KR102646527B1 - Ai 기반 감염 의심자 분류 장치 및 그 방법 - Google Patents

Ai 기반 감염 의심자 분류 장치 및 그 방법 Download PDF

Info

Publication number
KR102646527B1
KR102646527B1 KR1020210155351A KR20210155351A KR102646527B1 KR 102646527 B1 KR102646527 B1 KR 102646527B1 KR 1020210155351 A KR1020210155351 A KR 1020210155351A KR 20210155351 A KR20210155351 A KR 20210155351A KR 102646527 B1 KR102646527 B1 KR 102646527B1
Authority
KR
South Korea
Prior art keywords
situation information
infection
situation
information
detailed
Prior art date
Application number
KR1020210155351A
Other languages
English (en)
Other versions
KR20230069379A (ko
Inventor
창 최
주윤상
Original Assignee
가천대학교 산학협력단
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 가천대학교 산학협력단 filed Critical 가천대학교 산학협력단
Priority to KR1020210155351A priority Critical patent/KR102646527B1/ko
Priority to PCT/KR2022/005571 priority patent/WO2023277319A1/ko
Publication of KR20230069379A publication Critical patent/KR20230069379A/ko
Application granted granted Critical
Publication of KR102646527B1 publication Critical patent/KR102646527B1/ko

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 AI 기반 감염 의심자 분류 장치 및 그 방법에 관한 것으로, 사용자에 대한 생체신호 측정과 비대면 전자문진을 통해 감염병에 관련한 상황정보와 해당 상황정보에 대한 세부 상황정보를 획득하여 인공지능을 기반으로 각 상황정보 및 세부 상황정보의 가중치를 추정하고, 상기 추정한 가중치에 따라 해당 사용자에 대한 감염 위험수준을 추론함으로써 감염 의심자를 신속 정확하게 분류할 수 있도록 하는 장치 및 그 방법에 관한 것이다.

Description

AI 기반 감염 의심자 분류 장치 및 그 방법{APPARATUS AND METHOD FOR CLASSIFYING SUSPECTED INFECTION BASED ON AI}
본 발명은 AI 기반 감염 의심자 분류 장치 및 그 방법에 관한 것으로, 더욱 상세하게는 사용자에 대한 생체신호 측정과 비대면 전자문진을 통해 감염병에 관련한 상황정보와 해당 상황정보에 대한 세부 상황정보를 획득하여 인공지능을 기반으로 각 상황정보 및 세부 상황정보의 가중치를 추정하고, 상기 추정한 가중치에 따라 해당 사용자에 대한 감염 위험수준을 추론함으로써 감염 의심자를 신속 정확하게 분류할 수 있도록 하는 장치 및 그 방법에 관한 것이다.
최근 기후 변화 등과 같은 환경적인 요인으로 인해 기존 바이러스(virus) 뿐만 아니라 신종 바이러스들도 자주 발생됨에 따라 바이러스로 인함 감염병 환자가 급속하게 발생될 수 있는 상황에 놓여있다.
이러한 감염병이 팬데믹(pandemic) 상황까지 확산되는 경우, 경제적으로나 사회적으로 막대한 손실을 끼칠 수 있는 문제점이 있다.
감염병의 발생을 방지하고 예방하는 것이 최상의 방법이겠지만 감염병이 이미 발생된 경우에는 감염 의심자를 조기에 분류하여 초치를 취할 수 있도록 함으로써 감염병의 확산을 방지하는 것이 매우 중요하다.
일반적으로 감염병이 발생되면, 의료기관이나 정부기관에서 유동인구가 많은 장소에 현장요원을 배치하여 다수의 대상자와 직접 대면하여 체온 측정 및 문진을 수행하거나 의사의 직접적인 진단을 통해 감염 의심자를 분류하여 해당 조치를 공고하는 것이 대부분이다.
그러나 대면으로 감염 의심자를 분류하는 경우, 대상자가 감염병에 걸려있는 경우에는 현장요원이나 의사로 전염되는 2차 감염이 발생될 수 있는 문제점을 내포하고 있다.
이러한 문제점을 해결하기 위해 최근에는 열화상 카메라를 통해 자동으로 대상자의 체온을 원거리에서 측정하는 방법이 이용되고 있으나, 결국 별도의 현장요원이 현장에 위치해야 하기 때문에 2차 감염으로 인한 감염병 확산을 완전히 방지하는 데에 그 한계가 있다.
결국 감염병의 확산을 방지하기 위해서는 무인으로 감염 의심자를 분류하여 조치할 수 있도록 하는 장치가 필요한 실정이다.
이에 따라 본 발명에서는 생체정보와 비대면 전자문진을 통해 미리 감염자로부터 수집한 상황정보 및 상황정보에 따른 세부 상황정보를 수집하여 각 상황정보 및 세부 상황정보의 빈도에 따라 가중치를 부여한 데이터세트를 생성함으로써 감염병에 대한 온톨로지를 구축하고 온톨리지를 활용하여 감염 의심자를 신속 정확하게 분류할 수 있도록 하는 방안을 제안하고자 한다.
또한 본 발명은 온톨로지로 구축한 상황정보 및 세부 상황정보의 가중치를 포함하는 상황정보 데이터세트를 학습하여 학습모델을 생성하고, 실제 사용자로부터 획득한 상황정보 및 상황정보에 따른 세부 상황정보를 상기 학습모델에 입력함으로써 상황정보 및 세부 상황정보에 대한 가중치를 추정하고 상기 추정한 가중치에 따라 사용자에 대한 감염 위험수준을 추론함으로써 감염병에 대한 사용자의 상황을 추론하여 감염 의심자로 분류할 수 있도록 하는 방안을 제안하고자 한다.
특히, 본 발명은 센서를 통해 생체정보를 측정하고, 사전에 설정한 시나리오에 따라 전자문진을 수행하도록 함으로써 비대면으로 상황정보를 획득할 수 있도록 하여 무인으로 감염 의심자를 분류하도록 함으로써 2차 감염으로 인한 감염병 확산을 차단할 수 있도록 하는 방안을 제안하고자 한다.
다음으로 본 발명의 기술분야에 존재하는 선행기술에 대하여 간단하게 설명하고, 이어서 본 발명이 상기 선행기술에 비해서 차별적으로 이루고자 하는 기술적 사항에 대해서 기술하고자 한다.
먼저 한국등록특허 제2148638호(2020.08.21.)는 외부 환경의 변화에 따른 발열 감지 장치에 관한 것으로, 열화상을 통해 특정 주변의 온도 데이터를 획득하여 사람 영역의 측정온도 데이터를 추출하고, 기 설정된 추출시간동안 추출된 사람 영역의 측정온도 데이터 중에서 미리 설정된 기준 정상온도범위에 대한 측정온도 데이터 패턴을 분석하여 현재 정상온도범위 사람들의 피부온도 값을 산출하며, 산출한 피부온도 값에서 기 설정된 발열 의심자와 정상인의 체온차이 값을 가산하여 알람온도 값을 설정한 후, 실제 측정한 사람 영역의 측정온도 값이 알람온도 값보다 높을 경우 알람을 출력하여 발열 의심자를 구분할 수 있도록 하는 외부 환경의 변화에 따른 발열 감지 장치에 관한 것이다.
즉, 한국등록특허 제2148638호는 단순히 체온을 통해서만 발열 의심자를 구분하여 감염 의심자를 확인할 수 있도록 하는 것으로, 본 발명에서 제안하고 있는 감염병에 대한 온톨리지를 구축하고, 온톨리지로 구축한 데이터세트를 학습하여 생성한 학습모델을 활용하여 감염 위험수준을 추정하는 방법 또한 전혀 기재하고 있지 않아 본 발명과 한국등록특허 제2148638호는 현저한 차이점이 있다.
또한 한국등록특허 제2139341호(2020.07.23.)는 감염병 확산 방지를 위한 출입통제 시스템에 관한 것으로, 법정 감염병이 유행할 때 검출로 출입하는 방문자들의 체온과 호흡을 측정함으로써 이상 여부를 구분하여 이상이 없는 방문자만 출입하도록 허용하고, 이상 징세를 보이는 방문자들의 출입을 차단함으로써 감염병이 건물 내부로 침입하는 것을 방지하는 감염병 확산 방지를 위한 출입통제 시스템에 관한 것이다.
그러나 한국등록특허 제21393741호는 단순히 체온과 호흡을 포함하는 생체정보만을 측정하여 이상 징세 여부를 보이는 방문자를 구분하는 것일 뿐이다.
반면에 본원발명은 감염병이 걸린 감염자로부터 생체정보를 포함하는 상황정보 및 상황정보에 따른 세부 상황정보를 미리 수집하여, 상황정보 및 세부 상황정보의 빈도에 따라 가중치를 설정한 데이터세트를 생성하여 특정 감염병에 대한 온톨리지를 구축하며, 상기 온톨리지를 구성하는 데이터세트를 학습하여 학습모델을 생성한 후, 실제 사용자로부터 획득한 상황정보 및 세부 상황정보를 상기 학습모델에 적용하여 학습모델의 출력에 따라 상기 사용자에 대한 상황을 인식함으로써 감염 의심자를 신속 정확하게 분류할 수 있도록 하는 것으로, 한국등록특허 제21393741호는 본 발명의 이러한 기술적 특징을 기재하거나 시사 혹은 그 어떠한 암시도 없다.
본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 특정 감염병에 대한 감염자로부터 생체정보와 문진결과에 따라 상황정보 및 해당 상황정보에 따른 세부 상황정보를 수집하고, 상기 수집한 상황정보 및 세부 상황정보의 빈도에 따라 가중치를 부여한 상황정보 데이터세트를 생성하여 상기 특정 감염병에 대한 온톨리지를 구축할 수 있도록 하는 AI 기반 감염 의심자 분류 장치 및 그 방법을 제공하는 것을 그 목적으로 한다.
또한 본 발명은 온톨리지를 활용하여 감염 위험수준을 추론하여, 감염 의심자를 신속 정확하게 분류할 수 있도록 하는 AI 기반 감염 의심자 분류 장치 및 그 방법을 제공하는 것을 그 목적으로 한다.
또한 본 발명은 감염자로부터 획득한 상황정보 및 세부 상황정보를 복수의 단계로 분류하고, 각 상황정보와 각 상황정보의 세부 상황정보의 빈도에 따라 가중치를 각각 설정하여 감염병에 대한 온톨리지를 구축하는 AI 기반 감염 의심자 분류 장치 및 그 방법을 제공하는 것을 그 목적으로 한다.
또한 본 발명은 온톨리지를 구성하는 단계별 데이터세트를 학습하여 각 상황정보 및 각 상황정보의 세부 상황정보에 대한 가중치를 추정하기 위한 학습모델을 생성하는 AI 기반 감염 의심자 분류 장치 및 그 방법을 제공하는 것을 그 목적으로 한다.
또한 본 발명은 사용자로부터 생체정보와 문진결과에 따라 각 단계별로 상황정보 및 세부 상황정보를 순차적으로 획득하고, 각 단계별 학습모델에 순차적으로 적용하여 상기 학습모델의 출력결과에 따라 상기 사용자에 대한 감염 위험수준을 추론하고, 감염 위험수준에 따라 상기 사용자를 감염 의심자로 분류하는 AI 기반 감염 의심자 분류 장치 및 그 방법을 제공하는 것을 그 목적으로 한다.
본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치는 사용자의 상황정보와 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득부, 상기 상황정보 및 세부 상황정보에 따라 감염병에 대한 사용자의 상황을 분석하는 상황 분석부 및 상기 분석한 결과에 따라 감염병에 대한 사용자의 상황을 추론하여 감염 의심자를 분류하는 상황 인식부를 포함하는 것을 특징으로 한다.
또한 상기 상황정보 및 세부 상황정보는 사전에 설정한 단계별 감염 의심자 분류과정에 따라 순차적으로 획득되며, 상기 상황정보는, 적어도 하나 이상의 생체정보와 각 단계별 전자문진의 문진항목으로 구성되며, 상기 세부 상황정보는, 상기 상황정보가 생체정보이면 생체정보의 측정값으로 구성되고 상기 상황정보가 문진항목이면 해당 문진항목에 대한 긍정여부로 구성되는 것을 특징으로 한다.
또한 상기 상황 분석부는 상기 감염병에 대한 온톨로지를 구성하는 데이터세트에 따라 상기 상황정보 및 상기 세부 상황정보와 상기 상황정보의 가중치 및 상기 세부 상황정보의 가중치간의 매핑관계를 학습하여 학습모델을 생성하는 학습모델 생성부 및 상기 사용자의 상황정보와 해당 상황정보에 대한 세부 상황정보를 상기 학습모델에 적용하여 상기 상황정보 및 세부 상황정보의 가중치를 각각 추정함으로써 감염병에 대한 사용자의 상황을 분석하는 가중치 추정부를 포함하는 것을 특징으로 한다.
또한 상기 상황 인식부는 상기 상황정보 및 세부 상황정보의 가중치를 감염 위험수준 추론모델에 적용하여 감염 위험수준을 추론함으로써 감염병에 대한 상기 사용자의 상황을 추론하는 감염 위험수준 추론부 및 상기 감염 위험수준이 사전에 설정한 임계값을 초과하는 경우 상기 사용자를 감염 의심자로 분류하는 감염 의심자 분류부를 포함하며, 상기 감염 위험수준 추론모델은 각 상황정보의 가중치와 각 상황정보에 대한 세부 상황정보의 가중치를 곱한 각각의 결과를 모두 더함으로써 상기 감염 위험수준을 계산하는 것을 특징으로 한다.
또한 상기 상황 인식부는 감염 의심자를 분류한 경우, 해당 사용자로부터 획득한 상황정보, 상황정보에 대한 세부 상황정보를 상기 감염병에 대한 온톨로지를 저장하는 온톨로지 리포지토리에 업데이트하는 업데이트부를 더 포함하며, 상기 데이터세트의 상황정보 및 세부 상황정보에 대한 가중치는 상기 상황정보 및 세부 상황정보의 빈도에 따라 업데이트되는 것을 특징으로 한다.
또한 상기 AI 기반 감염 의심자 분류 장치는 단계별 감염 의심자 분류과정을 순차적으로 수행하여 상기 감염 의심자를 분류하며, 특정 단계에서 감염 의심자를 분류하면 나머지 단계에 대한 감염 의심자 분류과정을 중단하는 것을 특징으로 한다.
아울러 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 방법은 사용자의 상황정보와 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득 단계, 상기 상황정보 및 세부 상황정보에 따라 감염병에 대한 사용자의 상황을 분석하는 상황 분석 단계 및 상기 분석한 결과에 따라 감염병에 대한 사용자의 상황을 추론하여 감염 의심자로 분류하는 상황 인식 단계를 포함하는 것을 특징으로 한다.
또한 상기 상황 분석 단계는 상기 감염병에 대한 온톨로지를 구성하는 데이터세트에 따라 상기 상황정보 및 상기 세부 상황정보와 상기 상황정보의 가중치 및 상기 세부 상황정보의 가중치간의 매핑관계를 학습하여 학습모델을 생성하는 학습모델 생성 단계 및 상기 사용자의 상황정보와 해당 상황정보에 대한 세부 상황정보를 상기 학습모델에 적용하여 상기 상황정보 및 세부 상황정보의 가중치를 각각 추정함으로써 감염병에 대한 사용자의 상황을 분석하는 가중치 추정 단계를 포함하는 것을 특징으로 한다.
또한 상기 상황 인식 단계는 상기 상황정보 및 세부 상황정보의 가중치를 감염 위험수준 추론모델에 적용하여 감염 위험수준을 추론함으로써 감염병에 대한 상기 사용자의 상황을 추론하는 감염 위험수준 추론 단계, 상기 감염 위험수준이 사전에 설정한 임계값을 초과하는 경우 상기 사용자를 감염 의심자로 분류하는 감염 의심자 분류 단계 및 감염 의심자를 분류한 경우, 해당 사용자로부터 획득한 상황정보 및 상황정보에 대한 세부 상황정보를 상기 감염병에 대한 온톨로지를 저장하는 온톨로지 리포지토리에 업데이트하는 업데이트 단계를 포함하는 것을 특징으로 한다.
이상에서와 같이 본 발명의 AI 기반 감염 의심자 분류 장치 및 그 방법은 사용자에 대한 상황정보 및 상황정보에 대한 세부 상황정보를 획득하고 미리 구축된 감염병에 대한 온톨로지를 활용하여 상황정보 및 세부 상황정보에 따른 감염 위험수준을 추론함으로써 감염 의심자를 조기에 분류(선별)하여 조치할 수 있도록 하여 감염병 확산을 미연에 방지할 수 있도록 하는 효과가 있다.
또한 본 발명은 온톨로지를 구성하는 상황정보 데이터세트를 학습하여 학습모델을 생성하고, 사용자로부터 획득한 상황정보 및 세부 상황정보를 학습모델에 적용하여 상기 학습모델의 출력결과에 따라 감염 위험수준을 신속 정확하게 추론할 수 있도록 하는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치 및 그 방법을 설명하기 위해 나타낸 개념도이다.
도 2는 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 1단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 1단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 1단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 2단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 2단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 2단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 8은 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 3단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 9는 본 발명의 일 실시예에 따른 3단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 10은 본 발명의 일 실시예에 따른 3단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 11은 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 4단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 12는 본 발명의 일 실시예에 따른 4단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 13은 본 발명의 일 실시예에 따른 4단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 14는 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 5단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 15는 본 발명의 일 실시예에 따른 5단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 16은 본 발명의 일 실시예에 따른 5단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 17은 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치의 구성을 나타낸 블록도이다.
도 18은 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치의 주요 구성부분간의 데이터 흐름을 도시한 타이밍도이다.
도 19는 본 발명의 일 실시예에 따른 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
이하, 첨부한 도면을 참조하여 본 발명의 AI 기반 감염 의심자 분류 장치 및 그 방법에 대한 바람직한 실시예를 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.
도 1은 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치 및 그 방법을 설명하기 위해 나타낸 개념도이다.
도 1에 도시한 바와 같이, 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치(100)(이하, 감염 의심자 분류 장치라 칭함)는 센서부와 디스플레이를 포함하여 구성되며, 사전에 설정한 시나리오에 따라 상기 센서부를 통해 사용자의 생체정보와 디스플레이를 통해 비대면 전자문진을 수행하여 상기 사용자의 상황정보를 획득하고, 사전에 구축한 감염병에 대한 온톨로지를 활용하여 획득한 상기 상황정보에 따라 감염병에 대한 사용자의 상황을 인식 및 추론하여 감염 의심자를 분류함으로써 조기에 조치(치료, 선별진료소 방문 등)할 수 있도록 하는 기능을 수행한다. 이를 통해 감염병 확산을 미연에 방지할 수 있다.
또한 감염 의심자 분류 장치(100)는 건물의 출입구, 공공장소 등과 같이 다양한 장소에 설치되어 감염 의심자를 분류할 수 있도록 구현된다.
또한 상황정보는 생체정보의 종류와 전자문진에 포함된 문진항목으로 구성되며, 세부 상황정보는 각 상황정보에 대한 세부 사항을 의미하는 것으로 생체정보의 측정값과 문진항목에 대한 긍정여부(긍정 및 부정)로 구성된다.
또한 감염병에 대한 온톨로지는 각 상황정보 및 각 상황정보에 대한 세부 사항정보가 사전에 설정한 코드로 인스턴스화되고, 각 상황정보, 각 상황정보에 대한 세부 상황정보, 상황정보의 가중치 및 세부 상황정보의 가중치를 포함하는 상황정보 데이터세트로 구성된다.
또한 상황정보 데이터세트는 단계별 감염 의심자 분류과정에 따라 복수의 단계별로 구분되어 구성되며, 상황정보 및 세부 상황정보의 가중치는 각 상기 상황정보와 세부 상황정보의 빈도에 따라 사전에 설정되며, 감염자의 상황정보와 세부 상황정보가 새롭게 업데이트될 때마다 빈도에 따라 업데이트될 수 있다.
즉, 감염자에 대한 특정 상황정보과 세부 상황정보의 빈도가 다른 상황정보와 세부 상황정보 보다 높아지면 상기 특정 상황정보와 세부 상황정보의 가중치는 높아지도록 업데이트되며, 낮아지면 낮아지도록 업데이트되는 것이다.
또한 센서부는 생체정보를 측정하기 위한 적어도 하나 이상의 센서를 포함하여 구성된다. 여기서 생체정보는 체온(temperature), 호흡수(respiratory rate), 심박수(heart rate) 및 산소 포화도(oxygen saturation)를 포함한다.
또한 센서부는 체온을 측정하기 위한 열화상 카메라나 비접촉 온도계로 구성되는 체온 측정 센서, 사용자의 특정 손가락(예: 왼쪽 검지)에 착용되고 광용적맥파(PPG, photo-plethysmography)를 이용하여 호흡수, 심박수 및 산소 포화도를 측정하기 위한 호흡, 심박 및 산호 포화도 측정 센서로 구성될 수 있다. 다만 본 발명의 센서부는 이에 한정하지 않으며 체온, 호흡수, 심박수 및 산호 포화도를 측정하기 위한 다양한 센서로 구성될 수 있다.
여기서, 체온, 호흡수, 심박수 및 산소 포화도가 각각의 상황정보가 되며, 체온 측정값, 호흡수 측정값, 심박수 측정값 및 산소 포화도 측정값이 각 상기 상황정보에 대한 세부 상황정보가 된다.
또한 감염 의심자 분류 장치(100)는 단계별로 구분한 상황정보 데이터세트를 학습하여 각 단계별로 상황정보와 각 상황정보에 따른 세부 상황정보에 대한 가중치를 추정하기 위한 학습모델을 각 단계별로 각각 생성한다.
한편, 학습모델은 감염 의심자 분류 장치(100)에서 생성될 수 있으나, 관리서버(200)나 별도의 학습 서버에서 수행되어 감염 의심자 분류 장치(100)로 제공될 수 있다.
또한 감염 의심자 분류 장치(100)는 사전에 설정한 시나리오에 따라 감염 의심자를 분류하기 위한 상황정보 및 상황정보에 대한 세부 상황정보를 단계별로 각각 획득한다.
또한 감염 의심자 분류 장치(100)는 각 단계에 따라 획득한 상황정보 및 세부 상황정보를 해당하는 각 단계별 학습모델에 각각 입력하여 학습모델에서 출력되는 상기 상황정보와 세부 상황정보에 대한 가중치를 추정함으로써 감염병에 대한 사용자의 상황을 인식하며, 상기 각 가중치를 이용하여 감염 의심수준을 추론함으로써 상기 감염병에 대한 사용자의 상황을 추론한다.
상기 감염 의심수준을 추론하는 것은 사전에 정의한 감염 의심수준 추론 모델(수식)에 따라 수행되며, 상기 추론한 결과 감염 의심수준이 사전에 설정한 임계값을 초과하는 경우에 해당 사용자를 감염 의심자로 분류한다.
이때, 감염 의심자 분류 장치(100)는 특정 단계에서 감염 의심자를 분류하였으면 더 이상 감염 의심자를 분류하는 것을 중지하고 디스플레이, 스피커 또는 이들의 조합으로 분류한 결과(예: 감염 의심자로 의심되니 가까운 선별 진료소나 병원으로 방문)를 시청각적으로 출력하여 조치를 취할 수 있도록 한다.
한편, 학습모델을 생성하는 것과 단계별로 감염 의심자를 분류하는 것 및 감염 위험수준 추론모델은 도 2 내지 도 16을 참조하여 상세히 설명하도록 한다.
또한 감염 의심자 분류 장치(100)는 사용자가 감염 의심자로 분류되었으면, 해당 사용자에 대해 획득한 상황정보 및 세부 상황정보를 온톨로지 리포지토리(300)에 업데이트하여 상기 상황정보 및 세부 상황정보의 빈도에 따라 가중치를 업데이트할 수 있도록 한다.
한편 온톨로지 리포지토리(300)는 사전에 감염자로부터 수집한 상황정보 및 세부 상황정보에 각각 부여한 가중치를 설정한 데이터세트를 저장함으로써 감염병에 대한 온톨로지를 구축하여 저장하는 기능을 수행한다. 여기서 감염병에 대한 온톨로지는 COVID-19, MERS 등과 같이 다양한 감염병별로 구축될 수 있으며, 감염자의 연령, 성별, 인종에 따라 각각 구축될 수 있다.
또한 관리서버(200)는 다양한 장소에 위치하는 감염 의심자 분류 장치(100)에 대한 위치정보 등을 저장하여 각 감염 의심자 분류 장치(100)를 관리하거나, 학습모델을 생성하여 감염 의심자 분류 장치(100)로 제공하거나, 감염 의심자의 발생에 따라 온톨로지 리포지토리(300)에 업데이트되는 결과에 따라 가중치를 업데이트하는 것과 같이 감염 의심자를 분류하기 위한 다양한 정보 등을 관리하는 기능을 수행한다.
도 2는 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 1단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 2에 도시한 바와 같이, 본 발명의 일 실시예에 따른 상황정보 데이터세트는 감염자로부터 상황정보 및 상황정보에 대한 세부 상황정보를 상황정보 분류표에 따라 생성됨으로써 특정 감염병에 대한 온톨로지를 구축할 수 있도록 한다.
또한 상황정보 분류표는 감염 의심자를 분류하기 위한 단계별 감염 의심자 분류과정에 따라 구분되며, 상황정보 분류, 상황정보(Ci), 상황정보의 가중치(fi), 각 상황정보에 대한 세부 상황정보(T) 및 세부 상황정보의 가중치(Tij)를 포함하여 구성된다.
또한 도 2에 도시한 각 가중치는 일예일 뿐이며, 상황정보에 대한 가중치와 각 상황정보의 세부 상황정보에 대한 가중치는 상황정보와 세부 상황정보의 빈도에 따라 각각 설정된다.
또한 1단계 상황정보 분류표는 생체정보 및 비대면 필수문진으로 상황정보를 분류하도록 구성되며, 상황정보는 체온(C1), 호흡수(C2), 심박수(C3) 및 산소 포화도(C4)를 포함하는 생체정보, 연령(C5), 성별(C6), 거주지역(C7), 호흡기 질환(C8) 및 백신접종(C9)을 포함하는 비대면 필수문진의 질문항목을 포함하여 구성된다.
또한 각 생체정보에 대한 세부 상황정보는 정상여부로 구성되며, 해당 세부 상황정보에 대한 가중치는 정상여부에 따라 부여되어 구성된다. 다만, 생체정보에 대한 세부 상황정보는 생체정보에 대한 측정값이 될 수 있으며, 각 세부 상황정보에 대한 가중치는 측정값에 따라 부여되어 구성될 수 있다.
이때, 1단계 상황정보 분류표는 심박수(C3)에 대해서, 연령대별료 정상여부를 구분하여 구성될 수 있다. 예를 들어, 6 ~ 11세의 정상여부, 12 ~ 59세의 정상 심박여부를 구분하여 구성될 수 있다.
또한 산소포화도의 경우에도, 일반인에 대한 정상여부, 호흡기 질환자에 대한 정상여부로 구분하여 구성될 수 있다.
예를 들어, 생체정보에 대한 세부 상황정보에 대한 가중치(Tij)에서 j가 1인 경우 정상에 대한 가중치, j가 2이면 비정상에 대한 가중치를 의미한다.
또한 연령의 세부 상황정보는 연령에 따른 노년, 중년, 청년, 미성년자를 포함하여 연령에 따라 사용자를 구분할 수 있도록 하며, 성별은 남성, 여성을 포함한다.
또한 호흡기 질환 및 백신접종에 대한 세부 상황정보는 긍정여부에 따라 구별되며, 해당 각 세부 상황정보에 대한 가중치는 긍정여부(j=1이면 긍정, j=2이면 부정)에 따라 부여된다.
또한 1단계 상황정보 데이터세트는 생체정보 데이터세트와 비대면 필수문진 데이터세트를 포함하여 구성된다. 생체정보 데이터세트는 각 생체정보에 대한 상황정보를 나타내는 코드(C1 내지 C4), 각 상황정보에 대한 가중치, 각 상황정보에 대한 세부 상황정보(예: 측정값) 및 세부 상황정보에 따른 가중치를 포함한다. 또한 비대면 필수문진 데이터세트는 각 비대면 필수문진에 따른 상황정보를 나타내는 코드(C5 내지 C9), 상황정보에 대한 가중치, 각 상황정보에 대한 세부 상황정보에 대한 코드(예: 긍정이면 1, 부정이면 2) 및 각 세부 상황정보에 대한 가중치를 포함한다.
즉, 데이터세트는 상황정보 및 세부 상황정보에 대한 가중치를 각각 매핑한 매핑테이블로 구성되는 것이다.
또한 감염 의심자 분류 장치(100)는 1단계 상황정보 데이터세트를 참조하여 상황정보 및 세부 상황정보에 대한 각 가중치간의 매핑관계를 학습하여 1단계 가중치 추정용 학습모델을 생성한다.
여기서, 학습모델은 학습네트워크를 통해 수행되며, 상기 학습네트워크는 ANN(artificial neural network), CNN(convolutional neural network) 등과 같이 다양한 학습네트워크를 이용할 수 있다.
도 3은 본 발명의 일 실시예에 따른 1단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 3에 도시한 바와 같이, 본 발명의 일 실시예에 따른 감염 의심자 분류 장치(100)는 1단계 감염 의심자 분류과정을 수행하여 감염 의심자를 분류한다.
이때, 감염 의심자 분류 장치(100)는 센서부를 통해 사용자에 대한 생체정보를 획득하고, 연령, 성별, 거주지역, 호흡기 질환, 백신접종에 대한 문진항목을 순차적으로 디스플레이하여 비대면 필수문진(1단계 비대면 전자문진)을 수행하여 각 문진항목에 대한 긍정 혹은 부정적인 입력받음으로써, 1단계 상황정보 및 각 상황정보에 대한 세부 상황정보를 획득한다.
이때, 감염 의심자 분류 장치(100)는 각 상황정보 및 세부 상황정보를 사전에 설정한 코드로 변환하여 인스턴스화한다. 여기서, 상황정보가 생체정보이면 세부 상황정보는 각 측정값이 된다.
또한 감염 의심자 분류 장치(100)는 인스턴스화한 상황정보와 세부 상황정보를 해당하는 1단계 가중치 추정용 학습모델에 각각 입력함으로써 해당 학습모델의 출력결과에 따라 상기 각 상황정보와 각 상황정보에 대한 세부 상황정보에 대한 가중치를 추정하여 감염병에 대한 사용자의 상황을 인식한다.
예를 들어, 체온(상황정보) 및 체온 측정값(세부 상황정보)에 대한 각 가중치를 추정하기 위해, 감염 의심자 분류 장치(100)는 체온에 대한 코드(C1)와 상기 체온을 측정한 측정값인 세부 상황정보(T)를 1단계 가중치 추정용 학습모델 중 체온에 대한 학습모델에 입력하여, 해당 학습모델이 출력에 따라 각 가중치를 추정한다.
또 다른 예로써, 비대면 필수문진을 통한 상황정보인 호흡기 질환 및 백신접종에 대한 가중치와 상기 호흡기 질환 및 백신접종에 대한 각 세부 상황정보에 대한 가중치를 추정하기 위해, 감염 의심자 분류 장치(100)는 호흡기 질환 및 백신접종에 대한 코드(C8 및 C9) 및 C8과 C9의 긍정여부에 따른 코드(긍정:1, 부정:2)를 1단계 가중치 추정용 학습모델의 비대면 필수문진 학습모델에 입력함으로써 각 가중치를 추정한다.
즉, 가중치 추정용 학습모델은 상황정보 및 세부 상황정보에 대한 가중치를 각각 출력하도록 학습되는 것이다.
또한 감염 의심자 분류 장치(100)는 1단계 가중치 추정용 학습모델에서 출력한 각 상황정보에 대한 가중치와 각 상기 상황정보의 세부 상황정보에 대한 가중치를 다음의 [감염 의심수준 추론 모델]에 적용하여 1단계 전체 상황정보(CI, context information)에 대한 감염 위험수준을 추론하여 감염병에 대한 사용자의 상황을 추론한다.
[감염 위험수준 추론모델]
여기서, fi는 상황정보의 가중치를 의미하며, Tij는 해당 상황정보에 따른 세부 상황정보의 가중치를 의미한다.
즉, 감염 의심자 분류 장치(100)는 각 1단계 학습모델을 통해 추정한 각 상황정보의 가중치와 해당 상황정보에 대한 세부 상황정보의 가중치를 곱한 결과를 모두 합산함으로써 전체 1단계 상황정보의 감염 위험수준을 추론한다.
이후, 감염 의심자 분류 장치(100)는 감염 위험수준이 사전에 설정한 임계값을 초과하면 해당 사용자를 감염 의심자로 분류한다.
도 4는 본 발명의 일 실시예에 따른 1단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 1단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차는 우선, 감염 의심자 분류 장치(100)는 센서부를 통해 사용자의 생체정보를 측정(S110)하고 1단계 비대면 전자문진인 비대면 필수 문진을 수행(S111)하여 생체정보 측정결과와 비대면 필수 문진결과의 각 문진항목에 따라 복수의 1단계 상황정보 및 각 1단계 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득 단계를 수행한다(S120).
다음으로 감염 의심자 분류 장치(100)는 각 1단계 상황정보 및 상기 각 1단계 상황정보에 대한 세부 상황정보를 해당하는 1단계 가중치 추정용 학습모델에 각각 적용하여 각 1단계 상황정보 및 1단계 상황정보에 대한 세부 상황정보의 가중치를 각각 추정하는 가중치 추정 단계를 수행한다(S130).
다음으로 감염 의심자 분류 장치(100)는 가중치 추정 단계를 통해 추정한 각 가중치를 이용하여 전체 1단계 상황정보에 대한 감염 위험수준을 추론한다(S140).
여기서, 감염 위험수준을 추론하는 것은 감염 위험수준 추론모델에 각 상황정보 및 각 상황정보에 따른 세부 상황정보에 대해 추정한 각 가중치를 적용함으로서 수행됨은 상술한 바와 같다.
다음으로 감염 의심자 분류 장치(100)는 감염 위험수준을 추론한 결과가 사전에 설정한 임계값을 초과하는 경우(S150), 해당 사용자는 감염 의심자로 분류하고, 분류한 결과를 출력하는 분류결과 출력 단계를 수행한다(S160).
이때, 분류결과는 선별진료소 방문을 권고하는 텍스트나 음성 또는 이들의 조합으로 출력된다.
다음으로 감염 의심자 분류 장치(100)는 감염 의심자로 분류한 사용자의 1단계 상황정보 및 세부 상황정보를 업데이트하는 업데이트 단계를 수행한다(S170). 여기서 업데이트하는 것은 해당 상황정보 및 세부 상황정보를 온톨로지 리포지토리로 제공함으로서 수행된다.
한편, 관리서버(200)는 주기적으로 온톨로지 리포지토리를 분석하여 상황정보 및 세부 상황정보의 빈도에 따라 가중치를 업데이트하고, 업데이트한 결과를 학습모델에 반영하여 상기 학습모델을 업데이트하여 감염 의심자 분류 장치(100)로 제공할 수 있다.
한편, 감염 의심자 분류 장치(100)는 S150단계에서, 감염 위험수준이 사전에 설정한 임계값을 초과하지 않는 경우에는 2단계 감염 의심자 분류과정을 수행한다.
도 5는 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 2단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 5에 도시한 바와 같이, 본 발명의 일 실시예에 따른 2단계 상황정보 데이터세트는 2단계 상황정보 분류표에 따라 생성된다.
또한 2단계 상황정보 분류표는 확진자 접촉(C10), 해외 의료기관 방문(C11), 자가격리 이력(C12), 발열감(C13) 및 기침(C14)을 포함하는 2단계 상황정보, 각 2단계 상황정보의 가중치, 2단계 상황정보에 대한 세부 상황정보 및 해당 세부 상황정보별 가중치를 포함하여 구성된다. 2단계 상황정보에 대한 세부 상황정보는 비대면 상태문진을 통해 획득된다.
2단계 상황정보에 대한 세부 상황정보는 정상여부로 구성되며, 해당 세부 상황정보의 가중치는 상기 정상여부에 따라 부여된다.
또한 2단계 상황정보에 대한 2단계 데이터세트는 2단계 상황정보를 각각 나타내는 코드(C10 내지 C14), 각 2단계 상황정보에 대한 가중치, 각 2단계 상황정보에 따른 세부 상황정보의 정상여부에 따른 코드(정상: 1, 비정상: 2) 및 정상여부에 따라 부여된 세부 상황정보에 따른 가중치를 포함하여 구성된다.
또한 감염 의심자 분류 장치(100)는 2단계 데이터세트를 참조하여 2단계 상황정보 및 세부 상황정보에 대한 각 가중치간의 매핑관계를 학습하여 2단계 가중치 추정용 학습모델을 생성한다. 학습모델을 생성하는 것은 도 1을 참조하여 설명한 것과 동일하다.
도 6은 본 발명의 일 실시예에 따른 2단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 6에 도시한 바와 같이, 본 발명의 일 실시예에 따른 감염 의심자 분류 장치(100)는 1단계 감염 의심자 분류과정을 통해 해당 사용자가 정상인으로 판정되면 2단계 감염 의심자 분류과정을 수행하여 감염 의심자를 분류한다.
이때, 감염 의심자 분류 장치(100)는 2단계 전자문진인 비대면 상태문진을 수행하여 확진자 접촉, 해외 의료기간 방문, 자가격리 이력, 발열감 및 기침에 대한 문진항목을 순차적으로 디스플레이하여 각 문진항목에 대한 긍정 혹은 부정적인 답변을 입력받음으로써, 2단계 상황정보 및 각 2단계 상황정보에 대한 세부 상황정보를 획득한다.
이후 감염 의심자 분류 장치(100)는 각 2단계 상황정보 및 세부 상황정보를 사전에 설정한 코드로 변환하여 인스턴스화하고, 상기 인스턴스화한 각 2단계 상황정보 및 세부 상황정보를 2단계 가중치 추정용 학습모델에 적용하여 상기 각 상황정보와 각 상황정보에 대한 세부 상황정보에 대한 가중치를 추정한다.
또한 감염 의심자 분류 장치(100)는 추정한 2단계 상황정보의 가중치 및 2단계 상황정보에 따른 세부 상황정보에 대한 각 가중치를 감염 위험수준 추론모델에 적용하여 2단계 전체 상황정보(CI)에 대한 감염 위험수준을 추론하여 감염 위험수준에 따라 해당 사용자를 감염 의심자로 분류한다.
한편 감염 의심자를 분류하는 것은 도 3을 참조하여 설명한 것과 동일한 과정을 통해 수행된다.
도 7은 본 발명의 일 실시예에 따른 2단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 7에 도시한 바와 같이, 본 발명의 일 실시예에 따른 2단계 감염 의심자 분류과정은, 우선 감염 의심자 분류 장치(100)는 각 2단계 상황정보 및 2단계 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득 단계를 수행한다(S210). 여기서 2단계 상황정보에 대한 세부 상황정보를 획득하는 것은 비대면 상태문진(2단계 전자문진)을 통해서 획득됨은 상술한 바와 같다.
다음으로 감염 의심자 분류 장치(100)는 2단계 상황정보 및 세부 상황정보를 2단계 가중치 추정용 학습모델에 적용하여 각 가중치를 추정하는 가중치 추정 단계(S220) 및 각 가중치를 감염 위험수준 추론모델에 적용하여 전체 2단계 상황정보에 대한 감염 위험수준을 추론하는 감염 위험수준 추론 단계(S230)를 수행한다.
다음으로 감염 의심자 분류 장치(100)는 감염 위험수준이 임계값을 초과(S240)하면 해당 사용자를 감염 의심자로 분류하여 분류한 결과를 출력하는 분류결과 출력단계(S250) 및 감염 의심자로 분류한 사용자의 1, 2단계 상황정보 및 1, 2단계 상황정보에 대한 세부 상황정보를 업데이트하는 상황정보 업데이트 단계를 수행한다(S260).
여기서, 감염 위험수준이 임계값을 초과하지 않는 경우, 감염 의심자 분류 장치(100)는 3단계 감염 의심자 분류과정을 수행한다(S241).
한편, 도 7의 각 단계는 2단계 상황정보를 이용하는 것만 다를 뿐, 도 7의 각 단계에 대응하는 도 4의 각 단계와 동일하므로 상세한 설명은 생략한다.
도 8은 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 3단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 8에 도시한 바와 같이, 본 발명의 일실시예에 따른 3단계 상황정보 데이터세트는 3단계 분류표에 따라 생성되며, 피로감(C15), 근육통(C16), 가래(C17), 숨참(C18), 흉통(C19) 및 오한(C20)로 구성되는 각 3단계 상황정보를 나타내는 코드(C15 내지 C20), 각 3단계 상황정보의 가중치, 각 3단계 상황정보에 대한 세부 상황정보의 정상여부에 따른 코드(정상: 1, 비정상: 2) 및 정상여부에 따라 부여할 세부 상황정보의 가중치를 포함하여 구성된다.
또한 감염 의심자 분류 장치(100)는 3단계 데이터세트를 참조하여 3단계 상황정보 및 세부 상황정보에 대한 각 가중치간의 매핑관계를 학습하여 3단계 가중치 추정용 학습모델을 생성한다. 학습모델을 생성하는 것은 도 1을 참조하여 설명한 것과 동일하다.
도 9는 본 발명의 일 실시예에 따른 3단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 9에 도시한 바와 같이, 본 발명의 일 실시예에 따른 3단계 감염 의심자 분류과정은 3단계 전자문진인 제1 비대면 증상문진을 통해 획득한 3단계 상황정보와 3단계 상황정보에 대한 세부 상황정보를 이용하는 것만 다를 뿐, 도 3을 참조하여 설명한 2단계 감염 의심자 분류과정과 동일하다. 따라서 3단계 감염 의심자 분류과정을 설명하는 것은 생략하도록 한다.
도 10은 본 발명의 일 실시예에 따른 3단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 10에 도시한 바와 같이, 본 발명의 일 실시예에 따른 감염 의심자 분류 장치(100)는 3단계 상황정보 및 각 3단계 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득 단계(S310), 상기 3단계 상황정보 및 세부 상황정보를 3단계 가중치 추정용 학습모델에 적용하여 각 가중치를 추정하는 가중치 추정 단계(S320), 추정한 각 가중치를 감염 위험수준 추론모델에 적용하여 전체 3단계 상황정보에 대한 감염 위험수준을 추론하는 감염 위험수준 추론 단계(S330), 추론한 감염위험 수준이 사전에 설정한 임계값을 초과(S340)하면 해당 사용자를 감염 의심자로 분류하여 분류한 결과를 출력하는 분류결과 출력 단계(S350), 감염 의심자로 분류한 사용자의 1, 2, 3단계 상황정보 및 세부 상황정보를 업데이트하는 상황정보 업데이트 단계(S360) 및 감염 위험수준이 임계값을 초과하지 않으면 4단계 감염 의심자 분류과정을 수행하는 단계(S341)를 포함하여 3단계 감염 의심자 분류과정을 수행한다.
한편, 3단계 감염 의심자 분류과정은, 3단계 상황정보를 이용하는 것만 다를 뿐, 도 7의 2단계 감염 의심자 분류과정과 동일하므로 도 10에 도시한 각 단계에 대한 상세한 설명은 생략하도록 한다.
도 11은 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 4단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 11에 도시한 바와 같이, 본 발명의 일실시예에 따른 4단계 상황정보 데이터세트는 4단계 분류표에 따라 생성되며, 두통(C21), 목따가움(C22) 및 어지러움(C23)으로 구성되는 각 3단계 상황정보를 나타내는 코드(C21 내지 C22), 각 4단계 상황정보에 대한 가중치, 각 4단계 상황정보에 대한 세부 상황정보의 정상여부에 따른 코드(정상: 1, 비정상: 2) 및 정상여부에 따라 부여된 세부 상황정보에 따른 가중치를 포함하여 구성된다.
또한 감염 의심자 분류 장치(100)는 4단계 데이터세트에 따라 4단계 상황정보 및 세부 상황정보에 대한 각 가중치간의 매핑관계를 학습하여 4단계 가중치 추정용 학습모델을 생성한다.
도 12는 본 발명의 일 실시예에 따른 4단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 12에 도시한 바와 같이, 본 발명의 일 실시예에 따른 4단계 감염 의심자 분류과정은 3단계 감염 의심자 분류과정을 통해 해당 사용자가 정상인으로 판단된 경우에 수행되는 것으로, 4단계 상황정보와 4단계 상황정보에 대한 세부 상황정보를 이용하는 것만 다를 뿐, 도 9를 참조하여 설명한 3단계 감염 의심자 분류과정과 동일하다.
다만, 4단계 상황정보 및 세부 상황정보는 4단계 전자문진인 제2 비대면 증상문진을 통해 획득된다.
도 13은 본 발명의 일 실시예에 따른 4단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 13에 도시한 바와 같이, 본 발명의 일 실시예에 따른 감염 의심자 분류 장치(100)는 4단계 상황정보와 각 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득 단계(S410), 상기 4단계 상황정보 및 세부 상황정보를 4단계 가중치 추정용 학습모델에 적용하여 각 가중치를 추정하는 가중치 추정 단계(S420), 추정한 각 가중치를 감염 위험수준 추론모델에 적용하여 전체 4단계 상황정보에 대한 감염 위험수준을 추론하는 감염 위험수준 추론 단계(S430), 추론한 감염위험 수준이 사전에 설정한 임계값을 초과(S440)하면 해당 사용자를 감염 의심자로 분류하여 분류한 결과를 출력하는 분류결과 출력 단계(S450), 감염 의심자로 분류한 사용자의 1, 2, 3, 4단계 상황정보 및 세부 상황정보를 업데이트하는 상황정보 업데이트 단계(S460) 및 감염 위험수준이 임계값을 초과하지 않으면 5단계 감염 의심자 분류과정을 수행하는 단계(S441)를 포함하여 4단계 감염 의심자 분류과정을 수행한다.
한편, 4단계 감염 의심자 분류과정은, 4단계 상황정보를 이용하는 것만 다를 뿐, 도 10의 3단계 감염 의심자 분류과정과 동일하므로 도 13에 도시한 각 단계에 대한 상세한 설명은 생략하도록 한다.
도 14는 본 발명의 일 실시예에 따른 감염 의심자를 분류하기 위한 5단계 데이터세트와 학습모델을 생성하는 과정을 나타낸 도면이다.
도 14에 도시한 바와 같이, 본 발명의 일실시예에 따른 5단계 상황정보 데이터세트는 5단계 분류표에 따라 생성되며, 설사(C24), 피가래(C25) 및 코막힘(C26)으로 구성되는 각 5단계 상황정보를 나타내는 코드(C21 내지 C22), 각 5단계 상황정보에 대한 가중치, 각 5단계 상황정보에 따른 세부 상황정보의 정상여부에 따른 코드(정상: 1, 비정상: 2) 및 정상여부에 따라 부여된 세부 상황정보에 따른 가중치를 포함하여 구성된다.
또한 감염 의심자 분류 장치(100)는 5단계 데이터세트에 따라 5단계 상황정보 및 세부 상황정보에 대한 각 가중치간의 매핑관계를 학습하여 5단계 가중치 추정용 학습모델을 생성한다.
도 15는 본 발명의 일 실시예에 따른 5단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 방법을 나타낸 도면이다.
도 15에 도시한 바와 같이, 본 발명의 일 실시예에 따른 5단계 감염 의심자 분류과정은 4단계 감염 의심자 분류과정에서 해당 사용자가 정상인으로 판단된 경우에 수행되는 것으로, 5단계 상황정보와 5단계 상황정보에 대한 세부 상황정보를 이용하는 것만 다를 뿐, 도 12를 참조하여 설명한 4단계 감염 의심자 분류과정과 동일하다. 다만, 5단계 상황정보에 따른 세부 상황정보는 5단계 전자문진인 제3 비대면 증상문진을 통해 획득된다.
도 16은 본 발명의 일 실시예에 따른 5단계 감염 의심자 분류과정을 통해 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 16에 도시한 바와 같이, 본 발명의 일 실시예에 따른 감염 의심자 분류 장치(100)는 5단계 상황정보와 세부 상황정보를 획득하는 상황정보 획득 단계(S510), 상기 5단계 상황정보 및 각 5단계 상황정보에 대한 세부 상황정보를 5단계가중치 추정용 학습모델에 적용하여 각 가중치를 추정하는 가중치 추정 단계(S520), 추정한 각 가중치를 감염 위험수준 추론모델에 적용하여 전체 5단계 상황정보에 대한 감염 위험수준을 추론하는 감염 위험수준 추론 단계(S530), 추론한 감염위험 수준이 사전에 설정한 임계값을 초과(S540)하면 해당 사용자를 감염 의심자로 분류하여 분류한 결과를 출력하는 분류결과 출력 단계(S550), 감염 의심자로 분류한 사용자의 1, 2, 3, 4 및 5단계 상황정보 및 세부 상황정보를 업데이트하는 상황정보 업데이트 단계(S560) 및 감염 위험수준이 임계값을 초과하지 않으면 해당 사용자를 정상인으로 분류하고 분류한 결과(예: "정상입니다.")를 출력하는 분류결과 출력 단계(S510)를 포함하여 5단계 감염 의심자 분류과정을 수행한다.
한편, 5단계 감염 의심자 분류과정은, 5단계 상황정보를 이용하는 것만 다를 뿐, 도 13의 4단계 감염 의심자 분류과정과 동일하므로 도 16에 도시한 각 단계에 대한 상세한 설명은 생략하도록 한다.
도 17은 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치의 구성을 나타낸 블록도이다.
도 17에 도시한 바와 같이, 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치(100)는 사용자에 대한 상황정보 및 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득부(110), 획득한 상황정보 및 세부 상황정보를 인스턴스화하는 상황정보 인스턴스화부(120), 상기 상황정보 및 세부 상황정보에 따라 감염병에 대한 사용자의 상황을 분석하는 상황 분석부(130), 상기 분석한 결과에 따라 감염병에 대한 사용자의 상황을 인식하여 감염 의심여부를 판단함으로써 감염 의심자를 분류하는 상황 인식부(140) 및 분류결과 출력부(150)를 포함하여 구성된다.
또한 상황정보 획득부(110)는 사전에 설정한 시나리오에 따라 사용자에 대한 상황정보를 획득하는 것으로, 생체정보를 측정하는 생체정보 측정부(111) 및 전자문진을 수행하는 전자문진 수행부(112)를 포함하여 구성된다.
또한 상황정보를 획득하는 것은, 총 5단계로 구성된 감염 의심자 분류과정에 따라 순차적으로 수행됨은 상술한 바와 같다.
또한 1단계 감염 의심자 분류과정을 수행하는 경우, 생체정보와 1단계 전자문진(비대면 필수 문진)을 수행하게 된다.
또한 생체정보 측정부(111)는 1단계 감염 의심자 분류과정을 수행할 때, 센서부를 구성하는 적어도 하나 이상의 센서를 통해 생체정보를 측정하여 생체정보로 구성되는 상황정보에 따른 세부 상황정보를 획득하는 기능을 수행한다.
또한 전자문진 수행부(112)는 단계별 감염 의심자 분류과정에 따라 단계별 전자문진을 수행하여 단계별 전자문진의 항목인 단계별 상황정보에 따라 세부 상황정보를 획득하는 기능을 수행한다.
즉, 상황정보 획득부(110)는 단계별 상황정보에 따른 세부 상황정보를 획득하는 것으로, 각 단계별 상황정보와 세부 상황정보는 도 2, 도 5, 도 8, 도 11 및 도 14를 참조하여 설명하였으므로 더 이상의 상세한 설명은 생략한다.
또한 상황정보 인스턴스화부(120)는 상황정보와 세부 상황정보를 사전에 설정한 코드로 인스턴스화하는 기능을 수행한다. 이때, 상황정보의 세부 상황정보가 생체정보에 대한 측정값이면 측정값이 세부 상황정보가 된다.
또한 상황 분석부(130)는 상황정보와 상황정보에 따른 세부 상황정보에 따라 감염병에 대한 사용자의 상황을 분석하는 것으로, 학습모델 생성부(131) 및 가중치 추정부(132)를 포함하여 구성된다.
또한 학습모델 생성부(131)는 감염병에 대한 온톨로지를 구성하는 상황정보 데이터세트에 따라 상황정보와 세부 상황정보 및 상황정보의 가중치와 세부 상황정보의 가중치간의 매핑관계를 학습하여 가중치 추정용 학습모델을 생성하는 기능을 수행한다.
여기서, 상황정보 데이터세트는 단계별 감염 의심자 분류과정에 따라 단계별로 구분됨은 상술한 바와 같다. 따라서 학습모델 생성부(131)는 각 단계별 상황정보 데이터세트를 이용하여 학습을 수행함으로써 단계별로 적어도 하나 이상의 가중치 추정용 학습모델을 각각 생성한다. 한편 학습모델을 생성하는 것은 도 2, 도 5, 도 8, 도 11, 도 14를 참조하여 설명하였으므로 여기서는 생략한다.
또한 가중치 추정부(132)는 단계별로 획득한 상황정보에 따른 세부 상황정보에 따라 상황정보와 세부 상황정보를 해당 학습모델에 각각 적용하여 상기 학습모델의 출력에 따라 상기 상황정보 및 세부 상황정보에 대한 가중치를 추정함으로써 감염병에 대한 사용자의 상황을 분석하는 기능을 수행한다.
또한 상황 인식부(140)는 감염 의심자 분류과정을 각 단계에 따라 순차적으로 수행하고, 각 단계에 따라 상황정보 및 세부 상황정보의 가중치를 이용하여 사용자의 감염병에 대한 상황을 인식함으로써 감염 의심자를 분류하는 기능을 수행하는 것으로, 감염 위험수준 추론부(141), 감염 의심자 분류부(142), 업데이트부(143)를 포함하여 구성된다.
또한 감염 위험수준 추론부(141)는 상황 분석부(130)에서 추정한 상황정보 및 세부 상황정보에 대한 가중치를 사전에 설정한 감염 위험수준 추론모델에 적용하여 해당 사용자에 대한 감염 위험수준을 추론함으로써 상기 사용자에 대한 상황을 인식한다.
또한 감염 의심자 분류부(142)는 감염 위험수준을 추론한 결과 사전에 설정한 임계값을 초과하면 해당 사용자를 감염 의심자로 분류하고 임계값을 초과하지 않으면 정상인으로 판단(분류)한다.
또한 업데이트부(143)는 감염 의심자를 분류한 경우, 현재까지 해당 사용자에 대해 획득한 상황정보 및 상황정보에 대한 세부 상황정보를 온톨로지 리포지토리(300)에 업데이트하여, 상황정보와 세부 상황정보의 빈도에 따라 각 가중치를 업데이트할 수 있도록 한다.
한편, 각 가중치가 업데이트되면 학습모델 생성부(131)는 가중치가 업데이트된 데이트세트를 반영하여 상기 학습모델을 업데이트하는 기능을 더 포함한다.
또한 분류결과 출력부(150)는 감염 의심자 분류결과를 시청각적으로 출력하는 기능을 수행한다. 예를 들어, 사용자가 감염 의심자로 분류된 경우에는 선별진료소 방문권고를 시청각적으로 출력하며, 정상인으로 분류되면 현재 감염병이 의심될만한 사항이 없다는 것을 시청각적으로 출력할 수 있다.
도 18은 본 발명의 일 실시예에 따른 AI 기반 감염 의심자 분류 장치의 주요 구성부분간의 데이터 흐름을 도시한 타이밍도이다.
도 18에 도시한 바와 같이, 본 발명의 일 실시예에 따른 상황정보 분석부(130)는 온톨로지 리포지토리(200)로부터 상황정보 데이터세트를 제공받아 상황정보 데이터세트를 이용하여 학습모델을 생성한다. 상기 학습모델은 각 단계별로 적어도 하나 이상의 생성됨은 상술한 바와 간다.
또한 상황정보 획득부(110)는 단계별 감염 의심자 분류과정에 따라 생체정보 측정부(111) 및 전자문진 수행부(112)를 통해 상황정보와 상황정보에 대한 세부 상황정보를 획득하여 상황정보 인스턴스화부(120)로 제공한다.
또한 상황정보 인스터스화부(120)는 상황정보와 세부 상황정보를 사전에 설정한 코드로 변환하여 인스턴스화하여 상황정보 분석부(130)로 제공한다. 이때, 세부 상황정보가 측정값이면 측정값을 그대로 이용한다.
또한 상황정보 분석부(130)는 인스턴스화한 상황정보와 세부 상황정보를 해당 학습모델에 입력하여 상황정보 및 세부 상황정보에 대한 가중치를 각각 추정하여 상황 인식부(140)로 제공한다. 이때, 상황정보 분석부(130)는 인스턴스화한 상황정보, 상황정보에 대한 가중치, 인스턴스화한 세부 상황정보 및 해당 세부 상황정보에 대한 가중치를 포함하는 가중치 추정 결과를 제공하게 된다.
또한 상황 인식부(140)는 가중치 추정 결과에 따라 감염자를 분류하여 분류한 결과를 출력할 수 있도록 하며, 감염자로 분류된 경우 해당 사용자에 대해 획득한 상황정보 및 세부 상황정보를 온톨로지 리포지토리(200)로 제공(저장)하여 업데이트한다.
도 19는 본 발명의 일 실시예에 따른 감염 의심자를 분류하는 절차를 나타낸 흐름도이다.
도 19에 도시한 바와 같이, 본 발명의 일 실시예에 따른 감염 의심자를 분류하는 절차는 우선, 감염 의심자 분류 장치(100)는 1단계 감염 의심자 분류과정을 수행(S100)하여 감염자가 분류(S1001)되면 감염 의심자 분류과정을 종료하며, 해당 사용자가 정상인으로 판단되면 2단계 감염 의심자 분류과정을 수행한다(S200).
또한 감염 의심자 분류 장치(100)는 2단계 감염 의심자 분류과정을 수행한 결과 감염 의심자가 분류(S2001)되면 감염 의심자 분류과정을 종료하며, 사용자가 정상인으로 판단되면 3단계 감염 의심자 분류과정을 수행한다(S300).
또한 감염 의심자 분류 장치(100)는 3단계 감염 의심자 분류과정을 수행한 결과 감염 의심자가 분류(S3001)되면, 감염 의심자 분류과정을 종료하며, 그렇지 않으면 4단계 감염 의심자 분류과정을 수행한다(S400).
또한 감염 의심자 분류 장치(100)는 4단계 감염 의심자 분류과정을 수행한 결과 감염 의심자가 분류(S4001)되면, 감염 의심자 분류과정을 종료하며, 그렇지 않으면 5단계 감염 의심자 분류과정을 수행한다(S500).
또한 각 단계별 감염 의심자 분류과정은 도 4, 도 7, 도 10, 도 13 및 도 16을 참조하여 각각 설명하였으므로 더 이상의 상세한 설명은 생략한다.
한편, 도 19에는 도시하지 않았으나, 감염 의심자를 분류하는 과정은 각 단계별로 학습모델을 생성하는 학습모델 생성단계를 더 포함한다.
이상에서 설명한 바와 같이, 본 발명의 AI 기반 감염 의심자 분류 장치 및 그 방법은 비대면으로 감염병에 대한 사용자의 상황정보 및 상황정보에 따른 세부 상황정보를 획득하여 해당 사용자에 대한 상황을 인식함으로써 감염 의심자를 조기에 분류하여 감염병의 확산을 효과적으로 차단할 수 있는 효과가 있다.
상기에서는 본 발명에 따른 바람직한 실시예를 위주로 상술하였으나, 본 발명의 기술적 사상은 이에 한정되는 것은 아니며 본 발명의 각 구성요소는 동일한 목적 및 효과의 달성을 위하여 본 발명의 기술적 범위 내에서 변경 또는 수정될 수 있을 것이다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능한 것은 물론이고, 이러한 변형 실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어서는 안 될 것이다.
100: AI 기반 감염 의심자 분류 장치 110: 상황정보 획득부
111: 생체정보 측정부 112: 전자문진 수행부
120: 상황정보 인스턴스화부 130: 상황 분석부
131: 학습모델 생성부 132: 가중치 추정부
140: 상황 인식부 141: 감염 위험수준 추론부
142: 감염 의심자 분류부 143: 업데이트부
150: 분류결과 출력부 200: 관리서버
300: 온톨로지 리포지토리

Claims (10)

  1. 사용자에 대한 적어도 하나 이상의 상황정보와 각 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득부;
    상기 획득한 사용자의 상황정보와 상황정보에 대한 세부 상황정보에 따라 감염병에 대한 사용자의 상황을 분석하는 상황 분석부; 및
    상기 분석한 결과에 따라 감염병에 대한 사용자의 상황을 추론하여 감염 의심자로 분류하는 상황 인식부;를 포함하며,
    상기 상황 분석부는, 상기 획득한 사용자의 상황정보와 상황정보에 대한 세부 상황정보를 학습모델에 입력하여 상기 획득한 사용자의 상황정보와 상황정보에 대한 세부 상황정보의 가중치를 각각 추정함으로써 감염병에 대한 사용자의 상황을 분석하는 것을 더 포함하며,
    상기 상황 인식부는, 상기 추정한 사용자의 상황정보와 상황정보에 대한 세부 상황정보의 가중치를 감염 위험수준 추론모델에 적용하여 상기 사용자에 대한 감염 위험수준을 추론함으로써 상기 사용자의 상황을 추론하고, 상기 추론한 감염 위험수준이 사전에 설정한 임계값을 초과하는 경우 상기 사용자를 감염 의심자로 분류하는 것을 더 포함하며,
    상기 감염 위험수준 추론모델은, 상기 추정한 사용자의 각 상황정보와 각 상황정보에 대한 세부 상황정보의 가중치를 곱한 각각의 결과를 모두 더함으로써 상기 감염 위험수준을 계산하는 것을 특징으로 하는 AI 기반 감염 의심자 분류 장치.
  2. 청구항 1에 있어서,
    상기 상황정보와 세부 상황정보는, 사전에 설정한 단계별 감염 의심자 분류과정에 따라 순차적으로 획득되며,
    상기 상황정보는, 적어도 하나 이상의 생체정보와 각 단계별 전자문진의 문진항목으로 구성되고,
    상기 세부 상황정보는, 상기 상황정보가 생체정보이면 생체정보의 측정값으로 구성되고 상기 상황정보가 문진항목이면 해당 문진항목에 대한 긍정여부로 구성되는 것을 특징으로 하는 AI 기반 감염 의심자 분류 장치.
  3. 청구항 1에 있어서,
    상기 상황 분석부는,
    상기 감염병에 대한 온톨로지를 구성하는 데이터세트를 참조하여 상기 상황정보 및 세부 상황정보와 상기 상황정보의 가중치 및 세부 상황정보의 가중치간의 매핑관계를 학습하여 상기 학습모델을 생성하는 학습모델 생성부;를 더 포함하는 것을 특징으로 하는 AI 기반 감염 의심자 분류 장치.
  4. 삭제
  5. 청구항 3에 있어서,
    상기 상황 인식부는,
    상기 사용자를 감염 의심자로 분류한 경우, 해당 사용자로부터 획득한 상황정보와 상황정보에 대한 세부 상황정보를 상기 감염병에 대한 온톨로지를 저장하는 온톨로지 리포지토리에 업데이트하는 업데이트부;를 더 포함하며,
    상기 데이터세트의 상황정보와 세부 상황정보에 대한 가중치는 상기 상황정보 및 세부 상황정보의 빈도에 따라 업데이트되는 것을 특징으로 하는 AI 기반 감염 의심자 분류 장치.
  6. 청구항 1에 있어서,
    상기 AI 기반 감염 의심자 분류 장치는,
    단계별 감염 의심자 분류과정을 순차적으로 수행하여 상기 감염 의심자를 분류하며,
    특정 단계에서 감염 의심자를 분류하면 나머지 단계에 대한 감염 의심자 분류과정을 중단하는 것을 특징으로 하는 AI 기반 감염 의심자 분류 장치.
  7. AI 기반 감염 의심자 분류 장치에서, 사용자에 대한 적어도 하나 이상의 상황정보와 각 상황정보에 대한 세부 상황정보를 획득하는 상황정보 획득 단계;
    상기 AI 기반 감염 의심자 분류 장치에서, 상기 획득한 사용자의 상황정보와 상황정보에 대한 세부 상황정보에 따라 감염병에 대한 사용자의 상황을 분석하는 상황 분석 단계; 및
    상기 AI 기반 감염 의심자 분류 장치에서, 상기 분석한 결과에 따라 감염병에 대한 사용자의 상황을 추론하여 감염 의심자로 분류하는 상황 인식 단계;를 포함하며,
    상기 상황 분석 단계는, 상기 획득한 사용자의 상황정보와 상황정보에 대한 세부 상황정보를 학습모델에 입력하여 상기 획득한 사용자의 상황정보와 상황정보에 대한 세부 상황정보의 가중치를 각각 추정함으로써 감염병에 대한 사용자의 상황을 분석하는 것을 더 포함하며,
    상기 상황 인식 단계는, 상기 추정한 사용자의 상황정보와 상황정보에 대한 세부 상황정보의 가중치를 감염 위험수준 추론모델에 적용하여 상기 사용자에 대한 감염 위험수준을 추론함으로써 상기 사용자의 상황을 추론하고, 상기 추론한 감염 위험수준이 사전에 설정한 임계값을 초과하는 경우 상기 사용자를 감염 의심자로 분류하는 것을 더 포함하며,
    상기 감염 위험수준 추론모델은, 상기 추정한 사용자의 각 상황정보와 각 상황정보에 대한 세부 상황정보의 가중치를 곱한 각각의 결과를 모두 더함으로써 상기 감염 위험수준을 계산하는 것을 특징으로 하는 AI 기반 감염 의심자 분류 방법.
  8. 청구항 7에 있어서,
    상기 상황정보와 세부 상황정보는, 사전에 설정한 단계별 감염 의심자 분류과정에 따라 순차적으로 획득되며,
    상기 상황정보는, 적어도 하나 이상의 생체정보와 각 단계별 전자문진의 문진항목으로 구성되고,
    상기 세부 상황정보는, 상기 상황정보가 생체정보이면 생체정보의 측정값으로 구성되고 상기 상황정보가 문진항목이면 해당 문진항목에 대한 긍정여부로 구성되는 것을 특징으로 하는 AI 기반 감염 의심자 분류 방법.
  9. 청구항 7에 있어서,
    상기 상황 분석 단계는,
    상기 감염병에 대한 온톨로지를 구성하는 데이터세트를 참조하여 상기 상황정보 및 세부 상황정보와 상기 상황정보의 가중치 및 세부 상황정보의 가중치간의 매핑관계를 학습하여 상기 학습모델을 생성하는 학습모델 생성 단계;를 더 포함하는 것을 특징으로 하는 AI 기반 감염 의심자 분류 방법.
  10. 청구항 9에 있어서,
    상기 상황 인식 단계는,
    상기 사용자를 감염 의심자로 분류한 경우, 해당 사용자로부터 획득한 상황정보, 상황정보에 대한 세부 상황정보를 상기 감염병에 대한 온톨로지를 저장하는 온톨로지 리포지토리에 업데이트하는 업데이트 단계;를 더 포함하며,
    상기 데이터세트의 상황정보 및 세부 상황정보에 대한 가중치는 상기 상황정보 및 세부 상황정보의 빈도에 따라 업데이트되는 것을 특징으로 하는 AI 기반 감염 의심자 분류 방법.
KR1020210155351A 2021-07-02 2021-11-12 Ai 기반 감염 의심자 분류 장치 및 그 방법 KR102646527B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210155351A KR102646527B1 (ko) 2021-11-12 2021-11-12 Ai 기반 감염 의심자 분류 장치 및 그 방법
PCT/KR2022/005571 WO2023277319A1 (ko) 2021-07-02 2022-04-19 인공지능 기반 분류 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210155351A KR102646527B1 (ko) 2021-11-12 2021-11-12 Ai 기반 감염 의심자 분류 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20230069379A KR20230069379A (ko) 2023-05-19
KR102646527B1 true KR102646527B1 (ko) 2024-03-11

Family

ID=86546880

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210155351A KR102646527B1 (ko) 2021-07-02 2021-11-12 Ai 기반 감염 의심자 분류 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102646527B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102239163B1 (ko) * 2020-11-13 2021-04-12 황덕현 인공 신경망을 이용하여 질병 유무를 예측하는 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102024375B1 (ko) * 2016-12-30 2019-09-23 서울대학교 산학협력단 만성신장 질환의 질병 위험도를 예측하는 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102239163B1 (ko) * 2020-11-13 2021-04-12 황덕현 인공 신경망을 이용하여 질병 유무를 예측하는 방법 및 장치

Also Published As

Publication number Publication date
KR20230069379A (ko) 2023-05-19

Similar Documents

Publication Publication Date Title
Otoom et al. An IoT-based framework for early identification and monitoring of COVID-19 cases
WO2021159761A1 (zh) 病理数据的分析方法、装置、计算机设备和存储介质
KR102684860B1 (ko) 카메라 기반 생체 징후 데이터 추출과 전자 문진을 통한 비대면 건강상태 측정 시스템 및 그 방법
El-Din et al. E-quarantine: A smart health system for monitoring coronavirus patients for remotely quarantine
Bhatia et al. Artificial intelligence-inspired comprehensive framework for Covid-19 outbreak control
KR20210143635A (ko) 병원 리소스에 대한 환자 니즈 예측 방법 및 시스템
CN111227789A (zh) 人体健康监护方法和装置
Zhao et al. Detecting abnormal patterns of daily activities for the elderly living alone
Wu et al. A precision health service for chronic diseases: development and cohort study using wearable device, machine learning, and deep learning
Georgopoulos et al. Fuzzy cognitive map decision support system for successful triage to reduce unnecessary emergency room admissions for the elderly
Harish et al. Smart home based prediction of symptoms of Alzheimer’s disease using machine learning and contextual approach
Janani et al. Healthcare monitoring using machine learning based data analytics
Doulani et al. Edge-based smart health monitoring device for infectious disease prediction using biosensors
Hadjadj et al. Covid-19 patients’ health monitoring system using fuzzy ontology and internet of things
KR102646527B1 (ko) Ai 기반 감염 의심자 분류 장치 및 그 방법
Shang et al. Implicit irregularity detection using unsupervised learning on daily behaviors
Sihag et al. Prediction of risk factors for fall using bayesian networks with partial health information
Irshad et al. Convolutional neural network enable optoelectronic system for predicting cardiac response by analyzing auction-based optimization algorithms
Nguyen et al. Explainable Deep Contrastive Federated Learning System for Early Prediction of Clinical Status in-Intensive Care Unit
Mala Machine learning-based intelligent assistant for smart healthcare
Portela et al. Pervasive real-time intelligent system for tracking critical events with intensive care patients
Gu Research on Speech Communication Enhancement of English Web-based Learning Platform based on Human-computer Intelligent Interaction
Tanii et al. A fuzzy logic approach to predict human body weight based on AR model
CN112397186A (zh) 一种用于智慧医疗的安全监管方法及系统
Kolomvatsos et al. Intelligent contextual data stream monitoring

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant