KR102646691B1 - 개인 맞춤형 치매 진단 방법 및 그 장치 - Google Patents
개인 맞춤형 치매 진단 방법 및 그 장치 Download PDFInfo
- Publication number
- KR102646691B1 KR102646691B1 KR1020220174630A KR20220174630A KR102646691B1 KR 102646691 B1 KR102646691 B1 KR 102646691B1 KR 1020220174630 A KR1020220174630 A KR 1020220174630A KR 20220174630 A KR20220174630 A KR 20220174630A KR 102646691 B1 KR102646691 B1 KR 102646691B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- subject
- dementia
- iadl
- personalized
- Prior art date
Links
- 206010012289 Dementia Diseases 0.000 title claims abstract description 176
- 238000003745 diagnosis Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000000694 effects Effects 0.000 claims abstract description 55
- 230000003930 cognitive ability Effects 0.000 claims abstract description 52
- 230000006399 behavior Effects 0.000 claims description 88
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000010411 cooking Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 230000003542 behavioural effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000003814 drug Substances 0.000 description 7
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 239000006187 pill Substances 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 229940079593 drug Drugs 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 235000008429 bread Nutrition 0.000 description 4
- 208000010877 cognitive disease Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013399 early diagnosis Methods 0.000 description 4
- 238000012352 Spearman correlation analysis Methods 0.000 description 3
- 230000006999 cognitive decline Effects 0.000 description 3
- 230000004633 cognitive health Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003287 bathing Methods 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000003863 physical function Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/60—Healthcare; Welfare
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/40—Information sensed or collected by the things relating to personal data, e.g. biometric data, records or preferences
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/08—Elderly
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Neurology (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Psychiatry (AREA)
- Hospice & Palliative Care (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Neurosurgery (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Psychology (AREA)
Abstract
개인 맞춤형 치매 진단 방법 및 그 방법이 적용된 장치가 제공된다. 본 개시의 일 실시예에 따른 개인 맞춤형 치매 진단 방법은, 제1 대상자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 단계와, 상기 제1 대상자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 단계와, 상기 제1 데이터와 상기 제2 데이터를 이용하여, 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 단계와, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 획득하는 단계와, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계를 포함할 수 있다.
Description
본 개시는 개인 맞춤형 치매 진단 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 개인의 인지능력과 도구적 일상생활 능력정보에 기반하여 치매를 진단하는 방법 및 그 장치에 관한 것이다.
노인 인구 비율이 전 세계적으로 증가하는 추세에 있으며, 특히 고령화가 빠르게 진행되고 있는 우리나라에선 65세 이상 노인의 치매 유병률이 2012년에는 9.2%(54만 명)으로 나타났으며, 2030년에는 127만명, 2050년에는 약 270만 명으로 증가할 것으로 예측된다.
현재 의료 수준상 치매는 완치가 불가능한 병이라는 점에서 치매의 발병을 조기에 진단하여 조기에 치료를 시작하는 것만이 치매의 진행 속도를 늦추는 해결책이 되고 있다.
그러나, 현재 독거 노인 또는 의료에 취약한 노인의 경우 치매의 위험에 대해 면밀하게 관찰할 수 있는 사회적 여건이 부족하기 때문에 치매를 조기에 진단할 수 있는 방법이 없었다. 특히, 고령화된 노인들의 경우 대부분의 시간을 집에서 보내는 경우가 많기 때문에 외부의 인력들을 통해 노인들을 모니터링하는 것은 한계가 있었다.
기존의 일상생활 능력정보를 기반으로 치매를 진단하는 발명은 스마트홈 기술을 기반으로 대부분의 시간을 집에서 유사한 생활패턴으로 보내는 노인들에 대해 일상생활 능력정보를 이용하여 치매를 진단하는 방법이었다.
기존의 일상생활 능력정보를 기반으로 치매를 진단하는 발명보다 개인화된 일상생활 모델을 이용하여 성능 및 정확도가 향상된 치매 발병 진단 방법이 필요하다.
논문문헌 양영순, 양현덕, 홍윤정, 김정은, 박문호, 나해리, 한일우, 김상윤"일상생활능력과 치매"2012; 11: 29-37
본 개시가 몇몇 실시예들에서 해결하고자 하는 기술적 과제는, 대상자의 도구적 일상생활 능력정보를 기반으로 하여 치매를 조기에 진단하는 방법을 제공하는 것이다.
본 개시의 몇몇 실시예들에서 해결하고자 하는 다른 기술적 과제는, 개인의 일상생활 패턴을 고려한 정상 행위 범위 개인화 방법을 적용하여 대상자의 치매를 조기에 진단하는 방법을 제공하는 것이다.
본 개시의 몇몇 실시예들에서 해결하고자 하는 또 다른 기술적 과제는, 개인의 인지능력을 고려한 정상 행위 범위 개인화 방법을 적용하여 대상자의 치매를 조기에 진단하는 방법을 제공하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 일 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 방법은, 컴퓨팅 장치에 의하여 수행되는 방법에 있어서, 제1 대상자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 단계와, 상기 제1 대상자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 단계와, 상기 제1 데이터와 상기 제2 데이터를 이용하여, 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 단계와, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 획득하는 단계와, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계를 포함하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 대상자의 IADL 패턴을 획득하는 단계는, 상기 제1 도구와 상기 제2 도구 사이의 연관도를 결정하는 단계와, 상기 결정된 연관도를 이용하여 상기 제1 대상자의 IADL 패턴을 획득하는 단계를 포함할 수 있다.
일 실시예에서, 상기 연관도를 결정하는 단계는, 기 저장된 매칭 테이블을 참조하여 상기 제1 도구와 상기 제2 도구 사이의 연관도를 결정하는 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 방법은, 컴퓨팅 장치에 의하여 수행되는 방법에 있어서, 제1 대상자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 단계와, 상기 제1 대상자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 단계와, 상기 제1 데이터와 상기 제2 데이터를 이용하여, 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 단계와, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 단계와, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 단계와, 상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 방법은, 컴퓨팅 장치에 의하여 수행되는 방법에 있어서, 피험자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 단계와, 상기 피험자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 단계와, 상기 제1 데이터와 상기 제2 데이터를 이용하여, 상기 피험자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 단계와, 상기 피험자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 피험자를 위해 개인화 하는 단계와, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 학습 데이터를 생성하는 단계와, 상기 학습 데이터를 이용하여 치매 진단 모델을 기계 학습 시키는 단계와, 상기 기계 학습이 완료되면 상기 치매 진단 모델을 표현하는 데이터를 출력하는 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 장치는, 제1 대상자의 치매 진단 프로그램이 로드되는 메모리와, 개인 맞춤형 치매 진단 프로그램이 실행되는 프로세서를 포함하되, 상기 개인 맞춤형 치매 진단 프로그램은, 상기 제1 대상자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 인스트럭션(instruction)과, 상기 제1 대상자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 인스트럭션과, 상기 제1 데이터와 상기 제2 데이터를 이용하여 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션과, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 획득 하는 인스트럭션과, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 인스트럭션을 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 장치는, 제1 대상자의 치매 진단 프로그램이 로드되는 메모리와, 개인 맞춤형 치매 진단 프로그램이 실행되는 프로세서를 포함하되, 상기 개인 맞춤형 치매 진단 프로그램은, 상기 제1 대상자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 인스트럭션(instruction)과, 상기 제1 대상자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 인스트럭션과, 상기 제1 데이터와 상기 제2 데이터를 이용하여 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션과, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 인스트럭션과, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 인스트럭션과, 상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 인스트럭션을 포함할 수 있다.
본 개시의 몇몇 실시예들에 따르면, 개인의 일상생활 패턴을 고려한 정상 행위 범위의 개인화 방법을 적용하여 대상자의 치매를 조기에 진단하여 치매 발생 진단의 정확도를 높이는 효과를 얻을 수 있다.
본 개시의 몇몇 실시예들에 따르면, 개인의 인지능력을 고려한 정상 행위 범위의 개인화 방법을 적용하여 대상자의 치매를 조기에 진단하여 치매 발생 진단의 정확도를 높이는 효과를 얻을 수 있다.
본 개시의 몇몇 실시예들에 따르면, 일상생활 능력정보 데이터 수집 시 상황을 고려한 패턴 세밀화 방법을 적용하여 대상자의 치매를 조기에 진단하여 치매 발생 진단의 정확도를 높이는 효과를 얻을 수 있다.
도 1은 본 개시의 일 실시예에 따른, 개인 맞춤형 치매 진단 방법 시스템의 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른, 개인 맞춤형 치매 진단 기준 생성의 순서도이다.
도 3은 본 개시의 몇몇 실시예에 따른, MMSE 점수에 기반하여 나뉘는 인지능력 등급과, 인지능력 등급에 기반하여 기준 범위가 나뉘는 개인화된 정상 행동의 기준 범위 표를 도시한 도면이다.
도 4는 상기 도 3에서 확인할 수 있는 정상 행동의 기준 범위를 설명하기 위한 그래프를 도시한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른, 치매 진단 방법의 순서도이다.
도 6은 본 개시의 몇몇 실시예에 따른, 정상인과 치매인이 이용하는 도구 간의 상관관계 점수의 예시를 도시한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따른 개인 맞춤형 치매 진단 장치의 하드웨어 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른, 개인 맞춤형 치매 진단 기준 생성의 순서도이다.
도 3은 본 개시의 몇몇 실시예에 따른, MMSE 점수에 기반하여 나뉘는 인지능력 등급과, 인지능력 등급에 기반하여 기준 범위가 나뉘는 개인화된 정상 행동의 기준 범위 표를 도시한 도면이다.
도 4는 상기 도 3에서 확인할 수 있는 정상 행동의 기준 범위를 설명하기 위한 그래프를 도시한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른, 치매 진단 방법의 순서도이다.
도 6은 본 개시의 몇몇 실시예에 따른, 정상인과 치매인이 이용하는 도구 간의 상관관계 점수의 예시를 도시한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따른 개인 맞춤형 치매 진단 장치의 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명의 기술적 사상을 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다. 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 개시의 일 실시예에 따른 개인 맞춤형 치매 진단 방법을 도 1을 참조하여 설명한다. 본 실시예에 따른 개인 맞춤형 치매 진단 방법은 하나 이상의 컴퓨팅 장치에 의하여 수행될 수 있다. 이하, 본 실시예에 따른 방법을 설명함에 있어서, 일부 동작의 수행 주체에 대한 기재가 생략될 수 있다. 이 때, 해당 동작의 수행 주체는 상기 컴퓨팅 장치인 것으로 이해되어야 한다. 이하, 본 기재에서 상기 컴퓨팅 장치는 '치매 발병 진단 장치'로 지칭하기로 한다.
도 1은 본 발명의 일 실시예에 따른, 개인 맞춤형 치매 진단 방법 시스템의 개요도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 개인 맞춤형 치매 진단 시스템은 치매 발병 진단 장치(100), 센서 기기(200), 정보 DB(500), 인지능력 데이터(400)를 저장하고 치매 발병 진단 장치로 송신할 수 있는 병원 시스템(300)을 포함할 수 있다.
일 실시예에서 치매 발병 진단 장치(100)는 대상자에게 부착될 수 있는 웨어러블 디바이스와 대상자가 거주하고 있는 집에 설치될 수 있는 스마트 홈 IoT 디바이스를 포함하는 센서 기기(200)로부터 데이터를 수신하여 대상자의 도구적 일상생활 능력정보를 모니터링할 수 있다.
일상생활 능력정보는 자신을 돌보는 데 필요한 기본적인 일상생활과 사회생활을 유지하기 위해 수행하는 능력으로 정의할 수 있다.
신체적 일상생활 능력정보는 대소변 가리기, 화장실 사용하기, 세수하기, 목욕하기, 식사하기, 옷 입기, 이동하기, 걷기, 계단 오르기 등과 같은 기본적이고 육체적인 기능을 포함하는 일상생활 능력정보이다.
기본적이고 육체적인 신체적 일상생활 능력정보에 비해 복잡한 인지능력을 필요로 하는 도구적 일상생활 능력정보는 전화 사용, 물건 구입, 음식 장만, 돈 관리, 재정 관리, 가정 돌보기, 교통 수단 이용, 길 찾기, 취미생활, 약 복용, 신문 읽기, 세탁, TV 보기, 탐구적 또는 창의적 활동, 상황대응 등과 같은 동작을 포함한다.
신체적 일상생활 능력정보는 치매 말기까지도 대체로 유지되는 경향이 있는 데 비해 도구적 일상생활 능력정보는 치매 초기 단계부터 민감하게 감퇴하는 경향이 있다.
대상자의 상태를 민감하게 반영하는 경향이 있는 데이터에 따라 생성된 모델을 진단에 이용하는 것은 모델의 생성에 반영된 데이터의 표본크기가 작아도 모델을 이용한 진단의 성능과 정확도를 높이는 효과가 있다.
이하, 본 기재에서 상기 도구적 일상생활 능력정보는 'IADL (Instrumental Activities of Daily Living)'로 지칭하기로 한다. 상기 'IADL'은 센서 기기가 인식한 정보이므로 실제 IADL이 아닌 유추된 IADL이지만, 이하 본 문헌에서는 '유추된 IADL' 대신 'IADL'이라는 용어를 사용하기로 한다.
일 실시예에서 IADL 수집항목은 조리 기구, 세탁 기구, 청소 기구, 가전 기구 등의 도구를 사용하는 모든 활동 횟수와 활동 시간을 포함할 수 있다. 또한, 대상자가 조리 시 한 번에 냉장고와 가스레인지를 이용하는 행동, 한 번에 가스레인지와 싱크대 수전을 이용하는 행동 등 동시에 연관된 조리 기구를 사용하는 행동의 횟수와 사용 시간, 특정 시간대(아침/점심/저녁/밤)의 활동 횟수와 활동 시간 등에 대한 항목이 IADL의 수집항목이 될 수 있다.
상기 IADL의 수집항목을 수집하는 센서 기기는 도어 센서, 모션 센서, 온도-습도 센서, 진동 센서, 라이더 센서 및 스마트 플러그 센서를 포함할 수 있다. 상기 IADL의 수집항목을 수집하는 센서 기기는 대상자가 실생활에서 사용하는 가전제품 및 가구를 포함하는 생활 공간의 모든 장소에 설치될 수 있다. 상기 IADL은 하나 또는 여러 개의 센서 기기가 감지한 데이터를 조합함에 따라 유추될 수 있다. 상기 IADL은 센서 기기가 감지한 움직임의 횟수와 지속 시간 또는 각도 데이터를 계산하여 유추될 수 있다.
치매 발병 진단 장치(100)는 대상자의 IADL을 모니터링하여 대상자의 행동에 따라 IADL 패턴을 결정할 수 있다. 치매 발병 진단 장치(100)는 센서 기기(200)로부터 수신한 정보들을 정보 DB(500)에 저장하여 관리할 수 있다. 또한, 치매 발병 진단 장치(100)는 정보 DB(500)로부터 기 저장된 대상자의 IADL 패턴을 수신 받을 수 있다.
본 개시에서 상기 IADL 패턴은, 대상자의 IADL 데이터의 시계열 시퀀스를 가리키는 것일 수 있다. 예를 들어, 상기 IADL 패턴은 소정의 시간 길이를 가질 수 있다. 예를 들어, 상기 IADL 패턴은 24시간 동안의 대상자의 IADL 데이터를 시계열적으로 연결한 것일 수 있다. 예를 들어, 상기 IADL 패턴은 도구를 이용하는 대상자의 IADL 데이터를 시계열적으로 연결한 것일 수 있다.
웨어러블 디바이스는 대상자에게 부착될 수 있는 디바이스로서 대상자의 생체 정보와 위치 정보 및 활동 정보를 감지하여 치매 발병 진단 장치(100)로 송신할 수 있다.
일 실시예에서 웨어러블 디바이스는 대상자의 현재 위치를 탐지하고 위치 정보를 치매 발병 진단 장치(100)에 송신할 수 있다. 상기 대상자의 위치 정보를 수신한 치매 발병 진단 장치는 대상자의 현재 위치와, 대상자의 현재 위치의 환경을 연동하여 정보를 생성할 수 있다. 상기 대상자의 현재 위치의 환경은 대상자의 현재 위치의 날씨 또는 대상자의 현재 위치의 공간적 특성 등을 포함할 수 있다.
일 실시예에서 대상자의 현재 위치의 날씨와 대상자의 현재 활동이 IADL의 수집항목이 될 수 있다. 예를 들어, 대상자의 현재 위치에 비가 오면, 대상자가 우산을 사용하는 행동, 대상자의 현재 위치에 자외선이 심하면, 대상자가 양산을 사용하는 행동 등 대상자의 현재 위치의 날씨와, 상기 대상자의 현재 위치의 날씨에 대한 대상자의 반응 활동이 IADL의 수집항목이 될 수 있다.
일 실시예에서 대상자의 현재 위치의 공간적 특성과 대상자의 현재 활동이 IADL의 수집항목이 될 수 있다. 예를 들어, 대상자의 현재 위치가 마트이면, 대상자가 상품을 선택하고 계산대에서 계산하는 행동 등 대상자의 현재 위치의 공간적 특성과, 상기 대상자의 현재 위치의 공간적 특성에 대한 대상자의 반응 활동이 IADL의 수집항목이 될 수 있다.
스마트 홈 IoT 디바이스는 전자 제품의 동작에 대한 정보 및 센서의 감지 신호를 생성하는 장치로 이루어질 수 있다. IoT 디바이스는 대상자의 행동을 실시간으로 감지할 수 있다. IoT 디바이스는 대상자가 거주하고 있는 집에 설치되어 스마트 홈 시스템으로 구축될 수 있다.
IoT 디바이스는 대상자가 머무르는 모든 생활 공간에 설치될 수 있다. 대상자가 머무르는 모든 생활 공간에서의 대상자의 활동이 IADL의 수집항목이 될 수 있다. 일 실시예에서 대상자가 머무르며 장을 본 마트도 IADL 데이터 수집 공간이 될 수 있고, 사용자가 장을 본 아이템의 적절도와 아이템 구매 시 동선의 효율성이 IADL 데이터가 될 수 있다.
일 실시예에서 주방 IoT 디바이스는 대상자가 직접 재료를 준비하고 요리 하는 것을 평가할 수 있다. 요리 활동은 하나 이상의 서로 다른 주방용품 및 주방 가전제품을 이용하는 활동일 수 있다. 주방용품 및 주방 가전제품에는 진동 센서, 도어 센서, 온도 센서, 습도 센서 등이 부착될 수 있다. 주방용품 및 주방 가전제품에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 주방용품 및 주방 가전제품이 이용중임으로 판단할 수 있다. 상기 주방용품 및 주방 가전제품은 이용중임으로 판단된 시간, 각도, 온도, 습도, 터치 빈도수 데이터를 측정할 수 있다. 주방 IoT 디바이스는 상기 주방용품 및 주방 가전제품에 부착된 센서 기기가 감지한 데이터를 조합하여 IADL을 유추할 수 있다.
일 실시예에서 주방 IoT 디바이스는 대상자가 현재 조리하려는 객체를 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다. 대상자가 현재 조리하려는 객체 정보를 수신한 치매 발병 진단 장치는 대상자가 현재 조리하려는 객체를 조리하는 행동에 대한 정보를 생성할 수 있다.
예를 들어, 대상자가 조리하려는 객체가 빵이라는 정보를 수신한 치매 발병 진단 장치는 빵을 조리하는 행동에 대한 정보를 생성할 수 있고, 대상자가 조리하려는 객체가 밥이라는 정보를 수신한 치매 발병 진단 장치는 밥을 조리하는 행동에 대한 정보를 생성할 수 있다. 빵을 조리하는 행동과 밥을 조리하는 행동은 조리 시 이용하는 조리 기구의 종류가 다를 수 있다. 빵을 조리하는 행동에 소요되는 시간과 밥을 조리하는 행동에 소요되는 시간은 다를 수 있다.
일 실시예에서 투약 IoT 디바이스는 대상자가 직접 약을 복용하는 것을 평가할 수 있다. 약을 복용하는 활동은 알약 정리함을 이용하는 활동일 수 있다. 알약 정리함에는 진동 센서, 도어 센서 등이 부착될 수 있다. 알약 정리함에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 알약 정리함이 이용중임으로 판단할 수 있다. 상기 알약 정리함에 부착된 센서 기기는 이용중임으로 판단된 시간, 각도, 터치 빈도수 데이터를 측정할 수 있다. 투약 IoT 디바이스는 상기 알약 정리함에 부착된 센서 기기가 감지한 데이터를 조합하여 IADL을 유추할 수 있다.
일 실시예에서 투약 IoT 디바이스는 대상자가 약을 복용한 시간과 복용량을 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다.
일 실시예에서 IoT 디바이스는 대상자의 모든 활동을 평가할 수 있다. 모든 활동은 대상자의 가전제품을 이용하는 활동 또는 이용자가 외출하는 활동을 포함할 수 있다. 가전제품에는 온(On)/오프(Off) 센서, 진동 센서, 터치 센서 등이 부착될 수 있다. 가전제품에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 가전제품이 이용중임으로 판단할 수 있다. 출입문에는 온(On)/오프(Off) 센서, 진동 센서, 터치 센서 등이 부착될 수 있다. 출입문에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 가전제품이 이용중임으로 판단할 수 있다.
상기 가전제품에 부착된 센서 기기는 가전제품 이용 빈도수 또는 이용 유지 시간 데이터를 측정할 수 있다. IoT 디바이스는 상기 가전제품에 부착된 센서 기기가 감지한 데이터를 조합하여 IADL을 유추할 수 있다.
상기 출입문에 부착된 센서 기기는 가전제품 이용 빈도수 또는 이용 유지 시간 데이터를 측정할 수 있다. 출입문 IoT 디바이스는 상기 출입문에 부착된 센서 기기가 감지한 데이터를 조합하여 IADL을 유추할 수 있다.
일 실시예에서 IoT 디바이스는 대상자가 가전제품 이용한 빈도수 또는 이용을 유지한 시간을 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다. 일 실시예에서 출입문 IoT 디바이스는 대상자가 출입한 빈도수 또는 출입한 시간을 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다. 일 실시예에서 치매 발병 진단 장치는 TV 또는 전기장판 IoT 디바이스와 출입문 IoT 디바이스로부터 수신한 IADL 수집항목을 이용하여 대상자가 외출할 때 가전제품의 전원을 끄는 것을 잊지 않았는지 판단할 수 있다.일 실시예에서 IoT 디바이스는 대상자의 모든 활동을 평가할 수 있다. 모든 활동은 대상자가 도구를 이용하는 활동을 포함할 수 있다. 도구에는 진동 센서, 터치 센서 등이 부착될 수 있다. 도구에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 도구가 이용중임으로 판단할 수 있다.
상기 도구에 부착된 센서 기기는 도구의 이용 빈도수, 이용 유지 시간 또는 이용 시간 데이터를 측정할 수 있다. IoT 디바이스는 상기 도구에 부착된 센서 기기가 감지한 데이터를 조합하여 하나 이상의 도구가 동시에 이용된 시간을 추론할 수 있다.
일 실시예에서 IoT 디바이스는 대상자가 도구를 이용한 시간을 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다. IoT 디바이스로부터 대상자가 도구를 이용한 시간을 수신한 치매 발병 진단 장치는 동시에 이용된 하나 이상의 도구를 판단할 수 있다. 동시에 이용된 하나 이상의 도구를 판단한 데이터로 대상자의 상태를 판단하는 방법은 도 6을 참조하여 후술한다.
대상자가 특정 도구를 이용할 시 소요되는 시간이 IADL의 수집항목이 될 수 있다. 상기의 실시예와 같이 복잡한 인지능력을 필요로 하는 IADL은 치매 초기 단계부터 민감하게 감퇴하는 경향이 있어, 초기 치매 단계를 평가하기 유용한 데이터가 될 수 있다.
또한, 치매 발병 진단 장치(100)는 병원 시스템(300)으로부터 인지능력 데이터(400)를 수신하여 대상자의 정상 행동 범위를 조정할 수 있다. 상기 정상 행동 범위에 대하여는 후술한다.
이하, 본 개시의 몇몇 실시예에 따른, 치매 발병 진단 방법을 도 2 내지 도 5를 참조하여 설명한다.
도 2는 본 개시의 몇몇 실시예에 따른, 개인 맞춤형 치매 진단 기준 생성의 순서도이다.
도 2의 단계 S110에서, 치매 발병 진단 장치(100)는 대상자의 IADL을 모니터링하여 IADL 패턴을 획득할 수 있다. 또한, 치매 발병 진단 장치(100)는 정보DB(500)로부터 기 저장된 대상자의 IADL 패턴을 수신 받아 IADL 패턴을 획득할 수 있다.
단계 S130에서, 치매 발병 진단 장치(100)는 병원 시스템(300)으로부터 인지능력 데이터(400)를 수신하여 스코어링 정보를 획득한다. 상기 스코어링 정보는 치매 발병 진단 장치(100)가 병원 시스템(300)으로부터 수신하는 인지능력 데이터(400)에 기반하여 정해지는 등급일 수 있다.
병원 시스템(300)이 치매 발병 진단 장치(100)로 송신하는 인지능력 데이터(400)는 대상자가 기존에 진행한 인지기능검사(MMSE)의 점수일 수 있다. 또한, 병원 시스템(300)이 치매 발병 진단 장치(100)로 송신하는 인지능력 데이터(400)는 MMSE 검사에 준하는 인지기능 검사의 결과일 수 있다.
단계 S150에서, 치매 발병 진단 장치(100)는 병원 시스템(300)으로부터 인지능력 데이터(400)를 수신하여 획득한 스코어링 정보를 반영하여 정상 행동 범위를 조정한다.
정상 행동 범위는 대상자의 행동이 정상 행동 범위에 포함되는 경우 대상자가 현재 치매 위험 상태가 아님으로 판단할 수 있는 범위이다. 대상자의 행동이 정상 행동 범위를 벗어나면, 대상자의 치매 위험도가 높아질 수 있을 것이다. 예를 들어, IADL 데이터 중, 특정 도구를 이용할 때 소요되는 시간의 정상 범위가 30분 내지 45분으로 사전 정의된 경우, 대상자의 IADL 패턴에 포함된 상기 특정 도구의 이용 시간이 40분이라면 정상 행동 범위로 판단될 것이고, 대상자의 IADL 패턴에 포함된 상기 특정 도구의 이용 시간이 50분이라면 비정상 행동 범위로 판단될 것이다.
몇몇 실시예들에서, 치매 발병 진단 장치(100)는 IADL 데이터에 따른 행동의 종류 별 정상 행동 범위 데이터를 외부 서비스 서버로부터 다운로드 할 수 있을 것이다.
상기 정상 행동 범위는, 상기 다운로드 된 종류 별 정상 행동 범위 데이터를 중앙값으로 하고 대상자의 인지능력의 스코어링 정보에 따라 조정되는 범위일 수 있다. 즉, 대상자의 인지능력의 스코어링 정보가 정상 수준일 수록, 상기 정상 행동 범위가 더 넓어지도록 조정될 수 있을 것이고, 대상자의 인지능력의 스코어링 정보가 비정상일 수록, 상기 정상 행동 범위가 더 좁아지도록 조정될 수 있을 것이다.
상술한 조정은, 인지능력이 정상 수준이라면 상기 정상 행동 범위를 다소 벗어나는 행동을 하더라도 가끔씩 있을 수 있는 것으로 너그러이 평가하고, 반대로 인지능력에 문제가 있다면 상기 정상 행동 범위를 벗어나는 행동을 하는 것에 엄격하게 평가함으로써, 대상자의 IADL 패턴을 평가하는 것이 초기 치매 진단 정확도를 높일 수 있다는 본 개시 고유의 발견에 따른 것이다.
상기 스코어링 정보에 따라 정상 행동 범위를 조정하는 방법은 도 3과 도 4를 참조하여 설명할 수 있다.
도 3과 도 4는 본 개시의 몇몇 실시예에 따른, 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 대상자의 등급 별로 대상자의 정상 행동 범위를 조정하는 방법을 구체적으로 설명하기 위한 도면이다.
도 3에는, 본 개시의 몇몇 실시예에 따른, MMSE 점수에 기반하여 나뉘는 인지능력 등급과, 인지능력 등급에 기반하여 기준 범위가 나뉘는 개인화된 정상 행동의 기준 범위 표가 도시된다.
상기 스코어링 점수는 MMSE 점수에 기반하여 도출되는 점수이다. 일 실시예에서 인지능력에 대한 스코어링 점수가 높아지면, 인지능력 등급이 높아지고, 인지능력 등급이 높아지면, 개인화된 정상 행동의 기준 범위가 넓어진다. 일 실시예에서 인지능력에 대한 스코어링 점수가 낮아지면, 인지능력 등급이 낮아지고, 인지능력 등급이 낮아지면, 개인화된 정상 행동의 기준 범위가 축소된다.
치매 발병 진단 장치가 수신한 대상자의 MMSE 점수가 29점 이상, 만점(30)이라면, 상기 대상자의 인지능력 등급은 Cognitive Health(상)등급으로 설정될 수 있고, 상기 대상자의 정상 행동의 기준 범위는 Q1-1.5*IQR 보다 크고 Q3+1.5*IQR 보다 작은 범위로 설정될 수 있다.
치매 발병 진단 장치가 수신한 대상자의 MMSE 점수가 만점 미만 26점 이상, 28점 이하라면, 상기 대상자의 인지능력 등급은 Very mild cognitive decline(중)등급으로 설정될 수 있고, 상기 대상자의 정상 행동의 기준 범위는 Q1-1.2*IQR 보다 크고 Q3+1.2*IQR 보다 작은 범위로 설정될 수 있다.
치매 발병 진단 장치가 수신한 대상자의 MMSE 점수가 24점 이상, 25점 이하라면, 상기 대상자의 인지능력 등급은 Mild cognitive impairment(하)등급으로 설정될 수 있고, 상기 대상자의 정상 행동의 기준 범위는 Q1-1*IQR 보다 크고 Q3+1*IQR 보다 작은 범위로 설정될 수 있다.
치매 발병 진단 장치가 수신한 대상자의 MMSE 점수가 20점 이상, 23점 이하라면 초기 치매에 해당되어, 상기 대상자의 인지능력 등급은 Moderate cognitive decline(위험)등급으로 설정될 수 있고, 상기 대상자의 정상 행동의 기준 범위는 Q1-0.5*IQR 보다 크고 Q3+0.5*IQR 보다 작은 범위로 설정될 수 있다.
도 4에는, 상기 도 3에서 확인할 수 있는 정상 행동의 기준 범위를 설명하기 위한 그래프가 도시 되어있다.
도 4에서 중앙값(Median)은 단계 S110에서 획득한 IADL 패턴일 수 있다. 도 4에 도시된 바와 같이, IQR은 중앙값을 기준으로 50%의 흩어진 정도를 의미한다. Q1 보다 크고 Q3 보다 작은 범위 내에 포함되는 데이터가 전체 데이터 표본 크기 중 50%를 차지할 수 있다. Q3과 Q1 사이 간격을 IQR로 정의할 수 있다. Q1은 중앙값 - 0.5*IQR 일 수 있다. Q3는 중앙값 + 0.5*IQR 일 수 있다.
도 4는 인지능력 등급이 Cognitive Health(상)등급인 대상자의 정상 행동 기준 범위 조정에 기반이 되는 그래프를 도시하고 있다. 인지능력 등급이 Cognitive Health(상)등급인 대상자의 정상 행동의 기준 범위를 조정하는 기반이 되는 IQR 배수는 1.5일 수 있다.
대상자의 인지능력 등급이 높으면 정상 행동의 기준 범위를 조정하는 기반이 되는 IQR 배수가 커져 정상 행동 기준 범위가 확대될 수 있다. 대상자의 인지능력 등급이 낮으면 정상 행동의 기준 범위를 조정하는 기반이 되는 IQR 배수가 작아져 정상 행동 기준 범위가 축소될 수 있다.
따라서, 정상 행동 기준 범위는 인지능력 등급이 높은 대상자보다 인지능력 등급이 낮은 대상자가 실수가 더 많은 것을 감안한 기준 범위이다. 치매 발병 진단 장치는 인지능력 등급이 높은 대상자의 IADL 패턴을 벗어나는 행동을 자율적이고 의식적인 행동으로 인지하고, 인지능력 등급이 낮은 대상자의 IADL 패턴을 벗어나는 행동을 실수로 인지한다.
단계 S170에서, 치매 발병 진단 장치는 수신된 활동 데이터를 이진화(binarization) 할 수 있다. 이 때, 상기 활동 데이터는 상술한 IADL 패턴일 수 있다. 예를 들어, 상기 IADL 패턴은 24 시간 동안의 IADL 데이터 시퀀스일 수 있다.
즉, 치매 발병 진단 장치는, 상기 수신된 활동 데이터에 포함된 각각의 행동 데이터 별로 이진화를 수행한다. 예를 들어, 행동 데이터가 상기 단계 S150에서 조정된 정상 행동 범위에 포함되는 경우 상기 행동 데이터를 제1 값으로 레이블링하고, 상기 수신된 활동 데이터가 상기 단계 S150에서 조정된 정상 행동 범위에 포함되지 않는 경우, 상기 활동 데이터를 제2 값으로 레이블링할 수 있다.
예를 들어, 상기 제1 값은 Boolean 값의 true 값이고, 상기 제2 값은 Boolean 값의 false 값일 수 있다.
치매 발병 진단 장치에 의하여 이진화 된 상기 활동 데이터는, boolean 값의 시퀀스(sequence) 형태로 변환될 것이다.
본 실시예에 따라 개인의 인지능력별로 정상 행동의 기준 범위를 차별화하고, 개인별로 차별화된 정상 행동의 기준 범위에 기반하여 치매 발병 진단 장치에 수신된 활동 데이터가 정상 행동인지, 치매 위험 상태 행동인지를 평가하면, 치매 발병 진단의 활동 데이터 평가 동작(S170)의 정확도가 향상될 수 있다.
도 5는 본 개시의 몇몇 실시예에 따른, 치매 진단 방법의 순서도이다. 치매 발병 진단 장치는 단위 시간별 데이터(B)를 생성하여 상기 단계 S170에서 이진화 시킬 수 있다. 상기 단위 시간별 데이터는 동일한 단위 시간별로 수집된 행동 데이터일 수 있다. 상기 단위 시간은 하루 또는 한 시간이 될 수 있다.
이렇게 수집된 단위 시간별 데이터에 대해 각 개인별로 정상행동범위 인지 평가의 결과를 기계학습을 위한 학습 데이터로 사용할 수 있다.
상술한 바와 같이, 상기 학습 데이터는 Boolean 값의 시퀀스 일 수 있다. 이처럼 IADL 패턴이 Boolean 값의 시퀀스 형태의 학습 데이터로 표현됨으로써, 각 대상자의 단위 기간 동안 축적된 IADL 데이터가, 상기 단위 기간 동안의 치매 위험 관련 특징이 명확하게 표현될 수 있는 것이다.
치매 발병 진단 장치는 IADL 패턴을 조정한 기준에 활동 데이터 중 특정 시점의 행동인 행동 데이터를 입력하여 특정 시점의 이진화 된 활동 데이터의 결과를 얻을 수 있다(S210).
치매 발병 진단 장치는 대상 행동 데이터가 정상 행동 범위에 포함되는 액션 데이터인 경우 단위 해당 액션 데이터를 제1 기호로 변환할 수 있다. 치매 발병 진단 장치는 대상 행동 데이터가 정상 행동 범위에 포함되는 경우, 이진화된 활동 데이터에 0을 추가할 수 있다.
치매 발병 진단 장치는 대상 행동 데이터가 정상 행동 범위에 포함되지 않는 액션 데이터인 경우 단위 해당 행동 데이터를 제2 기호로 변환할 수 있다. 치매 발병 진단 장치는 대상 행동 데이터가 정상 행동 범위에 포함되지 않는 활동 데이터인 경우 이진화 된 활동 데이터에 1을 추가할 수 있다.
치매 발병 진단 장치는 상기 이진화 된 활동 데이터를 이용하여 기계 학습함으로써, 치매 진단 모델을 생성할 수 있다(S240).
즉, 상기 치매 진단 모델은 상기 학습 데이터를 이용한 기계 학습의 결과로 생성된 인공 신경망 기반 모델일 수 있다.
한편, 상기 기계 학습은 지도 학습(supervised learning)의 형태로 수행될 수 있다. 이를 위해, 치매 발병 진단 장치는 각 학습 데이터, 즉 상기 이진화 된 활동 데이터 각각에 대하여 치매 진단 여부의 레이블링(labeling)을 수행할 수 있다.
이 때, 치매 발병 진단 장치는 각 학습 데이터에 대하여 제1 클래스 및 제2 클래스 중 어느 하나로 레이블링 할 수 있다. 즉, 치매 발병 진단 장치는 각 학습 데이터에 대하여 치매 및 정상 중 어느 하나로 레이블링 할 수 있는 것이다.
또한, 치매 발병 진단 장치는 각 학습 데이터에 대하여 제1 내지 제3 클래스 중 어느 하나로 레이블링 할 수도 있다. 즉, 치매 발병 진단 장치는 각 학습 데이터에 대하여 치매, 초기 치매 및 정상 중 어느 하나로 레이블링 할 수도 있는 것이다.
일 실시예에서, 치매 발병 진단 장치는 각 학습 데이터에 대하여 치매 및 정상 중 어느 하나로 레이블링되는 두 집단의 차이를 분석하기 위해 모집단이 정규분포를 따르는지 확인할 수 있다. 상기 모집단이 정규분포를 따르는지 확인하기 위한 정규성의 결정에는 Shapiro-Wilk 테스트가 사용될 수 있다. 상기 모집단이 정규분포가 아닌 경우에는 집단을 비교하기 위해 비모수적 검정법인 Wilcoxon rank-sum test가 이용될 수 있다. 치매 발병 진단 장치는 각 학습 데이터에 대하여 치매 및 정상 중 어느 하나로 레이블링되는 두 집단의 차이를 분석하기 위해 사용하는 도구의 상관관계 차이를 알아보기 위해 모집단이 정규분포가 아닌 경우 Spearman correlation analysis를 수행할 수 있다. Spearman correlation analysis는 작은 값에서 큰 값 순으로 데이터의 순위를 매겨 상관계수를 도출하고 분석을 통해 두 변수 사이의 상관 관계가 존재하는지 여부를 판단한다. Spearman correlation analysis를 이용하면 데이터에 이상값이 있거나 샘플 크기가 작을 경우에도 결과의 정확도를 높일 수 있다.
지금까지, 상기 치매 진단 모델의 생성 방법을 설명하였다. 상술한 바와 같이, 상기 치매 진단 모델은 기계 학습에 의하여 생성될 수 있고, 따라서 학습 데이터가 추가적으로 기계 학습에 이용될수록 상기 치매 진단 모델의 정확도는 더 증가하게 될 것이다. 따라서, 몇몇 실시예에서 상기 치매 진단 모델은 주기적으로 추가 학습 데이터를 이용하여 갱신될 수 있을 것이다.
상기 치매 진단 모델을 이용한 추론 단계(inferring stage)로서, 치매 발병 진단 장치는 치매 진단 모델에 활동 데이터를 입력하여 치매 여부를 진단할 수 있다(S250). 상기 활동 데이터가 IADL 패턴일 수 있는 점은 이미 설명한 바 있다.
상술된 기계 학습의 알고리즘으로 RF(랜덤포레스트), LR(로지스틱회귀), SVM 등의 분류 알고리즘이 활용될 수 있다. 이때, 가장 분류 성능이 높은 RF 알고리즘을 우선 선택할 수 있다. 기계학습의 모든 입력데이터는 특성별로 하루 또는 한시간 단위를 기준으로 생성될 수 있고, 학습 데이터로 이용되는 학습 데이터셋은 동일한 기준으로 계산된 데이터이다.
본 개시의 실시예들에 따르면, 개인의 상황과 환경에 따라 변경될 수 있는 IADL 패턴을 개인의 상황과 환경의 변화에 따라 갱신하여 치매의 조기 진단에 반영할 수 있다.
개인 맞춤형 치매 진단 시스템의 정상 행동 범위의 기준이 개인화되고, 정상 행동 범위의 기준이 상황에 따라 갱신되면, 치매의 조기 진단에 대한 속도와 정확도가 향상될 수 있다.
도 6은 본 개시의 몇몇 실시예들에 따른 치매 발병 진단 장치가 하나 이상의 도구 이용 간의 상관관계를 도출하는 방법을 설명하기 위한 도면이다. 정상인 예시는 대상자가 정상인 경우 나타날 수 있는 도구 이용 간의 상관관계 표의 예시이다. 치매인 예시는 대상자가 치매인 경우 나타날 수 있는 도구 이용 간의 상관관계 표의 예시이다. 상기 도구 이용 간의 상관관계 표는 기 저장된 매칭 테이블의 예시일 수 있다. 개인 맞춤형 치매 진단 시스템은 기 저장된 매칭 테이블을 참조하여 도구 사이의 연관도를 결정할 수 있다.
도 6을 참조하면, 동시에 이용된 빈도수가 많은 도구 간의 상관관계 점수가 절대값 1에 가깝게, 동시에 이용된 빈도수가 적은 도구 간의 상관관계 점수가 0에 가깝게 표시된다. 상기 동시에 이용된 빈도수는 대상자가 제1 도구를 이용하는 것으로 판단된 시간에 이용하는 것으로 판단된 제2 도구에 부여될 수 있다.
개인 맞춤형 치매 진단 시스템은 대상자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터와 대상자가 이용한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신할 수 있다. 개인 맞춤형 치매 진단 시스템은 수신한 제1 데이터와 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 데이터일 수 있다.
일 실시예에서, 정상인은 요리를 하기 위해 요리 도구인 싱크대와 냉장고 및 밥솥을 동시에 이용하는 빈도수가 많아 냉장고와 싱크대의 상관관계 점수가 0.41이고, 싱크대와 밥솥의 상관관계 점수가 0.35 인데 반해, 치매인은 0.16과, -0.14에 불과한 상관관계 점수를 도출할 수 있다. 일 실시예에서, 대상자가 제1 도구를 이용한 것으로 판단된 시간에 제1 도구와 상관관계 점수가 기 정의된 점수 이상인 도구를 이용하는 경우, 대상자의 행동이 정상 행동 범위에 포함되는 경우로 판단될 수 있다. 일 실시예에서, 대상자가 제1 도구를 이용한 것으로 판단된 시간에 제1 도구와 상관관계 점수가 기 정의된 점수 미만인 도구를 이용하는 경우, 대상자의 행동이 비정상 행동 범위에 포함되는 경우로 판단될 수 있다.
몇몇 실시예들에서, 치매 발병 진단 장치(100)는 IADL 데이터에 따른 도구의 이용 종류 별 정상 행동 범위 데이터를 외부 서비스 서버로부터 다운로드 할 수 있을 것이다.
도 7은 본 개시의 몇몇 실시예들에 따른 치매 발병 진단 장치의 하드웨어 구성도이다. 도 7에 도시된 치매 발병 진단 장치(100)는, 하나 이상의 프로세서(1100), 시스템 버스(1600), 통신 인터페이스(1200), 프로세서(1100)에 의하여 수행되는 컴퓨터 프로그램(1500)을 로드(load)하는 메모리(1400)와, 컴퓨터 프로그램(1500)을 저장하는 스토리지(1300)를 포함할 수 있다.
프로세서(1100)는 치매 발병 진단 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(1100)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 메모리(1400)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(1400)는 본 개시의 다양한 실시예들에 따른 방법/동작들을 실행하기 위하여 스토리지(1300)로부터 하나 이상의 컴퓨터 프로그램(1500)을 로드(load) 할 수 있다. 버스(1600)는 시뮬레이션 장치(200)의 구성 요소 간 통신 기능을 제공한다. 통신 인터페이스(1200)는 시뮬레이션 장치(200)의 인터넷 통신을 지원한다. 스토리지(1300)는 하나 이상의 컴퓨터 프로그램(1500)을 비임시적으로 저장할 수 있다.
메모리(1400)는 상술한 치매 진단 모델의 데이터를 추가적으로 로드할 수 있다. 컴퓨터 프로그램(1500)은 상기 치매 진단 모델의 데이터를 이용하여 구성된 치매 진단 모델에, 대상자의 IADL 패턴의 평가 결과를 이용하여 생성된 이진화된 IADL 패턴을 입력하고, 상기 치매 진단 모델의 출력 데이터를 이용하여 대상자의 치매 여부를 진단할 수 있을 것이다.
컴퓨터 프로그램(1500)은 본 개시의 다양한 실시예들에 따른 방법/동작들이 구현된 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 컴퓨터 프로그램(1500)이 메모리(1400)에 로드 되면, 프로세서(1100)는 상기 하나 이상의 인스트럭션들을 실행시킴으로써 본 개시의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(1500)은 치매 발병 진단 동작을 수행하기 위한 인스트럭션들(instructions)을 포함할 수 있다. 상기 인스트럭션들은 제1 대상자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 인스트럭션, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 인스트럭션 및 상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 인스트럭션을 포함할 수 있다.
다른 실시예에서, 컴퓨터 프로그램(1500)은 치매 진단 모델을 생성하기 위한 인스트럭션들을 포함할 수도 있다. 상기 인스트럭션들은 피험자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션, 상기 피험자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 피험자를 위해 개인화 하는 인스트럭션, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 학습 데이터를 생성하는 인스트럭션, 상기 학습 데이터를 이용하여 치매 진단 모델을 기계 학습 시키는 인스트럭션 및 상기 기계 학습이 완료되면 상기 치매 진단 모델을 표현하는 데이터를 출력하는 인스트럭션을 포함할 수 있다.
지금까지 도 1 내지 도 7을 참조하여 본 개시의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
지금까지 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행 되어야만 하거나 또는 모든 도시 된 동작들이 실행 되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (7)
- 삭제
- 삭제
- 삭제
- 컴퓨팅 장치에 의하여 수행되는 방법에 있어서,
제1 대상자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 단계;
상기 제1 대상자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 단계;
상기 제1 데이터와 상기 제2 데이터를 이용하여, 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 단계;
상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 단계;
상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 단계; 및
상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 단계를 포함하는,
개인 맞춤형 치매 진단 방법. - 컴퓨팅 장치에 의하여 수행되는 방법에 있어서,
피험자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 단계;
상기 피험자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 단계;
상기 제1 데이터와 상기 제2 데이터를 이용하여, 상기 피험자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 단계;
상기 피험자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 피험자를 위해 개인화 하는 단계;
상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 학습 데이터를 생성하는 단계;
상기 학습 데이터를 이용하여 치매 진단 모델을 기계 학습 시키는 단계; 및
상기 기계 학습이 완료되면 상기 치매 진단 모델을 표현하는 데이터를 출력하는 단계를 포함하는,
개인 맞춤형 치매 진단 모델 생성 방법. - 삭제
- 개인 맞춤형 치매 진단 장치에 있어서,
제1 대상자의 치매 진단 프로그램이 로드되는 메모리; 및
개인 맞춤형 치매 진단 프로그램이 실행되는 프로세서를 포함하되,
상기 개인 맞춤형 치매 진단 프로그램은,
상기 제1 대상자가 이용한 제1 도구에 부착된 센서에서 센싱된 제1 데이터를 수신하는 인스트럭션(instruction);
상기 제1 대상자가 이용한 상기 제1 도구와 상이한 제2 도구에 부착된 센서에서 센싱된 제2 데이터를 수신하되, 상기 제1 데이터와 상기 제2 데이터는 적어도 일부의 공통 시간 구간을 공유하는 인스트럭션;
상기 제1 데이터와 상기 제2 데이터를 이용하여 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션;
상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 인스트럭션;
상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 인스트럭션; 및
상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 인스트럭션을 포함하는,
개인 맞춤형 치매 진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220174630A KR102646691B1 (ko) | 2022-12-14 | 2022-12-14 | 개인 맞춤형 치매 진단 방법 및 그 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220174630A KR102646691B1 (ko) | 2022-12-14 | 2022-12-14 | 개인 맞춤형 치매 진단 방법 및 그 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102646691B1 true KR102646691B1 (ko) | 2024-03-12 |
Family
ID=90299571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220174630A KR102646691B1 (ko) | 2022-12-14 | 2022-12-14 | 개인 맞춤형 치매 진단 방법 및 그 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102646691B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102102931B1 (ko) | 2018-04-23 | 2020-04-22 | 주식회사 바이탈식스랩 | 치매 예측 시스템 |
| KR20210155335A (ko) * | 2020-06-15 | 2021-12-22 | 한국과학기술정보연구원 | 일상생활 능력정보 기반 치매 예측 방법 및 그 장치 |
-
2022
- 2022-12-14 KR KR1020220174630A patent/KR102646691B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102102931B1 (ko) | 2018-04-23 | 2020-04-22 | 주식회사 바이탈식스랩 | 치매 예측 시스템 |
| KR20210155335A (ko) * | 2020-06-15 | 2021-12-22 | 한국과학기술정보연구원 | 일상생활 능력정보 기반 치매 예측 방법 및 그 장치 |
Non-Patent Citations (1)
| Title |
|---|
| 논문문헌 양영순, 양현덕, 홍윤정, 김정은, 박문호, 나해리, 한일우, 김상윤"일상생활능력과 치매"2012; 11: 29-37 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bakar et al. | Activity and anomaly detection in smart home: A survey | |
| Suryadevara et al. | Forecasting the behavior of an elderly using wireless sensors data in a smart home | |
| Meng et al. | Towards online and personalized daily activity recognition, habit modeling, and anomaly detection for the solitary elderly through unobtrusive sensing | |
| JP7463102B2 (ja) | 人の日常生活動作を監視するためのシステム及び方法 | |
| Monekosso et al. | Behavior analysis for assisted living | |
| US20190180389A1 (en) | Analysing energy/utility usage | |
| KR102494874B1 (ko) | 일상생활 능력정보 기반 치매 예측 방법 및 그 장치 | |
| Hussain et al. | A performance comparison of machine learning classification approaches for robust activity of daily living recognition | |
| Skubic et al. | Testing classifiers for embedded health assessment | |
| Raeiszadeh et al. | Discovering varying patterns of Normal and interleaved ADLs in smart homes | |
| Fatima et al. | Analysis and effects of smart home dataset characteristics for daily life activity recognition | |
| Civitarese et al. | Monitoring objects manipulations to detect abnormal behaviors | |
| Arrotta et al. | MICAR: multi-inhabitant context-aware activity recognition in home environments | |
| Pazhoumand-Dar et al. | Detecting deviations from activities of daily living routines using kinect depth maps and power consumption data | |
| Pazhoumand-Dar | Fuzzy association rule mining for recognising daily activities using Kinect sensors and a single power meter | |
| KR102646691B1 (ko) | 개인 맞춤형 치매 진단 방법 및 그 장치 | |
| Quesada et al. | Generation of a partitioned dataset with single, interleave and multioccupancy daily living activities | |
| Riboni et al. | Analysis of long-term abnormal behaviors for early detection of cognitive decline | |
| JP2021105941A (ja) | 情報処理システム、生活評価方法およびプログラム | |
| Naeem et al. | Activities of daily life recognition using process representation modelling to support intention analysis | |
| Bono-Nuez et al. | Ambient intelligence for quality of life assessment | |
| US20210208753A1 (en) | Generating a user-specific user interface | |
| KR102552172B1 (ko) | 개인 맞춤형 치매 진단 방법 및 그 장치 | |
| Suryadevara et al. | Smart sensing system for human emotion and behaviour recognition | |
| Shahid et al. | Unsupervised Forecasting and Anomaly Detection of ADLs in single-resident elderly smart homes |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |