KR102567684B1 - Method and apparatus for analyzing social anxiety disorder using digital phenotype feature - Google Patents

Method and apparatus for analyzing social anxiety disorder using digital phenotype feature Download PDF

Info

Publication number
KR102567684B1
KR102567684B1 KR1020230003497A KR20230003497A KR102567684B1 KR 102567684 B1 KR102567684 B1 KR 102567684B1 KR 1020230003497 A KR1020230003497 A KR 1020230003497A KR 20230003497 A KR20230003497 A KR 20230003497A KR 102567684 B1 KR102567684 B1 KR 102567684B1
Authority
KR
South Korea
Prior art keywords
digital
feature
anxiety disorder
social anxiety
phenotypic
Prior art date
Application number
KR1020230003497A
Other languages
Korean (ko)
Inventor
최형신
민충기
김경남
Original Assignee
주식회사 웨이센
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 웨이센 filed Critical 주식회사 웨이센
Priority to KR1020230003497A priority Critical patent/KR102567684B1/en
Application granted granted Critical
Publication of KR102567684B1 publication Critical patent/KR102567684B1/en

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치가 개시된다. 이를 위하여 데이터 수집부가 피험자들이 사용하는 복수의 디지털 장치로부터 피험자 데이터를 수집하는 단계, 특징 추출부가 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 나타내는 적어도 하나 이상의 제1디지털 표현형 특징을 추출하는 단계, 특징 변환부가 적어도 하나 이상의 제1디지털 표현형 특징을 규범적 모델링에 의해 정상군과 사회 불안장애 환자군 간의 차이를 나타내는 적어도 하나 이상의 제2디지털 표현형 특징으로 변환하는 단계, 특징 선택부가 적어도 하나 이상의 제2디지털 표현형 특징 중에서 가중치가 높은 제2디지털 표현형 특징을 선택하는 단계 및 군집 형성부가 선택된 제2디지털 표현형 특징을 적용하여 피험자 군집을 형성하는 단계를 포함하는 사회 불안장애 분석방법을 제공한다. 본 발명에 의하면, 사회 불안장애를 분석하여 증상 변화를 예측할 수 있고 정확한 진단을 내려서 치료받게 할 수 있다.A method and apparatus for analyzing social anxiety disorder using digital phenotypic features are disclosed. To this end, the data collection unit collects subject data from a plurality of digital devices used by the subjects, the feature extraction unit extracts at least one first digital phenotypic feature representing the behavioral pattern of the social anxiety disorder patient from the subject data, converting at least one first digital phenotypic feature into at least one second digital phenotypic feature representing a difference between a normal group and a social anxiety disorder patient group by a conversion unit by normative modeling; A social anxiety disorder analysis method is provided, which includes selecting a second digital phenotypic feature having a high weight among features and forming a subject cluster by applying the selected second digital phenotypic feature to a cluster forming unit. According to the present invention, it is possible to analyze social anxiety disorder to predict symptom changes, make an accurate diagnosis, and receive treatment.

Description

디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치{Method and apparatus for analyzing social anxiety disorder using digital phenotype feature}Method and apparatus for analyzing social anxiety disorder using digital phenotype feature}

본 발명은 디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치에 관한 것으로, 보다 상세하게는 다양한 증상을 보이는 사회 불안장애를 분석하기 위해 디지털 표현형(Digital phenotype) 특징을 최신 기계학습 기법을 이용하여 변환한 후 이를 이용하여 진단 그룹을 분류함으로써 사회 불안장애를 분석하는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for analyzing social anxiety disorder using digital phenotype features, and more particularly, to analyze social anxiety disorder showing various symptoms by converting digital phenotype features using the latest machine learning techniques. The present invention relates to a method and apparatus for analyzing social anxiety disorder by classifying a diagnosis group using the diagnosis group.

불안이나 공포는 누구나 갖는 보편적 정서이며 위험에 대한 적응적 반응이다. 하지만 불안이나 공포로 인한 과도한 두려움이나 걱정, 공포심 등을 갖게 될때는 불안장애로 발전하게 된다. 사회 불안장애는 대중 앞에서 연설해야하는 상황, 처음보는 사람과의 만남, 일상적인 활동인 타인과의 대화 및 식사, 모임 참여 등에서 심한 공포와 회피를 보이는 정신질환이다. 이러한 사회 불안장애는 서서히 발병해서 그 상태에 적응하게 되거나, 동반된 다른 질환에 가려지거나, 성격적인 문제로 치부되는 등 정확한 진단이 어려워 치료가 늦어지는 경향이 있다.Anxiety or fear is a universal emotion that everyone has and is an adaptive response to danger. However, when you have excessive fear, worry, or fear due to anxiety or fear, it develops into an anxiety disorder. Social Anxiety Disorder is a mental disorder that shows severe fear and avoidance of situations in which people have to speak in public, meet strangers, and engage in daily activities such as conversation and eating with others, and participation in gatherings. Such social anxiety disorder develops gradually, and treatment tends to be delayed because accurate diagnosis is difficult, such as adaptation to the condition, being overshadowed by other accompanying diseases, or being dismissed as a personality problem.

최근에는 스마트폰을 이용하여 스스로 자신의 상태를 확인하고 모니터링할 수 있도록 하기 위해 디지털 표현형(Digital phenotype)을 이용하는 연구가 진행되고 있다. 디지털 표현형은 각 개개인이 일상생활에서 사용하는 다양한 디지털 장치를 통해서 실시간으로 얻어지는 다양한 형태의 데이터를 뜻한다. 스마트폰 사용 패턴이나 소셜네트워크에 남겨진 사용 패턴 등을 통해서 디지털 표현형을 획득할 수 있으며, 획득된 디지털 표현형을 분석하여 디지털 장치를 사용하는 사람의 건강상태나 질병의 징후를 예측할 수 있다.Recently, a study using a digital phenotype is being conducted in order to check and monitor one's own condition using a smartphone. Digital phenotype refers to various types of data obtained in real time through various digital devices used by each individual in daily life. Digital phenotypes can be obtained through smartphone usage patterns or usage patterns left on social networks, and by analyzing the acquired digital phenotypes, health conditions or signs of disease of people using digital devices can be predicted.

하지만 사회 불안장애는 다양한 증상을 보이므로 사회 불안장애 증상에 대한 척도가 담긴 디지털 표현형을 획득하는 것은 쉽지 않다. 기존의 디지털 표현형을 그대로 이용하는 경우, 데이터 분포가 불균형을 이루어 편향된 결과를 도출하게 되므로 사회 불안장애 증상을 제대로 분석할 수 없다. 따라서 사회 불안장애에 대한 정확한 진단을 내리거나 적절한 치료를 수행하는 것도 쉽지 않은 상황이다.However, since social anxiety disorder shows various symptoms, it is not easy to obtain a digital phenotype containing a scale for social anxiety disorder symptoms. If the existing digital phenotype is used as it is, the distribution of data is imbalanced, resulting in biased results, making it impossible to properly analyze symptoms of social anxiety disorder. Therefore, it is not easy to make an accurate diagnosis of social anxiety disorder or to perform appropriate treatment.

한국 공개특허공보 제10-2006-0037252호(2006.05.03. 공개)Korean Patent Publication No. 10-2006-0037252 (published on May 3, 2006)

따라서, 본 발명의 목적은 규범적 모델링(Normative modeling)을 통해 디지털 표현형(Digital phenotype) 특징을 변환한 후 이를 이용하여 진단 그룹을 분류하여 다양한 증상을 보이는 사회 불안장애를 분석할 수 있는 디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치를 제공하는데 있다.Therefore, an object of the present invention is to convert digital phenotype features through normative modeling and then classify diagnostic groups using the digital phenotype features to analyze social anxiety disorder with various symptoms. To provide a social anxiety disorder analysis method and device using

상술한 본 발명의 목적을 달성하기 위하여, 본 발명의 디지털 표현형 특징을 이용한 사회 불안장애 분석방법은 (a) 데이터 수집부가 피험자들이 사용하는 복수의 디지털 장치로부터 피험자 데이터를 수집하는 단계; (b) 특징 추출부가 상기 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 나타내는 적어도 하나 이상의 제1디지털 표현형 특징을 추출하는 단계; (c) 특징 변환부가 상기 적어도 하나 이상의 제1디지털 표현형 특징을 규범적 모델링(Normative modeling)에 의해 정상군과 사회 불안장애 환자군 간의 차이를 나타내는 적어도 하나 이상의 제2디지털 표현형 특징으로 변환하는 단계; (d) 특징 선택부가 상기 적어도 하나 이상의 제2디지털 표현형 특징 중에서 가중치가 높은 제2디지털 표현형 특징을 선택하는 단계; 및 (e) 군집 형성부가 선택된 상기 제2디지털 표현형 특징을 적용하여 피험자 군집을 형성하는 단계;를 포함한다.In order to achieve the above object of the present invention, the social anxiety disorder analysis method using the digital phenotypic features of the present invention includes the steps of (a) collecting subject data from a plurality of digital devices used by the data collection unit; (b) extracting at least one first digital phenotype feature representing a behavioral pattern of a patient with social anxiety disorder from the subject data by a feature extraction unit; (c) converting the at least one first digital phenotypic feature into at least one second digital phenotypic feature representing a difference between a normal group and a social anxiety disorder patient group by a feature conversion unit through normative modeling; (d) selecting, by a feature selector, a second digital phenotype feature having a high weight from among the at least one second digital phenotype feature; and (e) forming a subject cluster by applying the second digital phenotype feature selected by the cluster forming unit.

또한, 디지털 표현형 특징을 이용한 사회 불안장애 분석방법은 설문결과 수집부가 상기 복수의 디지털 장치를 통해 제공되는 사회 불안장애 설문조사에 대한 설문 결과를 수집하여 설문 점수를 집계하는 단계;를 더 포함하며, 상기 (c)단계에서, 상기 특징 변환부는 상기 피험자들 중 정상군으로 분류된 피험자들의 상기 설문 점수, 나이 및 성별을 바탕으로 가우시안 프로세스 회귀(Gaussian process regression)를 적용하여 상기 규범적 모델링을 생성하고, 상기 규범적 모델링을 통해 상기 정상군으로 분류된 피험자들에 대한 상기 적어도 하나 이상의 제1디지털 표현형 특징의 이상적인 값(ground truth)을 생성하며, 상기 이상적인 값과 각 피험자들의 적어도 하나 이상의 제1디지털 표현형 특징 간의 편차(deviation)를 상기 적어도 하나 이상의 제2디지털 표현형 특징으로 산출하는 것을 특징으로 한다.In addition, the method for analyzing social anxiety disorder using digital phenotypic characteristics further includes a step of collecting survey results for social anxiety disorder surveys provided through the plurality of digital devices by a survey result collection unit and aggregating survey scores, In the step (c), the feature conversion unit generates the normative modeling by applying Gaussian process regression based on the questionnaire scores, age, and gender of the subjects classified as the normal group among the subjects, , Generates an ideal value (ground truth) of the at least one first digital phenotypic feature for the subjects classified as the normal group through the normative modeling, and the ideal value and the at least one first digital phenotypic feature of each subject It is characterized in that a deviation between phenotypic features is calculated as the at least one second digital phenotypic feature.

상기 (d)단계에서, 상기 특징 선택부는 피험자들이 정상군에 속하는지 사회 불안장애 환자군에 속하는지 분류하는 랜덤 포레스트(Random forest) 진단그룹 분류 모델을 생성하고, 상기 랜덤 포레스트 진단그룹 분류 모델에 교차검증(Cross validation)을 적용하며, 교차검증이 반복될 때마다 엘라스틱넷 회귀(ElasticNet Regression)를 이용하여 상기 적어도 하나 이상의 제2디지털 표현형 특징 중에서 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징을 선택하고, 상기 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징에 차원축소기법을 적용하여 상기 진단그룹 분류의 설계 기준에 부합하는 제2디지털 표현형 특징을 다시 한번 더 선택하는 것을 특징으로 한다.In the step (d), the feature selector generates a random forest diagnosis group classification model for classifying whether the subjects belong to the normal group or the social anxiety disorder patient group, and crosses the random forest diagnosis group classification model. Cross validation is applied, and whenever cross validation is repeated, a second digital phenotype feature used for classification of the diagnostic group is selected from among the at least one second digital phenotype feature using ElasticNet Regression. and applying a dimensionality reduction technique to the second digital phenotypic feature used for the diagnostic group classification to select the second digital phenotypic feature that meets the design criterion for the diagnostic group classification once again.

상기 피험자 데이터는, 상기 복수의 디지털 장치를 통해 획득되는 사용자의 로그 데이터 및 사용자의 생체 데이터 중 적어도 하나 이상의 데이터를 포함하는 것이 가능하다.The subject data may include at least one of user log data and user biometric data acquired through the plurality of digital devices.

상기 (e)단계에서, 상기 군집 형성부는 선택된 상기 제2디지털 표현형 특징을 계층적 밀도기반 군집(Hierarchical Density Based Spatial Clustering of Applications with Noise;HDBSCAN) 형성 모델에 적용하여 상기 피험자 군집을 형성하는 것을 특징으로 한다.In the step (e), the cluster forming unit forms the subject cluster by applying the selected second digital phenotypic feature to a hierarchical density based spatial clustering of applications with noise (HDBSCAN) formation model. to be

상기 (a)단계에서, 상기 데이터 수집부는 GPS(Global Positioning System), 자이로스코프(Gyroscope), 밝기 로그(Lux log), 통화 로그(Call log), 폰로그(Phone log), 어플리케이션 로그(Application log), 노이즈 로그(Noise log), 가속도계(Accelerometer), 심박수(Heartrate) 및 육축센서(SixAxis) 중 적어도 하나 이상에 관련된 피험자 데이터를 수집하는 것을 특징으로 한다.In the step (a), the data collection unit GPS (Global Positioning System), gyroscope, Lux log, Call log, Phone log, Application log ), a noise log, an accelerometer, a heart rate, and a six-axis sensor (SixAxis).

한편, 본 발명의 디지털 표현형 특징을 이용한 사회 불안장애 분석장치는 피험자들이 사용하는 복수의 디지털 장치로부터 피험자 데이터를 수집하는 데이터 수집부; 상기 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 나타내는 적어도 하나 이상의 제1디지털 표현형 특징을 추출하는 특징 추출부; 상기 적어도 하나 이상의 제1디지털 표현형 특징을 규범적 모델링(Normative modeling)에 의해 정상군과 사회 불안장애 환자군 간의 차이를 나타내는 적어도 하나 이상의 제2디지털 표현형 특징으로 변환하는 특징 변환부; 상기 적어도 하나 이상의 제2디지털 표현형 특징 중에서 가중치가 높은 제2디지털 표현형 특징을 선택하는 특징 선택부; 및 선택된 상기 제2디지털 표현형 특징을 적용하여 피험자 군집을 형성하는 군집 형성부;를 포함한다.On the other hand, the apparatus for analyzing social anxiety disorder using digital phenotypic features of the present invention includes a data collection unit that collects subject data from a plurality of digital devices used by subjects; a feature extraction unit extracting at least one first digital phenotypic feature representing a behavioral pattern of a patient with social anxiety disorder from the subject data; a feature converter converting the at least one first digital phenotypic feature into at least one second digital phenotypic feature representing a difference between a normal group and a social anxiety disorder patient group by normative modeling; a feature selection unit that selects a second digital phenotypic feature having a high weight from among the at least one second digital phenotypic feature; and a cluster forming unit configured to form a subject cluster by applying the selected second digital phenotype feature.

또한, 본 발명의 디지털 표현형 특징을 이용한 사회 불안장애 분석장치는 상기 복수의 디지털 장치를 통해 제공되는 사회 불안장애 설문조사에 대한 설문 결과를 수집하여 설문 점수를 집계하는 설문결과 수집부;를 더 포함하며, 상기 특징 변환부는, 상기 피험자들 중 정상군으로 분류된 피험자들의 상기 설문 점수, 나이 및 성별을 바탕으로 가우시안 프로세스 회귀(Gaussian process regression)를 적용하여 상기 규범적 모델링을 생성하고, 상기 규범적 모델링을 통해 상기 정상군으로 분류된 피험자들에 대한 상기 적어도 하나 이상의 제1디지털 표현형 특징의 이상적인 값(ground truth)을 생성하며, 상기 이상적인 값과 피험자들의 적어도 하나 이상의 제1디지털 표현형 특징 간의 편차(deviation)를 상기 적어도 하나 이상의 제2디지털 표현형 특징으로 산출하는 것을 특징으로 한다.In addition, the apparatus for analyzing social anxiety disorder using digital phenotypic features of the present invention further includes a survey result collection unit that collects survey results for social anxiety disorder surveys provided through the plurality of digital devices and aggregates survey scores. The feature conversion unit generates the normative modeling by applying Gaussian process regression based on the questionnaire scores, age, and gender of the subjects classified as the normal group among the subjects, and the normative Through modeling, an ideal value (ground truth) of the at least one first digital phenotypic characteristic for the subjects classified as the normal group is generated, and the deviation between the ideal value and the at least one first digital phenotypic characteristic of the subjects ( deviation) as the at least one second digital phenotype feature.

상기 특징 선택부는, 피험자들이 정상군에 속하는지 사회 불안장애 환자군에 속하는지 분류하는 랜덤 포레스트(Random forest) 진단그룹 분류 모델을 생성하고, 상기 랜덤 포레스트 진단그룹 분류 모델에 교차검증(Cross validation)을 적용하며, 교차검증이 반복될 때마다 엘라스틱넷 회귀(ElasticNet Regression)를 이용하여 상기 적어도 하나 이상의 제2디지털 표현형 특징 중에서 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징을 선택하고, 상기 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징에 차원 축소 기법을 적용하여 상기 진단그룹 분류의 설계 기준에 부합하는 제2디지털 표현형 특징을 다시 한번 더 선택하는 것을 특징으로 한다.The feature selection unit generates a random forest diagnosis group classification model for classifying whether the subjects belong to the normal group or the social anxiety disorder patient group, and cross-validates the random forest diagnosis group classification model. applied, and whenever cross-validation is repeated, a second digital phenotypic feature used for classification of the diagnostic group is selected from among the at least one second digital phenotypic feature using ElasticNet Regression, and the diagnostic group is classified. It is characterized in that a dimension reduction technique is applied to the second digital phenotype feature used for the second digital phenotype feature that meets the design criterion of the diagnosis group classification once again.

본 발명의 디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치에 따르면, 규범적 모델링(Normative modeling)을 이용하여 디지털 표현형 특징을 변환한 후 이를 이용하여 3가지 군집을 형성한 후 각 군집에 포함된 피험자들의 디지털 표현형 특징의 차이를 줄여나가면서 행동 패턴을 확인할 수 있다. 이러한 행동 패턴 변화를 통해 사회 불안장애 증상 변화를 예측할 수 있고 적절한 시기에 정확한 진단을 내려서 치료받도록 할 수 있다.According to the method and apparatus for analyzing social anxiety disorder using digital phenotypic features of the present invention, after converting digital phenotypic features using normative modeling, three clusters are formed using the digital phenotypic features, and then included in each cluster Behavioral patterns can be identified while reducing differences in digital phenotypic characteristics of subjects. Changes in symptoms of social anxiety disorder can be predicted through these changes in behavioral patterns, and an accurate diagnosis can be made at the right time to receive treatment.

도 1은 본 발명의 일실시예에 따른 사회 불안장애 분석장치의 동작을 설명하기 위한 블록도,
도 2a 내지 도 2e는 본 발명의 일실시예에 따른 사회 불안장애 분석방법에서의 사회 불안장애 설문조사를 예시한 도면,
도 3은 본 발명의 일실시예에 따른 사회 불안장애 분석방법에 이용되는 규범적 모델링을 예시한 도면,
도 4a 및 도 4b는 본 발명의 일실시예에 따른 사회 불안장애 분석방법을 이용한 피험자 군집 형성 결과를 비교하기 위한 도면, 그리고
도 5는 본 발명의 일실시예에 따른 디지털 표현형 특징을 이용한 사회 불안장애 분석방법을 설명하기 위한 흐름도이다.1 is a block diagram for explaining the operation of an apparatus for analyzing social anxiety disorder according to an embodiment of the present invention;
2A to 2E are diagrams illustrating social anxiety disorder surveys in the social anxiety disorder analysis method according to an embodiment of the present invention;
3 is a diagram illustrating normative modeling used in the social anxiety disorder analysis method according to an embodiment of the present invention;
4a and 4b are diagrams for comparing the results of subject cluster formation using the social anxiety disorder analysis method according to an embodiment of the present invention, and
5 is a flowchart illustrating a method for analyzing social anxiety disorder using digital phenotype characteristics according to an embodiment of the present invention.

상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.The features and effects of the present invention described above will become more apparent through the following detailed description in conjunction with the accompanying drawings, and accordingly, those skilled in the art to which the present invention belongs can easily practice the technical idea of the present invention. You will be able to. Since the present invention may have various changes and various forms, specific embodiments are illustrated in the drawings and described in detail in the text. However, this is not intended to limit the present invention to a specific form disclosed, and should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention.

명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 '전기적으로 연결'되어 있는 경우도 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 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is said to be 'connected' to another part, this includes not only the case where it is 'directly connected' but also the case where it is 'electrically connected' with another element in between. . In addition, when a part 'includes' a certain component, it means that it may further include other components, not excluding other components unless otherwise stated, and one or more other characteristics. However, it should be understood that it does not preclude the possibility of existence or addition of numbers, steps, operations, components, parts, or combinations thereof.

본 명세서에 있어서 '~부'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.In this specification, 'to unit' includes a unit realized by hardware, a unit realized by software, and a unit realized using both. Further, one unit may be realized using two or more hardware, and two or more units may be realized by one hardware.

본 명세서에 있어서 단말, 장치 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말, 장치 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말, 장치 또는 디바이스에서 수행될 수도 있다.In this specification, some of the operations or functions described as being performed by a terminal, device, or device may be performed instead by a server connected to the terminal, device, or device. Likewise, some of the operations or functions described as being performed by the server may also be performed by a terminal, apparatus, or device connected to the server.

'제1', '제2' 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다. Terms such as 'first' and 'second' may be used to describe various components, but the components should not be limited by the terms. These terms are only used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention.

'적어도 하나 이상의' 라는 용어는 단수 및 복수를 포함하는 용어로 정의되고, '적어도 하나 이상의' 라는 용어가 존재하지 않더라도 각 구성요소가 단수 또는 복수로 존재할 수 있고, 단수 또는 복수를 의미할 수 있음은 자명하다 할 것이다. 또한, 각 구성요소가 단수 또는 복수로 구비되는 것은, 실시예에 따라 변경가능하다 할 것이다.The term 'at least one or more' is defined as a term including singular and plural, and even if the term 'at least one or more' does not exist, each component may exist in singular or plural, and may mean singular or plural. would be self-evident. In addition, the singular or plural number of each component may be changed according to embodiments.

이하, 첨부도면을 참조하여 본 발명의 바람직한 실시 예에 의한 디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치를 상세하게 설명한다.Hereinafter, a method and apparatus for analyzing social anxiety disorder using digital phenotypic features according to a preferred embodiment of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일실시예에 따른 사회 불안장애 분석장치의 동작을 설명하기 위한 블록도, 도 2a 내지 도 2e는 본 발명의 일실시예에 따른 사회 불안장애 분석방법에서의 사회 불안장애 설문조사를 예시한 도면, 도 3은 본 발명의 일실시예에 따른 사회 불안장애 분석방법에 이용되는 규범적 모델링을 예시한 도면이다.1 is a block diagram for explaining the operation of an apparatus for analyzing social anxiety disorder according to an embodiment of the present invention, and FIGS. 2A to 2E are social anxiety disorder questionnaires in a method for analyzing social anxiety disorder according to an embodiment of the present invention. Figure 3, a diagram illustrating a survey, is a diagram illustrating normative modeling used in a method for analyzing social anxiety disorder according to an embodiment of the present invention.

도 1에 따르면, 본 발명의 사회 불안장애 분석장치(100)는 단말장치(10) 및 웨어러블(Wearable) 장치(20)와 같은 디지털 장치와 네트워크를 통해 통신하여 데이터를 송수신한다. 네트워크는 단말장치(10) 및 웨어러블 장치(20)와 사회 불안장애 분석장치(100) 사이에서 페어링 또는 데이터 송수신을 위해 다양한 통신 규격 내지 프로토콜을 지원하는 통신 네트워크를 통칭한다. 이러한 네트워크는 규격에 의해 현재 또는 향후 지원될 통신 네트워크를 모두 포함하며, 그를 위한 하나 또는 그 이상의 통신 프로토콜들을 모두 지원 가능하다.According to FIG. 1 , the social anxiety disorder analyzer 100 of the present invention transmits and receives data by communicating with digital devices such as a terminal device 10 and a wearable device 20 through a network. The network collectively refers to a communication network that supports various communication standards or protocols for pairing or data transmission/reception between the terminal device 10 and the wearable device 20 and the social anxiety disorder analyzer 100. These networks include all communication networks currently or to be supported in the future by standards, and can support all one or more communication protocols therefor.

단말장치(10)는 스마트폰(SmartPhone), 태블릿 PC(Tablet PC), 랩탑(Laptop) 및 데스크탑(Desktop) PC 등과 같이 사용자 명령에 따라 각종 소프트웨어가 실행되고 인터넷에 접속하여 SNS(Social Network Service), 쇼핑, 음악이나 영화 감상, 게임, 인터넷 뱅킹 등 다양한 활동을 할 수 있는 디지털 장치이다. 웨어러블 장치(20)는 악세서리 형태의 스마트 밴드(Smart Band), 의류에 일체화된 직물 센서 혹은 신체에 부착하는 스킨 패치형 센서와 같이 인체에 접촉하여 체온이나 심박수 등의 생체 신호를 감지하는 디지털 장치이다.The terminal device 10 executes various software according to user commands, such as smart phones, tablet PCs, laptops, and desktop PCs, and connects to the Internet to provide social network services (SNS). It is a digital device that can perform various activities such as shopping, listening to music or movies, playing games, and internet banking. The wearable device 20 is a digital device that detects biosignals such as body temperature or heart rate by contacting a human body, such as a smart band in the form of an accessory, a fabric sensor integrated into clothing, or a skin patch type sensor attached to the body.

사회 불안장애 분석장치(100)는 단말장치(10) 및 웨어러블 장치(20)로부터 피험자 데이터를 수신하며, 데이터 수집부(110), 설문결과 수집부(120), 특징 추출부(130), 특징 변환부(140), 특징 선택부(150) 및 군집 형성부(160)를 포함한다. 여기서, 피험자 데이터는 단말장치(10) 또는 웨어러블 장치(20)의 사용에 따라 획득되는 사용자의 로그 데이터 및 사용자의 생체 데이터를 포함한다.The social anxiety disorder analyzer 100 receives subject data from the terminal device 10 and the wearable device 20, and includes a data collection unit 110, a survey result collection unit 120, a feature extraction unit 130, and a feature It includes a conversion unit 140, a feature selection unit 150, and a cluster formation unit 160. Here, the subject data includes log data of the user and biometric data of the user acquired according to the use of the terminal device 10 or the wearable device 20 .

데이터 수집부(110)는 단말장치(10) 및 웨어러블 장치(20)로부터 아래 [표 1]에 예시한 바와 같은 피험자 데이터를 수집한다. 여기서 단말장치(10)와 웨어러블 장치(20)는 한사람의 피험자에 대한 동일 계정 정보에 기초하여 상호 연동된다. 본 발명에서는 스마트폰과 같은 단말장치(10)를 통해 GPS(Global Positioning System), 자이로스코프(Gyroscope), 밝기 로그(Lux log), 통화 로그(Call log), 폰로그(Phone log), 어플리케이션 로그(Application log), 노이즈 로그(Noise log) 및 가속도계(Accelerometer)에 관련된 피험자 데이터가 수집되고, 피험자의 나이 및 성별에 관련된 데이터도 함께 수집되는 것을 예로 들어 설명하기로 한다. 또한, 스마트폰과 연동된 스마트 밴드와 같은 웨어러블 장치(20)를 통해 심박수(Heartrate) 및 육축센서(SixAxis)에 관련된 피험자 데이터가 수집되는 것을 예로 들어 설명하기로 한다.The data collection unit 110 collects subject data as illustrated in Table 1 below from the terminal device 10 and the wearable device 20 . Here, the terminal device 10 and the wearable device 20 are interlocked based on the same account information for one test subject. In the present invention, GPS (Global Positioning System), gyroscope, Lux log, call log, phone log, application log through a terminal device 10 such as a smartphone An example will be described in which subject data related to an application log, noise log, and accelerometer are collected, and data related to the subject's age and gender are also collected. In addition, an example in which subject data related to a heart rate and a six-axis sensor are collected through a wearable device 20 such as a smart band linked to a smartphone will be described.

GPS의 경우 위도(latitude) 및 경도(longitude) 데이터가 60초 간격으로 10초 동안 수집되고, 자이로스코프의 경우 롤(roll), 피치(pitch) 및 요우(yaw) 데이터가 40초 간격으로 30초 동안 수집된다. 밝기 로그의 경우 밝기 값(value) 데이터가 40초 간격으로 30초 동안 수집되고, 노이즈 로그의 경우 소리의 크기(dB) 데이터나 소리 주파수의 단위를 멜 단위(Mel unit)으로 바꾼 멜-스펙트로그램(Mel-Spectrogram) 데이터가 120초 간격으로 30초 동안 수집된다. 심박수의 경우 심박수 값(value) 데이터가 120초 간격으로 30초 동안 수집되고, 어플리케이션 로그의 경우 어플리케이션의 종류(type) 및 어플리케이션이 실행되고 있는지 나타내는 상태(status) 데이터가 240초 간격으로 기록 및 수집된다. 그리고 폰 로그의 경우 폰 화면이 온상태인지 오프상태인지 나타내는 상태(status) 데이터가 240초 간격으로 기록 및 수집되고, 통화 로그의 경우 수신통화인지 또는 송신통화인지 나타내는 통화 형태(type), 전화번호(PhoneNo) 및 통화 지속시간(duration) 데이터가 240초 간격으로 기록 및 수집된다. 가속도계의 경우 x, y, z 세축 방향에서의 가속도 데이터가 40초 간격으로 30초 동안 수집되고, 육축센서의 경우 x, y, z 세축 방향에서의 가속도 데이터 및 롤(roll), 피치(pitch) 및 요우(yaw) 데이터가 120초 간격으로 30초 동안 수집된다.For GPS, latitude and longitude data are collected at 60-second intervals for 10 seconds, and for gyroscopes, roll, pitch, and yaw data are collected at 40-second intervals for 30 seconds. collected during In the case of the brightness log, brightness value data is collected for 30 seconds at 40 second intervals, and in the case of the noise log, the loudness (dB) data or the Mel-spectrogram that converts the unit of sound frequency into Mel units (Mel-Spectrogram) Data are collected for 30 seconds at 120 second intervals. In the case of heart rate, heart rate value data is collected for 30 seconds at 120-second intervals, and in the case of application logs, status data indicating the type of application and whether the application is running are recorded and collected at 240-second intervals. do. In the case of the phone log, status data indicating whether the phone screen is on or off is recorded and collected at intervals of 240 seconds, and in the case of the call log, the call type indicating whether the call is received or sent, and the phone number (PhoneNo) and call duration data are recorded and collected at 240 second intervals. In the case of an accelerometer, acceleration data in the three directions of x, y, and z are collected for 30 seconds at 40-second intervals, and in the case of a six-axis sensor, acceleration data in the directions of three axes x, y, and z, and roll and pitch and yaw data are collected for 30 seconds at 120 second intervals.

설문결과 수집부(120)는 단말장치(10)로부터 사회 불안장애 설문조사에 대한 결과를 수집한다. 사회 불안장애 설문조사는 피험자들을 대상으로 단말장치(10)를 통해 하루에 1회 진행된다. 도 2a 내지 도 2e에 예시한 바와 같이 단계별로 진행되며, 설문결과 수집부(120)에서는 각 단계별 설문조사 결과가 설문 점수로 집계된다. 도 2a의 단계 1에서는 피험자의 대체적인 오늘 하루의 기분에 대해 질문하고, 도 2b의 단계 2에서는 피험자의 오늘 하루의 불안에 대해 질문한다. 피험자가 불안을 느끼지 않은 경우 설문은 종료되고 불안을 느낀 경우 단계 2-1이 진행된다. 도 2c의 단계 2-1에서 피험자는 3분 이상 불안을 몇차례 경험했는지 횟수를 입력하고, 도 2d의 단계 2-2에서는 불안이 악화된 상황을 선택한다. 도 2e의 단계 2-3에서는 단계 2-2에서 선택된 상황별로 불안을 어느 정도 느꼈는지 체크하면 최종적으로 설문 점수가 집계된다.The survey result collection unit 120 collects the results of the social anxiety disorder survey from the terminal device 10 . The social anxiety disorder survey is conducted once a day through the terminal device 10 targeting the subjects. As illustrated in FIGS. 2A to 2E , the process proceeds in stages, and in the survey result collection unit 120, the survey results for each stage are counted as survey scores. In step 1 of FIG. 2A, questions are asked about the subject's general mood for the day, and in step 2 in FIG. 2B, questions are asked about the subject's anxiety today. If the subject does not feel anxiety, the questionnaire ends, and if the subject feels anxiety, step 2-1 proceeds. In step 2-1 of FIG. 2C, the subject inputs the number of times he or she has experienced anxiety for 3 minutes or more, and in step 2-2 of FIG. 2D, a situation in which the anxiety is aggravated is selected. In step 2-3 of FIG. 2E, when the level of anxiety felt for each situation selected in step 2-2 is checked, the questionnaire score is finally counted.

특징 추출부(130)는 수집된 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 나타내는 제1디지털 표현형 특징을 추출한다. 즉, 아래 [표 2]에 예시한 바와 같이, 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 분석하는데 필요한 8개의 카테고리(Category)로 분류된 총 86개의 제1디지털 표현형 특징을 추출한다.The feature extraction unit 130 extracts a first digital phenotype feature representing a behavioral pattern of a patient with social anxiety disorder from the collected subject data. That is, as illustrated in [Table 2] below, a total of 86 first digital phenotypic features classified into 8 categories necessary for analyzing the behavioral patterns of patients with social anxiety disorder are extracted from the subject data.

[표 2]를 참고하여 설명하면, GPS에 관련된 피험자 데이터인 위도 및 경도로부터 집에서 어느정도 거리까지 이동했는지, 하루동안 몇군데 장소에 방문해서 얼마나 머물렀는지 등과 같이 위치(Location) 카테고리로 분류되는 8개의 제1디지털 표현형 특징이 추출된다. 자이로스코프 및 밝기 로그에 관련된 피험자 데이터로부터 수면중인지 아닌지와 같이 수면(Sleep) 카테고리로 분류되는 2개의 제1디지털 표현형 특징이 추출된다. 자이로스코프, 가속도계 및 육축센서는 모두 위치 관련 피험자 데이터를 수집하므로 세가지 중에 어느 하나와 관련된 피험자 데이터를 이용하여 제1디지털 표현형 특징이 추출되며, 본 발명에서는 자이로스코프에 관련된 피험자 데이터를 예로 들어 설명한다.Referring to [Table 2], from the latitude and longitude, which are GPS-related subject data, how far they moved from home, how many places they visited during the day, and how long they stayed. Eight first digital phenotypic features are extracted. From the subject data related to the gyroscope and the brightness log, two first digital phenotypic features classified into a sleep category, such as whether or not sleeping, are extracted. Since the gyroscope, accelerometer, and six-axis sensor all collect location-related subject data, the first digital phenotype feature is extracted using subject data related to any one of the three, and in the present invention, subject data related to the gyroscope will be described as an example. .

밝기 로그에 관련된 피험자 데이터인 월 평균 일출 및 일몰 시간을 기준으로 낮과 밤의 평균 주변 밝기로부터 주변 밝기(Ambient light) 카테고리로도 분류되는 3개의 제1디지털 표현형 특징이 추출된다. 노이즈 로그에 관련된 피험자 데이터로부터 주변 소음(Ambient noise) 카테고리로 분류되는 2개의 제1디지털 표현형 특징이 추출되고, 심박수에 관련된 피험자 데이터로부터 심박수(Heartrate) 카테고리로 분류되는 1개의 제1디지털 표현형 특징이 추출된다.Based on monthly average sunrise and sunset times, which are subject data related to the brightness log, three first digital phenotypic features, which are also classified as ambient light categories, are extracted from the average ambient brightness during the day and night. Two first digital phenotype features classified into the ambient noise category are extracted from subject data related to the noise log, and one first digital phenotype feature classified into the heart rate category is extracted from subject data related to heart rate. is extracted

[표 2]에 예시한 바와 같이, 어플리케이션 로그 및 폰 로그에 관련된 피험자 데이터로부터 폰 사용(Phone usage) 카테고리로 분류되는 42개의 제1디지털 표현형 특징이 추출된다. 즉, 폰 로그에 관련된 피험자 데이터로부터 단말장치(10)의 총 사용시간, 1회 평균 사용시간, 그리고 사용횟수를 획득하고, 어플리케이션 로그에 관련된 피험자 데이터로부터 14가지 어플리케이션의 종류 및 사용 여부를 획득하여 42개의 제1디지털 표현형 특징이 추출된다. 예를 들면, 스마트폰 화면이 켜진 상태에서 어플리케이션이 실행되고 있는지, 화면이 꺼진 상태에서 어플리케이션이 실행되고 있는지, 그리고 이때 실행되는 어플리케이션이 카메라, 음악, 여행, 쇼핑, 공부, 게임 및 금융 등 어떤 종류의 어플리케이션인지, 얼마동안 실행되었는지, 몇회 실행되었는지 등에 따라 제1디지털 표현형 특징이 추출된다. 통화 로그에 관련된 피험자 데이터로부터 가족 또는 친구와의 통화인지 또는 업무적인 통화인지 등과 같이 사회활동(Social activity) 카테고리로 분류되는 28개의 제1디지털 표현형 특징이 추출된다.As illustrated in [Table 2], 42 first digital phenotype features classified into the phone usage category are extracted from the subject data related to the application log and the phone log. That is, the total usage time of the terminal device 10, the average usage time per time, and the number of times of use of the terminal device 10 are obtained from the subject data related to the phone log, and the types of 14 applications and whether or not they are used are obtained from the subject data related to the application log. 42 first digital phenotypic features are extracted. For example, whether the application is running while the smartphone screen is on, whether the application is running while the screen is off, and what kind of application is running at this time, such as camera, music, travel, shopping, study, game, and finance. The first digital phenotype feature is extracted according to the application of the application, how long it has been executed, how many times it has been executed, and the like. From the subject data related to the call log, 28 first digital phenotype features classified into social activity categories, such as whether it is a call with family or friends or a call for work, are extracted.

특징 변환부(140)는 규범적 모델링(Normative modeling)을 통해 86개의 제1디지털 표현형 특징을 정상군과 사회 불안장애 환자군 간의 차이를 나타내는 86개의 제2디지털 표현형 특징으로 변환한다. 규범적 모델링은 도 3에 예시한 바와 같이, 정상군으로 분류된 피험자들의 설문 점수(score), 나이(age) 및 성별(sex)을 바탕으로 가우시안 프로세스 회귀(Gaussian process regression)를 이용하여 생성되며, 규범적 모델링을 통해 정상군으로 분류된 피험자들에 대한 제1디지털 표현형 특징의 이상적인 값(ground truth)이 생성된다. 여기서 피험자들이 정상군에 속하는지 사회불안장애 환자군에 속하는지는 사전에 레이블링(labeling)된 데이터에 의해 결정된다. 도 3의 규범적 모델링에 나타낸 y축의 제1디지털 표현형 특징과 x축의 임상 특성(Clinical covariate) 간의 함수 관계는 아래 [수학식 1]과 같다.The feature conversion unit 140 converts 86 first digital phenotypic features into 86 second digital phenotypic features representing differences between a normal group and a social anxiety disorder patient group through normative modeling. As illustrated in FIG. 3, normative modeling is generated using Gaussian process regression based on the questionnaire scores, age, and sex of subjects classified as normal groups. , An ideal value (ground truth) of the first digital phenotypic feature for subjects classified as normal groups is generated through normative modeling. Here, whether the subjects belong to the normal group or the social anxiety disorder patient group is determined by pre-labeled data. The functional relationship between the first digital phenotypic feature on the y-axis and the clinical characteristic (Clinical covariate) on the x-axis shown in the normative modeling of FIG. 3 is as shown in [Equation 1] below.

[수학식 1]에서, 는 파라미터(parameter)의 벡터이고, 는 잔차(residual)이다. 파라미터는 데이터를 보간하기 위해 사용되는 함수의 크기를 제어하며, 제1디지털 표현형 특징을 예측하기 위한 각 임상 특성의 관련성을 제어한다. 파라미터에 따라 관련 없는 임상 특성은 가중치를 낮추고 관련 있는 임상 특성은 강조된다.In [Equation 1], is a vector of parameters, is the residual. The parameter controls the size of the function used to interpolate the data, and controls the relevance of each clinical feature to predict the first digital phenotypic feature. Depending on the parameters, irrelevant clinical features are given less weight and relevant clinical features are emphasized.

정상군으로 분류된 피험자들에 대한 제1디지털 표현형 특징의 이상적인 값과 피험자들의 제1디지털 표현형 특징 간의 편차(deviation) 가 아래 [수학식 2]에 의해 산출되며, 이 편차가 제2디지털 표현형 특징이 된다.Deviation between the ideal value of the first digital phenotype feature for subjects classified as normal group and the first digital phenotype feature of the subjects is calculated by [Equation 2] below, and this deviation becomes the second digital phenotype characteristic.

[수학식 2]에서 는 각 피험자 데이터(each data)이고, 는 각 피험자의 제1디지털 표현형 특징(each feature)이며, 는 실제 응답, 는 예측된 응답의 평균(mean)이다. 그리고, 는 분산(variance), 는 규범적 분산(normative variance)이다.In [Equation 2] Is each subject data (each data), Is the first digital phenotypic feature of each subject, is the actual response, is the mean of the predicted responses. and, is the variance, is the normative variance.

특징 선택부(150)는 특징 변환부(140)에서 변환된 86개의 제2디지털 표현형 특징 중에서 가중치가 높은 제2디지털 표현형 특징을 선택한다. 좀 더 상세히 설명하면, 특징 선택부(150)에서 정상군인지 사회 불안장애 환자군인지 분류하는 랜덤 포레스트(Random forest) 진단그룹 분류 모델을 생성한다. 이때, 랜덤 포레스트 진단그룹 분류모델에 100-폴드 교차검증(100-fold Cross validation)을 적용하며, 100회 교차검증을 반복할 때마다 특징 선택(feature selection)을 진행한다. 여기서 엘라스틱넷 회귀(ElasticNet Regression)를 이용하여 특징 선택을 진행한다.The feature selector 150 selects a second digital phenotype feature having a high weight among 86 second digital phenotype features converted by the feature converter 140 . In more detail, the feature selector 150 generates a random forest diagnostic group classification model for classifying whether a normal group or a social anxiety disorder patient group. At this time, 100-fold cross validation is applied to the random forest diagnostic group classification model, and feature selection is performed every time cross validation is repeated 100 times. Here, feature selection is performed using ElasticNet Regression.

엘라스틱넷 회귀는 정규화 선형회귀의 일종으로 릿지 회귀(Ridge Regression) 및 라쏘 회귀(Lasso Regression)를 절충한 방법이다. 릿지 회귀는 회귀 계수를 0으로 만들지 않고 회귀 계수의 크기를 감소시키는 방법이고, 라쏘 회귀는 불필요한 회귀 계수를 급격하게 감소시켜 0으로 만들어 특징 선택의 기능을 구현하는 방법이다. 두가지를 절충한 엘라스틱넷 회귀를 이용하여 제2디지털 표현형 특징 중에서 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징을 선택한다. 즉, 86개의 제2디지털 표현형 특징 중에서 상관성이 높은 제2디지털 표현형 특징을 선택하여 변수의 개수를 줄여준다. 그리고 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징에 차원 축소 기법을 적용하여 최적의 제2디지털 표현형 특징을 다시 한번 더 선택한다. 즉, 변수의 개수를 한번 더 줄여준다.ElasticNet regression is a type of regularized linear regression and is a compromise between Ridge Regression and Lasso Regression. Ridge regression is a method of reducing the size of a regression coefficient without reducing it to 0, and Lasso regression is a method of implementing a function of feature selection by rapidly reducing unnecessary regression coefficients to 0. A second digital phenotypic feature used for classification of the diagnostic group is selected from among the second digital phenotypic features by using ElasticNet regression that compromises the two. That is, the number of variables is reduced by selecting a second digital phenotype feature having a high correlation among 86 second digital phenotype features. Then, by applying the dimension reduction technique to the second digital phenotype feature used for classification of the diagnosis group, the optimal second digital phenotype feature is selected once more. That is, the number of variables is reduced once more.

군집 형성부(160)는 특징 선택부(150)에서 출력되는 제2디지털 표현형 특징을 입력받아서 피험자 군집을 형성한다. 즉, 특징 선택부(150)에서 가중치가 높은 제2디지털 표현형 특징이 선택되면, 군집 형성부(160)는 선택된 제2디지털 표현형 특징을 계층적 밀도기반 군집(Hierarchical Density Based Spatial Clustering of Applications with Noise;HDBSCAN) 형성 모델에 적용하여 [표 3]에 예시한 바와 같은 피험자 군집을 형성한다. [표 3]에서는 38명으로 구성된 모집단에 규범적 모델링을 이용하여 군집화한 경우와 규범적 모델링을 이용하지 않고 군집화한 경우를 예시하였다.The cluster forming unit 160 receives the second digital phenotype feature output from the feature selection unit 150 and forms a subject cluster. That is, when a second digital phenotype feature having a high weight is selected by the feature selector 150, the cluster builder 160 classifies the selected second digital phenotype feature into hierarchical density based spatial clustering of Applications with Noise. ;HDBSCAN) is applied to the formation model to form a subject cluster as illustrated in [Table 3]. [Table 3] exemplifies the case of clustering using normative modeling and the case of clustering without using normative modeling in a population of 38 people.

[표 3]을 참고하면, 규범적 모델링을 이용하지 않은 경우에는 각 서브그룹 내에서 사회 불안 장애 환자군(SAB)이 우세한 군집과 정상군(HC)이 우세한 군집의 비율이 크게 차이가 나지 않는다. 반면에, 규범적 모델링을 이용하는 경우, 혼합된 군집인 제1서브그룹(Subgroup 1), 사회 불안 장애 환자군(SAB)이 우세한 군집인 제2서브그룹(Subgroup 2) 및 정상군(HC)이 우세한 군집인 제3서브그룹(Subgroup 3)으로 명확하게 분류된다.Referring to [Table 3], when normative modeling was not used, there was no significant difference in the ratio between the social anxiety disorder patient group (SAB) and the normal group (HC) within each subgroup. On the other hand, in the case of using normative modeling, the first subgroup (Subgroup 1), which is a mixed cluster, the second subgroup (Subgroup 2), which is dominated by social anxiety disorder patients (SAB), and the normal group (HC) It is clearly classified into the third subgroup (Subgroup 3), which is a cluster.

따라서 혼합된 군집인 제1서브그룹, 사회 불안장애 환자군이 우세한 군집인 제2서브그룹 및 정상군이 우세한 군집인 제3서브그룹 간의 제2디지털 표현형 특징 차이를 비교하여 행동 패턴 교정의 방향을 제시할 수 있게 된다. 즉, 다양한 증상을 보이는 사회 불안장애를 분석하기 위해 3가지 군집을 형성한 후 각 군집에 포함된 피험자들의 디지털 표현형 특징의 차이를 줄여나가면서 행동 패턴을 확인할 수 있다. 그리고 사회 불안장애 환자군의 행동 패턴을 정상군의 행동 패턴으로 교정할 수 있도록 한다.Therefore, the direction of behavior pattern correction is suggested by comparing the differences in the 2nd digital phenotypic characteristics between the 1st subgroup, which is a mixed cluster, the 2nd subgroup, which is dominated by social anxiety disorder patients, and the 3rd subgroup, which is a cluster dominated by normal groups. You can do it. That is, after forming three clusters to analyze social anxiety disorder with various symptoms, behavior patterns can be identified while reducing differences in digital phenotypic characteristics of subjects included in each cluster. In addition, the behavior pattern of the social anxiety disorder patient group can be corrected to the behavior pattern of the normal group.

도 4a 및 도 4b는 본 발명의 일실시예에 따른 사회 불안장애 분석방법을 이용한 피험자 군집 형성 결과를 비교하기 위한 도면이다.4A and 4B are diagrams for comparing results of subject cluster formation using the social anxiety disorder analysis method according to an embodiment of the present invention.

도 4a는 규범적 모델링을 사용한 군집 분석 결과를 시각화한 도면이고, 도 4b는 규범적 모델링을 사용하지 않은 군집 분석 결과를 시각화한 도면이다. 규범적 모델링을 사용하게 되면 규범적 모델링을 사용하지 않은 경우보다 군집 형성이 더욱 명확한 것을 도 4a 및 도 4b를 비교하여 확인할 수 있다.4A is a diagram visualizing cluster analysis results using normative modeling, and FIG. 4B is a diagram visualizing cluster analysis results without using normative modeling. When normative modeling is used, it can be confirmed by comparing FIGS. 4A and 4B that cluster formation is clearer than when normative modeling is not used.

도 5는 본 발명의 일실시예에 따른 디지털 표현형 특징을 이용한 사회 불안장애 분석방법을 설명하기 위한 흐름도이다.5 is a flowchart illustrating a method for analyzing social anxiety disorder using digital phenotype characteristics according to an embodiment of the present invention.

도 5에 따르면, 먼저, 데이터 수집부(110)가 피험자들이 사용하는 복수의 디지털 장치로부터 피험자 데이터를 수집한다(S200). 복수의 디지털 장치는 스마트폰(SmartPhone), 태블릿 PC(Tablet PC), 랩탑(Laptop) 및 데스크탑(Desktop) PC 등과 같은 단말장치(10)를 포함한다. 또한, 복수의 디지털 장치는 악세서리 형태의 스마트 밴드(Smart Band), 의류에 일체화된 직물 센서, 혹은 신체에 부착하는 스킨 패치형 센서와 같은 웨어러블 장치(20)를 포함한다. 단말장치(10)와 웨어러블 장치(20)는 한사람의 피험자에 대한 동일 계정 정보에 기초하여 상호 연동된다.According to FIG. 5 , first, the data collection unit 110 collects test subject data from a plurality of digital devices used by the test subjects (S200). The plurality of digital devices include terminal devices 10 such as smart phones, tablet PCs, laptops, and desktop PCs. In addition, the plurality of digital devices include a wearable device 20 such as a smart band in the form of an accessory, a fabric sensor integrated into clothing, or a skin patch type sensor attached to the body. The terminal device 10 and the wearable device 20 interwork with each other based on the same account information for one test subject.

피험자 데이터에는 스마트폰과 같은 단말장치(10) 및 스마트 밴드와 같은 웨어러블 장치(20)의 사용에 따라 획득되는 사용자의 로그 데이터 및 사용자의 생체 데이터가 포함된다. 본 발명에서는 스마트폰을 통해 GPS(Global Positioning System), 자이로스코프(Gyroscope), 밝기 로그(Lux log), 통화 로그(Call log), 폰로그(Phone log), 어플리케이션 로그(Application log), 노이즈 로그(Noise log) 및 가속도계(Accelerometer)에 관련된 피험자 데이터가 수집되고, 스마트폰과 연동된 스마트 밴드를 통해 심박수(Heartrate) 및 육축센서(SixAxis)에 관련된 피험자 데이터가 수집된다.The subject data includes user's log data and user's biometric data acquired according to the use of the terminal device 10 such as a smart phone and the wearable device 20 such as a smart band. In the present invention, GPS (Global Positioning System), gyroscope, Lux log, Call log, Phone log, Application log, Noise log Subject data related to (Noise log) and accelerometer are collected, and subject data related to heart rate and SixAxis are collected through a smart band linked with a smartphone.

그리고 설문결과 수집부(120)가 복수의 디지털 장치를 통해 제공되는 사회 불안장애 설문조사에 대한 설문 결과를 수집하여 설문 점수를 집계한다(S210). 사회 불안장애 설문조사는 스마트폰과 같은 단말장치(10)를 통해 하루에 1회 진행된다. 도 2a 내지 도 2e에 예시한 바와 같이 단계별로 진행되며 각 단계별 설문조사 결과가 설문 점수로 집계된다.Then, the survey result collection unit 120 collects survey results for social anxiety disorder surveys provided through a plurality of digital devices and aggregates survey scores (S210). The social anxiety disorder survey is conducted once a day through a terminal device 10 such as a smartphone. As illustrated in FIGS. 2A to 2E , the process proceeds in stages, and the survey results for each stage are aggregated into survey scores.

단계 S200에서 수집된 피험자 데이터로부터 특징 추출부(130)가 사회 불안장애 환자의 행동 패턴을 나타내는 제1디지털 표현형 특징을 추출한다(S220). 즉, [표 2]에 예시한 바와 같이, 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 분석하는데 필요한 8개의 카테고리(Category)로 분류된 86개의 디지털 표현형 특징을 추출한다.From the subject data collected in step S200, the feature extraction unit 130 extracts a first digital phenotypic feature representing the behavioral pattern of the patient with social anxiety disorder (S220). That is, as illustrated in [Table 2], 86 digital phenotypic features classified into 8 categories necessary for analyzing the behavioral patterns of patients with social anxiety disorder are extracted from the subject data.

그리고 특징 변환부(140)가 제1디지털 표현형 특징을 규범적 모델링(Normative modeling)에 의해 정상군과 사회 불안장애 환자군 간의 차이를 나타내는 제2디지털 표현형 특징으로 변환한다(S230). 즉, 특징 변환부(140)는 단계 S210에서 집계된 설문 점수 중에서 정상군으로 분류된 피험자들의 설문 점수, 나이 및 성별을 바탕으로 가우시안 프로세스 회귀(Gaussian process regression)를 적용하여 규범적 모델링을 생성한다. 그리고 특징 변환부(140)는 규범적 모델링을 통해 정상군으로 분류된 피험자들에 대한 제1디지털 표현형 특징의 이상적인 값(ground truth)을 생성하고, 이상적인 값과 피험자들의 제1디지털 표현형 특징 간의 편차(deviation)를 제2디지털 표현형 특징으로 산출한다.Then, the feature conversion unit 140 converts the first digital phenotypic feature into a second digital phenotypic feature representing the difference between the normal group and the social anxiety disorder patient group by normative modeling (S230). That is, the feature conversion unit 140 generates normative modeling by applying Gaussian process regression based on the questionnaire scores, age, and gender of the subjects classified as normal group among the questionnaire scores collected in step S210. . And the feature conversion unit 140 generates an ideal value (ground truth) of the first digital phenotypic feature of the subjects classified as a normal group through normative modeling, and the deviation between the ideal value and the first digital phenotypic feature of the subjects. (deviation) is calculated as the second digital phenotypic feature.

그리고 특징 선택부(150)가 제2디지털 표현형 특징 중에서 가중치가 높은 제2디지털 표현형 특징을 선택한다(S240). 좀 더 상세히 설명하면, 특징 선택부(150)는 피험자들 중 정상군인지 사회 불안장애군인지 분류하는 랜덤 포레스트(Random forest) 진단그룹 분류 모델에 교차검증(Cross validation)을 적용하며, 교차검증이 반복될 때마다 특징 선택(feature selection)이 진행된다. 이때, 엘라스틱넷 회귀(ElasticNet Regression)를 이용하여 제2디지털 표현형 특징 중에서 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징을 선택한다. 선택된 제2디지털 표현형 특징에 차원 축소 기법을 적용하여 진단그룹 분류의 설계 기준에 부합하는 제2디지털 표현형 특징을 다시 한번 더 선택함으로써 제2디지털 표현형 특징의 수가 다시 한번 더 줄어들게 된다.Then, the feature selector 150 selects a second digital phenotype feature having a high weight from among the second digital phenotype features (S240). In more detail, the feature selection unit 150 applies cross validation to a random forest diagnostic group classification model that classifies subjects as normal or social anxiety disorder, and cross validation Each iteration proceeds with feature selection. At this time, the second digital phenotype feature used for classification of the diagnosis group is selected from among the second digital phenotype features using ElasticNet Regression. By applying the dimensionality reduction technique to the selected second digital phenotypic features and once again selecting second digital phenotypic features that meet the design criteria for diagnosis group classification, the number of second digital phenotypic features is reduced once again.

마지막으로, 군집 형성부(160)가 선택된 제2디지털 표현형 특징을 적용하여 피험자 군집을 형성한다(S250). 이때, 군집 형성부(160)는 선택된 제2디지털 표현형 특징을 계층적 밀도기반 군집(Hierarchical Density Based Spatial Clustering of Applications with Noise;HDBSCAN) 형성 모델에 적용하여 피험자 군집을 형성한다.Finally, the cluster forming unit 160 forms a subject cluster by applying the selected second digital phenotype feature (S250). At this time, the cluster forming unit 160 forms a subject cluster by applying the selected second digital phenotype feature to a hierarchical density based spatial clustering of applications with noise (HDBSCAN) formation model.

이상과 같은 과정에 의해 정상군과 사회 불안장애 환자군 사이의 디지털 표현형 특징 차이를 분명히 하여 명확한 군집화가 가능하다. 이로 인해 행동 패턴의 변화를 통해 사회 불안 장애 증상 변화를 예측할 수 있으며 적절한 시기에 정확한 진단을 내릴 수 있다.Through the above process, it is possible to clearly cluster by clarifying the differences in digital phenotypic characteristics between the normal group and the social anxiety disorder patient group. Because of this, changes in social anxiety disorder symptoms can be predicted through changes in behavior patterns, and an accurate diagnosis can be made at the right time.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 또한, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The above description of the present invention is for illustrative purposes, and those skilled in the art can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. In addition, the scope of the present invention is indicated by the claims to be described later rather than the detailed description above, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts thereof are included in the scope of the present invention. should be interpreted

10 : 단말장치 20 : 웨어러블 장치
100 : 사회 불안장애 분석장치 110 : 데이터 수집부
120 : 설문결과 수집부 130 : 특징 추출부
140 : 특징 선택부 150 : 특징 선택부
160 : 군집 형성부10: terminal device 20: wearable device
100: social anxiety disorder analysis device 110: data collection unit
120: Survey result collection unit 130: Feature extraction unit
140: feature selection unit 150: feature selection unit
160: cluster formation unit

Claims (10)

(a) 데이터 수집부가 피험자들이 사용하는 복수의 디지털 장치로부터 피험자 데이터를 수집하는 단계;
(b) 특징 추출부가 상기 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 나타내는 적어도 하나 이상의 제1디지털 표현형 특징을 추출하는 단계;
(c) 특징 변환부가 상기 적어도 하나 이상의 제1디지털 표현형 특징을 규범적 모델링(Normative modeling)에 의해 정상군과 사회 불안장애 환자군 간의 차이를 나타내는 적어도 하나 이상의 제2디지털 표현형 특징으로 변환하는 단계;
(d) 특징 선택부가 상기 적어도 하나 이상의 제2디지털 표현형 특징 중에서 가중치가 높은 제2디지털 표현형 특징을 선택하는 단계; 및
(e) 군집 형성부가 선택된 상기 제2디지털 표현형 특징을 적용하여 피험자 군집을 형성하는 단계;를 포함하고,
설문결과 수집부가 상기 복수의 디지털 장치를 통해 제공되는 사회 불안장애 설문조사에 대한 설문 결과를 수집하여 설문 점수를 집계하는 단계;를 더 포함하며,
상기 (c)단계에서, 상기 특징 변환부는,
상기 피험자들 중 정상군으로 분류된 피험자들의 상기 설문 점수, 나이 및 성별을 바탕으로 가우시안 프로세스 회귀(Gaussian process regression)를 적용하여 상기 규범적 모델링을 생성하고,
상기 규범적 모델링을 통해 상기 정상군으로 분류된 피험자들에 대한 상기 적어도 하나 이상의 제1디지털 표현형 특징의 이상적인 값(ground truth)을 생성하며,
상기 이상적인 값과 각 피험자들의 적어도 하나 이상의 제1디지털 표현형 특징 간의 편차(deviation)를 상기 적어도 하나 이상의 제2디지털 표현형 특징으로 산출하고,
상기 (d)단계에서, 상기 특징 선택부는,
피험자들이 정상군에 속하는지 사회 불안장애 환자군에 속하는지 분류하는 랜덤 포레스트(Random forest) 진단그룹 분류 모델을 생성하고,
상기 랜덤 포레스트 진단그룹 분류 모델에 교차검증(Cross validation)을 적용하며, 교차검증이 반복될 때마다 엘라스틱넷 회귀(ElasticNet Regression)를 이용하여 상기 적어도 하나 이상의 제2디지털 표현형 특징 중에서 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징을 선택하고,
상기 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징에 차원축소기법을 적용하여 상기 진단그룹 분류의 설계 기준에 부합하는 제2디지털 표현형 특징을 다시 한번 더 선택하는 것을 특징으로 하는 디지털 표현형 특징을 이용한 사회 불안장애 분석방법.(a) collecting subject data from a plurality of digital devices used by the subjects by a data collection unit;
(b) extracting at least one first digital phenotype feature representing a behavioral pattern of a patient with social anxiety disorder from the subject data by a feature extraction unit;
(c) converting the at least one first digital phenotypic feature into at least one second digital phenotypic feature representing a difference between a normal group and a social anxiety disorder patient group by a feature conversion unit through normative modeling;
(d) selecting, by a feature selector, a second digital phenotype feature having a high weight from among the at least one second digital phenotype feature; and
(e) forming a subject cluster by applying the second digital phenotype feature selected by the cluster forming unit;
Further comprising: a survey result collection unit collects survey results for social anxiety disorder surveys provided through the plurality of digital devices and aggregates survey scores;
In the step (c), the feature conversion unit,
Generating the normative modeling by applying Gaussian process regression based on the questionnaire scores, age, and gender of the subjects classified as a normal group among the subjects;
Generating an ideal value (ground truth) of the at least one first digital phenotypic feature for the subjects classified as the normal group through the normative modeling,
Calculating a deviation between the ideal value and at least one first digital phenotypic feature of each subject as the at least one second digital phenotypic feature;
In the step (d), the feature selection unit,
Create a random forest diagnostic group classification model that classifies whether the subjects belong to the normal group or the social anxiety disorder patient group,
Cross validation is applied to the random forest diagnostic group classification model, and each time cross validation is repeated, ElasticNet Regression is used to classify the diagnostic group among the at least one or more second digital phenotypic features. Selecting a second digital phenotypic feature to be used;
Applying a dimensionality reduction technique to the second digital phenotype feature used for classifying the diagnostic group to select the second digital phenotypic feature that meets the design criteria of the diagnostic group classification once again Social anxiety disorder analysis method using digital phenotypic characteristics, characterized in that. 삭제delete 삭제delete 제1항에 있어서,
상기 피험자 데이터는,
상기 복수의 디지털 장치를 통해 획득되는 사용자의 로그 데이터 및 사용자의 생체 데이터 중 적어도 하나 이상의 데이터를 포함하는 것을 특징으로 하는 디지털 표현형 특징을 이용한 사회 불안장애 분석방법.According to claim 1,
The subject data,
The social anxiety disorder analysis method using digital phenotypic features, characterized in that it comprises at least one or more data of the user's log data and the user's biometric data obtained through the plurality of digital devices. 제1항에 있어서,
상기 (e)단계에서,
상기 군집 형성부는 선택된 상기 제2디지털 표현형 특징을 계층적 밀도기반 군집(Hierarchical Density Based Spatial Clustering of Applications with Noise;HDBSCAN) 형성 모델에 적용하여 상기 피험자 군집을 형성하는 것을 특징으로 하는 디지털 표현형 특징을 이용한 사회 불안장애 분석방법.According to claim 1,
In step (e),
The cluster forming unit Analysis of social anxiety disorder using digital phenotypic features, characterized in that the subject cluster is formed by applying the selected second digital phenotype feature to a hierarchical density based spatial clustering of applications with noise (HDBSCAN) formation model method. 제1항에 있어서,
상기 (a)단계에서,
상기 데이터 수집부는 GPS(Global Positioning System), 자이로스코프(Gyroscope), 밝기 로그(Lux log), 통화 로그(Call log), 폰로그(Phone log), 어플리케이션 로그(Application log), 노이즈 로그(Noise log), 가속도계(Accelerometer), 심박수(Heartrate) 및 육축센서(SixAxis) 중 적어도 하나 이상에 관련된 피험자 데이터를 수집하는 것을 특징으로 하는 디지털 표현형 특징을 이용한 사회 불안장애 분석방법.According to claim 1,
In step (a),
The data collection department GPS (Global Positioning System), Gyroscope, Lux log, Call log, Phone log, Application log, Noise log, Accelerometer ( Accelerometer), heart rate (Heartrate), and social anxiety disorder analysis method using digital phenotypic characteristics, characterized in that for collecting subject data related to at least one of six axis sensors (SixAxis). 피험자들이 사용하는 복수의 디지털 장치로부터 피험자 데이터를 수집하는 데이터 수집부;
상기 피험자 데이터로부터 사회 불안장애 환자의 행동 패턴을 나타내는 적어도 하나 이상의 제1디지털 표현형 특징을 추출하는 특징 추출부;
상기 적어도 하나 이상의 제1디지털 표현형 특징을 규범적 모델링(Normative modeling)에 의해 정상군과 사회 불안장애 환자군 간의 차이를 나타내는 적어도 하나 이상의 제2디지털 표현형 특징으로 변환하는 특징 변환부;
상기 적어도 하나 이상의 제2디지털 표현형 특징 중에서 가중치가 높은 제2디지털 표현형 특징을 선택하는 특징 선택부; 및
선택된 상기 제2디지털 표현형 특징을 적용하여 피험자 군집을 형성하는 군집 형성부;를 포함하는 것을 특징으로 하는 디지털 표현형 특징을 이용한 사회 불안장애 분석장치.a data collection unit that collects subject data from a plurality of digital devices used by subjects;
a feature extraction unit extracting at least one first digital phenotypic feature representing a behavioral pattern of a patient with social anxiety disorder from the subject data;
a feature converter converting the at least one first digital phenotypic feature into at least one second digital phenotypic feature representing a difference between a normal group and a social anxiety disorder patient group by normative modeling;
a feature selection unit that selects a second digital phenotypic feature having a high weight from among the at least one second digital phenotypic feature; and
An apparatus for analyzing social anxiety disorder using digital phenotypic characteristics, characterized in that it comprises a; cluster forming unit for forming a test subject cluster by applying the selected second digital phenotypic feature. 제7항에 있어서,
상기 복수의 디지털 장치를 통해 제공되는 사회 불안장애 설문조사에 대한 설문 결과를 수집하여 설문 점수를 집계하는 설문결과 수집부;를 더 포함하며,
상기 특징 변환부는,
상기 피험자들 중 정상군으로 분류된 피험자들의 상기 설문 점수, 나이 및 성별을 바탕으로 가우시안 프로세스 회귀(Gaussian process regression)를 적용하여 상기 규범적 모델링을 생성하고, 상기 규범적 모델링을 통해 상기 정상군으로 분류된 피험자들에 대한 상기 적어도 하나 이상의 제1디지털 표현형 특징의 이상적인 값(ground truth)을 생성하며, 상기 이상적인 값과 피험자들의 적어도 하나 이상의 제1디지털 표현형 특징 간의 편차(deviation)를 상기 적어도 하나 이상의 제2디지털 표현형 특징으로 산출하는 것을 특징으로 하는 디지털 표현형 특징을 이용한 사회 불안장애 분석장치.According to claim 7,
A survey result collection unit configured to collect survey results for social anxiety disorder surveys provided through the plurality of digital devices and aggregate survey scores;
The feature conversion unit,
The normative modeling is generated by applying Gaussian process regression based on the questionnaire scores, age, and gender of the subjects classified as the normal group among the subjects, and the normal group through the normative modeling An ideal value (ground truth) of the at least one first digital phenotypic feature for the classified subjects is generated, and a deviation between the ideal value and the at least one first digital phenotypic feature of the subjects is determined by the at least one or more first digital phenotypic features. An apparatus for analyzing social anxiety disorder using digital phenotypic features, characterized in that the second digital phenotypic features are calculated. 제7항에 있어서,
상기 특징 선택부는,
피험자들이 정상군에 속하는지 사회 불안장애 환자군에 속하는지 분류하는 랜덤 포레스트(Random forest) 진단그룹 분류 모델을 생성하고, 상기 랜덤 포레스트 진단그룹 분류 모델에 교차검증(Cross validation)을 적용하며, 교차검증이 반복될 때마다 엘라스틱넷 회귀(ElasticNet Regression)를 이용하여 상기 적어도 하나 이상의 제2디지털 표현형 특징 중에서 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징을 선택하고, 상기 진단그룹 분류를 위해 사용되는 제2디지털 표현형 특징에 차원 축소 기법을 적용하여 상기 진단그룹 분류의 설계 기준에 부합하는 제2디지털 표현형 특징을 다시 한번 더 선택하는 것을 특징으로 하는 디지털 표현형 특징을 이용한 사회 불안장애 분석장치.According to claim 7,
The feature selection unit,
A random forest diagnostic group classification model that classifies whether subjects belong to the normal group or the social anxiety disorder patient group is generated, cross validation is applied to the random forest diagnostic group classification model, and cross validation Whenever this is repeated, a second digital phenotypic feature used for diagnostic group classification is selected from among the at least one second digital phenotype feature using ElasticNet Regression, and a second digital phenotypic feature used for diagnostic group classification is selected. An apparatus for analyzing social anxiety disorder using digital phenotypic features, characterized in that by applying a dimension reduction technique to the two digital phenotypic features, once again selecting the second digital phenotypic features that meet the design criteria for the diagnosis group classification. 제7항에 있어서,
상기 피험자 데이터는,
상기 복수의 디지털 장치를 통해 획득되는 사용자의 로그 데이터 및 사용자의 생체 데이터 중 적어도 하나 이상의 데이터를 포함하는 것을 특징으로 하는 디지털 표현형 특징을 이용한 사회 불안장애 분석장치.According to claim 7,
The subject data,
An apparatus for analyzing social anxiety disorder using digital phenotypic characteristics, characterized in that it comprises at least one or more data of the user's log data and the user's biometric data obtained through the plurality of digital devices.
KR1020230003497A 2023-01-10 2023-01-10 Method and apparatus for analyzing social anxiety disorder using digital phenotype feature KR102567684B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230003497A KR102567684B1 (en) 2023-01-10 2023-01-10 Method and apparatus for analyzing social anxiety disorder using digital phenotype feature

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230003497A KR102567684B1 (en) 2023-01-10 2023-01-10 Method and apparatus for analyzing social anxiety disorder using digital phenotype feature

Publications (1)

Publication Number Publication Date
KR102567684B1 true KR102567684B1 (en) 2023-08-18

Family

ID=87801684

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230003497A KR102567684B1 (en) 2023-01-10 2023-01-10 Method and apparatus for analyzing social anxiety disorder using digital phenotype feature

Country Status (1)

Country Link
KR (1) KR102567684B1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060037252A (en) 2003-06-10 2006-05-03 교와 핫꼬 고교 가부시끼가이샤 A method of treating an anxiety disorder
KR20210058449A (en) * 2019-11-14 2021-05-24 주식회사 셀바스에이아이 Apparatus and method for mental healthcare based on artificial intelligence
KR20210068697A (en) * 2019-12-02 2021-06-10 신민규 Method of Providing Mental Health Care Solutions
KR20210068884A (en) * 2019-12-02 2021-06-10 충남대학교산학협력단 System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060037252A (en) 2003-06-10 2006-05-03 교와 핫꼬 고교 가부시끼가이샤 A method of treating an anxiety disorder
KR20210058449A (en) * 2019-11-14 2021-05-24 주식회사 셀바스에이아이 Apparatus and method for mental healthcare based on artificial intelligence
KR20210068697A (en) * 2019-12-02 2021-06-10 신민규 Method of Providing Mental Health Care Solutions
KR20210068884A (en) * 2019-12-02 2021-06-10 충남대학교산학협력단 System and Method for Generating Depression Prediction Model based on Smart Band Biometric Information

Similar Documents

Publication Publication Date Title
Torous et al. Current research and trends in the use of smartphone applications for mood disorders
CN103561652B (en) Method and system for assisting patients
Huynh et al. Engagemon: Multi-modal engagement sensing for mobile games
US11521719B1 (en) Valence profiling of virtual interactive objects
US20190108191A1 (en) Affective response-based recommendation of a repeated experience
US20190261863A1 (en) System and method for providing an indication of the well-being of an individual
CN104145272A (en) Determining social sentiment using physiological data
CN110584601B (en) Old man cognitive function monitoring and evaluation system
EP3726453A1 (en) Information processing device, information processing method, and program
JP2021507366A (en) Systems and methods for monitoring user health
KR20200049930A (en) The biological signal analysis system and biological signal analysis method for operating by the system
WO2019086856A1 (en) Systems and methods for combining and analysing human states
US10847049B2 (en) Interactive service platform and operating method thereof
CN109276243A (en) Brain electricity psychological test method and terminal device
Surantha et al. Intelligent sleep monitoring system based on microservices and event-driven architecture
TWI823055B (en) Electronic resource pushing method and system
KR102567684B1 (en) Method and apparatus for analyzing social anxiety disorder using digital phenotype feature
Gong et al. Estimating hearing thresholds from stimulus-frequency otoacoustic emissions
KR102594242B1 (en) Method and apparatus for analyzing social anxiety disorder using digital phenotype feature
KR101808956B1 (en) System for acquiring consumers’ emotional responses to people and Method for collecting and using thereof
Whang The emotional computer adaptive to human emotion
JP2006350983A (en) Individual diagnostic system distributing information for use in terminal unit, program, and information storage medium
US20230099519A1 (en) Systems and methods for managing stress experienced by users during events
KR102438367B1 (en) Human data managing system
Zaman et al. Emotion Detection for Children on the Autism Spectrum using BCI and Web Technology

Legal Events

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