KR102499773B1 - 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템 - Google Patents

발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템 Download PDF

Info

Publication number
KR102499773B1
KR102499773B1 KR1020200130004A KR20200130004A KR102499773B1 KR 102499773 B1 KR102499773 B1 KR 102499773B1 KR 1020200130004 A KR1020200130004 A KR 1020200130004A KR 20200130004 A KR20200130004 A KR 20200130004A KR 102499773 B1 KR102499773 B1 KR 102499773B1
Authority
KR
South Korea
Prior art keywords
characteristic information
subject
foot
geriatric
gait
Prior art date
Application number
KR1020200130004A
Other languages
English (en)
Other versions
KR20220047425A (ko
Inventor
문경률
김진욱
정다운
Original Assignee
한국과학기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020200130004A priority Critical patent/KR102499773B1/ko
Publication of KR20220047425A publication Critical patent/KR20220047425A/ko
Application granted granted Critical
Publication of KR102499773B1 publication Critical patent/KR102499773B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1074—Foot measuring devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • 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
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • 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
    • A61B5/72—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/08—Elderly

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurosurgery (AREA)
  • Developmental Disabilities (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)

Abstract

본 발명을 통해 제공되는 노인성 질환 예측 시스템은 대상자의 발 깊이 영상과 족저압 데이터를 획득하는 발 깊이 영상 및 족저압 데이터 획득부; 상기 대상자의 자세가 안정된 상태에서 획득된 발 깊이 영상을 통해 대상자의 발 특성 정보를 생성하는 발 특성 정보 생성부; 발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여, 상기 대상자의 발 특성 정보에 기초하여 상기 대상자의 보행 특성 정보를 생성하는 보행 특성 정보 생성부; 상기 대상자의 자세가 불안정한 상태에서 획득된 족저압 데이터를 통해 대상자의 균형 특성 정보를 생성하는 균형 특성 정보 생성부; 및 발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여, 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측하는 노인성 질환 예측부를 포함한다.

Description

발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템{Method and system for predicting geriatric syndromes using foot characteristics and balance characteristics}
노인성 질환 예측 방법 및 시스템에 관한 것으로, 구체적으로 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템에 관한 것이다.
급속도로 인구 고령화가 진행되면서 다양한 노인성 질환이 발병하고 있다. 이러한 질환에는 대표적으로 노쇠, 인지 기능 장애, 근감소증, 우울증이 있다. 노쇠는 노화에 따른 전반적인 기능 저하로 생리적인 예비능력이 감소하여 외부 자극에 대한 반응이 저하되고 항상성을 유지할 수 있는 능력이 감퇴된 상태에 해당한다. 인지 기능 장애는 기억력, 주의력, 언어능력, 시공간능력, 판단력 등이 저하된 상태로, 치매 초기 단계에 해당한다. 근감소증은 일정 수준 이상으로 근육량과 근육기능이 손실된 상태로, 근감소증을 방치하는 경우, 낙상, 골절, 대사증후군, 제2 당뇨병, 우울증 등이 발생할 수 있다. 우리나라 노인 3명 중 1명이 앓고 있다고 알려진 우울증은 기억력 저하, 식욕부진, 무기력, 불면과 불안, 두통과 관절 통증이 주요 증상이어서 단순 노화 현상으로 오인하기 쉽다. 노인 우울증은 자살로 이어질 확률이 높아 초기 진단과 적절한 치료가 필요하다.
이러한 노인성 질환은 초기에 진단되지 못하는 경우, 다양한 합병증을 유발하기에, 의료비 지출에 대한 개인적, 사회적 부담을 증가시킨다. 하지만 현재 노인성 질환의 정확한 진단을 위해서는, 훈련된 전문가가 필요하며, 특수 시설 및 장비, 임상의를 갖춘 임상 환경과 복잡하고 시간 소모적인 검사 과정이 요구되고 있어, 많은 노인들이 노인성 질환을 초기에 진단받지 못하고 있다.
따라서 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이 노인성 질환을 예측할 수 있는 방법 및 시스템이 요구되고 있는 실정이다.
한국 특허 출원 공개 공보 10-2018-0029887
본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 구체적으로, 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템에 관한 것이다.
본 명세서의 일 실시예에 따른 노인성 질환 예측 시스템은 대상자의 발 깊이 영상과 족저압 데이터를 획득하는 데이터 획득부; 상기 대상자의 자세가 안정된 상태에서 획득된 발 깊이 영상을 통해 대상자의 발 특성 정보를 생성하는 발 특성 정보 생성부; 발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여, 상기 대상자의 발 특성 정보에 기초하여 상기 대상자의 보행 특성 정보를 생성하는 보행 특성 생성부; 상기 대상자의 자세가 불안정한 상태에서 획득된 족저압 데이터를 통해 대상자의 균형 특성 정보를 생성하는 균형 특성 정보 생성부; 및 발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여, 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측하는 노인성 질환 예측부를 포함한다.
본 명세서의 다른 실시예에 따른 노인성 질환 예측 방법은 상기 대상자의 자세가 안정된 상태에서 발 깊이 영상을 획득하고, 상기 대상자의 자세가 불안정한 상태에서 족저압 데이터를 획득하는 단계; 상기 발 깊이 영상을 통해 대상자의 발 특성 정보를 생성하는 단계; 발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여, 상기 대상자의 발 특성 정보에 기초한 상기 대상자의 보행 특성 정보를 생성하는 단계; 상기 족저압 데이터를 통해 대상자의 균형 특성 정보를 생성하는 단계; 및 발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여, 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측하는 단계를 포함한다.
본 발명의 일 실시예에 따른 노인성 질환 예측 시스템 및 방법은 간단한 발 특성 정보와 균형 특성 정보를 취득하는 테스트만으로 대상자의 노인성 질환 위험도를 예측할 수 있다.
즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 노인성 질환 위험도를 예측하여 대상자에게 제공할 수 있으며, 관련 질병의 조기 진단, 증상 관리, 적절한 치료의 기회가 대상자들에게 제공되는 것을 지원할 수 있다.
도 1은 본 발명의 일 실시예에 따른 노인성 질환 예측 시스템의 블록도이다.
도 2는 데이터 획득부의 예시도이다.
도 3은 족저압 데이터 획득 시 대상자가 취하게 되는 불안정한 자세의 예시이다.
도 4a 및 도 4b는 발 깊이 영상 및 이로부터 취득되는 발 특성 정보를 나타내는 예시도이다.
도 5는 보행 특성 정보를 설명하기 위한 예시도이다.
도 6은 족저압 중심의 변화를 도시한 예시도이다.
도 7은 본 발명의 일 실시예에 따른 발 특성 정보를 이용한 노인성 질환 예측 방법의 순서도이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 인지할 수 있다. 이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 본 발명의 일 실시예에 따른 노인성 질환 예측 시스템의 블록도이다. 도 2는 데이터 획득부의 예시도이다. 도 3은 족저압 데이터 획득 시 대상자가 취하게 되는 불안정한 자세의 예시이다. 도 4a 및 도 4b는 발 깊이 영상 및 이로부터 취득되는 발 특성 정보를 나타내는 예시도이다. 도 5는 보행 특성 정보를 설명하기 위한 예시도이다. 도 6은 족저압 중심의 변화를 도시한 예시도이다.
도 1 내지 도 6을 참조하면, 노인성 질환 예측 시스템(10)은 데이터 획득부(100), 발 특성 정보 생성부(110), 보행 특성 정보 생성부(120), 균형 특성 정보 생성부(130), 노인성 질환 예측부(140) 및 데이터베이스(150)를 포함한다.
실시예들에 따른 노인성 질환 예측 시스템(10)은, 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 본 명세서의 노인성 질환 예측 시스템 및 이에 포함된 각 부(unit)는, 특정 형식 및 내용의 데이터를 전자통신 방식으로 주고받기 위한 장치 및 이에 관련된 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부", "모듈(module)", "서버(server)", "시스템", "장치" 또는 "단말" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 여기서 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
또한, 노인성 질환 예측 시스템을 구성하는 각각의 부는 반드시 물리적으로 구분되는 별개의 구성요소를 지칭하는 것으로 의도되지 않는다. 도 1에서 데이터 획득부(100), 발 특성 정보 생성부(110), 보행 특성 정보 생성부(120), 균형 특성 정보 생성부(130), 노인성 질환 예측부(140) 및 데이터베이스(150)는 서로 구분되는 별개의 블록으로 도시되나, 이는 노인성 질환 예측 시스템을 구성하는 장치를 해당 장치에 의해 실행되는 동작에 의해 단지 기능적으로 구분한 것이다. 따라서, 실시예에 따라서는 데이터 획득부(100), 발 특성 정보 생성부(110), 보행 특성 정보 생성부(120), 균형 특성 정보 생성부(130), 노인성 질환 예측부(140) 및 데이터베이스(150)는 일부 또는 전부가 동일한 하나의 장치 내에 집적화될 수 있고, 하나 이상이 다른 부와 물리적으로 구분되는 별개의 장치로 구현될 수도 있으며, 분산 컴퓨팅 환경 하에서 서로 통신 가능하게 연결된 컴포넌트들일 수도 있다.
데이터 획득부(100)는 대상자의 발의 깊이 영상과 족저압 데이터를 획득할 수 있다. 도 2에 도시된 바와 같이, 데이터 획득부(100)는 발판(101), 스캐너(102) 및 압력 센서(103)를 포함할 수 있으며, 발판(101) 상에 위치한 대상자의 발(104) 깊이 영상과 족저압 데이터를 획득할 수 있다. 스캐너(102)는 발판(101) 하부에 위치하여, 발판(101) 상에 위치한 측정 대상자 발(104)의 깊이 영상을 획득할 수 있다. 스캐너(102)는 발판(101) 상에 위치한 측정 대상자의 발바닥 면을 향하여 촬영할 수 있다. 압력 센서(103)는 발판(101)의 네 모서리 아래 위치하여, 발판(101) 상에 위치한 측정 대상자의 발(104)에 부하되는 압력, 즉, 족저압을 획득할 수 있다. 발판(101)은 투명 재질이거나 불투명 재질일 수 있다. 또한 스캐너(102)는 깊이 카메라(depth camera) 또는 레이저(laser)를 포함할 수 있으며, 발판(101) 상에 위치한 대상자 발(104)의 3차원 형상과 동적 변화를 측정하도록 구성될 수 있다.
데이터 획득부(100)는 발 특성 정보 생성부(110)에서 발 특성 정보를 생성하기 위한 발 깊이 영상을 획득할 수 있다. 또한, 데이터 획득부(100)는 균형 특성 정보 생성부(130)에서 균형 특성 정보를 생성하기 위한 족저압 데이터를 획득할 수 있다. 여기서, 발 깊이 영상과 족저압 데이터는 대상자 자세의 안정성이 상이한 상태에서 각각 획득될 수 있다. 구체적으로, 발 깊이 영상은 대상자의 자세가 안정된 상태에서 획득되고, 족저압 데이터는 대상자의 자세가 불안정된 상태에서 획득될 수 있다.
발 깊이 영상은 발바닥 각 부분에 대한 형태, 전체적인 형태 및 특징에 대한 임의의 정보를 포함하는 발 특성 정보를 취득하기 위한 깊이 영상일 수 있다. 발 특성 정보를 생성하기 위한 발 깊이 영상은 대상자의 발 특성을 정확히 추출하기 위해 대상자가 발판(101) 상에서 안정된 자세를 유지한 상태에서 획득될 수 있다. 예를 들어, 데이터 획득부(100)는 대상자가 정적인 고정된 자세를 취하는 동안 발 특성 정보를 취득할 수 있다. 여기서, 고정된 자세는 측정 대상자가 소정 각도(예컨대 90도)로 무릎을 구부려 앉은 자세, 무릎을 펴고 양발로 서있는 자세, 한발로 서있는 자세 중 적어도 하나 이상을 포함할 수 있다. 몇몇 실시예에서, 데이터 획득부(100)는 대상자가 자세를 용이하게 취할 수 있도록 보조하는 지지 부재 등을 더 포함할 수 있다.
족저압 데이터는 발의 압력 중심(center of pressure, CoP) 특성을 추출하기 위한 데이터일 수 있다. 족저압 데이터는 대상자의 균형 특성을 정확히 추출하기 위해 대상자가 불안정한 상태에서 생성될 수 있다. 여기서, 불안정한 상태란 대상자의 균형 능력을 확인하기 위해 대상자가 특정 자세를 취한 상태를 의미한다. 데이터 획득부(100)는 대상자가 특정 자세를 취함에 따라 신체 균형을 유지하기 위해 변화되는 족저압 데이터를 일정 시간 동안 획득할 수 있다.
도 3에 예시적으로 도시된 바와 같이, 대상자는 발판(101) 상에서 눈을 감은 상태에서 양발을 붙이고 서기, 눈을 감은 상태에서 양발을 일정 거리 이상 벌리고 서기, 양팔 벌리고 한 발로 서기 및 양발 또는 한발로 선채 암산 과제 수행하는 것 중 적어도 하나와 같은 불안정한 자세를 취하게 되며, 데이터 획득부(100)는 일정 시간 동안 이러한 대상자의 족저압 데이터를 획득할 수 있다. 즉, 불안정한 상태에서 균형을 유지하기 위해 사용자의 발에 부하되는 압력이 변화하게 되며, 데이터 획득부(100)는 이러한 압력 변화를 반영한 족저압 데이터를 획득할 수 있다.
획득된 발 깊이 영상은 발 특성 정보 생성부(110)로, 획득된 족저압 데이터는 균형 특성 정보 생성부(130)로 각각 전달될 수 있다. 또한, 발 깊이 영상, 족저압 데이터 및 후술하는 구성들에서 생성되는 데이터들은 데이터베이스(150)에 저장될 수 있다.
발 특성 정보 생성부(110)는 대상자의 발 깊이 영상으로부터 대상자의 발 특성 정보를 생성할 수 있다. 발 특성 정보는 발바닥에 관련된 임의의 정보로서, 발바닥 각 부분에 대한 형태, 전체적인 형태 및 특징에 대한 임의의 정보를 포함할 수 있다. 일 실시예에서 발 특성 정보는, 발바닥 형상, 발바닥 너비와 길이, 발 아치의 높이, 발 아치 커브의 각도를 포함할 수 있다.
발 특성 정보 생성부(110)는 MLA(Medial Longitudinal Arch; 내측 종족궁) 라인, LLA(Lateral Longitudinal Arch; 외측 종족궁) 라인을 발 깊이 영상으로부터 추출할 수 있다. 도 4a는 발 깊이 영상에 MLA 라인, LLA 라인 등을 도시한 예시도이다. 여기서, MLA 라인은 발 뒤꿈치와 제1 중족골 관절(metatarsal joint)을 연결하는 라인이다. 제1 중족골 관절은 오른발의 경우 엄지 또는 검지 발가락의 중족골 관절일 수 있다. LLA 라인은 발 뒤꿈치와 제2 중족골 관절을 연결하는 라인이다. 제2 중족골 관절은 중지 또는 약지 발가락의 중족골 관절일 수 있다. 여기서, 발 뒤꿈치, 제1 중족골, 제2 중족골은 발 골격에서 지면에 닿는 부위에 해당하며, 각 지점을 연결하는 아치가 형성될 수 있다.
도 4b는 MLA 곡선을 나타내는 예시적인 도면이다. 발 특성 정보 생성부(110)는 MLA 곡선 및 LLA 곡선 중 적어도 하나 이상을 기준으로 발 특성 정보를 취득할 수 있다. 발 특성 정보 생성부(110)는 MLA 곡선을 기준으로 발 특성을 나타내는 파라미터인 발 특성 정보(발 아치 높이, 발 길이, 발바닥 넓이, 아치 커브의 각도 등)를 취득하고, LLA 곡선을 기준으로 발 특성 정보를 취득할 수 있다. 일 실시예에서 추출된 각 발 특성 정보는 정해진 비율에 따라 조합될 수 있다. 다만, 이에 한정되는 것은 아니며, 발 특성 정보 생성부(110)는 MLA 곡선 또는 LLA 곡선을 이용하여 발 특성 정보를 생성할 수도 있다.
발 특성 정보 생성부(110)는 생성된 대상자의 발 특성 정보를 보행 특성 정보 생성부(120) 및 노인성 질환 예측부(140)로 제공할 수 있다.
균형 특성 정보 생성부(130)는 대상자의 족저압 데이터로부터 대상자의 균형 특성 정보를 생성할 수 있다. 균형 특성 정보는 대상자의 족저압 중심의 이동 거리(travel distance), 이동 속도, 최장 도달 거리 및 이동 범위(ellipse area) 중 적어도 하나를 포함할 수 있다.
균형 특성 정보 생성부(130)는 도 6에 도시된 바와 같이, 대상자의 발에 의해 발판에 가해지는 압력, 즉, 전후(anterior/posterior) 및 좌우(medial/lateral) 방향에 대한 족저압 중심(center of pressure, CoP)의 변화를 추출할 수 있다. 족저압 데이터는 불안정한 자세를 취하는 대상자의 발에 부하되는 압력을 일정 시간 동안 측정한 것으로, 균형 특성 정보 생성부(130)는 상기 일정 시간 동안 획득되는 족저압 데이터로부터, 족저압 중심의 이동 거리, 이동 속도, 최장 도달 거리, 이동 범위 중 적어도 하나를 생성할 수 있다. 여기서, 대상자의 균형 능력이 양호한 상태이면 족저압 중심의 이동이 적을 수 있으며, 노화에 따라 대상자의 균형 능력이 감소된 상태이면 족저압 중심의 이동이 많을 수 있다.
균형 특성 정보 생성부(130)는 생성된 대상자의 균형 특성 정보를 노인성 질환 예측부(140)로 제공할 수 있다.
보행 특성 정보 생성부(120)는 발 특성 정보를 기초로 대상자의 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여 발 특성 정보 생성부(110)에서 제공된 대상자의 발 특성 정보를 기초로 대상자의 보행 특성 정보를 생성할 수 있다.
여기서, 보행 특성 정보는 대상자의 보행 패턴을 파악할 수 있는 파라미터에 해당한다. 보행 특성 정보는 시간 파라미터 및 공간 파라미터를 포함할 수 있다. 도 5에 도시된 바와 같이, 보행 특성 정보는 시간 파라미터로써, 활보 시간(Stride time), 걸음 시간(Step time), 입각기 시간(Stance time), 유각기 시간(Swing time), 단하지 지지기 시간(Single limb support time), 양하지 지지기 시간(Double limb support time), 분 당 걸음 수(Cadence) 등을 포함할 수 있다. 또한, 보행 특성 정보는 공간 파라미터로써, 활보 길이(Stride length), 걸음 길이(Step length), 보행 속도(Gait speed) 등을 포함할 수 있다.
본 발명의 실시예에 따른 제1 학습 모델은 입력된 발 특성 정보에 기초하여 보행 특성 정보를 출력하도록 기계 학습된 인공 신경망(artificial neural network, ANN) 모델일 수 있다. 제1 학습 모델은 발 특성 정보를 입력 값으로 사용하고, 대상자의 보행 특성 정보를 출력 값으로 하는 추상화된 모델에 해당한다.
제1 학습 모델은 인간의 두뇌가 수많은 데이터 속에서 패턴을 발견한 뒤 사물을 구분하는 정보처리 방식을 모방해 컴퓨터가 사물을 분별하도록 기계 학습을 수행시키는 딥 러닝(deep learning)에 의해 구축된 모델일 수 있다. 제1 학습 모델은 다층 퍼셉트론(multi-layer perceptron) 구조의 순방향(feedforward) 신경망 모델, 동물의 시각 피질의 구조와 유사하게 뉴런 사이의 연결 패턴을 형성하는 컨볼루셔널(convolutional) 신경망 모델, 시간에 따라 매순간 신경망을 쌓아올리는 재귀(recurrent) 신경망 모델, 입력 집합에 대한 확률 분포를 학습할 수 있는 제한 볼츠만 머신(restricted Boltzmann machine) 중 하나의 딥 러닝 모델이 사용될 수 있다. 다만, 상술한 방법은 일 예시일 뿐 본 발명의 일 실시예에 따른 기계 학습 방법이 이에 한정되는 것은 아니다.
본 발명의 실시예에 따른 노인성 질환 예측 시스템(10)은 이러한 제1 학습 모델을 구축하는 제1 학습 모델 구축부(160)를 더 포함할 수 있다. 복수의 대상자의 발 특성 정보가 입력 값으로, 이에 대응하는 보행 특성 정보가 출력값으로 제1 학습 모델 구축부(160)에 제공될 수 있으며, 머신 러닝(machine learning) 기반의 개선 프로세스 추천 동작을 수행할 수 있다. 인공 신경망 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공 신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있으며, 입력 값과 출력 값 사이의 관계를 추상화하는 제1 학습 모델을 구축될 수 있다. 제1 학습 모델 구축부(160)는 설정에 따라 학습 후 차기 보행 특성 정보를 출력하기 위한 제1 학습 모델의 구조를 자동 업데이트하도록 제어될 수 있다.
구축된 제1 학습 모델은 데이터베이스(150)에 저장될 수 있고, 보행 특성 정보 생성부(120)는 구축된 제1 학습 모델을 활용하여 새로운 대상자의 보행 특성 정보를 생성할 수 있다. 보행 특성 정보 생성부(120)는 생성된 보행 특성 정보를 노인성 질환 예측부(140)로 제공할 수 있다.
노인성 질환 예측부(140)는 발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측할 수 있다.
제2 학습 모델은 대상자의 노인성 질환의 위험도를 예측하기 위해 학습된 모델일 수 있다. 제2 학습 모델은 입력된 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 대상자의 노인성 질환의 위험도를 예측할 수 있다. 즉, 제2 학습 모델은 대상자의 발 특성 정보(발바닥 형상, 발바닥 너비와 길이, 발 아치의 높이, 발 아치 커브의 각도), 대상자의 보행 특성 정보(대상자의 보행 패턴을 파악할 수 있는 시간 파라미터 및 공간 파라미터) 및 대상자의 균형 특성 정보(족저압 중심의 이동 거리, 이동 속도, 최장 도달 거리, 이동 범위)를 입력받은 후, 대상자의 노인성 질환 위험도를 출력할 수 있다.
여기서, 노인성 질환은 노쇠, 인지 기능 장애, 근감소증, 우울증이 있으며, 제2 학습 모델은 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 대상자의 노쇠, 인지 기능 장애, 근감소증 및 우울증 중 적어도 하나에 대한 위험도를 판단하도록 학습된 모델일 수 있다. 제2 학습 모델은 공지된 다양한 딥러닝 구조를 이용하여 구축될 수 있다. 제2 학습 모델은 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network) 등의 구조를 이용하여 구축될 수 있다.
본 발명의 실시예에 따른 노인성 질환 예측 시스템(10)은 제2 학습 모델의 구축을 위한 제2 학습 모델 구축부(170)를 더 포함할 수 있다. 제2 학습 모델 구축부(170)는 입력된 데이터를 기초로 대상자의 노쇠 정도를 판단하는 제1 노인성 질환 예측 모델, 입력된 데이터를 기초로 대상자의 인지 기능 장애 정도를 판단하는 제2 노인성 질환 예측 모델, 입력된 데이터를 기초로 대상자의 근감소 정도를 판단하는 제3 노인성 질환 예측 모델 및 입력된 데이터를 기초로 대상자의 우울증 정도를 판단하는 제4 노인성 질환 예측 모델 중 적어도 하나를 포함하는 제2 학습 모델을 구축할 수 있다. 인공 신경망 학습은 주어진 입력에 대하여 원하는 출력이 나오도록 노드간 연결선의 웨이트(weight)를 조정(필요한 경우 바이어스(bias) 값도 조정)함으로써 이루어질 수 있다. 또한, 인공 신경망은 학습에 의해 웨이트(weight) 값을 지속적으로 업데이트시킬 수 있다. 또한, 인공신경망의 학습에는 역전파(Back Propagation) 등의 방법이 사용될 수 있으며, 입력 값과 출력 값 사이의 관계를 추상화하는 제2 학습 모델을 구축될 수 있다. 제2 학습 모델 구축부(170)는 설정에 따라 학습 후 차기 보행 특성 정보를 출력하기 위한 제2 학습 모델의 구조를 자동 업데이트하도록 제어될 수 있다.
여기서, 제1 노인성 질환 예측 모델은 임상에서 사용되는 FRAIL 척도 또는 CHS(Cardiovascular Health Study) 노쇠 지표 등을 기준으로 대상자의 노쇠 정도를 판단하도록 학습될 수 있다. 제1 노인성 질환 예측 모델은 입력된 데이터(발 특성, 보행 특성, 균형 특성)에 따라 대상자의 노쇠 정도를 “비노쇠”와 “노쇠”로 이분화하거나 “비노쇠”, “전노쇠”, “노쇠”로 삼분화하여 출력하도록 학습될 수 있다.
제2 노인성 질환 예측 모델은 체성분 측정기 또는 골밀도 측정기를 이용해 평가한 근육량 감소 정도 및 근기능 손실 정도를 기준으로 대상자의 근감소 정도를 판단하거나, SARC-F 척도를 기준으로 판단하도록 학습될 수 있다. 제2 노인성 질환 예측 모델은 입력된 데이터(발 특성, 보행 특성, 균형 특성)에 따라 대상자의 근감소 정도를 “비근감소증”과 "근감소증"으로 이분화하여 출력하도록 학습될 수 있다.
제3 노인성 질환 예측 모델은 임상에서 사용되는 MMSE(Mini-Mental State Examination) 또는 MoCA(Montreal Cognitive Assessment) 점수 등을 기준으로 대상자의 인지 기능 장애 정도를 판단하도록 학습될 수 있다. 제3 노인성 질환 예측 모델은 입력된 데이터(발 특성, 보행 특성, 균형 특성)에 따라 대상자의 인지장애 정도를 “비인지장애”와 "인지장애"로 이분화하거나 "비인지장애", "경도 인지장애", "중등도 이상의 인지장애"로 삼분화하여 출력하도록 학습될 수 있다.
제4 노인성 질환 예측 모델은 임상에서 사용되는 GDS (Geriatric Depression Scale) 점수 등을 기준으로 대상자의 우울증 정도를 판단하도록 학습될 수 있다. 제4 노인성 질환 예측 모델은 입력된 데이터(발 특성, 보행 특성, 균형 특성)에 따라 대상자의 우울증 정도를 “비우울증”과 "우울증"로 이분화하여 출력하도록 학습될 수 있다.
몇몇 실시예에서, 발 특성, 보행 특성 및 균형 특성 외에 인구학적 특성(성별, 나이) 및 인체 측정학적 특성(신장, 체중, 종아리 둘레) 중 적어도 하나가 입력값으로 더 제공될 수 있으며, 입력된 데이터에 따라 대상자의 노인성 질환을 예측하도록 제2 학습 모델(제1 내지 제4 노인성 질환 예측 모델)이 구축될 수 있다.
구축된 제2 학습 모델은 데이터베이스(150)에 저장될 수 있고, 노인성 질환 예측부(140)는 제2 학습 모델을 이용하여 제공받은 대상자의 발 특성 정보, 보행 특성 정보 및 균형 특성 정보에 기초하여 대상자의 노인성 질환 위험도를 예측할 수 있다. 즉, 노인성 질환 예측부(140)는 제1 노인성 질환 예측 모델을 이용하여 입력된 데이터에 기초한 대상자의 노쇠 정도, 제2 노인성 질환 예측 모델을 이용하여 입력된 데이터에 기초한 대상자의 근감소 정도, 제3 노인성 질환 예측 모델을 이용하여 입력된 데이터에 기초한 대상자의 인지장애 정도 또는 제4 노인성 질환 예측 모델을 이용하여 입력된 데이터에 기초한 대상자의 우울증 정도를 예측할 수 있다.
노인성 질환 예측부(140)는 제2 학습 모델에 포함된 제1 내지 제4 노인성 질환 예측 모델 각각을 이용하여 개별적으로 결과를 출력할 수 있다. 또한, 노인성 질환 예측부(140)는 제1 내지 제4 노인성 질환 예측 모델에서 출력되는 결과를 종합적으로 평가하여 대상자의 노인성 질환 위험도를 출력할 수 있다. 예를 들어, 제1 내지 제4 노인성 질환 예측 모델의 결과들이 수치화되어 합산될 수 있으며, 노인성 질환 예측부(140)는 합산된 결과에 따라 노인성 질환 위험도를 수치화된 점수 또는 등급으로 대상자에게 제공할 수 있다.
본 발명의 일 실시예에 따른 노인성 질환 예측 시스템은 간단한 발 특성 정보와 균형 특성 정보를 취득하는 테스트만으로 대상자의 노인성 질환 위험도를 예측할 수 있다. 즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 노인성 질환 위험도를 예측하여 대상자에게 제공할 수 있으며, 관련 질병의 조기 진단, 증상 관리, 적절한 치료의 기회가 대상자들에게 제공되는 것을 지원할 수 있다.
이하, 본 발명의 일 실시예에 따른 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법에 대해 설명하도록 한다.
도 7은 본 발명의 일 실시예에 따른 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법의 순서도이다. 상기 방법은 상술한 도 1 내지 도 6의 시스템에서 수행될 수 있고, 본 실시예에 설명을 위해 도 1 내지 도 6이 참조될 수 있다.
도 7을 참조하면, 본 발명의 일 실시예에 따른 노인성 질환 예측 방법은 대상자의 자세가 안정된 상태에서 발 깊이 영상을 획득하고, 상기 대상자의 자세가 불안정한 상태에서 족저압 데이터를 획득하는 단계(S100); 상기 발 깊이 영상을 통해 대상자의 발 특성 정보를 생성하는 단계(S110); 발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여, 상기 대상자의 발 특성 정보에 기초한 상기 대상자의 보행 특성 정보를 생성하는 단계(S120); 상기 족저압 데이터를 통해 대상자의 균형 특성 정보를 생성하는 단계(S130); 및 발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여, 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측하는 단계(S140)를 포함한다.
먼저, 대상자의 자세가 안정된 상태에서 발 깊이 영상을 획득하고, 상기 대상자의 자세가 불안정한 상태에서 족저압 데이터를 획득한다(S100).
본 단계(S100)는 노인성 질환 예측 시스템(10)의 데이터 획득부(100)에서 수행될 수 있다.
발 깊이 영상은 발바닥 각 부분에 대한 형태, 전체적인 형태 및 특징에 대한 임의의 정보를 포함하는 발 특성 정보를 취득하기 위한 깊이 영상일 수 있다. 발 특성 정보를 생성하기 위한 발 깊이 영상은 대상자의 발 특성을 정확히 추출하기 위해 대상자가 발판(101) 상에서 안정된 자세를 유지한 상태에서 획득될 수 있다.
족저압 데이터는 발의 압력 중심(center of pressure, CoP) 특성을 추출하기 위한 데이터일 수 있다. 족저압 데이터는 대상자의 균형 특성을 정확히 추출하기 위해 대상자가 불안정한 상태에서 획득될 수 있다. 여기서, 불안정한 상태란 대상자의 균형 능력을 확인하기 위해 대상자가 특정 자세를 취한 상태를 의미한다. 상기 족저압 데이터는 상기 대상자가 발판 상에서 불안정한 자세를 일정 시간 동안 취하는 동안 상기 대상자의 발에 부하되는 압력을 측정한 것이며, 상기 불안정한 자세는 눈을 감은 상태에서 양발을 붙이고 서기, 눈을 감은 상태에서 양발을 일정 거리 이상 벌리고 서기, 양팔 벌리고 한 발로 서기 및 양발 또는 한발로 선채 암산 과제 수행하는 것 중 적어도 하나에 해당할 수 있다.
다음으로, 발 깊이 영상을 통해 대상자의 발 특성 정보를 생성한다(S110).
본 단계(S110)는 노인성 질환 예측 시스템(10)의 발 특성 정보 생성부(110)에서 수행될 수 있다.
발 특성 정보는 발바닥에 관련된 임의의 정보로서, 발바닥 각 부분에 대한 형태, 전체적인 형태 및 특징에 대한 임의의 정보를 포함할 수 있다. 일 실시예에서 발 특성 정보는, 발바닥 형상, 발바닥 너비와 길이, 발 아치의 높이, 발 아치 커브의 각도를 포함할 수 있다. 발 특성 정보 생성부(110)는 MLA(Medial Longitudinal Arch; 내측 종족궁) 라인, LLA(Lateral Longitudinal Arch; 외측 종족궁) 라인을 발 깊이 영상으로부터 추출할 수 있다. 발 특성 정보 생성부(110)는 MLA 곡선 및 LLA 곡선 중 적어도 하나 이상을 기준으로 발 특성 정보를 취득할 수 있다.
다음으로, 발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여, 상기 대상자의 발 특성 정보에 기초한 상기 대상자의 보행 특성 정보를 생성한다(S120).
본 단계(S120)는 노인성 질환 예측 시스템(10)의 보행 특성 정보 생성부(120)에서 수행될 수 있다.
본 실시예에 따른 방법은 본 단계(S120)의 수행 이전, 제1 학습 모델이 구축되는 단계를 더 포함할 수 있다. 본 단계(S120)는 발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여 수행될 수 있다. 여기서, 상기 제1 학습 모델은 입력된 발 특성 정보에 기초하여 보행 특성 정보를 출력하도록 기계 학습된 인공 신경망 모델일 수 있다.
상기 대상자의 보행 특성 정보는 시간 파라미터 및 공간 파라미터를 포함하고, 상기 시간 파라미터는 활보 시간, 걸음 시간, 입각기 시간, 유각기 시간, 단하지 지지기 시간, 양하지 지지기 시간, 분 당 걸음 수 중 적어도 하나를 포함하며, 상기 공간 파라미터는 활보 길이, 걸음 길이, 보행 속도 중 적어도 하나를 포함할 수 있다.
상기 족저압 데이터를 통해 대상자의 균형 특성 정보를 생성한다(S130).
본 단계(S130)는 노인성 질환 예측 시스템(10)의 균형 특성 정보 생성부(130)에서 수행될 수 있다.
균형 특성 정보 생성부(130)는 족저압 데이터로부터 발의 압력 중심(center of pressure, CoP)을 결정할 수 있다. 균형 특성 정보 생성부(130)는 상기 일정 시간 동안 일어나는 발의 압력 중심 변화를 족저압 데이터에서 추적하여, 족저압 중심의 이동 거리, 이동 속도, 최장 도달 거리, 이동 범위 중 적어도 하나를 생성할 수 있다. 즉, 균형 특성 정보는 족저압 중심의 이동 거리, 족저압 중심의 이동 속도, 족저압 중심의 최장 도달 거리 및 족저압 중심의 이동 범위 중 적어도 하나를 포함할 수 있다. 여기서, 설명의 편의상 본 단계(S130)를 이전 단계들(S110 및 S120)보다 후술하였으나, 단계의 수행 순서가 설명된 순서에 따라 제약되는 것은 아니다. 즉, 본 단계(S130)는 이전 단계들(S110 및 S120) 보다 선행하여 수행될 수도 있다.
다음으로, 발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여, 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측한다(S140).
본 단계(S140)는 노인성 질환 예측 시스템(10)의 노인성 질환 예측부(140)에서 수행될 수 있다.
노인성 질환 예측부(140)는 발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측할 수 있다.
제2 학습 모델은 대상자의 노인성 질환의 위험도를 예측하기 위해 학습된 모델일 수 있다. 본 실시예에 따른 방법은 본 단계(S140)의 수행 이전, 제2 학습 모델을 구축하는 단계를 더 포함할 수 있다.
상기 제2 학습 모델은 입력된 발 특성 정보, 보행 특성 정보 및 균형 특성 정보에 기초하여 노인성 질환 위험도를 예측하도록 기계 학습된 인공 신경망 모델일 수 있다. 또한, 상기 제2 학습 모델은 입력된 데이터를 기초로 대상자의 노쇠 정도를 판단하는 제1 노인성 질환 예측 모델, 입력된 데이터를 기초로 대상자의 인지 기능 장애 정도를 판단하는 제2 노인성 질환 예측 모델, 입력된 데이터를 기초로 대상자의 근감소 정도를 판단하는 제3 노인성 질환 예측 모델 및 입력된 데이터를 기초로 대상자의 우울증 정도를 판단하는 제4 노인성 질환 예측 모델 중 적어도 하나를 포함할 수 있다.
본 발명의 일 실시예에 따른 노인성 질환 예측 방법은 간단한 발 특성 정보와 균형 특성 정보를 취득하는 테스트만으로 대상자의 노인성 질환 위험도를 예측할 수 있다. 즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 노인성 질환 위험도를 예측하여 대상자에게 제공할 수 있으며, 관련 질병의 조기 진단, 증상 관리, 적절한 치료의 기회가 대상자들에게 제공되는 것을 지원할 수 있다.
이상에서는 실시예들을 참조하여 설명하였지만 본 발명은 이러한 실시예들 또는 도면에 의해 한정되는 것으로 해석되어서는 안 되며, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 노인성 질환 예측 시스템
100: 데이터 획득부
110: 발 특성 정보 생성부
120: 보행 특성 정보 생성부
130: 균형 특성 정보 생성부
140: 노인성 질환 예측부
150: 데이터베이스

Claims (12)

  1. 대상자의 발 깊이 영상 및 족저압 데이터를 획득하는 데이터 획득부;
    상기 대상자의 자세가 안정된 상태에서 획득된 발 깊이 영상을 통해 대상자의 발 특성 정보를 생성하는 발 특성 정보 생성부;
    발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여, 상기 대상자의 발 특성 정보에 기초하여 상기 대상자의 보행 특성 정보를 생성하는 보행 특성 정보 생성부;
    상기 대상자의 자세가 불안정한 상태에서 획득된 족저압 데이터를 통해 대상자의 균형 특성 정보를 생성하는 균형 특성 정보 생성부; 및
    발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여, 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측하는 노인성 질환 예측부를 포함하는 노인성 질환 예측 시스템.
  2. 제1 항에 있어서,
    상기 발 특성 정보는 발바닥 형상, 발바닥 너비와 길이, 발 아치의 높이, 발 아치 커브의 각도 중 적어도 하나를 포함하고,
    상기 대상자의 보행 특성 정보는 시간 파라미터 및 공간 파라미터를 포함하고,
    상기 시간 파라미터는 활보 시간, 걸음 시간, 입각기 시간, 유각기 시간, 단하지 지지기 시간, 양하지 지지기 시간, 분 당 걸음 수 중 적어도 하나를 포함하며,
    상기 공간 파라미터는 활보 길이, 걸음 길이, 보행 속도 중 적어도 하나를 포함하고,
    상기 균형 특성 정보는 족저압 중심의 이동 거리, 족저압 중심의 이동 속도, 족저압 중심의 최장 도달 거리 및 족저압 중심의 이동 범위 중 적어도 하나를 포함하는 노인성 질환 예측 시스템.
  3. 제1 항에 있어서,
    상기 제2 학습 모델은,
    입력된 데이터를 기초로 대상자의 노쇠 정도를 판단하는 제1 노인성 질환 예측 모델, 입력된 데이터를 기초로 대상자의 인지 기능 장애 정도를 판단하는 제2 노인성 질환 예측 모델, 입력된 데이터를 기초로 대상자의 근감소 정도를 판단하는 제3 노인성 질환 예측 모델 및 입력된 데이터를 기초로 대상자의 우울증 정도를 판단하는 제4 노인성 질환 예측 모델 중 적어도 하나를 포함하는 노인성 질환 예측 시스템.
  4. 제1 항에 있어서,
    상기 제1 학습 모델 및 상기 제2 학습 모델을 저장하는 데이터베이스를 더 포함하는 노인성 질환 예측 시스템.
  5. 제1 항에 있어서,
    상기 제1 학습 모델은 입력된 발 특성 정보에 기초하여 보행 특성 정보를 출력하도록 기계 학습된 인공 신경망 모델이고,
    상기 제2 학습 모델은 입력된 발 특성 정보, 보행 특성 정보 및 균형 특성 정보에 기초하여 노인성 질환 위험도를 예측하도록 기계 학습된 인공 신경망 모델인 것을 특징으로 하는 노인성 질환 예측 시스템.
  6. 제1 항에 있어서,
    상기 데이터 획득부는 발판, 상기 발판 상에 위치한 대상자의 발 깊이 영상을 획득하도록 구성된 스캐너 및 상기 발판 상에 위치한 대상자의 발에 부하되는 압력을 측정하도록 구성된 압력 센서를 포함하고,
    상기 스캐너는 상기 대상자가 상기 발판 상에서 안정된 자세를 유지하는 동안 상기 대상자의 발을 일정 시간 촬영하여 상기 발 깊이 영상을 획득하며,
    상기 압력 센서는 상기 대상자가 상기 발판 상에서 일정 시간 불안정한 자세를 유지하는 동안 상기 대상자의 족저압 데이터를 획득하며,
    상기 불안정한 자세는 눈을 감은 상태에서 양발을 붙이고 서기, 눈을 감은 상태에서 양발을 일정 거리 이상 벌리고 서기, 양팔 벌리고 한 발로 서기 및 양발 또는 한발로 선채 암산 과제 수행하는 것 중 적어도 하나에 해당하는 것을 특징으로 하는 노인성 질환 예측 시스템.
  7. 하나 이상의 프로세서들; 및
    상기 프로세서들에 의해 수행되는 하나 이상의 프로그램을 저장하는 메모리를 구비한 노인성 질환 예측 시스템에 의해 수행되는 노인성 질환 예측 방법으로서,
    대상자의 자세가 안정된 상태에서 발 깊이 영상을 획득하고, 상기 대상자의 자세가 불안정한 상태에서 족저압 데이터를 획득하는 단계;
    상기 발 깊이 영상을 통해 대상자의 발 특성 정보를 생성하는 단계;
    발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여, 상기 대상자의 발 특성 정보에 기초한 상기 대상자의 보행 특성 정보를 생성하는 단계;
    상기 족저압 데이터를 통해 대상자의 균형 특성 정보를 생성하는 단계; 및
    발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여, 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측하는 단계를 포함하는 노인성 질환 예측 방법.
  8. 제7 항에 있어서,
    상기 발 특성 정보는 발바닥 형상, 발바닥 너비와 길이, 발 아치의 높이, 발 아치 커브의 각도 중 적어도 하나를 포함하고,
    상기 대상자의 보행 특성 정보는 시간 파라미터 및 공간 파라미터를 포함하고,
    상기 시간 파라미터는 활보 시간, 걸음 시간, 입각기 시간, 유각기 시간, 단하지 지지기 시간, 양하지 지지기 시간, 분 당 걸음 수 중 적어도 하나를 포함하며,
    상기 공간 파라미터는 활보 길이, 걸음 길이, 보행 속도 중 적어도 하나를 포함하고,
    상기 균형 특성 정보는 족저압 중심의 이동 거리, 족저압 중심의 이동 속도, 족저압 중심의 최장 도달 거리 및 족저압 중심의 이동 범위 중 적어도 하나를 포함하는 노인성 질환 예측 방법.
  9. 제7 항에 있어서,
    상기 제2 학습 모델은,
    입력된 데이터를 기초로 대상자의 노쇠 정도를 판단하는 제1 노인성 질환 예측 모델, 입력된 데이터를 기초로 대상자의 인지 기능 장애 정도를 판단하는 제2 노인성 질환 예측 모델, 입력된 데이터를 기초로 대상자의 근감소 정도를 판단하는 제3 노인성 질환 예측 모델 및 입력된 데이터를 기초로 대상자의 우울증 정도를 판단하는 제4 노인성 질환 예측 모델 중 적어도 하나를 포함하는 노인성 질환 예측 방법.
  10. 제7 항에 있어서,
    상기 제1 학습 모델은 입력된 발 특성 정보에 기초하여 보행 특성 정보를 출력하도록 기계 학습된 인공 신경망 모델이고,
    상기 제2 학습 모델은 입력된 발 특성 정보, 보행 특성 정보 및 균형 특성 정보에 기초하여 노인성 질환 위험도를 예측하도록 기계 학습된 인공 신경망 모델인 것을 특징으로 하는 노인성 질환 예측 방법.
  11. 제7 항에 있어서,
    상기 족저압 데이터는 상기 대상자가 발판 상에서 불안정한 자세를 일정 시간 취하는 동안 상기 대상자의 발에 부하되는 압력을 특정한 데이터이며,
    상기 불안정된 자세는 눈을 감은 상태에서 양발을 붙이고 서기, 눈을 감은 상태에서 양발을 일정 거리 이상 벌리고 서기, 양팔 벌리고 한 발로 서기 및 양발 또는 한발로 선채 암산 과제 수행하는 것 중 적어도 하나에 해당하는 것을 특징으로 하는 노인성 질환 예측 방법.
  12. 제7 항에 있어서,
    상기 발 특성 정보를 기초로 보행 특성 정보를 출력하도록 학습된 제1 학습 모델을 이용하여, 상기 대상자의 발 특성 정보에 기초한 상기 대상자의 보행 특성 정보를 생성하는 단계의 수행 이전, 상기 제1 학습 모델을 구축하는 단계를 더 포함하고,
    상기 발 특성 정보, 보행 특성 정보 및 균형 특성 정보를 기초로 노인성 질환의 위험도를 출력하도록 학습된 제2 학습 모델을 이용하여, 상기 대상자의 발 특성 정보, 상기 대상자의 보행 특성 정보 및 상기 대상자의 균형 특성 정보를 기초로 상기 대상자의 노인성 질환 위험도를 예측하는 단계의 수행 이전, 상기 제2 학습 모델을 구축하는 단계를 더 포함하는 노인성 질환 예측 방법.
KR1020200130004A 2020-10-08 2020-10-08 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템 KR102499773B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200130004A KR102499773B1 (ko) 2020-10-08 2020-10-08 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200130004A KR102499773B1 (ko) 2020-10-08 2020-10-08 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220047425A KR20220047425A (ko) 2022-04-18
KR102499773B1 true KR102499773B1 (ko) 2023-02-15

Family

ID=81390838

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200130004A KR102499773B1 (ko) 2020-10-08 2020-10-08 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102499773B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024024127A1 (ja) * 2022-07-28 2024-02-01 サントリーホールディングス株式会社 情報処理装置、情報処理システム、情報処理方法及びプログラム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9970114B2 (en) 2016-09-13 2018-05-15 Rohm And Haas Electronic Materials Llc Shielding coating for selective metallization
KR102124095B1 (ko) * 2018-03-06 2020-06-17 단국대학교 산학협력단 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
KR102128268B1 (ko) * 2018-04-17 2020-06-30 한국과학기술연구원 발 특성 정보를 이용한 보행 능력 예측 방법 및 시스템

Also Published As

Publication number Publication date
KR20220047425A (ko) 2022-04-18

Similar Documents

Publication Publication Date Title
Boukhennoufa et al. Wearable sensors and machine learning in post-stroke rehabilitation assessment: A systematic review
Paillard et al. Techniques and methods for testing the postural function in healthy and pathological subjects
Dona et al. Application of functional principal component analysis in race walking: an emerging methodology
Jeka et al. Controlling human upright posture: velocity information is more accurate than position or acceleration
Grewal et al. Balance rehabilitation: promoting the role of virtual reality in patients with diabetic peripheral neuropathy
JP6914896B2 (ja) 健康状態診断システム
EP3467842A1 (en) Method for simulating foot and/or ankle
JP6535778B1 (ja) 運動能力評価システム
Choi et al. Machine learning approach to predict center of pressure trajectories in a complete gait cycle: a feedforward neural network vs. LSTM network
Montes et al. Gait assessment with solesound instrumented footwear in spinal muscular atrophy
Horstink et al. Effects of offloading devices on static and dynamic balance in patients with diabetic peripheral neuropathy: A systematic review
KR102499773B1 (ko) 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템
Pauk et al. Differences in pediatric vertical ground reaction force between planovalgus and neutrally aligned feet
Hellstrand Tang The diabetic foot-assessment and assistive devices
US20230320670A1 (en) Method and system for predicting geriatric syndromes using foot characteristics and balance characteristics
Huang et al. Assessment method of balance ability of older adults using an in-shoe motion sensor
Wang et al. Evaluation of effects of balance training from using wobble board-based exergaming system by MSE and MMSE techniques
JP2018038753A (ja) 歩行分析方法及び歩行分析装置
Shortland Gait and clinical gait analysis
Rohleder Validation of balance assessment measures of an accelerometric mobile device application versus a balance platform
Carcreff Gait analysis in children with cerebral palsy: bridging the gap between the laboratory and real life
Wijnbergen Novel algorithms to capture kinematic variables with depthsensing technology
KR102584715B1 (ko) 경근 활성도 평가 장치 및 방법
Salaheldin et al. Assistive Technology for Individuals with Impaired Balance
TWI796275B (zh) 疾病風險評估方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right