KR102640995B1 - 혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치 - Google Patents

혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치 Download PDF

Info

Publication number
KR102640995B1
KR102640995B1 KR1020230012383A KR20230012383A KR102640995B1 KR 102640995 B1 KR102640995 B1 KR 102640995B1 KR 1020230012383 A KR1020230012383 A KR 1020230012383A KR 20230012383 A KR20230012383 A KR 20230012383A KR 102640995 B1 KR102640995 B1 KR 102640995B1
Authority
KR
South Korea
Prior art keywords
blood sugar
data
weight change
user
information
Prior art date
Application number
KR1020230012383A
Other languages
English (en)
Inventor
김양석
Original Assignee
주식회사 유투메드텍
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 유투메드텍 filed Critical 주식회사 유투메드텍
Application granted granted Critical
Publication of KR102640995B1 publication Critical patent/KR102640995B1/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
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • A61B5/4872—Body fat
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Emergency Medicine (AREA)
  • Optics & Photonics (AREA)
  • Nutrition Science (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)

Abstract

본 개시의 기술적 사상에 의한 일 양태에 따른 혈당 데이터를 이용한 체중 변화 예측 방법은, 사용자의 혈당 데이터 및 체중 데이터를 포함하는 모델 학습용 데이터를 획득하는 단계, 획득된 모델 학습용 데이터에 기초하여, 소정 구간의 혈당 특성 정보 및 체중 변화량 정보를 포함하는 분석 결과를 획득하는 단계, 획득된 분석 결과에 기초하여, 상기 사용자에 대한 머신러닝 기반의 체중 변화 예측 모델을 획득하는 단계, 및 획득된 체중 변화 예측 모델을 이용하여, 상기 사용자의 체중 예측 변화량을 포함하는 정보를 제공하는 단계를 포함한다.

Description

혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치 {METHOD AND APPARATUS FOR PREDICTING WEIGHT CHANGE BASED ON ARTIFICIAL INTELLIGENCE USING BLOOD GLUCOSE DATA}
본 개시(disclosure)의 기술적 사상은 사용자의 체중 변화 예측 장치 및 방법에 관한 것으로, 특히 사용자의 혈당 데이터 등을 이용하여 인공지능 기반의 체중 변화 예측 모델을 획득하고, 획득한 예측 모델을 기초로 사용자의 체중 변화를 예측하는 방법 및 장치에 관한 것이다.
비만은 체내에 지방조직이 과다하게 축적된 상태를 이르는 것으로서, 최근 현대인들의 운동 부족, 스트레스, 동물성 식품의 섭취 증가 등에 의해 유병률이 증가하고 있다. 이러한 비만은 당뇨, 심장 질환, 고혈압 등의 각종 질병을 유발하는 하나의 원인으로서, 비만 자체가 치명적인 질병이라는 인식이 점차 확산되고 있다. 이에 따라, 사회 전반에 걸쳐 체중관리에 대한 관심이나 노력이 고조되고 있으며, 식이요법이나 운동을 통한 관리, 다이어트 식품의 섭취, 지방 분해나 흡입 시술 등의 다양한 체중 관리 방법들이 등장하고 있다.
다만, 종래의 체중 관리 방법들은 과도한 비용이 발생하거나 과학적으로 충분히 증명되지 못하여 부작용과 같은 위험을 초래할 수 있으며, 특히 개인의 생체 특성 등에 따라 편차가 크게 발생할 수 있다는 문제를 갖는다. 즉, 개인별로 보다 효과적인 체중 관리를 위해서는, 개인별로 어떠한 생활 습관이나 생체 특성이 체중 관리에 영향을 미치는지를 확인하는 것이 중요할 수 있다.
한편, 근래에는 사용자의 혈당 측정 시 신체 일부에 기기가 부착되어 주기적 또는 연속적으로 혈당을 측정하는 연속혈당 측정 기법이 개발되어 사용되고 있으나, 이러한 연속혈당 측정 기법은 대부분 혈당 관리나 당뇨 분야에 대해서만 활용되고 있다는 한계가 존재한다.
1. 한국공개특허공보 제10-2017-0096874호 (2017.08.25 공개) 2. 한국공개특허공보 제10-2018-0061551호 (2018.06.08 공개) 3. 한국공개특허공보 제10-2020-0066204호 (2020.06.09 공개)
본 발명이 해결하고자 하는 일 과제는, 사용자에 대해 수집되는 각종 데이터를 이용하여 사용자의 체중 변화를 보다 정확히 예측할 수 있는 방법을 제공하는 것이다.
상기와 같은 목적을 달성하기 위하여, 본 개시의 기술적 사상에 의한 일 양태(aspect)에 따른 혈당 데이터를 이용한 체중 변화 예측 방법은, 사용자의 혈당 데이터 및 체중 데이터를 포함하는 모델 학습용 데이터를 획득하는 단계, 획득된 모델 학습용 데이터에 기초하여, 소정 구간의 혈당 특성 정보 및 체중 변화량 정보를 포함하는 분석 결과를 획득하는 단계, 획득된 분석 결과에 기초하여, 상기 사용자에 대한 머신러닝 기반의 체중 변화 예측 모델을 획득하는 단계, 및 획득된 체중 변화 예측 모델을 이용하여, 상기 사용자의 체중 예측 변화량을 포함하는 정보를 제공하는 단계를 포함한다.
일 실시 예에 따라, 상기 혈당 특성 정보는 상기 소정 구간의 공복혈당 정보, 공복혈당 초과 구간 정보, 공복혈당 미달 구간 정보, 및 혈당 스파이크 구간 정보를 포함할 수 있다.
일 실시 예에 따라, 상기 공복혈당 정보는 상기 소정 구간의 공복혈당 수치, 공복혈당 변동 범위, 및 공복혈당 유지 시간 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따라, 상기 사용자에 대한 머신러닝 기반의 체중 변화 예측 모델을 획득하는 단계는, 상기 분석 결과 및 상기 사용자의 신체 특성 정보를 이용하여, 기 정의된 적어도 하나의 예측 모델 각각에 대한 학습을 수행하는 단계; 학습된 적어도 하나의 예측 모델 각각의 성능을 평가하는 단계; 및 성능 평가 결과에 기초하여, 상기 사용자에 대한 체중 변화 예측 모델을 획득하는 단계를 포함할 수 있다.
일 실시 예에 따라, 상기 기 정의된 적어도 하나의 예측 모델 각각은, 상기 혈당 특성 정보 및 상기 신체 특성 정보와 상기 체중 변화량 정보 사이의 관련성을 분석하는 서로 다른 머신러닝 기반의 모델을 포함하고, 상기 신체 특성 정보는 상기 사용자의 연령, 성별, 신장, 및 만성질환 발병 여부 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따라, 상기 성능 평가 결과에 기초하여, 상기 사용자에 대한 체중 변화 예측 모델을 획득하는 단계는, 상기 학습된 적어도 하나의 예측 모델 중 기 설정된 성능 평가 기준을 만족하는 예측 모델이 존재하는 경우, 평가된 성능이 가장 높은 예측 모델을 상기 사용자에 대한 체중 변화 예측 모델로 선정하는 단계를 포함할 수 있다.
일 실시 예에 따라, 상기 성능 평가 결과에 기초하여, 상기 사용자에 대한 체중 변화 예측 모델을 획득하는 단계는, 상기 학습된 적어도 하나의 예측 모델 중 기 설정된 성능 평가 기준을 만족하는 예측 모델이 존재하지 않는 경우, 상기 사용자의 생체 정보와 유사 판단 기준을 만족하는 생체 정보를 갖는 다른 사용자들을 추출하는 단계; 및 추출된 다른 사용자들 각각의 체중 변화 예측 모델 중 적어도 하나를 선정하는 단계를 포함할 수 있다.
일 실시 예에 따라, 상기 획득된 체중 변화 예측 모델을 이용하여, 상기 사용자의 체중 예측 변화량을 포함하는 정보를 제공하는 단계는, 선정된 적어도 하나의 체중 변화 예측 모델 각각의 체중 예측 변화량 및 분산도를 획득하는 단계; 획득된 분산도를 반영하여, 상기 적어도 하나의 체중 예측 변화량에 대한 가중 평균을 산출함으로써 상기 사용자의 체중 예측 변화량을 획득하는 단계; 및 획득된 체중 예측 변화량을 포함하는 정보를 제공하는 단계를 포함할 수 있다.
일 실시 예에 따라, 상기 모델 학습용 데이터는, 상기 사용자의 식사 이벤트와 관련된 식사 이벤트 데이터, 및 상기 사용자의 운동 이벤트와 관련된 운동 이벤트 데이터 중 적어도 하나를 더 포함하고, 상기 분석 결과는, 상기 식사 이벤트 데이터로부터 획득되는 음식 섭취 정보, 및 상기 운동 이벤트와 관련된 운동 정보를 더 포함하고, 상기 음식 섭취 정보는 음식명, 섭취 시간, 섭취량, 음주 여부, 칼로리, 및 영양소 함량 중 적어도 하나를 포함하고, 상기 운동 정보는 운동 종목, 운동 유형, 운동 빈도, 운동 시간, 및 운동 강도 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따라, 상기 모델 학습용 데이터는 상기 사용자의 케톤 수치를 갖는 케톤 데이터를 더 포함할 수 있다.
일 실시 예에 따라, 상기 혈당 데이터는, 상기 사용자의 연속혈당 측정기를 통해 획득되는 연속혈당 데이터를 포함할 수 있다.
본 개시의 기술적 사상에 의한 일 양태에 따른 체중 변화 예측 장치는, 사용자의 단말기 또는 데이터 수집 장치로부터, 상기 사용자의 혈당 데이터 및 체중 데이터를 포함하는 모델 학습용 데이터를 수신하는 통신부; 수신된 모델 학습용 데이터에 기초하여, 소정 구간의 혈당 특성 정보 및 체중 변화량 정보를 포함하는 분석 결과를 획득하고, 획득된 분석 결과에 기초하여, 상기 사용자에 대한 머신러닝 기반의 체중 변화 예측 모델을 획득하고, 획득된 체중 변화 예측 모델을 이용하여, 상기 사용자의 체중 예측 변화량을 포함하는 정보를 제공하는 적어도 하나의 프로세서; 및 상기 획득된 체중 변화 예측 모델을 저장하는 메모리를 포함한다.
본 개시의 기술적 사상에 따르면, 체중 변화 예측 장치는 사용자의 혈당 데이터를 중심으로 섭취 음식이나 운동 등을 반영하여 사용자의 체중 변화를 예측하는 인공지능 기반의 모델을 획득함으로써, 사용자에게 보다 정확한 체중 변화 예측 결과를 제공할 수 있다. 이를 통해, 사용자는 혈당 측정을 통해 본래의 목적인 혈당 관리뿐만 아니라 체중 관리 등의 다양한 서비스까지도 제공받을 수 있다.
뿐만 아니라, 체중 변화 예측 장치는 사용자에 대해 학습된 예측 모델의 정확도가 낮은 경우, 유사한 생체 정보나 식이 습관을 갖는 다른 사용자들의 예측 모델을 활용함으로써, 체중 변화 예측 정확도를 소정 수준 이상으로 유지할 수 있다.
본 개시의 기술적 사상에 따른 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 개시의 예시적 실시예에 따른 체중 변화 예측 장치를 포함하는 시스템의 개략적인 구성도이다.
도 2는 도 1에 도시된 체중 변화 예측 장치의 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 개시의 예시적 실시예에 따른 체중 변화 예측 방법을 개략적으로 나타내는 플로우차트이다.
도 4는 본 개시의 예시적 실시예에 따른 체중 변화 예측 장치가, 수집된 데이터의 분석을 통해 획득하는 분석 결과의 예들을 설명하기 위한 도면이다.
도 5는 본 개시의 예시적 실시예에 따른 체중 변화 예측 장치가 획득하는 분석 결과를 시각적 형태로 나타낸 예시도이다.
도 6은 본 개시의 예시적 실시예에 따른 체중 변화 예측 장치가, 수집된 혈당 데이터로부터 획득한 분석 결과의 예를 보다 구체적으로 나타낸 도면이다.
도 7은 도 2에 도시된 예측 모델 획득부의 구성을 보다 구체적으로 나타낸 도면이다.
도 8은 도 3에 도시된 사용자의 체중 변화 예측 모델 획득 과정의 구체적인 예를 설명하기 위한 플로우차트이다.
도 9 내지 도 10은 도 8의 S840 단계와 관련된 구체적인 실시예를 설명하기 위한 도면들이다.
도 11은 도 1에 도시된 시스템에 포함되는 디바이스의 하드웨어 구성을 개략적으로 나타낸 블록도이다.
본 개시의 기술적 사상에 따른 예시적인 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 개시의 기술적 사상을 더욱 완전하게 설명하기 위하여 제공되는 것으로, 아래의 실시예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 아래의 실시예들로 한정되는 것은 아니다. 오히려, 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.
본 개시에서 제1, 제2 등의 용어가 다양한 부재, 영역, 층들, 부위 및/또는 구성 요소들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들, 부위 및/또는 구성 요소들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역, 부위, 또는 구성 요소를 다른 부재, 영역, 부위 또는 구성 요소와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역, 부위 또는 구성 요소는 본 개시의 기술적 사상의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역, 부위 또는 구성 요소를 지칭할 수 있다. 예를 들면, 본 개시의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 개시의 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것이다.
어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들면, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 수행될 수도 있다.
첨부한 도면에 있어서, 예를 들면, 제조 기술 및/또는 공차에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 개시의 기술적 사상에 의한 실시예들은 본 개시에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면, 제조 과정에서 초래되는 형상의 변화를 포함하여야 한다. 도면 상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고, 이들에 대한 중복된 설명은 생략한다.
여기에서 사용된 '및/또는' 용어는 언급된 부재들의 각각 및 하나 이상의 모든 조합을 포함한다.
이하에서는 첨부한 도면들을 참조하여 본 개시의 기술적 사상에 의한 실시예들에 대해 상세히 설명한다.
도 1은 본 개시의 예시적 실시예에 따른 체중 변화 예측 장치를 포함하는 시스템의 개략적인 구성도이다.
본 개시의 실시예에 따른 시스템은 사용자의 혈당 수치, 섭취 음식, 운동, 신체 특성 정보(연령, 성별, 신장, 만성질환 발병 여부 등), 및/또는 케톤 수치 등에 기초하여 사용자의 체중 변화를 예측하고, 예측된 체중 변화에 기반한 각종 서비스를 제공하는 시스템에 해당한다.
도 1을 참조하면, 이러한 시스템은 체중 변화 예측 장치(10), 단말기(20), 및 적어도 하나의 데이터 수집 장치(30)를 포함할 수 있다. 도 1에 도시된 시스템의 구성은 설명의 편의를 위한 일례에 해당하는 바, 본 개시의 실시예에 따른 시스템의 구성은 당업자에 의해 예측가능한 범위에서 자유롭게 변형될 수 있다.
체중 변화 예측 장치(10)는 상술한 서비스와 관련된 주요 동작을 수행하는 구성에 해당한다. 예컨대, 체중 변화 예측 장치(10)는 사용자의 체중 변화 예측을 위한 인공지능(머신러닝) 기반의 예측 모델을 획득(생성 또는 선정)하고, 획득한 예측 모델을 이용하여 사용자에 대한 체중 변화를 예측하며, 예측 결과에 기반한 다양한 정보(일례로, 체중 관리를 위한 진단 정보, 코칭 정보, 건강 정보(건강 관리 팁이나 상식 등) 등)를 제공할 수 있다. 체중 변화 예측 장치(10)는 서버로 구현될 수 있으며, 실시 예에 따라서는 복수의 서버를 포함하는 구성으로 정의될 수도 있다. 체중 변화 예측 장치(10)의 구성 및 동작과 관련된 구체적인 실시예들은 추후 도 2 내지 도 10을 통해 보다 상세히 설명하기로 한다.
단말기(20)는 사용자 또는 데이터 수집 장치(30)로부터 체중 변화 예측과 관련된 각종 데이터를 수신하여 체중 변화 예측 장치(10)로 전송하거나, 체중 변화 예측 장치(10)로부터 제공되는 서비스와 관련된 각종 정보를 출력하는 장치에 해당할 수 있다. 예컨대 단말기(20)에는 체중 변화 예측 장치(10)로부터 제공되는 서비스를 이용하기 위한 어플리케이션이 설치되어 있을 수 있다. 사용자는 상기 어플리케이션을 다운로드 및 설치하고, 설치된 어플리케이션을 실행함으로써 상술한 서비스를 이용할 수 있다. 이러한 단말기(20)는 스마트폰이나 태블릿 PC, 노트북, PC 등의 전자 기기로 구현될 수 있다.
실시 예에 따라, 단말기(20)는 사용자의 식사 이벤트와 관련된 데이터(식사 이벤트 데이터)를 획득할 수 있다. 일례로, 상기 식사 이벤트 데이터는 사용자가 섭취한 또는 섭취 예정인 음식의 이미지 데이터(또는 바코드 등의 식별 데이터 등)를 포함할 수 있다. 다른 예로, 상기 식사 이벤트 데이터는 사용자가 단말기(20)의 입력 수단을 통해 직접 입력한 음식 섭취 정보를 포함할 수도 있으며, 예컨대 음식명, 섭취 시작 시각, 섭취 종료 시각, 섭취량, 칼로리, 및/또는 영양소 등을 포함할 수 있다.
적어도 하나의 데이터 수집 장치(30)는 사용자의 체중 변화 예측 모델을 획득하기 위한 데이터, 또는 획득한 체중 변화 예측 모델을 통해 사용자의 체중 변화를 예측하기 위해 필요한 데이터를 수집하는 장치를 포함할 수 있다. 예컨대 데이터 수집 장치(30)는 혈당 측정기(31), 웨어러블 기기(32), 체중계(33) 등을 포함할 수 있다.
혈당 측정기(31)는 사용자의 혈당 수치를 측정하기 위한 기기로서, 본 개시의 실시예에 따른 혈당 측정기(31)는 사용자의 신체에 부착되어 소정 기간동안 주기적 또는 연속적으로 혈당을 측정함으로써 혈당 데이터를 획득하는 연속혈당 측정기(continuous glucose monitor)를 포함할 수 있다. 혈당 측정기(31)는 획득된 혈당 데이터를 단말기(20) 또는 별도의 통신 장치(라우터, 중계기, 기지국 등)를 통해 체중 변화 예측 장치(10)로 전송할 수 있다.
웨어러블 기기(32)는 사용자의 신체 특정 위치(손목 등)에 착용되는 형태의 기기로서, 사용자의 심박수, 걸음수, 위치 정보, 체온, 산소포화도, 수면시간 등의 다양한 데이터를 감지하기 위한 적어도 하나의 센서를 포함할 수 있다. 본 개시의 실시 예에 따르면, 웨어러블 기기(32)는 상기 적어도 하나의 센서를 통해 획득된 데이터로부터 운동 이벤트의 발생 여부를 감지하고, 감지 결과에 따라 생성한 운동 이벤트 데이터를 단말기(20) 또는 별도의 통신 장치(라우터, 중계기, 기지국 등)를 통해 체중 변화 예측 장치(10)로 전송할 수 있다. 예컨대 상기 운동 이벤트 데이터는 운동 종목, 운동 유형(유산소/무산소 등), 운동 빈도, 운동 시간(운동 시작 시간, 운동 종료 시간), 및 운동 강도 등을 포함할 수 있다. 실시 예에 따라, 상기 운동 이벤트 데이터 중 적어도 일부는 단말기(20) 또는 웨어러블 기기(32)의 입력 수단을 통해 사용자로부터 입력될 수도 있다.
다른 실시 예로서, 웨어러블 기기(32)는 상기 적어도 하나의 센서를 통해 획득된 데이터를 단말기(20)로 전송하고, 단말기(20)는 수신한 데이터의 분석을 통해 운동 이벤트 발생 여부를 감지하여 상기 운동 이벤트 데이터를 생성할 수도 있다. 또는, 상기 적어도 하나의 센서를 통해 획득된 데이터는 체중 변화 예측 장치(10)로 전송되어, 체중 변화 예측 장치(10)가 상기 데이터를 분석한 후 상기 운동 이벤트 데이터를 생성할 수도 있다.
체중계(33)는 사용자의 체중 데이터를 획득하고, 획득된 체중 데이터를 단말기(20) 또는 별도의 통신 장치를 통해 체중 변화 예측 장치(10)로 전송할 수 있다. 실시 예에 따라, 상기 체중 데이터는 사용자의 체중 외에 체지방률, 근육량, 및/또는 수분량 등의 데이터를 더 포함할 수도 있으며, 구체적으로 체지방량, 골격근량, 체수분, 체세포, 복부지방량, 복부지방률, 기초대사량 등의 데이터를 포함할 수 있다.
도시되지는 않았으나, 데이터 수집 장치(30)는 사용자의 케톤 수치를 측정하여 케톤 데이터를 획득하는 케톤 측정기(미도시)를 더 포함할 수 있다. 케톤 측정기는 사용자의 호기나 혈액 등으로부터 케톤 수치를 측정하는 종래 형태의 기기일 수 있다. 실시 예에 따라, 케톤 측정기는 사용자의 신체에 부착되어, 세포 간질액 등의 케톤 수치를 소정 기간동안 주기적 또는 연속적으로 측정함으로써 케톤 데이터를 획득하는 형태의 기기일 수도 있다. 이러한 케톤 측정기는 혈당 측정기(31) 또는 웨어러블 기기(32)와 일체로 구현될 수도 있다. 또한, 실시 예에 따라 케톤 데이터는 단말기(20)를 통해 사용자로부터 직접 입력될 수도 있다.
도 2는 도 1에 도시된 체중 변화 예측 장치의 구성을 개략적으로 나타낸 블록도이다.
도 2를 참조하면, 체중 변화 예측 장치(10)는 데이터 수집부(110), 데이터 분석부(120), 예측 모델 획득부(130), 예측 결과 제공부(140), 및 데이터베이스(150)를 포함할 수 있다. 실시 예에 따라, 체중 변화 예측 장치(10)는 도 2에 도시된 구성들보다 많거나 적은 구성들을 포함할 수도 있다.
데이터 수집부(110)는 사용자의 단말기(20) 및/또는 데이터 수집 장치(30)로부터 사용자의 체중 변화 예측 모델을 획득하기 위한 데이터(이하 '모델 학습용 데이터'로 정의함), 또는 사용자의 체중 변화 예측을 위한 데이터(이하 '체중 변화 예측용 데이터'로 정의함)를 수신할 수 있다.
예컨대, 모델 학습용 데이터는 혈당 데이터(연속혈당 데이터 등), 체중 데이터, 식사 이벤트 데이터, 운동 이벤트 데이터, 사용자 신체 특성 정보(연령, 성별, 신장, 만성질환(당뇨, 고혈압, 이상지질혈증 등)의 발병 여부 등), 및/또는 케톤 데이터(케톤 수치) 등을 포함할 수 있다. 이 중 혈당 데이터 및 체중 데이터는 상기 모델 학습용 데이터의 필수 구성에 해당할 수 있고, 식사 이벤트 데이터, 운동 이벤트 데이터, 사용자 신체 특성 정보, 및 케톤 데이터는 상기 모델 학습용 데이터의 부가적 구성에 해당할 수 있으나, 이에 한정되는 것은 아니다. 그리고, 체중 변화 예측용 데이터는 혈당 데이터, 식사 이벤트 데이터, 운동 이벤트 데이터, 및 케톤 데이터 중 적어도 하나를 포함할 수 있다.
실시 예에 따라, 데이터 수집부(110)는 다수의 사용자들에 대해 수신된 데이터를 사용자별로 구분하여 데이터베이스(150)로 제공함으로써, 데이터베이스(150)로 하여금 사용자별로 데이터를 저장 및 관리하도록 할 수 있다.
데이터 분석부(120)는 데이터 수집부(110)를 통해 수신된 데이터를 분석하고, 분석 결과를 예측 모델 획득부(130) 또는 예측 결과 제공부(140)로 제공할 수 있다. 구체적으로, 데이터 분석부(120)는 데이터 수집부(110)를 통해 수신된 데이터를 분석하여, 체중 변화 예측 모델의 획득에 필요한 정보 또는 체중 변화의 예측을 위해 필요한 정보를 분석 결과로서 획득할 수 있다. 데이터 분석부(120)와 관련된 보다 구체적인 내용에 대해서는 추후 도 4 내지 도 6을 통해 설명하기로 한다.
예측 모델 획득부(130)는, 데이터 분석부(120)로부터 제공되는 분석 결과, 및 상기 사용자 신체 특성 정보를 기초로, 사용자에 대한 맞춤형 체중 변화 예측 모델을 획득할 수 있다. 예컨대, 예측 모델 획득부(130)는 상기 분석 결과 및 사용자 신체 특성 정보를 이용하여, 기 정의된 복수의 종류의 머신러닝 기반 모델들 각각을 학습할 수 있다. 예측 모델 획득부(130)는 학습된 모델들 각각의 성능을 평가하고, 성능 평가 결과에 기초하여 상기 사용자에 대한 맞춤형 체중 변화 예측 모델을 획득할 수 있다. 예측 모델 획득부(130)와 관련된 보다 구체적인 내용에 대해서는 추후 도 7 내지 도 10을 통해 설명하기로 한다.
예측 결과 제공부(140)는, 사용자에 대해 획득된 체중 변화 예측 모델을 이용하여 사용자의 체중 변화를 예측한 예측 결과를 제공할 수 있다. 예컨대 예측 결과 제공부(140)는, 데이터 수집부(110)를 통해 수신된 체중 변화 예측용 데이터로부터 획득된 분석 결과를 상기 체중 변화 예측 모델에 적용함으로써, 사용자의 체중 변화를 예측한 예측 결과를 획득 및 제공할 수 있다. 실시 예에 따라, 예측 결과 제공부(140)는 상기 예측 결과에 기초하여 사용자의 체중 관리 또는 건강 관리를 위한 진단 정보, 코칭 정보, 및/또는 건강 정보(건강 관리를 위한 팁이나 상식 등) 등을 생성하여 제공함으로써, 사용자의 체중 관리나 건강 관리를 위한 서비스를 제공할 수 있다.
데이터베이스(150)는 체중 변화 예측 장치(10)로 수신되는 각종 데이터(모델 학습용 데이터, 체중 변화 예측용 데이터 등)를 사용자별로 구분하여 저장하거나, 체중 변화 예측 장치(10)에서 생성되는 각종 데이터나 정보, 알고리즘(예측 모델 등)을 저장할 수 있다. 실시 예에 따라, 데이터베이스(150)는 제3자의 데이터베이스 서버, 데이터센터 등에 해당할 수 있고, 체중 변화 예측 장치(10)는 상기 데이터베이스 서버나 데이터센터 등과 통신 연결될 수 있다.
이하 도면들을 통해, 본 개시의 다양한 실시예에 따른 체중 변화 예측 방법에 대해 구체적으로 설명한다.
도 3은 본 개시의 예시적 실시예에 따른 체중 변화 예측 방법을 개략적으로 나타내는 플로우차트이다. 도 4는 본 개시의 예시적 실시예에 따른 체중 변화 예측 장치가, 수집된 데이터의 분석을 통해 획득하는 분석 결과의 예들을 설명하기 위한 도면이다. 도 5는 본 개시의 예시적 실시예에 따른 체중 변화 예측 장치가 획득하는 분석 결과를 시각적 형태로 나타낸 예시도이다. 도 6은 본 개시의 예시적 실시예에 따른 체중 변화 예측 장치가, 수집된 혈당 데이터로부터 획득한 분석 결과의 예를 보다 구체적으로 나타낸 도면이다. 도 7은 도 2에 도시된 예측 모델 획득부의 구성을 보다 구체적으로 나타낸 도면이다. 도 8은 도 3에 도시된 사용자의 체중 변화 예측 모델 획득 과정의 구체적인 예를 설명하기 위한 플로우차트이다. 도 9 내지 도 10은 도 8의 S840 단계와 관련된 구체적인 실시예를 설명하기 위한 도면들이다.
이하에서는 본 개시의 실시예에 따른 체중 변화 예측 방법에 포함되는 주요 과정들의 수행 주체가 체중 변화 예측 장치(10)인 것으로 가정하여 설명한다. 다만 실시 예에 따라서는 상기 주요 과정들 중 일부는 체중 변화 예측 장치(10)가 아닌 다른 장치(예컨대 단말기(20)나 제3자의 서비스 서버 등)에 의해 수행될 수도 있다.
도 3을 참조하면, 체중 변화 예측 장치(10)는 사용자의 체중 변화 예측 모델을 획득하기 위한 데이터를 수집할 수 있다(S300).
도 2에서 상술한 바와 같이, 체중 변화 예측 장치(10)는 단말기(20) 및/또는 데이터 수집 장치(30)로부터 모델 학습용 데이터를 수신할 수 있다. 예컨대, 상기 모델 학습용 데이터는 소정 구간 동안 데이터 수집 장치(30) 또는 단말기(20)에서 획득된 데이터에 해당할 수 있다. 상기 소정 구간은 체중 데이터가 획득된 시점들에 기초하여 정의될 수 있다.
체중 변화 예측 장치(10)는 수집된 데이터를 분석할 수 있다(S310).
S310 단계와 관련하여 도 4 내지 도 6을 참조하면, 체중 변화 예측 장치(10)의 데이터 분석부(120)는 수집된 데이터 각각의 분석을 통해 체중 변화 예측 모델의 획득을 위한 정보, 또는 획득된 체중 변화 예측 모델에 적용하여 체중 변화를 예측하기 위한 정보를 포함하는 분석 결과를 획득할 수 있다.
일례로, 데이터 분석부(120)는 혈당 데이터 분석부(122), 체중 데이터 분석부(124), 식사 이벤트 데이터 분석부(126), 및 운동 이벤트 데이터 분석부(128)를 포함할 수 있다.
각 구성에 대한 구체적인 설명에 앞서 도 5를 참조하면, 데이터 분석부(120)로 입력되는 데이터는 혈당 데이터(510), 제1 시점(ti)과 제2 시점(tj) 각각의 체중 데이터(521, 522), 적어도 하나의 음식 이벤트 데이터(531, 532, 533, 534), 및 적어도 하나의 운동 이벤트 데이터(541)를 포함할 수 있다. 상술한 바와 같이, 혈당 데이터(510)와 체중 데이터(521, 522)는 필수 구성에 해당할 수 있고, 음식 이벤트 데이터(531 내지 534) 및 운동 이벤트 데이터(541)는 부가적 구성에 해당할 수 있다. 실시 예에 따라, 혈당 데이터(510)는 사용자의 공복혈당 수치(512)를 더 포함할 수도 있다. 또한 도시되지는 않았으나, 데이터 분석부(120)로 입력되는 데이터는 케톤 데이터를 더 포함할 수 있다. 이 경우 데이터 분석부(120)는 상기 케톤 데이터를 분석하여 케톤 특성 정보를 획득하는 케톤 데이터 분석부(미도시)를 더 포함할 수 있다. 예컨대 케톤 특성 정보는 상기 케톤 데이터에 포함된 케톤 수치가 소정의 기준 수치를 초과하는 구간, 해당 구간의 면적 등에 대한 정보를 포함할 수 있다.
혈당 데이터 분석부(122)는, 모델 학습용 데이터에 포함된 혈당 데이터(예컨대 연속혈당 데이터)로부터, 소정 구간(도 5의 Time Interval(i,j)) 동안의 공복혈당 정보, 공복혈당 초과 구간 정보, 혈당 스파이크 구간 정보, 및 공복혈당 미달 구간 정보 중 적어도 하나를 포함하는 혈당 특성 정보를 획득할 수 있다. 혈당 데이터 분석부(122)는 상기 혈당 데이터 중 상기 소정 구간에 해당하는 혈당 데이터를 추출한 후, 추출된 혈당 데이터로부터 상기 혈당 특성 정보를 획득할 수 있다.
도 6의 (a)를 참조하면, 혈당 데이터 분석부(122)는 소정 구간 동안의 혈당 데이터(610)로부터 공복혈당(611), 공복혈당 변동 범위(612, 613), 및 공복혈당 유지 시간(614)을 포함하는 공복혈당 정보를 획득할 수 있다. 공복혈당(611)은 식사 후 소정 시간(예컨대 8시간 이상)이 경과한 공복 상태에서 측정되는 혈당 수치로서 음식에 의한 영향이 없거나 최소화된 상태의 혈당 수치에 해당한다. 한편, 공복 상태에서 측정되는 혈당 수치는 항상 일정한 수치를 유지하지 않고 소정 범위에서 변동할 수 있다. 따라서, 혈당 데이터 분석부(122)는 상기 혈당 데이터로부터, 공복 상태에서 측정된 혈당 수치의 범위를 나타내는 공복혈당 변동 범위(612, 613)를 판단할 수 있다. 이 경우, 공복혈당(611)은 공복 상태에서 측정된 혈당 수치의 평균값, 최빈값, 또는 중앙값 등에 해당할 수 있을 것이다. 공복혈당 유지 시간(614)은 측정된 혈당 수치가 공복혈당 변동 범위(612, 613) 내에 해당하는 구간을 의미할 수 있다.
혈당 데이터 분석부(122)는 기 설정된 시점(예컨대 취침 후 식사 전 등)의 혈당 수치들에 기초하여 공복혈당(611) 및 공복혈당 변동 범위(612, 613)를 판단할 수 있다. 실시 예에 따라, 혈당 데이터 분석부(122)는 식사 이벤트 분석부(126)로부터 획득된 음식 섭취 정보 중 음식 섭취 시간에 기초하여 혈당 데이터를 분석함으로써, 사용자의 공복혈당(611) 및 공복혈당 변동 범위(612)를 판단할 수도 있다. 구체적으로, 혈당 데이터 분석부(122)는 음식 섭취 시간으로부터 기 정의된 시간(예컨대 8시간 내지 12시간 등)이 경과한 시점의 혈당 수치들에 기초하여 공복혈당(611) 및 공복혈당 변동 범위(612, 613)를 판단할 수 있다. 다른 실시 예에 따라, 혈당 데이터 분석부(122)는 연속혈당 데이터로부터 사용자의 연속혈당 분산도를 연산하고, 연산된 연속혈당 분산도를 사용자와 유사한 생체 특성(연령, 성별, 신장, 만성질환 발병여부 등)을 갖는 사용자 그룹의 공복혈당 분산도 구간에 적용하여 사용자의 공복혈당(611) 및 공복혈당 변동 범위(612, 613)를 판단할 수도 있다. 공복혈당(611) 및 공복혈당 변동 범위(612, 613)를 판단하는 방법은 상술한 예들에 한정되지 않으며, 당업자에 의해 구현 가능한 다양한 방법이 적용될 수 있다. 혈당 데이터 분석부(122)는 공복혈당 변동 범위(612, 613)에 기초하여, 혈당 데이터로부터 공복혈당 유지 시간(614)을 판단할 수 있다.
도 6의 (b)를 참조하면, 혈당 데이터 분석부(122)는 판단된 공복혈당(또는 공복혈당 변동 범위)에 대응하는 공복혈당 기준선(620), 및 혈당 스파이크 기준 수치에 해당하는 혈당 스파이크 면적 기준선(621)에 기초하여, 상기 소정 구간(Time Interval(i,j))의 혈당 데이터로부터 공복혈당 초과 구간 정보(631), 혈당 스파이크 구간 정보(632), 및 공복혈당 미달 구간 정보(633)를 획득할 수 있다. 상기 혈당 스파이크 기준 수치는 사용자의 공복혈당 수치에 따라 변동될 수 있으나, 이에 한정되는 것은 아니다.
공복혈당 초과 구간 정보(631)는 소정 구간의 혈당 데이터 중, 공복혈당 기준선(620)을 초과하는 혈당 수치를 갖는 구간의 면적에 해당할 수 있다. 혈당 스파이크 구간 정보(632)는 소정 구간의 혈당 데이터 중, 혈당 스파이크 면적 기준선(621)을 초과하는 혈당 수치를 갖는 구간(즉 혈당 스파이크 구간)의 면적에 해당할 수 있다. 공복혈당 미달 구간 정보(633)는 소정 구간의 혈당 데이터 중, 공복혈당 기준선(620)에 미달하는 혈당 수치를 갖는 구간의 면적에 해당할 수 있다.
체중 데이터 분석부(124)는, 모델 학습용 데이터에 포함된 체중 데이터를 기초로 상기 소정 구간 동안의 체중 변화량 정보를 획득할 수 있다. 도 5에 도시된 바와 같이, 체중 데이터는 제1 시점(ti)에 획득된 제1 체중 데이터(Body weighti)(521) 및 제2 시점(tj)에 획득된 제2 체중 데이터(Body weightj)(522)를 포함할 수 있다. 이 경우, 상술한 소정 구간은 제1 시점(ti)과 제2 시점(tj) 사이의 구간(Time Interval(i,j))으로 정의될 수 있으며, 체중 변화량 정보는 제2 체중 데이터(522)와 제1 체중 데이터(521)의 차이(Body weightj - Body weighti )에 해당할 수 있다.
식사 이벤트 데이터 분석부(126)는, 모델 학습용 데이터에 포함된 식사 이벤트 데이터를 분석하여, 상기 소정 구간(Time Interval(i,j))에 발생한 식사 이벤트(531, 532, 533, 534) 각각에 대한 음식 섭취 정보를 획득할 수 있다. 예컨대, 음식 섭취 정보는 음식명, 섭취 시작 시각, 섭취 종료 시각, 섭취량, 음주 여부, 에너지(칼로리), 및/또는 영양소 함량(탄수화물, 지방, 단백질, 당류, 나트륨, 콜레스테롤 등)과 같이, 식사 이벤트 및 섭취 음식과 관련된 다양한 정보를 포함할 수 있다.
일례로, 식사 이벤트 데이터가 섭취한 음식의 이미지를 포함하는 경우, 식사 이벤트 데이터 분석부(126)는 이미지 인식 기법에 기초하여 상기 이미지에 포함된 적어도 하나의 음식을 인식하고, 인식된 음식 각각에 대한 음식 섭취 정보를 획득할 수 있다. 실시 예에 따라, 상기 이미지는 이미지 인식 서비스를 제공하는 제3자의 서버로 전송되고, 식사 이벤트 데이터 분석부(126)는 상기 서버로부터 인식 결과(음식명, 섭취량, 영양소 함량 등)를 수신함으로써 상기 음식 섭취 정보를 획득할 수도 있다.
실시 예에 따라, 단말기(20)의 사용자에 의해 음식 섭취 정보가 직접 입력되는 경우, 상기 식사 이벤트 데이터는 상기 음식 섭취 정보를 포함할 수도 있다.
운동 이벤트 데이터 분석부(128)는, 모델 학습용 데이터에 포함된 운동 이벤트 데이터에 기초하여, 상기 소정 구간(Time Interval(i,j))에 발생한 운동 이벤트(541) 각각에 대한 운동 정보를 획득할 수 있다.
일례로, 웨어러블 기기(32) 또는 단말기(20)는 센서 등을 통해 획득한 데이터로부터 운동 이벤트를 감지할 수 있다. 이 경우, 웨어러블 기기(32) 또는 단말기(20)로부터 제공되는 운동 이벤트 데이터는 운동 종목, 운동 유형(유산소/무산소 운동), 운동 빈도, 운동 시간(운동 시작 시간, 운동 종료 시간), 및/또는 운동 강도 등과 같은 운동 정보를 포함할 수 있다.
다른 예로, 웨어러블 기기(32) 또는 단말기(20)가 운동 이벤트를 직접 감지하지 않는 경우, 상기 운동 이벤트 데이터는 상기 소정 구간(Time Interval(i,j)) 동안 웨어러블 기기(32) 또는 단말기(20)가 센서를 이용하여 센싱한 데이터를 포함할 수 있다. 운동 이벤트 데이터 분석부(128)는 상기 운동 이벤트 데이터를 분석하여 운동 이벤트를 감지함으로써 상술한 운동 정보를 획득할 수도 있다.
다시 도 3을 설명한다.
체중 변화 예측 장치(10)는 분석 결과에 기초하여 사용자의 체중 변화 예측 모델을 획득할 수 있다(S320).
체중 변화 예측 장치(10)의 예측 모델 획득부(130)는, 데이터 분석부(120)로부터 제공되는 분석 결과에 기초하여, 사용자에 대한 머신러닝 기반의 맞춤형 체중 변화 예측 모델을 획득할 수 있다.
이하 도 7 내지 도 8을 통해 상기 체중 변화 예측 모델의 획득 과정에 대해 보다 구체적으로 설명한다.
체중 변화 예측 장치(10)는 수집된 데이터의 분석 결과 및 사용자 신체 특성 정보를 이용하여, 기 정의된 적어도 하나의 예측 모델 각각에 대한 학습을 수행할 수 있다(S800).
체중 변화 예측 장치(10)의 예측 모델 학습부(132)는, 데이터 분석부(120)로부터 제공되는 분석 결과(혈당 특성 정보, 체중 변화량 정보, 음식 섭취 정보, 운동 정보, 및/또는 케톤 특성 정보), 및 단말기(20) 등으로부터 제공되는 사용자 신체 특성 정보(연령, 성별, 신장, 당뇨 발병 여부 등)에 기초하여, 기 정의된 적어도 하나의 예측 모델 각각의 학습을 수행할 수 있다.
상기 기 정의된 적어도 하나의 예측 모델은, 서로 다른 기법에 따라 학습되는 인공지능 모델을 포함할 수 있다. 본 개시의 실시 예에 따르면, 상기 적어도 하나의 예측 모델은 다수의 설명변수와 하나의 반응변수 사이의 관련성을 추정하는 방식의 모델로서, 예컨대 다중 선형 회귀 모델(multiple linear regression model), 엘라스틱넷 회귀 모델(elastic net regression model), 회귀나무(regression tree), 다중 퍼셉트론 신경망 모델(multi perceptron neural network model) 등을 포함할 수 있다.
예컨대, 상기 다수의 설명변수는 상기 분석 결과 중 공복혈당 초과 구간 정보(631), 혈당 스파이크 구간 정보(632), 공복혈당 미달 구간 정보(633), 공복혈당 유지 시간(614), 체중 데이터 측정 시점 간격(Time Interval(i,j)), 음식 섭취 정보, 운동 정보, 및/또는 케톤 특성 정보를 포함할 수 있다. 또한, 상기 다수의 설명 변수는 사용자 신체 특성(연령, 성별, 신장, 만성질환 발병 여부 등)을 포함할 수 있다. 실시 예에 따라, 상기 다수의 설명변수 중 공복혈당 초과 구간 정보(631), 혈당 스파이크 구간 정보(632), 공복혈당 미달 구간 정보(633), 공복혈당 유지 시간(614), 및 체중 데이터 측정 시점 간격(Time Interval(i,j))은 예측 모델의 학습에 필수적인 구성에 해당하고, 나머지는 부가적인 구성에 해당할 수 있다. 다만, 설명변수의 종류는 실시 예에 따라 일부 변형될 수 있다.
상기 반응변수는 체중 변화량 정보에 해당할 수 있다. 즉, 상기 적어도 하나의 예측 모델 각각은 사용자의 혈당, 음식 섭취, 운동, 케톤 수치 등에 따른 사용자의 체중 변화를 예측하도록 학습될 수 있다.
체중 변화 예측 장치(10)는 학습된 적어도 하나의 예측 모델의 성능을 평가할 수 있다(S810).
체중 변화 예측 장치(10)의 성능 평가부(134)는, S800 단계에 따라 학습된 적어도 하나의 예측 모델 각각의 성능을 평가할 수 있다. 예컨대, 체중 변화 예측 장치(10)는 사용자의 단말기(20) 및/또는 데이터 수집 장치(30)로부터 새롭게 수집된 데이터를 분석한 분석 결과를 학습된 예측 모델 각각에 적용하여 체중 변화 예측값을 획득하고, 성능 평가부(134)는 획득된 예측값과 실제 측정된 체중 변화량 간의 차이에 기초하여 예측 모델 각각의 성능을 평가할 수 있다. 구체적인 예로서, 성능 평가부(134)는 평균제곱오차(mean squared error (MSE)), 평균절대오차(mean absolute error (MAE)), 평균 절대비 오차(mean absolute percentage error (MAPE)), 평균 제곱근 오차(root mean squared error (RMSE)) 등에 기초하여 예측 모델 각각의 성능을 평가할 수 있다.
평가 결과, 기 정의된 성능 평가 기준을 만족하는 예측 모델이 존재하는 경우(S820의 YES), 체중 변화 예측 장치(10)는 평가된 성능이 가장 높은 예측 모델을 선정함으로써 사용자에 대한 맞춤형 체중 평가 예측 모델을 획득할 수 있다(S830).
성능 평가부(134)가 평균제곱오차에 기초하여 예측 모델 각각의 성능을 평가하는 경우, 기 정의된 성능 평가 기준을 만족하는 예측 모델은 상기 평균제곱오차가 기 정의된 기준값 미만인 예측 모델에 해당할 수 있다. 성능 평가 기준을 만족하는 적어도 하나의 예측 모델이 존재하는 경우, 체중 변화 예측 장치(10)의 예측 모델 선정부(136)는 평가된 성능이 가장 높은 예측 모델(예컨대 평균제곱오차가 최소인 예측 모델)을 선정함으로써 상기 사용자에 대한 체중 평가 예측 모델을 획득할 수 있다.
반면, 평가 결과 상기 성능 평가 기준을 만족하는 예측 모델이 존재하지 않는 경우(S820의 NO), 체중 변화 예측 장치(10)는 사용자와 유사한 생체 정보를 갖는 다른 사용자들 각각에 대한 예측 모델들 중 적어도 하나를 선정할 수 있다(S840).
성능 평가 기준을 만족하는 예측 모델이 존재하지 않음은, S800 단계에 따라 학습된 예측 모델들 중 사용자에 대한 정확한 체중 변화 예측을 제공하는 예측 모델이 존재하지 않음을 의미할 수 있다. 이 경우, 체중 변화 예측 장치(10)는 S800 단계에서 학습된 예측 모델 대신, 유사한 생체 정보를 갖는 다른 사용자들 각각의 예측 모델들 중 적어도 하나를 이용하여 사용자에 대한 체중 변화 예측 결과를 제공할 수 있다.
도 9를 참조하면, 예측 모델 선정부(136)는 사용자의 생체 정보를 기초로, 데이터베이스(150)에 저장된 생체 정보가 상기 사용자의 생체 정보와의 관계에서 기 정의된 유사 판단 기준을 만족하는 적어도 한 명의 다른 사용자를 추출할 수 있다. 상기 생체 정보는 상술한 사용자 신체 특성 정보(연령, 성별, 신장, 만성질환 발병 여부 등) 중 적어도 일부의 데이터를 포함할 수 있으며, 추가적으로 공복혈당 정보나 체중 데이터 등을 더 포함할 수 있다.
실시 예에 따라, 예측 모델 선정부(136)는 상기 사용자의 식이 습관 정보를 추가로 고려함으로써, 생체 정보 및 식이 습관 정보가 유사한 적어도 한 명의 다른 사용자를 추출할 수도 있다. 예컨대 상기 식이 습관 정보는 상술한 음식 섭취 정보 중 적어도 일부의 데이터(음식 종류, 식사 시간, 섭취량 등)를 포함할 수 있다.
예측 모델 선정부(136)는 추출된 적어도 한 명의 다른 사용자에 대해 분류 모델을 적용하여, 기 정의된 수의 사용자 각각의 예측 모델을 선별할 수 있다. 상기 분류 모델은 KNN(k-nearest neighborhood)이나 의사결정나무(decision tree) 등의 공지된 분류 모델들을 포함할 수 있으나, 이에 한정되는 것은 아니다.
일례로, 상기 분류 모델이 KNN인 경우, 예측 모델 선정부(136)는 상기 사용자 및 추출된 적어도 한 명의 다른 사용자 각각의 생체 정보(및 식이 습관 정보)에 포함된 데이터를 기 정의된 알고리즘에 따라 수치화(또는 시각화)할 수 있다. 그리고, 예측 모델 선정부(136)는 사용자에 대한 수치와 가장 유사한 수치를 갖는 기 정의된 수(예컨대 p명)의 다른 사용자 각각의 예측 모델(Model #1 내지 Model #p)을 선정할 수 있다.
다시 도 3을 설명한다.
체중 변화 예측 장치(10)는 생성된 체중 변화 예측 모델을 이용하여 사용자의 체중 변화를 예측하고, 예측 결과에 기반한 서비스를 제공할 수 있다(S330).
S830 단계에 따라 사용자에 대한 체중 변화 예측 모델이 생성된 경우, 체중 변화 예측 장치(10)는 단말기(20) 또는 데이터 수집 장치(30)로부터 소정 구간의 체중 변화 예측용 데이터를 수집하고, 수집된 체중 변화 예측용 데이터를 분석한 분석 결과를 상기 생성된 체중 변화 예측 모델에 적용할 수 있다. 체중 변화 예측 모델은 상기 분석 결과에 기초하여 상기 소정 구간에 대한 사용자의 체중 예측 변화량을 예측 결과로서 출력할 수 있다. 체중 변화 예측 장치(10)는 예측 결과, 및 예측 결과에 대응하는 진단 정보/코칭 정보 등을 단말기(20)로 제공함으로써, 사용자에게 상기 예측 결과에 기반한 서비스를 제공할 수 있다.
반면, 도 10을 함께 참조하면, S840 단계에 따라 기 정의된 수(p명)의 다른 사용자 각각의 예측 모델(Model #1 내지 Model #p)이 선정된 경우, 체중 변화 예측 장치(10)는 선정된 예측 모델(Model #1 내지 Model #p)을 이용하여 사용자에 대한 체중 예측 변화량을 획득할 수 있다.
구체적으로, 체중 변화 예측 장치(10)는 상기 체중 변화 예측용 데이터를 분석한 분석 결과를 상기 선정된 예측 모델(Model #1 내지 Model #p) 각각에 적용할 수 있다. 선정된 예측 모델(Model #1 내지 Model #p) 각각은 상기 분석 결과에 기초한 체중 예측 변화량을 출력할 수 있다. 체중 변화 예측 장치(10)는 예측 모델(Model #1 내지 Model #p) 각각의 분산도에 기초하여 상기 출력된 체중 예측 변화량에 대한 가중 평균을 산출함으로써, 사용자에 대한 최종적인 체중 예측 변화량을 예측 결과로서 획득할 수 있다.
상기 분산도는 예측 모델로부터 제공되는 예측 결과의 변동성을 의미한다. 예컨대 상기 분산도는 S810 단계에서 상술한 예측 모델들 각각의 성능 평가 결과(MSE, MAE, MAPE, 또는 RMSE 등)에 대응할 수 있다. 상기 예측 모델들 각각의 성능 평가 결과는 데이터베이스(150)에 저장되어 있을 수 있다.
상기 분산도가 높을수록 예측 모델의 성능이 낮음을 의미하는 바, 해당 모델로부터 제공되는 체중 예측 변화량에 반영되는 가중치가 작아질 수 있다. 상술한 바에 따라 체중 변화 예측 장치(10)는 예측 모델 각각으로부터 제공되는 체중 예측 변화량에, 해당 예측 모델의 가중치를 적용하여 가중 평균을 산출함으로써, 사용자에 대한 최종적인 체중 예측 변화량을 예측할 수 있다. 체중 변화 예측 장치(10)는 예측 결과, 및 예측 결과에 대응하는 진단/코칭/건강 정보 등을 단말기(20)로 제공함으로써, 사용자에게 상기 예측 결과에 기반한 서비스를 제공할 수 있다.
본 개시의 실시 예에 따르면, 체중 변화 예측 장치(10) 및 이를 포함하는 시스템은 사용자의 혈당 데이터, 섭취 음식, 운동, 케톤 수치 등을 반영하여 사용자의 체중 변화 예측 정확도를 향상시킬 수 있다. 또한, 사용자는 혈당 측정을 통해 본래의 목적인 혈당 관리뿐만 아니라 체중 관리 등의 다양한 서비스까지도 제공받을 수 있다.
뿐만 아니라, 체중 변화 예측 장치(10)는 사용자에 대해 학습된 예측 모델의 정확도가 낮은 경우, 유사한 생체 정보나 식이 습관을 갖는 다른 사용자들의 예측 모델을 활용함으로써, 체중 변화 예측 정확도를 소정 수준 이상으로 유지할 수 있다.
도 11은 도 1에 도시된 시스템에 포함되는 디바이스의 하드웨어 구성을 개략적으로 나타낸 블록도이다.
본 개시의 실시 예에 따른 시스템에 포함되는 디바이스(1100)의 하드웨어 구성은, 도 1에 도시된 체중 변화 예측 장치(10), 단말기(20), 및/또는 데이터 수집 장치(30)의 하드웨어 구성에 상응할 수 있다. 즉 체중 변화 예측 장치(10), 단말기(20), 및/또는 데이터 수집 장치(30)는 도 11에 도시된 디바이스(1100)의 하드웨어 구성들 중 적어도 일부를 포함할 수 있으며, 실시 예에 따라 추가적인 구성을 더 포함할 수 있다.
도 11을 참조하면, 디바이스(1100)는 통신부(1110), 입력부(1120), 출력부(1130), 제어부(1140), 및 메모리(1150)를 포함할 수 있다. 도 11에 도시된 제어 구성은 설명의 편의를 위한 일례로서, 디바이스(1100)는 도 11에 도시된 구성보다 많거나 적은 구성을 포함할 수도 있다.
통신부(1110)는 디바이스(1100)를 네트워크에 연결함으로써 다른 단말기나 서버 등과의 통신을 가능하게 하는 하나 이상의 통신 모듈을 포함할 수 있다. 예컨대 상기 통신 모듈은 LTE, 5G 등과 같은 이동통신 모듈, 와이파이(Wi-Fi) 등의 무선 통신 모듈, 및/또는 기타 각종 유선 또는 무선 통신 모듈을 포함할 수 있다.
입력부(1120)는 사용자 입력, 영상, 오디오 등의 정보를 획득하기 위한 구성으로서, 각종 기계식/전자식 입력 수단, 카메라, 마이크로폰 등의 다양한 입력 수단을 포함할 수 있다. 출력부(1130)는 시각, 청각, 또는 촉각 등과 관련된 출력을 발생시켜 사용자 등에게 정보를 제공하기 위한 것으로서, 디스플레이, 스피커, 진동 모듈 등을 포함할 수 있다.
제어부(1140)는 디바이스(1100)의 전반적인 동작을 제어할 수 있다. 제어부(1140)는 상술한 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나, 메모리(1150)에 저장된 각종 어플리케이션이나 알고리즘 등에 따라 소정의 정보나 기능을 제공할 수 있다.
예컨대, 제어부(1140)는 본 개시의 실시 예에 따른 사용자에 대한 맞춤형 체중 변화 예측 모델을 생성하기 위한 동작들(데이터 수집, 분석, 예측 모델의 생성) 중 적어도 일부에 대한 프로세스를 제어할 수 있다. 또한, 제어부(1140)는 생성된 예측 모델에 기초하여 사용자의 체중 변화를 예측하고, 예측 결과에 기초한 서비스(진단, 코칭 등)를 제공하는 것과 관련된 프로세스를 제어할 수 있다.
이러한 제어부(1140)는 적어도 하나의 프로세서를 포함할 수 있고, 상기 프로세서는 CPU, AP(application processor), MCU, 집적 회로, ASIC, FPGA 등의 하드웨어로 구현될 수 있다.
메모리(1150)는 디바이스(1100)의 동작에 필요한 프로그램 및 데이터를 저장할 수 있다. 또한, 메모리(1150)는 제어부(1140)를 통해 생성되거나 획득된 데이터를 저장할 수 있다. 메모리(1150)는 롬(ROM), 램(RAM), 플래시 메모리, SSD, HDD 등의 저장 매체 또는 저장 매체들의 조합으로 구성될 수 있다.
상기한 실시예들의 설명은 본 개시의 더욱 철저한 이해를 위하여 도면을 참조로 예를 든 것들에 불과하므로, 본 개시의 기술적 사상을 한정하는 의미로 해석되어서는 안 될 것이다.
또한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 개시의 기본적 원리를 벗어나지 않는 범위 내에서 다양한 변화와 변경이 가능함은 명백하다 할 것이다.

Claims (18)

  1. 적어도 하나의 서버를 통해 수행되는 혈당 데이터를 이용한 체중 변화 예측 방법에 있어서,
    상기 적어도 하나의 서버에 포함되는 데이터 수집부가, 사용자의 혈당 데이터 및 체중 데이터를 포함하는 모델 학습용 데이터를 획득하는 단계;
    상기 적어도 하나의 서버에 포함되는 데이터 분석부가, 획득된 모델 학습용 데이터에 기초하여, 소정 구간의 혈당 특성 정보 및 체중 변화량 정보를 포함하는 분석 결과를 획득하는 단계;
    상기 적어도 하나의 서버에 포함되는 예측 모델 획득부가, 획득된 분석 결과에 기초하여, 상기 사용자에 대한 머신러닝 기반의 체중 변화 예측 모델을 획득하는 단계; 및
    상기 적어도 하나의 서버에 포함되는 예측 결과 제공부가, 획득된 체중 변화 예측 모델을 이용하여, 상기 사용자의 체중 예측 변화량을 포함하는 정보를 제공하는 단계를 포함하고,
    상기 혈당 특성 정보는,
    상기 소정 구간의 공복혈당 정보, 공복혈당 초과 구간 정보, 공복혈당 미달 구간 정보, 및 혈당 스파이크 구간 정보를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  2. 제1항에 있어서,
    상기 공복혈당 정보는,
    상기 소정 구간의 공복혈당 수치, 공복혈당 변동 범위, 및 공복혈당 유지 시간 중 적어도 하나를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  3. 제2항에 있어서,
    상기 소정 구간의 혈당 특성 정보 및 체중 변화량 정보를 포함하는 분석 결과를 획득하는 단계는,
    상기 데이터 수집부를 통해 상기 사용자의 음식 섭취 정보가 획득되면, 획득된 음식 섭취 정보 중 음식 섭취 시간으로부터 기 정의된 시간이 경과한 시점들의 혈당 데이터를 추출하는 단계;
    추출된 혈당 데이터로부터 상기 공복혈당 수치 및 상기 공복혈당 변동 범위를 판단하는 단계; 및
    상기 데이터 수집부를 통해 획득된 혈당 데이터 중, 상기 공복혈당 변동 범위 내에 해당하는 혈당 수치를 갖는 구간에 기초하여 상기 공복혈당 유지 시간을 판단하는 단계를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  4. 제1항에 있어서,
    상기 사용자에 대한 머신러닝 기반의 체중 변화 예측 모델을 획득하는 단계는,
    상기 분석 결과 및 상기 사용자의 신체 특성 정보를 이용하여, 기 정의된 적어도 하나의 예측 모델 각각에 대한 학습을 수행하는 단계;
    학습된 적어도 하나의 예측 모델 각각의 성능을 평가하는 단계; 및
    성능 평가 결과에 기초하여, 상기 사용자에 대한 체중 변화 예측 모델을 획득하는 단계를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  5. 제4항에 있어서,
    상기 기 정의된 적어도 하나의 예측 모델 각각은,
    상기 혈당 특성 정보 및 상기 신체 특성 정보와 상기 체중 변화량 정보 사이의 관련성을 분석하는 서로 다른 머신러닝 기반의 모델을 포함하고,
    상기 신체 특성 정보는 상기 사용자의 연령, 성별, 신장, 및 만성질환 발병 여부 중 적어도 하나를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  6. 제4항에 있어서,
    상기 성능 평가 결과에 기초하여, 상기 사용자에 대한 체중 변화 예측 모델을 획득하는 단계는,
    상기 학습된 적어도 하나의 예측 모델 중 기 설정된 성능 평가 기준을 만족하는 예측 모델이 존재하는 경우, 평가된 성능이 가장 높은 예측 모델을 상기 사용자에 대한 체중 변화 예측 모델로 선정하는 단계를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  7. 제4항에 있어서,
    상기 성능 평가 결과에 기초하여, 상기 사용자에 대한 체중 변화 예측 모델을 획득하는 단계는,
    상기 학습된 적어도 하나의 예측 모델 중 기 설정된 성능 평가 기준을 만족하는 예측 모델이 존재하지 않는 경우, 상기 사용자의 생체 정보와 유사 판단 기준을 만족하는 생체 정보를 갖는 다른 사용자들을 추출하는 단계; 및
    추출된 다른 사용자들 각각의 체중 변화 예측 모델 중 적어도 하나를 선정하는 단계를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  8. 제7항에 있어서,
    상기 획득된 체중 변화 예측 모델을 이용하여, 상기 사용자의 체중 예측 변화량을 포함하는 정보를 제공하는 단계는,
    선정된 적어도 하나의 체중 변화 예측 모델 각각의 체중 예측 변화량 및 분산도를 획득하는 단계;
    획득된 분산도를 반영하여, 상기 적어도 하나의 체중 예측 변화량에 대한 가중 평균을 산출함으로써 상기 사용자의 체중 예측 변화량을 획득하는 단계; 및
    획득된 체중 예측 변화량을 포함하는 정보를 제공하는 단계를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  9. 제1항에 있어서,
    상기 모델 학습용 데이터는,
    상기 사용자의 식사 이벤트와 관련된 식사 이벤트 데이터, 및 상기 사용자의 운동 이벤트와 관련된 운동 이벤트 데이터 중 적어도 하나를 더 포함하고,
    상기 분석 결과는,
    상기 식사 이벤트 데이터로부터 획득되는 음식 섭취 정보, 및 상기 운동 이벤트와 관련된 운동 정보를 더 포함하고,
    상기 음식 섭취 정보는 음식명, 섭취 시간, 섭취량, 음주 여부, 칼로리, 및 영양소 함량 중 적어도 하나를 포함하고,
    상기 운동 정보는 운동 종목, 운동 유형, 운동 빈도, 운동 시간, 및 운동 강도 중 적어도 하나를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  10. 제1항에 있어서,
    상기 모델 학습용 데이터는,
    상기 사용자의 케톤 수치를 갖는 케톤 데이터를 더 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  11. 제1항에 있어서,
    상기 혈당 데이터는,
    상기 사용자의 연속혈당 측정기를 통해 획득되는 연속혈당 데이터를 포함하는,
    혈당 데이터를 이용한 체중 변화 예측 방법.
  12. 사용자의 단말기 또는 데이터 수집 장치로부터, 상기 사용자의 혈당 데이터 및 체중 데이터를 포함하는 모델 학습용 데이터를 수신하는 통신부;
    수신된 모델 학습용 데이터에 기초하여, 소정 구간의 혈당 특성 정보 및 체중 변화량 정보를 포함하는 분석 결과를 획득하고,
    획득된 분석 결과에 기초하여, 상기 사용자에 대한 머신러닝 기반의 체중 변화 예측 모델을 획득하고,
    획득된 체중 변화 예측 모델을 이용하여, 상기 사용자의 체중 예측 변화량을 포함하는 정보를 제공하는 적어도 하나의 프로세서; 및
    상기 획득된 체중 변화 예측 모델을 저장하는 메모리를 포함하고,
    상기 혈당 특성 정보는,
    상기 소정 구간의 공복혈당 정보, 공복혈당 초과 구간 정보, 공복혈당 미달 구간 정보, 및 혈당 스파이크 구간 정보를 포함하는,
    체중 변화 예측 장치.
  13. 제12항에 있어서,
    상기 공복혈당 정보는,
    상기 소정 구간의 공복혈당 수치, 공복혈당 변동 범위, 및 공복혈당 유지 시간 중 적어도 하나를 포함하는,
    체중 변화 예측 장치.
  14. 제12항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 분석 결과 및 상기 사용자의 신체 특성 정보를 이용하여, 기 정의된 적어도 하나의 예측 모델 각각에 대한 학습을 제어하고,
    학습된 적어도 하나의 예측 모델 각각의 성능을 평가하고,
    성능 평가 결과에 기초하여, 상기 사용자에 대한 머신 러닝 기반의 체중 변화 예측 모델을 획득하는,
    체중 변화 예측 장치.
  15. 제14항에 있어서,
    상기 기 정의된 적어도 하나의 예측 모델 각각은,
    상기 혈당 특성 정보 및 상기 신체 특성 정보와 상기 체중 변화량 정보 사이의 관련성을 분석하는 서로 다른 머신러닝 기반의 모델을 포함하고,
    상기 신체 특성 정보는 상기 사용자의 연령, 성별, 신장, 및 만성질환 발병 여부 중 적어도 하나를 포함하는,
    체중 변화 예측 장치.
  16. 제14항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 학습된 적어도 하나의 예측 모델 중 기 설정된 성능 평가 기준을 만족하는 예측 모델이 존재하는 경우, 평가된 성능이 가장 높은 예측 모델을 상기 사용자에 대한 체중 변화 예측 모델로서 획득하는,
    체중 변화 예측 장치.
  17. 제14항에 있어서,
    상기 적어도 하나의 프로세서는,
    상기 학습된 적어도 하나의 예측 모델 중 기 설정된 성능 평가 기준을 만족하는 예측 모델이 존재하지 않는 경우, 상기 사용자의 생체 정보와 유사 판단 기준을 만족하는 생체 정보를 갖는 다른 사용자들을 추출하고, 추출된 다른 사용자들 각각의 체중 변화 예측 모델 중 적어도 하나를 선정하고,
    선정된 적어도 하나의 체중 변화 예측 모델 각각의 체중 예측 변화량 및 분산도를 획득하고,
    획득된 분산도를 반영하여, 상기 적어도 하나의 체중 예측 변화량에 대한 가중 평균을 산출함으로써 상기 사용자의 체중 예측 변화량을 획득하는,
    체중 변화 예측 장치.
  18. 제12항에 있어서,
    상기 혈당 데이터는 상기 사용자의 데이터 수집 장치에 포함되는 연속혈당 측정기를 통해 획득되는 연속혈당 데이터를 포함하고,
    상기 모델 학습용 데이터는,
    상기 사용자의 식사 이벤트와 관련된 식사 이벤트 데이터, 및 상기 사용자의 운동 이벤트와 관련된 운동 이벤트 데이터 중 적어도 하나를 더 포함하고,
    상기 분석 결과는,
    상기 식사 이벤트 데이터로부터 획득되는 음식 섭취 정보, 및 상기 운동 이벤트와 관련된 운동 정보를 더 포함하고,
    상기 음식 섭취 정보는 음식명, 섭취 시간, 섭취량, 음주 여부, 칼로리, 및 영양소 함량 중 적어도 하나를 포함하고,
    상기 운동 정보는 운동 종목, 운동 유형, 운동 빈도, 운동 시간, 및 운동 강도 중 적어도 하나를 포함하는,
    체중 변화 예측 장치.
KR1020230012383A 2022-10-27 2023-01-31 혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치 KR102640995B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020220140493 2022-10-27
KR20220140493 2022-10-27

Publications (1)

Publication Number Publication Date
KR102640995B1 true KR102640995B1 (ko) 2024-02-27

Family

ID=90058328

Family Applications (3)

Application Number Title Priority Date Filing Date
KR1020230012383A KR102640995B1 (ko) 2022-10-27 2023-01-31 혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치
KR1020230091839A KR20240059526A (ko) 2022-10-27 2023-07-14 건강 음식 추천 방법 및 시스템
KR1020230145851A KR20240059583A (ko) 2022-10-27 2023-10-27 생체 정보를 이용한 인공지능 기반의 체중 관리 서비스 제공 방법 및 시스템

Family Applications After (2)

Application Number Title Priority Date Filing Date
KR1020230091839A KR20240059526A (ko) 2022-10-27 2023-07-14 건강 음식 추천 방법 및 시스템
KR1020230145851A KR20240059583A (ko) 2022-10-27 2023-10-27 생체 정보를 이용한 인공지능 기반의 체중 관리 서비스 제공 방법 및 시스템

Country Status (1)

Country Link
KR (3) KR102640995B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170096874A (ko) 2016-02-17 2017-08-25 삼성전자주식회사 체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법
KR20180061551A (ko) 2016-11-29 2018-06-08 한국전자통신연구원 미래건강추이 예측을 위한 유사사례 클러스터링 방법 및 그 장치
KR20200066204A (ko) 2018-11-29 2020-06-09 삼성전자주식회사 실시간으로 자동 추적되는 사용자의 일상적인 활동 파라미터 및 상응하는 시스템에 기초하여 건강한 라이프 스타일을 유지하기 위한 권장 사항을 제공하는 방법
KR20210046373A (ko) * 2019-10-18 2021-04-28 엘지전자 주식회사 개인화된 체중 관리
JP6885583B2 (ja) * 2017-03-15 2021-06-16 株式会社タニタ 体組成変化予測装置、方法、及びプログラム
JP2021515928A (ja) * 2018-03-05 2021-06-24 オムロン株式会社 人の体重を予測する装置並びに健康管理装置及び方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101107062B1 (ko) 2003-09-12 2012-01-25 보디미디어 인코퍼레이티드 체중 및 기타 생리 상태를 모니터링하고 반복적이고개별화된 플래닝, 중재 및 보고 기능을 포함하여 관리하기위한 시스템
US10068494B2 (en) 2016-10-14 2018-09-04 Invoy Holdings, Llc Artificial intelligence based health coaching based on ketone levels of participants
KR102529407B1 (ko) 2019-11-21 2023-05-08 주식회사 케이티 건강 컨설팅 서비스를 제공하는 서버, 방법 및 컴퓨터 프로그램

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170096874A (ko) 2016-02-17 2017-08-25 삼성전자주식회사 체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법
KR20180061551A (ko) 2016-11-29 2018-06-08 한국전자통신연구원 미래건강추이 예측을 위한 유사사례 클러스터링 방법 및 그 장치
JP6885583B2 (ja) * 2017-03-15 2021-06-16 株式会社タニタ 体組成変化予測装置、方法、及びプログラム
JP2021515928A (ja) * 2018-03-05 2021-06-24 オムロン株式会社 人の体重を予測する装置並びに健康管理装置及び方法
KR20200066204A (ko) 2018-11-29 2020-06-09 삼성전자주식회사 실시간으로 자동 추적되는 사용자의 일상적인 활동 파라미터 및 상응하는 시스템에 기초하여 건강한 라이프 스타일을 유지하기 위한 권장 사항을 제공하는 방법
KR20210046373A (ko) * 2019-10-18 2021-04-28 엘지전자 주식회사 개인화된 체중 관리

Also Published As

Publication number Publication date
KR20240059526A (ko) 2024-05-07
KR20240059583A (ko) 2024-05-07

Similar Documents

Publication Publication Date Title
US10950335B2 (en) Health tracking device
US20210391081A1 (en) Predictive guidance systems for personalized health and self-care, and associated methods
RU2712395C1 (ru) Способ выдачи рекомендаций по поддержанию здорового образа жизни на основе параметров ежедневной деятельности пользователя, автоматически отслеживаемых в реальном времени, и соответствующая система (варианты)
JP2023504398A (ja) 連続血糖モニタリングに基づく提案
CN113951879B (zh) 血糖预测方法和装置、监测血糖水平的系统
KR20190063954A (ko) 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법
EP3238611B1 (en) A method and device for estimating a condition of a person
CN111508607B (zh) 一种基于bp神经网络的肥胖症预测系统
CN108847284B (zh) 人体生物年龄测算装置及系统
US20240008813A1 (en) Smart wearable device and method for estimating traditional medicine system parameters
KR102640995B1 (ko) 혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치
CN116739037A (zh) 具有人格特征的人格模型构建方法及装置
US11887729B2 (en) Personalized extended digital migraine diary
KR20240059539A (ko) 생체 정보를 이용한 인공지능 기반의 체중 관리 서비스 제공 방법 및 장치
JP7518878B2 (ja) ヘルストラッキングデバイス
US20220367050A1 (en) Predicting gut microbiome diversity
US20220354392A1 (en) Personalized glucose ranges for making healthy choices
US20240177826A1 (en) Generating personalized food guidance using predicted hunger
WO2022208874A1 (ja) 学習装置、ストレス推定装置、学習方法、ストレス推定方法及び記憶媒体
EP4012722A1 (en) Sleep quality analysis
JP5589652B2 (ja) 血糖値予測システム、血糖値予測装置、及びサービス情報処理装置
WO2022208873A1 (ja) ストレス推定装置、ストレス推定方法及び記憶媒体
Mitra et al. Automatic Detection of Situational Context Using AI from Minimal Sensor Modality
KR20230172313A (ko) 개인의 운동상태를 반영한 생애주기 식단관리 방법 및 이를 포함하는 전자장치
JP5949847B2 (ja) カロリー情報決定方法及び血糖値予測方法

Legal Events

Date Code Title Description
GRNT Written decision to grant