KR102573016B1

KR102573016B1 - 분석물 데이터 보정 장치 및 방법

Info

Publication number: KR102573016B1
Application number: KR1020210063885A
Authority: KR
Inventors: 성남환
Original assignee: 주식회사 에스비솔루션
Priority date: 2021-05-18
Filing date: 2021-05-18
Publication date: 2023-09-01
Also published as: KR20220156199A; US11456060B1; EP4342376A1; WO2022245020A1

Abstract

분석물 데이터 보정 장치 및 방법을 개시한다. 일실시예에 분석물 데이터 보정 방법은 기준 장치에서 측정한 제1 분석물 데이터를 수신하는 단계, 상기 수신된 제1 분석물 데이터를 저장하는 단계, 분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정값을 계산하는 단계 및 상기 계산된 보정값을 상기 제2 분석물 데이터에 반영하여 최종 분석물 데이터를 계산하는 단계를 포함할 수 있다.

Description

분석물 데이터 보정 장치 및 방법{APPARATUS AND METHOD AND FOR CALIBRATING ANALYTE DATA}

아래의 설명은 분석물 데이터 보정 장치 및 방법에 관한 것이다.

분석물 농도를 측정하는 분석물 센서는 주변 환경의 변화 또는 시간의 경과에 따라 측정의 정확도가 떨어지는데, 이를 보완하기 위해 분석물 센서의 출력 데이터를 보정하는 장치를 사용하다. 분석물 데이터 보정 장치는 온도, 습도 등의 환경적 요인이나 센서의 열화 등의 시간적 요인에 따른 측정치의 오차를 보정하여 분석물 센서의 정확도를 유지하는 필수 요소이다.

그러나, 종래 기술의 보정 장치는 단순한 매핑 테이블(Mapping Table)이나 1차 함수를 사용하기 때문에 보정한 시점에서는 정확한 측정 결과를 나타내지만, 시간이 지나면 다시 측정 오차가 증가하는 문제점이 있다. 때문에, 주기적인 보정이 필요하다.
[선행기술문헌]
한국공개특허 제10-2020-0112365호

비선형 모델로 구현된 보정값 예측 모델을 사용하여 시간의 변화에 따른 보정값을 예측함으로써 시간의 경과에 따른 보정 오차를 최소화하고, 이를 통해 보정 주기를 늘릴 수 있는 분석물 데이터 보정 장치 및 방법을 제공한다.

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 분석물 데이터 보정 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 기준 장치에서 측정한 제1 분석물 데이터를 수신하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 수신된 제1 분석물 데이터를 저장하는 단계; 상기 적어도 하나의 프로세서에 의해, 분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정값을 계산하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 계산된 보정값을 상기 제2 분석물 데이터에 반영하여 최종 분석물 데이터를 계산하는 단계를 포함하는 분석물 데이터 보정 방법을 제공한다.

일측에 따르면, 상기 보정값을 계산하는 단계는, 상기 인공지능 보정 모델의 신경망이 포함하는 출력 노드의 확률 분포의 평균을 상기 보정값으로서 계산하는 것을 특징으로 할 수 있다.

다른 측면에 따르면, 상기 보정값을 계산하는 단계는, 상기 제2 분석물 데이터와 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 상기 제1 분석물 데이터의 재수신 시기를 결정하기 위한 예측 불확실성을 더 계산하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 예측 불확실성은 상기 인공지능 보정 모델의 신경망이 포함하는 출력 노드의 확률 분포의 분산을 포함하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 분석물 데이터 보정 방법은 상기 적어도 하나의 프로세서에 의해, 상기 예측 불확실성을 기설정된 임계값과 비교하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 예측 불확실성이 상기 기설정된 임계값 이상인 경우, 보정 요청 신호를 생성하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 상기 생성된 보정 요청 신호를 출력하는 단계를 더 포함할 수 있다.

또 다른 측면에 따르면, 상기 최종 분석물 데이터를 계산하는 단계는, 상기 예측 불확실성이 상기 기설정된 임계값 미만인 경우에 상기 최종 분석물 데이터를 계산하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 보정 요청 신호는 상기 제1 분석물 데이터의 재측정 및 재수신을 요청하기 위한 신호를 포함하는 것을 특징으로 할 수 있다.

또 다른 측면에 따르면, 상기 제2 분석물 데이터는 상기 분석물 센서에서 측정한 분석물 데이터를 일정 시간 동안 누적한 데이터를 포함하는 것을 특징으로 할 수 있다.

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 분석물 데이터 보정 방법에 있어서, 상기 적어도 하나의 프로세서에 의해, 기준 장치에서 측정한 제1 분석물 데이터를 수신하는 단계; 상기 적어도 하나의 프로세서에 의해, 상기 수신된 제1 분석물 데이터를 저장하는 단계; 및 상기 적어도 하나의 프로세서에 의해, 분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정된 제2 분석물 데이터를 계산하는 단계를 포함하는 분석물 데이터 보정 방법을 제공한다.

컴퓨터 장치와 결합되어 상기 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.

상기 방법을 컴퓨터 장치에 실행시키기 위한 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체를 제공한다.

컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 기준 장치에서 측정한 제1 분석물 데이터를 수신하고, 상기 수신된 제1 분석물 데이터를 저장하고, 분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정값을 계산하고, 상기 계산된 보정값을 상기 제2 분석물 데이터에 반영하여 최종 분석물 데이터를 계산하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해, 기준 장치에서 측정한 제1 분석물 데이터를 수신하고, 상기 수신된 제1 분석물 데이터를 저장하고, 상기 적어도 하나의 프로세서에 의해, 분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정된 제2 분석물 데이터를 계산하는 것을 특징으로 하는 컴퓨터 장치를 제공한다.

보정 시점에서의 단순한 측정 차이를 보정값으로 사용하지 않고, 이를 보정값 예측 모델에 통과한 결과를 보정값으로 사용하기 때문에 시간에 경과에 따른 보정 오차를 줄여 보정 주기를 늘릴 수 있다.

또한, 예측 불확실성을 출력하는 보정값 예측 모델을 사용함으로써, 현재 예측된 보정값의 신뢰도를 평가할 수 있고, 이를 바탕으로 보정의 필요성을 판단할 수 있고, 이를 통해 불필요한 보정을 피하고, 보정이 필요한 경우 보정 주기에 관계없이 즉시 보정 절차를 실시하도록 사용자에게 요구할 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 분석물 데이터 보정 장치의 예를 도시한 도면이다.
도 4는 본 발명의 일실시예에 있어서, 분석물 농도를 BNN을 이용한 보정값 예측 모델에 입력해 보정값 예측치와 예측 불확실성을 구하는 개념도이다.
도 5는 본 발명의 일실시예에 따른 분석물 데이터 보정 방법의 예를 도시한 흐름도이다.
도 6은 본 발명의 일실시예에 있어서, 예측 불확실성을 활용하는 방법의 예를 도시한 흐름도이다.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 청구범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 청구범위에 포함되는 것으로 이해되어야 한다.

실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

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

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

또한, 실시예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.

어느 하나의 실시예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성 요소는, 다른 실시예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시예에 기재한 설명은 다른 실시예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.

본 발명의 실시예들에 따른 분석물 데이터 보정 장치는 적어도 하나의 컴퓨터 장치에 의해 구현될 수 있다. 이때, 컴퓨터 장치에는 본 발명의 일실시예에 따른 컴퓨터 프로그램이 설치 및 구동될 수 있고, 컴퓨터 장치는 구동된 컴퓨터 프로그램의 제어에 따라 본 발명의 실시예들에 따른 분석물 데이터 보정 방법을 수행할 수 있다. 상술한 컴퓨터 프로그램은 컴퓨터 장치와 결합되어 분석물 데이터 보정 방법을 컴퓨터에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장될 수 있다.

도 1은 본 발명의 일실시예에 따른 네트워크 환경의 예를 도시한 도면이다. 도 1의 네트워크 환경은 복수의 전자 기기들(110, 120, 130, 140), 복수의 서버들(150, 160) 및 네트워크(170)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 전자 기기의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다. 또한, 도 1의 네트워크 환경은 본 실시예들에 적용 가능한 환경들 중 하나의 예를 설명하는 것일 뿐, 본 실시예들에 적용 가능한 환경이 도 1의 네트워크 환경으로 한정되는 것은 아니다.

복수의 전자 기기들(110, 120, 130, 140)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 복수의 전자 기기들(110, 120, 130, 140)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 도 1에서는 전자 기기(110)의 예로 스마트폰의 형상을 나타내고 있으나, 본 발명의 실시예들에서 전자 기기(110)는 실질적으로 무선 또는 유선 통신 방식을 이용하여 네트워크(170)를 통해 다른 전자 기기들(120, 130, 140) 및/또는 서버(150, 160)와 통신할 수 있는 다양한 물리적인 컴퓨터 장치들 중 하나를 의미할 수 있다.

통신 방식은 제한되지 않으며, 네트워크(170)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(170)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.

서버(150, 160) 각각은 복수의 전자 기기들(110, 120, 130, 140)과 네트워크(170)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 예를 들어, 서버(150)는 네트워크(170)를 통해 접속한 복수의 전자 기기들(110, 120, 130, 140)로 서비스(일례로, 건강 관리 서비스, 인스턴트 메시징 서비스, 금융 서비스, 게임 서비스, 그룹 통화 서비스(또는 음성 컨퍼런스 서비스), 메시징 서비스, 메일 서비스, 소셜 네트워크 서비스, 지도 서비스, 번역 서비스, 결제 서비스, 검색 서비스, 컨텐츠 제공 서비스 등)를 제공하는 시스템일 수 있다.

도 2는 본 발명의 일실시예에 따른 컴퓨터 장치의 예를 도시한 블록도이다. 앞서 설명한 복수의 전자 기기들(110, 120, 130, 140) 각각이나 서버들(150, 160) 각각은 도 2를 통해 도시된 컴퓨터 장치(200)에 의해 구현될 수 있다.

이러한 컴퓨터 장치(200)는 도 2에 도시된 바와 같이, 메모리(210), 프로세서(220), 통신 인터페이스(230) 그리고 입출력 인터페이스(240)를 포함할 수 있다. 메모리(210)는 컴퓨터에서 판독 가능한 기록매체로서, RAM(random access memory), ROM(read only memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다. 여기서 ROM과 디스크 드라이브와 같은 비소멸성 대용량 기록장치는 메모리(210)와는 구분되는 별도의 영구 저장 장치로서 컴퓨터 장치(200)에 포함될 수도 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드가 저장될 수 있다. 이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 메모리(210)로 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 실시예에서 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 인터페이스(230)를 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 소프트웨어 구성요소들은 네트워크(170)를 통해 수신되는 파일들에 의해 설치되는 컴퓨터 프로그램에 기반하여 컴퓨터 장치(200)의 메모리(210)에 로딩될 수 있다.

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 인터페이스(230)에 의해 프로세서(220)로 제공될 수 있다. 예를 들어 프로세서(220)는 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 수신되는 명령을 실행하도록 구성될 수 있다.

통신 인터페이스(230)는 네트워크(170)를 통해 컴퓨터 장치(200)가 다른 장치(일례로, 앞서 설명한 저장 장치들)와 서로 통신하기 위한 기능을 제공할 수 있다. 일례로, 컴퓨터 장치(200)의 프로세서(220)가 메모리(210)와 같은 기록 장치에 저장된 프로그램 코드에 따라 생성한 요청이나 명령, 데이터, 파일 등이 통신 인터페이스(230)의 제어에 따라 네트워크(170)를 통해 다른 장치들로 전달될 수 있다. 역으로, 다른 장치로부터의 신호나 명령, 데이터, 파일 등이 네트워크(170)를 거쳐 컴퓨터 장치(200)의 통신 인터페이스(230)를 통해 컴퓨터 장치(200)로 수신될 수 있다. 통신 인터페이스(230)를 통해 수신된 신호나 명령, 데이터 등은 프로세서(220)나 메모리(210)로 전달될 수 있고, 파일 등은 컴퓨터 장치(200)가 더 포함할 수 있는 저장 매체(상술한 영구 저장 장치)로 저장될 수 있다.

입출력 인터페이스(240)는 입출력 장치(250)와의 인터페이스를 위한 수단일 수 있다. 예를 들어, 입력 장치는 마이크, 키보드 또는 마우스 등의 장치를, 그리고 출력 장치는 디스플레이, 스피커와 같은 장치를 포함할 수 있다. 다른 예로 입출력 인터페이스(240)는 터치스크린과 같이 입력과 출력을 위한 기능이 하나로 통합된 장치와의 인터페이스를 위한 수단일 수도 있다. 입출력 장치(250) 중 적어도 하나는 컴퓨터 장치(200)와 하나의 장치로 구성될 수도 있다. 예를 들어, 스마트폰과 같이 터치스크린, 마이크, 스피커 등이 컴퓨터 장치(200)에 포함된 형태로 구현될 수 있다.

또한, 다른 실시예들에서 컴퓨터 장치(200)는 도 2의 구성요소들보다 더 적은 혹은 더 많은 구성요소들을 포함할 수도 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다. 예를 들어, 컴퓨터 장치(200)는 상술한 입출력 장치(250) 중 적어도 일부를 포함하도록 구현되거나 또는 트랜시버(transceiver), 데이터베이스 등과 같은 다른 구성요소들을 더 포함할 수도 있다.

도 3은 본 발명의 일실시예에 따른 분석물 데이터 보정 장치의 예를 도시한 도면이다. 본 실시예에 따른 분석물 데이터 보정 장치(300)는 도 3에 도시된 바와 같이, 데이터 수신부(310), 분석물 보정값 예측부(320), 보정부(330), 분석물 농도 출력부(340), 불확실성 비교부(350) 및 보정 요청 신호 출력부(360)를 포함할 수 있다.

데이터 수신부(310)는 분석물 센서와 기준 장치(Reference Device)에서 측정한 분석물 데이터를 수신할 수 있다. 이때, 기준 장치는 분석물 데이터를 정밀하게 측정할 수 있는 센서 장치일 수 있으며, 이러한 기준 장치에서 측정한 분석물 데이터가 분석물 센서에서 측정한 분석물 데이터를 보정하기 위한 보정 데이터로 활용될 수 있다. 또한, 분석물 데이터는 혈당, 산소포화도 등과 같은 분석물 농도의 값을 포함하거나 분석물 농도의 값을 계산 또는 추정할 수 있는 수치화된 값을 포함할 수 있다. 분석물 데이터가 분석물 농도의 값을 계산 또는 추정할 수 있는 수치화된 값을 포함하는 경우에는 분석물 데이터 보정 장치(300) 또는 데이터 수신부(310)가 분석물 데이터로부터 분석물 농도의 값을 계산 또는 추정할 수 있다. 한편, 기준 장치에서 측정된 분석물 데이터는 보정 데이터로서 한 번 수신되면, 분석물 데이터 보정 장치(300)에 저장되어 재사용될 수 있다. 추후 분석물 데이터 보정 장치(300)에서 보정 요청 신호가 생성 및 출력됨에 따라 새로운 보정 데이터로서 기준 장치에서 측정한 분석물 데이터가 분석물 데이터 보정 장치(300)로 재수신될 수 있다.

분석물 센서는 분석물 데이터를 생성 및 제공하는 장치일 수 있으며, 분석물 데이터 보정 장치(300)와 통신하여 분석물 데이터 보정 장치(300)로 분석물 센서에서 측정한 분석물 데이터를 전송할 수 있다. 실시예에 따라 분석물 센서는 분석물 데이터 보정 장치(300)에 포함되거나 역으로 분석물 센서가 분석물 데이터 보정 장치(300)를 포함할 수도 있다. 다른 실시예로, 분석물 데이터 보정 장치(300)는 분석물 데이터를 수신하여 보정하는 서버나 클라우드의 형태로 구현될 수도 있다. 일례로, 분석물 센서에서 측정된 분석물 데이터가 분석물 센서로부터 직접 또는 분석물 센서와 통신하는 별도의 장치(일례로, 스마트폰)를 통해 네트워크상의 서버나 클라우드로 구현된 분석물 데이터 보정 장치(300)로 전송될 수 있다.

분석물 보정값 예측부(320)는 보정값 예측 모델(321)을 이용하여 데이터 수신부(310)가 출력하는 분석물 농도에서 분석물 보정값을 계산하여 출력할 수 있다. 일례로, 분석물 보정값 예측부(320)는 분석물 센서에서 측정한 분석물 데이터와 보정 데이터로서 저장된 분석물 데이터(기준 장치에서 측정한 분석물 데이터)를 보정값 예측 모델(321)로 입력할 수 있다. 보정값 예측 모델(321)은 분석물 센서의 분석물 데이터와 기준 장치의 분석물 데이터를 입력받아 현 시점에서의 보정값(보정값의 현 시점에서의 예측치)을 출력하도록 학습될 수 있다.

한편, 실시예에 따라 분석물 보정값 예측부(320)는 분석물 농도에서 예측 불확실성(uncertainty)을 더 계산하여 출력할 수 있다. 보정값과 예측 불확실성에 대해서는 이후 더욱 자세히 설명한다.

보정부(330)는 데이터 수신부(310)로부터 수신된 분석물 농도에 분석물 보정값 예측부(320)에서 예측된 분석물 보정값을 더해 분석물 농도를 보정한 후, 보정된 분석물 농도의 값을 분석물 농도 출력부(340)로 전달할 수 있다.

분석물 농도 출력부(340)는 보정된 분석물 농도의 값을 연결된 장치로 출력할 수 있다. 연결된 장치는 도 3에 도시된 디스플레이 장치(370)일 수 있으나 이에 한정되는 것은 아니다. 일례로, 스마트 장치, 웨어러블 장치, 관리 서버 등과 같이 보정된 분석물 농도의 값을 수신하여 활용하기 위한 다양한 장치들이 연결된 장치로서 이용될 수 있다. 여기서 연결된 장치의 "연결"은 분석물 데이터 보정 장치(300)와 유선 또는 무선의 통신에 의해 데이터를 송수신할 수 있음을 의미할 수 있다. 한편, 연결된 장치는 수신한 분석물 농도의 값을 연결된 장치가 포함하는 디스플레이를 통해 표시하거나, 분석물 농도의 값을 이용한 경보 동작을 수행할 수 있고, 분석물 농도의 값을 2차 가공하여 다른 장치로 전송할 수 있다.

불확실성 비교부(350)는 분석물 보정값 예측부(320)에서 계산된 예측 불확실성을 임계치와 비교해 예측 불확실성이 임계치 이상인 경우 보정 요청 신호를 생성해 보정 요청 신호 출력부(360)로 전달할 수 있다.

보정 요청 신호 출력부(360)는 불확실성 비교부(350)에서 보정 요청 신호가 생성된 경우 생성된 보정 요청 신호를 연결된 장치로 출력할 수 있다. 연결된 장치는 보정 요청 신호를 수신하는 경우, 디스플레이에 메시지를 표시하거나 소리, 빛, 진동 등을 발생시켜 사용자에게 경보할 수 있다. 또한, 연결된 장치는 수신된 보정 요청 신호를 다른 장치로 전송할 수도 있다. 이러한 보정 요청 신호에 따라 분석물 데이터 보정 장치(300)로 새로운 보정 데이터가 수신(또는 입력)될 수 있으며, 분석물 데이터 보정 장치(300)는 새로운 보정 데이터로서 입력된 분석물 데이터를 이용하여 보정값을 계산 및 활용할 수 있게 된다.

앞서 도 3에서 설명하는 분석물 데이터 보정 장치(300)의 구성요소들은 분석물 데이터 보정 장치(300)가 컴퓨터 장치(200)로 구현되는 경우, 컴퓨터 장치(200)의 프로세서(220)에 의해 수행되는 동작의 기능적 표현들(functional expressions)일 수 있다. 일례로, 컴퓨터 장치(200)가 프로세서(220)에 의해, 분석물 센서와 기준 장치에서 측정한 분석물 데이터를 수신하고, 각각의 분석물 농도를 계산하는 동작의 기능적 표현으로서 데이터 수신부(310)가 사용될 수 있다.

또한, 도 3의 실시예에서는 분석물 보정값 예측부(320)와 보정부(330)를 별도로 분리하여 설명하고 있으나, 실시예에 따라 분석물 보정값 예측부(320)와 보정부(330)는 하나의 구성요소로 결합될 수도 있다. 일례로, 분석물 보정값 예측부(320)가 포함하는 보정값 예측 모델(321)은 분석물 센서의 분석물 데이터와 기준 장치의 분석물 데이터를 입력받아 보정된 분석물 데이터를 출력하도록 학습될 수 있다. 이 경우, 분석물 보정값 예측부(320)의 출력은 보정된 분석물 데이터가 될 수 있으며, 보정부(330)는 생략될 수 있다.

다시 도 3을 참조하면, 분석물 보정값 예측부(320)에서 분석물 농도를 계산하는 보정값 예측 모델(321)은 MLP(Multi-Layer Perceptron), DNN(Deep Neural Network), CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), G-CNN(Group Convolutional Neural Network), R-CNN(Recurrent Convolutional Neural Network) 등 다양한 알고리즘들 중 적어도 하나를 사용하여 구현될 수 있으며, 특정 알고리즘에 한정되는 것은 아니다.

또한, 분석물 보정값 예측부(320)에서 예측 불확실성을 계산하기 위해, 입력 변수에 임의의 노이즈를 추가하거나(input perturbation), 인공지능 모델의 내부를 임의로 조작(random dropout)하는 방법을 적용할 수 있다. 이러한 알고리즘의 예로 BNN(Bayesian Nerural Network), 딥 앙상블(Deep Ensembles) 등이 있으나, 예측 불확실성을 계산하기 위한 알고리즘이 특정 알고리즘에 국한되는 것은 아니다.

도 4는 본 발명의 일실시예에 있어서, 분석물 농도를 BNN을 이용한 보정값 예측 모델에 입력해 보정값 예측치와 예측 불확실성을 구하는 개념도이다. BNN은 신경망의 각 가중치들이 확률 분포로 구성되어 있어, 최종 예측치의 평균과 분산을 구할 수 있는 모델이며, 이를 이용해 예측의 불확실성을 계산할 수 있다.

보정값 예측 모델(321)의 입력은 분석물 센서와 기준 장치에서 측정된 분석물 농도이다. 실시예에 따라 복수개의 분석물 센서와 기준 장치에서 측정한 분석물 농도가 보정값 예측 모델(321)로 입력될 수도 있다. 도 4의 실시예에서 보정값 예측 모델(321)의 내부 신경망은 BNN으로 구성될 수 있으며, 이 경우 각각의 가중치들은 확률 분포를 가지고 있어, 신경망의 각 노드의 출력은 확률 분포를 가지는 값으로 계산될 수 있다.

이때, 보정값 예측 모델(321)의 신경망에서 출력 노드의 확률 분포를 이용해 보정값 예측치와 예측 불확실성을 구할 수 있다. 출력 노드에서의 확률 분포의 평균을 보정값 예측치로 볼 수 있고, 출력 노드에서의 확률 분포의 분산을 예측 불확실성으로 볼 수 있다. 출력 노드의 확률 분포의 분산이 작을수록 예측 불확실성은 낮아지고, 출력 노드의 확률 분포의 분산이 커질수록 예측 불확실성이 커진다고 볼 수 있다.

불확실성 비교부(350)에서는 예측 불확실성, 즉 보정값 예측 모델(321)이 출력하는 출력 노드에서의 확률 분포의 분산을, 임계치와 비교할 수 있다. 분산은 변량이 평균으로부터 떨어져 있는 정도를 나타내는 값으로 분산이 임계치보다 큰 경우에는 보정이 필요한 것으로 판단될 수 있다. 따라서 불확실성 비교부(350)는 보정값 예측 모델(321)이 출력하는 분산이 임계치보다 큰 경우 보정 요청 신호를 생성할 수 있다. 보정 요청 신호를 생성하여 전달하는 것은 기준 장치로 분석물 데이터를 다시 측정하여 전달해줄 것을 요청하는 것을 포함할 수 있다. 다시 말해, 예측 불확실성은 기준 장치에서 측정한 분석물 데이터의 재수신 시기를 결정하기 위한 기준으로 활용될 수 있으며, 보정 요청 신호는 기준 장치를 통해 분석물 데이터의 재측정 및 재수신을 요청하기 위한 신호를 포함할 수 있다.

이처럼 BNN 등의 예측 불확실성 계산 모델을 사용하면 예측 불확실성을 이용해 보정 필요성을 판단할 수 있다.

도 5는 본 발명의 일실시예에 따른 분석물 데이터 보정 방법의 예를 도시한 흐름도이다. 본 실시예에 따른 분석물 데이터 보정 방법은 분석물 데이터 보정 장치(300)를 구현하는 컴퓨터 장치(200)에 의해 수행될 수 있다. 이때, 컴퓨터 장치(200)의 프로세서(220)는 메모리(210)가 포함하는 운영체제의 코드나 적어도 하나의 컴퓨터 프로그램의 코드에 따른 제어 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(220)는 컴퓨터 장치(100)에 저장된 코드가 제공하는 제어 명령에 따라 컴퓨터 장치(200)가 도 5의 방법이 포함하는 단계들(510 내지 550)을 수행하도록 컴퓨터 장치(200)를 제어할 수 있다.

단계(510)에서 컴퓨터 장치(200)는 기준 장치에서 측정한 분석물 데이터를 수신할 수 있다. 여기서, 기준 장치에서 측정한 분석물 데이터는 통신 인터페이스(230)를 통해 별도의 장치로부터 수신될 수도 있으나, 입출력 인터페이스(240)를 통해 입력될 수도 있다. 이때, "수신"은 컴퓨터 장치(200)의 프로세서(220)의 제어에 따라 통신 인터페이스(230) 또는 입출력 인터페이스(240)를 통해 컴퓨터 장치(200) 내부로 데이터가 입력되는 것을 의미할 수 있다. 한편, 분석물 데이터는 분석물의 농도의 값을 포함하거나 또는 분석물의 농도의 값을 계산 또는 추정할 수 있는 수치화된 값을 포함할 수 있다.

단계(520)에서 컴퓨터 장치(200)는 수신된 분석물 데이터를 저장할 수 있다. 일례로, 컴퓨터 장치(200)는 분석물 데이터를 메모리(210)나 영구 저장 장치에 저장할 수 있다.

단계(530)에서 컴퓨터 장치(200)는 분석물 센서에서 측정한 분석물 데이터와 저장된 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 현 시점에서 사용하기 위한 보정값을 계산할 수 있다. 인공지능 보정 모델은 앞서 설명한 보정값 예측 모델(321)과 같이 분석물 센서에서 측정한 분석물 데이터와 기준 장치에서 측정된 분석물 데이터를 이용하여 현 시점을 위한 보정값 예측치를 출력하도록 학습될 수 있다.

단계(540)에서 컴퓨터 장치(200)는 계산된 보정값을 분석물 센서에서 측정한 분석물 데이터에 반영하여 최종 분석물 데이터를 계산할 수 있다. 계산된 최종 분석물 데이터는 연결된 장치로 전달되어 활용될 수 있다.

한편, 실시예에 따라 단계(530) 및 단계(540)는 결합될 수도 있다. 일례로, 컴퓨터 장치(200)는 단계(530)에서 분석물 센서에서 측정한 분석물 데이터와 저장된 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정된 분석물 데이터를 출력할 수 있다. 이 경우, 인공지능 보정 모델은 분석물 센서에서 측정한 분석물 데이터와 저장된 분석물 데이터를 입력으로 받아 보정된 분석물 데이터를 출력하도록 학습될 수 있다. 이 경우, 단계(540)는 생략될 수 있다.

또한, 실시예에 따라 분석물 센서에서 측정한 분석물 데이터로는 누적된 분석물 데이터가 사용될 수도 있다. 일례로, 분석물 센서에서 측정한 분석물 데이터를 일정 시간 동안 누적한 데이터가 인공지능 보정 모델의 입력 중 하나로 이용될 수 있다. 다시 말해, 컴퓨터 장치(200)는 (1) 분석물 센서에서 측정한 분석물 데이터를 일정 시간 동안 누적한 데이터, 그리고 (2) 저장된 분석물 데이터를 인공지능 보정 모델의 입력으로서 사용할 수 있다.

이처럼, 인공지능 보정 모델을 통해 보정 시점에서의 단순한 측정 차이를 보정값으로 사용하지 않고, 이를 보정값 예측 모델에 통과한 결과를 보정값으로 사용하기 때문에 시간에 경과에 따른 보정 오차를 줄여 보정 주기를 늘릴 수 있다.

도 6은 본 발명의 일실시예에 있어서, 예측 불확실성을 활용하는 방법의 예를 도시한 흐름도이다. 도 6의 단계(610)는 도 5의 단계(530)에 포함될 수 있으며, 도 6의 단계(620) 및 단계(630)는 도 5의 단계(530) 및 단계(540) 사이에 포함될 수 있다. 이후 설명되는 바와 같이, 단계(630)이 수행되는 경우에는 단계(540)이 생략될 수 있다.

단계(610)에서 컴퓨터 장치(200)는 분석물 센서에서 측정한 분석물 데이터와 저장된 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 예측 불확실성을 계산할 수 있다. 예를 들어, 컴퓨터 장치(200)는 실시예에 따라 단계(530)에서 인공지능 보정 모델을 통해 보정값과 예측 불확실성을 모두 계산할 수 있다.

단계(620)에서 컴퓨터 장치(200)는 예측 불확실성이 기설정된 임계값 이상인지 여부를 결정할 수 있다. 이때, 컴퓨터 장치(200)는 예측 불확실성이 임계값 미만인 경우에는 단계(540)를 수행할 수 있으며, 예측 불확실성이 임계값 이상인 경우에는 단계(630)를 수행할 수 있다.

단계(630)에서 컴퓨터 장치(200)는 보정 요청 신호를 생성할 수 있다. 실시예에 따라 생성된 보정 요청 신호는 보정을 요청하기 위해 연결된 장치로 전달될 수 있다. 다시 말해, 컴퓨터 장치(200)는 예측 불확실성이 임계값 미만인 경우에는 단계(540)를 수행하여 보정값을 그대로 사용하고, 예측 불확실성이 임계값 이상인 경우에는 보정 요청 신호를 생성 및 전달함으로써, 보정을 위한 보정 데이터를 다시 제공받을 수 있다. 여기서 보정 데이터는 기준 장치에서 측정된 분석물 데이터를 포함할 수 있다.

이와 같이, 본 발명의 실시예들에 따르면, 보정 시점에서의 단순한 측정 차이를 보정값으로 사용하지 않고, 이를 보정값 예측 모델에 통과한 결과를 보정값으로 사용하기 때문에 시간에 경과에 따른 보정 오차를 줄여 보정 주기를 늘릴 수 있다. 또한, 예측 불확실성을 출력하는 보정값 예측 모델을 사용함으로써, 현재 예측된 보정값의 신뢰도를 평가할 수 있고, 이를 바탕으로 보정의 필요성을 판단할 수 있고, 이를 통해 불필요한 보정을 피하고, 보정이 필요한 경우 보정 주기에 관계없이 즉시 보정 절차를 실시하도록 사용자에게 요구할 수 있다.

이상에서 설명된 시스템 또는 장치는 하드웨어 구성요소, 또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 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 어플리케이션을 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 장치에 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 기록매체에 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. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims

적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 분석물 데이터 보정 방법에 있어서,
상기 적어도 하나의 프로세서에 의해, 기준 장치에서 측정한 제1 분석물 데이터를 수신하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 수신된 제1 분석물 데이터를 저장하는 단계;
상기 적어도 하나의 프로세서에 의해, 분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정값을 계산하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 계산된 보정값을 상기 제2 분석물 데이터에 반영하여 최종 분석물 데이터를 계산하는 단계;
상기 계산된 보정값을 기반으로 보정 주기를 증가시키는 단계;
상기 계산된 보정값에 응답하여 보정 요청 신호를 생성하는 단계; 및
상기 보정 주기에 관계없이 생성된 보정 요청 신호를 출력하는 단계
를 포함하고,
상기 보정값을 계산하는 단계는,
상기 제2 분석물 데이터와 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 상기 제1 분석물 데이터의 재수신 시기를 결정하기 위한 예측 불확실성을 더 계산하는 것을 특징으로 하는 분석물 데이터 보정 방법.
제1항에 있어서,
상기 보정값을 계산하는 단계는,
상기 인공지능 보정 모델의 신경망이 포함하는 출력 노드의 확률 분포의 평균을 상기 보정값으로서 계산하는 것을 특징으로 하는 분석물 데이터 보정 방법.
삭제
제1항에 있어서,
상기 예측 불확실성은 상기 인공지능 보정 모델의 신경망이 포함하는 출력 노드의 확률 분포의 분산을 포함하는 것을 특징으로 하는 분석물 데이터 보정 방법.
제1항에 있어서,
상기 적어도 하나의 프로세서에 의해, 상기 예측 불확실성을 기설정된 임계값과 비교하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 예측 불확실성이 상기 기설정된 임계값 이상인 경우, 상기 보정 요청 신호를 생성하는 단계; 및
상기 적어도 하나의 프로세서에 의해, 상기 생성된 보정 요청 신호를 출력하는 단계
를 더 포함하는 것을 특징으로 하는 분석물 데이터 보정 방법.
제5항에 있어서,
상기 최종 분석물 데이터를 계산하는 단계는,
상기 예측 불확실성이 상기 기설정된 임계값 미만인 경우에 상기 최종 분석물 데이터를 계산하는 것을 특징으로 하는 분석물 데이터 보정 방법.
제5항에 있어서,
상기 보정 요청 신호는 상기 제1 분석물 데이터의 재측정 및 재수신을 요청하기 위한 신호를 포함하는 것을 특징으로 하는 분석물 데이터 보정 방법.
제1항에 있어서,
상기 제2 분석물 데이터는 상기 분석물 센서에서 측정한 분석물 데이터를 일정 시간 동안 누적한 데이터를 포함하는 것을 특징으로 하는 분석물 데이터 보정 방법.
적어도 하나의 프로세서를 포함하는 컴퓨터 장치의 분석물 데이터 보정 방법에 있어서,
상기 적어도 하나의 프로세서에 의해, 기준 장치에서 측정한 제1 분석물 데이터를 수신하는 단계;
상기 적어도 하나의 프로세서에 의해, 상기 수신된 제1 분석물 데이터를 저장하는 단계;
상기 적어도 하나의 프로세서에 의해, 분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정값에 의해 보정된 제2 분석물 데이터를 계산하는 단계;
상기 보정값을 기반으로 보정 주기를 증가시키는 단계;
상기 보정값에 응답하여 보정 요청 신호를 생성하는 단계; 및
상기 보정 주기에 관계없이 생성된 보정 요청 신호를 출력하는 단계
를 포함하고,
상기 제2 분석물 데이터와 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 상기 제1 분석물 데이터의 재수신 시기를 결정하기 위한 예측 불확실성을 계산하는 단계
를 더 포함하는 분석물 데이터 보정 방법.
컴퓨터 장치와 결합되어 제1항, 제2항 또는 제4항 내지 제9항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
제1항, 제2항 또는 제4항 내지 제9항 중 어느 한 항의 방법을 컴퓨터 장치에 실행시키기 위한 컴퓨터 프로그램이 기록되어 있는 컴퓨터 판독 가능한 기록매체.
컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서에 의해,
기준 장치에서 측정한 제1 분석물 데이터를 수신하고,
상기 수신된 제1 분석물 데이터를 저장하고,
분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정값을 계산하고,
상기 계산된 보정값을 상기 제2 분석물 데이터에 반영하여 최종 분석물 데이터를 계산하고,
상기 계산된 보정값을 기반으로 보정 주기를 증가시키고,
상기 계산된 보정값에 응답하여 보정 요청 신호를 생성하고,
상기 보정 주기에 관계없이 생성된 보정 요청 신호를 출력하고,
상기 보정값을 계산하기 위해, 상기 적어도 하나의 프로세서에 의해,
상기 제2 분석물 데이터와 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 상기 제1 분석물 데이터의 재수신 시기를 결정하기 위한 예측 불확실성을 더 계산하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 보정값을 계산하기 위해, 상기 적어도 하나의 프로세서에 의해,
상기 인공지능 보정 모델의 신경망이 포함하는 출력 노드의 확률 분포의 평균을 상기 보정값으로서 계산하는 것
을 특징으로 하는 컴퓨터 장치.
삭제
제12항에 있어서,
상기 예측 불확실성은 상기 인공지능 보정 모델의 신경망이 포함하는 출력 노드의 확률 분포의 분산을 포함하는 것
을 특징으로 하는 컴퓨터 장치.
제12항에 있어서,
상기 적어도 하나의 프로세서에 의해,
상기 예측 불확실성을 기설정된 임계값과 비교하고,
상기 예측 불확실성이 상기 기설정된 임계값 이상인 경우, 상기 보정 요청 신호를 생성하고,
상기 생성된 보정 요청 신호를 출력하는 것
을 특징으로 하는 컴퓨터 장치.
컴퓨터에서 판독 가능한 명령을 실행하도록 구현되는 적어도 하나의 프로세서
를 포함하고,
상기 적어도 하나의 프로세서에 의해,
기준 장치에서 측정한 제1 분석물 데이터를 수신하고,
상기 수신된 제1 분석물 데이터를 저장하고,
상기 적어도 하나의 프로세서에 의해, 분석물 센서에서 측정한 제2 분석물 데이터 및 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 보정값에 의해 보정된 제2 분석물 데이터를 계산하고,
상기 보정값을 기반으로 보정 주기를 증가시키고,
상기 보정값에 응답하여 보정 요청 신호를 생성하고,
상기 보정 주기에 관계없이 생성된 보정 요청 신호를 출력하고,
상기 적어도 하나의 프로세서에 의해,
상기 제2 분석물 데이터와 상기 저장된 제1 분석물 데이터를 입력으로 갖는 인공지능 보정 모델을 이용하여 상기 제1 분석물 데이터의 재수신 시기를 결정하기 위한 예측 불확실성을 더 계산하는 것
을 특징으로 하는 컴퓨터 장치.