KR102651312B1 - 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램 - Google Patents
혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램 Download PDFInfo
- Publication number
- KR102651312B1 KR102651312B1 KR1020230115499A KR20230115499A KR102651312B1 KR 102651312 B1 KR102651312 B1 KR 102651312B1 KR 1020230115499 A KR1020230115499 A KR 1020230115499A KR 20230115499 A KR20230115499 A KR 20230115499A KR 102651312 B1 KR102651312 B1 KR 102651312B1
- Authority
- KR
- South Korea
- Prior art keywords
- blood sugar
- sugar data
- predicted
- data table
- recognizing
- Prior art date
Links
- 239000008280 blood Substances 0.000 title claims abstract description 328
- 210000004369 blood Anatomy 0.000 title claims abstract description 328
- 238000000034 method Methods 0.000 title claims abstract description 58
- 102000017011 Glycated Hemoglobin A Human genes 0.000 title claims abstract description 44
- 108091005995 glycated hemoglobin Proteins 0.000 title claims abstract description 44
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 title description 2
- 239000008103 glucose Substances 0.000 title description 2
- 230000003190 augmentative effect Effects 0.000 claims abstract description 25
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 4
- 235000013305 food Nutrition 0.000 claims description 63
- 230000000291 postprandial effect Effects 0.000 claims description 37
- 239000003814 drug Substances 0.000 claims description 26
- 235000012054 meals Nutrition 0.000 claims description 25
- 229940079593 drug Drugs 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 235000021152 breakfast Nutrition 0.000 claims description 8
- 230000002618 waking effect Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 47
- 238000013528 artificial neural network Methods 0.000 description 30
- 238000004891 communication Methods 0.000 description 17
- 238000012549 training Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 150000001720 carbohydrates Chemical class 0.000 description 3
- 235000014633 carbohydrates Nutrition 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 206010043458 Thirst Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/66—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving blood sugars, e.g. galactose
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Hematology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Urology & Nephrology (AREA)
- Medicinal Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Diabetes (AREA)
- Cell Biology (AREA)
- Food Science & Technology (AREA)
- Biotechnology (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physical Education & Sports Medicine (AREA)
Abstract
본 발명의 다양한 실시예에 따른 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법이 개시된다. 상기 방법은: 복수의 시점에 측정된 사용자의 혈당 데이터를 획득하는 단계; 상기 혈당 데이터를 기초로 혈당 데이터 테이블을 생성하는 단계; 상기 혈당 데이터 테이블에 포함된 공백 셀을 인식하고, 상기 공백 셀에 대응하는 예측 혈당 데이터를 생성하는 단계; 상기 예측 혈당 데이터를 상기 공백 셀에 삽입하여 상기 혈당 데이터 테이블을 보강하는 단계; 상기 보강된 혈당 데이터 테이블을 기초로 당화혈색소 추정치를 산출하는 단계; 및 상기 사용자의 사용자 단말로 상기 당화혈색소 추정치를 제공하는 단계;를 포함할 수 있다.
Description
본 발명은 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램에 관한 것으로서, 구체적으로 혈당 데이터 테이블의 공백 셀을 인식하여 혈당 데이터 테이블을 보강하고, 보강한 혈당 데이터 테이블을 기초로 당화혈색소 추정치 제공 방법, 장치 및 프로그램에 관한 것이다.
당뇨병은 장기간에 걸친 높은 혈당 수준들을 특징으로 하는 대사 장애 질환이다. 당뇨병의 전형적인 증상들로는, 잦은 배뇨, 갈증 증가, 허기 증가 등이 있으며, 당뇨병을 치료하지 않고 방치하게 되면 많은 합병증을 유발할 위험이 존재한다.
2021년 기준 세계 당뇨병 환자 수를 5억2900만명으로 추정할 만큼 수많은 사람들이 당뇨병을 앓고 있다. 이 질병을 효율적으로 제어하기 위해서는 혈당 수치 및 당화혈색소에 대한 모니터링이 필요한데, 혈액 샘플로부터 혈당치를 측정하는 채혈 방식의 혈당 측정기는 그 정밀도 때문에 가장 흔히 사용되는 혈당 측정 방식이다. 혈당 수치의 추적을 위해서는 주기적인 측정이 필요하나, 해당 방식은 채혈 방식으로 피부에 상처를 내기 때문에 고통이 동반되며, 꾸준한 측정이 어려울 수 있다.
따라서, 추적이 누락된 혈당 수치를 복원하고, 이를 이용해 당화혈색소를 제공하는 방법에 대한 수요가 당업계에 존재한다. 이와 관련하여 대한민국 등록특허공보 제10-1600379호는 당뇨병 환자를 위한 혈당 관리 방법을 개시한다.
본 발명은 전술한 배경기술에 대응하여 안출된 것으로 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램을 제공하고자 하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 발명의 일 실시예에 따라, 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법이 개시된다. 상기 방법은: 복수의 시점에 측정된 사용자의 혈당 데이터를 획득하는 단계; 상기 혈당 데이터를 기초로 혈당 데이터 테이블을 생성하는 단계; 상기 혈당 데이터 테이블에 포함된 공백 셀을 인식하고, 상기 공백 셀에 대응하는 예측 혈당 데이터를 생성하는 단계; 상기 예측 혈당 데이터를 상기 공백 셀에 삽입하여 상기 혈당 데이터 테이블을 보강하는 단계; 상기 보강된 혈당 데이터 테이블을 기초로 당화혈색소 추정치를 산출하는 단계; 및 상기 사용자의 사용자 단말로 상기 당화혈색소 추정치를 제공하는 단계;를 포함할 수 있다.
대안적인 실시예에서, 상기 사용자의 혈당 데이터는, 기상 후 공복 시점, 아침 식사 전 시점, 아침 식사 후 시점, 점심 식사 전 시점, 점심 식사 후 시점, 저녁 식사 전 시점 및 저녁 식사 후 시점 각각에 측정된 혈당 데이터를 포함하고, 상기 혈당 데이터 테이블은, 상기 복수의 시점에 대응하는 항목의 열과 기 설정된 기간에 대응하는 날짜 별 행으로 구성될 수 있다.
대안적인 실시예에서, 상기 혈당 데이터 테이블에 포함된 공백 셀을 인식하고, 상기 공백 셀에 대응하는 예측 혈당 데이터를 생성하는 단계는, 상기 혈당 데이터 테이블 내에서 상기 공백 셀이 속한 특정 열을 인식하는 단계; 및 상기 특정 열에 속한 나머지 셀들 중 적어도 두 개 이상의 셀을 기초로 상기 공백 셀에 대응하는 상기 예측 혈당 데이터를 생성하는 단계;를 포함하고, 상기 특정 열에 속한 나머지 셀들 중 적어도 두 개 이상의 셀을 기초로 상기 공백 셀에 대응하는 상기 예측 혈당 데이터를 생성하는 단계는, 상기 나머지 셀들 중 적어도 두 개 이상의 셀을 기초로 학습 데이터셋을 생성하는 단계; 상기 학습 데이터셋을 기초로 시계열 예측 모델을 학습시키는 단계; 및 상기 학습된 시계열 예측 모델로부터 상기 공백 셀에 대응하는 상기 예측 혈당 데이터를 획득하는 단계;를 포함할 수 있다.
대안적인 실시예에서, 상기 방법은, 상기 사용자 단말로부터 제1 시점에 섭취한 식사 이미지를 수신하는 단계; 상기 식사 이미지에 포함된 음식 항목을 인식하고, 상기 음식 항목에 기초하여 상기 식후 혈당 데이터를 예측하는 단계; 상기 보강된 혈당 데이터 테이블에 포함된 상기 예측 혈당 데이터 중에서 상기 제1 시점에 대응하는 특정 예측 혈당 데이터를 인식하는 단계; 및 상기 특정 예측 혈당 데이터와 상기 식후 혈당 데이터를 비교하여 상기 보강된 혈당 데이터 테이블의 보정 여부를 결정하는 단계;를 더 포함하고, 상기 보강된 혈당 데이터 테이블의 보정 여부를 결정하는 단계는, 상기 특정 예측 혈당 데이터와 상기 식후 혈당 데이터 각각에 포함된 혈당 수치의 차이가 기 설정된 값을 초과하는 경우, 상기 보강된 혈당 데이터 테이블에 포함된 상기 특정 예측 혈당 데이터를 보정하는 단계;를 포함할 수 있다.
대안적인 실시예에서, 상기 식사 이미지는, 식사 전 이미지 및 식사 후 이미지를 포함하고, 상기 식사 이미지에 포함된 음식 항목을 인식하고, 상기 음식 항목에 기초하여 상기 식후 혈당 데이터를 예측하는 단계는, 상기 식사 전 이미지에 포함된 제1 음식 항목을 인식하고, 상기 제1 음식 항목 각각의 양을 인식하는 단계; 상기 식사 후 이미지에 포함된 제2 음식 항목을 인식하고, 상기 제2 음식 항목 각각의 양을 인식하는 단계; 상기 제1 음식 항목, 상기 제1 음식 항목 각각의 양, 상기 제2 음식 항목 및 상기 제2 음식 항목 각각의 양을 기초로 상기 음식 항목 별 섭취량을 인식하는 단계; 및 상기 음식 항목의 기준 단위 별로 사전 설정된 혈당량과 상기 섭취량을 기초로 상기 식후 혈당 데이터를 인식하는 단계;를 포함할 수 있다.
대안적인 실시예에서, 상기 음식 항목의 기준 단위 별로 사전 설정된 혈당량과 상기 섭취량을 기초로 상기 식후 혈당 데이터를 인식하는 단계는, 상기 사용자의 혈당 데이터가 측정된 상기 복수의 시점 중 제2 시점에 섭취한 식사 이미지와 상기 제2 시점에 측정된 혈당 데이터를 기초로 상기 사용자의 흡수율을 결정하는 단계; 및 상기 음식 항목의 기준 단위 별로 설정된 혈당량과 상기 섭취량 및 상기 흡수율을 연산하여 상기 식후 혈당 데이터를 인식하는 단계;를 포함할 수 있다.
대안적인 실시예에서, 상기 특정 예측 혈당 데이터와 상기 식후 혈당 데이터 각각에 포함된 혈당 수치의 차이가 기 설정된 값을 초과하는 경우, 상기 보강된 혈당 데이터 테이블에 포함된 상기 특정 예측 혈당 데이터를 보정하는 단계는, 상기 특정 예측 혈당 데이터를 산출하기 위해 이용된 학습 데이터를 기초로 상기 특정 예측 혈당 데이터의 제1 정확도를 산출하는 단계; 상기 제1 정확도를 기초로 상기 특정 예측 혈당 데이터에 부여할 제1 가중치를 결정하는 단계; 상기 식후 혈당 데이터를 산출하기 위해 이용된 상기 음식 항목 별 정확도를 기초로 상기 식후 혈당 데이터의 제2 정확도를 산출하는 단계; 상기 제2 정확도를 기초로 상기 식후 혈당 데이터에 부여할 제2 가중치를 결정하는 단계; 및 상기 제1 가중치가 부여된 상기 특정 예측 혈당 데이터 및 상기 제2 가중치가 부여된 상기 식후 혈당 데이터를 기초로 상기 특정 예측 혈당 데이터를 보정하는 단계;를 포함할 수 있다.
대안적인 실시예에서, 상기 제1 정확도를 산출하는 단계는, 상기 특정 예측 혈당 데이터를 산출하기 위한 학습 데이터셋에 포함된 혈당 데이터의 개수, 상기 특정 예측 혈당 데이터가 속한 특정 열에 존재하는 공백 셀의 개수 및 상기 특정 열에 존재하는 상기 공백 셀 간의 간격을 기초로 상기 제1 정확도를 산출하는 단계;를 포함하고, 상기 제2 정확도를 산출하는 단계는, 상기 음식 항목을 인식하기 위해 사전 학습된 신경망 모델로부터 상기 음식 항목과 함께 출력된 정확도를 획득하는 단계; 및 상기 음식 항목 각각의 정확도의 평균 값을 상기 제2 정확도로 산출하는 단계;를 포함할 수 있다.
대안적인 실시예에서, 상기 방법은, 상기 사용자 단말로부터 운동 정보 및 복약 정보 중 적어도 하나를 획득하는 단계; 및 상기 운동 정보 및 상기 복약 정보 중 적어도 하나에 기초하여, 상기 예측 혈당 데이터를 보정하는 단계;를 더 포함하고, 상기 운동 정보에 기초하여, 상기 예측 혈당 데이터를 보정하는 단계는, 상기 운동 정보에 기초하여 운동량을 결정하고, 상기 예측 혈당 데이터에서 상기 운동량에 대응하는 혈당 수치를 감산하는 단계;를 포함하고, 상기 복약 정보에 기초하여, 상기 예측 혈당 데이터를 보정하는 단계는, 상기 복약 정보 및 상기 사용자의 혈당 데이터에 기초하여, 혈당 수치의 조절과 관련된 약을 복약 시 감소된 감소 혈당 수치를 인식하는 단계; 상기 예측 혈당 데이터에 대응하는 제3 시점을 인식하고, 상기 복약 정보를 기초로 상기 제3 시점에 상기 약을 복약하였는지 여부를 인식하는 단계; 및 상기 제3 시점에 상기 약을 복약하였다고 인식한 경우, 상기 예측 혈당 데이터에서 상기 감소 혈당 수치를 감산하는 단계;를 포함할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따라, 장치가 개시된다. 상기 장치는: 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 상술한 방법들을 수행할 수 있다.
상술한 과제를 해결하기 위한 본 발명의 일 실시예에 따라, 하드웨어인 컴퓨터와 결합되어, 상술한 방법들을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램이 개시된다.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.
본 발명은 추적이 누락된 혈당 수치를 복원하고, 이를 이용하여 보다 정확한 당화혈색소 추정치를 제공할 수 있다.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 시스템을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
도 3은 본 발명의 일 실시예에 따른 당화혈색소 추정치를 제공하는 방법의 일례를 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 혈당 데이터 테이블의 일례를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 보강된 혈당 데이터 테이블의 보정 여부를 결정하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 예측 혈당 데이터를 보정하는 방법의 일례를 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
도 3은 본 발명의 일 실시예에 따른 당화혈색소 추정치를 제공하는 방법의 일례를 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 혈당 데이터 테이블의 일례를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 보강된 혈당 데이터 테이블의 보정 여부를 결정하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 예측 혈당 데이터를 보정하는 방법의 일례를 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 발명의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 발명내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.
본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.
도 1은 본 발명의 일 실시예에 따른 시스템을 도시한 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 시스템은 컴퓨팅 장치(100), 사용자 단말(200) 및 외부 서버(300)를 포함할 수 있다. 도 1에 도시된 시스템은 일 실시예에 따른 것이고, 그 구성 요소가 도 1에 도시된 실시예에 한정되는 것은 아니며, 필요에 따라 부가, 변경 또는 삭제될 수 있다.
이하의 설명에서 용어 "혈당 데이터"는 서로 다른 요소 간 비교를 위해 "값"의 단위로 표현될 수 있으나 이는 "혈당 데이터"에 대응하거나, 그 자체의 의미가 "혈당 수치"로 표현된 것이다. 따라서, 이하에서 언급되는 "혈당 데이터"나 "혈당 수치"는 동일한 의미일 수 있다.
일 실시예에서, 컴퓨팅 장치(100)는 당화혈색소 추정치 제공 서비스를 제공할 수 있다.
구체적으로, 컴퓨팅 장치(100)는 복수의 시점에 측정된 사용자의 혈당 데이터를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 혈당 데이터를 기초로 혈당 데이터 테이블을 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 혈당 데이터 테이블에 포함된 공백 셀을 인식하고, 공백 셀에 대응하는 예측 혈당 데이터를 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 예측 혈당 데이터를 공백 셀에 삽입하여 혈당 데이터 테이블을 보강할 수 있다. 또한, 컴퓨팅 장치(100)는 보강된 혈당 데이터 테이블을 기초로 당화혈색소 추정치를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 사용자의 사용자 단말(200)로 당화혈색소 추정치를 제공할 수 있다.
좀더 구체적으로, 컴퓨팅 장치(100)는 보강된 혈당 데이터 테이블을 기초로 당화혈색소 추정치를 산출하는 경우, 테이블 상의 날짜 별로 복수의 제1 평균 혈당 수치를 산출할 수 있다. 또한, 컴퓨팅 장치(100)는 복수의 제1 평균 혈당 수치의 제2 평균 혈당 수치를 산출할 수 있다. 그리고, 제2 평균 혈당 수치를 28.7로 나눈 값에서 2.15를 감산하여 당화혈색소 추정치를 산출할 수 있다.
따라서, 본 발명의 컴퓨팅 장치(100)는 사용자가 혈당 데이터 측정을 놓치더라도, 해당 혈당 데이터를 예측하여 혈당 데이터 테이블을 보강하기 때문에 사용자의 혈당 데이터 추적의 편의성을 높일 수 있다. 또한, 컴퓨팅 장치(100)는 보강된 혈당 데이터 테이블을 통해 당화혈색소 추정치를 산출하여 보다 정확한 당화혈색소 추정치를 제공할 수 있다.
이하, 컴퓨팅 장치(100)가 당화혈색소 추정치 제공 서비스를 제공하는 방법의 일례는 도 3 내지 도 6을 참조하여 후술한다.
다양한 실시예에서, 컴퓨팅 장치(100)는 웹(Web) 또는 애플리케이션(Application) 기반의 서비스를 제공할 수 있다. 그러나, 이에 한정되지 않는다.
컴퓨팅 장치(100)는 예를 들어, 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 휴대용 디바이스 및 디바이스 제어기 등과 같은 임의의 타입의 컴퓨터 시스템 또는 컴퓨터 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
이하, 컴퓨팅 장치(100)의 하드웨어 구성에 대한 설명은 도 2를 참조하여 후술한다.
한편, 사용자 단말(200)은 네트워크(400)를 통해 컴퓨팅 장치(100)와 연결될 수 있으며, 컴퓨팅 장치(100)에서 제공하는 당화혈색소 추정치 제공 서비스를 사용하는 사용자의 단말일 수 있다.
구체적으로, 사용자 단말(200)은 혈당 데이터의 추적과 주기적인 당화혈색소 확인 요구되는 당뇨병 환자의 단말일 수 있으나 이에 한정되는 것은 아니다.
여기서, 사용자 단말(200)은 예를 들어, 다양한 형태의 컴퓨터 장치를 포함할 수 있다. 자세히 예를 들어, 사용자 단말(200)은 스마트폰, 태블릿 PC, 데스크톱, 노트북과 같은 다양한 단말 장치를 의미할 수 있다.
사용자 단말(200)은 단말의 적어도 일부분에 디스플레이를 포함하며, 컴퓨팅 장치(100)로부터 제공되는 애플리케이션 혹은 확장 프로그램 기반의 서비스 구동을 위한 운영체제를 포함할 수 있다. 예를 들어, 사용자 단말(200)은 스마트폰(Smart-phone)일 수 있으나, 이에 한정되지 않고, 사용자 단말(200)은, 휴대성과 이동성이 보장되는 무선 통신 장치로서, 네비게이션, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말, 스마트 패드(Smartpad), 태블릿 PC(Tablet PC) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다.
외부 서버(300)는 네트워크(400)를 통해 컴퓨팅 장치(100)와 연결될 수 있으며, 컴퓨팅 장치(100)가 당화혈색소 추정치 제공 서비스를 제공하기 위하여 필요한 각종 정보/데이터를 송수신 할 수 있고, 컴퓨팅 장치(100)가 당화혈색소 추정치 제공 서비스를 제공함에 따라 생성되는 각종 정보/데이터를 저장 및 관리할 수 있다.
예를 들어, 외부 서버(300)는 당화혈색소 추정치 제공 서비스에서 이용되는 정보를 저장하는 데이터베이스 서버일 수 있다. 다른 예를 들어, 외부 서버(300)는 당화혈색소 추정치 제공 서비스에 이용되는 정보를 제공하는 서버일 수 있다.
네트워크(400)는 컴퓨팅 장치, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 예를 들어, 네트워크(400)는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다.
무선 데이터 통신망은 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 하드웨어 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 컴퓨팅 장치(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(110)는 컴퓨팅 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.
또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 컴퓨팅 장치(100)는 하나 이상의 프로세서를 구비할 수 있다.
다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.
메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 발명의 기술적 범위가 이에 한정되는 것은 아니다.
버스(130)는 컴퓨팅 장치(100)의 구성 요소 간 통신 기능을 제공한다. 버스(130)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(140)는 컴퓨팅 장치(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.
스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 컴퓨팅 장치(100)를 통해 본 발명의 실시예에 따른 프로세스를 수행하는 경우, 스토리지(150)는 개시된 실시예에 따른 분석을 수행하기 위하여 필요한 각종 정보를 저장할 수 있다.
스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(151)은 메모리(120)에 로드 될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(151)은 신경망 모델의 학습과 관련된 다양한 작업과 관련된 다양한 방법들을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
도 3은 본 발명의 일 실시예에 따른 당화혈색소 추정치를 제공하는 방법의 일례를 설명하기 위한 흐름도이다. 도 4는 본 발명의 일 실시예에 따른 혈당 데이터 테이블의 일례를 설명하기 위한 도면이다.
도 3을 참조하면, 컴퓨팅 장치(100)는 복수의 시점에 측정된 사용자의 혈당 데이터를 획득할 수 있다(S110). 여기서, 사용자의 혈당 데이터는 기상 후 공복 시점, 아침 식사 전 시점, 아침 식사 후 시점, 점심 식사 전 시점, 점심 식사 후 시점, 저녁 식사 전 시점 및 저녁 식사 후 시점 각각에 측정된 혈당 데이터를 포함할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 사용자 단말(200)로부터 기상 후 공복 시점, 아침 식사 전 시점, 아침 식사 후 시점, 점심 식사 전 시점, 점심 식사 후 시점, 저녁 식사 전 시점 및 저녁 식사 후 시점 마다 혈당 데이터를 수신할 수 있다. 자세히 예를 들어, 사용자는 별도의 혈당 측정 장치로 혈당을 측정한 후, 사용자 단말(200)에 측정된 혈당 수치를 입력할 수 있다. 이 경우, 사용자 단말(200)은 입력된 혈당 수치(즉, 혈당 데이터)를 컴퓨팅 장치(100)로 전송할 수 있다.
다른 예를 들어, 컴퓨팅 장치(100)는 사용자가 혈당 측정 장치로 혈당을 측정하는 경우, 혈당 측정 장치로부터 복수의 시점 마다 혈당 데이터를 수신할 수 있다.
또 다른 예를 들어, 컴퓨팅 장치(100)는 사용자가 과거에 복수의 시점 별로 측정했던 혈당 데이터를 사용자 단말(200) 또는 외부 서버(300)로부터 획득할 수도 있다. 여기서, 외부 서버(300)는 예를 들어, 사용자가 혈당 관리를 위해 방문하는 병원의 서버일 수 있으나 이에 한정되는 것은 아니다.
컴퓨팅 장치(100)는 혈당 데이터를 기초로 혈당 데이터 테이블을 생성할 수 있다(S120). 또한, 컴퓨팅 장치(100)는 혈당 데이터 테이블에 포함된 공백 셀을 인식하고, 공백 셀에 대응하는 예측 혈당 데이터를 생성할 수 있다(S130). 그리고, 컴퓨팅 장치(100)는 예측 혈당 데이터를 공백 셀에 삽입하여 혈당 데이터 테이블을 보강할 수 있다(S140).
예를 들어, 도 4를 참조하면, 혈당 데이터 테이블의 예시를 도시하였다. 도 4에 도시된 혈당 데이터 테이블(10)의 각 셀에 기재된 수치는 혈당 수치의 단위인 mg/dL가 생략된 값이다.
혈당 데이터 테이블(10)은 혈당 데이터가 측정된 복수의 시점에 대응하는 항목의 열(11)과 기 설정된 기간에 대응하는 날짜 별 행(12)으로 구성될 수 있다. 예를 들어, 혈당 데이터를 기초로 당화혈색소를 추정하기 위해서는 1개월 내지 3개월 간 측정된 혈당 데이터가 요구될 수 있다. 즉, 기 설정된 기간은 1개월 내지 3개월 일 수 있고, 혈당 데이터 테이블(10)은 1개월 내지 3개월에 대응하는 날짜(예를 들어, 30일 내지 90일) 별 행(12)으로 구성될 수 있다.
한편, 혈당 데이터 테이블(10)은 공백 셀(13)을 포함할 수 있다. 예를 들어, 혈당 데이터를 측정해야 할 시점에 사용자가 측정을 누락한 경우, 해당 셀에 입력될 혈당 데이터가 존재하지 않을 수 있다. 이 경우, 컴퓨팅 장치(100)는 공백 셀에 대한 예측 혈당 데이터를 생성할 수 있다.
구체적으로, 컴퓨팅 장치(100)는 혈당 데이터 테이블 내에서 공백 셀(13)이 속한 특정 열(14)을 인식할 수 있다. 그리고, 컴퓨팅 장치(100)는 특정 열(14)에 속한 나머지 셀들 중 적어도 두 개 이상의 셀을 기초로 공백 셀(13)에 대응하는 예측 혈당 데이터를 생성할 수 있다.
좀더 구체적으로, 컴퓨팅 장치(100)는 특정 열(14)에 속한 나머지 셀들 중 적어도 두 개 이상의 셀을 기초로 학습 데이터셋을 생성할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 적어도 두 개 이상의 셀을 0 내지 1 사이의 값으로 변환하여 학습 데이터셋을 생성할 수 있다. 여기서, 학습 데이터셋은 공백 셀이 존재하지 않은 연속된 혈당 데이터를 이용하여 생성될 수 있다.
컴퓨팅 장치(100)는 학습 데이터셋을 생성한 경우, 학습 데이터셋을 기초로 시계열 예측 모델을 학습시킬 수 있다. 그리고, 컴퓨팅 장치(100)는 학습된 시계열 예측 모델에 공백 셀 이전의 연속된 몇몇 혈당 데이터를 입력하여, 공백 셀에 대응하는 예측 혈당 데이터를 획득할 수 있다. 이 경우, 컴퓨팅 장치(100)는 혈당 데이터 테이블(10)을 보강하기 위해 시계열 예측 모델이 예측한 예측 혈당 데이터를 공백 셀에 삽입할 수 있다.
즉, 학습된 시계열 예측 모델은 연속된 몇몇 혈당 데이터가 입력되면 다음 혈당 데이터를 출력할 수 있다. 예를 들어, 시계열 예측 모델은 LSTM(Long Short-Term Memory) 모델일 수 있다. 다른 예를 들어, 시계열 예측 모델은 베이지안 신경망 모델일 수 있다. 이 경우, 또한, 학습된 시계열 예측 모델은 출력한 다음 혈당 데이터에 대한 정확도를 함께 출력할 수 있다. 다만, 본 발명의 시계열 예측 모델은 상술한 예시에 한정되는 것은 아니다. 그리고, 시계열 예측 모델과 관련된 네트워크 함수에 대한 설명은 도 7을 참조하여 후술한다.
본 발명의 다양한 실시예에서, 컴퓨팅 장치(100)는 공백 셀(13)에 대응하는 예측 혈당 데이터를 생성하기 위해 공백 셀(13)이 속한 특정 열(14)에 존재하는 혈당 데이터들의 평균 값 또는 중간 값을 산출할 수 있다. 이 경우, 컴퓨팅 장치(100)는 공백 셀(13)이 속한 특정 열(14)에 존재하는 혈당 데이터들의 평균 값 또는 중간 값을 예측 혈당 데이터로 결정할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 시계열 예측 모델이 예측한 제1 예측 혈당 데이터와 연산(즉, 특정 열에 존재하는 혈당 데이터들의 평균 값 또는 중간 값)을 통해 획득한 제2 예측 혈당 데이터를 기초로 제3 예측 혈당 데이터를 산출할 수 있다.
구체적으로, 컴퓨팅 장치(100)는 제1 예측 혈당 데이터와 제2 예측 혈당 데이터를 비교하여, 두 혈당 데이터의 차이가 기 설정된 차이를 초과하는 경우, 제1 예측 혈당 데이터와 제2 예측 혈당 데이터의 평균 값 또는 중간 값을 제3 예측 혈당 데이터로 결정할 수 있다. 이 경우, 컴퓨팅 장치(100)는 혈당 데이터 테이블(10)을 보강하기 위해 제3 예측 혈당 데이터를 공백 셀에 삽입할 수 있다.
다시 도 3을 참조하면, 컴퓨팅 장치(100)는 보강된 혈당 데이터 테이블을 기초로 당화혈색소 추정치를 산출할 수 있다(S150). 그리고, 컴퓨팅 장치(100)는 당화혈색소 추정치를 사용자의 사용자 단말(200)로 제공할 수 있다(S160).
구체적으로, 컴퓨팅 장치(100)는 날짜 별로 복수의 제1 평균 혈당 수치를 산출할 수 있다. 또한, 컴퓨팅 장치(100)는 복수의 제1 평균 혈당 수치의 제2 평균 혈당 수치를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 제2 평균 혈당 수치를 28.7로 나눈 값에서 2.15를 감산하여 당화혈색소 추정치를 산출하고, 이를 사용자 단말(200)로 제공할 수 있다.
따라서, 본 발명의 컴퓨팅 장치(100)는 혈당 데이터의 추적이 요구되는 사용자가 혈당 데이터의 측정을 누락하더라도, 해당 데이터를 예측하여 보강한 혈당 데이터 테이블을 이용해 당화혈색소 추정치를 제공할 수 있다.
도 5는 본 발명의 일 실시예에 따른 보강된 혈당 데이터 테이블의 보정 여부를 결정하는 방법을 설명하기 위한 흐름도이다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 혈당 데이터 테이블을 보정할 수 있다.
구체적으로, 도 5를 참조하면, 컴퓨팅 장치(100)는 사용자 단말(200)로부터 제1 시점에 섭취한 식사 이미지를 수신할 수 있다(S210). 이 경우, 컴퓨팅 장치(100)는 식사 이미지에 포함된 음식 항목을 인식하고, 음식 항목에 기초하여 식후 혈당 데이터를 예측할 수 있다(S220).
여기서, 식사 이미지는 식사 전 이미지 및 식사 후 이미지를 포함할 수 있다. 즉, 컴퓨팅 장치(100)는 식사 전 이미지와 식사 후 이미지를 기초로 사용자의 섭취량을 인식하고, 이를 기초로 식후 혈당 데이터를 예측할 수 있다.
구체적으로, 컴퓨팅 장치(100)는 식사 전 이미지에 포함된 제1 음식 항목을 인식하고, 제1 음식 항목 각각의 양을 인식할 수 있다. 또한, 컴퓨팅 장치(100)는 식사 후 이미지에 포함된 제2 음식 항목을 인식하고, 제2 음식 항목 각각의 양을 인식할 수 있다. 또한, 컴퓨팅 장치(100)는 제1 음식 항목, 제1 음식 항목 각각의 양, 제2 음식 항목 및 제2 음식 항목 각각의 양을 기초로 음식 항목 별 섭취량을 인식할 수 있다. 여기서, 음식 항목 별 섭취량은 음식 항목 각각의 탄수화물, 단백질 및 지방 각각에 대한 섭취량을 포함할 수 있다.
그리고, 컴퓨팅 장치(100)는 음식 항목의 기준 단위 별로 사전 설정된 혈당량과 섭취량을 기초로 식후 혈당 데이터를 인식할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 음식 항목의 기준 단위 별로 사전 설정된 혈당량과 섭취량을 곱연산하여 식후 혈당 데이터를 인식할 수 있다.
예를 들어, 탄수화물 1g당 혈당량 상승 값인 3.5mg/dL, 단백질 1g당 혈당량 상승 값인 1.5mg/dL, 지방 1g당 혈당량 상승 값인 0.75mg/dL를 섭취량에 포함된 탄수화물, 단백질 및 지방 각각에 곱연산한 값을, 이전 시점(즉, 식사 전 시점)에 측정된 혈당 수치에 합산하여 식후 혈당 데이터를 인식할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(100)는 식사 전 이미지와 식사 후 이미지를 기초로 섭취량을 인식하기 위해 사전 학습된 신경망 모델을 이용할 수 있다.
구체적으로, 컴퓨팅 장치(100)는 사용자 또는 다른 사용자들로부터 수신된 복수의 식사 전 이미지 및 식사 후 이미지 쌍에 실제 섭취량을 라벨링하여 학습 데이터셋을 생성할 수 있다. 그리고, 컴퓨팅 장치(100)는 학습 데이터셋을 이용해 섭취량을 인식하기 위한 신경망 모델을 학습시킬 수 있다. 여기서, 신경망 모델은 두 이미지를 각각의 신경망을 통해 처리한 후, 얻어진 특성을 결합하여 섭취량을 예측 가능한 샴 네트워크 또는 차이점 추출 네트워크 기반의 모델일 수 있으나 이에 한정되지 않는다.
다양한 실시예에서, 컴퓨팅 장치(100)는 식후 혈당 데이터를 인식할 때, 사용자의 흡수율을 고려할 수 있다.
구체적으로, 컴퓨팅 장치(100)는 사용자의 혈당 데이터가 측정된 복수의 시점 중 제2 시점에 섭취한 식사 이미지와 상기 제2 시점에 측정된 혈당 데이터를 기초로 사용자의 흡수율을 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 음식 항목의 기준 단위 별로 설정된 혈당량과 섭취량 및 흡수율을 연산하여 식후 혈당 데이터를 인식할 수 있다.
좀더 구체적으로, 컴퓨팅 장치(100)는 과거에 인식된 사용자의 섭취량과 실제 혈당량 상승 값을 라벨링하여 학습 데이터셋을 생성할 수 있다. 또한, 컴퓨팅 장치(100)는 학습 데이터셋을 이용해 흡수율을 인식하기 위한 신경망 모델을 학습시킬 수 있다. 그리고, 컴퓨팅 장치(100)는 사용자의 기준 단위 별로 설정된 혈당량과 섭취량 및 흡수율을 곱연산하여 식후 혈당 데이터를 인식할 수 있다.
컴퓨팅 장치(100)는 보강된 혈당 데이터 테이블에 포함된 예측 혈당 데이터 중에서 제1 시점에 대응하는 예측 혈당 데이터를 인식할 수 있다(S230). 이 경우, 컴퓨팅 장치(100)는 특정 예측 혈당 데이터와 식후 혈당 데이터를 비교하여 보강된 혈당 데이터 테이블의 보정 여부를 결정할 수 있다(S240).
구체적으로, 컴퓨팅 장치(100)는 보강된 혈당 데이터 테이블의 보정 여부를 결정하기 위해 특정 예측 혈당 데이터와 식후 혈당 데이터 각각에 포함된 혈당 수치의 차이가 기 설정된 값을 초과하는지 여부를 인식할 수 있다. 컴퓨팅 장치(100)는 특정 예측 혈당 데이터와 식후 혈당 데이터 각각에 포함된 혈당 수치의 차이가 기 설정된 값(예를 들어, 혈당 수치인 20mg/dL)을 초과하는 경우, 보강된 혈당 데이터 테이블에 포함된 특정 예측 혈당 데이터를 보정할 수 있다. 즉, 컴퓨팅 장치(100)는 특정 예측 혈당 데이터와 식후 혈당 데이터 각각에 포함된 혈당 수치의 차이가 기 설정된 값을 초과하는 경우, 보강된 혈당 데이터 테이블을 보정할 것으로 결정할 수 있다.
좀더 구체적으로, 컴퓨팅 장치(100)는 특정 예측 혈당 데이터를 산출하기 위해 이용된 학습 데이터를 기초로 특정 예측 혈당 데이터의 제1 정확도를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 제1 정확도를 기초로 특정 예측 혈당 데이터에 부여할 제1 가중치를 결정할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 특정 예측 혈당 데이터를 산출하기 위한 학습 데이터셋에 포함된 혈당 데이터의 개수, 특정 예측 혈당 데이터가 속한 특정 열에 존재하는 공백 셀의 개수 및 특정 열에 존재하는 공백 셀 간의 간격(즉, 공백 셀 사이에 존재하는 혈당 데이터의 개수)을 기초로 제1 정확도를 산출할 수 있다.
자세히 예를 들어, 컴퓨팅 장치(100)는 학습 데이터 셋에 포함된 혈당 데이터의 개수가 2개 내지 10개인 경우 0.7, 11개 내지 20개인 경우 0.8, 21개 이상인 경우 0.9에 해당하는 제1 부가 정확도를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 특정 예측 혈당 데이터가 속한 특정 열에 존재하는 공백 셀의 개수가 0개인 경우 0.9, 1개 내지 3개인 경우 0.8, 4개 이상인 경우 0.7에 해당하는 제2 부가 정확도를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 특정 열에 존재하는 공백 셀 간의 간격이 1개인 경우 0.7, 공백 셀의 간격이 2개인 경우 0.8, 공백 셀의 간격이 3개 이상인 경우 0.9에 해당하는 제3 부가 정확도를 획득할 수 있다. 그리고, 컴퓨팅 장치(100)는 제1 부가 정확도, 제2 부가 정확도 및 제3 부가 정확도의 평균 값을 제1 정확도로 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 제1 정확도에 비례하는 제1 가중치를 결정할 수 있다.
또한, 컴퓨팅 장치(100)는 식후 혈당 데이터를 산출하기 위해 이용된 음식 항목 별 정확도를 기초로 식후 혈당 데이터의 제2 정확도를 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 제2 정확도를 기초로 식후 혈당 데이터에 부여할 제2 가중치를 결정할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 음식 항목을 인식하기 위해 사전 학습된 신경망 모델로부터 음식 항목과 함께 출력된 정확도를 획득할 수 있다. 또한, 컴퓨팅 장치(100)는 음식 항목 각각의 정확도의 평균 값을 제2 정확도로 산출할 수 있다. 여기서, 신경망 모델은 음식 항목을 인식할 때, 인식한 음식 항목에 일치할 확률(즉, 정확도)를 함께 출력할 수 있다.
자세히 예를 들어, 음식 항목이 제1 항목, 제2 항목 및 제3 항목이 존재하고, 제1 항목에 대한 정확도가 0.9, 제2 항목에 대한 정확도가 0.7, 제3 항목에 대한 정확도가 0.8인 경우, 컴퓨팅 장치(100)는 제1 항목, 제2 항목 및 제3 항목 각각의 정확도의 평균 값인 0.8을 제2 정확도로 산출할 수 있다. 그리고, 컴퓨팅 장치(100)는 제2 정확도에 비례하는 제2 가중치를 결정할 수 있다.
한편, 컴퓨팅 장치(100)는 제1 가중치가 부여된 특정 예측 혈당 데이터 및 제2 가중치가 부여된 식후 혈당 데이터를 기초로 특정 예측 혈당 데이터를 보정할 수 있다.
예를 들어, 제1 정확도가 0.9이고, 이에 비례하는 제1 가중치가 1.9이며, 제2 정확도가 0.7이고, 이에 비례하는 제2 가중가 1.7인 경우, 특정 예측 혈당 데이터에 제1 가중치인 1.9를 곱연산한 제1 값과 식후 혈당 데이터에 제2 가중치인 1.7를 곱연산한 제2 값을 합산하여 제3 값을 산출하고, 제3 값을 제1 가중치인 1.7과 제2 가중치인 1.9를 합산한 제4 값으로 나눈 제5 값으로 특정 예측 혈당 데이터를 보정할 수 있다.
도 6은 본 발명의 일 실시예에 따른 예측 혈당 데이터를 보정하는 방법의 일례를 설명하기 위한 흐름도이다.
본 발명의 일 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 운동 정보 및 복약 정보 중 적어도 하나에 기초하여, 예측 혈당 데이터를 보정할 수 있다.
구체적으로, 도 6을 참조하면, 컴퓨팅 장치(100)는 사용자 단말(200)로부터 운동 정보 및 복약 정보 중 적어도 하나를 획득할 수 있다(S310). 그리고, 컴퓨팅 장치(100)는 운동 정보 및 복약 정보 중 적어도 하나에 기초하여, 예측 혈당 데이터를 보정할 수 있다(S320).
일례로, 컴퓨팅 장치(100)는 운동 정보에 기초하여, 예측 혈당 데이터를 보정하는 경우, 운동 정보에 기초하여 운동량을 결정할 수 있다. 그리고, 컴퓨팅 장치(100)는 예측 혈당 데이터에서 운동량에 대응하는 혈당 수치를 감산할 수 있다. 여기서, 운동 정보는 사용자 단말(200) 또는 사용자 단말(200)과 연결된 웨어러블 디바이스로부터 수신할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 기 설정된 걸음 수(예를 들어, 1000보) 마다 이에 대응하여 기 설정된 혈당 수치(예를 들어, 1mg/dL)를 감산할 수 있으나 이에 한정되는 것은 아니다.
다른 일례로, 컴퓨팅 장치(100)는 복약 정보에 기초하여, 예측 혈당 데이터를 보정하는 경우, 복약 정보 및 사용자의 혈당 데이터에 기초하여, 혈당 수치의 조절과 관련된 약을 복약 시 감소된 감소 혈당 수치를 인식할 수 있다. 또한, 컴퓨팅 장치(100)는 예측 혈당 데이터에 대응하는 제3 시점을 인식하고, 복약 정보를 기초로 제3 시점에 약을 복약하였는지 여부를 인식할 수 있다. 그리고, 컴퓨팅 장치(100)는 제3 시점에 약을 복약하였다고 인식한 경우, 예측 혈당 데이터에서 감소 혈당 수치를 감산할 수 있다.
따라서, 본 발명의 컴퓨팅 장치(100)는 다양한 요소(예를 들어, 운동 및 복약 여부 등)를 고려하여 예측 혈당 데이터를 보정할 수 있으며, 이를 통해 예측 혈당 데이터의 정확도를 높일 수 있다.
도 7은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 인공지능 모델, 신경망 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링 되어있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.
본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.
본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
이상, 첨부된 도면을 참조로 하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며, 제한적이 아닌 것으로 이해해야만 한다.
Claims (11)
- 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 방법에 있어서,
복수의 시점에 측정된 사용자의 혈당 데이터를 획득하는 단계;
상기 혈당 데이터를 기초로 혈당 데이터 테이블을 생성하는 단계;
상기 혈당 데이터 테이블에 포함된 공백 셀을 인식하고, 상기 공백 셀에 대응하는 예측 혈당 데이터를 생성하는 단계;
상기 예측 혈당 데이터를 상기 공백 셀에 삽입하여 상기 혈당 데이터 테이블을 보강하는 단계;
상기 보강된 혈당 데이터 테이블을 기초로 당화혈색소 추정치를 산출하는 단계; 및
상기 사용자의 사용자 단말로 상기 당화혈색소 추정치를 제공하는 단계;
를 포함하고,
상기 사용자 단말로부터 제1 시점에 섭취한 식사 이미지를 수신하는 단계;
상기 식사 이미지에 포함된 음식 항목을 인식하고, 상기 음식 항목에 기초하여 식후 혈당 데이터를 예측하는 단계;
상기 보강된 혈당 데이터 테이블에 포함된 상기 예측 혈당 데이터 중에서 상기 제1 시점에 대응하는 특정 예측 혈당 데이터를 인식하는 단계; 및
상기 특정 예측 혈당 데이터와 상기 식후 혈당 데이터 각각에 포함된 혈당 수치의 차이가 기 설정된 값을 초과하는 경우, 상기 보강된 혈당 데이터 테이블에 포함된 상기 특정 예측 혈당 데이터를 보정하는 단계;
를 더 포함하고,
상기 보강된 혈당 데이터 테이블에 포함된 상기 특정 예측 혈당 데이터를 보정하는 단계는,
상기 특정 예측 혈당 데이터를 산출하기 위한 학습 데이터셋에 포함된 혈당 데이터의 개수, 상기 특정 예측 혈당 데이터가 속한 특정 열에 존재하는 공백 셀의 개수 및 상기 특정 열에 존재하는 상기 공백 셀 간의 간격을 기초로 제1 정확도를 산출하는 단계;
상기 제1 정확도를 기초로 상기 특정 예측 혈당 데이터에 부여할 제1 가중치를 결정하는 단계;
상기 식후 혈당 데이터를 산출하기 위해 이용된 상기 음식 항목 별 정확도를 기초로 상기 식후 혈당 데이터의 제2 정확도를 산출하는 단계;
상기 제2 정확도를 기초로 상기 식후 혈당 데이터에 부여할 제2 가중치를 결정하는 단계; 및
상기 제1 가중치가 부여된 상기 특정 예측 혈당 데이터 및 상기 제2 가중치가 부여된 상기 식후 혈당 데이터를 기초로 상기 특정 예측 혈당 데이터를 보정하는 단계;
를 포함하는,
혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법.
- 제1 항에 있어서,
상기 사용자의 혈당 데이터는,
기상 후 공복 시점, 아침 식사 전 시점, 아침 식사 후 시점, 점심 식사 전 시점, 점심 식사 후 시점, 저녁 식사 전 시점 및 저녁 식사 후 시점 각각에 측정된 혈당 데이터를 포함하고,
상기 혈당 데이터 테이블은,
상기 복수의 시점에 대응하는 항목의 열과 기 설정된 기간에 대응하는 날짜 별 행으로 구성되는,
혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법.
- 제1 항에 있어서,
상기 혈당 데이터 테이블에 포함된 공백 셀을 인식하고, 상기 공백 셀에 대응하는 예측 혈당 데이터를 생성하는 단계는,
상기 혈당 데이터 테이블 내에서 상기 공백 셀이 속한 특정 열을 인식하는 단계; 및
상기 특정 열에 속한 나머지 셀들 중 적어도 두 개 이상의 셀을 기초로 상기 공백 셀에 대응하는 상기 예측 혈당 데이터를 생성하는 단계;
를 포함하고,
상기 특정 열에 속한 나머지 셀들 중 적어도 두 개 이상의 셀을 기초로 상기 공백 셀에 대응하는 상기 예측 혈당 데이터를 생성하는 단계는,
상기 나머지 셀들 중 적어도 두 개 이상의 셀을 기초로 학습 데이터셋을 생성하는 단계;
상기 학습 데이터셋을 기초로 시계열 예측 모델을 학습시키는 단계; 및
상기 학습된 시계열 예측 모델로부터 상기 공백 셀에 대응하는 상기 예측 혈당 데이터를 획득하는 단계;
를 포함하는,
혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법.
- 삭제
- 제1 항에 있어서,
상기 식사 이미지는,
식사 전 이미지 및 식사 후 이미지를 포함하고,
상기 식사 이미지에 포함된 음식 항목을 인식하고, 상기 음식 항목에 기초하여 상기 식후 혈당 데이터를 예측하는 단계는,
상기 식사 전 이미지에 포함된 제1 음식 항목을 인식하고, 상기 제1 음식 항목 각각의 양을 인식하는 단계;
상기 식사 후 이미지에 포함된 제2 음식 항목을 인식하고, 상기 제2 음식 항목 각각의 양을 인식하는 단계;
상기 제1 음식 항목, 상기 제1 음식 항목 각각의 양, 상기 제2 음식 항목 및 상기 제2 음식 항목 각각의 양을 기초로 상기 음식 항목 별 섭취량을 인식하는 단계; 및
상기 음식 항목의 기준 단위 별로 사전 설정된 혈당량과 상기 섭취량을 기초로 상기 식후 혈당 데이터를 인식하는 단계;
를 포함하는,
혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법.
- 제5 항에 있어서,
상기 음식 항목의 기준 단위 별로 사전 설정된 혈당량과 상기 섭취량을 기초로 상기 식후 혈당 데이터를 인식하는 단계는,
상기 사용자의 혈당 데이터가 측정된 상기 복수의 시점 중 제2 시점에 섭취한 식사 이미지와 상기 제2 시점에 측정된 혈당 데이터를 기초로 상기 사용자의 흡수율을 결정하는 단계; 및
상기 음식 항목의 기준 단위 별로 설정된 혈당량과 상기 섭취량 및 상기 흡수율을 연산하여 상기 식후 혈당 데이터를 인식하는 단계;
를 포함하는,
혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법.
- 삭제
- 제1 항에 있어서,
상기 제2 정확도를 산출하는 단계는,
상기 음식 항목을 인식하기 위해 사전 학습된 신경망 모델로부터 상기 음식 항목과 함께 출력된 정확도를 획득하는 단계; 및
상기 음식 항목 각각의 정확도의 평균 값을 상기 제2 정확도로 산출하는 단계;
를 포함하는,
혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법.
- 제1 항에 있어서,
상기 방법은,
상기 사용자 단말로부터 운동 정보 및 복약 정보 중 적어도 하나를 획득하는 단계; 및
상기 운동 정보 및 상기 복약 정보 중 적어도 하나에 기초하여, 상기 예측 혈당 데이터를 보정하는 단계;
를 더 포함하고,
상기 운동 정보에 기초하여, 상기 예측 혈당 데이터를 보정하는 단계는,
상기 운동 정보에 기초하여 운동량을 결정하고, 상기 예측 혈당 데이터에서 상기 운동량에 대응하는 혈당 수치를 감산하는 단계;
를 포함하고,
상기 복약 정보에 기초하여, 상기 예측 혈당 데이터를 보정하는 단계는,
상기 복약 정보 및 상기 사용자의 혈당 데이터에 기초하여, 혈당 수치의 조절과 관련된 약을 복약 시 감소된 감소 혈당 수치를 인식하는 단계;
상기 예측 혈당 데이터에 대응하는 제3 시점을 인식하고, 상기 복약 정보를 기초로 상기 제3 시점에 상기 약을 복약하였는지 여부를 인식하는 단계; 및
상기 제3 시점에 상기 약을 복약하였다고 인식한 경우, 상기 예측 혈당 데이터에서 상기 감소 혈당 수치를 감산하는 단계;
를 포함하는,
혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법.
- 하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를
포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1 항의 방법을 수행하는, 장치.
- 하드웨어인 컴퓨터와 결합되어, 제1 항의 방법을 수행할 수 있도록 컴퓨터에서 독출 가능한 기록매체에 저장된 컴퓨터프로그램.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230115499A KR102651312B1 (ko) | 2023-08-31 | 2023-08-31 | 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230115499A KR102651312B1 (ko) | 2023-08-31 | 2023-08-31 | 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102651312B1 true KR102651312B1 (ko) | 2024-03-26 |
Family
ID=90472790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230115499A KR102651312B1 (ko) | 2023-08-31 | 2023-08-31 | 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102651312B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005328924A (ja) * | 2004-05-18 | 2005-12-02 | Toyama Univ | 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム |
| KR20110002734A (ko) * | 2009-07-02 | 2011-01-10 | 가톨릭대학교 산학협력단 | 당화혈색소 수치 추정 시스템 및 방법 |
| KR20220016487A (ko) * | 2019-05-31 | 2022-02-09 | 인포메드 데이터 시스템즈 아이엔씨 디/비/에이 원 드롭 | 생체 모니터링 및 혈당 예상을 위한 시스템들, 및 연관된 방법들 |
| KR20220170540A (ko) * | 2021-06-23 | 2022-12-30 | (주)휴레이포지티브 | 입원 환자 음식 섭취량 관리 방법 및 시스템 |
-
2023
- 2023-08-31 KR KR1020230115499A patent/KR102651312B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005328924A (ja) * | 2004-05-18 | 2005-12-02 | Toyama Univ | 血糖値予測装置、血糖値予測モデル作成装置、およびプログラム |
| KR20110002734A (ko) * | 2009-07-02 | 2011-01-10 | 가톨릭대학교 산학협력단 | 당화혈색소 수치 추정 시스템 및 방법 |
| KR20220016487A (ko) * | 2019-05-31 | 2022-02-09 | 인포메드 데이터 시스템즈 아이엔씨 디/비/에이 원 드롭 | 생체 모니터링 및 혈당 예상을 위한 시스템들, 및 연관된 방법들 |
| KR20220170540A (ko) * | 2021-06-23 | 2022-12-30 | (주)휴레이포지티브 | 입원 환자 음식 섭취량 관리 방법 및 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Dilated recurrent neural networks for glucose forecasting in type 1 diabetes | |
| US20200349448A1 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
| Kaul et al. | Deep learning in healthcare | |
| US20200176121A1 (en) | Systems, methods, and devices for biophysical modeling and response prediction | |
| Aczon et al. | Continuous prediction of mortality in the PICU: a recurrent neural network model in a single-center dataset | |
| US11848103B2 (en) | Method and system of deploying a machine learning neural network in generating medical states | |
| US20220257199A1 (en) | System and method for online domain adaptation of models for hypoglycemia prediction in type 1 diabetes | |
| CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
| Zhang et al. | Deep learning and regression approaches to forecasting blood glucose levels for type 1 diabetes | |
| Lee et al. | The predictive skill of convolutional neural networks models for disease forecasting | |
| JP2024516629A (ja) | 生体信号分析方法 | |
| KR102651312B1 (ko) | 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램 | |
| Baucum et al. | Adapting reinforcement learning treatment policies using limited data to personalize critical care | |
| Cheng et al. | Predicting 30-day hospital readmission for diabetics based on spark | |
| Wang et al. | Trace: Early detection of chronic kidney disease onset with transformer-enhanced feature embedding | |
| Wang | A comparison of machine learning algorithms in blood glucose prediction for people with Type 1 diabetes | |
| El-Bashbishy et al. | Pediatric diabetes prediction using deep learning | |
| US20230097965A1 (en) | Dynamically parameterized machine learning frameworks | |
| Al-Dailami et al. | Attention-based memory fusion network for clinical outcome prediction using electronic medical records | |
| KR20240066621A (ko) | 월경 관련 정보를 제공하는 방법 및 장치 | |
| Sivarajkumar et al. | Fair patient model: Mitigating bias in the patient representation learned from the electronic health records | |
| KR102661357B1 (ko) | 의료데이터를 분석하기 위한 방법 및 장치 | |
| Arefeen et al. | Glysim: Modeling and simulating glycemic response for behavioral lifestyle interventions | |
| Sun et al. | Dynamical monitoring and causal inference for respiratory metabolic indicators of septic patients | |
| US20240170160A1 (en) | Application of personalized sensor-based risk profiles for impacts of external events |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |