KR102625827B1 - 인공지능을 통해 노화지수를 분석하여 생체나이를 예측하는 장치 및 방법 - Google Patents
인공지능을 통해 노화지수를 분석하여 생체나이를 예측하는 장치 및 방법 Download PDFInfo
- Publication number
- KR102625827B1 KR102625827B1 KR1020230080715A KR20230080715A KR102625827B1 KR 102625827 B1 KR102625827 B1 KR 102625827B1 KR 1020230080715 A KR1020230080715 A KR 1020230080715A KR 20230080715 A KR20230080715 A KR 20230080715A KR 102625827 B1 KR102625827 B1 KR 102625827B1
- Authority
- KR
- South Korea
- Prior art keywords
- indicators
- age
- physical
- modal
- layer
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims description 45
- 230000032683 aging Effects 0.000 title description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 230000036541 health Effects 0.000 claims description 16
- 210000002216 heart Anatomy 0.000 claims description 13
- 210000004072 lung Anatomy 0.000 claims description 12
- 210000000496 pancreas Anatomy 0.000 claims description 11
- 210000004185 liver Anatomy 0.000 claims description 10
- 210000003734 kidney Anatomy 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 230000002503 metabolic effect Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 78
- 230000008569 process Effects 0.000 description 20
- 238000004891 communication Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000012549 training Methods 0.000 description 10
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 4
- 239000000090 biomarker Substances 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 235000012000 cholesterol Nutrition 0.000 description 4
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 210000000577 adipose tissue Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- CVSVTCORWBXHQV-UHFFFAOYSA-N creatine Chemical compound NC(=[NH2+])N(C)CC([O-])=O CVSVTCORWBXHQV-UHFFFAOYSA-N 0.000 description 2
- 229940109239 creatinine Drugs 0.000 description 2
- 230000035487 diastolic blood pressure Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 102000009027 Albumins Human genes 0.000 description 1
- 108010088751 Albumins Proteins 0.000 description 1
- 239000004382 Amylase Substances 0.000 description 1
- 102000013142 Amylases Human genes 0.000 description 1
- 108010065511 Amylases Proteins 0.000 description 1
- 238000008789 Direct Bilirubin Methods 0.000 description 1
- 102000006395 Globulins Human genes 0.000 description 1
- 108010044091 Globulins Proteins 0.000 description 1
- 102000017011 Glycated Hemoglobin A Human genes 0.000 description 1
- FFFHZYDWPBMWHY-VKHMYHEASA-N L-homocysteine Chemical compound OC(=O)[C@@H](N)CCS FFFHZYDWPBMWHY-VKHMYHEASA-N 0.000 description 1
- 102000003855 L-lactate dehydrogenase Human genes 0.000 description 1
- 108700023483 L-lactate dehydrogenases Proteins 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 102000004160 Phosphoric Monoester Hydrolases Human genes 0.000 description 1
- 108090000608 Phosphoric Monoester Hydrolases Proteins 0.000 description 1
- 238000008050 Total Bilirubin Reagent Methods 0.000 description 1
- LEHOTFFKMJEONL-UHFFFAOYSA-N Uric Acid Chemical compound N1C(=O)NC(=O)C2=C1NC(=O)N2 LEHOTFFKMJEONL-UHFFFAOYSA-N 0.000 description 1
- TVWHNULVHGKJHS-UHFFFAOYSA-N Uric acid Natural products N1C(=O)NC(=O)C2NC(=O)NC21 TVWHNULVHGKJHS-UHFFFAOYSA-N 0.000 description 1
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 description 1
- 235000019418 amylase Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 229960003624 creatine Drugs 0.000 description 1
- 239000006046 creatine Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 108091005995 glycated hemoglobin Proteins 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 150000003626 triacylglycerols Chemical class 0.000 description 1
- 229940116269 uric acid Drugs 0.000 description 1
- 210000002700 urine Anatomy 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
- G06N20/00—Machine learning
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명의 일 실시예에 따라, 서버에 의해 수행되는, 신체지표를 바탕으로 생체나이를 산출하는 방법에 있어서, (a) 사용자 단말로부터 신체지표를 수신하는 단계; (b) 신체지표 및 기설정된 기계학습 모델을 통해 기설정된 복수의 신체의 신체나이를 각각 산출하는 단계; 및 (c) 신체나이를 바탕으로 리포트를 생성하여 사용자 단말로 제공하는 단계를 포함하고, 기계학습 모델은 복수의 신체에 각각 대응되는 멀티 모달로 구성되어, 복수의 신체지표 및 신체나이를 학습데이터로 이용하는 모델이다.
Description
본 발명은 인공지능을 이용하여 복수의 노화지수를 통해 사람의 각종 생체 나이를 산출하기 위한 장치 및 방법에 관한 것이다.
생체 나이란 사람이 태어난 년도에 따라 정해지는 나이가 아닌, 전반적인 신체 기능에 따라 인간의 노화 정도를 나타내는 지표에 해당된다. 여기서 신체기능이란 사람의 생명을 유지시키기 위한 심뇌혈관계, 신경계, 골근육계 등의 건강 상태를 의미한다.
종래의 생체 나이 분석 기술들은 회귀분석을 활용하며, 최근 DNN, CNN, LSTM 등의 딥러닝 기술을 활용한 회귀모델과 사람의 신체 지수를 이용하여 산출하게 된다. 예를 들어, 평균 체력의 경우 근육량, 근력, 기초대사량, 체지방, 폐활량, 운동능력 등을 회귀분석 기술을 이용하여 산출하게 된다.
그러나, 종래의 기술은 그 기능이 생체 나이에만 국한되어 있다. 예를 들어, 신체 나이뿐만 아니라 심장, 폐, 간, 췌장 등의 다양한 신체 기관에 따른 별도의 나이를 측정하지 못한다는 한계점이 있다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 각종 신체 기능과 지표를 바탕으로 각 신체 부위별 노화 상태를 판단하기 위함이다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 서버에 의해 수행되는, 신체지표를 바탕으로 생체나이를 산출하는 방법에 있어서, (a) 사용자 단말로부터 신체지표를 수신하는 단계; (b) 신체지표 및 기설정된 기계학습 모델을 통해 기설정된 복수의 신체의 신체나이를 각각 산출하는 단계; 및 (c) 신체나이를 바탕으로 리포트를 생성하여 사용자 단말로 제공하는 단계를 포함하고, 기계학습 모델은 복수의 신체에 각각 대응되는 멀티 모달로 구성되어, 복수의 신체지표 및 신체나이를 학습데이터로 이용하는 모델일 수 있다.
또한, (a) 단계 이전에 사용자 단말은 외부 서버로부터 건강검진 데이터를 수신하여, 서버로 전달하면, 서버는 건강검진 데이터로부터 기설정된 신체지표를 인식할 수 있다.
또한, 기계학습 모델은 (b1) 제1레이어에서, 생체지표를 바탕으로, 각 모달에 맞는 생체지표를 각 모달의 제1인공지능모델에 입력하고 모달별로 제1특징값들을 추출하는 단계; (b2) 제2레이어에서, 복수의 제1특징값들을 제2인공지능모델에 입력하여 제1특징값들을 대표하는 제2특징값들을 추출하는 단계; 및 (b3) 제3레이어에서, 제2특징값들을 각 모달에 대응되는 태스크로 분리 후 각 태스크별로 제3인공지능모델에 입력하여, 신체나이를 각 모달별로 출력하는 단계를 포함할 수 있다.
또한, 제1인공지능모델 및 제3인공지능모델은 DNN, LSTM모델 중 어느 하나가 적용될 수 있다.
또한, 제2인공지능 모델은 CNN모델일 수 있다.
또한, (b1)은 제1레이어에서 각 모달마다 입력되는 생체지표의 종류 및 개수가 상이할 수 있다.
또한, 적어도 하나의 생체지표는 제1레이어에서 복수의 모달에 공통적으로 입력될 수 있다.
또한, (b3) 단계는 제3인공지능모델이 제1레이어에서 입력된 생체지표와 제2레이어에서 출력된 제2특징값을 입력받을 수 있다.
또한, 각 모달의 종류는 비만체형, 심장, 폐, 간, 췌장, 신장, 생체, 대사 모달로 구성되고, 제1레이어에서 비만체형, 심장, 폐, 간, 췌장, 신장의 모달에 입력되는 생체지표들은 생체에 맞는 모달에도 입력될 수 있다.
또한, 각 모달에 사용자의 실제 나이가 제1레이어에 입력될 수 있다.
또한, (b3) 단계는 신체지표 및 신체나이를 학습데이터로서 태스크별 추가학습을 수행될 수 있다.
또한, 리포트는 신체명과 산출된 신체나이를 각각 매칭하여 생성할 수 있다.
또한, 신체나이와 실제 나이에 대한 차이값을 각각 산출하고, 차이값에 기초하여 신체의 상태를 기설정된 단계에 따라 분류할 수 있다.
또한, (b) 단계는 복수의 신체나이를 바탕으로 종합 신체나이를 더 산출하고, 종합 신체나이와 사용자의 실제나이를 매칭하여 리포트를 생성할 수 있다.
또한, (b) 단계는 복수의 신체나이를 통해 특정 질병의 발병율을 더 산출하고, 신체나이와 특정 질병의 발병률을 매칭하여 리포트를 생성할 수 있다.
또한, 신체지표를 바탕으로 생체나이를 산출하는 장치에 있어서, 신체지표를 바탕으로 생체나이를 산출하는 프로그램이 저장된 메모리 및 메모리에 저장된 프로그램을 실행하여 신체지표를 바탕으로 생체나이를 산출하는 프로세서를 포함하되, 프로세서는 사용자 단말로부터 신체지표를 수신하고, 신체지표 및 기설정된 기계학습 모델을 통해 기설정된 복수의 신체의 신체나이를 각각 산출하고, 신체나이를 바탕으로 리포트를 생성하여 사용자 단말로 제공하고, 기계학습 모델은 복수의 신체에 각각 대응되는 멀티 모달로 구성되어, 복수의 신체지표 및 신체나이를 학습데이터로 이용하는 모델인 장치일 수 있다.
또한, 제 1 항에 의한 신체지표를 바탕으로 생체나이를 산출하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독가능 저장매체일 수 있다.
본 발명의 일 실시예에 따라, 각종 신체 기능과 지표를 바탕으로 각 신체 부위별 노화 상태를 판단할 수 있는 시스템을 구현할 수 있다.
또한, 각 신체별 노화 정도를 바탕으로 맞춤형 건강관리 서비스를 제공할 수 있게 된다.
또한, 본 발명이 멀티 모달의 형태로 구성되는 이유는 각 신체 기관마다 요구하는 신체지표의 종류와 개수가 다르기에, 하나의 인공지능모델로는 이를 구현할 수 없다. 그에 따라, 여러 개의 인공지능 모델을 구성하고, 그 중 CNN 모델로 신체지표의 특징값을 축약하거나, 특징값에 대한 학습을 수행하면서 정확한 신체나이를 연산할 수 있게 된다. 또한, 본 발명에서 인공지능은 3개의 레이어로 구성되는데, 제1레이어는 신체지표의 특징값을 추출하고, 제2레이어는 그 특징값들 중 대표적인 특징값을 추출하며, 제3레이어는 제2레이어로부터 나온 특징값과 기준값의 비교를 통해 선형적인 관계를 추론해냄으로써, 신체지표와 생체나이와의 상관관계를 추론하게 된다.
도 1은 본 발명의 일 실시예에 따른, 인공지능 기반으로 생체나이를 산출하는 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른, 서버의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시에에 따른, 생체나이를 산출하기 위해 이용되는 인공지능의 개념을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른, 외부 서버로부터 신체나이를 산출하여 리포트를 생성하는 과정을 도시한 동작흐름도이다.
도 5는 본 발명의 일 실시예에 따른, 신체지표를 바탕으로 인공지능이 신체나이를 산출하는 과정을 도시한 동작흐름도이다.
도 6a 내지 도 6h는 본 발명의 일 실시예에 따른, 모달별 신체지표를 나타낸 표이다.
도 7a 및 도 7b는 본 발명의 일 실시예에 따른, 리포트의 예시를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른, 서버의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시에에 따른, 생체나이를 산출하기 위해 이용되는 인공지능의 개념을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른, 외부 서버로부터 신체나이를 산출하여 리포트를 생성하는 과정을 도시한 동작흐름도이다.
도 5는 본 발명의 일 실시예에 따른, 신체지표를 바탕으로 인공지능이 신체나이를 산출하는 과정을 도시한 동작흐름도이다.
도 6a 내지 도 6h는 본 발명의 일 실시예에 따른, 모달별 신체지표를 나타낸 표이다.
도 7a 및 도 7b는 본 발명의 일 실시예에 따른, 리포트의 예시를 도시한 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.
도 1은 본 발명의 일 실시예에 따른, 인공지능 기반으로 생체나이를 산출하는 시스템의 구성을 도시한 도면이다.
도 1을 참조하면, 시스템은 서버(100), 사용자 단말(200) 및 외부 서버(300)로 구성될 수 있다. 또한, 각 장치들은 통신망을 통해 상호 연결되어 있다.
본 발명의 일 실시예에 따른, 서버(100)는 사용자 단말(200)로부터 수신한 신체지표를 기설정된 인공지능에 입력시켜 복수의 신체에 대한 신체나이를 산출하게 된다.
또한, 신체지표란 건강검진 데이터로부터 추출한 정보로서, 사용자의 신체로부터 측정된 값을 의미할 수 있다. 예를 들어, 도 6a 내지 도 6h에 도시된 표에 대응되는 신체로부터 산출된 값을 의미할 수 있고, 각각의 신체나이를 산출함에 있어 이용되는 신체지표가 각각 상이하게 된다. 또한, 건강검진 데이터란 병원 등의 의료기관을 통해 사용자로부터 측정한 신체 상태 또는 건강 상태에 대한 데이터가 될 수 있다.
또한, 기설정된 인공지능이란 신체지표 및 신체나이를 학습데이터로 하는 멀티 모달(Multi-modal) 기계학습 모델로서, 후술할 도 4를 통해 구체적을 설명하도록 한다.
다음으로, 서버(100)는 산출된 신체나이를 바탕으로 리포트(400)를 생성하여, 사용자 단말(200)로 제공하는 것을 특징으로 한다.
사용자는 리포트(400)를 통해 신체나이를 확인할 수 있고, 리포트(400)는 다양한 형태로 구성될 수 있다. 후술할 도 7a 및 도 7b은 사용자 단말(200)로 제공될 리포트(400)의 일 예시일 수 있다.
본 발명의 일 실시예에 따른, 사용자 단말(200)은 신체지표를 바탕으로 생체나이를 산출하는 애플리케이션의 사용자가 이용하는 단말에 해당될 수 있다.
이때, 사용자 단말(200)은 외부 서버(300)로부터 건강검진 데이터나 신체지표를 수신하여 서버(100)로 전달하고, 서버(100)로부터 각 신체별 신체나이가 포함된 리포트(400)를 수신하는 것을 특징으로 한다.
한편, 상기에 언급된 과정은 사용자 단말(200)에 설치된 애플리케이션을 통하여 진행될 수 있고, 애플리케이션은 사용자 단말(200)에 내장된 애플리케이션이거나, 애플리케이션 배포 서버로부터 다운로드되어 사용자 단말(200)에 설치된 애플리케이션일 수 있다.
또한, 사용자 단말(200)은 유무선 통신 환경에서 단말 어플리케이션을 이용할 수 있는 통신 단말기를 의미한다. 여기서 사용자 단말(200)은 사용자의 휴대용 단말기일 수 있다. 도 1에서는 사용자 단말(200)이 휴대용 단말기의 일종인 스마트폰(smart phone)으로 도시되었지만, 본 발명의 사상은 이에 제한되지 아니하며, 상술한 바와 같이 단말 애플리케이션을 탑재할 수 있는 단말에 대해서 제한 없이 차용될 수 있다.
이를 더욱 상세히 설명하면, 사용자 단말(200)은 핸드헬드 컴퓨팅 디바이스(예를 들면, PDA, 이메일 클라이언트 등), 핸드폰의 임의의 형태, 또는 다른 종류의 컴퓨팅 또는 커뮤니케이션 플랫폼의 임의의 형태를 포함할 수 있으나, 본 발명이 이에 한정되는 것은 아니다.
본 발명의 일 실시예에 따른, 외부 서버(300)는 사용자의 건강 상태를 확인할 수 있는 의료기관의 서버에 해당될 수 있다. 외부 서버(300)는 사용자의 신체로부터 측정된 데이터를 바탕으로 건강검진 데이터를 생성할 수 있고, 사용자 단말(200)의 요청에 따라 건강검진 데이터를 사용자 단말(200)로 제공하게 된다.
이때, 선택적 실시예로 외부 서버(300)가 생략될 수 있고, 사용자 단말(200)에서 건강검진 데이터를 직접 입력할 수 있다. 예를 들어, 서류로 이루어진 건강검진 보고서를 스캔하거나, 사용자가 애플리케이션을 통해 신체지표를 직접 입력하는 등의 방식을 통해 외부 서버(300)가 생략될 수 있다.
한편, 통신망은 서버(100), 사용자 단말(200) 및 외부 서버(300)를 연결하는 역할을 수행한다. 즉, 통신망은 사용자 단말(200)이 서버(100)에 접속한 후 데이터를 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미한다. 통신망은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
도 2는 본 발명의 일 실시예에 따른, 서버(100)의 구성을 도시한 도면이다.
도 2를 참조하면, 서버(100)는 프로세서(110), 메모리(120) 및 통신 모듈(130)을 포함할 수 있다.
상세히, 프로세서(130)는 일종의 중앙처리장치로서 신체지표를 바탕으로 생체나이를 산출하기 위한 전체 과정을 제어한다.
여기서, 프로세서(110)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
또한, 메모리(120)는 신체지표를 바탕으로 생체나이를 산출하기 위한 프로그램이 기록된다. 또한, 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 메모리(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
또한, 통신 모듈(130)은 통신망과 연동하여 서버(100)와 사용자 단말(200) 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공한다. 나아가, 통신 모듈(130)은 사용자 단말(200)로부터 데이터 요청을 수신하고, 이에 대한 응답으로서 데이터를 송수신하는 역할을 수행할 수 있다.
여기서, 통신 모듈(130)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
도 3은 본 발명의 일 실시에에 따른, 생체나이를 산출하기 위해 이용되는 인공지능의 개념을 도시한 도면이다.
도 3을 참조하면, 기설정된 인공지능은 멀티 모달(Multi-modal) 등이 이용될 수 있다.
이때, 각각의 모달은 산출하고자 하는 신체나이의 개수만큼 구비될 수 있다. 예를 들어, 복수의 신체지표가 각각 비만체형 나이, 심장 나이, 폐 나이, 췌장 나이, 신장 나이, 생체 나이 및 대사 나이인 경우 7개의 모달이 구비된다.
여기서, 각각의 신체나이는 서로 다른 신체지표를 통해 산출되고, 각각의 모달에 입력되는 신체지표는 이는 도 6a 내지 도 6h에 도시된 표에 각각 대응될 수 있다.
또한, 본 발명에서 이용된 기설정된 인공지능은 도면에 도시된 바와 같이 입력 레이어의 노드의 개수가 출력 레이어의 개수와 동일할 수 있고, 입력 레이어에서 히든 레이어로 진행됨에 따라 '멀티모달 네트워크(Multimodlal network)', '공유 네트워크(Shared network)', '태스크별 네트워크(Task-specific network)'의 3가지 레이어를 거쳐 산출될 수 있다.
상술한 3가지 레이어 내에서 활용되는 인공지능은 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 이 인공지능을 통해 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 인공지능은는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 장단기 메모리(Long Short-Term Memory; LSTM), 트랜스포머(Transformer), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있나, 일 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
또한, 상술한 인공지능(뉴럴 네트워크)은 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
한편, 본 발명에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 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 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 4는 본 발명의 일 실시예에 따른, 신체나이를 산출하여 리포트를 생성하는 과정을 도시한 동작흐름도이다.
도 4를 참조하면, 서버(100)는 사용자 단말(200)로부터 신체지표를 수신할 수 있다(S110).
단계(S110) 이전에, 사용자 단말(200)은 외부 서버(300)로부터 건강검진 데이터를 수신하여, 서버(100)로 전달하면, 서버(100)는 건강검진 데이터로부터 기설정된 상기 신체지표를 인식하게 된다. 이때, 건강검진 데이터로부터 신체지표를 인식하는 방법은 기설정된 인공지능을 이용하는 방법, 건강검진 서류로부터 이미지 및 문자 인식 기반으로 신체지표를 식별하는 방법 등 다양한 방법이 적용될 수 있다.
다음으로 서버(100)는 신체지표 및 기설정된 기계학습 모델을 통해 기설정된 복수의 신체의 신체나이를 각각 산출할 수 있다(S120).
이때, 기계학습 모델은 복수의 신체에 각각 대응되는 멀티 모달로 구성되어, 복수의 신체지표 및 신체나이를 학습데이터로 이용하는 모델일 수 있다.
이때, 기계학습을 통해 생체나이가 산출되는 과정은 후술할 도 5를 통해 설명하도록 한다.
마지막으로 서버(100)는 신체나이를 바탕으로 리포트(400)를 생성하여 상기 사용자 단말로 제공할 수 있다(S130).
이때, 리포트(400)는 신체와 산출된 신체나이를 각각 매칭하여 생성될 수 있다.
선택적 실시예로, 서버(100)는 복수의 신체나이를 바탕으로 종합 신체나이를 더 산출하고, 종합 신체나이와 사용자의 실제나이를 매칭하여 리포트(400)를 생성할 수 있다. 예를 들어, 사용자의 태어난 날짜를 기준으로 하는 나이와 검사 결과를 통해 산출된 신체 나이를 각각 비교할 수 있도록 제시하여, 사용자가 자신의 건강 상태를 한눈에 파악할 수 있도록 유도하게 된다.
또한, 다른 선택적 실시예로 서버(100)는 복수의 신체나이를 통해 특정 질병의 발병율을 더 산출하고, 신체나이와 특정 질병의 발병률을 매칭하여 리포트(400)를 생성할 수도 있다. 예를 들어, 특정 신체의 신체나이와 실제 나이를 비교함으로써 암의 발병율 등을 산출할 수도 있다.
도 5는 본 발명의 일 실시예에 따른, 신체지표를 바탕으로 인공지능이 신체나이를 산출하는 과정을 도시한 동작흐름도이다.
도 6a 내지 도 6h는 본 발명의 일 실시예에 따른, 모달별 신체지표를 나타낸 표이다.
도 5를 설명하기에 앞서 도 3을 다시 참고하면, 인공지능은 3가지 레이어를 통해 신체나이를 산출하며 제1레이어(530)는 멀티모달 네트워크, 제2레이어(540)는 공유 네트워크, 제3레이어(550)는 태스크별 네트워크가 적용될 수 있다. 또한, 이하의 단계(S121) 내지 단계(S123)은 각각 제1레이어(530), 제2레이어(540) 및 제3레이어(550)를 통해 각각 진행될 수 있다.
도 5를 참조하면, 기계학습 모델은 제1레이어(530)에서 신체지표를 바탕으로 각 모달(510)에 맞는 신체지표를 각 모달(510)의 제1인공지능모델에 입력하고, 모달(510)별 제1특징값을 추출할 수 있다(S121).
이때, 모달(510)은 각각 비만체형 모달(510), 심장 모달(510), 폐 모달(510), 췌장 모달(510), 신장 모달(510), 생체 모달(510) 및 대사 모달(510)로 구성될 수 있다. 또한, 제1레이어(530)에서 각 모달(510)마다 입력되는 신체지표의 종류와 개수는 각각 도 6a 내지 도 6h의 표에 기술되어 있는 바와 같이 서로 상이한데, 필요에 따라 적어도 하나의 신체지표가 복수의 모달에 공통적으로 입력될 수 있다.
예를 들어, 비만체형 모달(510)에는 도 6a에 명시된 신체지표인 '체중', '키', '체질량지수', '근육량', '근육율', '체지방량', '체지방율', '허리둘레', '엉덩이둘레', '허리-엉덩이둘레 비율'이 입력된다. 하지만, 이중 일부는 심장 모달(510)과 생체 모달(510)에도 각각 입력된다(이때, 입력되는 값은 신체지표이거나, 비만체형 나이일 수 있다.).
다음으로 심장 모달(510)에는 도 6b에 명시된 신체지표인 '수축기혈압', '이완기혈압', '맥압', '젖산탈수소효소', '크레아틴인산효소', '총콜레스테롤', '고밀도콜레스테롤', '중성지방', '저밀도콜레스테롤', '호모시스테인'이 입력된다. 또한, 심장 모달(510)에 입력된 신체지표 중 일부나 심장 나이는 생체 모달(510)에도 입력될 수 있다.
다음으로 폐 모달(510)에는 도 6c에 명시된 신체지표인 '강제폐활량', '강제일초량'이 입력될 수 있고, 입력된 신체지표 중 일부나 폐 나이는 생체 모달(510)에도 입력될 수 있다.
다음으로 간 모달(510)은 도 6d에 명시된 신체지표인 '총 단백질', '알부민', '글로불린', '알부민-글로불린 비율', '알카라인포스포타제', '간효소 AST=GOT', 'ALT=GPT', 'y-GTP', '총 빌리루빈', '직접빌리루빈'이 입력되고, 다른 모달(510)과 같이 생체 모달(510)에도 신체지표 또는 간 나이가 입력될 수 있다.
다음으로 췌장 모달(510)은 도 6e에 명시된 신체지표인 '공복혈당', '당화혈색소'가 입력되고, 신장 모달(510)은 도 6f에 명시된 신체지표인 '크레아티닌', '크레아티닌 제거율', '혈중요소질소', '요질량'이 입력된다. 또한, 각각의 신체나이 혹은 췌장 나이(와 신장 나이)는 각각 생체 모달(510)에 입력될 수 있다.
다음으로 생체 모달(510)의 경우 도 6g에 명시된 '성별', '아밀라아제', '요산도'가 신체지표로 입력되거나, 앞서 산출한 각 모달(510)별 나이를 입력받을 수 있다.
마지막으로대사 모달(510)의 경우 도 6h에 명시된 '허리둘레', '수축기 혈압', '이완기 혈압', '중성지방', '고밀도 콜레스테롤', '공복혈당'이 신체지표로 입력된다.
즉, 모달(510)의 종류는 비만체형, 심장, 폐, 간, 췌장, 신장, 생체, 대사 모달(510)로 구성되고, 제1레이어(530)에서 비만체형, 심장, 폐, 간, 췌장, 신장의 모달(510)에 입력되는 신체지표들은 생체에 맞는 모달(510)에도 입력된다. 또한, 각 모달(510)을 통해 산출된 신체나이는 다른 신체에 대응되는 모달(510)에도 입력될 수 있다.
선택적 실시예로, 다른 신체에 대한 신체나이가 더 산출되는 경우 모달(510)이 추가적으로 구비될 수 있고, 신규 모달(510)에 입력되는 신체지표도 앞서 설명한 신체지표와 상이할 수 있다.
한편, 각 모달(510)에는 사용자의 실제 나이가 제1레이어(530)를 통해 입력될 수 있다.
단계(S121)의 과정은 본 발명이 구현하고자 하는 인공지능의 제1레이어(530)에서 수행되고, 멀티 모달 네트워크로서 DNN, LSTM모델 중 어느 하나가 적용되어 입력된 모달별 제1특징을 산출하게 된다.
다음으로 기계학습 모델은 제2레이어(540)에서 복수의 제1특징값을 제2특징값을 추출할 수 있다(S122).
이때, 단계(S122)는 제2레이어(540)를 통해 수행되고, 공유 네트워크가 제2인공지능 모델로 이용된다. 구체적으로, 제1특징값은 제2레이어(540)에서 결합되고, 제2인공지능 모델로 CNN모델이 이용되어 제2특징값을 추출하게 된다.
마지막으로 기계학습 모델은 제3레이(550)에서 제2특징값을 각 모달(510)에 대응되는 태스크(520)로 분리 후 각 태스크(520)별 제3인공지능모델에 입력하여 상기 신체나이를 산출할 수 있다(S123).
이때, 단계(S123)은 제3레이어(550)를 통해 수행되고, 태스크별 네트워크가 제3인공지능 모델(DNN모델, LSTM모델 중 하나)로 이용된다.
또한, 제3인공지능모델이 제1레이어(530)에서 입력된 신체지표와 제2레이어(540)에서 출력된 제2특징값을 입력받아 신체나이를 산출하게 된다.
또한, 단계(S123)에서는 입력 데이터인 신체지표 또는 신체나이를 더 입력해줌으로써 추가학습이 진행될 수 있고, 더 정확한 신체나이의 산출이 가능해진다.
도 7a 및 도 7b는 본 발명의 일 실시예에 따른, 리포트(400)의 예시를 도시한 도면이다.
도 7a는 각종 신체나이를 사용자에게 알리기 위한 리포트(400)의 형식에 대응될 수 있다.
리포트(400)는 제1영역(410)는 각종 신체명과 신체나이를 매칭하여 작성할 수 있다. 또한, 각각의 신체명은 사용자가 한번에 확인할 수 있도록 신체에 대응되는 이미지 아이콘(icon)이 그려질 수 있다.
선택적 실시예로 서버(100)는 신체나이와 실제 나이에 대한 차이값을 각각 산출하고, 차이값에 기초하여 신체의 상태를 기설정된 단계에 따라 분류. 예를 들어, 도 7a에서 비만체형나이와 실제나이는 각각 65.2세, 59.4세로 5.8세의 차이를 가지기에 '매우나쁨'상태로 분류하게 된다. 그에 비해 췌장나이는 59세로 실제 나이와 거의 동일하기에 '좋음'상태로 분류하게 된다.
리포트(400)의 제2영역(420)에는 실제 나이와 최종적인 생체나이를 각각 비교하여, 두 나이값의 차이에 따라 사용자의 상태에 대한 최종 판정을 내리게 된다.
다음으로 도 7b는 신체나이를 바탕으로 암 위험도를 분석한 리포트(400)의 형식에 대응될 수 있다.
리포트의 제3영역(430)에는 암이 발생할 수 있는 신체부위와 각 신체지표별 생체나이를 통해 암이 발생할 수 있는 확률을 산출하여 표의 형태로 사용자 단말(200)로 제공할 수도 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 서버
200: 사용자 단말
300: 외부 서버
400: 리포트
200: 사용자 단말
300: 외부 서버
400: 리포트
Claims (17)
- 서버에 의해 수행되는, 신체지표를 바탕으로 생체나이를 산출하는 방법에 있어서,
(a) 사용자 단말로부터 신체지표를 수신하는 단계;
(b) 상기 신체지표 및 기설정된 기계학습 모델을 통해 기설정된 복수의 신체의 신체나이를 각각 산출하는 단계; 및
(c) 상기 신체나이를 바탕으로 리포트를 생성하여 상기 사용자 단말로 제공하는 단계를 포함하고,
상기 기계학습 모델은 복수의 신체에 각각 대응되는 멀티 모달로 구성되어, 복수의 신체지표 및 상기 신체나이를 학습데이터로 이용하는 모델이고,
상기 기계학습 모델은
(b1) 제1레이어에서, 상기 신체지표를 바탕으로, 각 모달에 맞는 신체지표를 각 모달의 제1인공지능모델에 입력하고 모달별로 제1특징값들을 추출하는 단계;
(b2) 제2레이어에서, 상기 복수의 제1특징값들을 제2인공지능모델에 입력하여 상기 제1특징값들을 대표하는 제2특징값들을 추출하는 단계; 및
(b3) 제3레이어에서, 상기 제2특징값들을 각 모달에 대응되는 태스크로 분리 후 각 태스크별로 제3인공지능모델에 입력하여, 복수의 신체별 신체나이를 각 모달별로 출력하는 단계로 구성되는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 1 항에 있어서,
상기 (a) 단계 이전에
상기 사용자 단말은 외부 서버로부터 건강검진 데이터를 수신하여, 상기 서버로 전달하면, 상기 서버는 상기 건강검진 데이터로부터 기설정된 상기 신체지표를 인식하는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 삭제
- 제 1 항에 있어서,
상기 제1인공지능모델 및 제3인공지능모델은 DNN, LSTM모델 중 어느 하나가 적용되는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 1 항에 있어서,
상기 제2인공지능 모델은 CNN모델인 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 1 항에 있어서,
상기 (b1)은
상기 제1레이어에서 각 상기 모달마다 입력되는 상기 신체지표의 종류 및 개수가 상이한 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 6 항에 있어서,
적어도 하나의 상기 신체지표는 상기 제1레이어에서 상기 복수의 모달에 공통적으로 입력되는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 1 항에 있어서,
상기 (b3) 단계는
상기 제3인공지능모델이 상기 제1레이어에서 입력된 상기 신체지표와 상기 제2레이어에서 출력된 상기 제2특징값을 입력받는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 1 항에 있어서,
각 상기 모달의 종류는 비만체형, 심장, 폐, 간, 췌장, 신장, 생체, 대사 모달로 구성되고, 상기 제1레이어에서 상기 비만체형, 심장, 폐, 간, 췌장, 신장의 모달에 입력되는 신체지표들은 상기 생체에 맞는 모달에도 입력되는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 1 항에 있어서,
각 상기 모달에 사용자의 실제 나이가 상기 제1레이어에 입력되는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 1 항에 있어서,
상기 (b3) 단계는
상기 신체지표 및 신체나이를 학습데이터로서 상기 태스크별 추가학습을 수행하는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 1 항에 있어서,
상기 리포트는 신체명과 산출된 상기 복수의 신체별 신체나이를 각각 매칭하여 생성되는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 12 항에 있어서,
상기 복수의 신체별 신체나이와 실제 나이에 대한 차이값을 각각 산출하고, 상기 차이값에 기초하여 상기 신체의 상태를 기설정된 단계에 따라 분류하는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 12 항에 있어서,
상기 (b) 단계는
상기 복수의 신체별 신체나이를 바탕으로 종합 신체나이를 더 산출하고, 상기 종합 신체나이와 사용자의 실제나이를 매칭하여 상기 리포트를 생성하는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 제 12 항에 있어서,
상기 (b) 단계는
상기 복수의 신체별 신체나이를 통해 특정 질병의 발병율을 더 산출하고, 상기 신체나이와 상기 특정 질병의 발병률을 매칭하여 상기 리포트를 생성하는 것인, 신체지표를 바탕으로 생체나이를 산출하는 방법. - 신체지표를 바탕으로 생체나이를 산출하는 장치에 있어서,
상기 신체지표를 바탕으로 생체나이를 산출하는 프로그램이 저장된 메모리 및
상기 메모리에 저장된 프로그램을 실행하여 상기 신체지표를 바탕으로 생체나이를 산출하는 프로세서를 포함하되,
상기 프로세서는 사용자 단말로부터 신체지표를 수신하고, 상기 신체지표 및 기설정된 기계학습 모델을 통해 기설정된 복수의 신체의 신체나이를 각각 산출하고, 상기 신체나이를 바탕으로 리포트를 생성하여 상기 사용자 단말로 제공하고, 상기 기계학습 모델은 복수의 신체에 각각 대응되는 멀티 모달로 구성되어, 복수의 신체지표 및 상기 신체나이를 학습데이터로 이용하는 모델이고,
상기 기계학습 모델은 제1레이어에서, 상기 신체지표를 바탕으로, 각 모달에 맞는 신체지표를 각 모달의 제1인공지능모델에 입력하고 모달별로 제1특징값들을 추출하고, 제2레이어에서, 상기 복수의 제1특징값들을 제2인공지능모델에 입력하여 상기 제1특징값들을 대표하는 제2특징값들을 추출하고, 제3레이어에서, 상기 제2특징값들을 각 모달에 대응되는 태스크로 분리 후 각 태스크별로 제3인공지능모델에 입력하여, 복수의 신체별 신체나이를 각 모달별로 출력하는 것인, 신체지표를 바탕으로 생체나이를 산출하는 장치. - 제 1 항에 의한 신체지표를 바탕으로 생체나이를 산출하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독가능 저장매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230080715A KR102625827B1 (ko) | 2023-06-23 | 2023-06-23 | 인공지능을 통해 노화지수를 분석하여 생체나이를 예측하는 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230080715A KR102625827B1 (ko) | 2023-06-23 | 2023-06-23 | 인공지능을 통해 노화지수를 분석하여 생체나이를 예측하는 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102625827B1 true KR102625827B1 (ko) | 2024-01-15 |
Family
ID=89542810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230080715A KR102625827B1 (ko) | 2023-06-23 | 2023-06-23 | 인공지능을 통해 노화지수를 분석하여 생체나이를 예측하는 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102625827B1 (ko) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160036954A (ko) * | 2014-09-26 | 2016-04-05 | 재단법인 아산사회복지재단 | 생체나이 측정 시스템 및 방법 |
| KR20180058159A (ko) * | 2016-11-23 | 2018-05-31 | 주식회사 셀바스에이아이 | 질환 발병 예측 방법 및 장치 |
| KR20190035558A (ko) * | 2017-09-26 | 2019-04-03 | 충남대학교산학협력단 | 멀티모달 학습 기반의 운전자 상태 인식 시스템 및 그 방법 |
| KR102030350B1 (ko) * | 2019-06-05 | 2019-10-10 | 최경덕 | 바이오 아바타를 이용한 헬스케어 시스템 |
| KR20230007090A (ko) | 2021-07-05 | 2023-01-12 | 순천향대학교 산학협력단 | Ai를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법 |
-
2023
- 2023-06-23 KR KR1020230080715A patent/KR102625827B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160036954A (ko) * | 2014-09-26 | 2016-04-05 | 재단법인 아산사회복지재단 | 생체나이 측정 시스템 및 방법 |
| KR20180058159A (ko) * | 2016-11-23 | 2018-05-31 | 주식회사 셀바스에이아이 | 질환 발병 예측 방법 및 장치 |
| KR20190035558A (ko) * | 2017-09-26 | 2019-04-03 | 충남대학교산학협력단 | 멀티모달 학습 기반의 운전자 상태 인식 시스템 및 그 방법 |
| KR102030350B1 (ko) * | 2019-06-05 | 2019-10-10 | 최경덕 | 바이오 아바타를 이용한 헬스케어 시스템 |
| KR20230007090A (ko) | 2021-07-05 | 2023-01-12 | 순천향대학교 산학협력단 | Ai를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kaur et al. | Hyper-parameter optimization of deep learning model for prediction of Parkinson’s disease | |
| Al Imran et al. | Classification of chronic kidney disease using logistic regression, feedforward neural network and wide & deep learning | |
| Dwivedi | Analysis of computational intelligence techniques for diabetes mellitus prediction | |
| Terrada et al. | Supervised machine learning based medical diagnosis support system for prediction of patients with heart disease | |
| Kaul et al. | Deep learning in healthcare | |
| Alharbi et al. | Using genetic algorithm and ELM neural networks for feature extraction and classification of type 2-diabetes mellitus | |
| Nikam et al. | Cardiovascular disease prediction using machine learning models | |
| KR102253946B1 (ko) | 사용자의 수면 환경에서 측정된 데이터에 기반하여 수면 상태를 예측하기 위한 컴퓨팅 장치 | |
| Choubey et al. | GA_J48graft DT: a hybrid intelligent system for diabetes disease diagnosis | |
| Fakih et al. | An efficient prediction of diabetes using artificial neural networks | |
| Zahid et al. | Mortality prediction with self normalizing neural networks in intensive care unit patients | |
| Zebardast et al. | A new generalized regression artificial neural networks approach for diagnosing heart disease | |
| Charitha et al. | Type-II Diabetes Prediction Using Machine Learning Algorithms | |
| Du et al. | The effects of deep network topology on mortality prediction | |
| KR102625827B1 (ko) | 인공지능을 통해 노화지수를 분석하여 생체나이를 예측하는 장치 및 방법 | |
| CN115985513B (zh) | 一种基于多组学癌症分型的数据处理方法、装置及设备 | |
| KR102434112B1 (ko) | 질병 예측 모델 생성 방법 및 장치, 이를 이용한 사용자 맞춤형 질병 예측 시스템 및 방법 | |
| ALSHARİ et al. | Machine Learning Model to Diagnose Diabetes Type 2 Based on Health Behavior | |
| EL_Rahman et al. | Chronic Diseases System Based on Machine Learning Techniques | |
| Liu et al. | Using Artificial Neural Network Condensation to Facilitate Adaptation of Machine Learning in Medical Settings by Reducing Computational Burden: Model Design and Evaluation Study | |
| Jamuna et al. | Survey on predictive analysis of diabetes disease using machine learning algorithms | |
| Sahu et al. | Performance Evaluation of Data Mining and Neural Network Based Models for Diabetes Prediction | |
| Idrees et al. | Automatic prediction of coronary artery disease using differential evolution-based support vector machine | |
| Shuvo | An early detection of heart disease using machine learning (recurrent neural network): ML research on heart disease prediction | |
| Fatima et al. | A Predictive Model for early Diabetes Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |