KR102631687B1 - 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치 - Google Patents

뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치 Download PDF

Info

Publication number
KR102631687B1
KR102631687B1 KR1020230110428A KR20230110428A KR102631687B1 KR 102631687 B1 KR102631687 B1 KR 102631687B1 KR 1020230110428 A KR1020230110428 A KR 1020230110428A KR 20230110428 A KR20230110428 A KR 20230110428A KR 102631687 B1 KR102631687 B1 KR 102631687B1
Authority
KR
South Korea
Prior art keywords
pain
value
information
symptom
vector
Prior art date
Application number
KR1020230110428A
Other languages
English (en)
Inventor
이수진
Original Assignee
주식회사 대박드림스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 대박드림스 filed Critical 주식회사 대박드림스
Priority to KR1020230110428A priority Critical patent/KR102631687B1/ko
Application granted granted Critical
Publication of KR102631687B1 publication Critical patent/KR102631687B1/ko

Links

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
    • 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
    • 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
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • 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
    • G16H50/30—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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

실시예들은 뉴럴 네트워크(neural network)를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 사용자 단말로부터 개인 정보 및 스포츠 활동과 관련된 정보를 포함하는 제1 접속 요청 메시지를 수신하고, 상기 사용자 단말로부터 통증과 관련된 정보를 입력하는 사용자 인터페이스를 통해 제1 통증과 관련된 정보를 수신하고, 상기 개인 정보, 상기 스포츠 활동과 관련된 정보 및 상기 제1 통증과 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 가진단 모델을 통해 상기 사용자 단말에 대한 제1 통증 관리 정보를 결정하고, 상기 제1 통증 관리 정보는 제1 증상에 대한 명칭, 제1 증상의 진행도, 제1 증상에 대한 관리 방법 및 제1 증상에 대한 권장 검진 날짜를 포함하고, 상기 사용자 단말에게 상기 제1 통증 관리 정보를 전송하고, 상기 제1 증상의 진행도가 상기 제1 증상에 대한 명칭에 대해 사전 설정된 기준 진행도 이상인 것에 기반하여, 상기 사용자 단말에게 의료기관의 우선 순위에 대한 정보를 요청하고, 상기 사용자 단말로부터 상기 의료기관의 우선 순위에 대한 정보를 수신하고, 상기 제1 통증 관리 정보 및 상기 의료기관의 우선 순위에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 의료기관 매칭 모델을 통해 상기 사용자 단말에 대한 추천 의료기관 리스트를 결정하고, 상기 추천 의료기관 리스트에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다.

Description

뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치{METHOD AND APPARATUS FOR PROVIDING PAIN MANAGEMENT INFORMATION TO A USER TERMINAL USING A NEURAL NETWORK}
본 개시의 실시예들은 사용자 단말에게 통증 관리 정보를 제공하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치에 대한 것이다.
한편, 현대 사회의 발달에 따라 여가 시간이 증가하면서, 여가 시간동안 다양한 스포츠를 즐기는 일반인들이 점차 증가하고 있다. 또한, 스포츠를 즐기는 일반인들의 수준 또한 높아지면서, 전문 운동 선수 수준의 스포츠 활동을 수행하는 일반인들도 함께 증가하고 있다.
이때, 운동 선수 뿐만 아니라 일반인들도 스포츠 종목별로 부상이 발생할 수 있으며, 스포츠 종목별 부상을 케어할 수 있는 적절한 시스템이 존재하지 않아, 부상에 대한 치료 시기를 놓치게 되는 문제가 있다.
또한, 스포츠 종목별 부상으로 인해 발생되는 통증은 스포츠 활동을 어렵게 만들 수 있으며, 혼자 훈련 또는 운동을 하는 도중에 부상을 입은 경우에는, 해당 부상에 따라 통증을 관리할 수 있는 방법을 알기 어려운 문제가 있다. 여기서, 부상의 발생 범위는 관절, 인대, 근육 등 신체 각 부위에서 광범위하게 나타날 수 있고, 스포츠 종목에 따라 부상 부위가 상이하게 나타날 수 있다. 이는 스포츠 종목마다 수행하는 동작이 다르기 때문에, 부상을 입게 되는 부위나 약화되는 근육이 다르기 때문이다.
한편, 통증에 대한 수치는 보통 문진을 통해 환자의 주관적인 답변에 따라 결정되기 때문에, 각 개인의 통증에 대한 수치의 편차가 크게 나타나며 여러 피측정자의 통증을 객관화하기가 어려운 문제가 있다.
따라서, 뉴럴 네트워크를 통해 의료기관으로부터 수신한 복수의 운동 선수에 대한 데이터를 학습한 가진단 모델을 기반으로 스포츠 종목별로 부상으로 인한 통증 패턴 및 유형을 분석하고, 그에 따른 정확한 증상이나 증상의 진행도 및 통증 관리 방법을 제공하는 시스템이 필요하다. 나아가, 의료기관으로부터 사용자의 통증에 대한 수치를 이용함으로써, 증상에 따른 통증 수치를 객관적으로 파악하고, 해당 증상을 전문적으로 치료하는 의료기관을 뉴럴 네트워크에 기반한 의료기관 매칭 모델을 통해 추천하는 시스템이 필요하다.
본 개시의 실시예들은, 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치를 제공할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 뉴럴 네트워크(neural network)를 이용하여 서버가 통증 관리 정보를 사용자 단말에게 제공하는 방법은, 상기 사용자 단말로부터 개인 정보 및 스포츠 활동과 관련된 정보를 포함하는 제1 접속 요청 메시지를 수신하고, 상기 사용자 단말로부터 통증과 관련된 정보를 입력하는 사용자 인터페이스를 통해 제1 통증과 관련된 정보를 수신하고, 상기 개인 정보, 상기 스포츠 활동과 관련된 정보 및 상기 제1 통증과 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 가진단 모델을 통해 상기 사용자 단말에 대한 제1 통증 관리 정보를 결정하고, 상기 제1 통증 관리 정보는 제1 증상에 대한 명칭, 제1 증상의 진행도, 제1 증상에 대한 관리 방법 및 제1 증상에 대한 권장 검진 날짜를 포함하고, 상기 사용자 단말에게 상기 제1 통증 관리 정보를 전송하고, 상기 제1 증상의 진행도가 상기 제1 증상에 대한 명칭에 대해 사전 설정된 기준 진행도 이상인 것에 기반하여, 상기 사용자 단말에게 의료기관의 우선 순위에 대한 정보를 요청하고, 상기 사용자 단말로부터 상기 의료기관의 우선 순위에 대한 정보를 수신하고, 상기 제1 통증 관리 정보 및 상기 의료기관의 우선 순위에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 의료기관 매칭 모델을 통해 상기 사용자 단말에 대한 추천 의료기관 리스트를 결정하고, 상기 추천 의료기관 리스트에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함할 수 있다.
실시예들에 따르면, 서버는 개인 정보, 스포츠 활동과 관련된 정보 및 통증과 관련된 정보를 기반으로 뉴럴 네트워크를 이용하는 가진단 모델을 통해 사용자 단말에 대한 제1 통증 관리 정보를 제공함으로써, 스포츠 종목에 따라 사용자 단말에게 최적화된 통증 관리 정보를 제공할 수 있다.
실시예들에 따르면, 서버는 통증 관리 정보 및 의료기관의 우선 순위에 대한 정보에 기반하여 뉴럴 네트워크를 이용하는 의료기관 매칭 모델을 통해 사용자 단말에 대한 추천 의료기관 리스트를 제공함으로써, 사용자 단말의 증상과 증상의 진행도를 고려할 뿐만 아니라 사용자 단말의 의료기관에 대한 우선 순위에 따라 의료기관을 추천할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따라 뉴럴 네트워크(neural network)를 이용하여 서버가 통증 관리 정보를 사용자 단말에게 제공하는 방법을 나타낸다.
도 4는 일 실시예에 따른 제2 뉴럴 네트워크를 이용하는 의료기관 매칭 모델에 대한 예를 나타낸 도면이다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 통증 관리 정보를 사용자 단말에게 제공하는 방법에 대한 신호 교환도이다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다.
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시 형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 에지 또는 링크는 뉴럴 네트워크가 원하는 기능의 수행, 사용자 또는 알고리즘에 의해 가변적으로 적용될 수 있는 가중치를 갖는다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
도 3은 일 실시예에 따라 뉴럴 네트워크(neural network)를 이용하여 서버가 통증 관리 정보를 사용자 단말에게 제공하는 방법을 나타낸다. 도 3의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S310에서, 서버(예: 도 1의 서버(108))는 사용자 단말로부터 개인 정보 및 스포츠 활동과 관련된 정보를 포함하는 제1 접속 요청 메시지를 수신할 수 있다.
서버는 운동 선수들의 부상 케이스 및 부상 케이스별 통증 관리 방법을 학습시킨 뉴럴 네트워크를 이용하여 사용자 단말로부터 수신한 정보에 따른 통증 관리 정보를 제공하는 서버이다. 예를 들어, 서버는 사용자 단말로부터 수신한 개인 정보, 스포츠 활동과 관련된 정보 및 통증과 관련된 정보에 기반하여 제1 뉴럴 네트워크를 이용하는 가진단 모델을 통해 증상에 대한 명칭, 증상의 진행도, 증상에 대한 관리 방법 및 증상에 대한 권장 검진 날짜를 사용자 단말에게 전송할 수 있다.
또한, 서버는 스포츠 종목별 또는 증상별 전문 의료기관에 대한 정보를 학습시킨 뉴럴 네트워크를 이용하여 사용자 단말의 통증 관리 정보에 매칭되는 추천 의료기관 정보를 사용자 단말에게 제공할 수 있다. 예를 들어, 서버는 사용자 단말에 대한 통증 관리 정보 및 사용자 단말로부터 수신한 의료기관의 우선 순위에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 의료기관 매칭 모델을 통해 사용자 단말에게 추천 의료기관 리스트를 전송할 수 있다.
사용자 단말은 운동을 수행하는 일반인 또는 프로 선수가 사용하는 단말일 수 있다. 예를 들어, 사용자 단말은 도 1의 전자 장치(101)를 포함할 수 있다.
제1 접속 요청 메시지는 사용자 단말이 서버에게 특정 서비스의 이용을 위해 접속을 요청하는 메시지일 수 있다. 여기서, 특정 서비스는 통증 관리 정보를 제공하는 서비스일 수 있다. 예를 들어, 제1 접속 요청 메시지는 개인 정보, 스포츠 활동과 관련된 정보 및 사용자 단말의 식별 정보를 포함할 수 있다.
개인 정보는 사용자에 대한 정보이며, 사용자의 이름, 사용자의 나이, 사용자의 성별, 사용자의 키, 사용자의 몸무게, 사용자의 과거 부상 이력 및 사용자의 주소를 포함할 수 있다. 예를 들어, 사용자의 과거 부상 이력은 부상의 종류, 부상을 입은 날짜, 부상을 입은 부위 및 부상 이후 치료 기간을 포함할 수 있다. 부상의 종류는 염좌, 골절, 열상 및 화상 등 다양한 종류의 부상을 포함할 수 있다. 이하, 증상은 부상을 포함하는 용어로 사용될 수 있다.
스포츠 활동과 관련된 정보는 사용자가 수행하는 스포츠 활동과 관련된 정보이다. 예를 들어, 스포츠 활동과 관련된 정보는 스포츠에 대한 정보 및 운동량에 대한 정보를 포함할 수 있다.
예를 들어, 스포츠에 대한 정보는 사용자가 수행하는 적어도 하나의 스포츠에 대한 정보를 포함할 수 있다. 예를 들어, 스포츠에 대한 정보는 사용자가 수행하는 적어도 하나의 스포츠 종목, 적어도 하나의 스포츠 종목에 대한 경력, 적어도 하나의 스포츠 종목에 대한 프로 선수 여부 정보 및 적어도 하나의 스포츠 종목에서의 포지션 정보를 포함할 수 있다. 프로 선수 여부 정보는 프로 선수인 경우에는 1 값을 프로 선수가 아닌 경우에는 0 값을 가질 수 있다. 스포츠 종목에서의 포지션 정보는 포지션이 존재하는 스포츠 종목에 대해서 설정될 수 있고, 포지션이 존재하지 않는 경우에는 0 값을 가질 수 있다. 이때, 사용자가 수행하는 스포츠 종목이 복수 개인 경우, 스포츠에 대한 정보는 스포츠 종목의 순위에 대한 정보를 더 포함할 수 있다. 즉, 사용자가 주된 스포츠로 축구를 하고, 그 이외의 스포츠로 육상을 하는 경우, 스포츠 종목의 순위에 대한 정보는 1순위는 축구로 설정되고, 2순위는 육상으로 설정될 수 있다.
운동량에 대한 정보는 사용자의 운동량을 나타내는 정보이며, 운동량에 대한 정보는 한 주를 기준으로 사용자가 운동을 수행하는 적어도 하나의 요일 및 적어도 하나의 요일에 대한 운동 시간을 포함할 수 있다. 예를 들어, 사용자가 수행하는 스포츠 종목이 복수 개인 경우, 운동량에 대한 정보는 각 스포츠 종목별 운동량에 대한 정보를 포함할 수 있다.
사용자 단말의 식별 정보는 사용자 단말의 ID(identifier) 또는 사용자 단말의 국제 휴대전화 식별 번호(international mobile equipment identity) 중 적어도 하나를 포함할 수 있다. 사용자 단말의 ID는 사용자 단말이 통증 관리 정보를 제공하는 서비스에 가입한 ID일 수 있다. 국제 휴대 전화 식별 번호는 제조사가 단말을 제작할 때 부여하는 15자리 숫자로 된 번호이며, 인증기관 고유 번호, 단말 제조사, 모델명 및 단말 일련번호로 구성될 수 있다.
단계 S320에서, 서버는 사용자 단말로부터 통증과 관련된 정보를 입력하는 사용자 인터페이스를 통해 제1 통증과 관련된 정보를 수신할 수 있다.
여기서, 사용자 인터페이스는 통증과 관련된 정보를 입력받기 위한 정보들을 사용자 단말에 제공할 수 있다.
예를 들어, 사용자 인터페이스는 통증이 발생하는 신체 부위에 대한 이미지 및 각 부위에 대한 명칭을 사용자 단말에게 제공할 수 있다.
예를 들어, 사용자 인터페이스는 통증이 발생하는 복수의 상황에 대한 정보를 사용자 단말에게 제공할 수 있다. 통증이 발생하는 복수의 상황은 통증이 발생하는 자세 또는 동작, 통증이 발생하는 시간을 나타낼 수 있다. 예를 들어, 통증이 발생하는 복수의 상황은 복수의 자세 또는 동작 및 복수의 시간을 통증 부위별로 포함할 수 있다.
예를 들어, 사용자 인터페이스는 통증에 대한 복수의 표현 정보를 사용자 단말에게 제공할 수 있다. 통증에 대한 표현 정보는 통증을 설명하는 표현에 대한 정보이며, 통증 부위별로 통증에 대한 표현이 설정될 수 있다. 예를 들어, 통증에 대한 복수의 표현 정보는 표면 체성 통증(superficial somatic pain)에 대한 표현, 심부 체성 통증(deep somatic pain)에 대한 표현, 내장성 침해수용성 통증(visceral nociceptive pain)에 대한 표현 및 신경성 통증(neuropathic pain)에 대한 표현을 포함할 수 있다. 예를 들어, 체성 통증은 수술 이후의 통증, 근골격계 통증 및 관절염 통증을 포함할 수 있고, 둔하거나 쑤시는 양상에 대한 통증이다. 표면 체성 통증에 대한 표현은 피부, 피하조직 및 점막 등에서 유발되는 통증에 대한 표현을 포함할 수 있다. 심부 체성 통증에 대한 표현은 골막, 인대, 관절막, 건, 근막 및 근육 등에서 유발되는 통증에 대한 표현을 포함할 수 있다. 내장성 침해수용성 통증은 내장 장기의 팽창으로부터 유발되는 통증이다. 내장성 침해수용성 통증에 대한 표현은 위치가 불분명하며, 깊고 쥐어짜는 듯한 통증 또는 경련성의 통증에 대한 표현을 포함할 수 있다. 신경성 통증은 신경계통의 일차적 손상이나 자극 또는 기능장애 때문에 발생되는 통증으로, 신경성 통증에 대한 표현은 화끈거리는 통증, 전기가 오는 듯한 통증, 칼로 베는 듯한 통증에 대한 표현을 포함할 수 있다.
예를 들어, 사용자 인터페이스는 최대 통증 강도에 대한 범위를 사용자 단말에게 제공할 수 있다. 이때, 최대 통증 강도는 사용자에게 발생한 통증의 최대 강도를 나타내며, 0에서 10 사이의 값을 포함할 수 있다. 예를 들어, 사용자 인터페이스는 평균 통증 강도에 대한 범위를 사용자 단말에게 제공할 수 있다. 이때, 평균 통증 강도는 사용자에게 발생한 통증의 평균 강도를 나타내며, 0에서 10 사이의 값을 포함할 수 있다.
예를 들어, 사용자 인터페이스는 통증 빈도 및 통증 기간에 대한 입력 창을 사용자 단말에게 제공할 수 있다. 예를 들어, 통증 빈도는 사전 설정된 기간동안 통증이 발생하는 횟수일 수 있고, 통증 기간은 사용자에게 통증이 최초로 발생한 시점으로부터 현재 시점까지의 기간일 수 있다.
예를 들어, 서버는 사용자 단말의 식별 정보를 통해 사용자 단말을 식별한 후, 사용자 단말에게 통증과 관련된 정보를 입력하는 사용자 인터페이스를 제공할 수 있다.
예를 들어, 제1 통증과 관련된 정보는 사용자 인터페이스를 통해 사용자 단말에 의해 입력된 통증에 대한 정보일 수 있다. 제1 통증과 관련된 정보는 통증 부위에 대한 정보, 통증의 발생 상황에 대한 정보, 통증의 표현에 대한 정보, 최대 통증 강도에 대한 정보, 평균 통증 강도에 대한 정보, 통증 빈도에 대한 정보 및 통증 기간에 대한 정보를 포함할 수 있다.
통증 부위에 대한 정보는 사용자가 통증을 느끼는 신체 부위에 대한 정보이다. 예를 들어, 통증 부위에 대한 정보는 사용자 인터페이스를 통해 사용자 단말에게 제공된 복수의 신체 부위 중에서 사용자 단말에 의해 선택된 신체 부위를 포함할 수 있다.
통증의 발생 상황에 대한 정보는 사용자가 통증을 느끼는 특정 동작 또는 자세 및 특정 시간에 대한 정보이다. 예를 들어, 사용자 인터페이스를 통해 사용자 단말에게 제공된 복수의 상황 중에서 사용자 단말에 의해 선택된 상황을 포함할 수 있다.
통증의 표현에 대한 정보는 통증을 설명하는 표현에 대한 정보이다. 예를 들어, 통증의 표현에 대한 정보는 사용자 인터페이스를 통해 사용자 단말에게 제공된 복수의 표현 중에서 사용자 단말에 의해 선택된 표현을 포함할 수 있다.
최대 통증 강도에 대한 정보는 사용자에게 발생한 최대 강도의 통증을 나타내는 값을 포함할 수 있다. 예를 들어, 최대 통증 강도에 대한 정보는 사용자 인터페이스를 통해 사용자 단말에게 제공된 최대 통증 강도의 범위 중에서 사용자 단말에 의해 선택된 값을 포함할 수 있다. 예를 들어, 제1 통증과 관련된 정보에 포함된 최대 통증 강도를 제1 값으로 지칭할 수 있다.
평균 통증 강도에 대한 정보는 사용자에게 발생한 통증의 평균 강도를 나타내는 값을 포함할 수 있다. 예를 들어, 평균 통증 강도에 대한 정보는 사용자 인터페이스를 통해 사용자 단말에게 제공된 평균 통증 강도의 범위 중에서 사용자 단말에 의해 선택된 값을 포함할 수 있다. 예를 들어, 제1 통증과 관련된 정보에 포함된 평균 통증 강도를 제2 값으로 지칭할 수 있다.
통증 빈도에 대한 정보는 사전 설정된 기간동안 사용자에게 발생한 통증의 빈도 수를 포함할 수 있다. 예를 들어, 통증 빈도에 대한 정보는 사용자 인터페이스를 통해 입력된 통증 빈도에 대한 값을 포함할 수 있다. 예를 들어, 사용자 단말은 일주일동안 5번을 통증 빈도에 대한 값으로 사용자 인터페이스에 입력할 수 있다.
통증 기간에 대한 정보는 사용자에게 통증이 최초로 발생한 시점으로부터 현재 시점까지의 기간일 수 있다. 예를 들어, 통증 기간에 대한 정보는 사용자 인터페이스를 통해 입력된 통증 기간에 대한 값을 포함할 수 있다. 예를 들어, 사용자 단말은 일주일에 대한 값을 사용자 인터페이스에 입력할 수 있다.
예를 들어, 제1 통증과 관련된 정보는 사용자 단말이 의료기관 서버와 연결되기 이전에 사용자 인터페이스를 통해 획득된 정보일 수 있다.
단계 S330에서, 서버는 개인 정보, 스포츠 활동과 관련된 정보 및 제1 통증과 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 가진단 모델을 통해 사용자 단말에 대한 제1 통증 관리 정보를 결정할 수 있다.
통증 관리 정보는 사용자에게 발생한 통증을 관리하기 위한 정보를 나타내며, 예를 들어, 통증 관리 정보는 사용자에 통증을 발생시키는 증상에 대한 명칭, 해당 증상의 진행도, 해당 증상에 대한 관리 방법 및 해당 증상에 대한 권장 검진 날짜를 포함할 수 있다.
예를 들어, 제1 통증 관리 정보는 제1 증상에 대한 명칭, 제1 증상의 진행도, 제1 증상에 대한 관리 방법 및 제1 증상에 대한 권장 검진 날짜를 포함할 수 있다.
예를 들어, 서버는 제1 통증과 관련된 정보에 대한 데이터 전처리를 통해 제1 통증 벡터를 생성할 수 있다. 제1 통증 벡터는 통증 부위와 관련된 값, 통증의 발생 상황과 관련된 값, 통증에 대한 표현과 관련된 값, 최대 통증 강도에 대한 값 및 평균 통증 강도에 대한 값, 통증 빈도에 대한 값 및 통증 기간에 대한 값을 포함할 수 있다.
통증 부위와 관련된 값은 통증이 발생한 신체 부위를 나타내는 값으로, 신체 부위에 매칭되는 값을 포함할 수 있다. 예를 들어, 복수의 신체 부위와 복수의 신체 부위 각각에 매칭되는 값이 서버에 사전 저장될 수 있다. 예를 들어, 통증 부위가 대퇴사두근인 경우, 통증 부위와 관련된 값은 복수의 신체 부위에 매칭되는 값들 중에서 대퇴사두근에 매칭되는 값으로 결정될 수 있다. 통증의 발생 상황과 관련된 값은 통증이 발생하는 상황을 나타내는 값으로, 통증이 발생하는 자세 또는 동작에 대한 값과 통증이 발생하는 시간대에 대한 값을 포함할 수 있다. 예를 들어, 복수의 상황과 복수의 상황 각각에 매칭되는 값이 서버에 사전 저장될 수 있다. 여기서, 복수의 상황은 통증이 발생하는 시간대와 통증이 발생하는 자세 또는 동작의 조합을 포함할 수 있다. 예를 들어, 통증의 발생 상황이 저녁에 계단을 오를 때인 경우, 통증의 발생 상황과 관련된 값은 복수의 상황에 매칭되는 값들 중에서 계단에 오르는 동작 및 저녁에 매칭되는 값으로 결정될 수 있다.
통증에 대한 표현과 관련된 값은 통증을 설명하는 표현을 나타내는 값으로, 특정 표현에 매칭되는 값을 포함할 수 있다. 예를 들어, 복수의 표현과 복수의 표현 각각에 매칭되는 값이 서버에 사전 저장될 수 있다. 예를 들어, 복수의 표현은 표면 체성 통증에 대한 제1 표현, 심부 체성 통증에 대한 제2 표현, 내장성 침해수용성 통증에 대한 제3 표현 및 신경성 통증에 대한 제4 표현을 포함할 수 있다. 이때, 제1 표현 내지 제4 표현은 복수의 세부 표현을 각각 포함할 수 있다. 예를 들어, 통증에 대한 표현과 관련된 값은 제1 표현 내지 제4 표현 중 어느 하나의 표현에 매칭되는 값과 해당 표현에 대한 세부 표현에 매칭되는 값을 포함할 수 있다.
최대 통증 강도에 대한 값은 사용자의 최대 통증 강도를 나타내는 값으로, 0부터 10사이의 값을 가질 수 있다. 평균 통증 강도에 대한 값은 사용자의 평균 통증 강도를 나타내는 값으로, 0부터 10사이의 값을 가질 수 있다.
통증 빈도에 대한 값은 통증의 빈도를 나타내는 값으로, 기준 값과 빈도 값을 포함할 수 있다. 예를 들어, 일주일에 3번 통증을 느끼는 경우, 기준 값은 일주일에 매칭되는 값으로, 빈도 값은 3으로 결정될 수 있다. 통증 기간에 대한 값은 통증의 기간을 나타내는 값으로, 예를 들어, 통증의 기간이 3주일인 경우, 통증 기간에 대한 값은 3주일에 대한 값인 21로 결정될 수 있다.
예를 들어, 서버는 스포츠 활동과 관련된 정보에 대한 데이터 전처리를 통해 활동 벡터를 적어도 하나의 스포츠 종목에 대해 생성할 수 있다. 활동 벡터는 스포츠 종목에 대한 값, 경력에 대한 값, 프로 선수 여부에 대한 값, 포지션과 관련된 값 및 운동량과 관련된 값을 포함할 수 있다.
스포츠 종목에 대한 값은 사용자가 수행하는 스포츠 종목을 나타내는 값으로, 스포츠 종목에 매칭되는 값을 포함할 수 있다. 예를 들어, 복수의 스포츠 종목과 복수의 스포츠 종목 각각에 매칭되는 값이 서버에 사전 저장될 수 있다. 예를 들어, 스포츠 종목이 축구인 경우, 스포츠 종목에 대한 값은 복수의 스포츠 종목에 매칭되는 값들 중에서 축구에 매칭되는 값으로 결정될 수 있다.
경력에 대한 값은 사용자가 스포츠 종목을 수행한 경력을 나타내는 값으로, 예를 들어, 사용자가 스포츠 종목을 수행한 경력이 5년 6개월인 경우, 경력에 대한 값은 5.5로 결정될 수 있다. 즉, 경력에 대한 총 개월 수를 12로 나눈 값으로 결정될 수 있다. 프로 선수 여부에 대한 값은 사용자가 프로 선수인지 여부를 나타내는 값으로, 예를 들어, 사용자가 프로 선수인 경우에는 1 값을 가질 수 있다.
포지션과 관련된 값은 특정 스포츠 종목에서 사용자의 포지션을 나타내는 값일 수 있다. 예를 들어, 복수의 스포츠 종목 각각에 대한 복수의 포지션에 대한 값이 서버에 사전 저장될 수 있다. 예를 들어, 스포츠 종목에 대한 값이 축구이고, 사용자의 포지션이 스트라이커인 경우, 포지션과 관련된 값은 축구에 대한 복수의 포지션에 대한 값 중에서 스트라이커에 대한 값으로 결정될 수 있다. 예를 들어, 포지션이 비존재하는 스포츠 종목인 경우에는 포지션과 관련된 값이 0으로 결정될 수 있다.
운동량과 관련된 값은 사용자의 운동량을 나타내는 값일 수 있다. 예를 들어, 운동량과 관련된 값은 각 요일별 운동 시간에 대한 값을 포함할 수 있다. 예를 들어, 일주일 중에서 월요일, 수요일 및 금요일에 3시간, 4시간, 5시간씩 운동을 수행하는 경우, 운동량과 관련된 값은 [3, 0, 4, 0, 5, 0, 0]으로 결정될 수 있다. 즉, 운동량과 관련된 값은 각 요일에 대한 운동 시간을 벡터로 표현한 값일 수 있다.
예를 들어, 서버는 개인 정보에 대한 데이터 전처리를 통해 신체 벡터를 생성할 수 있다. 신체 벡터는 나이에 대한 값, 성별에 대한 값, 키에 대한 값 및 몸무게에 대한 값 및 과거 부상 이력과 관련된 값을 포함할 수 있다. 과거 부상 이력과 관련된 값은 사용자가 과거에 입은 부상을 나타내는 값일 수 있다. 예를 들어, 과거 부상 이력과 관련된 값은 부상의 종류에 대한 값, 부상을 입은 날짜에 대한 값, 부상을 입은 부위에 대한 값 및 부상 이후 치료 기간에 대한 값을 포함할 수 있다. 부상의 종류에 대한 값은 복수의 증상 중에서 어느 하나의 증상을 나타내는 값일 수 있다. 예를 들어, 복수의 증상에 대한 값은 서버에 사전 저장될 수 있다. 부상을 입은 날짜에 대한 값은 부상을 입은 연월을 나타내는 값이고, 부상 이후 치료 기간에 대한 값은 부상을 치료한 기간을 나타내는 값일 수 있다. 예를 들어, 2019년 5월에 부상을 입고, 2년동안 부상을 치료한 경우, 부상을 입은 날짜에 대한 값 및 부상 이후 치료 기간에 대한 값은 [201905, 2]로 결정될 수 있다. 즉, 부상을 치료한 기간은 총 치료 기간에 해당하는 개월 수를 12로 나눈 값일 수 있다. 부상을 입은 부위에 대한 값은 부상이 발생한 신체 부위를 나타내는 값으로, 신체 부위에 매칭되는 값을 포함할 수 있다.
예를 들어, 서버는 제1 통증 벡터에 포함된 최대 통증 강도에 대한 값을 기본 설정 값 및 제1 통증과 관련된 정보에 포함된 제1 값에 기반하여 결정할 수 있다. 예를 들어, 서버는 제1 통증 벡터에 포함된 평균 통증 강도에 대한 값을 기본 설정 값 및 제1 통증과 관련된 정보에 포함된 제2 값에 기반하여 결정할 수 있다.
여기서, 기본 설정 값은 적어도 하나의 스포츠 종목에 대한 활동 벡터 및 신체 벡터에 매칭된 값으로 결정될 수 있다. 예를 들어, 서버는 기본 설정 값을 n개의 그룹 중에서 스포츠 종목에 대한 활동 벡터 및 신체 벡터에 매칭되는 그룹에 설정된 값으로 결정할 수 있다.
부가적으로, 예를 들어, 서버는 복수의 활동 벡터 및 복수의 신체 벡터에 대한 클러스터링을 통해 n개의 그룹을 결정할 수 있다. 예를 들어, n개의 그룹은, 복수의 활동 벡터 및 복수의 신체 벡터를 기반으로 뉴럴 네트워크를 이용한 클러스터링(clustering) 기법을 통해 사전 결정될 수 있다. 클러스터링은 유사한 속성들을 갖는 데이터를 일정한 수의 군집으로 그룹핑하는 비지도 학습을 지칭할 수 있다. 예를 들어, 복수의 활동 벡터 및 복수의 신체 벡터는 복수의 운동 선수들로부터 수집한 데이터에 기반하여 획득될 수 있다. 즉, 한 명의 운동 선수로부터 수집한 데이터를 통해 하나의 활동 벡터 및 하나의 신체 벡터로 이루어진 하나의 기준 벡터가 생성될 수 있다. 예를 들어, 서버는 하나의 활동 벡터 및 하나의 신체 벡터를 하나의 기준 벡터로 생성하고, 기준 벡터에 대해 다양한 차원 축소 기법을 적용하여 하나의 축소 벡터를 생성할 수 있다. 이를 통해, 서버는 복수의 운동 선수들 각각에 대한 축소 벡터를 생성할 수 있다.
예를 들어, n개의 그룹은 복수의 축소 벡터에 기반하여 DBSCAN(Density-Based Spatial Clustering of Applications with Noise) 기법을 통해 결정될 수 있다. 예를 들어, DBSCAN은 특정 요소(point)가 클러스터에 속하는 경우, 해당 클러스터 내 다른 많은 요소와 가까운 위치에 있어야 하는 것을 전제로 하며, 이러한 계산을 위해 직경(radius)과 최소 요소(minimum points)가 사용될 수 있다. 예를 들어, 직경은 특정 데이터 요소를 기준으로 하는 반경일 수 있고, 이를 밀도 영역(dense area)이라 지칭할 수 있다. 예를 들어, 최소 요소는 핵심 요소(core point)를 지정하기 위해 핵심 요소 주변으로 요소가 몇 개 필요한 지를 나타낼 수 있다. 또한, 데이터 세트의 각 요소는 핵심(core), 경계(border), 이상치 요소(outlier point)로 구분될 수 있다.
예를 들어, 서버는 요소별로 직경의 크기를 체크하고, 주변의 요소가 몇 개 있는지를 탐색할 수 있다. 이후, 서버는 직경의 범위 내에 m개 이상의 요소가 존재하면, 해당 요소를 핵심 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함된 요소를 경계 요소로 결정할 수 있다. 그리고, 서버는 핵심 요소로부터 직경의 범위 내에 포함되지 않은 요소는 이상치 요소로 결정할 수 있고, 상기 이상치 요소는 해당 클러스터에서 제외될 수 있다. 또한, 서버는 핵심 요소들 사이의 거리가 직경보다 작을 경우, 해당 요소들을 동일한 클러스터로 분류할 수 있다.
이를 통해, 서버는 복수의 축소 벡터를 유사도가 높은 축소 벡터로 이루어진 n개의 그룹으로 분류할 수 있다. 이후, 서버는 n개의 그룹마다 각 그룹에 포함된 운동 선수에 매칭되는 통증 정보에 기반하여 기본 설정 값을 결정할 수 있다. 예를 들어, 통증 정보는 의료기관 서버로부터 수신된 정보이며, 사용자가 통증을 인지하는 제1 전류 값에서 사용자가 전류를 인지하는 제2 전류 값을 포함할 수 있다. 여기서, 서버는 제1 전류 값에서 제2 전류 값을 나눈 값을 통증 가중치로 결정할 수 있다. 즉, 각 그룹에 포함된 모든 운동 선수에 대한 통증 가중치를 평균한 값이 해당 그룹에 설정된 값으로 결정될 수 있다.
예를 들어, 서버는 n개의 그룹 중에서 스포츠 종목에 대한 활동 벡터 및 신체 벡터와 가장 유사한 그룹을 결정하고, 해당 그룹에 설정된 값을 제1 통증 벡터를 생성하기 위한 기본 설정 값으로 사용할 수 있다. 여기서, 가장 유사한 그룹은 축소 벡터와 가장 유사도가 높은 그룹일 수 있다. 즉, 가장 유사도가 높은
그룹은 n개의 그룹에 대한 중심 벡터 중에서 사용자 단말에 대해 생성된 축소 벡터와의 거리가 가장 가까운 중심 벡터를 가진 그룹일 수 있다. 여기서, 중심 벡터는 해당 그룹의 축소 벡터들에 대한 무게 중심에 해당하는 벡터일 수 있다. 또한, 예를 들어, 사용자 단말로부터 수신한 스포츠 종목에 대한 활동 벡터가 복수 개인 경우, 가장 높은 순위에 해당하는 활동 벡터를 기준으로 사용자 단말에 대한 복수의 축소 벡터가 생성될 수 있다.
예를 들어, 제1 통증 벡터에 포함된 최대 통증 강도에 대한 값은 기본 설정 값을 제1 통증과 관련된 정보에 포함된 제1 값에 곱한 값으로 결정될 수 있다. 예를 들어, 제1 통증 벡터에 포함된 평균 통증 강도에 대한 값은 기본 설정 값을 제1 통증과 관련된 정보에 포함된 제2 값에 곱한 값으로 결정될 수 있다.
이를 통해, 사용자가 통증을 느끼는 정도가 정량적으로 측정되기 이전에, 사용자와 유사한 그룹에 설정된 통증 가중치의 평균 값을 사용함으로써 보다 효과적으로 통증 벡터를 생성할 수 있다.
예를 들어, 서버는 제1 통증 벡터, 적어도 하나의 스포츠 종목에 대한 활동 벡터 및 신체 벡터를 가진단 모델에 입력시킴으로써, 출력된 제1 증상에 대한 명칭 및 제1 증상의 진행도를 획득할 수 있다.
예를 들어, 제1 뉴럴 네트워크는 제1 입력 레이어, 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 포함할 수 있다. 하나 이상의 제1 히든 레이어는 하나 이상의 컨벌루션 레이어 및 하나 이상의 풀링 레이어를 포함할 수 있다.
예를 들어, 컨벌루션 레이어에서 제1 통증 벡터, 활동 벡터 및 신체 벡터가 필터링될 수 있고, 컨벌루션 레이어를 통해 특징 맵(feature map)이 형성될 수 있다.
예를 들어, 풀링 레이어에서 상기 형성된 특징 맵에 기반하여 차원 축소를 위해 특징과 관련된 고정 벡터를 선별하고, 상기 형성된 특징 맵에서 서브-샘플링을 수행함으로써, 상기 벡터화된 시계열 데이터에서 채색 패턴을 나타내는 특징을 추출할 수 있다. 예를 들어, 풀링 레이어는 가장 큰 값을 추출하는 맥스 풀링 레이어일 수 있다. 예를 들어, 풀링 레이어는 평균 값을 추출하는 평균 풀링 레이어일 수 있다. 예를 들어, 이때, 제1 뉴럴 네트워크의 파라미터는 상기 컨벌루션 레이어 및 상기 풀링 레이어와 관련된 파라미터(특징 맵의 크기, 필터의 크기, 깊이, 스트라이드, 제로 패딩)를 포함할 수 있다.
복수의 통증 벡터, 복수의 활동 벡터, 복수의 신체 벡터, 복수의 정답 증상에 대한 값 및 복수의 정답 증상의 진행도로 구성된 각각의 제1 뉴럴 네트워크의 학습을 위한 데이터는 상기 제1 뉴럴 네트워크의 상기 제1 입력 레이어에 입력되고, 상기 하나 이상의 제1 히든 레이어 및 제1 출력 레이어를 통과하여 제1 출력 벡터를 출력하고, 상기 제1 출력 벡터는 상기 제1 출력 레이어에 연결된 제1 손실함수 레이어에 입력되고, 상기 제1 손실함수 레이어는 상기 제1 출력 벡터와 각각의 학습 데이터에 대한 제1 정답 벡터를 비교하는 제1 손실 함수를 이용하여 제1 손실값을 출력하고, 상기 제1 뉴럴 네트워크의 파라미터가 상기 제1 손실값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 복수의 통증 벡터, 복수의 활동 벡터, 복수의 신체 벡터, 복수의 정답 증상에 대한 값 및 복수의 정답 증상의 진행도는 운동 선수들에 대해 수집된 개인 정보, 스포츠 활동과 관련된 정보, 통증과 관련된 정보 및 진단 정보에 기반하여 사전 획득될 수 있다.
예를 들어, 학습 데이터로 사용되는 하나의 통증 벡터, 하나의 활동 벡터 및 하나의 신체 벡터는 하나의 정답 증상에 대한 값 및 하나의 정답 증상의 진행도와 하나의 세트로 구성될 수 있다. 예를 들어, 복수의 세트가 서버에 사전 저장될 수 있다.
예를 들어, 정답 증상에 대한 값은 의료기관 서버로부터 수신한 해당 운동 선수의 증상에 대한 값일 수 있다. 복수의 증상에 대한 값과 각 증상에 대한 값에 매칭되는 명칭이 서버에 사전 저장될 수 있다. 예를 들어, 정답 증상의 진행도는 해당 증상의 진행 정도를 나타내는 값으로, 0에서 100 사이의 값을 가질 수 있다. 예를 들어, 정답 증상의 진행도는 해당 증상에 대해 의료기관 서버로부터 수신한 진행 단계를 기반으로 결정될 수 있다.
부가적으로, 예를 들어, 정답 증상의 진행도는 하기 수학식 1에 의해 결정될 수 있다.
상기 수학식 1에서, 상기 P는 상기 정답 증상의 진행도이고, 상기 Sp는 해당 운동 선수의 증상에 대한 진행 단계를 나타내는 값이고, 상기 n은 상기 증상에 해당하는 복수의 운동 선수의 수이고, 상기 Imaxi는 해당 증상에 대한 진행 단계에서 상기 i번째 운동 선수의 최대 통증 강도이고, 상기 Imax는 해당 운동 선수의 최대 통증 강도이고, 상기 Iavgi는 해당 증상에 대한 진행 단계에서 i번째 운동 선수의 평균 통증 강도이고, 상기 Iavg는 해당 운동 선수의 평균 통증 강도이고, 상기 w1은 해당 운동 선수의 프로 선수 여부에 대한 가중치이고, 상기 ma는 해당 운동 선수의 총 운동량에 대한 값이고, 상기 mref는 해당 운동 선수의 해당 증상에 대한 진행 단계에 따른 기준 운동량에 대한 값이고, 상기 w2는 해당 운동 선수의 과거 부상 이력과 관련된 가중치이고, 상기 a는 해당 운동 선수의 나이이고, 상기 aref는 기준 나이일 수 있다.
예를 들어, 해당 운동 선수의 해당 증상에 대한 진행 단계를 나타내는 값은 의료기관 서버로부터 수신한 값으로, 초기 단계인 경우에는 1, 중간 단계인 경우에는 2, 만성 단계인 경우에는 3, 심화 단계인 경우에는 4로 나타낼 수 있다. 예를 들어, 최대 통증 강도 및 평균 통증 강도는 후술할 설정 값이 적용된 값일 수 있다. 예를 들어, 증상에 대한 진행 단계에 따른 기준 운동량에 대한 값 및 기준 나이는 증상별로 서버에 사전 저장될 수 있다.
예를 들어, 해당 운동 선수의 프로 선수 여부에 대한 가중치는 프로 선수인 경우에는 1 값을 가질 수 있고, 비프로 선수인 경우에는 0 값을 가질 수 있다.
예를 들어, 해당 운동 선수의 과거 부상 이력과 관련된 가중치는 동일한 신체 부위에 대해 과거 부상 이력이 존재하는 경우에는 1 값을 가질 수 있고, 동일한 신체 부위에 대해 과거 부상 이력이 비존재하는 경우에는 0 값을 가질 수 있다.
이를 통해, 서버는 증상의 진행 단계에 대해 다양한 변수들을 고려하여 운동 선수별로 해당 증상에 대해 적합한 진행도를 결정할 수 있다.
예를 들어, 복수의 증상에 대해 증상의 진행도별 경과 기간이 서버에 사전 설정될 수 있다. 예를 들어, 서버는 제1 증상에 대한 권장 검진 날짜를 현재 날짜로부터 제1 증상에 대한 명칭 및 제1 증상의 진행도에 따라 결정된 경과 기간 이후의 날짜로 결정할 수 있다. 즉, 서버는 제1 증상에 대한 명칭 및 제1 증상의 진행도에 매칭되는 경과 기간을 결정하고, 제1 증상에 대한 권장 검진 날짜를 현재 날짜로부터 경과 기간 이후의 날짜로 결정할 수 있다.
예를 들어, 서버는 제1 증상에 대한 명칭, 제1 증상의 진행도 및 적어도 하나의 스포츠 종목에 대한 활동 벡터에 따라 제1 증상에 대한 관리 방법을 결정할 수 있다.
예를 들어, 서버는 제1 증상에 대한 명칭, 제1 증상의 진행도 및 적어도 하나의 스포츠 종목에 대한 활동 벡터를 기반으로 제1 검색 벡터를 생성할 수 있다. 검색 벡터는 제1 증상에 대한 값, 제1 증상의 진행도에 따른 진행 단계에 대한 값 및 스포츠 종목에 대한 값으로 구성될 수 있다. 예를 들어, 제1 증상에 대한 값은 제1 증상에 대한 명칭에 매칭되는 값일 수 있다. 예를 들어, 제1 증상의 진행도에 따른 진행 단계는 초기 단계, 중간 단계, 만성 단계 및 심화 단계를 포함할 수 있다. 예를 들어, 초기 단계에 해당하는 진행도에 대한 제1 범위, 중간 단계에 대한 제2 범위, 만성 단계에 해당하는 진행도에 대한 제3 범위 및 심화 단계에 해당하는 진행도에 대한 제4 범위가 사전 설정될 수 있다.
예를 들어, 복수의 증상에 대해 증상의 진행도별 관리 방법이 스포츠 종목별로 서버에 사전 저장될 수 있다. 즉, 서버는 하나의 증상에 대해 스포츠 종목별로 증상의 진행 단계에 따른 관리 방법이 저장될 수 있다. 여기서, 관리 방법은 증상을 완화하기 위한 스트레칭 방법, 식단, 휴식 주기, 강화 운동 및 강화 운동에 대한 최소 요구 시간을 포함할 수 있다. 예를 들어, 서버는 복수의 관리 방법 중에서 제1 검색 벡터에 매칭되는 관리 방법을 결정할 수 있다. 예를 들어, 제1 증상이 족저근막염(Plantar Fasciitis)이고, 진행 단계가 초기 단계이고, 스포츠 종목이 축구인 경우, 제1 검색 벡터는 족저근막염에 대한 값, 초기 단계에 대한 값, 축구에 대한 값으로 구성될 수 있다. 이후, 서버는 복수의 관리 방법 중에서 제1 검색 벡터에 매칭되는 관리 방법인 족저근막염의 초기 단계에 따른 축구 선수의 관리 방법을 결정할 수 있다.
단계 S340에서, 서버는 사용자 단말에게 제1 통증 관리 정보를 전송할 수 있다.
단계 S350에서, 서버는 제1 증상의 진행도가 제1 증상에 대한 명칭에 대해 사전 설정된 기준 진행도 이상인 것에 기반하여, 사용자 단말에게 의료기관의 우선 순위에 대한 정보를 요청할 수 있다.
의료기관의 우선 순위에 대한 정보는 사용자 단말이 의료 기관을 선택하는 기준에 대한 우선 순위를 나타내는 정보 및 사용자 단말의 위치 정보를 포함할 수 있다. 예를 들어, 의료기관의 우선 순위에 대한 정보는 진료 비용에 대한 우선 순위, 위치에 대한 우선 순위, 인지도에 대한 우선 순위 및 통증 완화도에 대한 우선 순위, 사용자 단말이 설정한 위치 좌표를 포함할 수 있다. 예를 들어, 의료 기관의 우선 순위에 대한 정보는 [진료 비용에 대한 우선 순위 값, 위치에 대한 우선 순위 값, 인지도에 대한 우선 순위 값, 통증 완화도에 대한 우선 순위 값]로 구성된 우선 순위 벡터와 위치 좌표에 대한 값을 포함할 수 있다. 예를 들어, 진료 비용에 대한 우선 순위, 위치에 대한 우선 순위, 인지도에 대한 우선 순위 및 통증 완화도에 대한 우선 순위가 각각 1순위, 2순위, 3순위 및 4순위인 경우, 우선 순위 벡터는 [1, 2, 3, 4]일 수 있다. 즉, 우선 순위가 높을수록 우선 순위 값은 작은 값으로 설정될 수 있다. 또한, 우선 순위가 동일한 경우에는 동일한 값을 가질 수 있다. 예를 들어, 진료 비용에 대한 우선 순위, 위치에 대한 우선 순위, 인지도에 대한 우선 순위 및 통증 완화도에 대한 우선 순위가 각각 2순위, 2순위, 3순위, 1순위인 경우, 우선 순위 벡터는 [2, 2, 3, 1]일 수 있다. 위치 좌표에 대한 값은 위도에 대한 값 및 경도에 대한 값을 포함할 수 있다. 위도에 대한 값 및 경도에 대한 값의 단위는 라디안일 수 있다. 통증 완화도는 통증이 완화되는 정도를 나타내며, 예를 들어, 통증 완화도는 의료기관을 방문하기 이전의 최대 통증 강도와 의료기관을 방문한 이후의 최대 통증 강도의 감소 값과 의료기관을 방문하기 이전의 평균 통증 강도와 의료기관을 방문한 이후의 평균 통증 강도의 감소 값을 합산한 값일 수 있다.
단계 S360에서, 서버는 사용자 단말로부터 의료기관의 우선 순위에 대한 정보를 수신할 수 있다.
단계 S370에서, 서버는 제1 통증 관리 정보 및 의료기관의 우선 순위에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 의료기관 매칭 모델을 통해 사용자 단말에 대한 추천 의료기관 리스트를 결정할 수 있다.
예를 들어, 서버는 제1 통증 관리 정보에 대한 데이터 전처리를 통해 제1 증상 벡터를 생성할 수 있다. 제1 증상 벡터는 증상에 대한 값, 증상의 진행도 및 권장 검진 날짜에 대한 값을 포함할 수 있다.
예를 들어, 서버는 의료기관의 우선 순위에 대한 정보에 대한 데이터 전처리를 통해 우선 순위 벡터 및 위치 벡터를 생성할 수 있다. 우선 순위 벡터는 비용에 대한 우선 순위 값, 위치에 대한 우선 순위 값, 인지도에 대한 우선 순위 값 및 통증 완화도에 대한 우선 순위 값을 포함할 수 있다. 위치 벡터는 위도에 대한 값 및 경도에 대한 값을 포함할 수 있다.
예를 들어, 제2 뉴럴 네트워크는 제2 입력 레이어, 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 포함할 수 있다. 복수의 증상 벡터, 복수의 우선 순위 벡터, 복수의 위치 벡터, 복수의 의료기관 벡터 및 복수의 정답 매칭 점수로 구성된 각각의 제2 뉴럴 네트워크의 학습을 위한 데이터는 상기 제2 뉴럴 네트워크의 상기 제2 입력 레이어에 입력되고, 상기 하나 이상의 제2 히든 레이어 및 제2 출력 레이어를 통과하여 제2 출력 벡터를 출력하고, 상기 제2 출력 벡터는 상기 제2 출력 레이어에 연결된 제2 손실함수 레이어에 입력되고, 상기 제2 손실함수 레이어는 상기 제2 출력 벡터와 각각의 학습 데이터에 대한 제2 정답 벡터를 비교하는 제2 손실 함수를 이용하여 제2 손실값을 출력하고, 상기 제2 뉴럴 네트워크의 파라미터가 상기 제2 손실값이 작아지는 방향으로 학습될 수 있다.
예를 들어, 복수의 증상 벡터, 복수의 우선 순위 벡터, 복수의 위치 벡터 및 복수의 의료기관 벡터는 사전 수집된 정보일 수 있고, 서버에 저장될 수 있다. 여기서, 의료기관 벡터는 진료 과목과 관련된 값, 전문 진료 분야에 대한 값, 진료 비용에 대한 평균 값, 하루 평균 진료 환자의 수를 의료기관의 면적으로 나눈 값, 통증 완화도에 대한 평균 값, 의료기관의 위치 좌표에 대한 값을 포함할 수 있다.
예를 들어, 학습 데이터로 사용되는 하나의 증상 벡터, 하나의 우선 순위 벡터 및 하나의 위치 벡터는 복수의 의료기관 벡터 각각에 대한 정답 매칭 점수로 구성된 하나의 데이터 세트로 구성될 수 있다. 예를 들어, 복수의 데이터 세트가 서버에 사전 저장될 수 있다.
예를 들어, 제1 증상 벡터, 우선 순위 벡터 및 위치 벡터가 의료기관 매칭 모델에 입력되는 것에 기반하여 복수의 의료기관 각각에 대한 매칭 점수가 출력될 수 있다. 서버는 복수의 의료기관 중에서 매칭 점수가 사전 설정된 점수 이상인 의료기관을 추천 의료기관으로 결정하고, 추천 의료기관 리스트를 결정할 수 있다. 추천 의료기관 리스트는 추천 의료기관에 대한 이름, 주소, 전문 분야 및 연락처를 포함할 수 있다. 예를 들어, 사전 설정된 점수 이상인 의료기관이 존재하지 않는 경우에는 의료기관이 존재할 때까지 사전 설정된 점수를 감소시킬 수 있다.
단계 S380에서, 서버는 추천 의료기관 리스트를 사용자 단말에게 전송할 수 있다.
일 실시예에 따르면, 서버는 사용자 단말과 연결된 의료기관 서버로부터 진단 정보를 수신할 수 있다. 여기서, 의료기관 서버는 사용자가 방문한 의료기관이 환자를 관리하기 위해 사용하는 서버일 수 있다. 예를 들어, 의료 기관 서버는 도 1의 서버(108)를 포함할 수 있다. 진단 정보는 사용자 단말의 사용자를 진단한 정보일 수 있다. 예를 들어, 진단 정보는 진단된 증상의 명칭, 진단된 증상의 진행 단계, 증상을 완화하기 위해 초음파 치료 장치에서 사용자에게 전사한 초음파에 대한 정보 및 통증 측정 장치에 의해 획득된 통증 정보를 포함할 수 있다. 예를 들어, 진단된 증상의 진행 단계는 초기 단계, 중간 단계, 만성 단계 및 심화 단계를 포함할 수 있다.
예를 들어, 주파수 발생 장치는 고주파 음파 파동인 초음파를 사용하여 인체의 조직을 치료하는 장치일 수 있다. 예를 들어, 주파수 발생 장치는 대상자의 증상에 따라 대상자의 인체에 특정 주파수 영역(예: 1MHz 내지 3MHz)의 초음파를 전사시켜 조직 근처의 혈액 순환을 촉진하고, 염증을 감소시켜 조직을 회복시킬 수 있다. 주파수 발생 장치는 도 1의 프로세서, 통신 모듈, 메모리 이외에 초음파를 발생시키는 초음파 발생부 및 발생한 초음파를 인체 내부로 전사시키는 초음파 프로브를 포함할 수 있다. 이때, 주파수 발생 장치는 사용자의 증상을 완화하기 위해 초음파 프로브를 통해 전사한 신체 부위에 대한 정보 및 사용자에게 전사한 초음파에 대한 정보를 의료기관 서버에게 전송할 수 있다. 초음파에 대한 정보는 초음파를 전사한 시간, 출력 강도 및 초당 주파수 값을 포함할 수 있다.
예를 들어, 통증 측정 장치는 통증을 측정하기 위한 대상자에게 소량의 전류를 단계적으로 증가시켜 흐르게 함으로써, 대상자가 통증을 인지하는 전류와 대상자가 감지하는 최소 전류를 측정하는 장치일 수 있다. 예를 들어, 통증 측정 장치는 도 1의 프로세서, 통신 모듈, 메모리 이외에 전류를 발생시키는 전류 발생부 및 전류를 인체 내부로 전달하는 전류 프로브를 포함할 수 있다. 이때, 통증 측정 장치는 사용자에 대해 측정된 통증 정보를 의료기관 서버에게 전송할 수 있다. 예를 들어, 통증 정보는 사용자가 통증을 인지하는 제1 전류 값과 사용자가 전류를 인지하는 제2 전류 값을 포함할 수 있다.
예를 들어, 서버는 사용자 단말로부터 제2 접속 요청 메시지를 수신할 수 있다. 제2 접속 요청 메시지는 개인 정보 및 스포츠 활동과 관련된 정보를 이전에 서버에게 전송한 사용자 단말이 특정 서비스의 이용을 위해 접속을 서버에게 요청하는 메시지일 수 있다. 여기서, 특정 서비스는 통증 관리 정보를 제공하는 서비스일 수 있다. 예를 들어, 제2 접속 요청 메시지는 사용자 단말의 식별 정보를 포함할 수 있다. 또는, 예를 들어, 개인 정보 또는 스포츠 활동과 관련된 정보에 대해 변경 사항이 존재하는 경우, 사용자 단말은 변경된 개인 정보 또는 변경된 스포츠 활동과 관련된 정보를 포함하는 제2 접속 요청 메시지를 서버에게 전송할 수 있다.
예를 들어, 서버는 사용자 단말에게 사용자 인터페이스를 제공할 수 있다. 예를 들어, 서버는 사용자 단말로부터 사용자 인터페이스를 통해 제2 통증과 관련된 정보를 수신할 수 있다. 제2 통증과 관련된 정보는 사용자 인터페이스를 통해 사용자 단말에 의해 입력된 통증에 대한 정보일 수 있다. 제2 통증과 관련된 정보는 통증 부위에 대한 정보, 통증의 발생 상황에 대한 정보, 통증의 표현에 대한 정보, 최대 통증 강도에 대한 정보, 평균 통증 강도에 대한 정보, 통증 빈도에 대한 정보 및 통증 기간에 대한 정보를 포함할 수 있다. 예를 들어, 제2 통증과 관련된 정보에 포함된 최대 통증 강도를 제3 값으로 지칭할 수 있다. 예를 들어, 제2 통증과 관련된 정보에 포함된 평균 통증 강도를 제4 값으로 지칭할 수 있다.
예를 들어, 서버는 개인 정보, 스포츠 활동과 관련된 정보, 진단 정보 및 제2 통증과 관련된 정보를 기반으로 가진단 모델을 통해 사용자 단말에 대한 제2 통증 관리 정보를 결정할 수 있다.
예를 들어, 서버는 진단 정보 및 제2 통증과 관련된 정보에 대한 데이터 전처리를 통해 제2 통증 벡터를 생성할 수 있다. 제2 통증 벡터는 통증 부위와 관련된 값, 통증의 발생 상황과 관련된 값, 통증에 대한 표현과 관련된 값, 최대 통증 강도에 대한 값 및 평균 통증 강도에 대한 값, 통증 빈도에 대한 값 및 통증 기간에 대한 값을 포함할 수 있다. 이때, 제2 통증 벡터에 포함된 최대 통증 강도에 대한 값은 설정 값 및 제2 통증과 관련된 정보에 포함된 제3 값에 기반하여 결정될 수 있다. 또한, 제2 통증 벡터에 포함된 평균 통증 강도에 대한 값은 설정 값 및 제2 통증과 관련된 정보에 포함된 제4 값에 기반하여 결정될 수 있다.
예를 들어, 설정 값은 통증 정보에 기반하여 결정될 수 있다. 구체적으로, 설정 값은 제1 전류 값에서 제2 전류 값을 나눈 값으로, 사용자 단말에 대한 통증 가중치일 수 있다. 여기서, 제1 전류 값 및 제2 전류 값은 사용자 단말에 연결된 의료기관 서버로부터 수신한 통증 정보에 포함된 값들일 수 있다. 예를 들어, 제2 통증 벡터에 포함된 최대 통증 강도에 대한 값은 설정 값을 제2 통증과 관련된 정보에 포함된 제3 값에 곱한 값으로 결정될 수 있다. 예를 들어, 제2 통증 벡터에 포함된 평균 통증 강도에 대한 값은 기본 설정 값을 제2 통증과 관련된 정보에 포함된 제4 값에 곱한 값으로 결정될 수 있다.
이를 통해, 상대적일 수 있는 통증에 대한 강도를 통증 측정 장치를 통해 획득한 정보를 이용하여 객관적으로 결정함으로써, 증상의 진행도를 보다 효과적으로 예측할 수 있다.
예를 들어, 제2 통증 관리 정보는 제2 증상에 대한 명칭, 제2 증상의 진행도, 제2 증상에 대한 관리 방법 및 제2 증상에 대한 권장 검진 날짜를 포함할 수 있다.
예를 들어, 제2 통증 벡터, 적어도 하나의 스포츠 종목에 대한 활동 벡터 및 신체 벡터가 상술한 가진단 모델에 입력되는 것에 기반하여 제2 증상에 대한 명칭 및 제2 증상의 진행도가 출력될 수 있다.
예를 들어, 복수의 증상에 대해 증상의 진행도별 경과 기간이 서버에 사전 설정될 수 있다. 예를 들어, 서버는 제2 증상에 대한 권장 검진 날짜를 현재 날짜로부터 제2 증상에 대한 명칭 및 제2 증상의 진행도에 따라 결정된 경과 기간 이후의 날짜로 결정할 수 있다. 즉, 서버는 제2 증상에 대한 명칭 및 제2 증상의 진행도에 매칭되는 경과 기간을 결정하고, 제2 증상에 대한 권장 검진 날짜를 현재 날짜로부터 경과 기간 이후의 날짜로 결정할 수 있다.
예를 들어, 서버는 제2 증상에 대한 명칭, 제2 증상의 진행도 및 적어도 하나의 스포츠 종목에 대한 활동 벡터에 따라 제2 증상에 대한 관리 방법을 결정할 수 있다. 예를 들어, 서버는 제2 증상에 대한 명칭, 제2 증상의 진행도 및 적어도 하나의 스포츠 종목에 대한 활동 벡터를 기반으로 제2 검색 벡터를 생성할 수 있다. 검색 벡터는 제2 증상에 대한 값, 제2 증상의 진행도에 따른 진행 단계에 대한 값 및 스포츠 종목에 대한 값으로 구성될 수 있다. 예를 들어, 서버는 상술한 복수의 관리 방법 중에서 제2 검색 벡터에 매칭되는 관리 방법을 결정할 수 있다.
예를 들어, 서버는 사용자 단말에게 제2 통증 관리 정보를 전송할 수 있다.
도 4는 일 실시예에 따른 제2 뉴럴 네트워크를 이용하는 의료기관 매칭 모델에 대한 예를 나타낸 도면이다. 도 4의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 의료기관 매칭 모델에 사용되는 제2 뉴럴 네트워크는 제2 입력 레이어(410), 하나 이상의 제2 히든 레이어(420) 및 제2 출력 레이어(430)를 포함할 수 있다.
복수의 증상 벡터, 복수의 우선 순위 벡터, 복수의 위치 벡터, 복수의 의료기관 벡터 및 복수의 정답 매칭 점수로 구성된 각각의 학습 데이터는 제2 입력 레이어(410)에 입력되어 하나 이상의 제2 히든 레이어(420) 및 제2 출력 레이어(430)를 통과하여 제2 출력 벡터로 출력되고, 제2 출력 벡터는 제2 출력 레이어(430)에 연결된 제2 손실함수 레이어에 입력되고, 제2 손실함수 레이어는 제2 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 제2 손실함수를 이용하여 제2 손실 값을 출력하고, 의료기관 매칭 모델에 사용되는 제2 뉴럴 네트워크의 파라미터가 제2 손실 값이 작아지는 방향으로 학습될 수 있다.
여기서, 의료기관 벡터는 진료 과목과 관련된 값, 전문 진료 분야에 대한 값, 진료 비용에 대한 평균 값, 하루 평균 진료 환자의 수를 의료기관의 면적으로 나눈 값, 통증 완화도에 대한 평균 값, 의료기관의 위치 좌표에 대한 값을 포함할 수 있다. 예를 들어, 진료 과목과 관련된 값은 복수의 진료 과목 중에서 적어도 하나의 진료 과목에 대한 값을 포함할 수 있다. 복수의 진료 과목은 내과, 외과, 재활의학과, 통증의학과 등 다양한 진료 과목을 포함할 수 있다. 예를 들어, 복수의 진료 과목 각각에 대한 값이 서버에 사전 저장될 수 있다. 예를 들어, 전문 진료 분야에 대한 값은 해당 의료기관이 전문으로 하는 진료 분야를 나타내는 값일 수 있다. 예를 들어, 복수의 전문 진료 분야 각각에 대한 값이 서버에 사전 저장될 수 있다. 예를 들어, 의료기관이 테니스엘보를 전문으로 치료하는 의료기관인 경우, 전문 진료 분야에 대한 값은 복수의 전문 진료 분야 중에서 테니스엘보에 매칭되는 값으로 결정될 수 있다. 예를 들어, 진료 비용에 대한 평균 값은 해당 의료기관의 평균적인 진료 비용을 포함할 수 있다. 예를 들어, 진료 비용에 대한 평균 값은 해당 의료기관을 사전 설정된 기간동안 방문한 복수의 환자들 각각에 대한 1회 진료 비용을 평균한 값일 수 있다. 예를 들어, 하루 평균 진료 환자의 수를 의료기관의 면적으로 나눈 값은 사전 설정된 기간을 기준으로 결정된 값일 수 있다. 이때, 사전 설정된 기간은 3개월 또는 6개월일 수 있다. 예를 들어, 통증 완화도에 대한 평균 값은 의료기관의 진료 이후 통증이 완화된 정도를 나타내는 값일 수 있다. 사전 설정된 기간동안 해당 의료기관을 방문한 이후 복수의 환자들 각각에 대한 최대 통증 강도의 감소 값 및 평균 통증 강도의 감소 값을 합산한 값을 평균한 값일 수 있다. 의료기관의 위치 좌표에 대한 값은 위도에 대한 값 및 경도에 대한 값을 포함할 수 있다. 위도에 대한 값 및 경도에 대한 값의 단위는 라디안일 수 있다.
부가적으로, 예를 들어, 서버는 정답 매칭 점수를 하기 수학식 2에 의해 결정할 수 있다.
상기 수학식 2에서, 상기 rm은 상기 정답 매칭 점수이고, 상기 k는 복수의 의료기관의 개수이고, 상기 e는 해당 의료기관의 진료 비용에 대한 평균 값이고, 상기 ej는 j번째 의료기관의 진료 비용에 대한 평균 값이고, 상기 distance는 해당 위치 벡터와 해당 의료기관의 위치 좌표에 대한 값 사이의 거리이고, 상기 n은 해당 의료기관의 하루 평균 진료 환자의 수를 해당 의료기관의 면적으로 나눈 값이고, 상기 nj는 j번째 의료기관의 하루 평균 진료 환자의 수를 j번째 의료기관의 면적으로 나눈 값이고, 상기 d는 해당 의료기관의 통증 완화도에 대한 평균 값이고, 상기 dj는 j번째 의료기관의 통증 완화도에 대한 평균 값이고, 상기 r1 내지 r4는 해당 우선 순위 벡터의 첫번째 값부터 네번째 값이고, 상기 sim은 해당 증상 벡터의 증상에 대한 값과 해당 의료기관 벡터의 전문 진료 분야에 대한 값 사이의 유사도일 수 있다.
예를 들어, 해당 증상 벡터의 증상에 대한 값과 해당 의료기관 벡터의 전문 진료 분야에 대한 값 사이의 유사도는 0보다 크고 1 이하의 값일 수 있다.
예를 들어, 복수의 증상 각각에 대해 복수의 전문 진료 분야 사이의 유사도가 서버에 사전 설정될 수 있다. 예를 들어, 증상이 족저근막염인 경우, 전문 진료 분야가 족저근막염인 경우에 유사도는 1로 결정될 수 있고, 전문 진료 분야가 건초염, 발목 인대염, 발가락 건초염, 건전염과 같이 발에 대한 염증과 관련된 전문 진료 분야인 경우에 유사도는 0.8로 결정될 수 있다. 즉, 증상과 관련된 신체 부위와 전문 진료 분야와 관련된 신체 부위 사이의 상대적 거리를 기반으로 유사도의 크기가 결정될 수 있다. 예를 들어, 증상과 관련된 신체 부위와 전문 진료 분야와 관련된 신체 부위가 가까울수록 유사도의 값이 1에 가깝게 결정될 수 있다.
예를 들어, 해당 위치 벡터와 해당 의료기관의 위치 좌표에 대한 값 사이의 거리는 하기 수학식 3을 통해 결정될 수 있다.
상기 수학식 3에서, 상기 distance는 해당 위치 벡터와 해당 의료기관의 위치 좌표에 대한 값 사이의 거리이고, 상기 r은 지구의 반지름이고, 상기 x1은 해당 위치 벡터의 위도에 대한 값이고, 상기 x2는 해당 의료기관의 위치 좌표에 대한 값 중에서 위도에 대한 값이고, 상기 y1은 해당 위치 벡터의 경도에 대한 값이고, 상기 y2는 해당 의료기관의 위치 좌표에 대한 값 중에서 경도에 대한 값일 수 있다.
이를 통해, 서버는 사용자가 의료기관을 선택하는 우선 순위를 고려하여 비용, 거리, 인지도 및 통증 완화도를 기준으로 사용자의 증상을 전문으로 치료하는 의료기관을 사용자 단말에게 추천하도록 의료기관 매칭 모델을 학습시킬 수 있다.
도 5는 일 실시예에 따른 뉴럴 네트워크를 이용하여 서버가 통증 관리 정보를 사용자 단말에게 제공하는 방법에 대한 신호 교환도이다. 도 5의 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 5를 참조하면, 단계 S501에서, 서버는 사용자 단말로부터 개인 정보 및 스포츠 활동과 관련된 정보를 포함하는 제1 접속 요청 메시지를 수신할 수 있다.
예를 들어, 제1 접속 요청 메시지는 개인 정보, 스포츠 활동과 관련된 정보 및 사용자 단말의 식별 정보를 포함할 수 있다.
단계 S502에서, 서버는 사용자 인터페이스를 통해 제1 통증과 관련된 정보를 수신할 수 있다.
예를 들어, 서버는 사용자 단말의 식별 정보를 통해 사용자 단말을 식별한 후, 사용자 인터페이스를 사용자 단말에게 제공할 수 있다.
예를 들어, 제1 통증과 관련된 정보는 통증 부위에 대한 정보, 통증의 발생 상황에 대한 정보, 통증의 표현에 대한 정보, 최대 통증 강도에 대한 정보, 평균 통증 강도에 대한 정보, 통증 빈도에 대한 정보 및 통증 기간에 대한 정보를 포함할 수 있다.
단계 S503에서, 서버는 개인 정보, 스포츠 활동과 관련된 정보 및 제1 통증과 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 가진단 모델을 통해 사용자 단말에 대한 제1 통증 관리 정보를 결정할 수 있다.
예를 들어, 제1 통증 관리 정보는 제1 증상에 대한 명칭, 제1 증상의 진행도, 제1 증상에 대한 관리 방법 및 제1 증상에 대한 권장 검진 날짜를 포함할 수 있다.
단계 S504에서, 서버는 사용자 단말에게 제1 통증 관리 정보를 전송할 수 있다.
단계 S505에서, 서버는 증상의 진행도가 증상에 대한 명칭에 대해 사전 설정된 기준 진행도 이상인 것에 기반하여, 사용자 단말에게 의료기관의 우선 순위에 대한 정보를 요청할 수 있다.
예를 들어, 복수의 증상별로 사전 설정된 기준 진행도가 서버에 저장될 수 있다.
예를 들어, 증상의 진행도가 증상에 대한 명칭에 대해 사전 설정된 기준 진행도 미만인 경우, 서버는 권장 검진 날짜로부터 사전 설정된 기간 이전에 사용자 단말에게 의료기관의 우선 순위에 대한 정보를 요청할 수 있다.
단계 S506에서, 서버는 사용자 단말로부터 의료기관의 우선 순위에 대한 정보를 수신할 수 있다.
예를 들어, 의료 기관의 우선 순위에 대한 정보는 [진료 비용에 대한 우선 순위 값, 위치에 대한 우선 순위 값, 인지도에 대한 우선 순위 값, 통증 완화도에 대한 우선 순위 값]로 구성된 우선 순위 벡터와 위치 좌표에 대한 값을 포함할 수 있다.
단계 S507에서, 서버는 제1 통증 관리 정보 및 의료기관의 우선 순위에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 의료기관 매칭 모델을 통해 사용자 단말에 대한 추천 의료기관 리스트를 결정할 수 있다.
예를 들어, 추천 의료기관 리스트는 추천 의료기관에 대한 이름, 주소, 전문 분야 및 연락처를 포함할 수 있다.
단계 S508에서, 서버는 추천 의료기관 리스트를 사용자 단말에게 전송할 수 있다.
단계 S509에서, 사용자 단말은 의료기관 서버와 연결을 확립할 수 있다.
예를 들어, 사용자 단말은 의료기관 서버에 사용자 단말의 식별 정보가 포함된 연결 요청 메시지를 전송하고, 의료기관 서버는 사용자 단말의 식별 정보에 따라 사용자 단말의 연결을 허용할 수 있다. 이후, 사용자 단말은 의료기관 서버와 연결을 확립할 수 있다.
예를 들어, 사용자 단말은 연결이 확립된 의료기관 서버에 대한 식별 정보를 서버에게 전송할 수 있다. 의료기관 서버에 대한 식별 정보는 의료기관의 명칭 및 의료기관의 주소를 포함할 수 있다.
단계 S510에서, 서버는 의료기관 서버로부터 사용자 단말에 대한 진단 정보를 수신할 수 있다.
예를 들어, 사용자 단말과 연결이 확립된 의료기관 서버는 사용자 단말에 대한 진단 정보를 서버에게 전송할 수 있다.
예를 들어, 진단 정보는 진단된 증상의 명칭, 진단된 증상의 진행 단계, 증상을 완화하기 위해 초음파 치료 장치에서 사용자에게 전사한 초음파에 대한 정보 및 통증 측정 장치에 의해 획득된 통증 정보를 포함할 수 있다.
단계 S511에서, 서버는 사용자 단말로부터 제2 접속 요청 메시지를 수신할 수 있다.
예를 들어, 제2 접속 요청 메시지는 사용자 단말의 식별 정보를 포함할 수 있다.
예를 들어, 개인 정보 또는 스포츠 활동과 관련된 정보에 대해 변경 사항이 존재하는 경우, 사용자 단말은 변경된 개인 정보 또는 변경된 스포츠 활동과 관련된 정보를 포함하는 제2 접속 요청 메시지를 서버에게 전송할 수 있다.
단계 S512에서, 서버는 사용자 단말로부터 사용자 인터페이스를 통해 제2 통증과 관련된 정보를 수신할 수 있다.
예를 들어, 제2 통증과 관련된 정보는 통증 부위에 대한 정보, 통증의 발생 상황에 대한 정보, 통증의 표현에 대한 정보, 최대 통증 강도에 대한 정보, 평균 통증 강도에 대한 정보, 통증 빈도에 대한 정보 및 통증 기간에 대한 정보를 포함할 수 있다.
단계 S513에서, 서버는 개인 정보, 스포츠 활동과 관련된 정보, 진단 정보 및 제2 통증과 관련된 정보를 기반으로 가진단 모델을 통해 사용자 단말에 대한 제2 통증 관리 정보를 결정할 수 있다.
예를 들어, 제2 통증 관리 정보는 제2 증상에 대한 명칭, 제2 증상의 진행도, 제2 증상에 대한 관리 방법 및 제2 증상에 대한 권장 검진 날짜를 포함할 수 있다.
단계 S514에서, 서버는 사용자 단말에게 제2 통증 관리 정보를 전송할 수 있다.
단계 S515에서, 서버는 사용자 단말에게 보고 메시지를 전송할 수 있다.
보고 메시지는 사용자 단말에게 전송한 복수의 통증 관리 정보에 대한 통계를 보고하는 메시지일 수 있다. 예를 들어, 보고 메시지는 주기적으로 사용자 단말에게 전송될 수 있다.
예를 들어, 보고 메시지는 진행도에 대한 이력, 최대 통증 강도에 대한 이력 및 평균 통증 강도에 대한 이력을 증상별로 포함할 수 있다. 예를 들어, 보고 메시지는 진행도에 대한 이력, 최대 통증 강도에 대한 이력 및 평균 통증 강도에 대한 이력을 사용자 단말에게 전송된 증상의 명칭별로 포함할 수 있다.
부가적으로, 예를 들어, 보고 메시지는 사용자 단말에게 전송된 증상의 명칭별로 진행도에 대한 제1 예측 값, 최대 통증 강도에 대한 제2 예측 값 및 평균 통증 강도에 대한 제3 예측 값을 포함할 수 있다. 예를 들어, 제1 예측 값 내지 제3 예측 값은 다변량 LSTM(long short term memory networks) 모델을 사용하는 증상 예측 모델을 통해 결정될 수 있다. 일반적으로 RNN(recurrent neural network)은 내부에 저장된 기존 입력에 대한 히든 레이어 값이 다음 입력 값에 대한 출력에서 고려되기 때문에, 시계열적 정보를 효과적으로 모델링할 수 있다. 그러나, RNN은 과거 관측 값에 의존하는 구조이므로, 기울기가 소실(vanishing gradient)되거나 기울기가 매우 큰 값(exploding gradient)을 가지게 되는 문제가 발생할 수 있다. 이를 해결하기 위한 모델이 LSTM이며, LSTM 내부의 노드는 메모리 셀로 대체함으로써, 정보를 축적하거나 과거 정보의 일부를 삭제가 가능하며, 상기 RNN의 문제를 보완할 수 있다. 예를 들어, 증상 예측 모델은 제3 입력 레이어, 하나 이상의 제3 히든 레이어 및 제3 출력 레이어를 포함할 수 있다. 하나 이상의 제3 히든 레이어는 하나 이상의 LSTM 블록을 포함하고, 하나의 LSTM 블록은 메모리 셀(memory cell), 입력 게이트(input gate), 삭제 게이트(forget gate), 출력 게이트(output gate)를 포함할 수 있다. 예를 들어, 상기 메모리 셀은 활성화 함수를 통해 결과를 출력하는 노드이며, 상기 메모리 셀은 바로 이전 시점에서의 메모리 셀에서 출력된 값을 현재 시점에서 자신의 입력으로 사용하는 재귀적 동작을 수행할 수 있다. 예를 들어, 현재 시점이 t인 경우, 현재 시점 t에서 메모리 셀에 의해 출력되는 값은 과거의 메모리 셀들의 값에 영향을 받을 수 있다. 메모리 셀은 셀 스테이트(Ct) 값과 히든 스테이트(ht) 값을 출력할 수 있다. 즉, 메모리 셀은 t-1 시점의 메모리 셀이 전달한 셀 스테이트 값(Ct-1) 및 히든 스테이트 값(ht-1)을 t 시점의 셀 스테이트 값과 히든 스테이트 값을 계산하기 위한 입력 값으로 사용할 수 있다. 예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트는 모두 시그모이드 레이어를 포함하고, 시그모이드 레이어를 통해 입력된 정보가 얼마만큼 전달되는지를 나타낼 수 있다. 예를 들어, 시그모이드 레이어는 시그모이드 함수()가 활성화 함수인 레이어일 수 있다. 또한, 예를 들어, 입력 게이트, 삭제 게이트 및 출력 게이트를 통해 셀 스테이트가 제어되고, 각 게이트와 입력에 따른 가중치들이 존재할 수 있다.
예를 들어, 통증 관리 정보에 대한 데이터 전처리를 통해 증상 벡터가 생성될 수 있다. 여기서, 증상 벡터는 증상에 대한 값 및 증상의 진행도에 대한 값을 포함할 수 있다. 예를 들어, 사용자 단말에 대한 통증 벡터 및 증상 벡터가 상기 제3 입력 레이어에 입력되고, 상기 삭제 게이트는 사용자 단말에 대한 통증 벡터 및 증상 벡터를 기반으로 생성된 ht-1(t-1 시점의 히든 스테이트)과 xt(t 시점의 입력 값)를 기반으로 0과 1 사이의 값을 Ct-1로 전달할 수 있다. 여기서, 0과 1사이의 값은 삭제 과정을 거친 정보의 양이며, 0에 가까울수록 정보가 많이 삭제되고, 1에 가까울수록 온전한 정보가 전달될 수 있다. 예를 들어, 상기 입력 게이트는 시그모이드 레이어를 통해 업데이트할 값을 결정하고, tanh 레이어가 새로운 후보 값들인 Ct 벡터를 생성하고, 셀 스테이트에 저장시킬 수 있다. 예를 들어, 과거 셀 스테이트인 Ct-1가 업데이트됨으로써, 새로운 셀 스테이트인 Ct가 생성될 수 있다. 즉, 셀 스테이트에 대해 시그모이드 함수를 가중치와 바이어스의 합에 적용한 값을 셀 스테이트에 곱하여 정보가 삭제되고, 업데이트 값을 스케일한 값이 추가될 수 있다. 예를 들어, tanh는 비선형 활성화 함수(하이퍼볼릭 탄젠트 함수)를 의미한다. 예를 들어, 출력 게이트는 시그모이드 레이어에서 사용자 단말에 대한 통증 벡터 및 증상 벡터에 기반하여 출력할 셀 스테이트의 부분을 결정할 수 있고, 출력 게이트는 상기 시그모이드 레이어에서 결정된 셀 스테이트를 tanh 레이어를 통해 -1에서 1 사이의 값으로 출력된 값과 곱할 수 있다.
이러한 과정을 통해, 증상 예측 모델은 복수의 사용자 단말에 대한 복수의 통증 벡터 및 복수의 증상 벡터를 학습함으로써, 향후 증상의 진행도, 최대 통증 강도 및 평균 통증 강도를 예측할 수 있다. 예를 들어, 서버는 사용자 단말에 대한 복수의 통증 벡터 및 복수의 증상 벡터를 증상 예측 모델에 입력시킴으로써, 제1 예측 값 내지 제3 예측 값을 획득할 수 있다.
따라서, 서버는 다변량 LSTM 모델의 사용함으로써, 진행도의 변화량, 최대 통증 강도의 변화량 및 평균 통증 강도의 변화량을 고려하여 증상별로 해당 증상에 대한 예측 값들을 결정할 수 있다.
일 실시예에 따르면, 사용자 단말과 연결이 확립된 의료기관 서버가 이전에 연결이 확립된 의료기관과 상이한 경우, 서버는 새롭게 사용자 단말과 연결이 확립된 의료기관 서버에게 이전에 연결이 확립된 의료기관 서버로부터 수신한 진단 정보를 전송할 수 있다.
일 실시예에 따르면, 서버는 복수의 의약품에 대한 정보 중에서 스포츠 활동과 관련된 정보 및 제2 통증 관리 정보에 기반하여 매칭되는 의약품에 대한 정보를 결정할 수 있다. 서버는 매칭된 의약품에 대한 정보를 사용자 단말에게 전송할 수 있다. 의약품에 대한 정보는 의약품의 명칭과 제조 회사의 명칭 및 권장 복용량을 포함할 수 있다. 예를 들어, 서버는 매칭된 의약품에 대한 정보에 기반하여 사용자 단말에게 추천 의약품 리스트를 전송할 수 있다. 추천 의약품 리스트는 스포츠 종목에 대한 값, 운동량과 관련된 값, 제2 증상에 대한 명칭 및 제2 증상의 진행도에 따라 매칭된 적어도 하나의 의약품에 대한 정보를 포함할 수 있다. 예를 들어, 스포츠 종목에 대한 값, 운동량과 관련된 값, 증상에 대한 명칭 및 증상의 진행도의 조합별로 의약품에 대한 정보가 서버에 사전 저장될 수 있다. 즉, 스포츠 종목에 대한 값, 운동량과 관련된 값, 증상에 대한 명칭 및 증상의 진행도의 조합과 해당 조합에 따라 권장되는 의약품의 매칭 관계가 서버에 사전 저장될 수 있다. 예를 들어, 증상에 대한 명칭 및 증상의 진행도가 동일하지만, 스포츠 종목에 대한 값 및 운동량과 관련된 값이 상이한 경우, 권장되는 의약품의 종류가 상이할 수 있다.
도 6은 일 실시예에 따른 서버의 구성을 나타내는 블록도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6에 도시된 바와 같이, 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630)를 포함할 수 있다. 그러나, 도 6에 도시된 구성 요소 모두가 서버(600)의 필수 구성 요소인 것은 아니다. 도 6에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(600)가 구현될 수도 있고, 도 6에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(600)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 서버(600)는 프로세서(610), 통신부(620) 및 메모리(630) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(610)는, 통상적으로 서버(600)의 전반적인 동작을 제어한다. 프로세서(610)는 하나 이상의 프로세서를 구비하여, 서버(600)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(610)는, 메모리(630)에 저장된 프로그램들을 실행함으로써, 통신부(620) 및 메모리(630) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(610)는 메모리(630)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 5에 기재된 서버(600)의 기능을 수행할 수 있다.
통신부(620)는, 서버(600)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 서버(600)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(620)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(620)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(620)는 프로세서(610)에서 생성된 정보를 서버와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(620)는 서버와 연결된 적어도 하나의 장치로부터 정보를 수신할 수 있다. 통신부(620)는 적어도 하나의 장치로부터 수신한 정보에 대응하여, 수신한 정보와 관련된 정보를 전송할 수 있다.
메모리(630)는, 프로세서(610)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(630)는 서버에 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(630)는 프로세서(610)에서 생성된 데이터를 저장할 수 있다. 메모리(630)는 서버(600)로 입력되거나 서버(600)로부터 출력되는 정보를 저장할 수도 있다.
메모리(630)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (5)

  1. 뉴럴 네트워크(neural network)를 이용하여 서버가 통증 관리 정보를 사용자 단말에게 제공하는 방법에 있어서,
    상기 사용자 단말로부터 개인 정보 및 스포츠 활동과 관련된 정보를 포함하는 제1 접속 요청 메시지를 수신하는 단계;
    상기 사용자 단말로부터 통증과 관련된 정보를 입력하는 사용자 인터페이스를 통해 제1 통증과 관련된 정보를 수신하는 단계;
    상기 개인 정보, 상기 스포츠 활동과 관련된 정보 및 상기 제1 통증과 관련된 정보를 기반으로 제1 뉴럴 네트워크를 이용하는 가진단 모델을 통해 상기 사용자 단말에 대한 제1 통증 관리 정보를 결정하는 단계;
    상기 제1 통증 관리 정보는 제1 증상에 대한 명칭, 제1 증상의 진행도, 제1 증상에 대한 관리 방법 및 제1 증상에 대한 권장 검진 날짜를 포함하고,
    상기 사용자 단말에게 상기 제1 통증 관리 정보를 전송하는 단계;
    상기 제1 증상의 진행도가 상기 제1 증상에 대한 명칭에 대해 사전 설정된 기준 진행도 이상인 것에 기반하여, 상기 사용자 단말에게 의료기관의 우선 순위에 대한 정보를 요청하는 단계;
    상기 사용자 단말로부터 상기 의료기관의 우선 순위에 대한 정보를 수신하는 단계;
    상기 제1 통증 관리 정보 및 상기 의료기관의 우선 순위에 대한 정보에 기반하여 제2 뉴럴 네트워크를 이용하는 의료기관 매칭 모델을 통해 상기 사용자 단말에 대한 추천 의료기관 리스트를 결정하는 단계; 및
    상기 추천 의료기관 리스트에 대한 정보를 상기 사용자 단말에게 전송하는 단계를 포함하고,
    상기 제1 통증과 관련된 정보에 대한 데이터 전처리를 통해 제1 통증 벡터가 생성되고,
    상기 제1 통증 벡터는 통증 부위와 관련된 값, 통증의 발생 상황과 관련된 값, 통증에 대한 표현과 관련된 값, 최대 통증 강도에 대한 값 및 평균 통증 강도에 대한 값, 통증 빈도에 대한 값 및 통증 기간에 대한 값을 포함하고,
    상기 제1 통증 벡터에 포함된 상기 최대 통증 강도에 대한 값은 기본 설정 값 및 상기 제1 통증과 관련된 정보에 포함된 제1 값에 기반하여 결정되고,
    상기 제1 통증 벡터에 포함된 상기 평균 통증 강도에 대한 값은 상기 기본 설정 값 및 상기 제1 통증과 관련된 정보에 포함된 제2 값에 기반하여 결정되고,
    상기 스포츠 활동과 관련된 정보에 대한 데이터 전처리를 통해 활동 벡터가 적어도 하나의 스포츠 종목에 대해 생성되고,
    상기 활동 벡터는 스포츠 종목에 대한 값, 경력에 대한 값, 프로 선수 여부에 대한 값, 포지션과 관련된 값 및 운동량과 관련된 값을 포함하고,
    상기 개인 정보에 대한 데이터 전처리를 통해 신체 벡터가 생성되고,
    상기 신체 벡터는 나이에 대한 값, 성별에 대한 값, 키에 대한 값 및 몸무게에 대한 값 및 과거 부상 이력과 관련된 값을 포함하고,
    상기 기본 설정 값이 상기 적어도 하나의 스포츠 종목에 대한 활동 벡터 및 상기 신체 벡터에 매칭된 값으로 결정되고,
    상기 제1 통증 벡터, 상기 적어도 하나의 스포츠 종목에 대한 활동 벡터 및 상기 신체 벡터가 상기 가진단 모델에 입력되는 것에 기반하여 상기 제1 증상에 대한 명칭 및 상기 제1 증상의 진행도가 출력되고,
    상기 제1 증상에 대한 명칭 및 상기 제1 증상의 진행도에 따라 상기 제1 증상에 대한 권장 검진 날짜가 결정되고,
    상기 제1 증상에 대한 명칭, 상기 제1 증상의 진행도, 상기 적어도 하나의 스포츠 종목에 대한 활동 벡터에 따라 상기 제1 증상에 대한 관리 방법이 결정되는,
    방법.
  2. 삭제
  3. 제 1항에 있어서,
    상기 제1 통증 관리 정보에 대한 데이터 전처리를 통해 제1 증상 벡터가 생성되고,
    상기 제1 증상 벡터는 증상에 대한 값, 증상의 진행도 및 권장 검진 날짜에 대한 값을 포함하고,
    상기 의료기관의 우선 순위에 대한 정보에 대한 데이터 전처리를 통해 우선 순위 벡터 및 위치 벡터가 생성되고,
    상기 우선 순위 벡터는 비용에 대한 우선 순위 값, 위치에 대한 우선 순위 값, 인지도에 대한 우선 순위 값 및 통증 완화도에 대한 우선 순위 값을 포함하고,
    상기 위치 벡터는 위도에 대한 값 및 경도에 대한 값을 포함하고,
    상기 제1 증상 벡터, 상기 우선 순위 벡터 및 상기 위치 벡터가 상기 의료기관 매칭 모델에 입력되는 것에 기반하여 복수의 의료기관 각각에 대한 매칭 점수가 출력되고,
    상기 복수의 의료기관 중에서 상기 매칭 점수가 사전 설정된 점수 이상인 의료기관이 추천 의료기관으로 결정되는,
    방법.
  4. 제 1항에 있어서,
    상기 사용자 단말과 연결된 의료기관 서버로부터 진단 정보를 수신하는 단계;
    상기 진단 정보는 진단된 증상의 명칭, 진단된 증상의 진행 단계, 증상을 완화하기 위해 초음파 치료 장치에서 사용자에게 전사한 초음파에 대한 정보 및 통증 측정 장치에 의해 획득된 통증 정보를 포함하고,
    상기 사용자 단말로부터 제2 접속 요청 메시지를 수신하는 단계;
    상기 사용자 단말로부터 상기 사용자 인터페이스를 통해 제2 통증과 관련된 정보를 수신하는 단계;
    상기 개인 정보, 상기 스포츠 활동과 관련된 정보, 상기 진단 정보 및 상기 제2 통증과 관련된 정보를 기반으로 상기 가진단 모델을 통해 상기 사용자 단말에 대한 제2 통증 관리 정보를 결정하는 단계; 및
    상기 사용자 단말에게 제2 통증 관리 정보를 전송하는 단계를 더 포함하는,
    방법.
  5. 제 4항에 있어서,
    상기 진단 정보 및 상기 제2 통증과 관련된 정보에 대한 데이터 전처리를 통해 제2 통증 벡터가 생성되고,
    상기 제2 통증 벡터는 통증 부위와 관련된 값, 통증의 발생 상황과 관련된 값, 통증에 대한 표현과 관련된 값, 최대 통증 강도에 대한 값 및 평균 통증 강도에 대한 값, 통증 빈도에 대한 값 및 통증 기간에 대한 값을 포함하고,
    상기 제2 통증 벡터에 포함된 상기 최대 통증 강도에 대한 값은 설정 값 및 상기 제2 통증과 관련된 정보에 포함된 제3 값에 기반하여 결정되고,
    상기 제2 통증 벡터에 포함된 상기 평균 통증 강도에 대한 값은 상기 설정 값 및 상기 제2 통증과 관련된 정보에 포함된 제4 값에 기반하여 결정되고,
    상기 설정 값은 상기 통증 정보에 기반하여 결정되고,
    상기 제2 통증 벡터, 상기 적어도 하나의 스포츠 종목에 대한 활동 벡터 및 상기 신체 벡터가 상기 가진단 모델에 입력되는 것에 기반하여 제2 증상에 대한 명칭 및 상기 제2 증상의 진행도가 출력되고,
    상기 제2 증상에 대한 명칭 및 상기 제2 증상의 진행도에 따라 상기 제2 증상에 대한 권장 검진 날짜가 결정되고,
    상기 제2 증상에 대한 명칭, 상기 제2 증상의 진행도, 상기 적어도 하나의 스포츠 종목에 대한 활동 벡터에 따라 상기 제2 증상에 대한 관리 방법이 결정되는,
    방법.
KR1020230110428A 2023-08-23 2023-08-23 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치 KR102631687B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230110428A KR102631687B1 (ko) 2023-08-23 2023-08-23 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230110428A KR102631687B1 (ko) 2023-08-23 2023-08-23 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102631687B1 true KR102631687B1 (ko) 2024-01-31

Family

ID=89717258

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230110428A KR102631687B1 (ko) 2023-08-23 2023-08-23 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102631687B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190090650A (ko) * 2018-01-25 2019-08-02 주식회사 오션아이 통증 관리 방법 및 장치
WO2019245857A1 (en) * 2018-06-19 2019-12-26 Tornier, Inc. Neural network for diagnosis of shoulder condition
KR20200019548A (ko) * 2018-11-26 2020-02-24 머스트무브 주식회사 운동 추천 방법
KR20200106696A (ko) * 2019-03-05 2020-09-15 (주)비바이노베이션 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치
KR20200143156A (ko) * 2019-06-14 2020-12-23 주식회사 파미니티 인공지능을 이용하여 예측한 질병, 증상 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 시스템 및 장치
KR20220030482A (ko) * 2020-09-02 2022-03-11 이종민 클라우드 기반의 통증 진단 시스템 및 방법
KR20220135427A (ko) * 2021-03-30 2022-10-07 주식회사 잇다헬스케어 사용자 건강정보를 고려한 해결책 추천 서버 및 그것의 동작방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190090650A (ko) * 2018-01-25 2019-08-02 주식회사 오션아이 통증 관리 방법 및 장치
WO2019245857A1 (en) * 2018-06-19 2019-12-26 Tornier, Inc. Neural network for diagnosis of shoulder condition
KR20200019548A (ko) * 2018-11-26 2020-02-24 머스트무브 주식회사 운동 추천 방법
KR20200106696A (ko) * 2019-03-05 2020-09-15 (주)비바이노베이션 빅데이터 분석 및 인공지능 문진을 통한 질병 예측 정보 제공 장치
KR20200143156A (ko) * 2019-06-14 2020-12-23 주식회사 파미니티 인공지능을 이용하여 예측한 질병, 증상 발생 가능성에 따른 맞춤형 의료 정보를 제공하는 시스템 및 장치
KR20220030482A (ko) * 2020-09-02 2022-03-11 이종민 클라우드 기반의 통증 진단 시스템 및 방법
KR20220135427A (ko) * 2021-03-30 2022-10-07 주식회사 잇다헬스케어 사용자 건강정보를 고려한 해결책 추천 서버 및 그것의 동작방법

Similar Documents

Publication Publication Date Title
US20220270738A1 (en) Computerized systems and methods for military operations where sensitive information is securely transmitted to assigned users based on ai/ml determinations of user capabilities
JP6640913B2 (ja) エネルギーベース療法デバイスのパーソナライズされた画像ベースのガイダンス
US20220314068A1 (en) Pelvic Floor Muscle Training Device and Method Thereof
US20160243358A1 (en) Topical Nerve Stimulator and Sensor for Control of Autonomic Function
Wang et al. Analysis of real‐time heartbeat monitoring using wearable device Internet of Things system in sports environment
Xu et al. Personalized active learning for activity classification using wireless wearable sensors
CN108565001A (zh) 运动方法、装置及计算机可读存储介质
WO2016137926A1 (en) Topical nerve stimulator and sensor for control of autonomic function
US20240145088A1 (en) Artificial intelligence-based personalized health maintenance system to generate digital therapeutic environment for multi-modal therapy
KR102631687B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 통증 관리 정보를 제공하는 방법 및 장치
KR20200109719A (ko) 클라우드 기반 암 재활환자 통합 케어 서비스 제공 방법
Chen [Retracted] Research on Intelligent Bodybuilding System Based on Machine Learning
Capecci et al. Collaborative design of a telerehabilitation system enabling virtual second opinion based on fuzzy logic
CN106845077A (zh) 一种远程医疗系统参数配置系统
US20220351856A1 (en) Electronic device and operating method for determining panic disorder
KR102384892B1 (ko) 뉴럴 네트워크를 이용한 기부 컨텐츠 추천 방법 및 장치
KR102569889B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 건강기능식품에 대한 추천 정보를 제공하는 방법 및 장치
US20160243356A1 (en) Topical Nerve Stimulator and Sensor for Sexual Function
KR102602130B1 (ko) 뉴럴 네트워크를 이용하여 사용자 단말에게 채색용도안을 제공하는 방법 및 장치
KR102653940B1 (ko) 사용자의 수면 상태를 기초로 뉴럴 네트워크를 이용하여 가습 장치를 조정하는 방법 및 시스템
KR102596451B1 (ko) 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치
Zheng The Digital Twin in Human Activities: The Personal Digital Twin
KR102670133B1 (ko) 뉴럴 네트워크를 이용하여 온라인 및 오프라인을 통합하는 골프 대회를 운영하는 방법 및 장치
Rawashdeh et al. A multimedia cloud-based framework for constant monitoring on obese patients
US11881315B1 (en) Sensor-based leading indicators in a personal area network; systems, methods, and apparatus

Legal Events

Date Code Title Description
A107 Divisional application of patent
GRNT Written decision to grant