KR20140039408A - Apparatus and method for creating hypertension classification model using body shape information, apparatus and method for determining using hypertension classification model - Google Patents

Apparatus and method for creating hypertension classification model using body shape information, apparatus and method for determining using hypertension classification model Download PDF

Info

Publication number
KR20140039408A
KR20140039408A KR1020120105087A KR20120105087A KR20140039408A KR 20140039408 A KR20140039408 A KR 20140039408A KR 1020120105087 A KR1020120105087 A KR 1020120105087A KR 20120105087 A KR20120105087 A KR 20120105087A KR 20140039408 A KR20140039408 A KR 20140039408A
Authority
KR
South Korea
Prior art keywords
hypertension
unit
model
judgment model
shape information
Prior art date
Application number
KR1020120105087A
Other languages
Korean (ko)
Other versions
KR101430818B1 (en
Inventor
이범주
김근호
김종열
Original Assignee
한국 한의학 연구원
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 한국 한의학 연구원 filed Critical 한국 한의학 연구원
Priority to KR1020120105087A priority Critical patent/KR101430818B1/en
Publication of KR20140039408A publication Critical patent/KR20140039408A/en
Application granted granted Critical
Publication of KR101430818B1 publication Critical patent/KR101430818B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/20—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

Abstract

Disclosed is an apparatus for generating a hypertension classification model. The apparatus for generating the hypertension classification model according to the embodiment of the present invention includes an input unit which receives body shape information about at least one person and a model generating unit which generates the hypertension classification model by learning the inputted body shape information based on machine learning. [Reference numerals] (110) Input unit; (120) Model generating unit; (121) Pre-process unit; (122) Feature selection unit; (123) Machine learning unit; (130) Communication unit; (140) Storage unit; (AA) User input; (BB) Outside

Description

체형 정보를 이용한 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법 {APPARATUS AND METHOD FOR CREATING HYPERTENSION CLASSIFICATION MODEL USING BODY SHAPE INFORMATION, APPARATUS AND METHOD FOR DETERMINING USING HYPERTENSION CLASSIFICATION MODEL}BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an apparatus and a method for generating a hypertension judgment model using body shape information, a device for determining hypertension using a hypertension judgment model,

본 발명의 실시예들은 체형 정보를 이용하여 고혈압 판단 모델을 생성하는 장치 및 그 방법, 고혈압 판단 모델을 이용한 고혈압 판단 장치 및 그 방법에 관한 것이다.Embodiments of the present invention relate to an apparatus and method for generating a hypertension judgment model using body shape information, and an apparatus and method for determining hypertension using a hypertension judgment model.

생활 수준의 향상과, 서구화된 식습관에서 비롯된 만성 질환의 발명이 전 세계적으로 증가하고 있으며, 그 중에서도 고혈압 환자는 꾸준히 증가하고 있다. 고혈압은 잘못된 식습관, 가족력, 음주, 흡연, 운동 부족, 스트레스 등 여러 가지 환경적인 영향을 고루 받아 발생하며, 크게 두 종류로 나눌 수 있다. The improvement of living standards and the invention of chronic diseases caused by Westernized eating habits are increasing all over the world, among which hypertension patients are steadily increasing. Hypertension occurs due to various environmental influences such as erroneous eating habits, family history, drinking, smoking, lack of exercise, and stress.

하나는 원인이 되는 질병이 없이 나타나는 '본태성 고혈압'이고, 다른 하나는 신장 질환이나 혈관 이상, 내분비 질환 등으로 인해 이차적으로 발생하는 '이차성 고혈압'이다. 전체 고혈압 환자 중 이차성 고혈압 발생률은 5% 이하로 추정되며, 이들 중 높은 빈도를 차지하는 것이 신장 질환에 의한 고혈압이다. 반대로, 본태성 고혈압도 지속될 경우, 신장 질환이 생길 확률이 높아진다. 따라서, 다른 질환의 발병을 예방하고, 고혈압을 치료하기 위해서는 꾸준한 고혈압 판단이 필요하다. One is 'essential hypertension' which does not cause the disease, and the other is 'secondary hypertension' which occurs secondary due to kidney disease, vascular abnormality, endocrine diseases. The incidence of secondary hypertension among all hypertensive patients is estimated to be less than 5%, and hypertension due to renal disease is the most common of these. Conversely, if essential hypertension persists, the risk of kidney disease increases. Therefore, steady determination of hypertension is necessary to prevent the onset of other diseases and treat hypertension.

현재는, 혈압 측정 장치를 이용하여 병원이나 가정에서 혈압 수치를 측정하고, 측정된 혈압 수치에 따라 고혈압을 판단할 수 있다. 그러나, 혈압 측정 장치가 없을 경우, 전술한 판단 방법은 이용이 불가능하며, 특히 위급한 상황에서의 즉각적인 혈압 측정이 어렵다. Currently, blood pressure measurement devices can be used to measure blood pressure levels in hospitals and homes and to determine hypertension based on measured blood pressure levels. However, in the absence of a blood pressure measurement device, the aforementioned determination method is not available, and it is difficult to measure an immediate blood pressure particularly in an emergency situation.

본 발명의 실시예들은 상술한 문제점을 해결하기 위한 것으로, 실시예들의 목적은 사람의 체형 정보를 이용하여 고혈압을 판단할 수 있는 고혈압 판단 모델을 생성하기 위한 장치 및 방법을 제공하기 위한 것이다. Embodiments of the present invention are directed to solving the above-mentioned problems, and an object of embodiments is to provide an apparatus and method for generating a hypertension judgment model capable of judging hypertension using human body shape information.

실시예들의 다른 목적은 혈압 측정 장치가 없더라도, 고혈압 판단 모델을 이용하여 사람의 체형 정보만으로 고혈압을 판단할 수 있는 장치 및 방법을 제공하기 위한 것이다.Another object of the embodiments is to provide an apparatus and method for determining hypertension based on human body type information using a hypertension judgment model even without a blood pressure measuring apparatus.

이상과 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 고혈압 판단 모델 생성 장치는, 적어도 한 명의 사람에 대한 체형 정보를 입력 받는 입력 유닛; 및 머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛을 포함한다. According to an aspect of the present invention, there is provided an apparatus for generating a hypertension judgment model, comprising: an input unit for inputting body shape information for at least one person; And a model generating unit for generating the hypertension judgment model by learning the inputted body shape information based on machine learning.

일 측에 따르면, 상기 체형 정보는 사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 신체 8부위를 구성하는 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레, 엉덩이(hip) 둘레 중 적어도 하나 이상의 사이즈, 및 각 부위 별 비율 중 적어도 하나 이상의 신체 특징을 포함할 수 있다.According to one aspect, the body part information may include at least one of a person's sex, age, height, weight, body mass index (BMI), forehead circumference, neck circumference, axillary At least one or more of at least one of a circumference, a circumference of a chest, a circumference of a rib, a circumference of a waist, a circumference of a pelvic, a circumference of a hip, .

일 측에 따르면, 상기 모델 생성 유닛은 상기 입력 유닛을 통해 입력된 상기 체형 정보를 전처리하는 전처리 유닛, 상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 특징 선택 유닛 및 상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 머신 러닝 유닛을 포함할 수 있다. According to one aspect of the present invention, the model generating unit includes a preprocessing unit for preprocessing the body information inputted through the input unit, a feature selecting unit for selecting a body feature necessary for hypertension judgment in the preprocessed body information, And a machine learning unit that learns and generates the hypertension judgment model.

일 측에 따르면, 상기 전처리 유닛은 상기 입력 유닛을 통해 입력된 상기 체형 정보에 대한 이진화, 세션화 및 잡음 제거 중 적어도 하나의 전처리를 할 수 있다.According to one aspect, the preprocessing unit may perform at least one of pre-processing such as binarization, sessionization, and noise removal for the body information input through the input unit.

일 측에 따르면, 상기 특징 선택 유닛은 특징 선택 방법(Feature Selection Method)을 이용하여 상기 체형 정보에 대한 최적의 신체 특징을 선택할 수 있다. According to one aspect, the feature selection unit may select an optimal body feature for the body shape information using a Feature Selection Method.

일 측에 따르면, 상기 머신 러닝 유닛은 상기 특징 선택 유닛에 의해 선택된 상기 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 상기 고혈압 판단 모델을 생성할 수 있다. According to one aspect, the machine learning unit may apply the optimal body characteristics selected by the feature selection unit to a machine learning algorithm to generate the hypertension judgment model.

일 측에 따르면, 상기 머신 러닝 알고리즘은 서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification), SVM(Support Vector Machine) 및 결정트리(Decision Tree) 중 어느 하나 중 어느 하나일 수 있다.According to one aspect of the present invention, the machine learning algorithm may be a Support Vector Machine, a Hidden Markov Model, a Regression, a Neural Network, a Naive Bayes Classification, An SVM (Support Vector Machine), and a decision tree.

일 측에 따르면, 상기 고혈압 판단 모델 장치는 상기 입력부에 입력된 체형 정보 및 상기 모델 생성 유닛에 의해 생성된 고혈압 판단 모델을 저장하는 저장 유닛 및 외부로부터 상기 고혈압 판단 모델에 대한 요청 신호가 수신될 경우, 상기 요청 신호에 대응하여 상기 고혈압 판단 모델을 송신하는 통신 유닛을 포함할 수 있다. According to one aspect of the present invention, the hypertension judgment model device includes a storage unit for storing the body shape information input to the input unit and the hypertension judgment model generated by the model generation unit, and a control unit for, when receiving a request signal for the hypertension judgment model from outside And a communication unit for transmitting the hypertension judgment model in response to the request signal.

본 발명의 실시예에 따른 고혈압 판단 장치는 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는 입력 유닛, 머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛, 및 외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 상기 제2 체형 정보를 상기 고혈압 판단 모델에 적용하여 상기 제2 체형 정보에 대한 고혈압 여부를 판단하는 고혈압 판단 유닛을 포함한다. The apparatus for determining hypertension according to an embodiment of the present invention includes an input unit for inputting first body type information for at least one person, a model for generating a hypertension judgment model by learning the inputted body shape information based on machine learning, And a hypertension determination unit for determining whether hypertension is to be applied to the second body information by applying the second body information to the hypertension judgment model when the second body information for the determination of hypertension is received from the outside .

일 측에 따르면, 상기 제1 체형 정보 및 상기 제2 체형 정보는 사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 8 부위의 사이즈 및 각 부위 별 비율 중 적어도 하나 이상의 신체 특징을 포함할 수 있다. According to one aspect of the present invention, the first body information and the second body part information may include at least one of sex, age, height, body mass index (BMI), body size index And may include body characteristics.

일 측에 따르면, 상기 모델 생성 유닛은 상기 입력 유닛을 통해 입력된 상기 체형 정보를 전처리하는 전처리 유닛, 상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 특징 선택 유닛 및 상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 머신 러닝 유닛을 포함할 수 있다. According to one aspect of the present invention, the model generating unit includes a preprocessing unit for preprocessing the body information inputted through the input unit, a feature selecting unit for selecting a body feature necessary for hypertension judgment in the preprocessed body information, And a machine learning unit that learns and generates the hypertension judgment model.

일 측에 따르면, 상기 전처리 유닛은 상기 입력 유닛을 통해 입력된 상기 체형 정보에 대한 이진화, 세션화 및 잡음 제거 중 적어도 하나의 전처리를 할 수 있다. According to one aspect, the preprocessing unit may perform at least one of pre-processing such as binarization, sessionization, and noise removal for the body information input through the input unit.

일 측에 따르면, 상기 특징 선택 유닛은 특징 선택 방법(Feature Selection Method)을 이용하여 상기 체형 정보에 대한 최적의 신체 특징을 선택할 수 있다. According to one aspect, the feature selection unit may select an optimal body feature for the body shape information using a Feature Selection Method.

일 측에 따르면, 상기 머신 러닝 유닛은 상기 특징 선택 유닛에 의해 선택된 상기 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 상기 고혈압 판단 모델을 생성할 수 있다. According to one aspect, the machine learning unit may apply the optimal body characteristics selected by the feature selection unit to a machine learning algorithm to generate the hypertension judgment model.

일 측에 따르면, 상기 머신 러닝 알고리즘은 서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification), SVM(Support Vector Machine) 및 결정트리(Decision Tree) 중 어느 하나일 수 있다. According to one aspect of the present invention, the machine learning algorithm may be a Support Vector Machine, a Hidden Markov Model, a Regression, a Neural Network, a Naive Bayes Classification, SVM (Support Vector Machine) and a decision tree.

일 측에 따르면, 상기 고혈압 판단 장치는 상기 입력부에 입력된 제1 체형 정보 및 상기 모델 생성 유닛에 의해 생성된 고혈압 판단 모델을 저장하는 저장 유닛 및 상기 외부로부터 상기 제2 체형 정보를 수신하고, 상기 고혈압 여부의 판단 결과를 상기 외부로 전송하는 통신 유닛을 더 포함할 수 있다.According to one aspect of the present invention, the hypertension determination apparatus includes a storage unit for storing first body shape information input to the input unit and a hypertension judgment model generated by the model generation unit, and a second unit for receiving the second body shape information from the outside, And a communication unit for transmitting a determination result of hypertension to the outside.

본 발명의 실시예에 따른 고혈압 판단 모델 생성 방법은 적어도 한 명의 사람에 대한 체형 정보를 입력 받는 입력 유닛, 및 머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 고혈압 판단 모델을 생성하는 단계를 포함한다. A method for generating a hypertension judgment model according to an embodiment of the present invention includes an input unit for receiving body shape information for at least one person and a body blood pressure information model for generating a hypertension judgment model by learning the inputted body shape information based on machine learning And generating a hypertension judgment model.

일 측에 따르면, 상기 고혈압 판단 모델을 생성하는 단계는 상기 입력된 상기 체형 정보를 전처리하는 단계, 상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 단계 및 상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 단계를 포함할 수 있다. According to one aspect of the present invention, the step of generating the hypertension judgment model includes a step of pre-processing the inputted body shape information, a step of selecting body characteristics necessary for hypertension determination from the pre-processed body shape information, And generating a hypertension judgment model.

본 발명의 실시예에 따른 고혈압 판단 방법은 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는 단계, 머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 단계, 외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 상기 제2 체형 정보를 상기 고혈압 판단 모델에 적용하여 상기 제2 체형 정보에 대한 고혈압 여부를 판단하는 단계를 포함할 수 있다.The method of determining hypertension according to an embodiment of the present invention includes the steps of receiving first body type information for at least one person, generating a hypertension judgment model by learning the inputted body shape information based on machine learning, And a step of determining whether hypertension is present in the second body information by applying the second body information to the hypertension judgment model when the second body information for the determination of hypertension is received from the outside.

본 발명의 실시예들에 따른 장치 및 방법은 사람의 체형 정보를 이용하여 고혈압을 판단할 수 있는 고혈압 판단 모델을 생성함으로써, 이 고혈압 판단 모델을 필요로 하는 곳에 제공할 수 있다. 또한, 본 발명의 실시예들에 따른 장치 및 방법은 고혈압 판단 모델을 이용하여 사람의 체형 정보만으로 고혈압을 판단할 수 있다. The apparatus and method according to embodiments of the present invention can generate a hypertension judgment model capable of judging hypertension using human body type information to provide the hypertension judgment model to a place where it is needed. In addition, the apparatus and method according to embodiments of the present invention can determine hypertension based on human body shape information using a hypertension judgment model.

본 발명의 실시예들에 따른 장치들 및 방법들에 따르면, 혈압 측정 장치가 없더라도, 고혈압 판단 모델을 제공하거나, 고혈압 판단 모델을 이용하여 고혈압을 판단할 수 있게 되어 즉각적인 고혈압 판단을 할 수 있다.According to the apparatuses and methods according to the embodiments of the present invention, it is possible to provide a hypertension judgment model even without a blood pressure measurement device, or to determine hypertension using a hypertension judgment model, thereby making an immediate hypertension judgment.

도 1은 본 발명의 실시예에 따른 고혈압 판단 모델 생성 장치의 구성을 나타내는 블록도이다.
도 2는 본 발명의 실시예에 따른 고혈압 판단 장치의 구성을 나타내는 블록도이다.
도 3은 본 발명의 실시예에 따른 고혈압 판단 모델 생성 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 실시예에 따른 고혈압 판단 방법을 설명하기 위한 흐름도이다. 1 is a block diagram showing a configuration of an apparatus for generating a hypertension judgment model according to an embodiment of the present invention.
2 is a block diagram showing a configuration of an apparatus for determining hypertension according to an embodiment of the present invention.
3 is a flowchart illustrating a method of generating a hypertension judgment model according to an embodiment of the present invention.
4 is a flowchart illustrating a method for determining hypertension according to an embodiment of the present invention.

이하에서, 본 발명에 따른 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
Hereinafter, embodiments according to the present invention will be described in detail with reference to the accompanying drawings. However, the present invention is not limited to or limited by the embodiments. Like reference symbols in the drawings denote like elements.

도 1은 본 발명의 실시예에 따른 고혈압 판단 모델 생성 장치의 구성을 나타내는 블록도이다. 도 1을 참조하면, 고혈압 판단 모델 생성 장치(100)는 입력 유닛(110), 모델 생성 유닛(120), 통신 유닛(130) 및 저장 유닛(140)을 포함한다. 1 is a block diagram showing a configuration of an apparatus for generating a hypertension judgment model according to an embodiment of the present invention. 1, the hypertension judgment model generation apparatus 100 includes an input unit 110, a model generation unit 120, a communication unit 130, and a storage unit 140. [

입력 유닛(110)은 적어도 한 명의 사람에 대한 체형 정보를 입력 받는다. 이 입력 유닛(110)은 사용자 입력 수단(예를 들어, 키보드, 터치 스크린 등)을 통해 사용자가 입력하는 체형 정보를 입력 받을 수 있다. 또는, 통신 유닛(130)을 통해 외부로부터 체형 정보가 수신될 경우, 입력 유닛(110)은 통신 유닛(130)으로부터 체형 정보를 입력 받을 수도 있다. 이 때, 저장 유닛(140)은 입력 유닛(110)을 통해 입력된 체형 정보를 저장할 수 있다. The input unit 110 receives body shape information for at least one person. The input unit 110 can receive the body information input by the user through a user input means (e.g., a keyboard, a touch screen, etc.). Alternatively, when body shape information is received from the outside via the communication unit 130, the input unit 110 may receive body shape information from the communication unit 130. [ At this time, the storage unit 140 may store the body shape information inputted through the input unit 110. [

이 실시예에서, 체형 정보란, 사람의 체형을 나타내는 다양한 신체 특징들을 포함할 수 있다. 구체적으로, 체형 정보는 사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 8 부위 별 사이즈 및 각 부위 별 비율 중 적어도 하나의 신체 특징을 포함할 수 있다. In this embodiment, the body shape information may include various body characteristics that represent a person's body shape. Specifically, the body shape information may include at least one physical feature of a person's sex, age, height, body mass index (BMI), body size index,

일반적으로, 사람의 신체 부위는 크게 8 부위로써, 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레 및 엉덩이(hip) 둘레를 포함할 수 있다. 각 부위들의 사이즈(치수)는 줄자를 이용하여 측정할 수 있다. 이렇게 측정된 각 부위 별 사이즈를 사용자 입력 수단을 통해 사용자가 입력할 경우, 입력 유닛(110)은 체형 정보를 입력 받을 수 있다.Generally, the body part of a human body is largely divided into eight parts, which are the forehead circumference, the neck circumference, the axillary circumference, the chest circumference, the rib circumference, the waist circumference, pelvic circumference, and hip circumference. The size (dimension) of each part can be measured using a tape measure. When the user inputs the measured size of each part through the user input means, the input unit 110 can receive the body shape information.

또한, 신체 부위 별 비율은 전술한 각 부위들의 비율을 나타낸다. 예를 들어, 신체 부위 별 비율은 "목 둘레/머리 둘레"로 산출할 수 있으며, 상기와 같은 방법으로 다른 부위들에 대해서도 비율을 산출할 수 있다. 입력 유닛(110)은 체형 정보가 입력되면, 이 채형 정보를 이용하여 신체 부위 별 비율을 산출할 수 있다. In addition, the ratio of body parts represents the ratio of each of the above-mentioned parts. For example, the ratio of body parts can be calculated as "neck circumference / head circumference ", and the ratio can be calculated for other parts as described above. When the body information is input, the input unit 110 can calculate the proportion of body parts using the information .

모델 생성 유닛(120)은 머신 러닝 기반으로 체형 정보를 학습하여 고혈압 판단 모델을 생성할 수 있다. 고혈압 판단 모델이란, 불특정 인물의 체형 정보가 입력되었을 경우, 그 체형 정보에 대한 혈압 수치를 예측하고, 예측된 혈압 수치가 고혈압에 해당하는지 여부를 판단하는 프로그램이다. 체형 정보를 통해 예측된 혈압 수치는 수축기 혈압 및 이완기 혈압을 포함할 수 있다.The model generation unit 120 may learn the body shape information based on the machine learning basis to generate a hypertension judgment model. The hypertensive judgment model is a program for predicting the blood pressure value for the body shape information when the body shape information of an unspecified person is inputted and judging whether the predicted blood pressure value corresponds to hypertension. The blood pressure values predicted through the body shape information may include systolic blood pressure and diastolic blood pressure.

모델 생성 유닛(120)은 전처리 유닛(121), 특징 선택 유닛(122) 및 머신 러닝 유닛(123)을 포함한다. The model generation unit 120 includes a preprocessing unit 121, a feature selection unit 122, and a machine learning unit 123.

전처리 유닛(121)은 입력 유닛(110)을 통해 입력된 체형 정보를 전처리할 수 있다. 구체적으로, 체형 정보는 일종의 데이터이며, 특히 머신 러닝을 위한 훈련 데이터 셋(training data set)으로, 전처리 유닛(121)은 이 체형 정보를 이진화하거나, 세션화 및 잡음 제거 중 어느 하나의 전처리를 할 수 있다. 이 때, 잡음은 일반적인 에러(error), 결측값(missing value), 이상값(outlier) 등을 포함할 수 있다. The preprocessing unit 121 can preprocess the body information inputted through the input unit 110. [ Specifically, the body shape information is a kind of data, and in particular, a training data set for machine learning. The preprocessing unit 121 performs binarization of the body shape information, preprocessing of either sessionization or noise elimination . In this case, the noise may include a general error, a missing value, an outlier, and the like.

특징 선택 유닛(122)은 전처리 유닛(121)을 통해 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택할 수 있다. 구체적으로, 특징 선택 유닛(122)은 특징 선택 방법(Feature Selection Method)을 이용하여 전처리된 체형 정보에 대한 최적의 신체 특징을 선택할 수 있다. The feature selection unit 122 may select the body characteristics required for hypertension determination from the preprocessed body shape information through the preprocessing unit 121. [ In particular, the feature selection unit 122 may select an optimal body feature for the preprocessed body shape information using a Feature Selection Method.

특징 선택 방법이란, 고혈압 판단 모델의 판단 정확도(분류 정확도)를 향상시키기 위한 것으로, 원본 데이터(original date)가 주어졌을 때, 가장 좋은 성능/분석을 나타낼 수 있는 데이터의 부분 집합을 원본 데이터에서 검색하는 방법이다. 이 특징 선택 방법을 이용할 경우, 다양한 체형 정보들 중에서 가장 관련도가 높은 신체 특징들을 검색하여 이들을 최적의 체형 특징으로 선택할 수 있다. 특징 선택 방법의 예로는, 래퍼(Wapper) 방식, 필터(Filter) 방식, 임베디드 (Embeded)방식, 기타 통계 방식을 이용할 수 있으나, 이에 한정되는 것은 아니다.The feature selection method is intended to improve the judgment accuracy (classification accuracy) of the hypertension judgment model. When the original date is given, a partial selection of data that can exhibit the best performance / analysis is searched from the original data . By using this feature selection method, it is possible to search for the most relevant body features among various body shape information and select them as the optimal body shape features. Examples of the feature selection method include a wapper method, a filter method, an embedded method, and other statistical methods, but the present invention is not limited thereto.

최적의 신체 특징이란, 고혈압 판단에 이용되는 중요 신체 특징을 의미한다. 예를 들어, 비만인 사람이나, 체질량지수가 높은 사람 또는, 부위 별 비율(예를 들어, 가슴 둘레/허리 둘레)가 낮은 사람들이 고혈압에 해당하는 경우가 많다. 따라서, 체중, 체질량지수, 부위 별 사이즈 및 부위 별 비율 등이 최적의 신체 특징으로 선택될 수 있다. 그러나, 최적의 신체 특징은 이에 한정되지 않으며, 사람의 성별, 나이, 거주 환경 및 고혈압 발생 원인에 따라 달라질 수 있다. Optimal physical characteristics refer to important body characteristics used in hypertension judgment. For example, people with obesity, people with a high BMI, or persons with a low ratio of area (for example, chest / waist circumference) are often hypertensive. Thus, weight, body mass index, site size and site to site ratios can be selected as optimal body characteristics. However, the optimal body characteristics are not limited to this, and may vary depending on the sex, age, living environment and cause of hypertension of a person.

머신 러닝 유닛(123)은 특징 선택 유닛(122)에 의해 선택된 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 고혈압 판단 모델을 생성할 수 있다. 고혈압 판단 모델은 체형 정보에 대한 혈압 수치를 예측하고, 예측된 혈압 수치가 고혈압에 해당하는지 여부를 판단할 수 있다. 이를 위해, 고혈압 판단의 기준이 되는 혈압 수치가 고혈압 판단 모델에 기록될 수 있다. 예를 들어, 고혈압 판단 기준이 되는 수축기 혈압은 120mmHg 이상이고, 이완기 혈압은 80mmHg 이상일 수 있으나, 이는 일반적인 기준에 해당하는 것으로, 고혈압 판단 기준은 변경될 수 있다. The machine learning unit 123 may apply the best body characteristics selected by the feature selection unit 122 to the machine learning algorithm to generate a hypertension judgment model. The hypertension judgment model predicts the blood pressure value for the body shape information and judges whether the predicted blood pressure value corresponds to hypertension. To this end, the blood pressure value that is the basis for judging hypertension can be recorded in the hypertension judgment model. For example, a systolic blood pressure of 120 mmHg or higher and a diastolic blood pressure of 80 mmHg or higher may be used as a criterion for determining hypertension. However, the criteria for hypertension may be changed.

실시예에 따르면, 머신 러닝 알고리즘은 서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification), SVM(Support Vector Machine) 및 결정트리(Decision Tree) 중 어느 하나가 될 수 있다.According to an embodiment, the machine learning algorithm may be a Support Vector Machine, a Hidden Markov Model, a Regression, a Neural Network, a Naive Bayes Classification, a SVM (Support Vector Machine) and a decision tree.

머신 러닝 유닛(123)은 고혈압 판단 모델이 생성되면, 이 고혈압 판단 모델의 성능을 테스트할 수 있다. 즉, 테스트 데이터 셋(test data set)을 고혈압 판단 모델에 적용하여 성능을 테스트하여, 테스트 결과, 고혈압 판단 모델이 일정 기준 이상의 성능을 가질 경우, 상용화 가능하다. 테스트 데이터 셋은 입력 유닛(110) 또는 통신 유닛(130)을 통해 입력된 체형 정보 중 일부가 될 수 있다. 만약, 두 사람 이상의 체형 정보가 수신되었을 경우, 이 중 일부를 훈련 데이터 셋으로 이용 가능하고, 나머지는 테스트 데이터 셋으로 이용 가능하다. 한 사람의 체형 정보가 수신되었을 경우에는, 체형 정보에 포함된 신체 특징들로 훈련 데이터 셋과, 테스트 데이터 셋을 나눌 수 있다.The machine learning unit 123 can test the performance of this hypertension judgment model when a hypertension judgment model is generated. That is, a test data set is applied to a hypertension judgment model to test its performance, and if the hypertension judgment model has a performance higher than a certain level, it can be commercialized. The test data set may be part of the body part information input through the input unit 110 or the communication unit 130. If more than one body shape information is received, some of them can be used as training data sets, while others are available as test data sets. When a person's body shape information is received, the training data set and the test data set can be divided into body characteristics included in the body shape information.

머신 러닝 유닛(123)은 고혈압 판단 모델이 생성되면, 이를 저장 유닛(140)에 저장할 수 있다.The machine learning unit 123 may store the hypertension judgment model in the storage unit 140 when the hypertension judgment model is generated.

통신 유닛(130)은 외부와 유선 또는 무선 통신을 수행할 수 있다. 외부란, 고혈압 판단 모델을 필요로 하는 환자 개인이 될 수 있으며, 다양한 의료 기관들, 예를 들어, 보건소, 소방서, 요양원, 일반 병원 등이 될 수 있다. 이들은 환자의 고혈압 여부의 판단이 필요한 상황에서, 혈압 측정 장치가 없다면 이 고혈압 판단 모델 생성 장치(100)에 고혈압 판단 모델을 요청할 수 있다.The communication unit 130 may perform wired or wireless communication with the outside. External may be a patient individual requiring a hypertension judgment model, and may be a variety of medical institutions, such as a public health center, fire station, nursing home, general hospital, and the like. In a situation where it is necessary to determine whether a patient is hypertensive, the hypertensive judgment model generating apparatus 100 may request a hypertensive judgment model if the blood pressure measuring apparatus is not provided.

모델 생성 유닛(120)은 통신 유닛(140)을 통해 외부로부터 고혈압 판단 모델에 대한 요청 신호가 수신될 경우, 이 요청 신호에 대응하여 고혈압 판단 모델을 외부로 송신할 수 있다. When the request signal for the hypertension judgment model is received from the outside via the communication unit 140, the model generation unit 120 may transmit the hypertension judgment model to the outside in response to the request signal.

도 1에 도시된 고혈압 판단 모델 생성 장치(100)는 독립적인 장치로 이용될 수 있으며, 또는, 원격의료(Telemedicine) 시스템, 유비쿼터스 헬스케어(U-Health Care) 시스템, 원격 헬스케어(Remote Health Care) 시스템 등의 건강 관련 시스템이나, 건강 검진과 관련된 의료용 장비에 연결 또는 내장될 수 있다. 이 경우, 각 시스템이나 장비로부터 고혈압 판단 모델이 요청될 경우, 고혈압 판단 모델 생성 장치(100)는 고혈압 판단 모델을 해당 시스템이나, 장비에 송신할 수 있다.
The apparatus 100 for generating a hypertension judgment model shown in FIG. 1 may be used as an independent device or may be a telemedicine system, a U-health care system, a remote health care system ) System, or a medical device related to a health checkup. In this case, when a hypertension judgment model is requested from each system or equipment, the hypertension judgment model generation apparatus 100 can transmit a hypertension judgment model to the corresponding system or equipment.

도 2는 본 발명의 실시예에 따른 고혈압 판단 장치의 구성을 나타내는 블록도이다. 도 2를 참조하면, 고혈압 판단 장치(200)는 입력 유닛(210), 모델 생성 유닛(220), 고혈압 판단 유닛(230), 통신 유닛(240) 및 저장 유닛(250)을 포함한다. 2 is a block diagram showing a configuration of an apparatus for determining hypertension according to an embodiment of the present invention. 2, the hypertension judgment apparatus 200 includes an input unit 210, a model generation unit 220, a hypertension judgment unit 230, a communication unit 240 and a storage unit 250.

입력 유닛(210)은 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는다. 입력 유닛(110)은 사용자 입력 수단을 통해 사용자가 입력하는 제1 체형 정보를 입력 받을 수 있다. 이 때, 제1 체형 정보는 고혈압 판단 모델을 생성하는데 이용되는 정보가 될 수 있다. 저장 유닛(250)은 입력 유닛(110)을 통해 입력된 제1 체형 정보를 저장할 수 있다.The input unit 210 receives first body type information for at least one person. The input unit 110 may receive the first body information input by the user through the user input means. At this time, the first body type information may be information used to generate the hypertension judgment model. The storage unit 250 may store the first body information inputted through the input unit 110. [

제1 체형 정보란, 사람의 체형을 나타내는 다양한 신체 특징들을 포함할 수 있다. 구체적으로, 체형 정보는 사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 8 부위 별 사이즈 및 각 부위 별 비율 중 적어도 하나의 신체 특징을 포함할 수 있다. The first body shape information may include various body characteristics indicating a human body shape. Specifically, the body shape information may include at least one physical feature of a person's sex, age, height, body mass index (BMI), body size index,

모델 생성 유닛(220)은 전처리 유닛(221), 특징 선택 유닛(222) 및 머신 러닝 유닛(223)을 포함한다. 전처리 유닛(221), 특징 선택 유닛(222) 및 머신 러닝 유닛(223)은 도 1에 도시된 모델 생성 유닛(120)의 구성들과 동일한 동작을 하는 것으로, 구체적인 설명을 생략한다. The model generation unit 220 includes a preprocessing unit 221, a feature selection unit 222, and a machine learning unit 223. The preprocessing unit 221, the feature selection unit 222, and the machine learning unit 223 operate in the same manner as those of the model generation unit 120 shown in FIG. 1, and a detailed description thereof will be omitted.

통신 유닛(240)은 외부와 유선 또는 무선 통신을 수행할 수 있다. The communication unit 240 can perform wired or wireless communication with the outside.

고혈압 판단 유닛(230)은 통신 유닛(240)을 통해 외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 제2 체형 정보를 고혈압 판단 모델에 적용하여 제2 체형 정보에 대한 고혈압 여부를 판단할 수 있다. When the second body type information for the determination of hypertension is received from the outside through the communication unit 240, the hypertension judgment unit 230 applies the second body type information to the hypertension judgment model to judge whether or not hypertension is associated with the second body type information can do.

외부란, 즉각적인 고혈압 판단이 필요한 환자 개인이나, 다양한 의료 기관이 될 수 있다. 이들은 환자의 고혈압 여부의 판단이 필요한 상황에서, 혈압 측정 장치가 없다면 소지하고 있는 통신 장치(예를 들어, 휴대폰)를 이용하여 고혈압 판단 장치(200)로 제2 체형 정보를 송신할 수 있다. 이 실시예에서 제2 체형 정보란, 고혈압 판단 모델을 이용하여 고혈압을 판단 받기 위한 것으로, 제1 체형 정보와 동일 또는 유사한 신체 특징들을 포함할 수 있다. 이 제2 체형 정보는 저장 유닛(250)에 저장될 수 있다.External can be a patient individual, or a variety of medical institutions, who need immediate hypertension judgment. In a situation where it is necessary to judge whether or not the patient is hypertensive, the second type information can be transmitted to the hypertension judgment apparatus 200 by using a communication device (for example, a mobile phone) possessing the blood pressure measurement device. In this embodiment, the second body information is used for judging hypertension using the hypertension judgment model, and may include body characteristics which are the same as or similar to the first body information. This second body shape information may be stored in the storage unit 250. [

고혈압 판단 유닛(230)은 고혈압 판단 모델에 제2 체형 정보를 적용하여 제2 체형 정보에 대한 혈압 수치를 예측하고, 예측된 혈압 수치가 고혈압에 해당하는지 여부를 판단한다. 즉, 고혈압 판단 유닛(230)은 예측된 혈압 수치가 고혈압 판단 기준이 되는 수축기 혈압 또는 이완기 혈압을 초과할 경우, 고혈압으로 판단하고, 그에 대응하는 판단 결과를 생성할 수 있다. The hypertension judgment unit 230 estimates the blood pressure value for the second body type information by applying the second body type information to the hypertension judgment model, and judges whether the predicted blood pressure value corresponds to hypertension. That is, when the predicted blood pressure value exceeds the systolic blood pressure or the diastolic blood pressure, which is a criterion for determining the hypertension, the hypertension judging unit 230 can judge it as hypertension and generate a judgment result corresponding thereto.

고혈압 판단 유닛(230)은 고혈압 여부의 판단 결과를 통신 유닛(240)을 통해 외부로 송신할 수 있다. The hypertension judging unit 230 can transmit the judging result of the hypertension to the outside through the communication unit 240.

사람의 체형 정보는 줄자나 체중계 등을 이용하여 간단하고 빠르게 측정이 가능하며, 줄자나 체중계가 없더라도 환자가 자신의 체형 정보를 미리 파악하고 있을 가능성이 크므로, 사람이 체형 정보를 고혈압 판단 장치(200)에 송신하는 것만으로, 고혈압 여부를 즉각적으로 알 수 있게 된다. Since the person's body shape information can be measured simply and quickly by using a tape measure or a scale, etc., and even if there is no tape measure or scale, the person is likely to know his or her body shape information in advance. 200, it is possible to immediately know whether or not hypertension is caused.

도 2에서는 고혈압 판단 유닛(230)이 고혈압 판단 장치(200)에 내장되어 있는 것으로 도시하였으나, 고혈압 판단 유닛(230)은 별도의 장치로 구성될 수도 있다. 즉, 도 1에 도시된 바와 같은 고혈압 판단 모델 생성 장치(100)를 일정의 서버 형태로 구비하고, 고혈압 판단 유닛(230)을 별개의 장치로 구성하여, 고혈압 판단 유닛(230)이 서버 형태의 고혈압 판단 모델 생성 장치(100)에 접속하여 고혈압 모델을 이용할 수도 있다.
Although the hypertension determination unit 230 is shown in FIG. 2 as being embedded in the hypertension determination apparatus 200, the hypertension determination unit 230 may be configured as a separate apparatus. That is, the hypertension judgment model generating apparatus 100 as shown in FIG. 1 is provided in a server form, and the hypertension judging unit 230 is constituted by a separate apparatus, A hypertension model may be used by connecting to the hypertension judgment model generating apparatus 100. [

도 3은 본 발명의 실시예에 따른 고혈압 판단 모델 생성 방법을 설명하기 위한 흐름도이다. 도 3에 도시된 고혈압 판단 모델 생성 방법은 고혈압 판단 모델 생성 장치나, 고혈압 판단 모델 생성 방법을 실행하는 프로그램을 기록한 컴퓨터 판단 가능 기록 매체에 의해 실행될 수 있다. 이 실시예에서는 고혈압 판단 모델 생성 장치에 의한 고혈압 판단 모델 생성 방법을 중심으로 설명하나, 이에 한정되지는 않는다.3 is a flowchart illustrating a method of generating a hypertension judgment model according to an embodiment of the present invention. The method for generating a hypertension judgment model shown in Fig. 3 can be executed by a computer-judgeable recording medium on which a program for executing a hypertension judgment model generation apparatus or a method for generating a hypertension judgment model generation method is recorded. In this embodiment, the method of generating a hypertension judgment model by the hypertension judgment model generating apparatus is mainly described, but the present invention is not limited thereto.

고혈압 판단 모델 생성 장치는 적어도 한 명의 사람에 대한 체형 정보를 입력 받는다 (310 단계). The hypertensive judgment model generating apparatus receives body shape information for at least one person (step 310).

고혈압 판단 모델 생성 장치는 머신 러닝 기반으로 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성한다(320 단계). 구체적으로, 고혈압 판단 모델 생성 장치는 입력된 체형 정보를 전처리한 후, 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택할 수 있다. 이 때, 체형 정보에 포함된 다수의 신체 특징 중 고혈압을 판단하는데 중요한 의미를 갖는 신체 특징을 선택할 수 있다. 즉, 고혈압 판단에 최적의 신체 특징을 선택할 수 있다. 이후, 선택된 신체 특징을 머신 러닝 알고리즘을 통해 학습하여 고혈압 판단 모델을 생성할 수 있다. The hypertension judgment model generating apparatus learns the body type information inputted on the basis of the machine learning to generate a hypertension judgment model (step 320). Specifically, the hypertension judgment model generating apparatus can pre-process inputted body shape information, and then can select body characteristics necessary for hypertension judgment from the preprocessed body shape information. At this time, among many body characteristics contained in the body shape information, a body feature having an important meaning in determining hypertension can be selected. That is, it is possible to select an optimal body characteristic to judge hypertension. The selected body characteristics can then be learned through a machine learning algorithm to generate a hypertension judgment model.

고혈압 판단 모델 생성 장치는 외부로부터 고혈압 판단 모델에 대한 요청 신호가 수신될 경우(330 단계), 고혈압 판단 모델을 외부로 송신한다(340단계).
When the request signal for the hypertension judgment model is received from the outside (step 330), the hypertension judgment model generating apparatus transmits the hypertension judgment model to the outside (operation 340).

도 4는 본 발명의 실시예에 따른 고혈압 판단 방법을 설명하기 위한 흐름도이다. 도 4에 도시된 고혈압 판단 방법은 고혈압 판단 장치나, 고혈압 판단 방법을 실행하는 프로그램을 기록한 컴퓨터 판단 가능 기록 매체에 의해 실행될 수 있다. 이 실시예에서는 고혈압 판단 장치에 의한 고혈압 판단 방법을 중심으로 설명하나, 이에 한정되지는 않는다. 4 is a flowchart illustrating a method for determining hypertension according to an embodiment of the present invention. The method for judging hypertension shown in Fig. 4 can be executed by a computer-judgeable recording medium on which a program for executing a hypertension judgment apparatus or a method for judging hypertension is recorded. In this embodiment, the method of determining hypertension by the hypertension judgment apparatus is mainly described, but the present invention is not limited thereto.

고혈압 판단 장치는 적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는다(410 단계). The hypertension determination device receives first body type information for at least one person (step 410).

고혈압 판단 장치는 머신 러닝(machine learning) 기반으로, 입력된 제1 체형 정보들을 학습하여 고혈압 판단 모델을 생성한다(420 단계). The hypertension determination device learns the first body type information based on machine learning to generate a hypertension judgment model (operation 420).

고혈압 판단 장치는 외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 제2 체형 정보를 고혈압 판단 모델에 적용하여 고혈압 여부를 판단한다(440 단계). When the second body type information for judging hypertension is received from the outside, the hypertension judgment apparatus applies the second body type information to the hypertension judgment model to judge whether hypertension is present (step 440).

고혈압 판단 장치는 고혈압 여부의 판단 결과를 외부로 송신한다(450 단계).
The hypertension judgment device transmits the determination result of hypertension to the outside (Step 450).

본 발명에 따른 실시예들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(Floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
Embodiments according to the present invention may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the medium may be those specially designed and constructed for the present invention or may be available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as a hard disk, a floppy disk, and a magnetic tape; optical media such as CD-ROM and DVD; magnetic recording media such as a floppy disk; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.While the invention has been shown and described with reference to certain preferred embodiments thereof, it will be understood by those of ordinary skill in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. This is possible. Therefore, the scope of the present invention should not be limited to the described embodiments, but should be determined by the equivalents of the claims, as well as the claims.

100: 고혈압 판단 모델 생성 장치
110: 입력 유닛
120: 모델 생성 유닛
130: 통신 유닛100: Hypertension judgment model generating device
110: input unit
120: Model generation unit
130: communication unit

Claims (20)

적어도 한 명의 사람에 대한 체형 정보를 입력 받는 입력 유닛; 및
머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛
을 포함하는 고혈압 판단 모델 생성 장치.
An input unit for inputting body shape information for at least one person; And
A model generating unit for generating a hypertension judgment model by learning the inputted body shape information on the basis of machine learning,
Hypertension judgment model generation device comprising a.
제1항에 있어서,
상기 체형 정보는,
사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 신체 8부위를 구성하는 머리(forehead) 둘레, 목(neck) 둘레, 겨드랑이(axillary) 둘레, 가슴(chest) 둘레, 늑골(rib) 둘레, 허리(waist) 둘레, 골반(pelvic) 둘레, 엉덩이(hip) 둘레 중 적어도 하나 이상의 사이즈, 및 각 부위 별 비율 중 적어도 하나 이상의 신체 특징을 포함하는, 고혈압 판단 모델 생성 장치.
The method of claim 1,
The body-
Human sex, age, height, weight, body mass index (BMI), forehead, neck, axillary, chest, At least one or more of the size of the rib circumference, waist circumference, pelvic circumference, hip circumference, and at least one body feature of the ratio of each part, hypertension determination model generation device.
제2항에 있어서,
상기 모델 생성 유닛은,
상기 입력 유닛을 통해 입력된 상기 체형 정보를 전처리하는 전처리 유닛;
상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 특징 선택 유닛; 및
상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 머신 러닝 유닛
을 포함하는 고혈압 판단 모델 생성 장치.
3. The method of claim 2,
Wherein the model generation unit comprises:
A preprocessing unit for preprocessing the body information input through the input unit;
A feature selection unit that selects a body feature required for high blood pressure determination from the preprocessed body shape information; And
A machine learning unit learning the selected body features to generate the hypertension determination model
Hypertension judgment model generation device comprising a.
제3항에 있어서,
상기 전처리 유닛은,
상기 입력 유닛을 통해 입력된 상기 체형 정보에 대한 이진화, 세션화 및 잡음 제거 중 적어도 하나의 전처리를 하는, 고혈압 판단 모델 생성 장치.
The method of claim 3,
The pre-
And pretreatment of at least one of binarization, sessionization, and noise removal of the body type information input through the input unit.
제3항에 있어서,
상기 특징 선택 유닛은,
특징 선택 방법(Feature Selection Method)을 이용하여 상기 체형 정보에 대한 최적의 신체 특징을 선택하는, 고혈압 판단 모델 생성 장치.
The method of claim 3,
Wherein the feature selection unit comprises:
A device for determining a hypertension model for selecting an optimal body feature for the body shape information using a feature selection method.
제5항에 있어서,
상기 머신 러닝 유닛은,
상기 특징 선택 유닛에 의해 선택된 상기 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 상기 고혈압 판단 모델을 생성하는, 고혈압 판단 모델 생성 장치.
6. The method of claim 5,
The machine learning unit includes:
And applying the optimal body feature selected by the feature selection unit to a machine learning algorithm to generate the hypertension judgment model.
제6항에 있어서,
상기 머신 러닝 알고리즘은,
서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification), SVM(Support Vector Machine) 및 결정트리(Decision Tree) 중 어느 하나인, 고혈압 판단 모델 생성 장치.
The method according to claim 6,
The machine learning algorithm comprises:
Support Vector Machines, Hidden Markov Models, Regression, Neural Networks, Naive Bayes Classification, Support Vector Machines, and Decision Trees Decision tree), hypertension judgment model generating device.
제1항에 있어서,
상기 입력부에 입력된 체형 정보 및 상기 모델 생성 유닛에 의해 생성된 고혈압 판단 모델을 저장하는 저장 유닛; 및
외부로부터 상기 고혈압 판단 모델에 대한 요청 신호가 수신될 경우, 상기 요청 신호에 대응하여 상기 고혈압 판단 모델을 송신하는 통신 유닛
을 더 포함하는 고혈압 판단 모델 생성 장치.
The method of claim 1,
A storage unit which stores the body type information inputted to the input unit and the hypertension determination model generated by the model generating unit; And
A communication unit for transmitting the hypertension judgment model in response to the request signal when a request signal for the hypertension judgment model is received from the outside,
And a hypertensive judgment model generating unit.
적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는 입력 유닛;
머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 모델 생성 유닛;
외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 상기 제2 체형 정보를 상기 고혈압 판단 모델에 적용하여 상기 제2 체형 정보에 대한 고혈압 여부를 판단하는 고혈압 판단 유닛
을 포함하는 고혈압 판단 장치.
An input unit for inputting first body shape information for at least one person;
A model generating unit that learns the inputted body shape information based on machine learning to generate a hypertension judgment model;
Blood pressure determination unit for determining whether or not hypertension is to be applied to the second body information by applying the second body information to the hypertension judgment model when the second body information for the determination of hypertension is received from the outside,
Hypertension determination device comprising a.
제9항에 있어서,
상기 제1 체형 정보 및 상기 제2 체형 정보는,
사람의 성별, 나이, 신장, 몸무게, 체질량지수(BMI, Body Mass Index), 8 부위의 사이즈 및 각 부위 별 비율 중 적어도 하나 이상의 신체 특징을 포함하는, 고혈압 판단 장치.
10. The method of claim 9,
The first body type information and the second body type information,
A device for determining high blood pressure, comprising at least one or more body features among a person's sex, age, height, weight, body mass index (BMI), size of 8 sites, and ratio of each site.
제9항에 있어서,
상기 모델 생성 유닛은,
상기 입력 유닛을 통해 입력된 상기 체형 정보를 전처리하는 전처리 유닛;
상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 특징 선택 유닛; 및
상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 머신 러닝 유닛
을 포함하는, 고혈압 판단 장치.
10. The method of claim 9,
Wherein the model generation unit comprises:
A preprocessing unit for preprocessing the body information input through the input unit;
A feature selection unit that selects a body feature required for high blood pressure determination from the preprocessed body shape information; And
A machine learning unit learning the selected body features to generate the hypertension determination model
It includes, high blood pressure determination device.
제11항에 있어서,
상기 전처리 유닛은,
상기 입력 유닛을 통해 입력된 상기 체형 정보에 대한 이진화, 세션화 및 잡음 제거 중 적어도 하나의 전처리를 하는, 고혈압 판단 장치.
12. The method of claim 11,
The pre-
And performs at least one of preliminary processing such as binarization, sessionization, and noise removal for the body information input through the input unit.
제11항에 있어서,
상기 특징 선택 유닛은,
특징 선택 방법(Feature Selection Method)을 이용하여 상기 체형 정보에 대한 최적의 신체 특징을 선택하는, 고혈압 판단 장치.
12. The method of claim 11,
Wherein the feature selection unit comprises:
And selects an optimal body characteristic for the body shape information using a feature selection method.
제13항에 있어서,
상기 머신 러닝 유닛은,
상기 특징 선택 유닛에 의해 선택된 상기 최적의 신체 특징을 머신 러닝 알고리즘에 적용하여 상기 고혈압 판단 모델을 생성하는, 고혈압 판단 장치.
14. The method of claim 13,
The machine learning unit includes:
And applying the optimal body feature selected by the feature selection unit to a machine learning algorithm to generate the hypertension judgment model.
제14항에 있어서,
상기 머신 러닝 알고리즘은,
서포트 벡터 머신(Support Vector Machine), 은닉 마르코프 모델(Hidden Markov Model), 회귀 분석(Regression), 신경망(Neural Network), 나이브 베이즈 분류(Naive Bayes Classification), SVM(Support Vector Machine) 및 결정트리(Decision Tree) 중 어느 하나인, 고혈압 판단 장치.
15. The method of claim 14,
The machine learning algorithm comprises:
Support Vector Machines, Hidden Markov Models, Regression, Neural Networks, Naive Bayes Classification, Support Vector Machines, and Decision Trees Decision tree), high blood pressure determination device.
제10항에 있어서,
상기 입력부에 입력된 제1 체형 정보 및 상기 모델 생성 유닛에 의해 생성된 고혈압 판단 모델을 저장하는 저장 유닛; 및
상기 외부로부터 상기 제2 체형 정보를 수신하고, 상기 고혈압 여부의 판단 결과를 상기 외부로 전송하는 통신 유닛을 더 포함하는, 고혈압 판단 장치.
11. The method of claim 10,
A storage unit for storing the first body shape information input to the input unit and the hypertension determination model generated by the model generation unit; And
Further comprising: a communication unit for receiving the second body information from the outside, and transmitting a result of the determination of the hypertension to the outside.
적어도 한 명의 사람에 대한 체형 정보를 입력 받는 입력 유닛; 및
머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 고혈압 판단 모델을 생성하는 단계
를 포함하는 고혈압 판단 모델 생성 방법.
An input unit for inputting body shape information for at least one person; And
Generating a hypertension determination model for generating a hypertension determination model by learning the input body type information based on machine learning;
Hypertension judgment model generation method comprising a.
제17항에 있어서,
상기 고혈압 판단 모델을 생성하는 단계는,
상기 입력된 상기 체형 정보를 전처리하는 단계;
상기 전처리된 체형 정보에서 고혈압 판단에 필요한 신체 특징을 선택하는 단계; 및
상기 선택된 신체 특징을 학습하여 상기 고혈압 판단 모델을 생성하는 단계
를 포함하는 고혈압 판단 모델 생성 방법.
18. The method of claim 17,
The step of generating the hypertension judgment model comprises:
Pre-processing the inputted body shape information;
Selecting body features necessary for the determination of hypertension from the preprocessed body shape information; And
Learning the selected body features to generate the hypertension judgment model
Hypertension judgment model generation method comprising a.
적어도 한 명의 사람에 대한 제1 체형 정보를 입력 받는 단계;
머신 러닝(machine learning) 기반으로 상기 입력된 체형 정보를 학습하여 고혈압 판단 모델을 생성하는 단계;
외부로부터 고혈압 판단을 위한 제2 체형 정보가 수신된 경우, 상기 제2 체형 정보를 상기 고혈압 판단 모델에 적용하여 상기 제2 체형 정보에 대한 고혈압 여부를 판단하는 단계
를 포함하는 고혈압 판단 방법.
Receiving first body shape information for at least one person;
Generating a hypertension judgment model by learning the inputted body shape information based on machine learning;
Determining whether the second body type information is hypertensive by applying the second body type information to the hypertension judgment model when the second body type information for judging hypertension is received from the outside
Hypertension determination method comprising a.
제17항 및 제19항 중 어느 한 항의 방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.A computer-readable recording medium recording a program for executing the method of any one of claims 17 to 19.
KR1020120105087A 2012-09-21 2012-09-21 Apparatus and method for creating hypertension classification model using body shape information, apparatus and method for determining using hypertension classification model KR101430818B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120105087A KR101430818B1 (en) 2012-09-21 2012-09-21 Apparatus and method for creating hypertension classification model using body shape information, apparatus and method for determining using hypertension classification model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120105087A KR101430818B1 (en) 2012-09-21 2012-09-21 Apparatus and method for creating hypertension classification model using body shape information, apparatus and method for determining using hypertension classification model

Publications (2)

Publication Number Publication Date
KR20140039408A true KR20140039408A (en) 2014-04-02
KR101430818B1 KR101430818B1 (en) 2014-08-18

Family

ID=50650032

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120105087A KR101430818B1 (en) 2012-09-21 2012-09-21 Apparatus and method for creating hypertension classification model using body shape information, apparatus and method for determining using hypertension classification model

Country Status (1)

Country Link
KR (1) KR101430818B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220014242A (en) 2020-07-28 2022-02-04 주식회사 소프트웨어융합연구소 Prediction method and system of hypertension using machine learning, computer program for the same
KR20220125988A (en) 2021-03-08 2022-09-15 주식회사 소프트웨어융합연구소 Blood pressure meter using ballistocardiogram and artificial intelligence technology

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220014242A (en) 2020-07-28 2022-02-04 주식회사 소프트웨어융합연구소 Prediction method and system of hypertension using machine learning, computer program for the same
KR20220125988A (en) 2021-03-08 2022-09-15 주식회사 소프트웨어융합연구소 Blood pressure meter using ballistocardiogram and artificial intelligence technology

Also Published As

Publication number Publication date
KR101430818B1 (en) 2014-08-18

Similar Documents

Publication Publication Date Title
CN113140279B (en) Method and system for describing and recommending optimal rehabilitation plan in adaptive telemedicine
CN110516161B (en) Recommendation method and device
JP5705621B2 (en) Lifesaving first aid system and method and lifesaving first aid device
CN108135485A (en) Lung conditions are assessed by speech analysis
JP2019536180A (en) System and method for synthetic interaction with users and devices
KR20170061222A (en) The method for prediction health data value through generation of health data pattern and the apparatus thereof
KR100978920B1 (en) Fitness training method under the sports training management system
KR102338964B1 (en) Apparatus and method for symtome and disease management based on learning
KR102096476B1 (en) User body-customized motion analysis system
CN106455996A (en) Method and device for the non-invasive monitoring and identification of drug effects and interactions
WO2018087286A1 (en) Methods and apparatuses for handgrip strength assessment using pressure-sensitive elements
KR20190000194A (en) Management System for Treatment of Neurological Disorder and Method thereof
KR101641455B1 (en) A mobile healthcare monitoring system
WO2017140696A1 (en) Device, system and method for determining a subject's breathing rate
JP2013148996A (en) Seriousness determination device, and seriousness determination method
KR101430818B1 (en) Apparatus and method for creating hypertension classification model using body shape information, apparatus and method for determining using hypertension classification model
EP3442402A1 (en) Cardiac monitoring system and method
CN207070264U (en) A kind of heart rate earphone
KR102551006B1 (en) Management Server Used for User Health Management Method Using Massage Chair
KR101430817B1 (en) Apparatus and method for building blood information estimation model using body shape information, apparatus and method for blood information determination using blood information estimation model
JP2019101654A (en) Health management assisting device, method, and program
JP2013239192A (en) Biological information evaluation system and evaluation method
KR101422064B1 (en) Method for recommending personalized contents based on naive bayesian filtering approach for ubiquitous health service of semantic environment and ubuquitous health service platform based on digital television using the same
JP7135521B2 (en) Behavior modification support device, terminal and server
EP2687152A1 (en) Blood pressure measurement apparatus, gateway, system including the same, and method thereof

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
X701 Decision to grant (after re-examination)
FPAY Annual fee payment

Payment date: 20170703

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180704

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190708

Year of fee payment: 6