KR102546789B1 - 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램 - Google Patents

인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램 Download PDF

Info

Publication number
KR102546789B1
KR102546789B1 KR1020220147688A KR20220147688A KR102546789B1 KR 102546789 B1 KR102546789 B1 KR 102546789B1 KR 1020220147688 A KR1020220147688 A KR 1020220147688A KR 20220147688 A KR20220147688 A KR 20220147688A KR 102546789 B1 KR102546789 B1 KR 102546789B1
Authority
KR
South Korea
Prior art keywords
score
food
efficacy
calculating
disease
Prior art date
Application number
KR1020220147688A
Other languages
English (en)
Inventor
이기호
Original Assignee
주식회사 메디푸드플랫폼
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 주식회사 메디푸드플랫폼 filed Critical 주식회사 메디푸드플랫폼
Priority to KR1020220147688A priority Critical patent/KR102546789B1/ko
Application granted granted Critical
Publication of KR102546789B1 publication Critical patent/KR102546789B1/ko
Priority to PCT/KR2023/017724 priority patent/WO2024101840A1/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
    • 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
    • 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
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Nutrition Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 개시는 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 방법에 관한 것으로, 식품에 포함된 성분들 각각에 대한 성분 정보를 기반으로 성분 점수를 산출하고, 성분 점수와 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 각 식품의 증상에 대한 효능 점수를 산출할 수 있는 효과가 있다.

Description

인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램 {Device, method and program for calculating medical efficacy of food using ingredient analysis and medical evidence based on AI}
본 개시는 식품의 의학적 효능을 산출하는 장치에 관한 것으로, 보다 상세하게는 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치에 관한 것이다.
식품에 포함되어 있는 다양한 성분들이 건강 상태, 각종 증상, 질병 등에 영향을 미치는 것은 많은 사람들이 알고 있다.
하지만, 각각의 식품이 증상, 질병에 얼만큼의 효과를 발휘하는지 정확하게 정리된 바가 없기 때문에, 대부분의 사람들이 사실보다는 소문에 근거해서 식품을 섭취하고 있다.
각각의 식품이 증상, 질병에 효과를 발휘하는 정도를 산출하여 제공하게 되면, 많은 사람들이 본인의 증상, 질병에 따라 식품을 추천받아 섭취함으로써 건강 상태를 개선할 수 있을 것으로 기대되지만, 현재로서는 이러한 기술이 공개되어 있지 않은 실정이다.
대한민국 등록특허 제10-2214554호, (2021.02.03)
본 개시에 개시된 실시예는 식품의 의학적 효능을 산출하는 장치를 제공하는데 그 목적이 있다.
또한, 본 개시에 개시된 실시예는 식품에 포함된 성분들 각각에 대한 성분 정보를 기반으로 성분 점수를 산출하고, 성분 점수와 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 각 식품의 증상에 대한 효능 점수를 산출할 수 있는 장치를 제공하고자 한다.
본 개시가 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치는, 장치에 의해 수행되는 방법으로, 장치에 의해 수행되는 식품별 질병에 미치는 의학적 효능을 산출하는 방법으로, 대상 식품이 포함하는 성분들 각각에 대하여 저장부에 저장된 성분 정보를 기반으로 성분 점수를 산출하는 단계; 및 상기 성분 점수와 상기 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 상기 대상 식품의 질병별 효능 점수를 산출하는 단계를 포함한다.
또한, 상기 성분 점수는 상기 저장부 내에서 상기 대상 식품이 포함하는 성분들의 함량의 상대적인 순위를 수치화한 순위 점수를 포함하며, 상기 성분 정보는 상기 성분들의 함량 및 함량 순위를 포함하고, 상기 성분 점수 산출 단계는, 상기 성분들의 함량 및 함량 순위를 기반으로 상기 성분들 각각에 대하여 상기 순위 점수를 산출하는 단계를 포함한다.
또한, 상기 성분 점수는 상기 대상 식품이 포함하는 성분들의 함량의 권장 섭취량 대비 상대적인 비율을 수치화한 권장 점수를 더 포함하며, 상기 성분 정보는 상기 성분들의 권장 섭취량을 더 포함하고, 상기 성분 점수 산출 단계는, 상기 성분들의 함량 및 권장 섭취량을 기반으로 상기 성분들 각각에 대하여 상기 권장 점수를 산출하는 단계를 더 포함한다.
또한, 상기 순위 점수는 하기의 수학식 1을 기반으로 산출할 수 있다.
[수학식 1]
Figure 112022118513579-pat00001
또한, 상기 권장 점수는 하기의 수학식 2를 기반으로 산출할 수 있다.
[수학식 2]
Figure 112022118513579-pat00002
또한, 상기 효능 점수 산출 단계는, 상기 성분들 각각에 대하여 산출된 상기 순위 점수를 기반으로 상기 대상 식품의 질병별 제1 효능 점수를 산출하는 단계; 및 상기 성분들 각각에 대하여 산출된 상기 권장 점수를 기반으로 상기 대상 식품의 질병별 제2 효능 점수를 산출하는 단계를 포함할 수 있다.
또한, 상기 제1 효능 점수 및 상기 제2 효능 점수 중 적어도 하나를 기반으로 최종 효능 점수를 산출하는 단계를 더 포함할 수 있다.
또한, 상기 질병 가중치는 상기 성분들 각각이 질병에 미치는 영향력에 대한 근거 요소를 기반으로 설정된 것이고, 상기 근거 요소는 과학적 기전의 유무, 임상 근거의 유무, 치료제로 사용 여부 및 대체 성분의 유무 중 적어도 하나를 포함할 수 있다.
또한, 상기 질병 가중치는, 상기 과학적 기전의 유무, 상기 임상 근거의 유무 및 상기 치료제로 사용 여부를 기반으로 설정된 제1가중치와 상기 대체 성분의 유무에 따라 부여되는 제2가중치를 기반으로 설정될 수 있다.
또한, 상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치는, 식품별 질병에 미치는 의학적 효능을 산출하는 장치로, 상기 장치는, 식품이 포함하는 성분들 각각에 대한 성분 정보가 저장된 저장부; 및 대상 식품이 포함하는 성분들 각각에 대하여 상기 저장부에 저장된 상기 성분 정보를 기반으로 성분 점수를 산출하고, 상기 성분 점수와 상기 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 상기 대상 식품의 질병별 효능 점수를 산출하는 프로세서를 포함한다.
또한, 상술한 과제를 해결하기 위한 본 개시의 일 실시예에 따른 식품의 의학적 효능을 기반으로 맞춤형 식품 정보를 제공하는 장치는, 복수의 식품 각각이 포함하는 성분들 각각에 대한 성분 정보, 상기 복수의 식품 각각이 포함하는 성분들 각각에 대한 상기 성분 정보를 기반으로 산출된 성분 점수, 및 상기 성분 점수와 상기 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 상기 복수의 식품 각각에 대하여 산출된 질병별 효능 점수가 저장된 저장부; 및 분석 대상의 질병에 대한 정보를 포함하는 분석 대상 정보가 수신되면, 상기 저장부에 저장된 복수의 식품 각각의 질병별 효능 점수 및 상기 분석 대상 정보에 기초하여 상기 분석 대상을 위한 적어도 하나의 식품을 포함하는 추천 식품 정보를 도출하는 프로세서를 포함한다.
이 외에도, 본 개시를 구현하기 위한 실행하기 위한 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램이 더 제공될 수 있다.
이 외에도, 본 개시를 구현하기 위한 방법을 실행하기 위한 컴퓨터 프로그램을 기록하는 컴퓨터 판독 가능한 기록 매체가 더 제공될 수 있다.
본 개시의 전술한 과제 해결 수단에 의하면, 식품의 의학적 효능을 산출할 수 있는 효과를 제공한다.
또한, 본 개시의 전술한 과제 해결 수단에 의하면, 식품에 포함된 성분들 각각에 대한 성분 정보를 기반으로 성분 점수를 산출하고, 성분 점수와 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 각 식품의 질병에 대한 효능 점수를 산출할 수 있는 효과가 있다.
본 개시의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 것을 개략적으로 설명한 도면이다.
도 2는 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치의 블록도이다.
도 3 및 도 4는 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 방법의 흐름도이다.
도 5는 식품별로 포함된 성분의 종류, 성분의 함량, 성분의 함량 순위가 예시된 도면이다.
도 6은 각 성분이 각 그룹에 미치는 영향력에 따라 설정된 가중치를 예시한 도면이다.
도 7은 도 6의 가중치를 산출하는 근거를 예시한 도면이다.
도 8은 가리비와 능성어의 각 그룹에 대한 제1 효능 점수, 제2 효능 점수가 산출된 것을 예시한 도면이다.
도 9는 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 방법을 확장하여 사용자 맞춤형으로 식품을 제공하는 것을 예시한 도면이다.
본 개시 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 개시가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 개시가 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 ‘부, 모듈, 부재, 블록’이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하 첨부된 도면들을 참고하여 본 개시의 작용 원리 및 실시예들에 대해 설명한다.
본 명세서에서 '본 개시에 따른 식품의 의학적 효능을 산출하는 장치'는 연산처리를 수행하여 사용자에게 결과를 제공할 수 있는 다양한 장치들이 모두 포함된다. 예를 들어, 본 개시에 따른 식품의 의학적 효능을 산출하는 장치는, 컴퓨터, 서버 장치 및 휴대용 단말기를 모두 포함하거나, 또는 어느 하나의 형태가 될 수 있다.
여기에서, 상기 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 태블릿 PC, 슬레이트 PC 등을 포함할 수 있다.
상기 서버 장치는 외부 장치와 통신을 수행하여 정보를 처리하는 서버로써, 애플리케이션 서버, 컴퓨팅 서버, 데이터베이스 서버, 파일 서버, 게임 서버, 메일 서버, 프록시 서버 및 웹 서버 등을 포함할 수 있다.
상기 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트 폰(Smart Phone) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치와 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD) 등과 같은 웨어러블 장치를 포함할 수 있다.
본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다.
기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/ 또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도 형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.
인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들 (weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경 망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
본 개시의 예시적인 실시예에 따르면, 프로세서는 인공지능을 구현할 수 있다. 인공지능이란 사람의 신경세포(biological neuron)를 모사하여 기계가 학습하도록 하는 인공신경망(Artificial Neural Network) 기반의 기계 학습법을 의미한다. 인공지능의 방법론에는 학습 방식에 따라 훈련데이터로서 입력데이터와 출력데이터가 같이 제공됨으로써 문제(입력데이터)의 해답(출력데이터)이 정해져 있는 지도학습(supervised learning), 및 출력데이터 없이 입력데이터만 제공되어 문제(입력데이터)의 해답(출력데이터)이 정해지지 않는 비지도학습(unsupervised learning), 및 현재의 상태(State)에서 어떤 행동(Action)을 취할 때마다 외부 환경에서 보상(Reward)이 주어지는데, 이러한 보상을 최대화하는 방향으로 학습을 진행하는 강화학습(reinforcement learning)으로 구분될 수 있다. 또한 인공지능의 방법론은 학습 모델의 구조인 아키텍처에 따라 구분될 수도 있는데, 널리 이용되는 딥러닝 기술의 아키텍처는, 합성곱신경망(CNN; Convolutional Neural Network), 순환신경망(RNN; Recurrent Neural Network), 트랜스포머(Transformer), 생성적 대립 신경망(GAN; generative adversarial networks) 등으로 구분될 수 있다.
식품의 의학적 효능을 산출하는 장치(100)는 인공지능 모델을 포함할 수 있다. 인공지능 모델은 하나의 인공지능 모델일 수 있고, 복수의 인공지능 모델로 구현될 수도 있다. 인공지능 모델은 뉴럴 네트워크(또는 인공 신경망)로 구성될 수 있으며, 기계학습과 인지과학에서 생물학의 신경을 모방한 통계학적 학습 알고리즘을 포함할 수 있다. 뉴럴 네트워크는 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다. 뉴럴 네트워크의 뉴런은 가중치 또는 바이어스의 조합을 포함할 수 있다. 뉴럴 네트워크는 하나 이상의 뉴런 또는 노드로 구성된 하나 이상의 레이어(layer)를 포함할 수 있다. 예시적으로, 장치는 input layer, hidden layer, output layer를 포함할 수 있다. 장치를 구성하는 뉴럴 네트워크는 뉴런의 가중치를 학습을 통해 변화시킴으로써 임의의 입력(input)으로부터 예측하고자 하는 결과(output)를 추론할 수 있다.
프로세서는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train, 또는 학습(learn)하거나, 수신되는 입력 데이터를 기초로 연산을 수행하고, 수행 결과를 기초로 정보 신호(information signal)를 생성하거나, 뉴럴 네트워크를 재훈련(retrain)할 수 있다. 뉴럴 네트워크의 모델들은 GoogleNet, AlexNet, VGG Network 등과 같은 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(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network 등 다양한 종류의 모델들을 포함할 수 있으나 이에 제한되지는 않는다. 프로세서는 뉴럴 네트워크의 모델들에 따른 연산을 수행하기 위한 하나 이상의 프로세서를 포함할 수 있다. 예를 들어 뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다.
뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse Graphics Network), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있으나 이에 한정되는 것이 아닌 임의의 뉴럴 네트워크를 포함할 수 있음은 통상의 기술자가 이해할 것이다.
본 개시의 예시적인 실시예에 따르면, 프로세서는 GoogleNet, AlexNet, VGG Network 등과 같은 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(Restrcted Boltzman Machine), Fully Convolutional Network, LSTM(Long Short-Term Memory) Network, Classification Network, Generative Modeling, eXplainable AI, Continual AI, Representation Learning, AI for Material Design, 자연어 처리를 위한 BERT, SP-BERT, MRC/QA, Text Analysis, Dialog System, GPT-3, GPT-4, 비전 처리를 위한 Visual Analytics, Visual Understanding, Video Synthesis, ResNet 데이터 지능을 위한 Anomaly Detection, Prediction, Time-Series Forecasting, Optimization, Recommendation, Data Creation 등 다양한 인공지능 구조 및 알고리즘을 이용할 수 있으며, 이에 제한되지 않는다.이하, 첨부된 도면을 참조하여 본 개시의 실시예를 상세하게 설명한다.
설명에 앞서 본 명세서에서 사용하는 용어의 의미를 간략히 설명한다. 그렇지만 용어의 설명은 본 명세서의 이해를 돕기 위한 것이므로, 명시적으로 본 개시를 한정하는 사항으로 기재하지 않은 경우에 본 개시의 기술적 사상을 한정하는 의미로 사용하는 것이 아님을 주의해야 한다.
도 1은 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 방법을 설명하기 위한 개략도이다.
도 1을 참조하여, 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 방법에 대하여 개략적으로 설명하도록 한다.
본 개시의 실시예에서 제1 저장부(131)는 식품이 포함하는 성분들 각각에 대하여 저장된 성분 정보가 저장되어 있으며, 제2 저장부(132)는 성분들 각각에 질병별로 부여된 질병 가중치에 대한 정보가 저장되어 있다.
본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치(100)는 이와 같이 구축된 정보를 활용하여 각각의 식품이 각종 질병에 미치는 효능을 산출하게 된다.
구체적으로, 식품의 의학적 효능을 산출하는 장치(100)는 제1 저장부(131)의 데이터를 기반으로 각 식품 포함된 성분들 각각에 대하여 성분 점수를 산출하고, 산출된 성분 점수와 제2 저장부(132)에 저장되어 있는 성분들 각각에 질병별로 부여된 가중치를 반영함으로써, 각 식품의 질병에 대한 효능 점수를 산출하게 된다.
본 개시의 실시예에서 성분은 영양소, 유효 성분 등을 포함할 수 있다.
도 1을 참조하면, 식품의 의학적 효능을 산출하는 장치가 제1 식품의 질병 종류에 따른 효능 점수를 산출한 것이 예시되어 있다.
본 개시의 실시예에서 식품의 의학적 효능을 산출하는 장치(100)가 각 식품이 질병별로 미치는 효능 점수를 산출하는 것으로 예시하고 있으나, 질병에 한정되는 것은 아니며 질병, 증상, 증후, 징후에 모두 적용이 가능하다.
예를 들어, 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치(100)는 각 식품이 각 그룹에 미치는 효능 점수를 산출할 수 있다.
이때, 그룹은 특정 질병, 증상, 증후 및 징후 중 적어도 하나가 있는 사람/동물, 특정 기준으로 분류된 사람의 그룹을 의미할 수 있다.
상세하게는, 특정 질병을 앓고 있는 사람/동물, 특정 증상을 갖고 있는 사람/동물, 특정 증후를 갖고 있는 사람/동물, 특정 징후를 갖고 있는 사람/동물의 그룹일 수 있으며, 노인, 신생아, 영유아, 청소년, 임산부, 남성, 여성 등과 같이 특정 기준으로 분류된 사람/동물의 그룹일 수 있다.
아래 실시예에서는, 우선적으로 질병을 예시로 설명하도록 하고, 그룹에 대한 예시는 후술하도록 한다.
결론적으로, 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치(100)는 각각의 식품이 다양한 질병들 각각에 얼마만큼의 효과를 발휘하는지 수치적으로 알려주는 효과를 발휘하게 된다.
본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치(100)는 서버 장치를 더 포함하도록 구성되어, 서버로 이용될 수도 있다. 즉, 사용자는 웹 또는 앱을 통해 서버에 접속하고 사용자 데이터를 입력하여 추천 식품에 대한 정보를 제공받을 수 있다.
아래에서는, 다른 도면들을 참조하여 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치(100)의 구체적인 작동 프로세스를 설명하도록 한다.
도 2는 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치(100)의 블록도이다.
도 2를 참조하면, 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치(100)는 프로세서(110), 통신부(120), 저장부(130) 및 연산부(140)를 포함한다.
다만, 몇몇 실시예에서 장치는 도 2에 도시된 구성요소보다 더 적은 수의 구성요소나 더 많은 구성요소를 포함할 수도 있다.
프로세서(110)는 저장부(130)에 저장되어 있는 각종 명령어, 알고리즘을 기반으로 식품의 의학적 효능을 산출할 수 있으며, 미리 학습된 인공지능 모델을 이용할 수 있다.
프로세서(110)는 식품의 의학적 효능을 산출하는 장치(100) 내의 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리, 및 메모리에 저장된 데이터를 이용하여 전술한 동작을 수행하는 적어도 하나의 프로세서(110)로 구현될 수 있다. 이때, 메모리와 프로세서(110)는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서(110)는 단일 칩으로 구현될 수도 있다.
또한, 프로세서(110)는 이하의 도면에서 설명되는 본 개시에 따른 다양한 실시 예들을 식품의 의학적 효능을 산출하는 장치(100) 상에서 구현하기 위하여, 위에서 살펴본 구성요소들을 중 어느 하나 또는 복수를 조합하여 제어할 수 있다.
프로세서(110)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 식품의 의학적 효능을 산출하는 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(110)는 메모리에 저장된 응용 프로그램을 구동하기 위하여, 식품의 의학적 효능을 산출하는 장치(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 상기 응용 프로그램의 구동을 위하여, 식품의 의학적 효능을 산출하는 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작 시킬 수 있다.
통신부(120)는 식품의 의학적 효능을 산출하는 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
통신부(120)는 외부 장치와 통신을 가능하게 하는 하나 이상의 구성 요소를 포함할 수 있으며, 예를 들어, 방송 수신 모듈, 유선통신 모듈, 무선통신 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.
유선 통신 모듈은, 지역 통신(Local Area Network; LAN) 모듈, 광역 통신(Wide Area Network; WAN) 모듈 또는 부가가치 통신(Value Added Network; VAN) 모듈 등 다양한 유선 통신 모듈뿐만 아니라, USB(Universal Serial Bus), HDMI(High Definition Multimedia Interface), DVI(Digital Visual Interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 다양한 케이블 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 와이파이(Wifi) 모듈, 와이브로(Wireless broadband) 모듈 외에도, GSM(global System for Mobile Communication), CDMA(Code Division Multiple Access), WCDMA(Wideband Code Division Multiple Access), UMTS(universal mobile telecommunications system), TDMA(Time Division Multiple Access), LTE(Long Term Evolution), 4G, 5G, 6G 등 다양한 무선 통신 방식을 지원하는 무선 통신 모듈을 포함할 수 있다.
무선 통신 모듈은 신호를 송신하는 안테나 및 송신기(Transmitter)를 포함하는 무선 통신 인터페이스를 포함할 수 있다. 또한, 무선 통신 모듈은 프로세서(110)의 제어에 따라 무선 통신 인터페이스를 통해 프로세서(110)로부터 출력된 디지털 제어 신호를 아날로그 형태의 무선 신호로 변조하는 신호 변환 모듈을 더 포함할 수 있다.
근거리 통신 모듈은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth??), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
저장부(130)는 식품의 의학적 효능을 산출하는 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 저장부(130)는 식품의 의학적 효능을 산출하는 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 식품의 의학적 효능을 산출하는 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 식품의 의학적 효능을 산출하는 장치(100)의 기본적인 기능을 위하여 존재할 수 있다. 한편, 응용 프로그램은, 저장부(130)에 저장되고, 장치(100)에 설치되어, 프로세서(110)에 의하여 동작(또는 기능)을 수행하도록 구동될 수 있다.
저장부(130)는 식품의 의학적 효능을 산출하는 장치(100)의 다양한 기능을 지원하는 데이터와, 프로세서(110)의 동작을 위한 프로그램을 저장할 수 있고, 입/출력되는 데이터들(예를 들어, 음악 파일, 정지영상, 동영상 등)을 저장할 있고, 식품의 의학적 효능을 산출하는 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 식품의 의학적 효능을 산출하는 장치(100)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다.
이러한, 저장부(130)는 플래시 저장부 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 저장부(예를 들어 SD 또는 XD 저장부 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 저장부, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 저장부(130)는 식품의 의학적 효능을 산출하는 장치(100)와는 분리되어 있으나, 유선 또는 무선으로 연결된 데이터베이스가 될 수도 있다.
또한, 저장부(130)는 식품의 의학적 효능을 산출하는 장치(100), 방법을 위한 복수의 프로세스를 구비할 수 있다.
연산부(140)는 식품의 의학적 효능을 산출하기 위한 각종 연산을 수행할 수 있으며, 프로세서(110)의 제어에 따라 저장부(130)에 저장되어 있는 각종 데이터를 기 설정된 수학식을 기반으로 연산하여 계산 결과값을 출력할 수 있다.
이외에도, 식품의 의학적 효능을 산출하는 장치(100)는 입력부, 디스플레이부, 인터페이스부 등의 구성을 더 포함할 수 있다.
입력부는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 적어도 하나의 카메라, 적어도 하나의 마이크로폰 및 사용자 입력부 중 적어도 하나를 포함할 수 있다. 입력부에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
디스플레이부는 식품의 의학적 효능을 산출하는 장치(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부는 식품의 의학적 효능을 산출하는 장치(100)에서 구동되는 응용 프로그램(일 예로, 어플리케이션)의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
인터페이스부는 식품의 의학적 효능을 산출하는 장치(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부는 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈(SIM)이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port) 중 적어도 하나를 포함할 수 있다. 식품의 의학적 효능을 산출하는 장치(100)에서는, 상기 인터페이스부에 연결된 외부 기기와 관련된 적절한 제어를 수행할 수 있다.
도 3은 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 방법의 흐름도이다.
도 3을 참조하면, 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 방법은 아래 단계들로 구성될 수 있다.
프로세서(110)가 대상 식품에 포함된 성분들 각각에 대하여 저장부에 저장된 성분 정보를 기반으로 성분 점수를 산출한다. (S100)
프로세서(110)가 S100에서 산출된 성분 점수와 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 식품의 질병별 효능 점수를 산출한다. (S200)
프로세서(110)가 S200에서 산출된 효능 점수를 기반으로 대상 식품의 질병별 최종 효능 점수를 산출한다. (S300)
본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치는 S100 내지 S300을 통해서 대상 식품이 각종 질병에 미치는 의학적 효능을 산출할 수 있으며, 이를 확장하여 모든 식품들 각각이 각종 질병에 미치는 의학적 효능까지 산출할 수 있게 된다.
아래에서 도 4 내지 도 8를 참조하여 상기 각 단계의 세부적인 프로세스를 설명하도록 한다.
본 개시의 실시예에서 성분 점수는 순위 점수 및 권장 점수를 포함할 수 있다.
순위 점수는 저장부 내에서 대상 식품이 포함하는 성분들의 함량의 상대적인 순위를 수치화한 점수를 의미한다.
성분 정보는 성분들의 함량 및 함량 순위를 포함할 수 있다.
성분 점수 산출 단계(S100)는 프로세서가 성분들의 함량 및 함량 순위를 기반으로 대상 식품이 포함하는 성분들 각각에 대하여 순위 점수를 산출하는 단계(S150)를 더 포함할 수 있다.
프로세서(110)는 하기 수학식 1을 기반으로 성분들 각각에 대한 순위 점수를 산출할 수 있다.
Figure 112022118513579-pat00003
권장 점수는 대상 식품이 포함하는 성분들의 함량의 권장 섭취량 대비 상대적인 비율을 수치화한 점수를 의미한다.
성분 점수는 양양소들의 권장 섭취량 점수를 포함할 수 있다.
성분 점수 산출 단계(S100)는 프로세서가 성분들의 함량 및 권장 섭취량을 기반으로 대상 식품이 포함하는 성분들 각각에 대하여 권장 점수를 산출하는 단계(S170)를 더 포함할 수 있다.
프로세서(110)는 하기 수학식 2를 기반으로 성분들 각각에 대한 권장 점수를 산출할 수 있다.
Figure 112022118513579-pat00004
S150을 통해 순위 점수를 산출한 후, 프로세서(110)는 성분들 각각에 대하여 산출된 순위 점수를 기반으로 대상 식품의 질병별 제1 효능 점수를 산출한다. (S250)
S170을 통해 순위 점수를 산출한 후, 프로세서(110)는 성분들 각각에 대하여 산출된 권장 점수를 기반으로 대상 식품의 질병별 제2 효능 점수를 산출한다. (S270)
도 5는 식품별로 포함된 성분의 종류, 성분의 함량, 성분의 함량 순위가 예시된 도면이다.
[순위 점수 산출]
도 5를 참조하면, 저장부(130)는 대상 식품이 포함하는 성분들 각각에 대한 성분 정보가 저장되어 있으며, 성분 정보는 성분들의 함량 및 함량 순위를 포함한다.
본 개시의 실시예에서 각 성분의 함량 순위는 해당 성분을 포함하고 있는 식품 중에서 성분 함량의 순위를 의미한다.
이때, 함량 순위는 모든 식품을 대상으로 할 수도 있고, 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치에서 이용하는 다수의 식품을 대상으로 할 수도 있으므로, 순위 산정에 포함되는 식품의 수는 실시예에 따라 다양하게 적용될 수 있다.
A 식품의 B 성분 함량이 모든 식품 중에서 제일 많다면, A 식품의 B 성분 함량 순위의 값은 1이 된다.
프로세서(110)는 수학식 1을 기반으로 성분의 순위 점수를 산출할 수 있으며, 예를 들어 X는 1000이 적용될 수 있다.
순위 기준값은 순위 기반의 점수 산출 대상이 되는 순위의 하한선을 의미한다.
보다 상세하게는, 특정 성분에 대한 함량 순위에 있어서 순위로 인한 분별력을 갖게 되는 기준 순위를 의미할 수 있다.
예를 들어, 제1 성분의 함량 순위는 1위부터 500위까지는 의미가 있지만 501위부터는 큰 의미가 없다면, 501위와 600위, 700위는 큰 차이가 없다는 것을 의미하고, 따라서 제1 성분의 순위 기준값은 500이 설정될 수 있다.
또 다른 예로, 제2 성분의 함량 순위는 1위부터 100위까지는 의미가 있지만 101위부터는 큰 의미가 없다면 101위와 300위, 1000위는 큰 차이가 없다는 것을 의미하고, 따라서 제2 성분의 순위 기준값은 100이 설정될 수 있다.
프로세서(110)는 해당 성분의 함량 순위가 순위 기준값보다 큰 경우, 순위 점수를 기 설정된 값을 부여할 수 있다.
이러한 특징을 통해서, 식품의 의학적 효능을 산출하는 장치는 순위 점수가 음수가 되는 것을 방지할 수 있다.
식품DB가 다양한 통계 정보들을 이용하여 빅데이터로 구성되기 때문에 오류가 발생할 가능성이 있지만, 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치는 상술한 특징들을 통해서 이러한 오류가 발생하지 않도록 하는 효과가 있다.
예를 들어, A 식품의 B 성분 함량 순위가 1001인 경우, 프로세서(110)는 A 식품의 B 성분의 순위 점수를 0 또는 1을 부여할 수 있다.
이때, 함량 순위는 모든 식품을 대상으로 할 수도 있고, 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 장치에서 이용하는 다수의 식품을 대상으로 할 수도 있으므로, 순위 산정에 포함되는 식품의 수는 실시예에 따라 다양하게 적용될 수 있다.
본 개시의 실시예에서 X는 함량 순위를 위한 순위 기준값으로, 성분의 종류마다 다르게 설정될 수도 있다.
X에 1000을 적용하고 수학식 1을 기반으로 가리비의 성분 중 칼륨에 대한 순위 점수를 산출하면, ((1000 - 851) / 1000) x 100 = 14.9가 산출되는 것을 알 수 있다.
[권장 점수 산출]
도 5를 참조하면, 저장부(130)는 식품이 포함하고 있는 성분들 각각에 대한 성분 정보가 저장되어 있으며, 성분 정보는 성분들의 권장 섭취량을 포함한다.
본 개시의 실시예에서 권장 점수는 대상 식품이 포함하고 있는 성분들의 함량의 권장 섭취량 대비 상대적인 비율을 수치화한 것이다.
식품별로 포함된 성분, 각 성분의 함량, 각 성분의 권장 섭취량이 저장되어 있다.
그리고, 프로세서가 수학식 2를 기반으로 산출한 권장 점수가 예시되어 있다.
수학식 2를 기반으로 가리비의 성분 중 칼륨에 대한 권장 점수를 산출하면, (53 / 800) x 100 = 6.6이 산출되는 것을 알 수 있다.
다음으로, 프로세서(110)는 S300에서 제1 효능 점수 및 제2 효능 점수 중 적어도 하나를 기반으로 최종 효능 점수를 산출할 수 있다.
본 개시의 실시예에 따른 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치(100)는 제1 효능 점수 또는 제2 효능 점수 중 하나를 활용할 수도 있고, 2개를 조합하여 사용할 수도 있다.
또한, 본 개시의 실시예에 따른 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치(100)는 제1 효능 점수와 제2 효능 점수를 조합하여 사용할 때, 2개를 합하여 사용할 수도 있고 2개의 평균값을 사용할 수도 있으며, 각각에 기 설정된 가중치를 부여하여 최종 효능 점수를 산출할 수도 있다.
즉, 아래와 같은 다양한 실시예가 적용 가능하다.
① 제1 효능 점수를 최종 효능 점수로 이용
② 제2 효능 점수를 최종 효능 점수로 이용
③ 제1 효능 점수 + 제2 효능 점수를 최종 효능 점수로 산출하여 이용
④ 제1 효능 점수와 제2 효능 점수의 평균값을 최종 효능 점수로 산출하여 이용
⑤ 제1 효능 점수 및 제2 효능 점수 중 적어도 하나에 가중치를 부여하여 최종 효능 점수를 산출하여 이용
예를 들어, 제1 효능 점수는 특정 성분을 강조하여 일반적인 식사를 유지하고 있는 사람에게 추천될 수 있으며, 권장량 이상의 고용량을 제조할 때 유용하게 활용될 수 있다. (예: 암환자를 위한 건강기능식품 등)
예를 들어, 제2 효능 점수는 식사를 대용하거나 식단을 구성해야 하는 경우에 유용하게 활용될 수 있다. (예: 어린이의 급식, 노인의 3끼 식사, 임산부의 식사, 식사 대용이 가능한 밀키트 등)
도 6은 각 성분이 각 그룹에 미치는 영향력에 따라 설정된 가중치를 예시한 도면이다.
도 7은 도 6의 가중치를 산출하는 근거를 예시한 도면이다.
도 6은 각 성분이 제1 그룹 내지 제 17그룹 각각에 미치는 영향력에 따라 설정된 가중치가 예시되어 있다.
본 개시의 실시예에서 제1 그룹 내지 제17 그룹은 아래와 같은 예시가 적용될 수 있다.
제1 그룹: 동맥경화가 있는 사람/동물에 대한 그룹
제2 그룹: 골다공증이 있는 사람/동물에 대한 그룹
제3 그룹: 위계양이 있는 사람/동물에 대한 그룹
제4 그룹: 월경 전 증후군이 있는 사람/동물에 대한 그룹
제5 그룹: 구내염이 있는 사람/동물에 대한 그룹
제6 그룹: 당뇨가 있는 사람/동물에 대한 그룹
제7 그룹: 운동 능력이 필요한 사람에 대한 그룹
제8 그룹: 주의력 결핍 장애가 있는 사람에 대한 그룹
제9 그룹: 만성 피로 증후군이 있는 사람/동물에 대한 그룹
제10 그룹: 변비가 있는 사람/동물에 대한 그룹
제11 그룹: 치매가 있는 사람/동물에 대한 그룹
제12 그룹: 고혈압이 있는 사람/동물에 대한 그룹
제13 그룹: 불면증이 있는 사람/동물에 대한 그룹
제14 그룹: 요로결석이 있는 사람/동물에 대한 그룹
제15 그룹: 통풍이 있는 사람/동물에 대한 그룹
제16 그룹: 설사가 있는 사람/동물에 대한 그룹
제17 그룹: 저혈당이 있는 사람/동물에 대한 그룹
도 6에 예시된 가중치는 그룹별 가중치(그룹 가중치)이며, 실시예에서는 질병을 예로 들어 설명하고 있으므로 질병 가중치를 대표적 예시로 설명한 것이다.
또한, 도 6을 참조하면 "인"이 제15 그룹(통풍)에 마이너스의 가중치가 설정되어 있으며, "아연"이 제17 그룹(저혈당)에 마이너스의 가중치가 설정되어 있다.
따라서, 본 개시의 실시예에서 산출되는 효능 점수는 Positive, Negative가 모두 산출될 수 있다.
즉, 특정 식품의 특정 그룹에 대한 효능 점수가 플러스로 산출되면 해당 식품이 해당 그룹의 사람/동물에게 좋은 효과를 발휘한다는 것이며, 점수가 높을수록 더 좋은 효과를 발휘하는 것을 의미할 수 있다.
반대로, 특정 식품의 특정 그룹에 대한 효능 점수가 마이너스로 산출되면 해당 식품이 해당 그룹의 사람/동물에게 안좋은 효과를 발휘한다는 것이며, 점수가 낮을수록 더욱 안좋은 효과를 발휘하는 것을 의미할 수 있다.
본 개시의 실시예에서 질병 가중치는 성분들 각각이 질병에 미치는 영향력에 대한 근거 요소를 기반으로 설정된 것이다.
근거 요소는 과학적 기전의 유무, 임상 근거의 유무, 치료제로 사용 여부, 대체 성분의 유무 및 대체 성분의 유무 중 적어도 하나를 포함할 수 있다.
상세하게는, 근거 요소는 제1 근거 요소 및 제2 근거 요소를 포함한다.
제1 근거 요소는 과학적 기전의 유무, 임상 근거의 유무, 치료제로 사용 여부 및 대체 성분의 유무 중 적어도 하나를 포함한다.
프로세서는 제1 근거 요소 및 제2 근거 요소 중 적어도 하나를 기반으로 성분들 각각이 질병에 미치는 영향력에 대한 질병 가중치를 산출할 수 있다.
또한, 질병 가중치는 제1 근거 요소를 기반으로 설정된 제1 가중치 및 제2 근거 요소를 기반으로 설정된 제2 가중치 중 적어도 하나를 기반으로 설정될 수 있다.
도 7은 제1 근거 요소와 제2 근거 요소가 상세하게 예시되어 있다.
도 7을 참조하면, 과학적 기전의 유무로 과학적인 면해서는 기전(Mechanism)을 가지고 있으나 임상 결과의 근거가 충분하지 않은 경우 10의 가중치, 임상 결과의 근거가 충분하지 못하지만 과학적 기전이 너무나 확실하다고 판단되는 경우 30의 가중치를 설정하는 것이 예시되어 있다.
또한, 임상 근거의 유무로 1개 이상의 RCT가 존재하는 상태이면 50의 가중치, 3개 이상의 RCT가 존재하거나 메타분석이 효용성을 입증하는 경우 70의 가중치를 설정하는 것이 예시되어 있으며, 치료제로 사용 여부로 이미 치료제로 사용되고 있거나 허가가 나있는 경우 90의 가중치를 설정하는 것이 예시되어 있다.
그리고, 대체 성분의 유무로 의료인의 경험상 안정성이 있고 효과가 있다고 판단되고 있으며 다른 대체성분, 대체식품이 없는 것으로 판단되는 경우 10의 추가 가중치를 부여하는 것이 예시되어 있다.
도 6을 함께 참조하면, 칼슘은 동맥경화에 대하여 임상 결과의 근거가 충분하지 못하지만 과학적 기전이 너무나 확실한 경우이며, 의료인의 경험상 안정성이 있고 효과가 있다고 판단하고 있으며 다른 대체성분, 대체식품이 없으므로, 칼슘의 동맥경화에 대한 질병 가중치는 제1 가중치 30 + 제2 가중치 10 = 40으로 예시되어 있다.
또한, 칼륨은 당뇨에 대하여 이미 치료제로 사용되고 있거나 허가가 나있으며, 의료인의 경험상 안정성이 있고 효과가 있다고 판단되고 있으며 다른 대체성분, 대체식품이 없으므로, 칼륨의 당뇨에 대한 질병 가중치는 제1 가중치 90 + 제2 가중치 10 = 100으로 예시되어 있다.
도 7에 도시된 사항들은 본 개시의 질병 가중치, 제1 가중치 및 제2 가중치를 설명하기 위해 예시한 것으로, 각각의 항목과 가중치의 값이 도 7과 같이 한정되는 것은 아니다.
도 8은 가리비와 능성어의 각 그룹에 대한 제1 효능 점수, 제2 효능 점수가 산출된 것을 예시한 도면이다.
가리비와 능성어에 대한 정보에 대하여 도 4와 같은 프로세스를 수행하게 되면, 도 8와 같이 제1 효능 점수와 제2 효능 점수가 산출된다.
그리고, 식품의 의학적 효능을 산출하는 장치(100)는 도 8와 같이 산출된 제1 효능 점수 및 제2 효능 점수 중 적어도 하나를 이용하여 최종 효능 점수를 산출할 수 있다.
도 9는 본 개시의 실시예에 따른 식품의 의학적 효능을 산출하는 방법을 확장하여 사용자 맞춤형으로 식품을 제공하는 것을 예시한 도면이다.
도 9을 참조하면, 본 개시의 실시예에 따른 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치(100)는 통신부(120)를 통해 사용자 데이터를 수신하거나 입력받을 수 있으며, 사용자 데이터를 기반으로 사용자(분석 대상)에게 적어도 하나의 맞춤형 식품에 대한 정보를 제공할 수 있다.
이때, 프로세서(110)는 사용자 데이터에 포함되어 있는 사용자(분석 대상)의 질병에 대한 정보를 기반으로 사용자에게 최적화된 맞춤형 식품 정보를 제공할 수 있다.
예를 들어, 프로세서(110)는 사용자 데이터에 따라 각 식품에 대하여 산출된 최종 효능 점수에 기초하여 적어도 하나의 사용자 맞춤형 식품을 도출할 수 있다.
본 개시의 실시예에 따른 식품의 의학적 효능을 기반으로 맞춤형 식품 정보를 제공하는 장치는, 복수의 식품 각각이 포함하는 성분들 각각에 대한 성분 정보, 상기 복수의 식품 각각이 포함하는 성분들 각각에 대한 상기 성분 정보를 기반으로 산출된 성분 점수, 및 상기 성분 점수와 상기 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 상기 복수의 식품 각각에 대하여 산출된 질병별 효능 점수가 저장된 저장부 및 분석 대상의 질병에 대한 정보를 포함하는 분석 대상 정보가 수신되면, 상기 저장부에 저장된 복수의 식품 각각의 질병별 효능 점수 및 상기 분석 대상 정보에 기초하여 상기 분석 대상을 위한 적어도 하나의 식품을 포함하는 추천 식품 정보를 도출하는 프로세서를 포함할 수 있다.
따라서, 저장부에는 성분 점수, 질병 가중치, 식품 각각의 질병별 효능 점수(제1 효능 점수, 제2 효능 점수, 최종 효능 점수 포함)가 미리 산출되어 저장되어 있고, 분석 대상(예: 사용자)에 대한 정보가 수신되면, 인공지능 모델에 분석 대상 정보를 입력하여 분석 대상을 위한 적어도 하나의 식품을 포함하는 추천 식품 정보를 도출하여 제공할 수 있다.
또한, 전술한 바와 같이 식품의 의학적 효능을 산출하는 장치(10)는 질병에 한정되지 않고 질병, 증상, 증후, 징후 등에 다양하게 적용이 가능하기 때문에, 질병을 앓고 있는 환자 이외에도 다양한 사용자에게 서비스를 제공할 수 있게 되는 효과가 있다.
아래에서는 전술한 바와 같이 대상 식품의 그룹별 효능 점수를 산출하는 것을 설명하도록 한다.
본 개시의 실시예에 따른 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 방법은, 장치에 의해 수행되는 식품별 그룹에 미치는 의학적 효능을 산출하는 방법으로, 대상 식품이 포함하는 성분들 각각에 대하여 저장부에 저장된 성분 정보를 기반으로 성분 점수를 산출하는 단계; 및 상기 성분 점수와 상기 성분들 각각에 그룹별로 부여된 그룹 가중치를 기반으로 상기 대상 식품의 그룹별 효능 점수를 산출하는 단계를 포함한다.
또한, 상기 성분 점수는 상기 저장부 내에서 상기 대상 식품이 포함하는 성분들의 함량의 상대적인 순위를 수치화한 순위 점수를 포함하며, 상기 성분 정보는 상기 성분들의 함량 및 함량 순위를 포함하고, 상기 성분 점수 산출 단계는, 상기 성분들의 함량 및 함량 순위를 기반으로 상기 성분들 각각에 대하여 상기 순위 점수를 산출하는 단계를 포함할 수 있다.
또한, 상기 성분 점수는 상기 대상 식품이 포함하는 성분들의 함량의 권장 섭취량 대비 상대적인 비율을 수치화한 권장 점수를 더 포함하며, 상기 성분 정보는 상기 성분들의 권장 섭취량을 더 포함하고, 상기 성분 점수 산출 단계는, 상기 성분들의 함량 및 권장 섭취량을 기반으로 상기 성분들 각각에 대하여 상기 권장 점수를 산출하는 단계를 더 포함할 수 있다.
또한, 상기 순위 점수는 앞에서 상술한 수학식 1을 기반으로 산출할 수 있다.
또한, 상기 권장 점수는 앞에서 상술한 수학식 2를 기반으로 산출할 수 있다.
또한, 상기 효능 점수 산출 단계는, 상기 성분들 각각에 대하여 산출된 상기 순위 점수를 기반으로 상기 대상 식품의 그룹별 제1 효능 점수를 산출하는 단계; 및 상기 성분들 각각에 대하여 산출된 상기 권장 점수를 기반으로 상기 대상 식품의 그룹별 제2 효능 점수를 산출하는 단계를 포함할 수 있다.
또한, 상기 제1 효능 점수 및 상기 제2 효능 점수 중 적어도 하나를 기반으로 최종 효능 점수를 산출하는 단계를 더 포함할 수 있다.
또한, 상기 그룹 가중치는 상기 성분들 각각이 그룹에 미치는 영향력에 대한 근거 요소를 기반으로 설정된 것이고, 상기 근거 요소는 과학적 기전의 유무, 임상 근거의 유무, 치료제로 사용 여부 및 대체 성분의 유무 중 적어도 하나를 포함할 수 있다.
또한, 상기 그룹 가중치는, 상기 과학적 기전의 유무, 상기 임상 근거의 유무 및 상기 치료제로 사용 여부를 기반으로 설정된 제1가중치와 상기 대체 성분의 유무에 따라 부여되는 제2가중치를 기반으로 설정될 수 있다.
이때, 그룹은 특정 질병, 증상, 증후 및 징후 중 적어도 하나가 있는 사람/동물, 특정 기준으로 분류된 사람의 그룹을 의미할 수 있다.이때, 특정 기준은 성별, 연령, 생애주기, 상태정보(예: 임신 등) 등이 적용될 수 있다.일 실시예로, 식품의 의학적 효능을 산출하는 장치(100)는 분석 대상에 대한 맞춤형 식품 정보 제공 요청이 수신되는 경우, 분석 대상이 복수의 그룹 중에서 어느 그룹에 해당하는지 판단하고, 분석 대상이 속하는 그룹 정보를 기반으로 최종 효능 점수를 산출하여 맞춤형 식품 정보를 제공할 수 있다.
이때, 분석 대상이 속하는 그룹은 복수 개일 수도 있으며, 식품의 의학적 효능을 산출하는 장치(100)는 분석 대상이 복수 개의 그룹에 속하는 경우 그룹별 효능 점수를 조합하여 맞춤형 식품 정보를 제공할 수도 있다.
이상에서 전술한 본 개시의 일 실시예에 따른 방법은, 하드웨어인 서버와 결합되어 실행되기 위해 프로그램(또는 어플리케이션)으로 구현되어 매체에 저장될 수 있다.
상기 전술한 프로그램은, 상기 컴퓨터가 프로그램을 읽어 들여 프로그램으로 구현된 상기 방법들을 실행시키기 위하여, 상기 컴퓨터의 프로세서(CPU)가 상기 컴퓨터의 장치 인터페이스를 통해 읽힐 수 있는 C, C++, JAVA, 기계어 등의 컴퓨터 언어로 코드화된 코드(Code)를 포함할 수 있다. 이러한 코드는 상기 방법들을 실행하는 필요한 기능들을 정의한 함수 등과 관련된 기능적인 코드(Functional Code)를 포함할 수 있고, 상기 기능들을 상기 컴퓨터의 프로세서가 소정의 절차대로 실행시키는데 필요한 실행 절차 관련 제어 코드를 포함할 수 있다. 또한, 이러한 코드는 상기 기능들을 상기 컴퓨터의 프로세서가 실행시키는데 필요한 추가 정보나 미디어가 상기 컴퓨터의 내부 또는 외부 메모리의 어느 위치(주소 번지)에서 참조되어야 하는지에 대한 메모리 참조관련 코드를 더 포함할 수 있다. 또한, 상기 컴퓨터의 프로세서가 상기 기능들을 실행시키기 위하여 원격(Remote)에 있는 어떠한 다른 컴퓨터나 서버 등과 통신이 필요한 경우, 코드는 상기 컴퓨터의 통신 모듈을 이용하여 원격에 있는 어떠한 다른 컴퓨터나 서버 등과 어떻게 통신해야 하는지, 통신 시 어떠한 정보나 미디어를 송수신해야 하는지 등에 대한 통신 관련 코드를 더 포함할 수 있다.
상기 저장되는 매체는, 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상기 저장되는 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있지만, 이에 제한되지 않는다. 즉, 상기 프로그램은 상기 컴퓨터가 접속할 수 있는 다양한 서버 상의 다양한 기록매체 또는 사용자의 상기 컴퓨터상의 다양한 기록매체에 저장될 수 있다. 또한, 상기 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장될 수 있다.
본 개시의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
이상, 첨부된 도면을 참조로 하여 본 개시의 실시예를 설명하였지만, 본 개시가 속하는 기술분야의 통상의 기술자는 본 개시가 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
10: 식품의 의학적 효능을 산출하는 시스템
100: 식품의 의학적 효능을 산출하는 장치
110: 프로세서
120: 통신부
130: 저장부
140: 연산부

Claims (12)

  1. 장치에 의해 수행되는 식품별 질병에 미치는 의학적 효능을 산출하는 방법으로,
    대상 식품이 포함하는 성분들 각각에 대하여 저장부에 저장된 성분 정보를 기반으로 성분 점수를 산출하는 단계; 및
    상기 성분 점수와 상기 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 상기 대상 식품의 질병별 효능 점수를 산출하는 단계;
    를 포함하고,
    상기 성분 점수는 상기 저장부 내에서 상기 대상 식품이 포함하는 성분들의 함량의 상대적인 순위를 수치화한 순위 점수를 포함하며,
    상기 성분 정보는 상기 성분들의 함량 및 함량 순위를 포함하고,
    상기 성분 점수 산출 단계는,
    상기 성분들의 함량 및 함량 순위를 기반으로 상기 성분들 각각에 대하여 상기 순위 점수를 산출하는 단계
    를 포함하고,
    상기 질병 가중치는 상기 성분들 각각이 질병에 미치는 영향력에 대한 근거 요소를 기반으로 설정된 것이고,
    상기 근거 요소는 과학적 기전의 유무, 임상 근거의 유무, 치료제로 사용 여부 및 대체 성분의 유무 중 적어도 하나를 포함하고,
    상기 질병 가중치는,
    상기 과학적 기전의 유무, 상기 임상 근거의 유무 및 상기 치료제로 사용 여부를 기반으로 설정된 제1가중치와 상기 대체 성분의 유무에 따라 부여되는 제2가중치를 기반으로 설정된 것인,
    인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 성분 점수는 상기 대상 식품이 포함하는 성분들의 함량의 권장 섭취량 대비 상대적인 비율을 수치화한 권장 점수를 더 포함하며,
    상기 성분 정보는 상기 성분들의 권장 섭취량을 더 포함하고,
    상기 성분 점수 산출 단계는,
    상기 성분들의 함량 및 권장 섭취량을 기반으로 상기 성분들 각각에 대하여 상기 권장 점수를 산출하는 단계를 더 포함하는,
    인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 방법.
  4. 제3항에 있어서,
    상기 순위 점수는 하기의 수학식 1을 기반으로 산출하는,
    [수학식 1]
    Figure 112022118513579-pat00005

    인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 방법.
  5. 제4항에 있어서,
    상기 권장 점수는 하기의 수학식 2를 기반으로 산출하는,
    [수학식 2]
    Figure 112022118513579-pat00006

    인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 방법.
  6. 제3항에 있어서,
    상기 효능 점수 산출 단계는,
    상기 성분들 각각에 대하여 산출된 상기 순위 점수를 기반으로 상기 대상 식품의 질병별 제1 효능 점수를 산출하는 단계; 및
    상기 성분들 각각에 대하여 산출된 상기 권장 점수를 기반으로 상기 대상 식품의 질병별 제2 효능 점수를 산출하는 단계를 포함하는,
    인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 방법.
  7. 제6항에 있어서,
    상기 제1 효능 점수 및 상기 제2 효능 점수 중 적어도 하나를 기반으로 최종 효능 점수를 산출하는 단계를 더 포함하는,
    인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 방법.
  8. 삭제
  9. 삭제
  10. 식품별 질병에 미치는 의학적 효능을 산출하는 장치로,
    상기 장치는,
    식품이 포함하는 성분들 각각에 대한 성분 정보가 저장된 저장부; 및
    대상 식품이 포함하는 성분들 각각에 대하여 상기 저장부에 저장된 상기 성분 정보를 기반으로 성분 점수를 산출하고, 상기 성분 점수와 상기 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 상기 대상 식품의 질병별 효능 점수를 산출하는 프로세서를 포함하며,
    상기 성분 점수는 상기 저장부 내에서 상기 대상 식품이 포함하는 성분들의 함량의 상대적인 순위를 수치화한 순위 점수를 포함하며,
    상기 성분 정보는 상기 성분들의 함량 및 함량 순위를 포함하고,
    상기 프로세서는,
    상기 성분들의 함량 및 함량 순위를 기반으로 상기 성분들 각각에 대하여 상기 순위 점수를 산출하고,
    상기 질병 가중치는 상기 성분들 각각이 질병에 미치는 영향력에 대한 근거 요소를 기반으로 설정된 것이고,
    상기 근거 요소는 과학적 기전의 유무, 임상 근거의 유무, 치료제로 사용 여부 및 대체 성분의 유무 중 적어도 하나를 포함하고,
    상기 질병 가중치는,
    상기 과학적 기전의 유무, 상기 임상 근거의 유무 및 상기 치료제로 사용 여부를 기반으로 설정된 제1가중치와 상기 대체 성분의 유무에 따라 부여되는 제2가중치를 기반으로 설정된 것인,
    인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치.
  11. 복수의 식품 각각이 포함하는 성분들 각각에 대한 성분 정보, 상기 복수의 식품 각각이 포함하는 성분들 각각에 대한 상기 성분 정보를 기반으로 산출된 성분 점수, 및 상기 성분 점수와 상기 성분들 각각에 질병별로 부여된 질병 가중치를 기반으로 상기 복수의 식품 각각에 대하여 산출된 질병별 효능 점수가 저장된 저장부; 및
    분석 대상의 질병에 대한 정보를 포함하는 분석 대상 정보가 수신되면, 상기 저장부에 저장된 복수의 식품 각각의 질병별 효능 점수 및 상기 분석 대상 정보에 기초하여 상기 분석 대상을 위한 적어도 하나의 식품을 포함하는 추천 식품 정보를 도출하는 프로세서를 포함하며,
    상기 성분 점수는 상기 저장부 내에서 대상 식품이 포함하는 성분들의 함량의 상대적인 순위를 수치화한 순위 점수를 포함하며,
    상기 성분 정보는 상기 성분들의 함량 및 함량 순위를 포함하고,
    상기 프로세서는,
    상기 성분들의 함량 및 함량 순위를 기반으로 상기 성분들 각각에 대하여 상기 순위 점수를 산출하고,
    상기 질병 가중치는 상기 성분들 각각이 질병에 미치는 영향력에 대한 근거 요소를 기반으로 설정된 것이고,
    상기 근거 요소는 과학적 기전의 유무, 임상 근거의 유무, 치료제로 사용 여부 및 대체 성분의 유무 중 적어도 하나를 포함하고,
    상기 질병 가중치는,
    상기 과학적 기전의 유무, 상기 임상 근거의 유무 및 상기 치료제로 사용 여부를 기반으로 설정된 제1가중치와 상기 대체 성분의 유무에 따라 부여되는 제2가중치를 기반으로 설정된 것인,
    식품의 의학적 효능을 기반으로 맞춤형 식품 정보를 제공하는 장치.
  12. 하드웨어인 컴퓨터와 결합되어, 제1항, 제3항 내지 제7항 중 어느 한 항의 방법을 실행시키기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
KR1020220147688A 2022-11-08 2022-11-08 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램 KR102546789B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220147688A KR102546789B1 (ko) 2022-11-08 2022-11-08 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램
PCT/KR2023/017724 WO2024101840A1 (ko) 2022-11-08 2023-11-07 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220147688A KR102546789B1 (ko) 2022-11-08 2022-11-08 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램

Related Child Applications (1)

Application Number Title Priority Date Filing Date
KR1020230078428A Division KR20240067783A (ko) 2023-06-19 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램

Publications (1)

Publication Number Publication Date
KR102546789B1 true KR102546789B1 (ko) 2023-06-23

Family

ID=86993444

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220147688A KR102546789B1 (ko) 2022-11-08 2022-11-08 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램

Country Status (2)

Country Link
KR (1) KR102546789B1 (ko)
WO (1) WO2024101840A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024101840A1 (ko) * 2022-11-08 2024-05-16 주식회사 메디푸드플랫폼 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101466626B1 (ko) * 2013-06-24 2014-11-28 주식회사 비디스낵 식품 평가 방법 및 그 방법이 기록된 기록매체
WO2017085777A1 (ja) * 2015-11-17 2017-05-26 株式会社日立製作所 食材提案装置、食材提案方法及び食材提案プログラム
JP2018049393A (ja) * 2016-09-20 2018-03-29 ヤフー株式会社 健康管理装置、健康管理システム、及び健康管理方法
KR102198753B1 (ko) * 2019-10-11 2021-01-05 경희대학교 산학협력단 임신부 식단추천장치 및 방법
KR102214554B1 (ko) 2020-03-17 2021-02-09 이지원 문진 데이터 기반 건강기능식품 정보 서비스 제공 시스템
JP2022010340A (ja) * 2020-03-27 2022-01-14 パナソニックＩｐマネジメント株式会社 制御方法、情報端末、プログラム、記録媒体、及び情報提供方法
JP2022067115A (ja) * 2020-02-03 2022-05-02 株式会社Mizkan Holdings プログラム、情報処理方法及び情報処理装置
KR102427112B1 (ko) * 2022-02-22 2022-07-29 주식회사 메디푸드플랫폼 인공지능 기반의 식재료 매칭 서버, 방법 및 프로그램

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102546789B1 (ko) * 2022-11-08 2023-06-23 주식회사 메디푸드플랫폼 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101466626B1 (ko) * 2013-06-24 2014-11-28 주식회사 비디스낵 식품 평가 방법 및 그 방법이 기록된 기록매체
WO2017085777A1 (ja) * 2015-11-17 2017-05-26 株式会社日立製作所 食材提案装置、食材提案方法及び食材提案プログラム
JP2018049393A (ja) * 2016-09-20 2018-03-29 ヤフー株式会社 健康管理装置、健康管理システム、及び健康管理方法
KR102198753B1 (ko) * 2019-10-11 2021-01-05 경희대학교 산학협력단 임신부 식단추천장치 및 방법
JP2022067115A (ja) * 2020-02-03 2022-05-02 株式会社Mizkan Holdings プログラム、情報処理方法及び情報処理装置
KR102214554B1 (ko) 2020-03-17 2021-02-09 이지원 문진 데이터 기반 건강기능식품 정보 서비스 제공 시스템
JP2022010340A (ja) * 2020-03-27 2022-01-14 パナソニックＩｐマネジメント株式会社 制御方法、情報端末、プログラム、記録媒体、及び情報提供方法
KR102427112B1 (ko) * 2022-02-22 2022-07-29 주식회사 메디푸드플랫폼 인공지능 기반의 식재료 매칭 서버, 방법 및 프로그램

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024101840A1 (ko) * 2022-11-08 2024-05-16 주식회사 메디푸드플랫폼 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램

Also Published As

Publication number Publication date
WO2024101840A1 (ko) 2024-05-16

Similar Documents

Publication Publication Date Title
KR102321737B1 (ko) 건강 관리 방법 및 장치
US11600390B2 (en) Machine learning clinical decision support system for risk categorization
CN108351862B (zh) 利用人工智能和用户输入来确定发育进展的方法和装置
US20210391081A1 (en) Predictive guidance systems for personalized health and self-care, and associated methods
US20210256615A1 (en) Implementing Machine Learning For Life And Health Insurance Loss Mitigation And Claims Handling
KR102546789B1 (ko) 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램
WO2022087116A1 (en) Systems and methods for mental health assessment
WO2021247928A1 (en) Systems for adaptive healthcare support, behavioral intervention, and associated methods
KR102530616B1 (ko) 의과학 및 성분학 기반의 정신 상태 분석 장치, 방법 및 프로그램
KR102483930B1 (ko) 시니어와 케어자 간 보살핌 정도에 따른 관계 지수를 산출하여 선정된 우수 케어자 및 시니어에게 모니터링 서비스를 제공하기 위한 시니어 헬스 케어 플랫폼을 제공하는 방법 및 장치
KR20240067783A (ko) 인공지능 기반의 성분 분석 및 의학적 근거를 활용하여 식품의 의학적 효능을 산출하는 장치, 방법 및 프로그램
Kosaraju et al. A model for analysis of diseases based on nutrition deficiency using random forest
US20210074432A1 (en) Predictive analytics for complex diseases
EP4326057A1 (en) System, method, and apparatus for pet condition detection
KR102671422B1 (ko) 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 장치 및 방법
KR102631340B1 (ko) 제품 추천 방법 및 장치
KR102573659B1 (ko) 인공지능 모델을 이용한 혈당 예측 및 모니터링 장치
US20230090138A1 (en) Predicting subjective recovery from acute events using consumer wearables
KR20240080193A (ko) 인적성 검사 결과 기반의 자동 반 배정 장치, 방법 및 프로그램
Dong et al. Readmission prediction of diabetic patients based on AdaBoost-RandomForest mixed model
KR20240037846A (ko) 학생의 인적성 및 성적 자료와 머신러닝 기술을 활용하여 학교에서 반 배정을 하는 장치 및 방법
KR102520383B1 (ko) 인공지능 기반 병원 진료 및 처방 정보의 관리 및 처리 방법, 장치 및 시스템
KR20240058031A (ko) 딥러닝 기술 기반 갑상선 초음파 영상에 대해 암 진단을 수행하는 전자 장치 및 예측 방법
KR20240076731A (ko) 인공지능 모델을 이용한 임산부의 피검사 수치 예측 장치 및 방법
US20220130518A1 (en) Systems and methods for mental health assessment

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant