 장치를 설명하기 위한 도면이다.

도 3에 도시한 바와 같이, 아기 건강 진단 솔루션 제공 장치(120)는 하나 이상의 프로세서(122), 하나 이상의 메모리(124) 및/또는 송수신기(126)를 포함할 수 있다. 일 실시예로서, 아기 건강 진단 솔루션 제공 장치(120)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 아기 건강 진단 솔루션 제공 장치(120)에 추가될 수 있다. 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 단수 또는 복수의 개체로 구현될 수 있다. 아기 건강 진단 솔루션 제공 장치(120) 내, 외부의 구성요소들 중 적어도 일부의 구성요소들은 버스, GPIO(general purpose input/output), SPI(serial peripheral interface) 또는 MIPI(mobile industry processor interface) 등을 통해 서로 연결되어, 데이터 및/또는 시그널을 주고받을 수 있다.

하나 이상의 프로세서(122)는 소프트웨어(예: 명령, 프로그램 등)를 구동하여 프로세서(122)에 연결된 아기 건강 진단 솔루션 제공 장치(120)의 적어도 하나의 구성요소를 제어할 수 있다. 또한, 프로세서(122)는 본 발명과 관련된 다양한 연산, 처리, 데이터 생성, 가공 등의 동작을 수행할 수 있다. 또한, 프로세서(122)는 데이터 등을 하나 이상의 메모리(124)로부터 로드하거나, 하나 이상의 메모리(124)에 저장할 수 있다.

전술한 바와 같이, 하나 이상의 프로세서(122)는, 송수신기(126)를 통하여 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 미리 설정된 기간 동안의 기저귀 대변 이미지들을 디지털 패킷의 형태로 실시간 또는 비실시간으로 수신할 수 있다.

하나 이상의 프로세서(122)는, 송수신기(126)를 통해서 사용자 단말(110-1)로부터 수신된 기저귀 대변 이미지들을 이용하여 대변 객체 및 색상 코드를 검출할 수 있다. 일 실시예에 따르면, 하나 이상의 프로세서(122)는, 딥러닝과 같은 기계 학습 알고리즘을 이용하여 기저귀 대변 이미지들로부터 대변 객체 및 색상 코드를 검출할 수 있다.

하나 이상의 프로세서(122)는, 검출된 색상 코드에 기초하여, 대변 객체의 전처리를 수행할 수 있다. 일 실시예에 따르면, 검출된 색상 코드의 굴곡을 평탄화하고, 색상 코드의 색상들을 검출하며, 색상 코드의 색상들에 대해서 미리 정의된 색 정보와 검출된 색상들을 비교하여 색상 보정값을 생성하고, 색상 보정값을 이용하여 대변 객체의 색상을 보정할 수 있다.

하나 이상의 프로세서(122)는, 전처리된 대변 객체를 처리하여 식별자의 대변 상태 판단 결과를 생성할 수 있다. 일 실시예에 따르면, 프로세서(122)는, 식별자의 대변 상태 판단 결과를 설사, 변비, 정상, 매우 됨, 됨, 약간 됨, 보통, 약간 묽음, 묽음, 매우 묽음 등으로 생성할 수 있지만, 이에 한정되지 않는다.

하나 이상의 메모리(124)는 다양한 데이터를 저장할 수 있다. 메모리(124)에 저장되는 데이터는, 아기 건강 진단 솔루션 제공 장치(120)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예: 명령, 프로그램 등)를 포함할 수 있다. 메모리(124)는 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 본 발명에서, 명령 내지 프로그램은 메모리(124)에 저장되는 소프트웨어로서, 아기 건강 진단 솔루션 제공 장치(120)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 아기 건강 진단 솔루션 제공 장치(120)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.

하나 이상의 메모리(124)는 상술한 다수의 사용자 단말(110-1, 110-2, … , 110-n)로부터 네트워크(N)를 통하여 수신한 기저귀 대변 이미지들, 하나 이상의 프로세서(122)에서 형성된 대변 객체들, 색상 코드들, 대변 상태 판단 결과 등을 저장할 수 있다. 또한, 하나 이상의 메모리(124)는, 하나 이상의 프로세서(122)에 의한 실행 시, 하나 이상의 프로세서(122)가 연산을 수행하도록 하는 명령들을 저장할 수 있다.

일 실시예로서, 아기 건강 진단 솔루션 제공 장치(120)는 송수신기(126)를 더 포함할 수 있다. 송수신기(126)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n), 아기 건강 진단 솔루션 제공 장치(120), 데이터베이스(130) 및/또는 기타 다른 장치 간의 무선 또는 유선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 eMBB(enhanced Mobile Broadband), URLLC(Ultra Reliable Low-Latency Communications), MMTC(Massive Machine Type Communications), LTE(long-term evolution), LTE-A(LTE Advance), UMTS(Universal Mobile Telecommunications System), GSM(Global System for Mobile communications), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless Broadband), WiFi(wireless fidelity), 블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System) 또는 GNSS(global navigation satellite system) 등의 방식에 따른 무선 통신을 수행할 수 있다. 예를 들어, 송수신기(126)는 USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232) 또는 POTS(plain old telephone service) 등의 방식에 따른 유선 통신을 수행할 수 있다.

일 실시예로서, 하나 이상의 프로세서(122)는 송수신기(126)를 제어하여 다수의 사용자 단말(110-1, 110-2, … , 110-n), 아기 건강 진단 솔루션 제공 장치(120)로부터 정보를 획득할 수 있다. 다수의 사용자 단말(110-1, 110-2, … , 110-n), 아기 건강 진단 솔루션 제공 장치(120)로부터 획득된 정보는 하나 이상의 메모리(124)에 저장될 수 있다.

일 실시예로서, 아기 건강 진단 솔루션 제공 장치(120)는 다양한 형태의 장치가 될 수 있다. 예를 들어, 아기 건강 진단 솔루션 제공 장치(120)는 휴대용 통신 장치, 컴퓨터 장치, 또는 상술한 장치들 중 하나 또는 그 이상의 조합에 따른 장치일 수 있다. 본 발명의 아기 건강 진단 솔루션 제공 장치(120)는 전술한 장치들에 한정되지 않는다.

본 발명에 따른 아기 건강 진단 솔루션 제공 장치(120)의 다양한 실시예들은 서로 조합될 수 있다. 각 실시예들은 경우의 수에 따라 조합될 수 있으며, 조합되어 만들어진 아기 건강 진단 솔루션 제공 장치(120)의 실시예 역시 본 발명의 범위에 속한다. 또한 전술한 본 발명에 따른 아기 건강 진단 솔루션 제공 장치(120)의 내/외부 구성 요소들은 실시예에 따라 추가, 변경, 대체 또는 삭제될 수 있다. 또한 전술한 아기 건강 진단 솔루션 제공 장치(120)의 내/외부 구성 요소들은 하드웨어 컴포넌트로 구현될 수 있다.

도 4는 일실시예에 따른 필요 아기 건강 진단 솔루션 제공 방법의 흐름도이다.

도 4의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.

도 4에 도시한 바와 같이, 단계(S410)에서, 식별자의 기저귀 대변 이미지가 획득된다. 예를 들어, 도 1 내지 도 3을 참조하면, 아기 건강 진단 솔루션 제공 장치(120)는, 다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)로부터 네트워크(N)를 통하여 기저귀 대변 이미지를 획득할 수 있다.

단계(S420)에서, 기저귀 대변 이미지로부터 대변 객체 및 색상 코드가 검출된다. 예를 들어, 도 1 내지 도 3을 참조하면, 아기 건강 진단 솔루션 제공 장치(120)는, 단계 S410에서 획득된 기저귀 대변 이미지로부터 대변 객체 및 색상 코드를 검출할 수 있다.

단계(S430)에서, 색상 코드에 기초하여, 대변 객체가 전처리 된다. 예를 들어, 도 1 내지 도 3을 참조하면, 아기 건강 진단 솔루션 제공 장치(120)는, 단계 S410에서 검출된 색상 코드에 기초하여, 단계 S410에서 검출된 대변 객체의 전처리를 수행할 수 있다. 일 실시예에 따르면, 아기 건강 진단 솔루션 제공 장치(120)는, 검출된 색상 코드의 굴곡을 평탄화하고, 색상 코드의 색상들을 검출하며, 색상 코드의 색상들에 대해서 미리 정의된 색 정보와 검출된 색상들을 비교하여 색상 보정값을 생성하고, 색상 보정값을 이용하여 대변 객체의 색상을 보정하여 대변 객체의 전처리를 수행할 수 있다.

단계(S440)에서, 전처리된 대변 객체를 처리하여 식별자의 대변 상태 판단 결과가 생성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 아기 건강 진단 솔루션 제공 장치(120)는, 단계 S430에서 전처리된 대변 객체를 처리하여 식별자의 대변 상태 판단 결과를 생성할 수 있다. 일 실시예에 따르면, 아기 건강 진단 솔루션 제공 장치(120)는, 식별자의 대변 상태 판단 결과를 설사, 변비, 정상, 매우 됨, 됨, 약간 됨, 보통, 약간 묽음, 묽음, 매우 묽음 등으로 생성할 수 있다.

도 5는 일실시예에 따른 장치의 구성의 예시도이다.

일실시예에 따른 장치(401)는 프로세서(402) 및 메모리(403)를 포함한다. 일실시예에 따른 장치(401)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 4를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(403)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(403)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.

프로세서(402)는 프로그램을 실행하고, 장치(401)를 제어할 수 있다. 프로세서(402)에 의하여 실행되는 프로그램의 코드는 메모리(403)에 저장될 수 있다. 장치(401)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.

도 6 내지 도 14는 일실시예에 따른 아기 건강 진단 솔루션의 어플리케이션 구현예이다.

다수의 사용자 단말(110-1, 110-2, … , 110-n) 중 어느 하나의 사용자 단말(예를 들어, 110-1)에서 아기 건강 진단 솔루션의 구현을 위한 어플리케이션을 구동시키면 도 6과 같은 초기 화면이 사용자 단말(110-1)의 디스플레이에 표시될 수 있다. 초기 화면에는 아이디 및 비밀번호 입력란(①), SNS(Social Network Service) 로그인 버튼(②), 입력 버튼(③)이 표시될 수 있다. 아이디 및/또는 비밀번호를 입력하지 하고 입력 버튼(③)을 선택할 경우 “아이디 비밀번호를 입력해주세요.”라는 메시지가 표시되고, 미리 설정된 아이디 및/또는 비밀번호와 일치하지 않는 아이디 및/또는 비밀번호를 입력하고 입력 버튼(③)을 선택할 경우 “아이디 또는 비밀번호를 확인하세요.”라는 메시지가 표시될 수 있다.

최초로 어플리케이션을 구동 시킬 경우 서비스 가입을 위한 회원 정보 입력 화면이 표시될 수 있다. 서비스 가입 시 회원 유형을 선택하여, 의사 회원(소아 배변 전문의)의 경우 소견등록, 배변 정보 확인 등의 메뉴를 이용할 수 있고, 아기 회원(아기의 실제 보호자)의 경우 정보입력, 소견 확인 등의 메뉴를 이용할 수 있다. 아이디, 비밀번호, 주소 등의 정보를 입력하여 서비스 가입을 완료할 경우 어플리케이션의 이용이 가능하게 된다.

도 7에 도시한 바와 같이, 기저귀 대변 이미지를 촬영하는 화면이 표시될 수 있다. 촬영 화면(①)에는 사용자 단말(110-1)에 구비된 기본 카메라와 연동되어 촬영 버튼이 표시되고, “색상 코드와 기저귀가 보이게 촬영해 주세요”라는 문구가 표시될 수 있다. 상단에 위치한 아기 모양의 버튼(②)을 선택할 경우 소견 내역 화면이 표시될 수 있다.

도 8에 도시한 바와 같이, 소견 내역 화면에는 카메라를 통해 촬영된 기저귀 대변 이미지(①)가 표시되는데, 이미지 가공이 이루어지지 않은 이미지가 표시될 수 있다. 촬영된 기저귀 대변 이미지의 정보 입력란(②)에는 배변횟수, 배변시기, 건강상태, 직전식단, 아기체중, 특이사항 등의 정보를 입력할 수 있다. 예를 들어, 건강상태는 별도의 화면이 표시되어 매우좋음, 좋음, 보통, 나쁨, 매우나쁨 등으로 선택할 수 있다. 직전식단은 별도의 화면이 표시되어 분유, 이유식, 밥 등으로 선택할 수 있다. 모든 정보를 입력하고 전송 버튼을 선택할 경우 카메라를 통해 촬영된 기저귀 대변 이미지가 서버로 전송되어 서버에 존재하는 뉴럴 네트워크를 이용하여 색 보정 등의 이미지 가공을 수행할 수 있다. 서버에서 가공된 이미지는 아기 건강 진단 솔루션 제공 장치(120)로 전송되어 결과 이미지로 제공될 수 있다.

도 9에 도시한 바와 같이, 소견 내역 화면에는 해당 회원의 과거 소견 내역들(①)이 표시되고, 상단 오른쪽에는 촬영 화면으로 이동하기 위한 버튼(②)이 상단 왼쪽에는 로그아웃을 위한 버튼(③)이 표시될 수 있다.

도 10에 도시한 바와 같이, 소견 확인 화면에는 배변 상태 표시란(①)에 배변 상태(매우 됨, 됨, 약간 됨, 보통, 약간 묽음, 묽음, 매우 묽음)에 따른 타입별 아이콘 및 넘버(배변타입A~G)가 표시되고, 의사 소견란(②)에는 의사간 작성한 소견 문구가 표시될 수 있다.

도 11에 도시한 바와 같이, 의사정보 및 예약 화면에는 의사 정보란(①)에 의사 회원의 가입 정보로서 병원명, 주소, 전화번호 등이 표시되고, 병원 예약란(②)에는 날짜 선택란, 시간 선택란 등이 표시될 수 있다.

도 12에 도시한 바와 같이, 배변 정보 확인 화면에는 요약정보 확인란(①)이 표시되어 의사 회원이 아기 회원의 정보를 확인할 수 있다.

도 13에 도시한 바와 같이, 소견등록 화면에는 사용자 단말(110-1)에서 촬영되어 서버에서 가공된 기저귀 대변 이미지(①)가 표시될 수 있다. 기저귀 대변 이미지는 배변횟수, 배변시기, 건강상태, 직전식단, 아기체중, 특이사항 등의 정보 등과 함께 표시될 수 있다. 의사 소견란(②)에는 배변타입 선택 버튼 및 의사의 소견을 자유롭게 입력할 수 있는 소견 입력란이 함께 표시될 수 있다.

도 14에 도시한 바와 같이, 과거이력내역 화면에는 사용자 단말(110-1)에서 촬영되어 서버에서 가공된 기저귀 대변 이미지(①)가 표시될 수 있다. 기저귀 대변 이미지는 배변횟수, 배변시기, 건강상태, 직전식단, 아기체중, 특이사항 등의 정보 등과 함께 표시될 수 있다.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

식별자의 기저귀 대변 이미지를 획득하는 단계;
상기 식별자의 개인 정보-상기 개인 정보는 상기 식별자의 나이, 성별 및 알레르기 정보 중 적어도 하나를 포함함- 및 섭취 음식 정보-상기 섭취 음식 정보는 모유 수유 여부, 이유식 종류 및 먹는 음식 중 적어도 하나를 포함함-를 수신하는 단계;
트레이닝 기저귀 대변 이미지들로부터 미리 정의된 색 정보에 기초하여 트레이닝 대변 객체들 및 트레이닝 색상 코드들을 검출하도록 미리 학습된 인공지능 모델을 이용하여, 상기 기저귀 대변 이미지로부터 대변 객체 및 색상 코드를 검출하는 단계;
상기 색상 코드에 기초하여 수행되는 색상 보정을 통해, 상기 대변 객체를 전처리하는 단계;
상기 전처리된 대변 객체를 처리하여 상기 식별자의 대변 객체를 미리 정의된 상태들 중 적어도 하나로 분류하는 단계;
상기 분류된 대변 상태 각각에 가중치를 부여하는 단계;
상기 식별자에 대하여 미리 설정된 기간 동안의 제1 기저귀 대변 이미지들 획득하는 단계;
상기 대변의 상태들 각각에 대하여 상기 부여된 가중치를 곱하고 합산하여 소화력 지수를 산출하는 단계;
상기 소화력 지수에 기초하여 상기 식별자의 소화력 순위를 산출하는 단계;
상기 대변 상태에 기초하여 상기 식별자의 제1 신체나이 지수를 산출하는 단계;
상기 개인 정보를 이용하여 상기 식별자의 제2 신체나이 지수를 산출하는 단계;
상기 섭취 음식 정보를 이용하여 상기 식별자의 제3 신체나이 지수를 산출하는 단계;
상기 제1 내지 제3 신체나이 지수 각각에 제1 가중치를 부여하는 단계;
상기 제1 내지 제3 신체나이 지수와 상기 제1 내지 제3 신체나이 지수 각각에 부여된 제1 가중치를 곱한 값의 평균을 산출하는 단계; 및
상기 산출된 평균을 최종 신체나이 지수로 생성하는 단계
를 포함하고,
상기 색상 코드를 검출하는 단계는
상기 트레이닝 기저귀 대변 이미지들을 획득하는 단계;
상기 트레이닝 기저귀 대변 이미지들로부터 상기 트레이닝 색상 코드들을 추출하는 단계;
상기 트레이닝 색상 코드들에 대해서 미리 정의된 색 정보를 나타내는 제1 레이블들을 획득하는 단계;
상기 트레이닝 색상 코드들을 미리 학습된 제1 뉴럴 네트워크로 적용하여, 상기 트레이닝 색상 코드들에 대응하는 트레이닝 출력들을 생성하는 단계; 및
상기 트레이닝 출력들 및 상기 제1 레이블들에 기초하여, 상기 제1 뉴럴 네트워크를 학습시키는 단계
를 포함하고,
상기 대변 객체를 전처리하는 단계는
상기 색상 코드의 굴곡을 평탄화하는 단계;
상기 색상 코드의 색상들을 검출하는 단계;
상기 색상 코드의 색상들에 대해서 미리 정의된 색 정보와 상기 검출된 색상들을 비교하여 색상 보정값을 생성하는 단계; 및
상기 색상 보정값을 이용하여 상기 대변 객체의 색상을 보정하는 단계
를 포함하는,
아기 건강 진단 솔루션 제공 방법.