KR102574431B1 - 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 - Google Patents
인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR102574431B1 KR102574431B1 KR1020220124113A KR20220124113A KR102574431B1 KR 102574431 B1 KR102574431 B1 KR 102574431B1 KR 1020220124113 A KR1020220124113 A KR 1020220124113A KR 20220124113 A KR20220124113 A KR 20220124113A KR 102574431 B1 KR102574431 B1 KR 102574431B1
- Authority
- KR
- South Korea
- Prior art keywords
- growth
- stage
- growth stage
- solution
- physical information
- Prior art date
Links
- 230000012010 growth Effects 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004590 computer program Methods 0.000 title abstract description 4
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims description 98
- 210000000988 bone and bone Anatomy 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 210000004349 growth plate Anatomy 0.000 description 14
- 230000003698 anagen phase Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000001568 sexual effect Effects 0.000 description 10
- 210000000577 adipose tissue Anatomy 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 229910052500 inorganic mineral Inorganic materials 0.000 description 5
- 239000011707 mineral Substances 0.000 description 5
- 102000004169 proteins and genes Human genes 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 210000002027 skeletal muscle Anatomy 0.000 description 5
- 210000000476 body water Anatomy 0.000 description 4
- 230000037323 metabolic rate Effects 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000036417 physical growth Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 235000013861 fat-free Nutrition 0.000 description 3
- 210000000038 chest Anatomy 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009247 menarche Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000006286 nutrient intake Nutrition 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000034655 secondary growth Effects 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- 208000008589 Obesity Diseases 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003010 carpal bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000003163 gonadal steroid hormone Substances 0.000 description 1
- 238000007562 laser obscuration time method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 210000002445 nipple Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 210000001550 testis Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G16H10/60—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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은, 성장기 소아청소년의 성장단계를 기준으로 인공지능모델을 이용하여 성장기 소아청소년의 키 등의 성장을 예측하는 방법, 장치 및 컴퓨터 프로그램에 관한 것으로써, 본 발명의 예시적인 실시예는 평가대상자에 대한 시계열적 신체정보를 입력 받는 단계와 상기 입력된 평가대상자의 신체정보를 기초로 복수개의 성장단계 중 어느 하나의 성장단계로 분류하는 단계와 상기 분류된 성장단계에 해당하는 상기 평가대상자의 신체정보를 추출하는 단계와 상기 추출된 신체정보를 학습된 신경망에 입력하여 성장을 예측하는 단계 및 상기 분류된 성장단계에 기초하여 성장 관리 솔루션을 제공하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 제공한다.
Description
본 발명은, 성장기 소아청소년의 성장단계를 기준으로 인공지능모델을 이용하여 성장기 소아청소년의 키 등의 성장을 예측하는 방법, 장치 및 컴퓨터 프로그램에 관한 것이다.
최근 인공지능 기술의 발달로 인공지능 기술들이 다양한 분야에 적용되고 있으며, 기존의 데이터 처리 방식을 대신하여 신경망 모델을 통해 데이터에 내재된 특징들을 추출하여 부가 정보를 생성하는 방법들이 개발되어 사용되고 있다.
인공지능을 위해 이용되는 신경망 모델은 학습을 통하여 일반적인 데이터 처리에 비해 입력된 데이터 내에서 보다 빠르고, 정확하게 특징들을 검출 및 인식할 수 있다. 최근 들어 인공지능 기술은 단순히 객체를 추적하고 검출하는 것에서 벗어나 과거의 이력을 학습하고 미래의 예측이나 시계열적인 변화 정보를 반영한 현재의 특징을 도출하는 데에도 적용되고 있다.
이 중 예측 분석은 데이터에서 정보를 추출하고 이를 사용하여 추세 및 행동 패턴 등을 예측하는 통계 및 데이터 마이닝 영역의 기술이다. 이러한 예측 분석은 데이터에서 얻은 정보를 바탕으로 의사 결정에 필요한 모든 영역에 적용할 수 있다. 예측 분석의 핵심은 변수 간의 관계를 이해한 후에 알려지지 않은 변수를 예측해내는 부분이다.
이를 위해 데이터 특성 및 예측 대상에 따라 다양한 접근 방식들이 사용되고 있다.
예측 분석이 필요한 다양한 분야 중에서, 소아청소년의 신체 성장 분야가 있다. 키 성장이 언제 나타나고 얼마나 성장할 것인지에 대하여 부모나 청소년 등의 많은 관심이 존재한다.
종래의 키 성장의 예측은 성장판을 X-ray 촬영하여 예측하거나 유전적/환경적 요인과의 관계를 분석하는 방법을 제시하고 있거나(등록특허공보 제10-2075743호, 등록특허공보 제10-1866208호), 또한 측정시기 또는 측정횟수가 각각 다른 표본대상자의 신체 데이터를 성장예측모델의 학습에 적합한 형태로 만들기 위한 방법을 제시하고 있다.(등록특허공보 제10-2198302호)
소아청소년의 경우 서로 다른 특징을 가진 성장단계를 가지고 있으므로, 이를 고려해야 예측되는 데이터와 분석을 통한 솔루션 제공의 신뢰성을 높일 수 있다.
따라서 본 발명은, 상술한 문제를 해결하고자 함을 목적으로 한다.
본 발명의 다양한 과제 중 하나는, 인공지능 학습을 통해 생성한 예측모델을 이용하여 소아청소년의 성장단계를 기준으로 성장을 예측하고 각 성장단계별 맞춤 솔루션을 제공하는 방법, 장치 및 컴퓨터 프로그램을 제공하고자 한다.
본 발명의 과제를 해결하기 위한 다양한 실시예는, 평가대상자에 대한 시계열적 신체정보를 입력 받는 단계와 상기 입력된 평가대상자의 신체정보를 기초로 복수개의 성장단계 중 어느 하나의 성장단계로 분류하는 단계와 상기 분류된 성장단계에 해당하는 상기 평가대상자의 신체정보를 추출하는 단계와 상기 추출된 신체정보를 학습된 신경망에 입력하여 성장을 예측하는 단계 및 상기 분류된 성장단계에 기초하여 성장 관리 솔루션을 제공하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 제공한다.
상기 신경망은, 복수의 표본대상자들에 대한 시계열적 신체정보를 기초로 복수개의 성장단계에 대하여 개별적으로 추출된 신체정보를 학습데이터로 학습하는 복수개의 모델을 포함하는 것을 특징으로 할 수 있다.
상기 평가대상자가 일반 성장단계에 해당하는 경우, 상기 평가대상자의 성장 예측값 증가를 위한 솔루션을 제공하는 것을 특징으로 할 수 있다.
상기 평가대상자가 급속 성장단계에 해당하는 경우, 상기 급속 성장단계의 기간 증가를 위한 솔루션을 제공하는 것을 특징으로 할 수 있다.
상기 평가대상자가 감속 성장단계에 해당하는 경우, 상기 감속 성장단계의 기간 조절을 위한 솔루션을 제공하는 것을 특징으로 할 수 있다.
본 발명의 예시적인 실시예는, 상기 기재된 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 실행하기 위한 프로그램 코드를 포함하는 컴퓨터 판독 가능한 기록매체에 저장된 프로그램을 제공할 수 있다.
본 발명의 예시적인 실시예는, 상기 기재된 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 실행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체를 제공할 수 있다.
본 발명의 예시적인 실시예는, 평가대상자에 대한 시계열적 신체정보를 입력 받는 입력부와 상기 입력부로 입력된 평가대상자의 신체정보를 기초로 복수개의 성장단계 중 어느 하나의 성장단계로 분류하고, 상기 분류된 성장단계에 해당하는 신체정보를 추출하는 성장단계 판단부와 상기 추출된 신체정보를 학습된 신경망에 입력하여 성장을 예측하는 성장 예측부와 상기 분류된 성장단계에 해당하는 상기 평가대상자의 신체정보에 기초하여 성장 관리 솔루션을 생성하는 솔루션 생성부 및 상기 생성된 성장 관리 솔루션을 표시하는 표시부를 포함하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 장치를 제공할 수 있다.
상기 신경망은, 복수의 표본대상자들에 대한 시계열적 신체정보를 기초로 복수개의 성장단계에 대하여 개별적으로 추출된 신체정보를 학습데이터로 학습하는 복수개의 모델을 포함하는 것을 특징으로 할 수 있다.
상기 솔루션 생성부는, 상기 평가대상자가 일반 성장단계에 해당하는 경우, 상기 평가대상자의 성장 예측값 증가를 위한 솔루션을 제공하는 것을 특징으로 할 수 있다.
상기 솔루션 생성부는, 상기 평가대상자가 급속 성장단계에 해당하는 경우, 상기 급속 성장단계의 기간 증가를 위한 솔루션을 제공하는 것을 특징으로 할 수 있다.
상기 솔루션 생성부는, 평가대상자가 감속 성장단계에 해당하는 경우, 상기 감속 성장단계의 기간 조절을 위한 솔루션을 제공하는 것을 특징으로 할 수 있다.
상술한 실시예들의 각각의 특징들은 다른 실시예들과 모순되거나 배타적이지 않는 한 다른 실시예들에서 복합적으로 구현될 수 있다.
본 발명의 다양한 실시예에 의하면, 인공지능 학습을 통해 생성한 예측모델을 통해 소아청소년의 성장단계를 고려하여 정확한 키를 예측할 수 있으며, 키 성장에 필요한 솔루션을 각 성장단계를 고려하여 제공할 수 있다.
본 발명의 효과는 전술한 것으로 제한되지 않으며, 언급되지 않은 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 인식될 수 있을 것이다.
도 1은 본 발명의 예시적인 실시예에 따른 성장단계별 성장 예측 및 솔루션 제공 시스템을 나타낸 도면이다.
도 2는 본 발명의 예시적인 실시예에 따른 성장단계별 예측신장 및 목표신장을 나타낸 도면이다.
도 3은 본 발명의 예시적인 실시예에 따른 성장단계별 성장 예측 및 솔루션을 제공을 수행하는 신경망의 구성을 나타내는 도면이다.
도 4는 본 발명의 예시적인 실시예에 따른 제1 신경망 모델을 나타낸 도면이다.
도 5는 본 발명의 예시적인 실시예에 따른 제2 신경망 모델을 나타낸 도면이다.
도 6 및 도 7은 본 발명의 다양한 실시예에 따른 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 나타낸 흐름도이다.
도 2는 본 발명의 예시적인 실시예에 따른 성장단계별 예측신장 및 목표신장을 나타낸 도면이다.
도 3은 본 발명의 예시적인 실시예에 따른 성장단계별 성장 예측 및 솔루션을 제공을 수행하는 신경망의 구성을 나타내는 도면이다.
도 4는 본 발명의 예시적인 실시예에 따른 제1 신경망 모델을 나타낸 도면이다.
도 5는 본 발명의 예시적인 실시예에 따른 제2 신경망 모델을 나타낸 도면이다.
도 6 및 도 7은 본 발명의 다양한 실시예에 따른 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 나타낸 흐름도이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 본 발명의 실시예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, 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.
본 발명의 예시적인 실시예에서 소아청소년은 인체의 성장하는 시기를 포함하는 개념으로 이해될 수 있다. 보다 자세히, 영아, 어린이, 청소년, 유아, 소아의 의미를 통해 이하 본 발명의 예시적 실시예에서의 평가대상자를 의미하는 소아청소년을 정의한다.
영아는 신생아기의 계속으로서 출생 후 2년까지 어머니의 젖꼭지를 물고 자라는 시기로서 이 시기의 영양, 애무, 배설의 제 경험은 이후의 일반적 경향에 영향을 미치는 시기이며, 어린이는 보통 만 6세 이상 13세 미만의 연령대에 속한 사람을 가리키는 말로, 넓은 의미로는 유아(만 1~5세)를 포함할 수도 있다.
청소년은 어린이와 청년의 중간시기로써, 일반적으로 만 나이 기준 13세 이상 19세 미만인 사람을 의미한다. 유아는 생후 1년부터 만 1세부터 만 5세까지를 의미할 수 있다. 소아는 일반적으로 만 15세까지의 아동을 의미할 수 있다.
따라서, 상기 평가대상자를 의미하는 소아청소년은 좁은 의미로 어린이와 청소년을 포함하는 만 5세 이상 만 19세의 기간을 의미할 수 있으며 넓은 의미로 영아시기부터 청소년 시기를 포함하여 신체적 성장이 일어나는 일반적인 시기를 모두 포함하는 기간을 의미할 수도 있다.
도 1은 본 발명의 예시적인 실시예에 따른 성장단계별 성장 예측 및 솔루션 제공 시스템을 나타낸 도면이고, 도 2는 본 발명의 예시적인 실시예에 따른 성장단계별 예측신장 및 목표신장을 나타낸 도면이다.
이하 도 1 및 도 2를 참고하여 설명한다.
본 발명의 예시적인 실시예에 따른 성장 단계별 성장 예측 및 솔루션 제공 시스템은 입력부(10), 성별 판단부(20), 성장단계 판단부(30), 예측부(50), 솔루션 생성부(70) 및 표시부(90)를 포함할 수 있다.
입력부(10)를 통해 시스템은 평가대상자에 대한 시계열적 신체정보를 입력 받을 수 있다. 평가대상자의 신체정보는 학년(또는 나이), 성별, 키 등의 기본정보뿐만 아니라 체중, 단백질, 무기질 함량, 체지방, 체수분, 근육량(soft lean mass), 체지방량(fat free mass), 뼈 조직, 골격근량, 체질량지수(BMI, Body Mass Index), 기초대사량, 목 둘레, 가슴 둘레, 복부 둘레, 허벅지 둘레, 팔 둘레, 엉덩이 둘레 등의 추가정보를 포함할 수 있다. 이러한 신체정보는 본 발명의 이해를 돕기 위한 하나의 예시일 뿐 본 실시예가 이에 한정되는 것은 아니며 실시예에 따라 신체정보를 구성하는 정보의 종류가 다양하게 변경 가능함은 물론이다.
상기 평가대상자의 시계열적 신체정보는 연속되는 정보일 수도 있으며 또는 불연속적인 정보일 수도 있으나 도 2의 성장단계에 해당하는 기간 중 적어도 하나 이상에 포함되는 정보일 수 있다.
보다 구체적으로 평가대상자의 시계열적 신체 정보는 수집시기와 수집횟수는 다양하다. 예를 들어, 제1 평가대상자의 경우 소아청소년 기간 중 그 일부인 8~12세까지 측정된 신체 정보가 존재하고, 제2 평가대상자의 경우 8, 10~12, 15세 등과 같이 불규칙적으로 측정된 신체 정보가 존재할 수 있다. 또한 제3 평가대상자의 경우에는 일정 기간 내(도 2의 복수의 성장 단계 중 어느 한 성장단계의 기간 내) 여러 번 측정된 신체 정보가 존재하는 반면, 제4 평가대상자는 일정 기간 내(도 2의 복수의 성장 단계 중 어느 한 성장단계의 기간 내) 한 번만 측정된 신체 정보가 존재할 수 있다.
상술한 바와 같이 수집시기와 수집횟수에 따라 평가대상자의 신체 정보가 도 2의 성장단계 중 둘 이상에 포함될 수도 있으나(상기 제1 평가대상자, 상기 제2 평가대상자) 그렇지 않을 수도 있다.(상기 제3 평가대상자, 상기 제4 평가대상자)
상기 제3 평가대상자와 같이 복수의 성장 단계 중 어느 한 성장단계 기간 내에 여러 번 측정된 신체 정보가 존재하는 경우에는 성장단계 판단부(30)는 성장단계 분류부(31)를 통해 제3 평가대상자의 신체정보가 해당하는 성장단계를 분류하고, 신체정보 추출부(33)를 통해 신체정보를 추출할 수 있으며, 여기서 추출되는 신체정보는 일반적으로 입력부(10)를 통해 입력된 평가대상자의 신체정보를 모두 포함할 수 있다.
다만, 제4 평가대상자와 같이 평가대상자의 신체정보가 복수의 성장단계 중 어느 하나에만 해당하고, 그 기간 내에 한 번만 측정된 신체정보인 경우에는 성장단계 판단부(30)에 평가대상자의 신체정보를 입력하기 전, 임의의 기간 내에 해당하는 신체정보를 더 생성할 수도 있다.
보다 구체적으로, 입력된 평가대상자의 신체정보를 기 저장된 복수의 표본대상자의 시계열적 신체 성장정보에 기초하여 임의의 기간 내에 해당하는 평가대상자의 시계열적 신체정보를 생성할 수 있다.
일 예로, 입력된 평가대상자의 신체정보와 기 저장된 복수의 표본대상자의 시계열적 신체 성장정보와의 분포모델(유사도)에 기반하여 신체정보를 생성할 수 있으며, 또는 베이즈 추론 모델(조건부 확률)에 기반하여 신체정보를 생성할 수도 있다.
성장단계 판단부(30)는 입력부(10)를 통해 입력된 평가대상자의 신체정보를 기초로 성장단계 분류부(31)에서 복수개의 성장단계 중 어느 하나의 성장단계로 분류하고 신체정보 추출부(33)에서 분류된 성장단계에 해당하는 신체정보를 추출할 수 있다.
도 2를 참고하여 성장단계를 살펴보면, 소아청소년 기간은 일반 성장기(301), 급속 성장기(303), 감속 성장기(305), 무성장판기(307)를 포함할 수 있다.
각 성장단계는 성장도에 따라 구분될 수 있으며, 각 성장단계에 따라서 매년 자라는 키가 달라지고 같은 성장단계에서도 실제 자라는 키는 성장유형에 따라 달라질 수 있다.
일반 성장기(301)는 보통 2차 성징이 나타나는 사춘기 이전을 의미하며 이 시기에 해당하는 소아청소년은 일반적으로 성장판이 열려 있어 성장환경에 따라 일반적으로 작은 키 성장유형의 경우 연간 4~5cm씩 자라며, 큰 키 성장유형의 경우 연간 6~7cm 범위에서 성장한다.
급속 성장기(303)는 2차 성징이 나타나기 시작하는 시기로써, 여자는 가슴이 부풀고 몽우리가 잡히며 남자는 고환이 커지면서 음모가 나기 시작하며 목소기라 변하는 변셩기가 나타나게 된다. 급속 성장기(303)는 일반 성장기(301) 후 일반적으로 약 2년 ~ 3년 정도 지속되며 평균적으로 연간 7~10cm 정도의 범위에서 성장한다.
감속 성장기(305)는 2차 성징이 완성되어가는 시기를 의미한다. 이 시기 여자는 초경을 기점으로 구별될 수 있고, 남자는 음모와 목소리 변성, 겨드랑이 체모로써 그 변화를 확연히 알 수 있다. 감속 성장기(305)가 되면 급속 성장기(303)에 비해 성장도가 급속히 떨어지며 일반적으로 약 2년 ~ 3년 정도 지속되고 평균적으로 연간 5~6cm 정도의 범위에서 성장하면서 자연성장이 멈추게 된다. 성장판은 급속 성장기(304) 이후 조금씩 닫히기 시작하며, 감속 성장기(305)에 진입한 뒤 약 6개월이 지나면 약 50% 정도가 닫히게 된다.
무성장판기(307)는 성장기가 완전히 끝나버리지는 않았으나, 자연적인 키 성장이 어려워진 시기로써 성장판이 닫힌 시기를 의미한다. 일반적으로 여자의 경우 초경을 기준으로 약 1년 6개월 ~ 2년이 지나면서 무성장판기(307)에 진입하게 되며, 남자의 경우 겨드랑이에 체모가 생기는 시점을 기준으로 약 1년 6개월 ~ 2년이 지나면서 무성장판기(307)에 진입하게 된다. 무성장판기(307)에는 성장판이 닫혀 자연성장은 멈추게 되나 잘못된 생활습관을 바꾸고 맞춤운동, 자세교정, 영양소 섭취 등을 통한 신체기능 향상을 통해 약 1~3cm 정도의 범위에서 성장할 수도 있다.
도 2에서 x 축은 나이, 개월수를 의미하며 y 축은 키(cm)를 의미한다. 상대적으로 아래 실선(P)은 평가대상자의 예측 성장도를 나타내며, 위 실선(G)은 평가대상자의 목표 성장도를 나타낸다.
상술한 바와 같이 각각의 성장단계의 진입시점, 성장단계에서의 성장도, 성장단계의 종료시점 등이 성별에 따라 다르기 때문에 본 실시예는 보다 정확한 성장단계별 성장예측 및 솔루션 생성을 위해 입력부(10)를 통해 입력된 평가대상자의 신체정보를 기초로 성별 판단부(20)를 통해 성별을 분류한 뒤 분류된 성별을 기초로 성장단계 판단부(30)에서 성장단계를 분류하고, 신체정보를 추출한 뒤 평가대상자의 성별과 성장단계를 고려하여 솔루션 생성부(70)에서 솔루션을 생성할 수 있다.
예측부(50)는 예측모델의 일종으로써 현재의 값뿐만 아니라 시계열적인 값을 함께 이용할 수 있도록 순환신경망(RNN, Recursive Neural Network) 구조의 인공지능으로 구현될 수 있다. 예를 들어, 예측모델은 순환신경망인 LSTM(Long Short Term Memory) 또는 GRU(Gated Recurrent Units) 등의 아키텍처로 구현될 수 있다. 물론 이외에도 종래의 다양한 인공지능 아키텍처가 본 실시 예의 예측모델에 적용될 수 있으며 후술하는 도 3 내지 도 5를 참고하여 자세히 설명한다.
솔루션 생성부(70)는 분류된 성장단계에 해당하는 평가대상자의 신체정보에 기초하여 성장 관리 솔루션을 생성할 수 있다.
보다 구체적으로, 평가대상자가 일반 성장단계(301)에 해당하는 경우, 평가대상자의 성장 예측값 증가를 위한 솔루션을 제공할 수 있다. 성장 예측값이란 도 2에서 y축에 해당하는 값으로써, 성장 예측값 증가를 위한 솔루션은 예상 y축의 목표값 증가를 위한 다양한 솔루션 표시부(90)를 통해 평가대상자에게 제공할 수 있다.
상기 표시부(90)를 통해 제공되는 솔루션의 예시로, 현재신장, 예측신장, 비만정도, 체지방량, 골격근량, 단백질량, 무기질량, 수면량, 운동량, 영양정보, 생활습관, 자세 등을 포함할 수 있다. 각각의 지표는 기 설정된 범위를 기준으로 단계별로 주의, 보통, 양호 등으로 나타낼 수도 있으며 또는 레벨로도 나타낼 수 있다.
그리고 각 지표에 대한 현재상태와 맞춤 솔루션, 주의사항 등을 표시할 수 있다. 현재상태는 목표값을 기준으로 단계별 또는 레벨로 표시할 수 있으며, 맞춤 솔루션의 경우 입력된 신체정보를 기준으로 현재 목표값에 도달하기 위한 단백질, 무기질 합량, 체지방, 체수분, 근육량(soft lean mass), 체지방량(fat free mass), 뼈 조직, 골격근량, 체질량지수(BMI, Body Mass Index), 기초대사량 등의 조절에 대한 내용을 포함할 수 있다.
주의사항의 경우 입력된 신체정보를 기준으로 현재 부족한 단백질, 무기질 합량, 체지방, 체수분, 근육량(soft lean mass), 체지방량(fat free mass), 뼈 조직, 골격근량, 체질량지수(BMI, Body Mass Index), 기초대사량 등의 조절에 대한 내용을 포함할 수 있다.
또한, 평가대상자가 급속 성장단계(303)에 해당하는 경우, 평가대상자의 급속 성장단계(303)의 기간 증가를 위한 솔루션을 제공할 수 있다. 성장단계 기간 증가란, 급속 성장단계(303)의 기간을 증가시키는 것으로써 급속 성장단계(303)는 일반적으로 2차 성징이 나타나기 시작하면서 시작하고, 상술한 바와 같이 2차 성징이 완성되어가면서 종료되는 기간으로 정의될 수 있으므로 평가대상자가 급속 성장단계(303)에 해당하는 경우 2차 성징이 완성되는 시점을 늦추기 위한 솔루션을 제공할 수 있다. 다시 말해 도 2에서 급속 성장단계(303)에 해당하는 x축의 범위를 넓히기 위한 다양한 솔루션을 표시부(90)를 통해 평가대상자에게 제공할 수 있다.
상술한 평가대상자가 일반 성장단계(301)에 해당할 경우 고려되는 신체정보들을 포함하여 특히 성호르몬이 비정상적으로 증가하는 경우 등을 완화시켜줄 수 있는 지표의 조절에 대한 내용을 포함할 수 있다.
또한, 평가대상자가 감속 성장단계(305)에 해당하는 경우, 평가대상자의 감속 성장단계(305)의 기간 조절을 위한 솔루션을 제공할 수 있다. 성장단계 기간 조절은, 입력된 평가대상자의 신체정보를 기초로 분류된 성장단계 중 평가대상자의 신체정보가 감속 성장단계(305)의 초입에 위치해 있는 경우와 감속 성장단계(305)의 중후반부에 위치해 있는 경우로 구분될 수 있다.
상술한 감속 성장단계(305)의 초입과 중후반을 구분하는 기준은 도 2에서 x축을 기준으로 급속 성장단계(303)로부터 감속 성장단계(305)에 해당하는 소정 범위를 기준으로 구분될 수도 있으며, 또는 입력된 평가대상자의 신체정보를 기초로 2차 성징이 완료되었는지 여부를 기준으로 완료되지 않은 경우에는 감속 성장단계(305)의 초입으로 구분할 수 있으며, 완료된 경우에는 감속 성장단계(305)의 중후반으로 구분될 수 있다.
바람직하게는, 입력된 평가대상자의 신체정보를 기초로 2차 성징이 완료되었는지 여부를 판단하여 현재 평가대상자의 신체정보가 감속 성장단계(305)의 초입 또는 중후반부에 위치해있는지 여부를 판단할 수 있고, 입력된 평가대상자의 신체정보를 기초로 2차 성징이 완료되었는지 여부를 판단할 수 없는 경우에는 급속 성장단계(303)로부터 감속 성장단계(305)에 해당하는 소정 범위를 기준으로 평가대상자의 신체정보가 감속 성장단계(305)의 초입 또는 중후반부에 위치해있는지 여부를 판단할 수 있다.
한편, 입력된 평가대상자의 신체정보가 감속 성장단계(305)의 초입에 위치해있는 경우 감속 성장단계(305)의 진입을 늦추기 위한 기간 조절 솔루션을 제공할 수 있다. 상술한 바와 같이 급속 성장단계(303)에서 감속 성장단계(305)로 넘어가는 시점에는 2차 성징이 완료되어가는 중이므로, 2차 성장이 완성되는 시점을 늦추기 위한 솔루션을 제공할 수 있으며, 이는 평가대상자가 급속 성장단계(303)에 해당하는 경우에 제공하는 솔루션과 유사할 수 있다. 다시 말해 도 2에서 감속 성장단계(305)에 해당하는 x축의 범위를 오른쪽으로 이동시키기 위한 다양한 솔루션을 표시부(90)를 통해 평가대상자에게 제공할 수 있다. 이 경우 감속 성장단계(305)의 범위는 평가대상자의 신체정보에 의존적으로 범위가 늘어날 수도 있으며 또는 급속 성장단계(303)의 증가에 따라 범위가 줄어들 수도 있다.
그리고 입력된 평가대상자의 신체정보가 감속 성장단계(305)의 중후반부에 위치해있는 경우 감속 성장단계(305)의 기간을 증가시키기 위한 기간 조절 솔루션을 제공할 수 있다. 상술한 바와 같이 감속 성장단계(305)는 평가대상자의 성장판이 닫히는 시기를 의미하며 일반적으로 감속 성장단계(305)에 진입한 뒤 6개월이 지나면 성장판의 약 50% 정도가 닫히게 되며 성장판이 닫혀 자연성장이 멈추는 경우 무성장 단계(307)에 진입하게 되므로 이 경우 감속 성장단계(305)의 기간 증가를 위한 솔루션을 제공할 수 있다. 다시 말해 도 2에서 감속 성장단계(305)에 해당하는 x축의 범위를 넓히기 위한 다양한 솔루션을 표시부(90)를 통해 평가대상자에게 제공할 수 있다.
상술한 평가대상자가 일반 성장단계(301)에 해당할 경우 고려되는 신체정보들을 포함하여 특히 성장판이 닫히는 정도를 완화시켜줄 수 있는 지표의 조절에 대한 내용을 포함할 수 있다.
또한, 평가대상자가 무성장판기(307)에 해당하는 경우에는 입력된 평가대상자의 신체정보를 기초로 생활습관, 맞춤운동, 자세교정, 영양소 섭취 등을 통한 신체기능 향상 등을 위한 솔루션을 제공할 수 있다.
무성장판기(307)는 경우 성장판이 닫혀 자연성장이 멈추게 되므로 평가대상자의 체중, 체지방, 체수분, 근육량, 골격근량, 체질량지수(BMI, Body Mass Index), 기초대사량, 목 둘레, 가슴 둘레, 복부 둘레, 허벅지 둘레, 팔 둘레, 엉덩이 둘레 등을 기초로 생활습관, 맞춤운동, 자세교정 등을 통한 신체기능 향상을 위한 솔루션을 제공하거나 또는 단백질, 무기질 함량, 뼈 조직(골밀도) 등을 기초로 영양소 섭취 등을 통한 신체기능 향상을 위한 솔루션을 제공할 수 있다.
도 3은 본 발명의 예시적인 실시예에 따른 성장단계별 성장 예측 및 솔루션을 제공을 수행하는 신경망의 구성을 나타내는 도면이고, 도 4는 본 발명의 예시적인 실시예에 따른 제1 신경망 모델을 나타낸 도면이며, 도 5는 본 발명의 예시적인 실시예에 따른 제2 신경망 모델을 나타낸 도면이다.
이하 도 3 내지 도 5를 참고하여 설명한다.
본 발명의 예시적인 실시예는 제1 모델(50)과 제2 모델(13)을 포함할 수 있으며 제2 모델(13)의 출력 중 적어도 일부가 제1 모델(50)에 입력되는 파이프라인(pipeline)을 구축할 수 있다.
보다 구체적으로 제1 모델(50)은 복수의 표본 대상자들에 대한 시계열적 신체정보를 기초로 복수개의 성장단계 중 적어도 하나 이상의 성장단계에 해당하는 신체정보를 학습데이터로 학습하는 모델이다.
제1 모델(50)은 시계열적 데이터 학습을 위해 LSTM 신경망(50)을 구비하고 복수의 표본대상자의 과거 신체정보를 이용하여 LSTM 신경망(50)을 학습시킨다. 그리고 학습시킨 LSTM 신경망(50)에 현재 평가대상자의 신체정보(11)를 입력하여 예측된 성장 단계별 성장도를 출력한다.
LSTM 신경망(50)은 복수의 표본 대상자들에 대한 신체정보들 중 적어도 어느 하나를 기본값으로 하여 학습된다. 예를들어 키에 대해 임의의 기간 또는 특정 성장단계 동안의 년도별 키 데이터를 가지고 훈련시키고 다음년도를 예측하여 실제 데이터와 비교한다. 이와 같이 비교하면 임의의 기간 또는 특정 성장단계 단위로 훈련 세트가 미래로 이동하면서 학습된다.
또한 LSTM 신경망(50)은 각각의 성장단계에 대하여 학습될 수도 있다. 따라서 일반 성장단계(301), 급속 성장단계(303), 감속 성장단계(305), 무성장판기(307) 각각에 해당 성장단계의 과거 신체정보(11)로 학습될 수 있다.
예시적으로, 본 실시예에서는 복수의 표본대상자들의 시계열적 신체정보를 학습데이터로 나이나 임의의 기간에 따라 순차적으로 입력하고 과거 시점 또는 성장도에 예측 값의 연산 결과를 다음 나이나 임의의 기간에서의 성장도 예측에 전달하도록 할 수 있다.
따라서, LSTM 신경망(50)은 현재 신체정보(11)에 따른 성장도 예측 뿐만 아니라 과거 시점의 다양한 지표별 예측 결과(50-1,2,3,4)들이 현재의 성장도 예측에 영향을 미치는 정도를 학습할 수 있고 이를 통해 지표들 중 나이나 임의의 기간에 따라 성장도 변화에 영향이 큰 항목들을 추출하여 성장도 예측에 반영할 수 있도록 한다.
또한, 시계열적인 학습을 위해서는 복수의 표본대상자들에 대한 규칙적인 시간에 따른 신체정보들을 확보할 필요가 있다. 하지만, 상술한 바와 같이 복수의 표본대상자들에 대한 신체정보에 대해 나이나 임의의 기간동안 규칙적으로 획득하는 것이 어려울 수 있으므로 단위기간별 이상치 신체정보나 연속성이 없는 신체정보를 제거하여 시간적으로 정규화하여 사용할 수도 있다.
한편, 제2 모델(13)은 평가대상자의 골성숙 데이터를 학습데이터로 학습된 합성곱 신경망(Convolution Neural Network)을 이용하여 수골영상으로부터 골성숙도(연령)을 도출할 수 있다.
보다 구체적으로, 합성곱 신경망은, 수골 영상 중 분석대상영상 내의 특징들에 대한 특징지도(Features map)을 만들어내는 다수의 콘볼루션 층(Convolution layer) 및 다수의 콘볼루션 층 사이에 서브 샘플링(sub-sampling)이 이루어지는 통합층(pooling layer)을 포함함으로써 분석대상영역에 대한 상이한 수준의 특징(Feature)들이 추출될 수 있으며, 특징들을 활성화 함수를 통해 확률적으로 추론할 수도 있으며 또는, 회귀분석을 통해 노드들 간의 가중치 학습을 통해 골성숙도를 도출할 수 있다.
제2 모델(13)을 통해 추출된 골성숙도는 평가대상자의 신체정보(11) 중 적어도 일부와 함께 LSTM 신경망(50)에 입력되어 평가대상자의 성장도 예측 정확도를 높일 수 있다.
도 6 및 도 7은 본 발명의 다양한 실시예에 따른 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 나타낸 흐름도이다.
이하 도 1, 도 6 및 도 7을 참고하여 설명한다.
입력부(10)를 통해 평가대상자의 신체정보가 입력(S100)되면 성장단계 판단부(30)의 성장단계 분류부(31)는 입력된 평가대상자의 신체정보를 기초로 복수개의 성장단계 중 어느 하나의 성장단계로 분류(S310)하고, 신체정보 추출부(33)는 분류된 성장단계에 해당하는 평가대상자의 신체정보를 추출(S330)할 수 있다.
예측부(50)는 추출된 신체정보를 기초로 성장도를 예측(S350)할 수 있다. 상술한 바와 같이 성장도를 예측하는 단계(S350)는 복수의 표본대상자들에 대한 시계열적 신체정보를 기초로 복수개의 성장단계에 대하여 개별적으로 추출된 신체정보를 학습데이터로 학습하는 복수개의 모델을 포함하여 구축되므로, 솔루션 생성부(70)는 분류된 성장단계에 기초하여 성장 관리 솔루션을 생성(S370)할 수 있다. 그리고 생성된 성장 관리 솔루션(S370)은 표시부(90)를 통해 평가대상자에게 표시될 수 있다.
한편, 상술한 바와 같이 각각의 성장단계에서 표본대상자의 성별에 따라 성장단계의 분류 기준이 달라질 수 있으므로, 본 발명의 예시적인 실시예는, 평가대상자의 신체정보를 입력(S100)받은 후 성별판단부(20)를 통해 입력된 신체정보를 기초로 평가대상자의 성별을 분류하는 단계(S200)를 더 포함할 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 명세서를 통해 개시된 모든 실시예들과 조건부 예시들은, 본 발명의 기술 분야에서 통상의 지식을 가진 당업자가 독자가 본 발명의 원리와 개념을 이해하도록 돕기 위한 의도로 기술된 것으로, 당업자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다.
그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
한편, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 서버 또는 기기들에 제공될 수 있다. 이에 따라 각 장치들은 프로그램이 저장된 서버 또는 기기에 접속하여, 상기 프로그램을 다운로드 할 수 있다.
또한, 상술한 본 발명의 다양한 실시 예들에 따른 방법은 프로그램으로 구현되어 다양한 비일시적 판독 가능 매체(non-transitory computer readable medium)에 저장되어 제공될 수 있다. 비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로는, 상술한 다양한 어플리케이션 또는 프로그램들은 CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등과 같은 비일시적 판독 가능 매체에 저장되어 제공될 수 있다.
또한, 이상에서는 본 발명의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
10 : 입력부
20 : 성별 판단부
30 : 성장단계 판단부
50 : 예측부
70 : 솔루션 생성부
90 : 표시부
20 : 성별 판단부
30 : 성장단계 판단부
50 : 예측부
70 : 솔루션 생성부
90 : 표시부
Claims (12)
- 입력부를 통해 평가대상자에 대한 시계열적 신체정보를 입력 받는 단계;
성장단계 분류부를 통해 상기 입력된 평가대상자의 신체정보를 기초로 복수개의 성장단계 중 어느 하나의 성장단계로 분류하는 단계;
신체정보 추출부를 통해 상기 분류된 성장단계에 해당하는 상기 평가대상자의 신체정보를 추출하는 단계;
예측부를 통해 상기 추출된 신체정보를 학습된 신경망에 입력하여 성장을 예측하는 단계; 및
상기 분류된 성장단계에 기초하여 솔루션 생성부를 통해 상기 평가대상자의 성장 관리 솔루션을 생성하는 단계;를 포함하고,
상기 복수개의 성장단계는 성장도에 따라 구분되는 일반 성장단계, 급속 성장단계 및 감속 성장단계를 포함하고,
상기 신경망은 복수의 표본대상자들에 대한 시계열적 신체정보 중 상기 각각의 성장단계에 대하여 개별적으로 추출된 시계열적 신체정보를 학습 데이터로 학습하는 복수개의 모델을 포함하고,
상기 성장 관리 솔루션을 생성하는 단계는 상기 평가대상자의 성장 예측값 또는 성장단계의 기간을 조절하는 성장 관리 솔루션을 생성하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법. - 제1항에 있어서
상기 성장을 예측하는 단계는 상기 평가대상자의 골성숙도를 상기 추출된 신체정보 중 적어도 일부와 함께 상기 신경망에 입력하여 성장을 예측하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법. - 제1항에 있어서,
상기 평가대상자가 상기 일반 성장단계에 해당하는 경우, 상기 평가대상자의 성장 예측값 증가를 위한 솔루션을 생성하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법. - 제2항에 있어서,
상기 평가대상자가 급속 성장단계에 해당하는 경우, 상기 급속 성장단계의 기간 증가를 위한 솔루션을 제공하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법. - 제1항에 있어서,
상기 평가대상자가 감속 성장단계에 해당하는 경우, 상기 감속 성장단계의 기간 조절을 위한 솔루션을 제공하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법. - 제1항 내지 제5항 중 어느 하나의 항에 기재된 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 실행하기 위한 프로그램 코드를 포함하는 컴퓨터 판독 가능한 기록매체에 저장된 프로그램.
- 제1항 내지 제5항 중 어느 하나의 항에 기재된 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법을 실행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
- 평가대상자에 대한 시계열적 신체정보를 입력 받는 입력부;
상기 입력부로 입력된 평가대상자의 신체정보를 기초로 복수개의 성장단계 중 어느 하나의 성장단계로 분류하고, 상기 분류된 성장단계에 해당하는 신체정보를 추출하는 성장단계 판단부;
상기 추출된 신체정보를 학습된 신경망에 입력하여 성장을 예측하는 성장 예측부;
상기 분류된 성장단계에 해당하는 상기 평가대상자의 신체정보에 기초하여 성장 관리 솔루션을 생성하는 솔루션 생성부; 및
상기 생성된 성장 관리 솔루션을 표시하는 표시부;를 포함하고,
상기 복수개의 성장단계는 성장도에 따라 구분되는 일반 성장단계, 급속 성장단계 및 감속 성장단계를 포함하고,
상기 신경망은 복수의 표본대상자들에 대한 시계열적 신체정보 중 상기 각각의 성장단계에 대하여 개별적으로 추출된 시계열적 신체정보를 학습 데이터로 학습하는 복수개의 모델을 포함하고,
상기 솔루션 생성부는 상기 평가대상자의 성장 예측값 또는 성장단계의 기간을 조절하는 성장 관리 솔루션을 생성하는 것을 특징으로 하는 인공지능을 이용한 성장단계별 성장 예측 및 솔루션 제공 장치. - 제8항에 있어서,
상기 성장 예측부는 상기 평가대상자의 골성숙도를 상기 추출된 신체정보 중 적어도 일부와 함께 상기 신경망에 입력하여 성장을 예측하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 장치. - 제8항에 있어서,
상기 솔루션 생성부는 상기 평가대상자가 일반 성장단계에 해당하는 경우,
상기 평가대상자의 성장 예측값 증가를 위한 솔루션을 제공하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 장치. - 제8항에 있어서,
상기 솔루션 생성부는 상기 평가대상자가 급속 성장단계에 해당하는 경우, 상기 급속 성장단계의 기간 증가를 위한 솔루션을 제공하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 장치. - 제8항에 있어서,
상기 솔루션 생성부는 평가대상자가 감속 성장단계에 해당하는 경우, 상기 감속 성장단계의 기간 조절을 위한 솔루션을 제공하는 것을 특징으로 하는 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 장치.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220124113A KR102574431B1 (ko) | 2022-09-29 | 2022-09-29 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| PCT/KR2023/009566 WO2024071603A1 (ko) | 2022-09-29 | 2023-07-06 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| KR1020230099114A KR20240045995A (ko) | 2022-09-29 | 2023-07-28 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| KR1020230099100A KR20240045994A (ko) | 2022-09-29 | 2023-07-28 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220124113A KR102574431B1 (ko) | 2022-09-29 | 2022-09-29 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230099100A Division KR20240045994A (ko) | 2022-09-29 | 2023-07-28 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| KR1020230099114A Division KR20240045995A (ko) | 2022-09-29 | 2023-07-28 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR102574431B1 true KR102574431B1 (ko) | 2023-09-11 |
| KR102574431B9 KR102574431B9 (ko) | 2024-04-08 |
Family
ID=88020215
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220124113A KR102574431B1 (ko) | 2022-09-29 | 2022-09-29 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| KR1020230099114A KR20240045995A (ko) | 2022-09-29 | 2023-07-28 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| KR1020230099100A KR20240045994A (ko) | 2022-09-29 | 2023-07-28 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230099114A KR20240045995A (ko) | 2022-09-29 | 2023-07-28 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
| KR1020230099100A KR20240045994A (ko) | 2022-09-29 | 2023-07-28 | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 |
Country Status (2)
| Country | Link |
|---|---|
| KR (3) | KR102574431B1 (ko) |
| WO (1) | WO2024071603A1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140045759A (ko) * | 2012-10-09 | 2014-04-17 | 최윤호 | 성장 관리 서비스 방법 및 시스템 |
| KR101866208B1 (ko) | 2016-06-23 | 2018-06-11 | (주)삼족오 | 키 성장 예측이 가능한 단말 장치 및 상기 단말 장치의 키 성장 예측 방법 |
| KR20190072292A (ko) * | 2017-12-15 | 2019-06-25 | 세종대학교산학협력단 | 신체 성장 예측 모델링 장치 및 방법 |
| KR102198302B1 (ko) | 2020-05-20 | 2021-01-05 | 주식회사 지피바이오 | 성장 예측 방법 및 그 장치 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7144249B2 (ja) * | 2018-09-05 | 2022-09-29 | 聡子 水流 | 評価システム、及び評価プログラム |
| KR102197828B1 (ko) * | 2018-09-17 | 2021-01-04 | 주식회사 셀바스헬스케어 | 성장 예측 데이터를 제공하는 컴퓨팅 장치 |
-
2022
- 2022-09-29 KR KR1020220124113A patent/KR102574431B1/ko active IP Right Grant
-
2023
- 2023-07-06 WO PCT/KR2023/009566 patent/WO2024071603A1/ko unknown
- 2023-07-28 KR KR1020230099114A patent/KR20240045995A/ko unknown
- 2023-07-28 KR KR1020230099100A patent/KR20240045994A/ko unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140045759A (ko) * | 2012-10-09 | 2014-04-17 | 최윤호 | 성장 관리 서비스 방법 및 시스템 |
| KR101866208B1 (ko) | 2016-06-23 | 2018-06-11 | (주)삼족오 | 키 성장 예측이 가능한 단말 장치 및 상기 단말 장치의 키 성장 예측 방법 |
| KR20190072292A (ko) * | 2017-12-15 | 2019-06-25 | 세종대학교산학협력단 | 신체 성장 예측 모델링 장치 및 방법 |
| KR102075743B1 (ko) | 2017-12-15 | 2020-02-10 | 주식회사 아우라 | 신체 성장 예측 모델링 장치 및 방법 |
| KR102198302B1 (ko) | 2020-05-20 | 2021-01-05 | 주식회사 지피바이오 | 성장 예측 방법 및 그 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024071603A1 (ko) | 2024-04-04 |
| KR20240045995A (ko) | 2024-04-08 |
| KR20240045994A (ko) | 2024-04-08 |
| KR102574431B9 (ko) | 2024-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mirshahvalad et al. | Diabetes prediction using ensemble perceptron algorithm | |
| GB2596923A (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
| CN106777909A (zh) | 妊娠期健康风险评估系统 | |
| Fauvel et al. | Towards sustainable dairy management-a machine learning enhanced method for estrus detection | |
| CN117133407B (zh) | 用于儿童的多标签神经网络的营养均衡评估方法及系统 | |
| Kadam et al. | Calories Burned Prediction Using Machine Learning | |
| Zhou | Sports achievement prediction and influencing factors analysis combined with deep learning model | |
| KR102574431B1 (ko) | 인공지능을 이용한 성장 단계별 성장 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 | |
| CN112382382B (zh) | 一种代价敏感的集成学习分类方法及系统 | |
| KR102618898B1 (ko) | 인공지능을 이용한 성장단계 기반 비만 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 | |
| KR102618945B1 (ko) | 인공지능을 이용한 성장단계 기반 성조숙 예측 및 솔루션 제공 방법, 장치 및 컴퓨터 프로그램 | |
| US11804147B2 (en) | Personalized weight management | |
| KR102687753B1 (ko) | 성장 예측을 위한 신장 측정 데이터의 전처리 방법 | |
| Wei | Individualized wrist motion models for detecting eating episodes using deep learning | |
| CN106250715A (zh) | 一种基于增量式神经网络模型的慢性咽喉炎预测方法和预测系统 | |
| JP2022101291A (ja) | 家畜発情期判別プログラム | |
| CN106202986A (zh) | 一种基于增量式神经网络模型的扁桃体炎预测方法和预测系统 | |
| CN106407693A (zh) | 一种基于增量式神经网络模型的乙肝预测方法和预测系统 | |
| CN112102285A (zh) | 一种基于多模态对抗训练的骨龄检测方法 | |
| Kandemir et al. | COMPARISON OF CLASSIFIERS FOR THE RISK OF OBESITY PREDICTION AMONG HIGH SCHOOL STUDENTS | |
| Cassimiro et al. | Milk weighing scale based on machine learning | |
| Lebcir et al. | Check for A Machine Learning Model for Automation of Ligament Injury Detection Process 9 Cheikh Salmi¹ (), Akram Lebcir², Ali Menaouer Djemmal² | |
| Sargo | Binary fish school search applied to feature selection | |
| Damaraji et al. | Detecting Pregnancy Risk Type Using LSTM Algorithm | |
| Salmi et al. | A Machine Learning Model for Automation of Ligament Injury Detection Process |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant | ||
| G170 | Re-publication after modification of scope of protection [patent] |