KR102519214B1 - 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법 - Google Patents
뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법 Download PDFInfo
- Publication number
- KR102519214B1 KR102519214B1 KR1020220160475A KR20220160475A KR102519214B1 KR 102519214 B1 KR102519214 B1 KR 102519214B1 KR 1020220160475 A KR1020220160475 A KR 1020220160475A KR 20220160475 A KR20220160475 A KR 20220160475A KR 102519214 B1 KR102519214 B1 KR 102519214B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- nutrient
- period
- neural network
- combination information
- Prior art date
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 26
- 235000020979 dietary recommendations Nutrition 0.000 title 1
- 235000015097 nutrients Nutrition 0.000 claims abstract description 99
- 235000015872 dietary supplement Nutrition 0.000 claims abstract description 64
- 230000000694 effects Effects 0.000 claims abstract description 41
- 241001465754 Metazoa Species 0.000 claims abstract description 34
- 230000036541 health Effects 0.000 claims abstract description 20
- 201000010099 disease Diseases 0.000 claims abstract description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 12
- 238000002255 vaccination Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 5
- 230000006872 improvement Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 6
- 208000035474 group of disease Diseases 0.000 claims description 5
- 235000013305 food Nutrition 0.000 claims description 3
- 235000006286 nutrient intake Nutrition 0.000 claims description 3
- 235000012054 meals Nutrition 0.000 abstract description 3
- 235000016709 nutrition Nutrition 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 18
- 208000024891 symptom Diseases 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000013589 supplement Substances 0.000 description 5
- 230000017531 blood circulation Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 208000002193 Pain Diseases 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- REFJWTPEDVJJIY-UHFFFAOYSA-N Quercetin Chemical compound C=1C(O)=CC(O)=C(C(C=2O)=O)C=1OC=2C1=CC=C(O)C(O)=C1 REFJWTPEDVJJIY-UHFFFAOYSA-N 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- PEYUIKBAABKQKQ-AFHBHXEDSA-N (+)-sesamin Chemical compound C1=C2OCOC2=CC([C@H]2OC[C@H]3[C@@H]2CO[C@@H]3C2=CC=C3OCOC3=C2)=C1 PEYUIKBAABKQKQ-AFHBHXEDSA-N 0.000 description 1
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- JDLKFOPOAOFWQN-VIFPVBQESA-N Allicin Natural products C=CCS[S@](=O)CC=C JDLKFOPOAOFWQN-VIFPVBQESA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- SBJKKFFYIZUCET-JLAZNSOCSA-N Dehydro-L-ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(=O)C1=O SBJKKFFYIZUCET-JLAZNSOCSA-N 0.000 description 1
- 206010020565 Hyperaemia Diseases 0.000 description 1
- 206010020751 Hypersensitivity Diseases 0.000 description 1
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 description 1
- JEVVKJMRZMXFBT-XWDZUXABSA-N Lycophyll Natural products OC/C(=C/CC/C(=C\C=C\C(=C/C=C/C(=C\C=C\C=C(/C=C/C=C(\C=C\C=C(/CC/C=C(/CO)\C)\C)/C)\C)/C)\C)/C)/C JEVVKJMRZMXFBT-XWDZUXABSA-N 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- ZVOLCUVKHLEPEV-UHFFFAOYSA-N Quercetagetin Natural products C1=C(O)C(O)=CC=C1C1=C(O)C(=O)C2=C(O)C(O)=C(O)C=C2O1 ZVOLCUVKHLEPEV-UHFFFAOYSA-N 0.000 description 1
- HWTZYBCRDDUBJY-UHFFFAOYSA-N Rhynchosin Natural products C1=C(O)C(O)=CC=C1C1=C(O)C(=O)C2=CC(O)=C(O)C=C2O1 HWTZYBCRDDUBJY-UHFFFAOYSA-N 0.000 description 1
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 1
- 208000026935 allergic disease Diseases 0.000 description 1
- 230000007815 allergy Effects 0.000 description 1
- JDLKFOPOAOFWQN-UHFFFAOYSA-N allicin Chemical compound C=CCSS(=O)CC=C JDLKFOPOAOFWQN-UHFFFAOYSA-N 0.000 description 1
- 235000010081 allicin Nutrition 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012508 change request Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- PEYUIKBAABKQKQ-UHFFFAOYSA-N epiasarinin Natural products C1=C2OCOC2=CC(C2OCC3C2COC3C2=CC=C3OCOC3=C2)=C1 PEYUIKBAABKQKQ-UHFFFAOYSA-N 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- MWDZOUNAPSSOEL-UHFFFAOYSA-N kaempferol Natural products OC1=C(C(=O)c2cc(O)cc(O)c2O1)c3ccc(O)cc3 MWDZOUNAPSSOEL-UHFFFAOYSA-N 0.000 description 1
- 235000012661 lycopene Nutrition 0.000 description 1
- 239000001751 lycopene Substances 0.000 description 1
- OAIJSZIZWZSQBC-GYZMGTAESA-N lycopene Chemical compound CC(C)=CCC\C(C)=C\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\C=C(/C)CCC=C(C)C OAIJSZIZWZSQBC-GYZMGTAESA-N 0.000 description 1
- 229960004999 lycopene Drugs 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 235000020660 omega-3 fatty acid Nutrition 0.000 description 1
- 229940012843 omega-3 fatty acid Drugs 0.000 description 1
- 239000006014 omega-3 oil Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000001936 parietal effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 150000008442 polyphenolic compounds Chemical class 0.000 description 1
- 235000013824 polyphenols Nutrition 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 235000005875 quercetin Nutrition 0.000 description 1
- 229960001285 quercetin Drugs 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- IKGXIBQEEMLURG-NVPNHPEKSA-N rutin Chemical compound O[C@@H]1[C@H](O)[C@@H](O)[C@H](C)O[C@H]1OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)[C@H](OC=2C(C3=C(O)C=C(O)C=C3OC=2C=2C=C(O)C(O)=CC=2)=O)O1 IKGXIBQEEMLURG-NVPNHPEKSA-N 0.000 description 1
- VRMHCMWQHAXTOR-CMOCDZPBSA-N sesamin Natural products C1=C2OCOC2=CC([C@@H]2OC[C@@]3(C)[C@H](C=4C=C5OCOC5=CC=4)OC[C@]32C)=C1 VRMHCMWQHAXTOR-CMOCDZPBSA-N 0.000 description 1
- KQRXQIPRDKVZPW-ISZNXKAUSA-N sesaminol Chemical compound C1=C2OCOC2=CC([C@H]2OC[C@H]3[C@@H]2CO[C@@H]3C2=CC=3OCOC=3C=C2O)=C1 KQRXQIPRDKVZPW-ISZNXKAUSA-N 0.000 description 1
- KQRXQIPRDKVZPW-UHFFFAOYSA-N sesaminol Natural products C1=C2OCOC2=CC(C2OCC3C2COC3C2=CC=3OCOC=3C=C2O)=C1 KQRXQIPRDKVZPW-UHFFFAOYSA-N 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- ZCIHMQAPACOQHT-ZGMPDRQDSA-N trans-isorenieratene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/c1c(C)ccc(C)c1C)C=CC=C(/C)C=Cc2c(C)ccc(C)c2C ZCIHMQAPACOQHT-ZGMPDRQDSA-N 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 229940045997 vitamin a Drugs 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 235000016804 zinc Nutrition 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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
- 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
- G16H50/50—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Nutrition Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
일실시예에 따라 뉴럴 네트워크 모델에 기초하여 반려 동물 영양제 조합을 추천하는 방법은 영양제 데이터베이스로부터 사용자 요청에 대응되는 영양제 조합 정보를 생성하는 단계, 반려 동물의 종류, 연령, 크기, 성별, 몸무게, 식사량, 물 섭취량, 예방접종 여부 및 건강검진 여부 중 하나를 포함하는 입력 데이터를 수신하고, 학습된 상기 뉴럴 네트워크 모델에 기초하여 상기 영양제 조합 정보로부터 발병 위험 질환군 및 기간별 복용 효과를 예측하는 단계, 상기 영양제 조합 정보에 따른 영양제를 일정 기간 이상 섭취한 사용자로부터 문진 정보를 획득하는 단계, 및 상기 영양제 조합 정보, 상기 발병 위험 질환군, 상기 기간별 복용 효과, 및 상기 문진 정보에 기초하여 상기 뉴럴 네트워크 모델을 학습시키는 단계를 포함할 수 있다.
Description
본 개시의 기술적 사상은 영양제 추천 정보 생성 방법에 관한 것으로, 더욱 상세하게는, 뉴럴 네트워크 모델에 기초한 영양제 추천 정보 생성 방법에 관한 것이다.
최근 건강에 대한 소비자들의 관심이 증가하고 있으나, 하나의 효과에 대해서도 광범위한 영양제가 시중에 출시되어 있어 일반 소비자는 어떠한 영양제가 적합한지 판단하기 어려운 측면이 있다.
한편, 반려 동물 인구의 증가에 따라 소비자들은 반려 동물에게 제공하는 식사 뿐만 아니라 영양제 또는 동물 의약품 등 반려 동물의 건강 증진을 위해 다양한 음식물 및 보조제를 제공하고 있다.
소비자 또는 반려 동물들이 건강에 이상이 있음을 복수의 증상들을 통해 느끼는 경우, 각 증상들을 해소하기 위해 복수 종류의 영양제들을 섭취하는 경향이 있는데, 일반 소비자들 수준에서는 해당 영양제들의 조합이 소비자 또는 반려 동물에게 건강에 악영향을 미치는지 알기 어려운 측면이 존재한다.
이러한 영양제 섭취는 소비자 또는 반려 동물의 현재 상태에 맞지 않거나, 불필요한 영양제를 과다하게 구매하여 복용함으로써 영양소 과다로 인한 부작용을 초래하기도 한다.
본 개시의 기술적 사상이 해결하려는 과제는, 복수 종류의 영양제 섭취시 발생되는 문제 및 효과를 예측함으로써 사용자에게 적합한 영양제 조합을 추천하는 데에 있다.
일실시예에 따라 뉴럴 네트워크 모델에 기초하여 영양제 조합을 추천하는 방법은 영양제 데이터베이스로부터 사용자 요청에 대응되는 영양제 조합 정보를 생성하는 단계, 반려 동물의 종류, 연령, 크기, 성별, 몸무게, 식사량, 물 섭취량, 예방접종 여부 및 건강검진 여부 중 하나를 포함하는 입력 데이터를 수신하고, 학습된 상기 뉴럴 네트워크 모델에 기초하여 상기 영양제 조합 정보로부터 발병 위험 질환군 및 기간별 복용 효과를 예측하는 단계, 상기 영양제 조합 정보에 따른 영양제를 일정 기간 이상 섭취한 사용자로부터 문진 정보를 획득하는 단계, 및 상기 영양제 조합 정보, 상기 발병 위험 질환군, 상기 기간별 복용 효과, 및 상기 문진 정보에 기초하여 상기 뉴럴 네트워크 모델을 학습시키는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 영양제 조합 정보를 생성하는 단계는 반려 동물의 신체 상태를 사용자 요청으로 수신하는 단계, 상기 반려 동물의 신체 상태에 기초하여 필요 영양소 정보를 추론하는 단계, 및 상기 필요 영양소 정보에 기초하여 상기 영양제 조합 정보를 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 문진 정보 획득 단계는 상기 사용자로부터 일정 기간 이상 복수 회차 단위로 상기 문진 정보를 획득하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 뉴럴 네트워크 모델을 학습시키는 단계는 상기 복수 회차 단위로 상기 획득된 문진 정보를 구분하여 수치화된 보상값으로 생성하는 단계 및 상기 회차별로 생성된 보상값에 기초하여 상기 영양제 조합 정보에 대한 상기 기간별 복용 효과를 업데이트하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 기간별 복용 효과를 업데이트하는 단계는 상기 문진 정보에 기초하여 상기 영양제 조합 정보에 따른 영양제 섭취 결과, 목표로 하는 건강 상태에 도달하였다고 판단된 경우 제1 그룹 보상 값에 기초하여 상기 영양제 조합 정보에 따른 평가 데이터를 생성하는 단계, 상기 문진 정보에 기초하여 목표로 하는 건강 상태에 미달된 경우 제2 그룹 보상 값에 기초하여 상기 영양제 조합 정보에 따른 평가 데이터를 생성하는 단계, 및 상기 평가 데이터에 기초하여 상기 기간별 복용 효과에 대한 상기 뉴럴 네트워크 모델의 파라미터를 변경하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 뉴럴 네트워크 모델을 학습시키는 단계는 상기 영양제 조합 정보 및 상기 문진 정보에 기초하여 상기 발병 위험 질환군 및 상기 기간별 복용 효과에 대한 파라미터를 업데이트함으로써 상기 뉴럴 네트워크 모델을 학습시키는 것을 특징으로 할 수 있다.
일실시예에 따르면, 상기 영양제 조합 정보를 생성하는 단계는 상기 사용자 요청에 대응하여 복수의 영양제 조합 정보들을 생성하는 단계를 포함하고, 상기 영양제 조합 추천 방법은 상기 복수의 영양제 조합 정보들로부터 예측된 상기 발병 위험 질환군 및 상기 기간 복용 효과 중 개선 정도가 가장 높은 영양제 조합 정보를 추천 영양제 정보로 생성하는 단계를 더 포함하는 것을 특징으로 할 수 있다.
본 개시의 예시적 실시예에 따른 영양제 조합 추천 방법은 복수 종류의 영양제 섭취시 발생되는 문제 및 효과를 예측할 수 있다. 아울러, 영양제 섭취 시 일정 기간 단위의 문진 정보를 획득하고, 문제 및 효과를 예측함으로써 영양제 섭취에 따른 단기, 중기, 장기 효과를 제공할 수 있고, 단기, 중기, 장기 효과를 더욱 향상시키기 위한 방법을 제공할 수 있다.
본 개시의 예시적 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 아니하며, 언급되지 아니한 다른 효과들은 이하의 기재로부터 본 개시의 예시적 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다. 즉, 본 개시의 예시적 실시예들을 실시함에 따른 의도하지 아니한 효과들 역시 본 개시의 예시적 실시예들로부터 당해 기술분야의 통상의 지식을 가진 자에 의해 도출될 수 있다.
도 1은 본 개시의 실시예에 따른 영양제 조합을 추천하는 시스템의 구성을 도시한 블록도이다.
도 2는 일실시예에 따른 관리 서버의 구성을 도시한 블록도이다.
도 3은 일실시예에 따른 영양제 조합 추천 방법을 도시한 흐름도이다.
도 4는 일실시예에 따라 복수의 기간마다 수집되는 문진 정보에 기초하여 뉴럴 네트워크 모델을 학습시키기 위한 방법을 도시한 도면이다.
도 2는 일실시예에 따른 관리 서버의 구성을 도시한 블록도이다.
도 3은 일실시예에 따른 영양제 조합 추천 방법을 도시한 흐름도이다.
도 4는 일실시예에 따라 복수의 기간마다 수집되는 문진 정보에 기초하여 뉴럴 네트워크 모델을 학습시키기 위한 방법을 도시한 도면이다.
이하, 첨부한 도면을 참조하여 본 개시의 실시 예에 대해 상세히 설명한다.
도 1은 본 개시의 실시예에 따른 영양제 조합을 추천하는 시스템의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 개시의 영양제 조합을 추천하는 시스템은 관리 서버(10) 및 사용자 단말(20)을 포함할 수 있다. 예시적으로, 관리 서버(10)와 사용자 단말(20)을 서로 데이터 송수신할 수 있고, 관리 서버(10)는 사용자 단말(20)로부터 수신된 입력 데이터에 대한 출력 데이터 생산을 위한 연산을 수행할 수 있다.
본 개시에 따른 사용자 단말(20)은 사용자에 의해 반려 동물의 정보를 입력받거나 추천된 정보를 출력할 수 있으며 사용자에 의해 반려 동물을 문진한 문진 정보를 입력받을 수 있고, 본 개시에 따른 시스템은 반려 동물용 영양제를 추천할 수 있지만, 이와 함께 또는 별개로 인체용 영양제를 추천할 수 도 있다.
관리 서버(10) 및 사용자 단말(20)은 스마트폰, 태블릿 PC, 데스크탑, 단말기기, 휴대폰, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player)를 포함할 수 있고, 서로 유무선 통신을 수행하기 위한 통신 모듈을 포함할 수 있다. 즉, 관리 서버(10) 및 사용자 단말(20)을 각각 관리자 및 사용자로부터 데이터 입력을 요청할 수 있는 모든 전자 장치를 포함할 수 있다.
사용자 단말(20)은 영양제 추천 프로그램을 이용하기 위해 영양제 추천 앱을 실행할 수 있고, 앱을 통해 입력된 데이터를 통신 모듈을 통해 관리 서버(10)로 전달할 수 있다. 이 때, 통신 모듈은 무선 통신으로 데이터를 송수신할 수 있고, 통신망으로 사용자 단말(20)과 관리 서버(10)를 연계하여 영양제 추천 앱을 통해 서비스를 제공할 수 있다. 아울러, 사용자 단말(20) 및 관리 서버(10) 중 적어도 하나는 사용자 앱 사용 이력에 대한 통계 자료를 관리하고, 사용자 단말(20)로부터 획득된 정보를 저장할 수 있다. 이 때, 사용자 단말(20)로부터 획득된 정보는 사용자 조작에 따른 모든 요청 정보 및 모든 응답 정보를 포함할 수 있다.
영양제 추천 앱은 관리 서버(10)에서 제공되는 영양제 추천 프로그램을 제공받도록 사용자 단말(20)에 설치되거나, 웹 기반 서비스로 제공될 수 있다. 영양제 추천 앱을 통하여 제공되는 영양제 추천 프로그램은 사용자의 영양제 정보 데이터와 개인 데이터 또는 반려 동물의 데이터를 수집할 수 있고, 사용자가 사용자 자신 또는 반려 동물의 건강 관리를 위해 영양제를 추천하는 맞춤형 영양제 추천 프로그램일 수 있다. 본 개시의 영양제 추천 방법은 수집된 데이터를 기반으로 뉴럴 네트워크 모델을 활용하여 적합한 영양제 조합을 추천할 수 있다.
또한, 영양제 추천 앱은 단말기 형태에 따른 다른 버전으로 제작되어 제공될 수 있으며, 예를 들어, 모바일 버전이나 PC 버전으로 구분하여 제공될 수 있다.
본 개시의 관리 서버(10)는 사용자 단말(20)로부터 반려 동물 또는 사용자의 신체 상태를 사용자 요청으로 수신할 수 있고, 반려 동물 또는 사용자 신체 상태에 부합하는 영양제 조합을 뉴럴 네트워크 모델을 통해 제공할 수 있다. 관리 서버(10)는 복수의 영양제 조합들을 생성한 경우, 각 영양제 조합의 발병 위험 질환군 및 기간별 복용 효과에 기초하여 개선 정도가 가장 높은 영양제 조합을 최종적으로 사용자에게 추천할 수 있다.
이에 따라, 본 개시의 영양제 조합 추천 방법은 전문 약사/의사의 직접적인 조언 없이도 개인 건강 문진 데이터를 토대로 사용자가 원하는 항목의 개선을 보조할 수 있는 영양제를 추천할 수 있다. 여기서, 개인 건강 문진 데이터는 사용자가 반려 동물의 상태를 기반으로 기록된 것일 수 있으며, 사용자 본인에 관한 것일 수도 있다. 즉, 영양제 조합 추천 방법은 단순 영양제 추천에 그치지 않고, 사용자가 개선을 원하는 항목의 영양성분 충족 %가 추천 영양제를 기간별로 복용했을 때 각 몇% 개선될 수 있을지 여부를 예측하고, 복용 효과를 간접 체험할 수 있는 기회를 제공할 수 있다.
도 2는 일실시예에 따른 관리 서버의 구성을 도시한 블록도이다.
도 2를 참조하면, 관리 서버(10)는 프로세서(100), RAM(Random Access memory)(200), 스토리지(300) 및 통신부(400)를 포함할 수 있다.
프로세서(100)는 관리 서버(10)의 전반적인 동작을 제어할 수 있다. 프로세서(100)는 하나의 프로세서 코어(Single Core)를 포함하거나, 복수의 프로세서 코어들(Multi-Core)을 포함하는 CPU(Central Processing Unit)를 포함할 수 있다. 관리 서버(10)는 하나 이상의 프로세서(100)를 포함할 수 있다.
프로세서(100)는 스토리지(300)에 저장된 프로그램, 데이터, 또는 명령들(insturctions)을 처리 또는 실행할 수 있다. 예를 들어, 프로세서(100)는 스토리지(300)에 저장된 프로그램들을 실행함으로써 다양한 메타데이터를 생성하고, 권한 변경 요청에 따라 메타데이터의 권리자를 변경할 수 있으며, 식별 정보를 생성할 수 있다.
RAM(200)은 프로그램들, 데이터, 또는 명령들(instructions)을 일시적으로 저장할 수 있다. 예를 들어, 스토리지(300)에 저장된 프로그램들 및/또는 데이터는 프로세서(100)의 제어 또는 부팅 코드에 따라 RAM(200)에 일시적으로 저장될 수 있다. 예컨대, RAM(200)은 DRAM (Dynamic RAM), SRAM (Static RAM), SDRAM (Synchronous DRAM) 등을 포함한다.
스토리지(300)는 데이터를 저장하기 위한 저장 장소로서, OS(Operating System), 각종 프로그램들, 및 각종 데이터를 저장할 수 있다. 스토리지(300)는 ROM (Read Only Memory), 플래시 메모리, PRAM (Phase-change RAM), MRAM (Magnetic RAM), RRAM (Resistive RAM), FRAM (Ferroelectric RAM) 등을 포함한다. 실시예에 있어서, 스토리지(300)는 HDD(Hard Disk Drive), SSD(Solid State Drive) 등으로 구현될 수 있다.
통신부(400)는 관리 서버(10)의 데이터를 전송 및/또는 수신할 수 있다. 예컨대, 통신부(400)는 다양한 통신 방식에 의해 데이터를 전송 및 수신할 수 있다. 예컨대, 통신부(400)는 예를 들면, 3G, LTE, Wi-Fi, 블루투스, BLE(Bluetooth Low Energy), Zigbee, NFC(Near Field Communication), 초음파를 통한 통신 방법 등에 의해 통신을 수행할 수 있으며, 유선 통신, 무선 통신 근거리 통신, 원거리 통신을 모두 포함할 수 있다.
도 3은 일실시예에 따른 영양제 조합 추천 방법을 도시한 흐름도이다.
도 3을 참조하면, 본 개시의 실시예에 따른 영양제 조합을 추천하는 관리 서버(10)는 사용자로부터 사용자 요청을 수신할 수 있고, 사용자 요청에 부합하는 영양제 조합 정보를 생성할 수 있다. 추천된 영양제 조합 정보에 따라 영양제를 일정 기간 이상 섭취한 사용자는 기간별로 섭취 효과에 관한 문진 정보에 응답할 수 있고, 획득된 문진 정보에 기초하여 뉴럴 네트워크 모델을 학습시킬 수 있다.
영양제는 사용자가 섭취하는 영양소 중 부족한 영양소를 채우기 위해 섭취하는 것인데, 단기적으로는 부족하였던 영양소가 보충되어 건강이 회복될 수 있으나, 장기적으로는 영양소가 과다 섭취되어 과다증을 일으킬 수도 있다. 또한, 복수 종류의 영양소를 섭취하면서 단기적으로는 두드러지지 않은 부작용이 장기간 지난 후 나타날 수 있어, 관리 서버(10)는 일정 기간동안 복수 회차 문진 정보들을 획득함으로써 정확하게 안전한 영양제 조합을 제공할 수도 있다.
단계(S110)에서, 관리 서버(10)는 영양제 데이터베이스로부터 사용자 요청에 대응되는 영양제 조합 정보를 생성할 수 있다. 예시적으로, 사용자 요청은 반려 동물 또는 사용자의 증상에 관한 정보일 수 있고, 신체 부위 단위로 사용자로부터 응답된 상태 정보일 수 있다. 사용자는 사용자 단말(20)을 통해 반려 동물의 뒷다리를 만졌을 때 짖는다거나, 사용자 본인의 머리에 대한 통증을 호소하고 있음을 응답할 수 있다.
일실시예에 따르면, 관리 서버(10)는 사용자로부터 특정 신체 부위에 대한 상태가 부정적인 응답으로 회신되는 경우, 특정 신체 부위에 대한 세부적인 상태를 응답 받을 수 있다. 예시적으로, 사용자가 사용자 단말(20)을 통해 머리에 대한 통증을 호소한 경우, 관자놀이 부위, 편두, 정수리 부위 중 세부적으로 어느 신체 부위에 통증이 있는지를 회신 받을 수 있다. 관리 서버(10)는 사용자 요청으로 사용자 증상에 관한 정보 외에도 연령, 종사 직종, 신체 정보를 입력 데이터로 수신할 수 있으며, 반려 동물의 종류, 연령, 크기, 성별, 몸무게, 식사량, 물 섭취량, 예방접종 및 건강검진 여부를 포함하는 다양한 정보를 입력 데이터로 수신할 수 도 있다.
일실시예에 따르면, 관리 서버(10)는 반려 동물 또는 사용자의 신체 상태를 사용자 요청으로 수신할 수 있고, 반려 동물 또는 사용자 신체 상태에 기초하여 필요 영양소 정보를 추론할 수 있다. 관리 서버(10)는 필요 영양소 정보에 기초하여 영양제 조합 정보를 생성할 수 있다.
관리 서버(10)는 반려 동물 또는 사용자의 신체 상태에 기초하여 사용자가 스트레스 완화, 혈액순환 개선, 피로감 개선 등 증상 개선을 위한 방향성을 판단할 수 있고, 증상 개선을 위한 방향성에 대응되는 필요 영양소 정보를 추론할 수 있다. 예시적으로, 관리 서버(10)는 반려 동물 또는 사용자가 혈액순환 개선이 필요하다고 판단한 경우 오메가 3 지방산, EPA, DHA, 칼슘, 철분, 요오드, 미네랄 성분, 라이코펜, 비타민 A, 비타민 C, 비타민 P, 세사미놀, 세사민, 아연, 알리신, 폴리페놀, 케르세틴의 영양소 보충이 필요하다고 추론할 수 있다. 이에 따라, 관리 서버(10)는 필요 영양소를 보충할 수 있는 영양제 정보를 영양제 데이터베이스로부터 추출할 수 있다.
이 때, 관리 서버(10)는 복수의 영양소를 효율적으로 보충하기 위해 서로 다른 종류의 영양제들을 영양제 데이터베이스로부터 추출할 수 있고, 관리 서버(10)는 영양제에 포함된 영양소 비율에 기초하여 영양제 조합 정보를 생성할 수 있다.
관리 서버(10)는 특정 영양소를 보충하기 위한 영양제가 복수 개로 존재하는 경우, 각 영양제를 서로 다른 영양제 조합 정보로 그룹핑함으로써 복수 개의 영양제 조합 정보를 생성할 수 있다. 관리 서버(10)는 발병 위험 질환군 및 기간 복용 효과에 기초하여 복수 개의 영양제 조합 정보들 중 개선 정도가 가장 높은 영양제 조합 정보를 선택하여 추천 영양제 정보로 생성할 수 있다.
단계(S120)에서, 관리 서버(10)는 생성된 영양제 조합 정보를 학습된 뉴럴 네트워크 모델에 입력함으로써 발병 위험 질환군 및 기간별 복용 효과를 예측할 수 있다. 예시적으로, 관리 서버(10)는 사용자로부터 연령, 종사 직종, BMI 지수, 최근 1개월 식습관 정보, 음주/흡연/임신 여부, 복용중인 영양제, 기저 질환 및 알레르기 정보를 입력 데이터로 더 수신할 수 있고, 다른 예로, 관리 서버(10)는 사용자로부터 반려 동물의 종류, 연령, 크기, 성별, 몸무게, 식사량, 물 섭취량, 예방접종 및 건강검진 여부를 포함하는 다양한 정보를 입력 데이터로 수신할 수 있다. 정보관리 서버(10)는 입력 데이터와 영양제 조합 정보를 뉴럴 네트워크 모델에 입력할 수 있다.
발병 위험 질환군은 해당 영양제 조합을 사용자가 섭취한 경우, 발병될 것으로 예상되는 질환군 정보일 수 있고, 영양소 과다 복용에 따른 과다증 정보일 수도 있다. 기간별 복용 효과는 단기, 중기, 장기로 구분되어 사용자 요청으로 응답한 증상이 개선될 것으로 예상되는 확률 정보 및 악화될 것으로 예상되는 확률 정보일 수 있다. 발병 위험 질환군 및 기간별 복용 효과는 사용자로부터 응답된 문진 정보에 포함된 정보일 수 있다.
뉴럴 네트워크 모델은 CNN(Convolution Neural Network), R-CNN(Region with Convolution Neural Network), RPN(Region Proposal Network), RNN(Recurrent Neural Network), S-DNN(Stacking-based deep Neural Network), S-SDNN(State-Space Dynamic Neural Network), Deconvolution Network, DBN(Deep Belief Network), RBM(Restricted Boltzmann Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network 등 다양한 종류의 뉴럴 네트워크 모델들을 포함할 수 있으나 이에 제한되지는 않는다.
단계(S130)에서, 관리 서버(10)는 영양제 조합 정보에 따른 영양제를 일정 기간 이상 섭취한 사용자로부터 문진 정보를 획득할 수 있다. 문진 정보는 영양제 섭취에 따른 증상의 개선 정도가 수치화된 정보일 수 있다. 아울러, 관리 서버(10)는 사용자가 영양제 섭취 전 응답하였던 증상 정보와 다른 증상이 발생된 경우 타 증상 정보를 문진 정보로 수신할 수 있다. 예시적으로, 관리 서버(10)는 혈액 순환 개선이 필요한 사용자로부터 응답된 문진 정보로서 혈액 순환 개선 정도가 '가장 좋음'으로 응답된 정보와 함께 타 증상 정보로서 '메스꺼움 발생'이 포함된 정보를 수신할 수 있다.
일실시예에 따르면, 관리 서버(10)는 일정 기간 동안 복수 회차 단위로 문진 정보를 획득할 수 있다. 예시적으로, 관리 서버(10)는 총 6개월의 기간 동안 2개월 단위로 사용자 단말(20)로부터 문진 정보를 획득할 수 있다. 이에 따라, 관리 서버(10)는 사용자가 영양제를 섭취한 후 2개월 마다 개선되는 정도를 수집할 수 있고, 영양제 섭취 전 개선이 필요한 증상 외의 별도 증상이 발생되었는지 여부도 수신할 수 있다.
단계(S140)에서, 관리 서버(10)는 영양제 조합 정보, 발병 위험 질환군, 기간별 복용 효과, 및 문진 정보에 기초하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 이 때, 문진 정보는 영양제 섭취 후 발병 위험 질환군 및 기간별 복용 효과를 포함할 수 있다. 관리 서버(10)는 영양제 조합 정보, 단계(S120)에서 예측된 발병 위험 질환군 및 기간별 복용 효과를 뉴럴 네트워크의 입력 데이터로 하고, 문진 정보를 출력 데이터로 하는 하나의 학습 데이터 쌍을 형성하여 뉴럴 네트워크 모델을 학습시킬 수 있다.
이 때, 관리 서버(10)가 사용자로부터 일정 기간 이상 복수 회차 단위로 문진 정보를 획득한 경우, 각 회차 마다 수신된 문진 정보에 기초하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 예시적으로, 관리 서버(10)는 복수 회차 단위로 획득된 문진 정보를 구분하여 수치화된 보상값으로 생성할 수 있고, 생성된 보상값에 기초하여 영양제 조합 정보에 대한 기간별 복용 효과를 업데이트할 수 있다.
도 4는 일실시예에 따라 복수의 기간마다 수집되는 문진 정보에 기초하여 뉴럴 네트워크 모델을 학습시키기 위한 방법을 도시한 도면이다.
도 4를 참조하면, 관리 서버(10)는 복수 회차 수집되는 문진 정보에 기초하여 뉴럴 네트워크 모델을 학습시킬 수 있다. 예시적으로, 관리 서버(10)는 사용자가 영양제를 섭취한 후 제1 기간이 도과된 후 문진 정보를 수신할 수 있고, 제2 기간이 도과된 후 문진 정보를 수신할 수 있다.
일실시예에 따르면, 관리 서버(10)는 문진 정보에 기초하여 목표로 하는 건강 상태에 도달하였다고 판단하였는지 여부에 따라 서로 다른 보상 값을 생성할 수 있다. 예시적으로, 관리 서버(10)는 제1 기간 도과 후 수집된 문진 정보에 기초하여 목표로 하는 건강 상태인 제1 상태에 도달하였다고 판단한 경우 제1 그룹 보상 값을 영양제 조합 정보에 대한 평가 데이터로 생성할 수 있고, 목표로 하는 건강 상태에 미달된 제2 상태에 도달하였다고 판단한 경우 제1 그룹 보상 값과 구별되는 제2 그룹 보상값을 영양제 조합 정보에 대한 평가 데이터로 생성할 수 있다. 제1 그룹 보상 값은 양수일 수 있고, 제2 그룹 보상 값은 음수일 수 있으며, 제2 그룹 보상 값이 제1 그룹 보상 값보다 작은 모든 경우를 포함할 수 있다.
본 개시의 실시예에 따른 관리 서버(10)는 기간별 도과 효과로서 제1 기간이 도과된 후 제1 상태로 응답될 것이 기대되는 것일 뿐만 아니라, 제2 기간이 도과된 후에도 제1 상태로 응답될 것이 기대될 수 있다. 따라서, 각 기간이 도과된 후 사용자 상태를 노드로 표현하는 경우, 사용자 상태는 제1 기간이 도과된 후 제1 상태에 대응되는 제1 노드에 위치하고, 제2 기간이 도과된 후 제1 상태에 대응되는 제1_1 노드에 위치하는 것이 기대될 수 있다.
관리 서버(10)는 시작에 대응되는 루트 노드로부터 목적 노드인 제1_1 노드까지의 경로를 검색할 수 있고, 경로 상의 노드들을 중간 목적 노드로 설정할 수 있다. 관리 서버(10)는 목적 노드 및 중간 목적 노드를 제외한 모든 노드들을 제한 노드들로 설정할 수 있다.
관리 서버(10)는 학습된 뉴럴 네트워크 모델에 기초하여 영양제 조합 정보에 따라 사용자가 제1 상태에 도달할 것으로 추정되는 기대 값을 산출할 수 있고, 제1 기간이 도과된 후 사용자로부터 응답된 문진 정보에 기초하여 실제 제1 상태에 도달하였는지 여부를 판단함으로써 보상 값을 산출할 수 있다. 이 때, 평가 데이터는 추정된 기대 값으로부터 보상 값을 합산한 값일 수 있다.
즉, 제1 기간이 도과되고 제1 상태에 도달된 경우, 기대 값으로부터 양의 제1 그룹 보상 값이 합산됨으로써 업데이트되는 기대 값은 이전 기대 값에 비해 커진 값을 가질 수 있으나, 제1 기간이 도과되고 제2 상태에 도달된 경우, 기대 값으로부터 음의 제2 그룹 보상 값이 합산됨으로써 업데이트되는 기대 값은 이전 기대 값에 비해 작아진 값을 가질 수 있다.
이 때, 평가 데이터는 다음 수학식 1과 같이 계산될 수 있다.
[수학식 1]
이 때, ESTn은 제n 기간(n은 자연수)이 도과된 후 사용자 상태가 제1 상태가 되는 평가 데이터, expn은 제n 기간 도과 후 사용자 상태가 제1 상태로 기대되는 기대 값일 수 있다. compk는 제k 기간(k는 자연수) 도과 후 문진 정보에 기초하여 생성되는 보상 값일 수 있고, nk는 제k 기간에서 영양제 조합 정보로 구성되는 영양제의 개수일 수 있다. 즉, 일실시예에 따른 평가 데이터는 보상 값에 영양제 개수의 역수가 곱해진 값이 합산된 수치와 기대 값이 합산된 값일 수 있다. 이에 따라, 영양제 개수가 많아질수록 뉴럴 네트워크 모델을 학습시키기 위한 가중치는 작아질 수 있고, 영양제 개수가 적어질수록 뉴럴 네트워크 모델을 학습시키기 위한 가중치는 커질 수 있다.
관리 서버(10)는 학습된 뉴럴 네트워크 모델에 기초하여 각 회차 마다 추정되는 기대 값을 기간 복용 효과로 출력할 수 있다. 예시적으로, 관리 서버(10)는 제1 기간 도과 후 사용자 상태가 제1 상태로 기대되는 기대 값을 제1 기간 도과 후 복용 효과로 출력하고, 제2 기간 도과 후 사용자 상태가 제1 상태로 기대되는 기대 값을 제2 기간 도과 후 복용 효과로 출력할 수 있다.
즉, 본 개시의 관리 서버(10)는 사용자로부터 회차 별 문진 정보가 누적되어 보상 값이 생성되어 기대 값이 업데이트될수록 해당 영양제 조합 정보에 따른 개선 정도의 기대 값을 더욱 정확하게 생성할 수 있다.
다른 일실시예에 따르면, 관리 서버(10)는 제1 기간이 도과된 후 사용자 증상이 개선되었다고 응답함으로써 사용자 상태가 제1 상태에 위치하였다고 판단한 경우, 종전 추천된 추천 영양제 정보를 계속하여 사용자에게 제안할 수 있지만, 제1 기간이 도과된 후 사용자 증상이 개선되지 않았다고 응답함으로써 사용자 상태가 제2 상태에 위치하였다고 판단한 경우, 새로운 추천 영양제 정보를 탐색할 수 있다.
예시적으로, 제1 기간이 도과된 후 사용자 상태가 제2 노드에 위치한 경우, 제2 기간이 도과된 후 사용자 상태가 제2_1 노드에 위치할 기대 값이 가장 높은 영양제 조합 정보를 추천 영양제 정보로 제공할 수 있다.
이상에서와 같이 도면과 명세서에서 예시적인 실시예들이 개시되었다. 본 명세서에서 특정한 용어를 사용하여 실시예들을 설명되었으나, 이는 단지 본 개시의 기술적 사상을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 개시의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 개시의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
Claims (7)
- 뉴럴 네트워크 모델에 기초하여 반려 동물 영양제 조합을 추천하는 방법에 있어서,
영양제 데이터베이스로부터 사용자 요청에 대응되는 영양제 조합 정보를 생성하는 단계;
반려 동물의 종류, 연령, 크기, 성별, 몸무게, 식사량, 물 섭취량, 예방접종 여부 및 건강검진 여부 중 하나를 포함하는 입력 데이터를 수신하고, 학습된 상기 뉴럴 네트워크 모델에 기초하여 상기 영양제 조합 정보로부터 발병 위험 질환군 및 기간별 복용 효과를 예측하는 단계;
상기 영양제 조합 정보에 따른 영양제를 일정 기간 이상 섭취한 사용자로부터 문진 정보를 획득하는 단계; 및
상기 영양제 조합 정보, 상기 발병 위험 질환군, 상기 기간별 복용 효과, 및 상기 문진 정보에 기초하여 상기 뉴럴 네트워크 모델을 학습시키는 단계
를 포함하고,
상기 문진 정보 획득 단계는,
상기 사용자로부터 일정 기간 이상 복수 회차 단위로 상기 문진 정보를 획득하는 단계를 포함하고,
상기 뉴럴 네트워크 모델을 학습시키는 단계는,
상기 복수 회차 단위로 상기 획득된 문진 정보를 구분하여 수치화된 보상값으로 생성하는 단계; 및
상기 회차별로 생성된 보상값에 기초하여 상기 영양제 조합 정보에 대한 상기 기간별 복용 효과를 업데이트하는 단계
를 포함하며,
상기 기간별 복용 효과를 업데이트하는 단계는,
상기 문진 정보에 기초하여 상기 영양제 조합 정보에 따른 영양제 섭취 결과, 목표로 하는 건강 상태에 도달하였다고 판단된 경우 제1 그룹 보상 값에 기초하여 상기 영양제 조합 정보에 따른 평가 데이터를 생성하는 단계;
상기 문진 정보에 기초하여 목표로 하는 건강 상태에 미달된 경우 제2 그룹 보상 값에 기초하여 상기 영양제 조합 정보에 따른 평가 데이터를 생성하는 단계; 및
상기 평가 데이터에 기초하여 상기 기간별 복용 효과에 대한 상기 뉴럴 네트워크 모델의 파라미터를 변경하는 단계
를 포함하는 것을 특징으로 하는 반려 동물 영양제 조합 추천 방법. - 제1항에 있어서,
상기 영양제 조합 정보를 생성하는 단계는,
반려 동물의 신체 상태를 사용자 요청으로 수신하는 단계;
상기 반려 동물의 신체 상태에 기초하여 필요 영양소 정보를 추론하는 단계; 및
상기 필요 영양소 정보에 기초하여 상기 영양제 조합 정보를 생성하는 단계
를 포함하는 것을 특징으로 하는 반려 동물 영양제 조합 추천 방법. - 삭제
- 삭제
- 삭제
- 제1항에 있어서,
상기 뉴럴 네트워크 모델을 학습시키는 단계는,
상기 영양제 조합 정보 및 상기 문진 정보에 기초하여 상기 발병 위험 질환군 및 상기 기간별 복용 효과에 대한 파라미터를 업데이트함으로써 상기 뉴럴 네트워크 모델을 학습시키는 것을 특징으로 하는 반려 동물 영양제 조합 추천 방법. - 제1항에 있어서,
상기 영양제 조합 정보를 생성하는 단계는,
상기 사용자 요청에 대응하여 복수의 영양제 조합 정보들을 생성하는 단계
를 포함하고,
상기 영양제 조합 추천 방법은,
상기 복수의 영양제 조합 정보들로부터 예측된 상기 발병 위험 질환군 및 상기 기간 복용 효과 중 개선 정도가 가장 높은 영양제 조합 정보를 추천 영양제 정보로 생성하는 단계
를 더 포함하는 것을 특징으로 하는 반려 동물 영양제 조합 추천 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220160475A KR102519214B1 (ko) | 2022-11-25 | 2022-11-25 | 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220160475A KR102519214B1 (ko) | 2022-11-25 | 2022-11-25 | 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102519214B1 true KR102519214B1 (ko) | 2023-05-03 |
Family
ID=86380283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220160475A KR102519214B1 (ko) | 2022-11-25 | 2022-11-25 | 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102519214B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102623523B1 (ko) | 2023-07-31 | 2024-01-10 | (주)온오퍼 | 특수 키트를 이용하여 반려동물 건강상태를 진단하고 이를 기반으로 반려동물용 영양제 레시피를 자동으로 생성하는 방법, 장치 및 시스템 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210100458A (ko) | 2020-02-06 | 2021-08-17 | 주식회사 커넥트닷 | 기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버 |
| KR20220142639A (ko) | 2021-04-15 | 2022-10-24 | 임보연 | 반려동물에게 맞춤형 영양제를 제안하는 서비스 |
-
2022
- 2022-11-25 KR KR1020220160475A patent/KR102519214B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210100458A (ko) | 2020-02-06 | 2021-08-17 | 주식회사 커넥트닷 | 기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버 |
| KR20220142639A (ko) | 2021-04-15 | 2022-10-24 | 임보연 | 반려동물에게 맞춤형 영양제를 제안하는 서비스 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102623523B1 (ko) | 2023-07-31 | 2024-01-10 | (주)온오퍼 | 특수 키트를 이용하여 반려동물 건강상태를 진단하고 이를 기반으로 반려동물용 영양제 레시피를 자동으로 생성하는 방법, 장치 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11586941B2 (en) | Recommendation method and apparatus | |
| JP7386166B2 (ja) | ペットウェルネスプラットフォームのための方法及びシステム | |
| JP2022101641A (ja) | ウェルネスタスクの生成、表示、追跡に係るシステム、方法、非一時的なマシン可読媒体 | |
| US20140278474A1 (en) | Helping People with Their Health | |
| WO2021120891A1 (zh) | 饮食数据的生成方法及装置、存储介质和电子装置 | |
| WO2018129518A1 (en) | Systems and methods for maintaining optimal growth in animals | |
| KR102519214B1 (ko) | 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법 | |
| JP2018081596A (ja) | 評価装置、評価方法および評価プログラム | |
| De Vries et al. | Economic evaluation of stall stocking density of lactating dairy cows | |
| Crawford et al. | Sex, lies and self-reported counts: Bayesian mixture models for heaping in longitudinal count data via birth-death processes | |
| KR102004438B1 (ko) | 사용자 건강습관정보 수집을 통한 건강관리 서비스 제공 장치 및 제공 방법 | |
| Luna et al. | Aquaculture production optimisation in multi-cage farms subject to commercial and operational constraints | |
| KR20230065146A (ko) | 애완 동물 정보에 기초한 맞춤형 상품 정보 제공 방법 및 장치 | |
| CN110991640A (zh) | 调料使用量的确定方法、装置和模型优化方法、装置 | |
| Forbes et al. | The catastrophe of meal eating | |
| KR102404441B1 (ko) | 시니어 헬스 케어 플랫폼을 제공하는 방법 및 장치 | |
| Plà et al. | A linear programming formulation of a semi-Markov model to design pig facilities | |
| Ngueilbaye et al. | Adoption of human metabolic processes as data quality based models | |
| US20120219931A1 (en) | System, method, and program product for modifying eating behavior | |
| Tanko et al. | Profit efficiency of small scale layer producers in some selected local government areas in Sokoto State, Nigeria | |
| US20170193580A1 (en) | System and method for matching animal care providers with animal owners | |
| KR102540256B1 (ko) | 개인 맞춤형 단일 캡슐 영양제 제조 시스템 | |
| JP6635417B2 (ja) | サプリメント創造探索システム | |
| KR102639285B1 (ko) | 개인화된 건강 데이터를 기초로 한 인공지능 모델 기반 사용자 맞춤형 의료 가이드 정보 제공 방법, 장치 및 시스템 | |
| KR102194193B1 (ko) | 반려동물 최적 건강관리 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |