KR102569889B1 - 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102569889B1
KR102569889B1 KR1020230063128A KR20230063128A KR102569889B1 KR 102569889 B1 KR102569889 B1 KR 102569889B1 KR 1020230063128 A KR1020230063128 A KR 1020230063128A KR 20230063128 A KR20230063128 A KR 20230063128A KR 102569889 B1 KR102569889 B1 KR 102569889B1
Authority
KR
South Korea
Prior art keywords
user
information
health functional
food
functional food
Prior art date
Application number
KR1020230063128A
Other languages
English (en)
Inventor
서희원
Original Assignee
주식회사 다니엘0220
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 다니엘0220 filed Critical 주식회사 다니엘0220
Priority to KR1020230063128A priority Critical patent/KR102569889B1/ko
Application granted granted Critical
Publication of KR102569889B1 publication Critical patent/KR102569889B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/02Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021Measuring pressure in heart or blood vessels
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118Determining activity level
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112Gait analysis
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/12Audiometering
    • A61B5/121Audiometering evaluating hearing capacity
    • A61B5/123Audiometering evaluating hearing capacity subjective methods
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4806Sleep evaluation
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Dentistry (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Cardiology (AREA)
  • Vascular Medicine (AREA)
  • Nutrition Science (AREA)
  • Otolaryngology (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

실시예들은 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 사용자 단말로부터 건강기능식품에 대한 추천 정보를 요청하는 요청 메시지를 수신하고, 상기 요청 메시지는 사용자의 개인 정보, 사용자의 기본 활동 정보 및 사용자의 건강 검진 진단서에 대한 제1 이미지를 포함하고, 상기 사용자의 개인 정보를 기반으로 외부 서버에 사용자의 처방전에 대한 제2 이미지를 요청하고, 상기 외부 서버로부터 상기 사용자의 처방전에 대한 제2 이미지를 수신하고, 상기 제1 이미지를 기반으로 제1 뉴럴 네트워크를 이용하는 진단서 인식 모델을 통해 사용자의 건강 검진 정보를 결정하고, 상기 제2 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 처방전 인식 모델을 통해 사용자의 처방 정보를 결정하고, 상기 사용자의 기본 활동 정보, 상기 사용자의 건강 검진 정보 및 상기 사용자의 처방 정보에 기반하여 제3 뉴럴 네트워크를 이용하는 기본 추천 모델을 통해 건강기능식품에 대한 제1 추천 정보를 결정하고, 상기 사용자 단말에게 상기 건강기능식품에 대한 제1 추천 정보를 전송할 수 있다. 예를 들어, 상기 건강기능식품에 대한 제1 추천 정보는 건강기능식품의 종류와 명칭, 건강기능식품의 복용량 및 건강기능식품의 복용 주기를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING RECOMMENDATION INFORMATION ON HEALTH FUNCTIONAL FOOD TO A USER TERMINAL USING A NEURAL NETWORK}
본 개시의 실시예들은 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치에 대한 것이다.
한편, 소비자들의 소득 수준이 향상되면서 건강한 삶에 대한 관심이 높아지고, 이에 따라 건강기능식품과 건강식품에 대한 소비가 증가하고 있다. 건강기능식품은 인체에 유용한 기능성을 가진 원료나 성분을 사용하여 제조, 가공한 식품으로 대한민국 식품 의약품 안전처로부터 기능성과 안정성을 인정받은 제품을 지칭한다. 기능성이란 인체의 구조 및 기능에 대하여 영양소를 조절하거나 생리학적 작용 등과 같은 보건용도에 유용한 효과를 얻는 것을 말한다. 건강기능식품의 범위에는, 건강기능식품의 제조에 사용되는 기능성을 가진 원재료를 그대로 가공하거나, 가공한 것의 추출물, 정제물, 합성물, 복합물 등이 포함된다. 건강식품은 일반적으로 건강에 좋다고 알려져 널리 섭취해온 식품으로, 수유, 감초, 동충하초 등과 같이 널리 섭취해온 식품을 지칭한다.
또한, 종래의 기술은 소비자의 연령, 성별, 키, 몸무게 등의 일반적인 정보를 사용 자로부터 수신하여 건강기능식품 및/또는 건강식품을 추천해주는 정도에 그치며, 건강기능식품 및/또는 건강식품에 대한 사전 정보를 습득하여 구매하는 기존 구매방식과 비교했을 때 큰 장점이 존재하지 않는다.
이에, 뉴럴 네트워크(neural network)를 이용하여 사용자의 건강 검진 진단서와 사용자의 처방전으로부터 사용자의 건강 검진 정보와 사용자의 처방 정보를 결정하고, 사용자의 기본 활동 정보, 사용자의 건강 검진 정보와 사용자의 처방 정보에 따라 사용자에게 적합한 건강기능식품 및/또는 건강식품에 대한 추천 정보를 제공하는 방법이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 건강기능식품에 대한 추천 정보를 사용자 단말에게 제공하는 방법은, 상기 사용자 단말로부터 건강기능식품에 대한 추천 정보를 요청하는 요청 메시지를 수신하고, 상기 요청 메시지는 사용자의 개인 정보, 사용자의 기본 활동 정보 및 사용자의 건강 검진 진단서에 대한 제1 이미지를 포함하고, 상기 사용자의 개인 정보를 기반으로 외부 서버에 사용자의 처방전에 대한 제2 이미지를 요청하고, 상기 외부 서버로부터 상기 사용자의 처방전에 대한 제2 이미지를 수신하고, 상기 제1 이미지를 기반으로 제1 뉴럴 네트워크를 이용하는 진단서 인식 모델을 통해 사용자의 건강 검진 정보를 결정하고, 상기 제2 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 처방전 인식 모델을 통해 사용자의 처방 정보를 결정하고, 상기 사용자의 기본 활동 정보, 상기 사용자의 건강 검진 정보 및 상기 사용자의 처방 정보에 기반하여 제3 뉴럴 네트워크를 이용하는 기본 추천 모델을 통해 건강기능식품에 대한 제1 추천 정보를 결정하고, 상기 사용자 단말에게 상기 건강기능식품에 대한 제1 추천 정보를 전송할 수 있다. 예를 들어, 상기 건강기능식품에 대한 제1 추천 정보는 건강기능식품의 종류와 명칭, 건강기능식품의 복용량 및 건강기능식품의 복용 주기를 포함할 수 있다.
실시예들에 따르면, 서버는 사용자의 건강 검진 진단서에 대한 제1 이미지와 사용자의 처방전에 대한 제2 이미지를 뉴럴 네트워크를 통해 인식하여 건강기능식품을 추천하기 위한 정보로 사용함으로써, 건강 상태를 체크하기 위한 별도의 설문이나 정보 입력이 없이도 사용자의 건강 상태와 복용 중인 약을 반영하여 건강기능식품에 대한 추천 정보를 제공할 수 있다.
실시예들에 따르면, 서버는 사용자의 기본 활동 정보, 사용자의 건강 검진 정보 및 사용자의 처방 정보에 기반하여 뉴럴 네트워크를 통한 기본 추천 모델을 통해 건강기능식품에 대한 추천 정보를 결정함으로써, 사용자의 건강 상태와 복용 중인 약 뿐만 아니라 사용자의 활동량과 수면 패턴까지 반영하여 건강기능식품에 대한 추천 정보를 제공할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따라 뉴럴 네트워크(neural network)를 이용하여 서버가 건강기능식품에 대한 추천 정보를 사용자 단말에게 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 기본 추천 모델을 나타낸 도면이다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 건강기능식품에 대한 추천 정보를 사용자 단말에게 제공하는 방법에 대한 신호 교환도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시 형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 에지 또는 링크는 뉴럴 네트워크가 원하는 기능의 수행, 사용자 또는 알고리즘에 의해 가변적으로 적용될 수 있는 가중치를 갖는다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따라 뉴럴 네트워크(neural network)를 이용하여 서버가 건강기능식품에 대한 추천 정보를 사용자 단말에게 제공하는 방법을 나타낸다. 도 3의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버(예: 도 1의 서버(108)는 사용자 단말로부터 건강기능식품에 대한 추천 정보를 요청하는 요청 메시지를 수신할 수 있다.
서버는 사용자 단말로부터 수신한 건강 검진 진단서, 사용자 단말에 대한 처방전, 사용자 단말의 사용자에 대한 활동 정보 등에 따라 적합한 건강기능식품의 종류와 명칭, 그리고 복용 방법을 사용자 단말에게 추천하는 서버이다. 사용자 단말은 건강기능식품에 대한 구매를 원하는 사용자의 단말일 수 있다. 예를 들어, 사용자 단말은 도 1의 전자 장치(101)를 포함할 수 있다. 건강기능식품은 인체에 유용한 기능성을 가진 원료나 성분을 사용하여 제조가공한 식품을 지칭한다. 기능성은 인체의 구조 및 기능에 대하여 영양소를 조절하거나 생리학적 작용 등과 같은 보건 용도에 유용한 효과를 획득하는 것으로, 기능성에는 영양소 기능, 생리활성 기능 및 질병발생 위험 감소기능을 포함할 수 있다. 또한, 본 개시의 다양한 실시예들에서, 건강기능식품이란 용어는 건강기능식품 이외에, 건강에 좋다고 알려져 널리 섭취해온 식품을 지칭하는 건강식품 또한 포함하는 용어일 수 있다.
예를 들어, 요청 메시지는 사용자의 개인 정보, 사용자의 기본 활동 정보 및 사용자의 건강 검진 진단서에 대한 제1 이미지를 포함할 수 있다.
사용자의 개인 정보는 사용자를 식별하기 위한 정보이다. 예를 들어, 사용자의 개인 정보는 사용자의 이름, 사용자의 주소 및 사용자의 주민등록번호를 포함할 수 있다.
사용자의 기본 활동 정보는 사용자의 기본적인 활동에 대한 정보이며, 예를 들어, 사용자 단말에 구비된 센서 모듈에 의해 측정된 정보일 수 있다. 예를 들어, 사용자의 기본 활동 정보는 걸음 수, 수면 시간, 기상 시각 및 취침 시각을 포함할 수 있다.
사용자의 건강 검단 진단서에 대한 제1 이미지는 사용자 단말에 구비된 카메라 모듈에 의해 촬영된 건강 검단 진단서에 대한 이미지 또는 사용자 단말이 의료기관과 관련된 전산 서버로부터 수신한 건강 검단 진단서일 수 있다.
단계 S320에서, 서버는 사용자의 개인 정보를 기반으로 외부 서버에 사용자의 처방전에 대한 제2 이미지를 요청할 수 있다.
외부 서버는 처방전을 관리하는 서버이며, 외부 서버에는 암호화된 개인 정보를 복호화할 수 있는 키(key)가 사전 저장될 수 있다. 예를 들어, 건강보험심사평가원과 관련된 서버일 수 있다.
예를 들어, 서버는 사용자 단말로부터 수신한 사용자의 개인 정보에 포함된 사용자의 이름 및 사용자의 주민등록번호를 암호화할 수 있다. 서버는 사용자의 이름과 사용자의 주민등록번호를 KSA(Key-scheduling Algorithm)과 PRGA(psuedo-random generation)를 이용하는 암호화 알고리즘을 통해 암호문을 결정하고, 암호문을 포함하는 처방전 요청 메시지를 외부 서버에게 전송할 수 있다. 여기서, 처방전 요청 메시지는 사용자의 처방전을 요청하는 메시지이다.
예를 들어, 서버는 유사 난수를 생성하고, 생성된 유사 난수와 사용자의 이름과 사용자의 주민등록번호를 비트로 표현한 값을 XOR 연산을 수행함으로써, 암호문을 결정할 수 있다. 여기서, 유사 난수는 난수로 취급이 가능한 수열이다. XOR 연산은 두 개의 피연산자 중 하나만이 1일 때 1을 반환하는 연산이다. 이때, 키 값을 기반으로 동일한 유사 난수가 생성될 수 있다.
단계 S33O에서, 서버는 외부 서버로부터 사용자의 처방전에 대한 제2 이미지를 수신할 수 있다.
단계 S340에서, 서버는 제1 이미지를 기반으로 제1 뉴럴 네트워크를 이용하는 진단서 인식 모델을 통해 사용자의 건강 검진 정보를 결정할 수 있다.
예를 들어, 제1 이미지에 대한 이진화, 이미지 대비 보정, 기울임 보정 및 노이즈 제거를 통해 상기 제1 이미지에 대한 픽셀 값으로 구성된 제1 입력 벡터가 생성될 수 있다.
이진화는 임계 값을 이용하여 이미지를 이진화된 흑백 이미지로 변환시키는 동작이며, 제1 이미지에 대한 이진화를 통해 제1 이미지가 흑백 이미지로 변환될 수 있다. 이미지 대비 보정은 제1 이미지에 대해 진단서 내 문자와 진단서의 배경을 분리하기 위해 문자의 경계를 선명하게 해주는 동작이며, 예를 들어, CLAHE(contrast limited adaptive histogram equalization) 기법이 사용될 수 있다. CLAHE 기법은 제1 이미지를 일정 크기의 블록으로 구분하여 블록별로 히스토그램 균일화를 수행하여 제1 이미지 전체에 대한 균일화를 수행하는 기법이다. 기울임 보정은 제1 이미지의 인식률 향상을 위해 기울어진 제1 이미지의 각도를 조절하여 진단서의 수평과 수직을 맞추는 동작이다. 노이즈 제거는 가우시안 블러, 중앙 흐림, 양방향 필터링 등 다양한 필터를 통해 제1 이미지에 대한 이진화 및 이미지 대비 보정으로 제거되지 않은 노이즈를 추가적으로 제거할 수 있다.
제1 입력 벡터에 기반하여 상기 제1 이미지 내 텍스트들이 존재하는 복수의 제1 위치에 대한 값을 포함하는 제1 텍스트 위치 벡터가 결정될 수 있다. 예를 들어, 서버는 제1 입력 벡터에 따라 제1 이미지 내 텍스트들이 존재하는 위치를 결정하고, 해당 위치의 텍스트들에 대해 경계 박스(bounding box)를 설정할 수 있다. 복수의 제1 위치에 대한 값은 제1 이미지 내 복수의 경계 박스 각각에 대한 좌표 값일 수 있다.
제1 입력 벡터 및 제1 텍스트 위치 벡터가 진단서 인식 모델에 입력되는 것에 기반하여 사용자의 건강 검진 정보가 결정될 수 있다. 여기서, 사용자의 건강 검진 정보는 건강 검진 연월일, 성별, 나이, 신장, 체중, 허리둘레, 시력, 청력, 혈압과 관련된 복수의 값, 공복혈당, 콜레스테롤과 관련된 복수의 값, 혈색소, 요단백, 혈청크레아티닌, 흉부 방사선과 관련된 값, 흡연 상태와 관련된 값, 음주와 관련된 값, 구강검진과 관련된 복수의 값, 골밀도, 인지기능과 관련된 값 또는 암과 관련된 복수의 값 중 적어도 하나를 포함할 수 있다. 혈압과 관련된 복수의 값은 수축기 혈압 값 및 이완기 혈압에 대한 값을 포함할 수 있다. 콜레스테롤과 관련된 복수의 값은 총콜레스테롤, 중성지방, HDL콜레스테롤 및 LDL콜레스테롤에 대한 값을 포함할 수 있다. 구강검진과 관련된 값은 치아우식증이 관찰된 치아(충치)의 개수, 수복치아의 개수, 상실치아의 개수 및 구강질환 여부를 포함할 수 있다. 암과 관련된 복수의 값은 각각의 암에 대한 발병 여부 및 의심도를 포함할 수 있다.
예를 들어, 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 복수의 제1 입력 벡터, 복수의 제1 텍스트 위치 벡터 및 복수의 정답 건강 검진 정보로 구성된 각각의 학습 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되어 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터로 출력되고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제1 손실함수를 이용하여 제1 손실 값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실 값이 작아지는 방향으로 학습될 수 있다.
건강 검진 진단의 유형에 따라 건강 검진의 항목이 상이할 수 있고, 건강 검진의 항목이 동일하여도 건강 검진을 수행한 의료 기관에 따라 진단서의 양식이 상이할 수 있다. 따라서, 진단서 인식 모델에 대해 제1 입력 벡터 뿐만 아니라 진단서 내 텍스트 위치 벡터도 학습시키고, 서로 다른 건강 검진 유형 및 서로 다른 진단서 양식에 대한 건강 검진 정보를 학습시킴으로써, 진단서의 유형과 양식이 상이해도 건강 검진 정보를 결정하도록 학습시킬 수 있다.
예를 들어, 학습 데이터로 사용되는 복수의 제1 입력 벡터 및 복수의 제1 텍스트 위치 벡터는 하나의 제1 입력 벡터와 하나의 제1 텍스트 위치 벡터가 하나의 세트로 구성될 수 있다. 복수 개의 세트가 서버에 사전 저장될 수 있다. 정답 건강 검진 정보는 상기 진단서 인식 모델을 학습시키기 위한 건강 검진 정보이며, 정답 건강 검진 정보는 주기적으로 업데이트될 수 있다. 이를 통해, 진단서 인식 모델에 대해 새로운 건강 검진 유형 및 새로운 진단서 양식을 학습시킬 수 있다. 부가적으로, 예를 들어, 복수의 정답 건강 검진 정보는 복수의 건강 검진 유형에 대한 건강 검진 정보와 복수의 진단서 양식에 대한 건강 검진 정보를 포함할 수 있다. 이때, 복수의 검단 검진 유형은 서로 다른 건강 검진 유형을 포함하고, 예를 들어, 복수의 검단 검진 유형은 영/유아 건강 검진, 초/중/고등학생 건강검진, 일반 건강검진 및 특수 건강검진을 포함할 수 있다. 복수의 진단서 양식은 서로 다른 진단서 양식을 포함하고, 예를 들어, 의료기관별 진단서 양식을 포함할 수 있다.
부가적으로, 예를 들어, 서버는 사용자의 건강 검진 정보에 포함된 오류 단어를 수정하기 위한 제1 사전(dictionary) 데이터를 저장할 수 있다. 제1 사전 데이터는 건강 검진 진단서에 포함된 단어들 및 해당 단어들에 대한 오류 단어들을 포함할 수 있다. 서버는 제1 사전 데이터에 기반하여 건강 검진 정보에 포함된 오류 단어를 검출할 수 있고, 검출된 오류 단어를 제1 사전 데이터에 포함된 단어로 수정할 수 있다.
단계 S350에서, 서버는 제2 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 처방전 인식 모델을 통해 사용자의 처방 정보를 결정할 수 있다.
예를 들어, 제2 이미지에 대한 이진화, 이미지 대비 보정, 기울임 보정 및 노이즈 제거를 통해 상기 제2 이미지에 대한 픽셀 값으로 구성된 제2 입력 벡터가 생성될 수 있다.
예를 들어, 제2 이미지에 대한 이진화를 통해 제2 이미지가 흑백 이미지로 변환될 수 있다. 제2 이미지에 대한 이미지 대비 보정을 통해 제2 이미지에 대해 처방전 내 문자와 처방전의 배경을 분리하기 위해 문자의 경계를 선명하게 해줄 수 있다. 이때, CLAHE 기법이 수행되어, 제2 이미지를 일정 크기의 블록으로 구분하여 블록별로 히스토그램 균일화를 수행하여 제2 이미지 전체에 대한 균일화가 수행될 수 잇다. 제2 이미지의 인식률 향상을 위해 기울임 보정을 수행하여 기울어진 제2 이미지의 각도를 조절하여 진단서의 수평과 수직을 맞출 수 있다. 가우시안 블러, 중앙 흐림, 양방향 필터링 등 다양한 필터를 통해 제2 이미지에 대한 이진화 및 이미지 대비 보정으로 제거되지 않은 노이즈를 추가적으로 제거할 수 있다.
제2 입력 벡터에 기반하여 상기 제2 이미지 내 텍스트들이 존재하는 복수의 제2 위치에 대한 값을 포함하는 제2 텍스트 위치 벡터가 결정될 수 있다. 예를 들어, 서버는 제2 입력 벡터에 따라 제2 이미지 내 텍스트들이 존재하는 위치를 결정하고, 해당 위치의 텍스트들에 대해 경계 박스를 설정할 수 있다. 복수의 제2 위치에 대한 값은 제2 이미지 내 복수의 경계 박스 각각에 대한 좌표 값일 수 있다.
제2 입력 벡터 및 제2 텍스트 위치 벡터가 처방전 인식 모델에 입력되는 것에 기반하여 사용자의 처방 정보가 결정될 수 있다. 사용자의 처방 정보는 질병분류 코드에 대한 값, 처방 의약품 또는 한약재에 대한 값, 1회 투약량, 1일 투여횟수 및 총 투약일수를 포함할 수 있다. 질병분류 코드는 한국질병분류 코드일 수 있고, 하나의 알파벳 문자와 2개의 숫자 및 2개의 소수점 숫자로 구성된 코드일 수 있다. 예를 들어, 발목 및 발 부위의 다발성 근육 및 힘줄의 손상, 열상의 경우, 질병분류 코드는 S96.70일 수 있다. 예를 들어, 복수의 질병분류 코드마다 질병분류 코드에 대한 값, 복수의 처방 의약품마다 처방 의약품에 대한 값 및 복수의 한약재마다 한약재에 대한 값이 서버에 사전 저장될 수 있다.
예를 들어, 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 제2 입력 벡터 복수의 제2 텍스트 위치 벡터 및 복수의 정답 처방 정보로 구성된 각각의 학습 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되어 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터로 출력되고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
이때, 의료 기관에 따라 처방전의 양식이 상이할 수 있다. 따라서, 처방전 인식 모델에 대해 제2 입력 벡터 뿐만 아니라 처방전 내 텍스트 위치 벡터도 학습시키고, 서로 다른 처방전 양식에 대한 처방 정보를 학습시킴으로써, 처방전의 양식이 상이해도 처방 정보를 결정하도록 학습시킬 수 있다.
예를 들어, 학습 데이터로 사용되는 복수의 제2 입력 벡터 및 복수의 제2 텍스트 위치 벡터는 하나의 제2 입력 벡터와 하나의 제2 텍스트 위치 벡터가 하나의 세트로 구성될 수 있다. 복수 개의 세트가 서버에 사전 저장될 수 있다. 정답 처방 정보는 상기 처방전 인식 모델을 학습시키기 위한 처방 정보이며, 정답 처방 정보는 주기적으로 업데이트될 수 있다. 이를 통해, 처방전 인식 모델에 대해 새로운 진단서 양식을 학습시킬 수 있다. 예를 들어, 복수의 정답 처방 정보는 복수의 처방전 양식에 대한 처방 정보를 포함할 수 있다. 예를 들어, 복수의 처방전 양식은 서로 다른 처방전 양식을 포함하고, 예를 들어, 의료기관별 처방전 양식을 포함할 수 있다.
부가적으로, 예를 들어, 서버는 사용자의 처방 정보에 포함된 오류 단어를 수정하기 위한 제2 사전(dictionary) 데이터를 저장할 수 있다. 제2 사전 데이터는 처방전에 포함된 단어들 및 해당 단어들에 대한 오류 단어들을 포함할 수 있다. 서버는 제2 사전 데이터에 기반하여 처방 정보에 포함된 오류 단어를 검출할 수 있고, 검출된 오류 단어를 사전 데이터에 포함된 단어로 수정할 수 있다.
단계 S360에서, 서버는 사용자의 기본 활동 정보, 사용자의 건강 검진 정보 및 사용자의 처방 정보에 기반하여 제3 뉴럴 네트워크를 이용하는 기본 추천 모델을 통해 건강기능식품에 대한 제1 추천 정보를 결정할 수 있다.
예를 들어, 사용자의 기본 활동 정보, 사용자의 건강 검진 정보 및 사용자의 처방 정보에 대한 데이터 전처리를 통해 활동 벡터 및 상태 벡터가 결정될 수 있다.
예를 들어, 활동 벡터는 활동량과 관련된 값 및 수면 시간과 관련된 값을 포함할 수 있다. 활동량과 관련된 값은 사용자의 활동량을 나타내는 값이다. 부가적으로, 예를 들어, 활동량과 관련된 값은 사용자의 하루 평균 걸음 수에 대해 사용자의 체중에서 사용자의 신장의 제곱 값을 나눈 값을 곱하고, 사용자의 나이와 관련된 제1 가중치를 적용한 값일 수 있다. 사용자의 나이와 관련된 제1 가중치는 사용자의 나이가 많을수록 큰 값으로 결정되고, 0보다 크고 1보다 작은 값일 수 있다. 수면 시간과 관련된 값은 사용자가 적정하게 수면을 하고 있는지 여부를 나타내는 점수이며, 수면 시간과 관련된 값이 클수록 사용자가 적정하게 수면을 하고 있는 것으로 나타날 수 있다. 부가적으로, 예를 들어, 수면 시간과 관련된 값은 사용자의 하루 평균 수면 시간에 대해 취침 시간에 대한 표준 편차와 기상 시간의 표준 편차를 합산한 값을 곱한 값에 사용자의 나이와 관련된 제2 가중치를 적용한 값일 수 있다. 이때, 사용자의 나이와 관련된 제2 가중치는 사용자의 연령대별 권장 수면시간에 따른 가중치이며, 예를 들어, 제2 가중치는 사용자의 나이가 10대부터 20대이면 제1 값, 30대부터 60대이면 제2 값, 70대 이상이면 제3 값으로 설정될 수 있다. 제1 값이 가장 작은 값을 가지고, 제2 값이 가장 큰 값을 가지며, 제3 값이 제1 값과 제2 값 사이의 값을 가질 수 있다. 예를 들어, 제2 가중치는 0보다 크고 1보다 작은 값을 가질 수 있고, 제1 값은 0.6, 제2 값은 0.8, 제3 값은 0.7로 설정될 수 있다.
예를 들어, 상태 벡터는 신체와 관련된 복수의 값, 검사 결과와 관련된 복수의 값, 질병 상태와 관련된 복수의 값, 처방 의약품과 관련된 값, 한약재와 관련된 값, 흡연과 관련된 값 및 음주와 관련된 값을 포함할 수 있다.
신체와 관련된 복수의 값은 성별, 나이, 신장 및 체중을 포함할 수 있다. 검사 결과와 관련된 복수의 값은 비만에 대한 값, 시각 이상에 대한 값, 청각 이상에 대한 값, 고혈압에 대한 값, 신장질환에 대한 값, 빈혈증에 대한 값, 당뇨병에 대한 값, 간장질환에 대한 값, 흉부질환에 대한 값, 구강질환 여부에 대한 값, 고지혈증에 대한 값, 인지기능 장애에 대한 값 및 암에 대한 값을 포함할 수 있다. 예를 들어, 서버는 사용자의 건강 검진 정보를 기반으로 사전 설정된 건강 검진 항목별 수치 정보를 통해 검사 결과와 관련된 복수의 값을 결정할 수 있다. 사전 설정된 건강 검진 항목별 수치 정보는 건강 검진 항목별로 해당 항목에 대한 정상 범위의 수치와 해당 항목에 대한 이상 또는 질환이 의심되는 범위의 수치 및 이상 또는 해당 항목에 대한 질환에 해당하는 범위의 수치를 포함할 수 있다. 이때, 검사 결과와 관련된 복수의 값은 이상 또는 질환이 없는 것으로 나타나는 구성 요소 또는 검진 결과가 비존재하는 구성 요소는 0 값을 가질 수 있다. 또한, 검사 결과와 관련된 복수의 값은 이상 또는 질환이 의심되는 구성 요소는 1 값, 이상 또는 질환으로 검진된 구성 요소는 2 값을 가질 수 있다.
질병 상태와 관련된 값은 사용자의 질병 상태를 나타내는 값으로, 적어도 하나의 질병분류 코드에 대한 값을 포함할 수 있다. 처방 의약품과 관련된 값은 사용자가 처방을 받은 의약품을 나타내는 값으로, 처방 의약품에 대한 값, 1회 투약량, 1일 투여횟수 및 총 투약일수를 포함할 수 있다. 한약재와 관련된 값은 사용자가 처방을 받은 한약재를 나타내는 값으로, 한약재에 대한 값, 1회 투약량, 1일 투여횟수 및 총 투약일수를 포함할 수 있다.
흡연과 관련된 값은 사용자의 흡연 상태를 나타내는 값으로, 사용자가 흡연자인 경우에는 1 값, 사용자가 비흡연자인 경우에는 0 값을 가질 수 있다. 음주와 관련된 값은 사용자의 음주 습관을 나타내는 값으로, 일주일동안 사용자가 음주를 하는 횟수를 포함할 수 있다.
예를 들어, 활동 벡터 및 상태 벡터가 상기 기본 추천 모델에 입력되는 것에 기반하여 상기 건강기능식품에 대한 제1 추천 벡터가 결정되고, 상기 건강기능식품에 대한 제1 추천 벡터에 기반하여 건강기능식품에 대한 제1 추천 정보가 결정될 수 있다. 건강기능식품에 대한 제1 추천 정보는 적어도 하나의 건강기능식품에 대한 정보를 포함할 수 있다. 건강기능식품에 대한 정보는 건강기능식품의 종류와 명칭, 건강기능식품의 복용량 및 건강기능식품의 복용 주기를 포함할 수 있다. 건강기능식품의 복용량은 해당 건강기능식품의 1회 섭취량을 포함할 수 있다. 건강기능식품의 복용주기는 해당 건강기능식품의 하루 섭취 횟수 및 하루 섭취 권장 시간을 포함할 수 있다.
예를 들어, 건강기능식품에 대한 제1 추천 벡터는 적어도 하나의 건강기능식품의 종류와 명칭에 대한 값, 적어도 하나의 건강기능식품 각각에 대한 하루 섭취 횟수 및 하루 권장 시간을 포함할 수 있다. 즉, 서버는 제1 추천 정보에 포함된 건강기능 식품의 종류와 명칭을 상기 제1 추천 벡터에 포함된 건강기능식품의 종류와 명칭에 대한 값에 매칭된 종류와 명칭으로 결정할 수 있다. 서버는 제1 추천 정보에 포함된 복용량을 상기 제1 추천 벡터에 포함된 1회 섭취량으로 결정할 수 있다. 서버는 제1 추천 정보에 포함된 복용 주기를 상기 제1 추천 벡터에 포함된 하루 섭취 횟수 및 하루 섭취 권장 시간으로 결정할 수 있다.
예를 들어, 제3 뉴럴 네트워크는 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 복수의 활동 벡터, 복수의 상태 벡터 및 복수의 정답 건강기능식품에 대한 제1 추천 벡터로 구성된 각각의 학습 데이터는 상기 제3 뉴럴 네트워크의 상기 제3 입력 레이어에 입력되어 상기 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 통과하여 제3 출력 벡터로 출력되고, 상기 제3 출력 벡터는 상기 제3 출력 레이어에 연결된 제3 손실함수 레이어에 입력되고, 상기 제3 손실함수 레이어는 상기 제3 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제3 손실함수를 이용하여 제3 손실 값을 출력하고, 상기 제3 뉴럴 네트워크의 파라미터가 상기 제3 손실 값이 작아지는 방향으로 학습될 수 있다.
학습 데이터로 사용되는 복수의 활동 벡터, 복수의 상태 벡터 및 복수의 정답 건강기능식품에 대한 제1 추천 벡터는 하나의 활동 벡터와 하나의 상태 벡터 및 하나의 정답 건강기능식품에 대한 제1 추천 벡터가 하나의 세트로 구성될 수 있다. 복수 개의 세트가 서버에 사전 저장될 수 있다. 정답 건강기능식품에 대한 제1 추천 벡터는 상기 기본 추천 모델을 학습시키기 위한 건강기능식품에 대한 제1 추천 정보에 기반하여 결정된 벡터이다. 예를 들어, 건강기능식품의 종류와 명칭에 대한 값, 건강기능식품의 1회 섭취량 및 건강기능식품의 하루 섭취 횟수 및 하루 섭취 권장 시간으로 구성될 수 있다. 하루 섭취 횟수는 하루에 건강기능식품을 섭취하는 횟수이며, 하루 섭취 권장 시간은 하루에 섭취하는 적어도 하나의 시간대를 나타낸다. 예를 들어, 하루 섭취 횟수가 2회 섭취이면, 하루 섭취 권장 시간은 첫번째 섭취는 아침 시간대, 두번째 섭취는 점심 시간대일 수 있다.
예를 들어, 복수의 건강기능식품마다 건강기능식품의 종류와 명칭에 대한 값이 서버에 사전 저장될 수 있다. 건강기능식품의 종류와 명칭에 대한 값은 주기적으로 업데이트될 수 있다. 예를 들어, 복수의 정답 건강기능식품에 대한 제1 추천 벡터는 전문가들로 구성된 외부 크라우드 소싱을 통해 복수의 활동 벡터 및 복수의 상태 벡터를 기초로 획득될 수 있다.
단계 S370에서, 서버는 사용자 단말에게 건강기능식품에 대한 제1 추천 정보를 전송할 수 있다.
일 실시예에 따르면, 서버는 사용자 단말로부터 사전 설정된 기간 내 사용자가 섭취한 식단에 대한 복수의 제3 이미지를 수신할 수 있다. 서버는 사용자 단말로부터 상기 사전 설정된 기간 내 식품과 관련된 구입 내역에 대한 정보를 수신할 수 있다. 서버는 사용자 단말과 사전 연결된 냉장 장치로부터 상기 냉장 장치에서 보관 중인 식품에 대한 정보를 수신할 수 있다. 여기서, 냉장 장치는 식품을 보관하는 장치이며, 제어부, 메모리 및 통신부를 포함할 수 있다. 서버는 상기 복수의 제3 이미지 및 상기 식품과 관련된 구입 내역에 대한 정보를 기반으로 상기 사전 설정된 기간 내 사용자의 식사 활동에 대한 정보를 결정할 수 있다. 서버는 건강기능식품에 대한 제2 추천 정보를 사용자 단말에게 전송할 수 있다. 예를 들어, 사전 설정된 기간은 3일 이상의 기간으로, 예를 들어, 일주일 또는 한달일 수 있다.
예를 들어, 식품과 관련된 구입 내역은 식품을 구입한 구입 날짜 및 시간과 구입한 식품의 명칭을 포함할 수 있다. 복수의 제3 이미지에 포함된 메타 데이터를 기반으로 복수의 제3 이미지 각각에 대한 촬영 날짜 및 촬영 시간을 포함하는 촬영 시간 정보가 추출될 수 있다.
부가적으로, 서버는 복수의 제3 이미지를 기반으로 제4 뉴럴 네트워크를 이용하는 식단 식별 모델을 통해 상기 복수의 제3 이미지 각각에 대한 영양소별 섭취량을 결정할 수 있다. 예를 들어, 서버는 복수의 제3 이미지 각각에 YOLO(you only look once) 모델을 적용하여 제3 이미지에 포함된 음식 영역을 인식하고, 인식된 음식 영역에 경계 박스의 시작 좌표와 높이, 너비 정보를 획득할 수 있다. 여기서, YOLO 모델은 경계 박스 조정(bounding box coordinate)과 분류(classification)를 뉴럴 네트워크를 통해 동시에 실행하는 통합적 인식을 구현하는 인공지능 알고리즘이다. 서버는 경계 박스에 대한 정보를 기반으로 경계 박스의 내부에 위치한 음식 이미지를 복수의 제3 이미지마다 획득할 수 있다. 서버는 복수의 제3 이미지 각각에 위치한 음식 이미지에 대한 데이터 전처리를 통해 적어도 하나의 음식 벡터를 복수의 제3 이미지마다 생성할 수 있다. 서버는 상기 복수의 제3 이미지 각각에 대한 적어도 하나의 음식 벡터를 식단 식별 모델에 입력함으로써, 상기 적어도 하나의 음식 벡터에 대한 영양소별 섭취량을 획득할 수 있다. 서버는 상기 영양소별 섭취량을 제3 이미지별로 통합하여 상기 복수의 제3 이미지 각각에 대한 영양소별 섭취량을 결정할 수 있다.
예를 들어, 제4 뉴럴 네트워크는 제4 입력 레이어, 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 포함할 수 있다. 복수의 음식 벡터 및 정답 복수의 영양소별 섭취량으로 구성된 각각의 학습 데이터는 상기 제4 뉴럴 네트워크의 상기 제4 입력 레이어에 입력되어 상기 하나 이상의 제4 히든 레이어 및 제4 출력 레이어를 통과하여 제4 출력 벡터로 출력되고, 상기 제4 출력 벡터는 상기 제4 출력 레이어에 연결된 제4 손실함수 레이어에 입력되고, 상기 제4 손실함수 레이어는 상기 제4 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제4 손실함수를 이용하여 제4 손실 값을 출력하고, 상기 제4 뉴럴 네트워크의 파라미터가 상기 제4 손실 값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 복수의 음식 벡터 및 정답 복수의 영양소별 섭취량은 하나의 음식 벡터 및 하나의 영양소별 섭취량이 하나의 세트로 구성될 수 있다. 예를 들어, 복수의 음식 벡터 및 정답 복수의 영양소별 섭취량은 서버에 사전 저장될 수 있다. 정답 복수의 영양소별 섭취량은 복수의 음식 벡터 각각에 대한 영양소별 섭취량일 수 있다.
서버는 섭취 식품 내역에 대한 정보, 촬영 시간 정보 및 복수의 제3 이미지 각각에 대한 영양소별 섭취량에 기반하여 사용자의 식사 활동 정보를 결정할 수 있다. 예를 들어, 섭취 식품 내역은 촬영 날짜와 구입 날짜가 동일한 식품 중에서 촬영 시간으로부터 사전 설정된 범위 이내에 구입 시간을 갖는 식품이 식품과 관련된 구입 내역에서 제외된 내역일 수 있다. 사용자의 식사 활동 정보는 사용자의 식사 패턴, 사용자의 음식별 선호도 및 사용자의 일일 영양소별 섭취량을 포함할 수 있다. 식사 패턴은 사용자가 사전 설정된 기간 내 하루동안 식사한 시각과 각각의 시각에 대한 표준 편차를 포함할 수 있다. 음식별 선호도는 각 음식에 대해 사용자가 섭취한 횟수를 나타낸 값일 수 있다. 일일 영양소별 섭취량은 사용자가 사전 설정된 기간 내 하루동안 섭취한 영양소별 섭취량일 수 있다.
예를 들어, 건강기능식품에 대한 제2 추천 정보는 상기 식품에 대한 정보, 상기 사전 설정된 기간 내 상기 사용자의 식사 활동에 대한 정보 및 상기 건강기능식품에 대한 제1 추천 정보를 기반으로 결정될 수 있다.
예를 들어, 식품에 대한 정보는 식품의 명칭과 보관량을 포함할 수 있다.
예를 들어, 건강기능식품에 대한 제2 추천 정보는 상기 건강기능식품의 복용량이 변경된 정보일 수 있다.
부가적으로, 예를 들어, 상기 제2 추천 정보에 포함된 건강기능식품의 복용량은 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 Intakeb는 상기 제2 추천 정보에 포함된 건강기능식품의 복용량이고, 상기 Intakea는 상기 제1 추천 정보에 포함된 건강기능식품의 복용량이고, 상기 Intke_1over 내지 Intake_nover는 건강기능식품에 포함된 n개의 영양소 각각에 대한 일일 초과 섭취량이고, times는 건강기능식품의 하루 섭취 횟수일 수 있다.
여기서, max 함수는 괄호 안의 변수들 중 가장 큰 값을 결정하는 함수일 수 있다. 일일 초과 섭취량은 건강기능식품에 포함된 영양소에 대한 일일 섭취 권장량을 초과하는 양이다.
따라서, 서버는 사용자의 식사 활동에 따른 영양소별 섭취량을 계산하고, 건강기능식품으로 인한 영양소별 섭취량 중에서 하루 권장 섭취량을 초과하여 섭취하는 영양소를 기준으로 복용량을 조정할 수 있다.
예를 들어, 건강기능식품에 포함된 영양소 하나에 대한 일일 초과 섭취량은 하기 수학식 2에 의해 결정될 수 있다.
상기 Intake_1over는 상기 일일 초과 섭취량이고, 상기 Intake_1th는 해당 영양소에 대한 일일 권장 섭취량이고, 상기 Intkae_1a는 해당 영양소에 대한 건강기능식품을 통한 1회 섭취량이고, 상기 times는 건강기능식품에 대한 하루 섭취 횟수이고, 상기 는 사용자의 음식별 선호도 및 냉장 장치에 보관 중인 식품에 따라 결정된 가중치이고, 상기 Intake_1out은 해당 영양소에 대한 식사를 통한 일일 섭취량일 수 있다.
는 해당 영양소가 사용자의 선호도가 사전 설정된 선호도 이상인 음식에 포함된 영양소이거나 사용자 단말과 사전 연결된 냉장 장치에 보관 중인 식품에 포함된 영양소인 경우에 적용하는 가중치일 수 있다. 예를 들어, 식품 및 음식에 포함된 영양소의 종류는 서버에 사전 저장될 수 있다. 예를 들어, 는 1 이상의 값으로 결정될 수 있다. 는 사용자의 선호도가 사전 설정된 선호도 이상인 음식에 포함된 영양소 또는 사용자 단말과 사전 연결된 냉장 장치에 보관 중인 식품에 포함된 영양소인 경우에는 1.05로 결정될 수 있다. 는 사용자의 선호도가 사전 설정된 선호도 이상인 음식에 포함된 영양소 및 사용자 단말과 사전 연결된 냉장 장치에 보관 중인 식품에 포함된 영양소인 경우에는 1.1로 결정될 수 있다.
예를 들어, 서버는 건강기능식품마다 포함된 영양소의 종류 및 양에 대한 정보, 영양소별 일일 권장 섭취량이 서버에 사전 저장될 수 있다.
이를 통해, 서버는 사용자의 음식에 대한 선호도 및 냉장 장치에 보관 중인 음식까지 고려하여, 건강기능식품에 포함된 영양소 중에서 하루 권장 섭취량을 초과하는 영양소에 대한 섭취량을 결정할 수 있다.
일 실시예에 따르면, 서버는 사용자 단말과 연결된 웨어러블 디바이스로부터 사전 설정된 시간에 대한 사용자의 운동량 정보를 수신할 수 있다. 서버는 사전 설정된 시간에 대한 사용자의 운동량 정보 및 상태 벡터를 기반으로 건강기능식품에 대한 제3 추천 정보를 전송할 수 있다. 여기서, 웨어러블 디바이스(wearable device)는 옷이나 시계, 안경, 액세서리처럼 자유롭게 몸에 착용하고 다닐 수 있는 디바이스이며, 제어부, 메모리 및 통신부를 포함할 수 있다.
상기 사전 설정된 시간에 대한 사용자의 운동량 정보는 웨어러블 디바이스를 통해 측정된 운동 시간, 상기 운동 시간 내 사용자의 심박수, 상기 운동 시간 내 사용자의 산소 포화도 및 운동 종목에 대한 값을 포함할 수 있다.
건강기능식품에 대한 제3 추천 정보는 운동과 관련된 건강기능식품을 추천하는 정보이며, 적어도 하나의 운동과 관련된 건강기능식품에 대한 정보를 포함할 수 있다. 운동과 관련된 건강기능식품에 대한 정보는 운동능력 개선과 관련된 건강기능식품에 대한 정보, 근력 개선과 관련된 건강기능식품에 대한 정보 또는 피로 개선과 관련된 건강기능식품에 대한 정보를 포함할 수 있다.
예를 들어, 서버는 대한 사용자의 운동량 정보 및 상태 벡터를 제5 뉴럴 네트워크를 이용하는 운동용 추천 모델을 통해 건강기능식품에 대한 제3 추천 벡터를 결정할 수 있다. 예를 들어, 운동용 추천 모델은 상술한 기본 추천 모델의 구조와 동일할 수 있고, 복수의 운동량 벡터, 복수의 상태 벡터 및 복수의 정답 건강기능식품에 대한 제3 추천 벡터로 구성된 각각의 학습 데이터는 운동용 추천 모델이 학습될 수 있다.
예를 들어, 사용자의 운동량 정보는 데이터 전처리를 통해 운동량 벡터로 벡터화될 수 있고, 운동량 벡터는 운동 시간, 상기 운동 시간 내 사용자의 심박수, 상기 운동 시간 내 사용자의 산소 포화도 및 운동 종목에 대한 값으로 구성될 수 있다.
예를 들어, 운동과 관련된 복수의 건강기능식품마다 건강기능식품의 종류와 명칭에 대한 값이 서버에 사전 저장될 수 있다. 운동과 관련된 건강기능식품의 종류와 명칭에 대한 값은 주기적으로 업데이트될 수 있다. 예를 들어, 복수의 정답 건강기능식품에 대한 제3 추천 벡터는 전문가들로 구성된 외부 크라우드 소싱을 통해 복수의 운동량 벡터 및 복수의 상태 벡터를 기초로 획득될 수 있다.
부가적으로, 예를 들어, 서버는 운동과 관련된 건강기능식품에 대한 정보에 포함된 복용량을 상술한 식품에 대한 정보, 상술한 사전 설정된 기간 내 상기 사용자의 식사 활동에 대한 정보에 기반하여 변경할 수 있다. 예를 들어, 서버는 운동과 관련된 건강기능식품에 대한 정보에 포함된 복용량을 상술한 수학식 1 및 수학식 2에 따라 변경할 수 있다.
도 4는 일 실시예에 따른 기본 추천 모델을 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 기본 추천 모델은 와이드 앤 딥 러닝 모델(wide and deep learning) 모델(400)일 수 있다. 와이드 앤 딥러닝 모델은 제3 입력 레이어(410), 하나 이상의 제3 히든 레이어(420) 및 제3 출력 레이어(430)를 포함할 수 있다. 와이드 앤 딥 러닝 모델은 와이드와 관련된 구성 요소(401)와 딥과 관련된 구성 요소(402)를 포함할 수 있다.
예를 들어, 와이드와 관련된 구성 요소(401)는 획득된 과거 데이터를 기반으로 학습하고, 과거 데이터 사이의 상관 관계를 학습함으로써, 가장 관련이 있는 특징 벡터들을 결정할 수 있다. 예를 들어, 와이드와 관련된 구성 요소는 선형 함수로 구성된 모델일 수 있고, 크로스-프로덕트 특징(cross-product feature)을 사용하는 모델일 수 있다. 여기서, 크로스-프로덕트 특징은 과거의 데이터를 기반으로 새로운 조합의 특징(feature)을 생성하는 것일 수 있다. 예를 들어, 와이드와 관련된 구성 요소를 기반으로 n개의 특징 벡터, m개의 크로스-프로덕트 특징 벡터를 통해 제1 예측 값이 결정될 수 있다.
예를 들어, 복수의 활동 벡터를 기반으로 n개의 특징 벡터가 생성되고, n개의 특징 벡터와 복수의 정답 건강기능식품에 대한 제1 추천 벡터를 통해 m개의 크로스-프로덕트 특징 벡터가 생성될 수 있다. 예를 들어, n개의 특징 벡터가 상기 m개의 크로스-프로덕트 특징 벡터에 부합되는 것에 기반하여, 즉, n개의 특징 벡터와 상관 관계를 가지는 정답 건강기능식품에 대한 제1 벡터가 결정됨으로써, 제1 예측 값이 결정될 수 있다. 예를 들어, n개의 특징 벡터가 상기 m개의 크로스-프로덕트 특징 벡터에 부합되면, 상기 제1 예측 값은 1로 결정될 수 있다. 예를 들어, n개의 특징 벡터가 상기 m개의 크로스-프로덕트 특징 벡터에 부합되지 않으면, 상기 제1 예측 값은 0으로 결정될 수 있다.
예를 들어, 딥과 관련된 구성 요소(402)는 과거의 데이터에 없는 새로운 데이터를 생성하는 모델이며, 고차원의 상호작용 정보를 학습할 수 있다. 이를 위해, 딥과 관련된 구성 요소는 비선형 활성 함수를 이용한 제3 뉴럴 네트워크를 사용할 수 있다. 예를 들어, 딥과 관련된 구성 요소(402)는 밀집 임베딩 레이어(dense embedding layer)와 뉴럴 CF(Neural collaborative filtering) 레이어를 더 포함할 수 있다. 예를 들어, 밀집 임베딩 레이어는 입력 벡터를 임베딩 벡터로 변환시키는 레이어이며, 차원 축소 기법(예: SVD(singular value decomposition), PCA(principal component analysis))이 사용될 수 있다. 예를 들어, 뉴럴 CF 레이어는 복수의 레이어로 구성되며, 각 레이어에 대해 비선형 활성 함수가 적용될 수 있다. 예를 들어, 딥과 관련된 구성 요소(402)의 입력 벡터는 복수의 상태 벡터일 수 있다. 즉, 딥과 관련된 구성 요소(402)는 밀집 임베딩 레이어와 뉴럴 CF 레이어를 통해 상태 벡터가 정답 제1 추천 벡터의 범위에 부합하는지 여부에 대한 제2 예측 값을 결정할 수 있다.
예를 들어, 와이드 앤 딥러닝 모델은 상기 제1 예측 값과 상기 제2 예측 값에 마지막으로 시그모이드 활성함수를 적용시켜 0과 1사이의 확률 값으로 변환시킬 수 있다. 이때, 확률 값이 0.5 이상이면 1, 0.5 미만이면 0으로 다시 변환시킬 수 있고, 1인 경우에는 건강기능식품의 제1 추천 벡터로 결정할 수 있다.
따라서, 서버가 기본 추천 모델로 와이드 앤 딥러닝 모델이 사용하면, 선형 함수를 적용한 와이드와 관련된 구성 요소를 통해 모델의 성능을 일반화할 수 있고, 비선형 함수를 적용한 딥과 관련된 구성 요소를 통해 새로운 데이터에 대한 예측을 보완함으로써, 보다 효율적으로 건강기능식품을 추천할 수 있다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 건강기능식품에 대한 추천 정보를 사용자 단말에게 제공하는 방법에 대한 신호 교환도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 사용자 단말로부터 건강기능식품에 대한 추천 정보를 요청하는 요청 메시지를 수신할 수 있다.
요청 메시지는 사용자의 개인 정보, 사용자의 기본 활동 정보 및 사용자의 건강 검진 진단서에 대한 제1 이미지를 포함할 수 있다.
단계 S502에서, 서버는 사용자의 개인 정보를 기반으로 외부 서버에 사용자의 처방전에 대한 제2 이미지를 포함하는 처방전 요청 메시지를 전송할 수 있다.
예를 들어, 서버는 사용자 단말로부터 수신한 사용자의 개인 정보에 포함된 사용자의 이름 및 사용자의 주민등록번호에 대해 KSA와 PRGA를 이용하는 암호화 알고리즘을 통해 암호문을 결정하고, 암호문을 포함하는 처방전 요청 메시지를 외부 서버에게 전송할 수 있다.
단계 S503에서, 서버는 외부 서버로부터 사용자의 처방전에 대한 제2 이미지를 수신할 수 있다.
예를 들어, 외부 서버는 사전 저장된 키를 이용해 암호문을 복호화하여, 사용자를 식별할 수 있다. 외부 서버는 식별된 사용자의 처방전에 대한 제2 이미지를 서버에게 전송할 수 있다.
단계 S504에서, 서버는 사용자의 기본 활동 정보, 사용자의 건강 검진 정보 및 사용자의 처방 정보에 기반하여 제3 뉴럴 네트워크를 이용하는 기본 추천 모델을 통해 건강기능식품에 대한 제1 추천 정보를 결정할 수 있다.
예를 들어, 서버는 제1 이미지를 기반으로 제1 뉴럴 네트워크를 이용하는 진단서 인식 모델을 통해 사용자의 건강 검진 정보를 결정하고, 제2 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 처방전 인식 모델을 통해 사용자의 처방 정보를 결정할 수 있다.
단계 S505에서, 서버는 사용자 단말에게 건강기능식품에 대한 제1 추천 정보를 전송할 수 있다.
단계 S506에서, 서버는 사용자 단말로부터 사전 설정된 기간 내 사용자가 섭취한 식단에 대한 복수의 제3 이미지를 수신할 수 있다.
예를 들어, 서버는 복수의 제3 이미지를 기반으로 제4 뉴럴 네트워크를 이용하는 식단 식별 모델을 통해 상기 복수의 제3 이미지 각각에 대한 영양소별 섭취량을 결정할 수 있다.
예를 들어, 서버는 복수의 제3 이미지에 포함된 메타 데이터를 기반으로 복수의 제3 이미지 각각에 대한 촬영 날짜 및 촬영 시간을 포함하는 촬영 시간 정보를 추출할 수 있다.
단계 S507에서, 서버는 사용자 단말로부터 사전 설정된 기간 내 식품과 관련된 구입 내역에 대한 정보를 수신할 수 있다.
예를 들어, 서버는 섭취 식품 내역에 대한 정보, 촬영 시간 정보 및 복수의 제3 이미지 각각에 대한 영양소별 섭취량에 기반하여 사전 설정된 기간 내 사용자의 식사 활동 정보를 결정할 수 있다. 예를 들어, 섭취 식품 내역은 촬영 날짜와 구입 날짜가 동일한 식품 중에서 촬영 시간으로부터 사전 설정된 범위 이내에 구입 시간을 갖는 식품이 식품과 관련된 구입 내역에서 제외된 내역일 수 있다.
단계 S508에서, 사용자 단말은 냉장 장치와 연결이 확립될 수 있다.
예를 들어, 사용자 단말은 사용자의 집에 구비된 냉장 장치에게 연결 요청 메시지를 전송하고, 상기 냉장 장치로부터 연결 허용 메시지를 수신함으로써, 냉장 장치와 연결이 확립될 수 있다.
단계 S509에서, 서버는 사용자 단말과 연결이 확립된 냉장 장치로부터 상기 냉장 장치에서 보관 중인 식품에 대한 정보를 수신할 수 있다.
단계 S510에서, 서버는 식품에 대한 정보, 사전 설정된 기간 내 사용자의 식사 활동에 대한 정보 및 건강기능식품에 대한 제1 추천 정보를 기반으로 건강기능식품에 대한 제2 추천 정보를 결정할 수 있다.
예를 들어, 건강기능식품에 대한 제2 추천 정보는 건강기능식품에 대한 제1 추천 정보에 포함된 건강기능식품의 복용량이 변경된 정보일 수 있다. 제2 추천 정보에 포함된 건강기능식품의 복용량은 상술한 수학식 1에 의해 결정될 수 있다.
단계 S511에서, 서버는 사용자 단말에게 건강기능식품에 대한 제2 추천 정보를 전송할 수 있다.
단계 S512에서, 사용자 단말은 사용자에게 착용된 웨어러블 디바이스와 연결이 확립될 수 있다.
예를 들어, 사용자 단말은 사용자에게 착용된 웨어러블 디바이스에게 연결 요청 메시지를 전송하고, 상기 웨어러블 디바이스로부터 연결 허용 메시지를 수신함으로써, 웨어러블 디바이스와 연결이 확립될 수 있다.
단계 S513에서, 서버는 웨어러블 디바이스로부터 사전 설정된 시간에 대한 사용자의 운동량 정보를 수신할 수 있다.
단계 S514에서, 서버는 사용자의 운동량 정보 및 상태 벡터를 제5 뉴럴 네트워크를 이용하는 운동용 추천 모델을 통해 건강기능식품에 대한 제3 추천 정보를 결정할 수 있다.
예를 들어, 건강기능식품에 대한 제2 추천 정보를 결정한 이후 사전 설정된 시간에 대한 사용자의 운동량 정보를 수신한 경우, 서버는 건강기능식품에 대한 제3 추천 정보에 포함된 복용량을 식품에 대한 정보, 사전 설정된 기간 내 사용자의 식사 활동에 대한 정보에 기반하여 변경할 수 있다. 예를 들어, 서버는 건강기능식품에 대한 제3 추천 정보에 포함된 복용량을 상술한 수학식 1 및 수학식 2에 따라 변경할 수 있다.
단계 S515에서, 서버는 사용자 단말에게 건강기능식품에 대한 제3 추천 정보를 전송할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 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 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 건강기능식품에 대한 추천 정보를 사용자 단말에게 제공하는 방법에 있어서,
    상기 사용자 단말로부터 건강기능식품에 대한 추천 정보를 요청하는 요청 메시지를 수신하는 단계;
    상기 요청 메시지는 사용자의 개인 정보, 사용자의 기본 활동 정보 및 사용자의 건강 검진 진단서에 대한 제1 이미지를 포함하고,
    상기 사용자의 개인 정보를 기반으로 외부 서버에 사용자의 처방전에 대한 제2 이미지를 요청하는 단계;
    상기 외부 서버로부터 상기 사용자의 처방전에 대한 제2 이미지를 수신하는 단계;
    상기 제1 이미지를 기반으로 제1 뉴럴 네트워크를 이용하는 진단서 인식 모델을 통해 사용자의 건강 검진 정보를 결정하는 단계;
    상기 제2 이미지를 기반으로 제2 뉴럴 네트워크를 이용하는 처방전 인식 모델을 통해 사용자의 처방 정보를 결정하는 단계;
    상기 사용자의 기본 활동 정보, 상기 사용자의 건강 검진 정보 및 상기 사용자의 처방 정보에 기반하여 제3 뉴럴 네트워크를 이용하는 기본 추천 모델을 통해 건강기능식품에 대한 제1 추천 정보를 결정하는 단계;
    상기 사용자 단말에게 상기 건강기능식품에 대한 제1 추천 정보를 전송하는 단계;
    상기 사용자 단말로부터 사전 설정된 기간 내 사용자가 섭취한 식단에 대한 복수의 제3 이미지를 수신하는 단계;
    상기 사용자 단말로부터 상기 사전 설정된 기간 내 식품과 관련된 구입 내역에 대한 정보를 수신하는 단계;
    상기 사용자 단말과 사전 연결된 냉장 장치로부터 상기 냉장 장치에서 보관 중인 식품에 대한 정보를 수신하는 단계;
    상기 복수의 제3 이미지 및 상기 식품과 관련된 구입 내역에 대한 정보를 기반으로 상기 사전 설정된 기간 내 사용자의 식사 활동에 대한 정보를 결정하는 단계; 및
    건강기능식품에 대한 제2 추천 정보를 사용자 단말에게 전송하는 단계를 포함하되,
    상기 건강기능식품에 대한 제1 추천 정보는 건강기능식품의 종류와 명칭, 건강기능식품의 복용량 및 건강기능식품의 복용 주기를 포함하고,
    상기 제1 이미지 및 상기 제2 이미지에 대한 이진화, 이미지 대비 보정, 기울임 보정 및 노이즈 제거를 통해 상기 제1 이미지에 대한 픽셀 값으로 구성된 제1 입력 벡터와 상기 제2 이미지에 대한 픽셀 값으로 구성된 제2 입력 벡터가 생성되고,
    상기 제1 입력 벡터에 기반하여 상기 제1 이미지 내 텍스트들이 존재하는 복수의 제1 위치에 대한 값을 포함하는 제1 텍스트 위치 벡터가 결정되고,
    상기 제2 입력 벡터에 기반하여 상기 제2 이미지 내 텍스트들이 존재하는 복수의 제2 위치에 대한 값을 포함하는 제2 텍스트 위치 벡터가 결정되고,
    상기 제1 입력 벡터 및 상기 제1 텍스트 위치 벡터가 상기 진단서 인식 모델에 입력되는 것에 기반하여 상기 사용자의 건강 검진 정보가 결정되고,
    상기 제2 입력 벡터 및 상기 제2 텍스트 위치 벡터가 상기 처방전 인식 모델에 입력되는 것에 기반하여 상기 사용자의 처방 정보가 결정되고,
    상기 건강기능식품에 대한 제2 추천 정보는 상기 식품에 대한 정보, 상기 사전 설정된 기간 내 상기 사용자의 식사 활동에 대한 정보 및 상기 건강기능식품에 대한 제1 추천 정보를 기반으로 결정되고, 상기 식품과 관련된 구입 내역은 식품을 구입한 구입 날짜 및 구입 시간과 구입한 식품의 명칭을 포함하고,
    상기 복수의 제3 이미지에 포함된 메타 데이터를 기반으로 상기 복수의 제3 이미지 각각에 대한 촬영 날짜 및 촬영 시간을 포함하는 촬영 시간 정보가 추출되고,
    상기 복수의 제3 이미지를 기반으로 제4 뉴럴 네트워크를 이용하는 식단 식별 모델을 통해 상기 복수의 제3 이미지 각각에 대한 영양소별 섭취량이 결정되고,
    섭취 식품 내역에 대한 정보, 상기 촬영 시간 정보 및 상기 복수의 제3 이미지 각각에 대한 영양소별 섭취량에 기반하여 사용자의 식사 활동 정보가 결정되고,
    상기 섭취 식품 내역은 상기 촬영 날짜와 상기 구입 날짜가 동일한 식품 중에서 상기 촬영 시간으로부터 사전 설정된 범위 이내에 구입 시간을 갖는 식품이 상기 식품과 관련된 구입 내역에서 제외된 내역이고,
    상기 사용자의 식사 활동 정보는 사용자의 식사 패턴, 사용자의 음식별 선호도 및 사용자의 일일 영양소별 섭취량을 포함하고,
    상기 식품에 대한 정보는 식품의 명칭과 보관량을 포함하고,
    상기 건강기능식품에 대한 제2 추천 정보는 상기 건강기능식품의 복용량이 변경된 정보이고,
    상기 제2 추천 정보에 포함된 건강기능식품의 복용량은 하기 수학식 1에 의해 결정되고,
    [수학식 1]

    상기 수학식 1에서, 상기 Intakeb는 상기 제2 추천 정보에 포함된 건강기능식품의 복용량이고, 상기 Intakea는 상기 제1 추천 정보에 포함된 건강기능식품의 복용량이고, 상기 Intke_1over 내지 Intake_nover는 건강기능식품에 포함된 n개의 영양소 각각에 대한 일일 초과 섭취량이고, 상기 times는 건강기능식품의 하루 섭취 횟수이고,
    상기 일일 초과 섭취량은 하기 수학식 2에 의해 결정되고,
    [수학식 2]

    상기 Intake_1over는 상기 일일 초과 섭취량이고, 상기 Intake_1th는 해당 영양소에 대한 일일 권장 섭취량이고, 상기 Intkae_1a는 해당 영양소에 대한 건강기능식품을 통한 1회 섭취량이고, 상기 times는 건강기능식품에 대한 하루 섭취 횟수이고, 상기 는 사용자의 음식별 선호도 및 냉장 장치에 보관 중인 식품에 따라 결정된 가중치이고, 상기 Intake_1out은 해당 영양소에 대한 식사를 통한 일일 섭취량인,
    방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 사용자의 기본 활동 정보는 걸음 수, 수면 시간, 기상 시각 및 취침 시각을 포함하고,
    상기 사용자의 건강 검진 정보는 건강 검진 연월일, 성별, 나이, 신장, 체중, 허리둘레, 시력, 청력, 혈압과 관련된 복수의 값, 혈당과 관련된 복수의 값, 콜레스테롤과 관련된 복수의 값, 혈색소, 요단백, 혈청크레아티닌, 흉부 방사선과 관련된 값, 흡연과 관련된 값, 음주와 관련된 값, 구강검진과 관련된 복수의 값, 골밀도 또는 암과 관련된 복수의 값 중 적어도 하나를 포함하고,
    상기 사용자의 처방 정보는 질병분류 코드, 처방 의약품 또는 한약재의 명칭, 1회 투약량, 1일 투여횟수 및 총 투약일수를 포함하고,
    상기 사용자의 기본 활동 정보, 상기 사용자의 건강 검진 정보 및 상기 사용자의 처방 정보에 대한 데이터 전처리를 통해 활동 벡터 및 상태 벡터가 결정되고,
    상기 활동 벡터는 활동량과 관련된 값 및 수면 시간과 관련된 값을 포함하고,
    상기 상태 벡터는 신체와 관련된 복수의 값, 검사 결과와 관련된 복수의 값, 구강 상태와 관련된 복수의 값, 질병 상태와 관련된 복수의 값, 처방 의약품과 관련된 복수의 값, 한약재와 관련된 복수의 값, 흡연과 관련된 값 및 음주와 관련된 값을 포함하고,
    상기 활동 벡터 및 상기 상태 벡터가 상기 기본 추천 모델에 입력되는 것에 기반하여 상기 건강기능식품에 대한 제1 추천 정보가 결정되는,
    방법.
  4. 삭제
  5. 삭제
KR1020230063128A 2023-05-16 2023-05-16 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치 KR102569889B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230063128A KR102569889B1 (ko) 2023-05-16 2023-05-16 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230063128A KR102569889B1 (ko) 2023-05-16 2023-05-16 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102569889B1 true KR102569889B1 (ko) 2023-08-28

Family

ID=87806332

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230063128A KR102569889B1 (ko) 2023-05-16 2023-05-16 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102569889B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190084567A (ko) * 2018-01-08 2019-07-17 삼성전자주식회사 음식과 관련된 정보를 처리하기 위한 전자 장치 및 방법
KR20220068181A (ko) * 2020-11-16 2022-05-25 주식회사 투비콘 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법
KR20230039087A (ko) * 2021-09-13 2023-03-21 주식회사 에이앤지컴퍼니 건강정보를 이용한 맞춤형 건강 서비스 제공 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190084567A (ko) * 2018-01-08 2019-07-17 삼성전자주식회사 음식과 관련된 정보를 처리하기 위한 전자 장치 및 방법
KR20220068181A (ko) * 2020-11-16 2022-05-25 주식회사 투비콘 건강 정보 및 투약 정보 분석 기반의 건강기능식품 섭취 정보를 제공하는 시스템 및 방법
KR20230039087A (ko) * 2021-09-13 2023-03-21 주식회사 에이앤지컴퍼니 건강정보를 이용한 맞춤형 건강 서비스 제공 시스템

Similar Documents

Publication Publication Date Title
Ometov et al. A survey on wearable technology: History, state-of-the-art and current challenges
Alshehri et al. A comprehensive survey of the Internet of Things (IoT) and AI-based smart healthcare
AU2015255652B2 (en) Systems and methods for using eye signals with secure mobile communications
DE102016101650A1 (de) Korrektur von bias in messwerten der affektiven reaktion
KR102413770B1 (ko) 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR102582594B1 (ko) 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치
KR102553152B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 추천 액세서리에 대한 정보를 전송하는 방법 및 장치
Dixit et al. Human bond communication: the holy grail of holistic communication and immersive experience
KR102375587B1 (ko) 헤어 이미지 추천 및 합성 방법 및 장치
KR102383102B1 (ko) 가상 현실을 이용하여 컬러 테라피를 제공하는 방법 및 장치
US20200167658A1 (en) System of Portable Real Time Neurofeedback Training
KR102569889B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치
US20230187043A1 (en) Electronic device and health management method using same
KR102384892B1 (ko) 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
KR20230151425A (ko) 뉴럴 네트워크를 이용하여 색상 이미지 및 색상 이미지를 선택한 순서에 기반한 심리 상태와 관련된 정보를 제공하는 방법 및 장치
KR20220087411A (ko) 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치
KR102596451B1 (ko) 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치
KR102602130B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 채색용도안을 제공하는 방법 및 장치
KR102631687B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치
KR102573319B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 가상 공간에 생성된 추모 공간을 제공하는 방법 및 장치
KR102536395B1 (ko) 뉴럴 네트워크를 이용한 화장품 추천 방법 및 장치
KR102486525B1 (ko) 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치
KR102487754B1 (ko) 뉴럴 네트워크를 이용하여 서버가 마케팅 비용에 대한 정보를 단말에게 제공하는 방법 및 장치
KR102633788B1 (ko) 뉴럴 네트워크를 이용하여 댄스 대회를 관리하는 방법 및 시스템
KR102554242B1 (ko) 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant