KR102549944B1

KR102549944B1 - 인공지능 기술기반의 의료기관 출입자 관리 시스템 및 방법

Info

Publication number: KR102549944B1
Application number: KR1020200175744A
Authority: KR
Inventors: 김학철
Original assignee: 김학철
Priority date: 2020-12-15
Filing date: 2020-12-15
Publication date: 2023-06-29
Also published as: KR20220085570A

Abstract

본 발명은 인공지능 기술기반의 의료기관 출입자 관리 시스템 및 방법에 관한 것으로, 보다 구체적으로 근접센서가 구비되고, 의료기관 출입구 주변의 지정위치에서 출입자를 인식한 후 출입자의 체온을 측정하는 체온 측정부, 출입자의 디바이스에 구비된 NFC태그, RFID태그 및 QR코드 중 하나를 인식한 후 태그정보를 생성하거나, 사용자의 지문, 얼굴 및 음성 중 하나를 인식한 후 생체정보를 생성하는 선택적 인식부, 상기 체온 측정부로부터 측정된 출입자의 체온에 대한 정상여부를 판단하고, 기 저장된 태그정보와 상기 태그정보를 비교하거나 인공지능 기술기반으로 상기 생체정보를 분석하여 출입자를 인증하는 통합 관리 서버 및 인터넷상에서 상기 통합 관리 서버에 접근하고, 관리자가 의료기관의 출입자를 모니터링 할 수 있도록 하는 모니터링부를 포함하는 인공지능 기술기반의 의료기관 출입자 관리 시스템 및 방법에 관한 것이다.

Description

인공지능 기술기반의 의료기관 출입자 관리 시스템 및 방법 {Artificial Intelligence Technology-based Medical Institution Access Control System and Method}

본 발명은 인공지능 기술기반의 의료기관 출입자 관리 시스템 및 방법에 관한 것으로, 보다 구체적으로 감염병 유입, 확산, 예방을 위해 의료기관을 출입 및 이동하는 방문객 및 환자를 관리하는 의료기관 출입자 관리 시스템 및 방법에 관한 것이다.

감염병이 위험한 이유는 독성과 전파력인데, 특히나 감염병은 사람과 사람의 이동 경로와 함께 새로운 지역으로 확산되기도 하는 등 전파경로는 상황과 조건에 따라 다양하다.

의료기관의 경우 면역력이 약한 환자들 및 24시간 상주하는 업계종사자은 의료기관을 방문하는 불특정 다수에 의하여 이러한 감염병에 노출되기 매우 쉽다. 그리고 감염 병원균의 이동경로에 따라 집단감염으로 이어지게 될 경우 그 피해는 더욱 커질 수 있다.

최근 코로나19로 인해 의료기관의 대부분의 의료기관이 모든 출입자를 대상으로 출입통제 시스템을 운영하고 있지만 아직까지 완전한 출입통제관리가 이루어지지 못하고 있으며 여전히 사각지대가 존재한다. 예컨대, 모든 출입자의 동선을 완전히 추적하지 못하므로 위험 지역에 방문한 잠재적 보균자들의 말에 의존하여 출입여부를 결정하거나, 단순히 개인정보를 기재하면 출입이 가능하도록 하므로 출입자가 방문일지를 작성하지 않거나 허위로 개인정보를 기재할 수도 있다.

또한, 의료기관에서는 동시출입자의 수를 줄이기 위해서 예약 시스템을 운영하고 있으나, 담당자는 환자와 유무선으로 예약을 잡으므로 예약환자의 이탈에 따른 재스케쥴링이 어렵고, 스케쥴링 중 오류가 발생하는 문제점이 있다.

관련문헌 1은 안면인식 발열체크 및 방역용 전신 소독시스템에 관한 것으로, 출입자의 체온을 측정하여 발열여부를 체크하고 초음파 진동방식으로 소독액을 분사하여 바이러스의 확산을 방지할 수 있으나, 출입자의 출입당시의 온도만을 측정하여 출입을 결정하므로 차후에 이동경로를 확인하지 않고, 출입자의 본인인증을 할 수 없으므로 역학조사에 어려움을 겪을 수 있다.

관련문헌 2는 출입관리시스템 및 출입관리방법에 관한 것으로, 블루투스 기반으로 출입자의 스마트폰을 인증하여 출입을 허용하나, 사용자가 스마트폰이 없을 경우에는 다른 방법으로 본인인증을 하지 못하고, 출입 이후에 이동경로를 확인하지 못하여 차후 역학조사가 어려운 단점이 있다.

KR 10-2159727 KR 10-1944753

본 발명은 상기와 같은 문제점을 해결하기 위한 것으로 의료기관 출입자를 철저히 통제하고 차후 감염경로 역학조사에 어려움이 없도록 체온 측정부로부터 측정된 출입자의 체온에 대한 정상여부를 판단하고, 기 저장된 태그정보와 상기 태그정보를 비교하거나 인공지능 기술기반으로 상기 생체정보를 분석하여 다양한 방식으로 출입자를 인증하는 인공지능 기술기반의 의료기관 출입자 관리 시스템 및 방법을 제공하는 것을 목적으로 한다.

또한, 본 발명의 목적은 의료기관 내에서 출입자가 머무르는 시간 및 출입자 간의 접촉을 최소화할 수 있도록 인증된 출입자의 예약 스케줄을 확인하고, 인공지능 기술기반으로 실시간으로 변경되는 예약현황에 따라 상기 예약 스케쥴을 재배치하는 인공지능 기술기반의 의료기관 출입자 관리 시스템 및 방법을 제공하는 것이다.

또한, 본 발명의 목적은 의료기간 내 출입자의 출입 이후에 지속적으로 이동경로를 확인하여 감염경로의 역학조사에 어려움이 없도록 인증된 출입자의 디바이스로부터 전송된 신호세기(Received Signal Strength Indicator; RSSI)를 기반으로 의료기관 내에서 출입자의 위치를 추적하는 인공지능 기술기반의 의료기관 출입자 관리 시스템 및 방법을 제공하는 것이다.

상기 목적을 달성하기 위하여, 본 발명의 인공지능 기술기반의 의료기관 출입자 관리 시스템은 근접센서가 구비되고, 의료기관 출입구 주변의 지정위치에서 출입자를 인식한 후 출입자의 체온을 측정하는 체온 측정부; 출입자의 디바이스에 구비된 NFC태그, RFID태그 및 QR코드 중 하나를 인식한 후 태그정보를 생성하거나, 사용자의 지문, 얼굴 및 음성 중 하나를 인식한 후 생체정보를 생성하는 선택적 인식부; 상기 체온 측정부로부터 측정된 출입자의 체온에 대한 정상여부를 판단하고, 기 저장된 태그정보와 상기 태그정보를 비교하거나 인공지능 기술기반으로 상기 생체정보를 분석하여 출입자를 인증하는 통합 관리 서버; 및 인터넷상에서 상기 통합 관리 서버에 접근하고, 관리자가 의료기관의 출입자를 모니터링 할 수 있도록 하는 모니터링부;를 제공한다.

상기 목적을 달성하기 위하여, 본 발명의 인공지능 기술기반의 의료기관 출입자 관리 방법은 체온 측정부에 의하여, 의료기관 출입구 주변의 지정위치에서 출입자가 인식된 후 출입자의 체온이 측정되는 체온 측정단계; 통합 관리 서버에 의하여, 상기 체온 측정부로부터 측정된 출입자의 체온에 대한 정상여부가 판단되는 체온 정상여부 판단단계; 선택적 인식부에 의하여, 출입자의 디바이스에 구비된 NFC태그, RFID태그 및 QR코드 중 하나가 인식된 후 태그정보가 생성되거나, 사용자의 지문, 얼굴 및 음성 중 하나가 인식된 후 생체정보가 생성되는 선택적 인식단계; 및 상기 통합 관리 서버에 의하여, 기 저장된 태그정보와 상기 태그정보가 비교되거나 인공지능 기술기반으로 상기 생체정보가 분석되어 출입자가 인증되는 출입자 인증단계;를 제공한다.

이상과 같이 본 발명에 의하면 체온 측정부로부터 측정된 출입자의 체온에 대한 정상여부를 판단하고, 기 저장된 태그정보와 상기 태그정보를 비교하거나 인공지능 기술기반으로 상기 생체정보를 분석하여 다양한 방식으로 출입자를 인증하도록 구비함으로써, 의료기관 출입자를 철저히 통제하고 차후 감염자의 신상을 정확히 판단할 수 있고 감염경로 역학조사의 효율성을 극대화 시킬 수 있는 효과가 있다.

또한, 본 발명은 인증된 출입자의 예약 스케줄을 확인하고, 인공지능 기술기반으로 실시간으로 변경되는 예약현황에 따라 상기 예약 스케쥴을 재배치하도록 구비함으로써, 의료기관 내에서 출입자가 머무르는 시간 및 출입자 간의 접촉을 최소화할 수 있는 효과가 있다.

또한, 본 발명은 인증된 출입자의 디바이스로부터 전송된 신호세기(Received Signal Strength Indicator; RSSI)를 기반으로 의료기관 내에서 출입자의 위치를 추적하도록 구비함으로써, 의료기간 내 출입자의 출입 이후에 지속적으로 이동경로를 확인하여 차후 해당 의료기관에서 감염자가 발생한다면 감염경로에 따른 방역을 시행할 수 있고 역학조사의 효율성을 극대화할 수 있는 효과가 있다.

또한, 본 발명은 타 의료기관, 공공기관, 교통기관, 음식점, 기타 장소에서 제공하는 오픈소스를 수집하는 외부정보 수집서버(600)와 연동할 수 있도록 구비함으로써, 특정한 대상자의 위험지역 방문이력과 같은 동선 추적이 가능하고 특정 지역의 위험 지수를 가중값으로 점수화시키거나 기 저장된 대응 매뉴얼에 따라 출입자의 출입을 통제하여 증상이 발병한 발병자뿐만 아니라 잠재적 보균자 관리도 가능한 효과가 있다.

도 1은 본 발명의 인공지능 기술기반의 의료기관 출입자 관리 시스템 구성도이다.
도 2는 본 발명의 일실시예에 따른 지문 영상을 분석하는 인공 신경망을 표시한 도면이다.
도 3은 본 발명의 일실시예에 따른 예약 관리부로부터 예약대기행렬(a) 및 진료대기행렬(b)을 표시한 도면이다.
도 4는 본 발명의 일실시예에 따른 예약 스케줄을 재배치하기 위한 인공 신경망을 표시한 도면이다.
도 5는 본 발명의 일실시예에 따른 신호세기에 따른 출입자의 위치 추정을 표시한 도면이다.
도 6은 본 발명의 일실시예에 따른 출입자 디바이스의 위치 좌표를 보정하기 위한 인공 신경망을 표시한 도면이다.
도 7은 본 발명의 인공지능 기술기반의 의료기관 출입자 관리 방법 흐름도이다.
도 8은 본 발명의 일실시예에 따른 출입자 인증단계 세부흐름도이다.
도 9는 본 발명의 일실시예에 따른 예약 관리단계 세부흐름도이다.

본 명세서에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.

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

인공지능 기술기반의 의료기관 출입자 관리 시스템

이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다. 도 1은 본 발명의 인공지능 기술기반의 의료기관 출입자 관리 시스템 구성도이다.

도 1을 보면, 본 발명의 인공지능 기술기반의 의료기관 출입자 관리 시스템은 체온 측정부(100), 선택적 인식부(200), 통합 관리 서버(300) 및 모니터링부(400)를 포함한다.

보다 구체적으로, 상기 체온 측정부(100)는 근접센서(110)가 구비되고, 의료기관 출입구 주변의 지정위치에서 출입자를 인식한 후 출입자의 체온을 측정한다.

근접센서는 일반적으로 물리적 접촉 없이 주변 물체의 존재에 전자기장이나 전자기파를 방출한 후 돌아오는 신호를 측정하는 센서이다. 즉, 상기 근접센서(110)는 출입자가 의료기관 출입구 주변의 기 지정위치에 위치하면 상기 출입자의 표면으로부터 반사된 신호를 측정하여 출입자 유무를 확인할 수 있다.

또한, 상기 체온 측정부(100)는 일정 거리 이격된 위치에서 출입자의 체온을 측정하기 위해서 가장 바람직하게 적외선 온도측정법을 이용한 것으로, 물질이 방출하는 적외선 복사 에너지가 온도에 따라 달라지는 원리를 이용하여 온도를 측정할 수 있다.

다음으로, 상기 선택적 인식부(200)는 출입자의 디바이스(500)에 구비된 NFC태그, RFID태그 및 QR코드 중 하나를 인식한 후 태그정보를 생성하거나, 사용자의 지문, 얼굴 및 음성 중 하나를 인식한 후 생체정보를 생성한다.

우선, 상기 선택적 인식부(200)는 상기 출입자 디바이스(500) 내 상기 NFC태그, RFID태그 및 QR코드를 인식할 수 있도록 리더기(210)를 포함할 수 있고, 상기 리더기(210) 내에는 NFC 리더기(211), RFID 리더기(212) 및 QR코드 리더기(213)를 포함할 수 있다. 즉, 상기 출입자 디바이스(500)에서 요구하는 통신방식에 따라 각각의 리더기가 잠자기 모드(Sleep Mode)의 풀링(Pooling) 상태에서 활성화 모드(Wakeup Mode)로 전환된 후 NFC태그, RFID태그 및 QR코드 중 하나를 인식할 수 있다. 그리고 상기 선택적 인식부(200)는 NFC태그, RFID태그 및 QR코드 중 하나를 인식한 후 내장된 데이터를 추출하여 상기 태그정보를 생성할 수 있다.

또한, 상기 선택적 인식부(200)는 사용자의 지문, 얼굴 및 음성을 인식하고 생체정보를 생성한다. 즉, 상기 선택적 인식부(200)는 사용자의 지문, 얼굴 및 음성을 인식할 수 있도록 획득부(220)를 포함할 수 있고, 상기 획득부(220) 내에는 카메라(221), 마이크(222) 및 광학부(223)를 포함할 수 있다. 즉, 상기 사용자가 요구하는 인식방식에 따라 각각의 획득부(220)가 잠자기 모드(Sleep Mode)의 풀링(Pooling) 상태에서 활성화 모드(Wakeup Mode)로 전환된 후 사용자의 지문, 얼굴 및 음성 중 하나를 인식할 수 있다.

즉, 상기 카메라(221)는 사용자의 얼굴을 촬영한 영상을 획득할 수 있고, 상기 마이크(222)는 사용자의 음성이 입력될 수 있고, 상기 광학부(223)는 가시광선에 반사된 지문영상을 획득할 수 있다. 그리고 상기 생체정보는 사용자의 얼굴영상, 음성, 지문영상 중 하나일 수 있다.

또한, 상기 선택적 인식부(200)는 블루투스 통신부(230)를 구비하여 출입자 디바이스(500)와 무선통신 가능하도록 연결될 수 있다.

다음으로, 상기 통합 관리 서버(300)는 상기 체온 측정부(100)로부터 측정된 출입자의 체온에 대한 정상여부를 판단하고, 기 저장된 태그정보와 상기 태그정보를 비교하거나 인공지능 기술기반으로 상기 생체정보를 분석하여 출입자를 인증한다.

우선, 상기 통합 관리 서버(300)는 출입자의 체온 정상여부를 판단함에 있어서, 기 설정된 기준체온 범위를 미만 또는 초과하는 경우 비정상이라고 판단할 수 있다.

또한, 상기 통합 관리 서버(300)는 출입자의 본인인증을 함에 있어서, 상기 통합 관리 서버(300) 내 기 저장된 태그정보와 상기 태그정보를 비교할 수 있고, 상기 태그정보는 고유 식별자를 포함하는 필드 프레임 구조로 형성될 수 있고 고유 식별자를 포함하는 필드 프레임이 모두 일치하는 경우에만 출입자의 본인인증이 가능하다.

또한, 상기 통합 관리 서버(300)는 인공지능 기술기반으로 상기 생체정보를 분석한 후 출입자를 인증하기 위하여 생체정보 분배부(310), 생체정보 분석부(320) 및 생체정보 학습부(330)를 포함할 수 있다.

상기 통합 관리 서버(300) 내에는 n개의 인공 신경망이 기 저장될 수 있고, 이에 따라 상기 생체정보 분배부(310)는 상기 생체정보의 종류에 따라 생체정보별 신경망 모델에 분배할 수 있다. 즉, 상기 생체정보로 얼굴영상이 전송된다면 상기 생체정보 분배부(310)는 얼굴영상을 분석할 수 있는 제 1신경망 모델에 상기 얼굴영상을 입력할 수 있다. 상기 생체정보로 음성이 전송된다면 상기 생체정보 분배부(310)는 음성을 분석할 수 있는 제 2신경망 모델에 상기 음성을 입력할 수 있다. 상기 생체정보로 지문영상이 전송된다면 상기 생체정보 분배부(310)는 지문영상을 분석할 수 있는 제 3신경망 모델에 상기 지문영상을 입력할 수 있다.

다음으로, 상기 생체정보 분석부(320)는 상기 생체정보별 신경망 모델을 이용하여 상기 생체정보를 분석할 수 있다. 예컨대 지문은 일반적으로 손가락에 존재하는 땀구멍이 융기한 선으로 형성된 문양으로, 융기되어 나타내는 선을 융선, 두 융선 사이의 패인 곳을 골이라고 칭한다. 지문인식은 상기 융선의 패턴을 분석하는 것으로, 상기 융선의 단선되는 곳인 단점, 두 가닥의 융선이 하나의 융선이 되는 곳인 분기점, 지문 형상의 중심부분인 코어, 융선이 삼각형 모양을 이루는 부분인 델타점 등을 특징점으로 하여 각 사용자의 지문을 구별할 수 있다.

도 2는 본 발명의 일실시예에 따른 지문 영상을 분석하는 인공 신경망을 표시한 도면이다. 도 2를 보면, 상기 생체정보 분석부(320)는 지문영상을 분석할 수 있는 신경망 모델에 상기 생체정보로 지문영상이 입력되기 전 상기 지문영상을 선명하게 하는 개선화, 상기 지문영상을 흑백으로 표시하는 이진화, 상기 지문영상을 구획별로 나누는 세션화하는 전처리를 할 수 있다.

그리고 세션화된 지문영상을 신경망 모델에 입력하면 사용자의 지문에 대한 상기 특징점을 추출할 수 있고, 기 저장된 상기 특징점과의 비교를 통해 세션별 유사도를 결정할 수 있다. 도 2는 본 발명의 일실시예에 따른 지문 영상을 분석하는 인공 신경망을 표시한 도면이다.

도 2를 보면, 지문영상을 분석하기 위한 신경망 모델은 기본 CNN계열의 모델에 합성곱층(Convolution)층, 풀링(Pooling)층, 오토인코더(Auto Encorder)를 결합한 구조를 사용할 수 있다. 이러한 구조를 갖는 상기 신경망 모델을 이용하여 상기 지문영상의 특징점을 추출할 수 있다. 그리고 상기 생체정보 분석부(320)는 가장 바람직하게 기 저장된 지문영상을 상기 신경망 모델에 입력하여 기 저장된 지문영상의 특징점을 추출할 수 있다.

또한, 그리고 상기 생체정보 분석부(320)는 기 저장된 상기 특징점과의 비교를 통해 상기 지문영상의 구획별 유사도를 결정하는데 있어서, 상기 신경망 모델의 종단 부분의 활성화 함수를 통해 가능하다.

일반적으로, 인공 신경망 모델에 있어서, 예측(Prediction)에 대한 문제는 회귀(Regression) 관련 활성화 함수를 통해 해결할 수 있고, 분류(Classification) 문제는 분류(Classification)에 관련 활성화 함수를 통해 해결할 수 있다. 상기 분류(Classification) 또는 회귀(Regression) 문제를 해결하기 위한 신경망 층의 종단 부분의 활성화 함수를 통한 결과 데이터는 전처리 과정 또는 신경망 내부에서 정규화(normalization, [0, 1]) 과정을 거친 데이터이다.

상기 생체정보 분석부(320)는 가장 바람직하게 이진분류(Binary Classification)를 위해 사용되는 Sigmoid 활성화 함수를 사용하여 상기 지문영상과 기 저장된 지문영상과의 유사도가 설정된 경계값(Threshold) 보다 크거나 같으면 1, 설정된 경계값(Threshold) 보다 작거나 같으면 0으로 표시할 수 있다. 여기서, 상기 경계값(Threshold)은 [0, 1] 사이의 범위일 수 있다.

또한, 상기 생체정보 분석부(320)는 상기 지문 입력 시 압착력의 변화로 인해 융선의 모양이 잘 나타나지 않거나 세션화 오류로 생기는 부분을 제거하고 불필요한 연산을 줄이는 후처리를 할 수 있다. 그리고 후처리가 완료된 지문영상의 세션별 유사도를 기반으로 정합율을 최종적으로 도출할 수 있다. 이에 따라 기 설정된 정합율 이상이면 출입자의 본인인증이 가능하다.

다음으로, 상기 생체정보 학습부(330)는 상기 생체정보를 상기 생체정보별 신경망 모델에 학습시킨 후 저장할 수 있다. 즉, 상기 통합 관리 서버(300)는 인공지능 기술 내 신경망 모델을 기반으로 상기 생체정보에 따른 출입자의 본인인증을 실행하기 때문에 매번 입력되는 상기 생체정보를 신경망 모델에 학습시키는 과정을 반드시 거쳐 발전시킬 수 있다.

한편, 상기 통합 관리 서버(300)는 본인임이 인증된 출입자의 예약을 확인하기 위해서 예약 관리부(340)를 더 포함할 수 있다.

상기 예약 관리부(340)는 인증된 출입자의 예약 스케줄을 확인하고, 인공지능 기술기반으로 실시간으로 변경되는 예약현황에 따라 상기 예약 스케쥴을 재배치할 수 있다.

다시 말하면, 상기 예약 관리부(340)는 스케줄링 예측정확도를 높이기 위해 비지도 학습의 신경망으로 생성적 대립 신경망(Generative Adversarial Network; GAN)을 사용할 수 있고, 큐잉이론(Queueing Throry)에 바탕을 둔 대기행렬을 적용한다.

일반적으로 생성적 대립 신경망(GAN)은 확률분포를 학습하는 생성모델과 서로 다른 집합을 구분하는 판별모델이 경쟁하면서 실제와 가까운 이미지, 동영상, 음성을 자동으로 만들어 내는 기계학습 방식의 하나이다. 큐잉이론은 대기줄에 대한 수학적 이론으로 대기행렬에 도착, 대기 그리고 대기줄에 대한 확률적 해석을 위한 이론이다.

즉, 상기 예약 관리부(340)는 GAN 기반으로 의료기관에서 환자의 평균 대기시간, 대기행렬의 크기, 진료서비스 수준 등의 특성값을 추출한 후 대기행렬 기반으로 환자의 대기시간을 최소화하는 방향으로 예약 스케쥴을 재배치할 수 있다.

도 3은 본 발명의 일실시예에 따른 예약 관리부(340)로부터 예약대기행렬(a) 및 진료대기행렬(b)을 표시한 도면이다. 도 3의 (a)를 보면, 출입자의 진료 예약시간이 14시, 실제 진료 시작시간이 14시 20분, 의료기관에 도착한 시간이 13시 40분이라면 40분의 대기시간이 발생하게 된다. 또한, 도 3의 (b)를 보면, 출입자가 예약하지 않고 14시에 의료기관에 도착하고 진료 시작가능시간이 15시 20분이라면 진료시간을 결정할 수 없으므로 줄서기 방식으로 예약 스케쥴이 재배치될 수 있다.

도 4는 본 발명의 일실시예에 따른 예약 스케줄을 재배치하기 위한 인공 신경망을 표시한 도면이다.

도 4를 보면, 상기 GAN 모델은 VAE의 장점과 GAN 모델의 특징을 이용한 것으로, 대기시간 추정의 정확도를 높이고자 상기 GAN 모델의 앞부분에는 평가기준이 명확한 VAE(Variational Auto-Encoder)를 두고, 뒷부분에는 시각화에서 판단할 수 있는 GAN 모델을 사용할 수 있다.

상기 GAN 모델에 입력되는 Feature Input은 다양한 인자들이 될 수 있고, 가장 바람직하게 상관관계의 값을 이용하여 상관도가 높은 인자를 취득해서 상기 Feature Input의 입력 대상으로 선정될 수 있다.

상기 Feature Input은 VAE 내 인코더를 거쳐 내부적 확률분포인 Latent Space를 만든 후 디코더를 통해 벡터 데이터가 추출될 수 있다. 그리고 상기 벡터 데이터는 GAN 모델 내 P(x)에 입력되고, G(x) 내에 랜덤 벡터 데이터가 입력되고 판별모델의 D(x)에서 P(x)와 G(x)의 상호 간의 차이를 통해 Loss 함수를 도출한다. 상기 Loss 함수를 이용하여 백프로퍼게이션( Backpropagation) 방법으로 거짓과 실제 데이터를 보정하게 되며, 이러한 과정의 반복으로 더욱더 정밀한 예측이 가능하다. 상기 판별모델의 D(x)에서 선택자가 도출되고 상기 선택자는 CNN 기반으로 출입자를 어떤 의료진에게 배정할지 판단하고, 예측시간을 추정할 수 있다.

한편, 상기 통합 관리 서버(300)는 동선 추적 이력부(360) 및 위험레벨 생성부(370)를 더 포함할 수 있다. 상기 태그정보 또는 생체정보가 이용되어 출입자의 본인인증이 완료되면 상기 동선 추적 이력부(360)는 외부정보 수집서버(600)로부터 출입자의 동선정보를 획득할 수 있다. 여기서 상기 외부정보 수집서버(600)는 타 의료기관, 공공기관, 교통기관, 음식점, 기타 장소에서 제공하는 오픈소스를 수집하는 서버일 수 있다.

상기 위험레벨 생성부(370)는 상기 동선정보가 이용되어 사용자의 위험레벨을 생성할 수 있다. 예컨대, 상기 위험레벨 생성부(370)는 위험지역 방문이 전무한 경우 1단계, 위험지역을 방문한지 수개월된 경우 2단계, 위험지역을 방문한지 수주된 경우 3단계로 구분할 수 있다. 그리고 상기 통합 관리 서버(300)는 상기 위험레벨이 상기 1단계일 경우에만 출입자가 의료기관에 출입할 수 있도록 할 수 있고, 반면에 2단계 이상인 경우에 상기 통합 관리 서버(300) 내 기 저장된 대응 매뉴얼에 따라 출입자의 출입을 통제할 수 있다.

즉, 본원발명은 상기 외부정보 수집서버(600) 및 상기 위험레벨 생성부(370)를 구비함으로써, 특정한 대상자의 위험지역 방문이력과 같은 동선 추적이 가능하고 특정 지역의 위험 지수를 가중값으로 점수화시킬 수 있고 감염병 확산의 잠재적 보균자 관리가 가능하도록 하는 효과가 있다.

한편, 상기 통합 관리 서버(300)는 의료기관 출입 이후에 출입자의 동선을 지속적으로 파악하기 위하여 위치 추적부(350)를 더 포함할 수 있다.

상기 위치 추적부(350)는 인증된 출입자의 디바이스(500)로부터 전송된 신호세기(Received Signal Strength Indicator; RSSI)를 기반으로 의료기관 내에서 출입자의 위치를 추적할 수 있다.

도 5는 본 발명의 일실시예에 따른 신호세기에 따른 출입자의 위치 추정을 표시한 도면이다. 도 5를 보면, 상기 위치 추적부(350)는 상기 출입자 디바이스(500)로부터 전송된 상기 신호세기(RSSI)를 삼변 측량법을 이용하여 상기 출입자 디바이스(500)의 위치를 추적할 수 있다.

일반적으로 삼변 측량법은 비컨 노드와 단말 노드 간의 측정된 거리 정보를 기반으로 위치를 측정하는 방식으로, 단일 측정값보다는 다수의 노드를 이용하여 추출된 다수 좌표들의 외곽선을 연결한 다각형의 무게중심을 구하여 좌표를 추정할 수 있다.

다만, 상기 위치 추적부(350)는 상기 출입자 디바이스(500)간 장애물이 있거나 거리가 멀어질수록 경로손실에 따라 상기 출입자 디바이스(500)의 위치 좌표가 잘못 추정할 수도 있으므로 이를 보정할 수 있다.

즉, 상기 위치 추적부(350)는 AE(Auto-Encoder)와 생성적 대립 신경망(Generative Adversarial Network; GAN)을 사용하여 상기 출입자 디바이스(500)의 위치 좌표를 보정할 수 있다. 도 6은 본 발명의 일실시예에 따른 출입자 디바이스(500)의 위치 좌표를 보정하기 위한 인공 신경망을 표시한 도면이다.

도 6을 보면, 입력되는 Feature Input은 다양한 인자들이 될 수 있고, 전처리 과정에서 두 변수 사이의 통계적 관계를 표현한 상관계수를 이용하여 상관도가 높은 인자들을 취득해서 Feature Input의 입력 대상으로 선정할 수 있다. 상기 위치 추적부(350)에 포함된 인공 신경망은 AE(Auto-Encoder)와 생성적 대립 신경망(Generative Adversarial Network; GAN) 모델의 특징을 사용한 것으로, 인공 신경망의 앞부분은 AE(Auto-Encoder)로 내 인코더를 거쳐 차원 축소를 통해 연관성이 높은 Latent Value를 만든 후 디코더로부터 디코딩된 벡터 데이터가 GAN 모델로 입력될 수 있다.

다시 말하면 상기 GAN 모델 내 P(x)에는 상기 벡터 데이터가 입력되고, G(x)에는 랜덤 벡터 데이터가 입력된다. 그리고 판별모델 D(x)에서 P(x) 및 G(x)간 차이를 통해 Loss 함수를 구한 후 백프로퍼게이션 방법으로 거짓과 실제 데이터를 보정하고 이러한 과정의 반복으로 더욱더 정밀한 예측이 가능하다. 추가적으로, 판별모델 D(x)로부터 추정된 상기 출입자 디바이스(500)의 위치 좌표를 CNN 모델을 이용하여 보정할 수 있다.

다음으로, 상기 모니터링부(400)는 인터넷상에서 상기 통합 관리 서버(300)에 접근하고, 관리자가 의료기관의 출입자를 모니터링 할 수 있도록 한다. 상기 통합 관리 서버(300)는 클라우드 기술기반으로 형성될 수 있고, 상기 모니터링부(400)는 장소에 상관없이 인터넷상에 접근할 수 있도록 구비된다면 상기 통합 관리 서버(300)에 접속하여 의료기관의 모든 출입자에 대한 신상, 실시간 출입동선, 출입 및 동선 이력, 예약현황, 재배치된 예약 등 상기 통합 관리 서버(300)에서 제공할 수 있는 모든 정보를 지정된 권한에 따라 모니터링할 수 있다.

상기 모니터링부(400)는 스마트폰, 개인PC, 테블릿PC, 대시보드, 노트북 등 인터넷이 가능하고 디스플레이를 구비하는 모든 장치를 포함할 수 있고 특정한 장치에 한정되지 않는다.

인공지능 기술기반의 의료기관 출입자 관리 방법

이하, 본 발명에 따른 실시예를 첨부한 도면을 참조하여 상세히 설명하기로 한다. 도 7은 본 발명의 인공지능 기술기반의 의료기관 출입자 관리 방법 흐름도이다.

도 7을 보면, 본 발명의 인공지능 기술기반의 의료기관 출입자 관리 방법은 체온 측정단계(S100), 체온 정상여부 판단단계(S200), 선택적 인식단계(S300) 및 출입자 인증단계(S400)를 포함한다.

보다 구체적으로, 상기 체온 측정단계(S100)는 체온 측정부(100)에 의하여, 의료기관 출입구 주변의 지정위치에서 출입자가 인식된 후 출입자의 체온이 측정된다. 상기 체온 측정단계(S100)는 일정 거리 이격된 위치에서 출입자의 체온이 측정되기 위해서 가장 바람직하게 물질이 방출하는 적외선 복사 에너지가 온도에 따라 달라지는 원리를 이용한 적외선 온도측정법이 이용될 수 있다.

다음으로, 상기 체온 정상여부 판단단계(S200)는 통합 관리 서버(300)에 의하여, 상기 체온 측정부(100)로부터 측정된 출입자의 체온에 대한 정상여부가 판단된다. 출입자의 체온 정상여부가 판단됨에 있어서, 기 설정된 기준체온 범위가 미만 또는 초과되는 경우 비정상이라고 판단될 수 있다.

도 8을 보면, 상기 체온 정상여부 판단단계(S200)는 1차적으로 상기 체온 측정단계(S100)로부터 측정된 출입자의 체온이 측정된 후 기 설정된 기준체온 범위 내에 포함되면 정상이라고 판단되고, 다음단계가 진행될 수 있다.

반면에 기 설정된 기준체온 범위 미만 또는 초과되는 경우 오류가능성이 있으므로 2차적으로 상기 출입자의 체온이 측정될 수 있도록 상기 체온 측정단계(S100)로 회귀될 수 있다. 상기 체온 정상여부 판단단계(S200)는 2차적으로 측정된 출입자의 체온이 기 설정된 기준체온 범위 내에 포함되면 정상이라고 판단되고, 다음 단계가 진행될 수 있다. 다만, 2차적으로 측정된 출입자의 체온이 기 설정된 기준체온 범위 미만 또는 초과되는 경우 상기 통합 관리 서버(300) 내 기 저정된 대응 매뉴얼에 따라 출입자의 출입을 통제할 수 있다.

다음으로, 상기 선택적 인식단계(S300)는 선택적 인식부(200)에 의하여, 출입자의 디바이스(500)에 구비된 NFC태그, RFID태그 및 QR코드 중 하나가 인식된 후 태그정보가 생성되거나, 사용자의 지문, 얼굴 및 음성 중 하나가 인식된 후 생체정보가 생성된다.

우선, 상기 선택적 인식단계(S300)는 선택적 인식부(200)에 의하여, 출입자의 디바이스(500)에 구비된 NFC태그, RFID태그 및 QR코드 중 하나가 인식되면 태그정보가 생성될 수 있다. 상기 태그정보는 고유 식별자를 포함하는 필드 프레임 구조로 형성될 수 있다. 고유 식별자를 포함하는 필드 프레임 구조는 STX, UUID, LEN, DATA, CRC, ETX를 포함할 수 있다. 상기 STX는 필드 프레임 시작을 표시하고, 상기 UUID는 출입자 디바이스(500)를 식별하기 위해 상기 선택적 인식부(200)로부터 부여된 코드이다. 상기 LEN은 DATA의 길이를 표시하고, 상기 DATA는 내장된 유효 데이터이고, 상기 CRC는 순환중복검사를 위해 관리자로부터 설정된 지역구분코드, 의료기관분류코드, 입력방식 구분코드 등을 표시할 수 있다. 상기 ETX는 필드 프레임 끝을 표시한다.

또한, 상기 선택적 인식단계(S300)는 선택적 인식부(200)에 의하여, 사용자의 지문, 얼굴 및 음성 중 하나가 인식된 후 생체정보가 생성된다.

상기 생체정보는 상기 선택적 인식부(200) 내 상기 카메라(221)로부터 출입자의 얼굴이 촬영된 영상일 수 있고, 상기 마이크(222)로부터 입력된 출입자의 음성일 수 있고, 상기 광학부(223)로부터 가시광선에 반사된 지문영상일 수 있다.

다음으로, 상기 출입자 인증단계(S400)는 상기 통합 관리 서버(300)에 의하여, 기 저장된 태그정보와 상기 태그정보가 비교되거나 인공지능 기술기반으로 상기 생체정보가 분석되어 출입자가 인증된다.

한편, 상기 출입자 인증단계(S400)는 출입자가 신규자로 상기 통합 관리 서버(300) 내 기 저장된 태그정보 및 생체정보가 전무할 경우에는 상기 통합 관리 서버(300) 내 기 저장된 등록절차에 따라 신규자의 태그정보 및 생체정보가 등록될 수 있도록 하고, 상기 선택적 인식단계(S300)로 회귀되어 출입자의 상기 태그정보 및 생체정보가 다시 생성되도록 할 수 있다. 반면에, 일정 시간 이내에 신규자의 태그정보 및 생체정보가 등록되지 않으면 상기 통합 관리 서버(300) 내 기 저장된 대응 매뉴얼에 따라 출입자의 출입이 통제될 수 있다.

출입자가 기 인증자로 상기 통합 관리 서버(300) 내 기 저장된 태그정보 및 생체정보가 저장되어 있을 경우 우선, 상기 출입자 인증단계(S400)는 상기 선택적 인식단계(S300)로부터 태그정보가 입력되면 기 저장된 태그정보와 상기 태그정보가 비교된다. 출입자 디바이스(500)별로 기 저장된 태그정보 내 고유 식별자를 포함하는 필드 프레임 구조와 의료기관에서 내에서 인식된 태그정보 내 고유 식별자를 포함하는 필드 프레임 구조와 비교하여 모두 일치하는 경우에만 출입자의 본인인증이 가능하다.

한편, 도 8은 본 발명의 일실시예에 따른 출입자 인증단계(S400)는 세부흐름도이다.

도 8을 보면, 상기 출입자 인증단계(S400)는 상기 선택적 인식단계(S300)로부터 생체정보가 입력되면 인공지능 기술기반으로 상기 생체정보가 분석되어 출입자가 인증되기 위하여, 생체정보 분류단계(S410), 생체정보 분석단계(S420) 및 생체정보 학습단계(S430)를 포함할 수 있다.

상기 생체정보 분류단계(S410)는 기 생체정보의 종류에 따라 생체정보별 신경망 모델에 분배될 수 있다. 즉, 상기 생체정보로 얼굴영상이 전송된다면 상기 생체정보 분류단계(S410)는 얼굴영상이 분석될 수 있는 제 1신경망 모델에 상기 얼굴영상이 입력될 수 있다. 상기 생체정보로 음성이 전송된다면 상기 생체정보 분류단계(S410)는 음성이 분석될 수 있는 제 2신경망 모델에 상기 음성이 입력될 수 있다. 상기 생체정보로 지문영상이 전송된다면 상기 생체정보 분류단계(S410)는 지문영상이 분석될 수 있는 제 3신경망 모델에 상기 지문영상이 입력될 수 있다.

다음으로, 상기 생체정보 분석단계(S420)는 상기 생체정보별 신경망 모델을 이용하여 상기 생체정보가 분석될 수 있다. 예컨대 지문은 일반적으로 손가락에 존재하는 땀구멍이 융기한 선으로 형성된 문양으로, 융기되어 나타내는 선을 융선, 두 융선 사이의 패인 곳을 골이라고 칭한다. 지문인식은 상기 융선의 패턴을 분석하는 것으로, 상기 융선의 단선되는 곳인 단점, 두 가닥의 융선이 하나의 융선이 되는 곳인 분기점, 지문 형상의 중심부분인 코어, 융선이 삼각형 모양을 이루는 부분인 델타점 등을 특징점으로 하여 각 사용자의 지문을 구별할 수 있다.

도 2를 보면, 상기 생체정보 분석단계(S420)는 상기 생체정보 분석부(320)에 의하여, 지문영상을 분석할 수 있는 신경망 모델에 상기 생체정보로 지문영상이 입력되기 전 상기 지문영상을 선명하게 하는 개선화단계(S421), 상기 지문영상을 흑백으로 표시되는 이진화단계(S422), 상기 지문영상이 구획별로 나눠지는 세션화단계(S423)를 포함하는 전처리가 우선될 수 있다.

그리고 상기 생체정보 분석단계(S420)는 상기 생체정보 분석부(320)에 의하여, 상기 세션화단계(S423)로부터 세션화된 지문영상이 신경망 모델에 입력되면 사용자의 지문에 대한 상기 특징점이 추출되는 특징점 추출단계(S424), 기 저장된 상기 특징점과의 비교를 통해 세션별 유사도가 결정되는 유사도 결정단계(S425)가 더 포함될 수 있다.

도 2를 보면, 지문영상이 분석되기 위한 신경망 모델은 기본 CNN계열의 모델에 합성곱층(Convolution)층, 풀링(Pooling)층, 오토인코더(Auto Encorder)가 결합된 구조일 수 있고, 이러한 구조를 갖는 상기 신경망 모델이 이용되어 상기 지문영상의 특징점이 추출될 수 있다. 그리고 상기 특징점 추출단계(S224)는 가장 바람직하게 기 저장된 지문영상을 상기 신경망 모델에 입력하여 기 저장된 지문영상의 특징점이 추출될 수 있다.

또한, 상기 유사도 결정단계(S425)는 상기 생체정보 분석부(320)에 의하여, 기 저장된 상기 특징점과의 비교를 통해 상기 지문영상의 구획별 유사도가 결정되는데 있어서, 상기 신경망 모델의 종단 부분의 활성화 함수가 이용될 수 있다.

일반적으로, 인공 신경망 모델이 있어서, 예측(Prediction)에 대한 문제는 회귀(Regression) 관련 활성화 함수를 통해 해결할 수 있고, 분류(Classification) 문제는 분류(Classification)에 관련 활성화 함수를 통해 해결할 수 있다. 상기 분류(Classification) 또는 회귀(Regression) 문제를 해결하기 위한 신경망 층의 종단 부분의 활성화 함수를 통한 결과 데이터는 전처리 과정 또는 신경망 내부에서 정규화(normalization, [0, 1]) 과정을 거친 데이터이다.

상기 유사도 결정단계(S425)는 상기 생체정보 분석부(320)에 의하여, 가장 바람직하게 이진분류(Binary Classification)를 위해 사용되는 Sigmoid 활성화 함수가 사용되어 상기 지문영상과 기 저장된 지문영상과의 유사도가 설정된 경계값(Threshold) 보다 크거나 같으면 1, 설정된 경계값(Threshold) 보다 작거나 같으면 0으로 표시될 수 있다. 여기서, 상기 경계값(Threshold)은 [0, 1] 사이의 범위일 수 있다.

그리고 상기 생체정보 분석단계(S420)는 상기 지문 입력 시 압착력의 변화로 인해 융선의 모양이 잘 나타나지 않거나 세션화 오류로 생기는 부분이 제거되고 불필요한 연산을 줄이는 후처리 단계(S426), 후처리가 완료된 지문영상의 세션별 유사도가 기반이 되어 정합율이 최종적으로 도출되는 정합율 산출단계(S427)가 더 포함될 수 있다. 이에 따라, 상기 정합율 산출단계(S427)로부터 도출된 상기 정합율이 기 설정된 정합율 이상이면 출입자의 본인인증이 가능하다.

다음으로, 상기 생체정보 학습단계(S430)는 상기 생체정보가 상기 생체정보별 신경망 모델에 학습된 후 저장될 수 있다. 즉, 상기 통합 관리 서버(300)는 인공지능 기술 내 신경망 모델을 기반으로 상기 생체정보에 따른 출입자의 본인인증을 실행하기 때문에 매번 입력되는 상기 생체정보를 신경망 모델에 학습시키는 과정을 반드시 거쳐 발전될 수 있다.

한편, 상기 출입자 인증단계(S400)는 상기 태그정보 또는 생체정보가 이용되어 출입자의 본인인증이 완료되면 상기 통합 관리 서버(300) 내 동선 추적 이력부(360)가 외부정보 수집서버(600)로부터 출입자의 동선정보가 획득되는 동선정보 획득단계(S440) 및 상기 동선정보가 이용되어 사용자의 위험레벨이 생성되는 위험레벨 생성단계(S450)가 더 포함될 수 있다.

상기 위험레벨 생성단계(S450)는 위험지역 방문이 전무한 경우 1단계, 위험지역을 방문한지 수개월된 경우 2단계, 위험지역을 방문한지 수주된 경우 3단계로 구분될 수 있고, 상기 1단계일 경우에만 출입자가 의료기관에 출입할 수 있도록 할 수 있고, 반면에 2단계 이상인 경우에 상기 통합 관리 서버(300) 내 기 저장된 대응 매뉴얼에 따라 출입자의 출입이 통제될 수 있다.

한편, 본원발명의 인공지능 기술기반의 의료기관 출입자 관리 방법은 본인임이 인증된 출입자의 예약이 확인되기 위해서 예약 관리단계(S500)가 더 포함될 수 있다. 도 9는 본 발명의 일실시예에 따른 예약 관리단계(S500) 세부흐름도이다.

도 9를 보면, 상기 예약 관리단계(S500)는 상기 통합 관리 서버(300) 내 예약 관리부(340)에 의하여, 인증된 출입자의 예약 스케줄이 확인되고, 인공지능 기술기반으로 실시간으로 변경되는 예약현황에 따라 상기 예약 스케쥴이 재배치될 수 있다. 예컨대 상기 예약 관리단계(S500)는 출입자의 예약 스케줄이 확인되면 큐잉이론(Queueing Throry)에 바탕을 둔 예약대기행렬에 배치될 수 있고, 출입자의 예약 스케줄이 확인되지 않으면 진료대기행렬에 배치될 수 있다. 그리고 상기 예약대기행렬 및 진료대기행렬이 통합된 통합대기행렬이 이용되어 실시간 예약 현황에 따라 GAN 신경망을 기반으로 예약 스케줄이 재배치될 수 있다.

보다 구체적으로, 상기 예약 관리단계(S500)는 스케줄링 예측정확도를 높이기 위해 비지도 학습의 신경망으로 생성적 대립 신경망(Generative Adversarial Network; GAN)이 사용될 수 있고, 큐잉이론(Queueing Throry)에 바탕을 둔 대기행렬이 적용될 수 있다.

상기 예약 관리단계(S500)는 GAN 기반으로 의료기관에서 환자의 평균 대기시간, 대기행렬의 크기, 진료서비스 수준 등의 특성값이 추출된 후 대기행렬 기반으로 환자의 대기시간이 최소화되는 방향으로 예약 스케쥴이 재배치될 수 있다.

상기 GAN 모델은 VAE의 장점과 GAN 모델의 특징을 이용한 것으로, 대기시간 추정의 정확도를 높이고자 상기 GAN 모델의 앞부분에는 평가기준이 명확한 VAE(Variational Auto-Encoder)를 두고, 뒷부분에는 시각화에서 판단할 수 있는 GAN 모델을 사용할 수 있다.

상기 Feature Input은 VAE 내 인코더를 거쳐 내부적 확률분포인 Latent Space를 만든 후 디코더를 통해 벡터 데이터가 추출될 수 있다. 그리고 상기 벡터 데이터는 GAN 모델 내 P(x)에 입력되고, G(x) 내에 랜덤 벡터 데이터가 입력되고 판별모델의 D(x)에서 P(x)와 G(x)의 상호 간의 차이를 통해 Loss 함수를 도출한다. 상기 Loss 함수를 이용하여 백프로퍼게이션( Backpropagation) 방법으로 거짓과 실제 데이터를 보정하게 되며, 이러한 과정의 반복으로 더욱더 정밀한 예측이 가능하다. 상기 판별모델의 D(x)에서 선택자가 도출되고 상기 선택자는 CNN 기반으로 출입자를 어떤 의료진에게 배정할지 판단되고, 예측시간이 추정될 수 있다.

한편, 본원발명의 인공지능 기술기반의 의료기관 출입자 관리 방법은 본인임이 인증된 출입자의 의료기관 내 위치가 지속적으로 확인되기 위해서 위치 추적단계(S600)가 더 포함될 수 있다.

상기 위치 추적단계(S600)는 상기 통합 관리 서버(300) 내 위치 추적부(350)에 의하여, 인증된 출입자의 디바이스로부터 전송된 신호세기(Received Signal Strength Indicator; RSSI)가 기반이 되어 의료기관 내에서 출입자의 위치가 추적될 수 있다.

상기 위치 추적단계(S600)는 상기 출입자 디바이스(500)로부터 전송된 상기 신호세기(RSSI)가 삼변 측량법에 대입되어 상기 출입자 디바이스(500)의 위치가 추적될 수 있다.

일반적으로 삼변 측량법은 비컨 노드와 단말 노드 간의 측정된 거리 정보를 기반으로 위치를 측정하는 방식으로, 단일 측정값보다는 다수의 노드를 이용하여 추출된 다수 좌표들의 외곽선을 연결한 다각형의 무게중심이 산출되어 좌표가 추정될 수 있다.

다만, 상기 위치 추적단계(S600)는 상기 출입자 디바이스(500)간 장애물이 있거나 거리가 멀어질수록 경로손실에 따라 상기 출입자 디바이스(500)의 위치 좌표가 잘못 추정될 수도 있으므로 위치 좌표 보정단계(S610)가 포함될 수 있다.

상기 위치 좌표 보정단계(S610)는 AE(Auto-Encoder)와 생성적 대립 신경망(Generative Adversarial Network; GAN)이 사용되어 상기 출입자 디바이스(500)의 위치 좌표가 보정될 수 있다.

다시 말하면 상기 GAN 모델 내 P(x)에는 상기 벡터 데이터가 입력되고, G(x)에는 랜덤 벡터 데이터가 입력된다. 그리고 판별모델 D(x)에서 P(x) 및 G(x)간 차이를 통해 Loss 함수를 구한 후 백프로퍼게이션 방법으로 거짓과 실제 데이터를 보정하고 이러한 과정의 반복으로 더욱더 정밀한 예측이 가능하다. 추가적으로, 판별모델 D(x)로부터 추정된 상기 출입자 디바이스(500)의 위치 좌표가 CNN 모델이 이용되어 보정될 수 있다.

이상과 같이 본 발명에 의하면 체온 측정부(100)로부터 측정된 출입자의 체온에 대한 정상여부를 판단하고, 기 저장된 태그정보와 상기 태그정보를 비교하거나 인공지능 기술기반으로 상기 생체정보를 분석하여 다양한 방식으로 출입자를 인증하도록 구비함으로써, 의료기관 출입자를 철저히 통제하고 차후 감염자의 신상을 정확히 판단할 수 있고 감염경로 역학조사의 효율성을 극대화 시킬 수 있는 효과가 있다.

또한, 본 발명은 인증된 출입자의 디바이스(500)로부터 전송된 신호세기(Received Signal Strength Indicator; RSSI)를 기반으로 의료기관 내에서 출입자의 위치를 추적하도록 구비함으로써, 의료기간 내 출입자의 출입 이후에 지속적으로 이동경로를 확인하여 차후 해당 의료기관에서 감염자가 발생한다면 감염경로에 따른 방역을 시행할 수 있고 역학조사의 효율성을 극대화할 수 있는 효과가 있다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 시술들이 설명된 방법과 다른 순서로 수해되거나, 및/ 또는 으로 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 걸들도 후술하는 특허청구범위의 범위에 속한다.

100.. 체온 측정부
110.. 근접센서
200.. 선택적 인식부
210.. 리더기
211.. NFC 리더기
212.. RFID 리더기
213.. QR코드 리더기
220.. 획득부
221.. 카메라
222.. 마이크
223.. 광학부
230.. 블루투스 통신부
300.. 통합 관리 서버
310.. 생체정보 분배부
320.. 생체정보 분석부
330.. 생체정보 학습부
340.. 예약 관리부
350.. 위치 추적부
360.. 동선 추적 이력부
370.. 위험레벨 생성부
400.. 모니터링부
500.. 출입자 디바이스
600.. 외부정보 수집서버

Claims

근접센서가 구비되고, 의료기관 출입구 주변의 지정위치에서 출입자를 인식한 후 출입자의 체온을 측정하는 체온 측정부;
출입자의 디바이스에 구비된 NFC태그, RFID태그 및 QR코드 중 하나를 인식한 후 태그정보를 생성하거나, 사용자의 지문, 얼굴 및 음성 중 하나를 인식한 후 생체정보를 생성하는 선택적 인식부;
상기 체온 측정부로부터 측정된 출입자의 체온에 대한 정상여부를 판단하고, 기 저장된 태그정보와 상기 태그정보를 비교하거나 인공지능 기술기반으로 상기 생체정보를 분석하여 출입자를 인증하는 통합 관리 서버; 및
인터넷상에서 상기 통합 관리 서버에 접근하고, 관리자가 의료기관의 출입자를 모니터링 할 수 있도록 하는 모니터링부;를 포함하고,
상기 통합 관리 서버는,
사용자의 지문, 얼굴 및 음성을 포함하는 상기 생체정보의 종류에 따라 생체정보별 신경망 모델에 분배하는 생체정보 분배부;
상기 생체정보별 신경망 모델을 이용하여 상기 생체정보를 분석하는 생체정보 분석부; 및
상기 생체정보를 상기 생체정보별 신경망 모델에 학습시킨 후 저장하는 생체정보 학습부;를 포함하고,
상기 생체정보 분석부는,
땀구멍이 융기한 융선과 두 융선 사이의 골로 형성된 문양인 지문을 포함하는 지문영상을 상기 생체정보로 획득하고,
상기 지문영상을 분석할 수 있는 신경망 모델에 상기 지문영상이 입력되기 전, 상기 지문영상을 선명하게 하는 개선화, 상기 지문영상을 흑백으로 표시하는 이진화 및 상기 지문영상을 구획별로 나누는 세션화를 포함하는 전처리를 수행하고,
전처리된 상기 지문영상을 상기 신경망 모델에 입력함으로써, 상기 융선이 단선되는 단점, 두 융선이 하나의 융선이 되는 분기점, 지문의 중심부분인 코어 및 융선이 삼각형 모양을 이루는 델타점 중 적어도 하나를 특징점으로 추출하고,
기 저장된 지문영상 내 특징점과 추출된 특징점의 비교를 통해서 세션별 유사도를 결정하고,
상기 유사도를 기반으로 정합율을 도출하고, 기 설정된 정합율 이상이면 출입자의 본인인증이 가능하도록 하는 것을 특징으로 하는 인공지능 기술기반의 의료기관 출입자 관리 시스템.
제 1항에 있어서,
상기 통합 관리 서버는,
인증된 출입자의 예약 스케줄을 확인하고, 인공지능 기술기반으로 실시간으로 변경되는 예약현황에 따라 상기 예약 스케쥴을 재배치하는 예약 관리부; 및
인증된 출입자의 디바이스로부터 전송된 신호세기(Received Signal Strength Indicator; RSSI)를 기반으로 의료기관 내에서 출입자의 위치를 추적하는 위치 추적부;를 포함하는 인공지능 기술기반의 의료기관 출입자 관리 시스템.
체온 측정부에 의하여, 의료기관 출입구 주변의 지정위치에서 출입자가 인식된 후 출입자의 체온이 측정되는 체온 측정단계;
통합 관리 서버에 의하여, 상기 체온 측정부로부터 측정된 출입자의 체온에 대한 정상여부가 판단되는 체온 정상여부 판단단계;
선택적 인식부에 의하여, 출입자의 디바이스에 구비된 NFC태그, RFID태그 및 QR코드 중 하나가 인식된 후 태그정보가 생성되거나, 사용자의 지문, 얼굴 및 음성 중 하나가 인식된 후 생체정보가 생성되는 선택적 인식단계; 및
상기 통합 관리 서버에 의하여, 기 저장된 태그정보와 상기 태그정보가 비교되거나 인공지능 기술기반으로 상기 생체정보가 분석되어 출입자가 인증되는 출입자 인증단계;를 포함하고,
상기 출입자 인증단계는,
사용자의 지문, 얼굴 및 음성을 포함하는 상기 생체정보의 종류에 따라 생체정보별 신경망 모델에 분배되는 생체정보 분배단계;
상기 생체정보별 신경망 모델이 이용되어 상기 생체정보가 분석되는 생체정보 분석단계; 및
상기 생체정보가 상기 생체정보별 신경망 모델에 학습된 후 저장되는 생체정보 학습단계;를 포함하고,
상기 생체정보 분석단계는,
땀구멍이 융기한 융선과 두 융선 사이의 골로 형성된 문양인 지문을 포함하는 지문영상이 상기 생체정보로 획득되면 상기 지문영상을 분석할 수 있는 신경망 모델에 상기 지문영상이 입력되기 전, 상기 지문영상을 선명하게 하는 개선화단계;
개선화된 상기 지문영상이 흑백으로 표시되는 이진화단계;
이진화된 상기 지문영상이 구획별로 나눠지는 세션화단계;
세션화된 상기 지문영상이 신경망 모델에 입력되면 상기 융선이 단선되는 단점, 두 융선이 하나의 융선이 되는 분기점, 지문의 중심부분인 코어 및 융선이 삼각형 모양을 이루는 델타점 중 적어도 하나가 특징점으로 추출되는 특징점 추출단계;
기 저장된 지문영상 내 특징점과 추출된 특징점의 비교를 통해서 세션별 유사도가 결정되는 유사도 결정단계; 및
상기 유사도가 기반이 되어 정합율이 도출되는 정합율 산출단계;를 포함하고,
상기 정합율 산출단계로부터 도출된 상기 정합율이 기 설정된 정합율 이상이면 출입자의 본인인증이 가능하도록 하는 것을 특징으로 하는 인공지능 기술기반의 의료기관 출입자 관리 방법.
제 3항에 있어서,
상기 통합 관리 서버 내 예약 관리부에 의하여, 인증된 출입자의 예약 스케줄이 확인되고, 인공지능 기술기반으로 실시간으로 변경되는 예약현황에 따라 상기 예약 스케쥴이 재배치되는 예약 관리단계;를 더 포함하는 것을 특징으로 하는 인공지능 기술기반의 의료기관 출입자 관리 방법.
제 3항에 있어서,
상기 통합 관리 서버 내 위치 추적부에 의하여, 인증된 출입자의 디바이스로부터 전송된 신호세기(Received Signal Strength Indicator; RSSI)가 기반이 되어 의료기관 내에서 출입자의 위치가 추적되는 위치 추적단계;를 포함하는 것을 특징으로 하는 인공지능 기술기반의 의료기관 출입자 관리 방법.