KR20150010255A - 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법 - Google Patents

습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법 Download PDF

Info

Publication number
KR20150010255A
KR20150010255A KR1020130084994A KR20130084994A KR20150010255A KR 20150010255 A KR20150010255 A KR 20150010255A KR 1020130084994 A KR1020130084994 A KR 1020130084994A KR 20130084994 A KR20130084994 A KR 20130084994A KR 20150010255 A KR20150010255 A KR 20150010255A
Authority
KR
South Korea
Prior art keywords
data
habit
diagnostic
diagnosis
user
Prior art date
Application number
KR1020130084994A
Other languages
English (en)
Inventor
이호섭
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020130084994A priority Critical patent/KR20150010255A/ko
Priority to JP2016527909A priority patent/JP2016529606A/ja
Priority to EP14827076.2A priority patent/EP3023051A4/en
Priority to PCT/KR2014/005162 priority patent/WO2015008936A1/ko
Priority to CN201480039931.0A priority patent/CN105407794A/zh
Publication of KR20150010255A publication Critical patent/KR20150010255A/ko
Priority to US15/000,240 priority patent/US20160128618A1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/08—Elderly
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0204—Acoustic sensors
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1112—Global tracking of patients, e.g. by using GPS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Educational Technology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Radar, Positioning & Navigation (AREA)

Abstract

하나 이상의 센서로부터 검출된 센서 데이터를 분석하여 사용자의 습관 데이터를 생성하고, 생성된 습관 데이터와 진단용 데이터를 비교하여 질환 위험군을 진단하는 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법이 개시된다.

Description

습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법{APPARATUS FOR DIAGNOSTIC USING HABIT AND MATHOD FOR DIAGNOSTIC OF THEREOF}
사용자의 행동을 수집하고, 수집된 행동을 분석하여 생성된 습관을 기반으로 질환을 진단하는 기술과 관련된다.
생활 습관병은 나쁜 생활습관에 의해 발생할 수 있는 질환으로, 생활습관과 질환의 발생간 밀접한 연관 관계가 있다. 따라서, 의료진은 환자와의 면담을 통하여 환자의 생활습관을 파악하여 질환의 발생 가능성 또는 질환의 진행 여부를 진단하게 된다.
후천적인 뇌 질환에 따른 다발성 인지기능 장애가 일상생활이나 사회생활에 어려움을 초래하는 치매는 대표적인 생활 습관병이다. 치매는 생활습관과 밀접한 관계가 있기 때문에 의료진은 환자의 생활습관의 객관적인 파악을 통해 치매의 발병 가능성을 파악할 수 있다. 또한, 일반적으로 치매는 꾸준히 증세가 악화되기 때문에 의료진은 환자의 생활습관의 객관적인 파악을 통해 치매의 진행 여부를 조기에 진단할 수 있으며, 치매 진행 초기에 적절한 조치를 취할 수 있다.
이와 같이 생활 습관병은 환자의 생활습관과 밀접한 관계가 있으므로, 객관적인 생활습관의 수집이 매우 중요하다. 그러나, 환자의 생활습관을 파악하는 것은 전적으로 환자의 기억력에 의존하게 되어 생활습관 수집의 정확성 및 신뢰도가 떨어지는 문제점이 있다.
수집된 사용자의 행동을 분석하여 생성된 습관 데이터를 기반으로 사용자가 질환의 위험군인지 진단하기 위한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법을 제시한다.
일 양상에 따른 습관을 이용한 진단 장치는 하나 이상의 센서로부터 검출된 센서 데이터를 분석하여 사용자의 습관 데이터를 생성하는 습관 분석부와, 생성된 습관 데이터와 정상인의 생활 습관 데이터인 진단용 데이터를 비교하여 질환의 위험군인지 진단하는 진단부를 포함한다.
이때, 습관 분석부는 사용 로그에 저장된 로그 데이터를 분석하여 습관 데이터를 생성하는 로그 분석 모듈을 더 포함할 수 있다.
또한, 습관 분석부는 사용자로부터 입력된 데이터를 분석하여 습관 데이터를 생성하는 입력 분석 모듈을 더 포함할 수 있다.
또한, 습관 분석부는 습관 데이터를 정규화(Normalization)된 형태로 생성할 수 있다.
또한, 진단부는 사용자의 프로필에 매칭되는 진단용 데이터를 검색하는 검색 모듈을 더 포함할 수 있다.
또한, 진단부는 습관 데이터와 진단용 데이터의 차이 값이 기 설정된 임계치 이상이면 질환의 위험군으로 진단할 수 있다.
한편, 진단 장치는 기 설정된 주기마다 생성된 습관 데이터를 저장하기 위한 저장부를 더 포함할 수 있다. 이때, 진단부는 저장된 습관 데이터와 진단용 데이터의 차이 값이 증가하는 추세인지 판단하는 추이 분석 모듈을 더 포함하고, 차이 값이 증가하는 추세로 판단되면 질환의 위험군으로 진단할 수 있다. 또, 진단부는 저장부에 저장된 습관 데이터의 변화 추이를 수열 형태로 변환하고, 변환된 수열과 환자의 습관 데이터의 변화 추이를 나타낸 수열간 상관 관계를 분석하는 상관 분석 모듈을 더 포함하고, 상관 관계가 기 설정된 임계치 이상이면 질환의 위험군으로 진단할 수 있다.
또한, 진단 장치는 위험군에 해당하는 것으로 진단되면, 사용자에게 질환에 관한 정보를 제공하거나, 의료진 또는 보호자에게 위험군 진단을 통지하는 조치부를 더 더 포함할 수 있다.
일 양상에 따른 습관을 이용한 진단 관리 장치는 진단 장치로부터 수신한 행동 데이터를 분석하여 사용자의 습관 데이터를 생성하는 습관 관리부와, 생성된 습관 데이터와 정상인의 생활 습관 데이터인 진단용 데이터를 비교하여 질환의 위험군인지 진단하는 진단 관리부를 포함할 수 있다. 여기서, 진단 장치로부터 수신한 행동 데이터는 진단 장치의 하나 이상의 센서를 통해 검출된 센서 데이터, 진단 장치를 통해 사용자로부터 직접 입력 받은 데이터, 진단 장치의 사용 로그에 저장된 로그 데이터 중 하나 이상일 수 있다.
또한, 진단 관리 장치는 기 설정된 주기마다 생성된 습관 데이터를 저장하기 위한 습관 데이터 저장부를 더 포함할 수 있다. 이때, 진단 관리부는 습관 데이터 저장부에 저장된 습관 데이터와 진단용 데이터의 차이 값이 증가하는 추세인지 판단하는 추이 분석 모듈을 더 포함하고, 차이 값이 증가하는 추세로 판단되면 질환의 위험군으로 진단할 수 있다. 또한, 진단 관리부는 습관 데이터 저장부에 저장된 습관 데이터의 변화 추이를 수열 형태로 변환하고, 변환된 수열과 환자의 습관 데이터의 변화 추이를 나타낸 수열간 상관 관계를 분석하는 상관 분석 모듈을 더 포함하고, 상관 관계가 기 설정된 임계치 이상이면 질환의 위험군으로 진단할 수 있다.
한편, 진단 관리 장치는 위험군으로 진단되면, 사용자에게 질환에 관한 정보를 제공하거나, 의료진 또는 보호자에게 위험군 진단을 통지하는 조치 관리부를 더 포함할 수 있다.
일 양상에 따른 습관을 이용한 진단 방법은 사용자의 프로필에 매칭되는 정상인의 생활 습관 데이터인 진단용 데이터를 검색하는 단계와, 검색된 진단용 데이터와 습관 데이터를 비교하여 질환의 위험군에 해당하는지 진단하는 단계를 포함할 수 있다.
또한, 생활 습관을 이용한 진단 방법은 행동 데이터를 기반으로 습관 데이터를 생성하는 단계를 더 포함할 수 있다. 이때, 행동 데이터는 하나 이상의 센서를 통해 검출된 센서 데이터, 사용자로 입력 받은 데이터, 또는 사용 로그에 저장된 로그 데이터 중 하나 이상일 수 있다. 또한, 습관 데이터를 생성하는 단계는 습관 데이터를 정규화(Normalization)하는 단계를 더 포함할 수 있다.
한편, 위험군인지 진단하는 단계는 습관 데이터와 진단용 데이터의 차이 값이 기 설정된 임계치 이상이면 질환의 위험군에 해당하는 것으로 진단할 수 있다.
또한, 습관 데이터를 생성하는 단계는 기 설정된 주기마다 생성된 습관 데이터를 저장하는 단계를 더 포함할 수 있다. 이때, 진단하는 단계는 저장된 습관 데이터와 진단용 데이터의 차이 값이 증가하는 추세인지 판단하는 단계를 더 포함하고, 차이 값이 증가하는 추세인 경우 위험군에 해당하는 것으로 진단할 수 있다. 또한, 진단하는 단계는 저장된 습관 데이터의 변화 추이를 수열 형태로 변환하는 단계와, 변환된 수열과 환자의 생활 습관 데이터의 변화 추이를 나타내는 수열간 상관 관계를 분석하는 단계를 더 포함하고, 상관 관계가 기 설정된 임계치 이상이면, 위험군으로 진단할 수 있다.
또한, 습관을 이용한 진단 방법은 위험군으로 진단되면, 진단 장치의 사용자에게 질환에 관한 정보를 제공하거나, 의료진 또는 보호자에게 위험군 진단을 통지하는 단계를 더 포함할 수 있다.
사용자의 활동을 관찰하여 사용자의 습관을 분석하고, 분석된 습관을 기반으로 해당 사용자가 질환의 위험군인지 조기에 진단 가능하다. 아울러, 진단 장치를 이용하여 객관적으로 사용자의 습관을 분석함으로써, 위험군 진단의 정확성을 향상시킬 수 있다.
또한, 사용자 프로필에 부합하는 진단 데이터와 해당 사용자의 습관 데이터를 비교하여 질병의 위험군인지 진단함으로써, 위험군 진단의 오류를 줄일 수 있다.
또한, 질환의 위험군으로 진단되는 경우, 다양한 예방 조치를 제공하여 질환에 대한 초기 대응이 가능하게 한다. 아울러, 습관 데이터를 질환의 치료 및 증세완화를 위한 참고 자료로 이용할 수도 있다.
도 1은 습관을 이용한 진단 시스템의 일례를 나타낸 블록도이다.
도 2는 일 실시예에 따른 습관을 이용한 진단 장치를 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 센서부를 설명하기 위한 블록도다.
도 4는 일 실시예에 따른 습관 분석부를 설명하기 위한 블록도다.
도 5는 일 실시예에 따른 진단부를 설명하기 위한 블록도다.
도 6은 다른 실시예에 진단 관리 장치를 설명하기 위한 블록도이다.
도 7은 다른 실시예에 따른 습관 관리부를 설명하기 위한 블록도다.
도 8은 다른 일 실시예에 따른 진단 관리부를 설명하기 위한 블록도다.
도 9는 일 실시예에 따른 습관을 이용한 진단 방법을 설명하기 위한 순서도이다.
도 10은 일 실시예에 따른 습관 데이터 생성 방법을 설명하기 위한 도면이다.
도 11은 도 9의 S103단계의 일 실시예를 나타낸 순서도이다.
도 12은 도 9의 S103단계의 일 실시예를 설명하기 위한 도면이다.
도 13은 도 9의 S103단계의 다른 실시예를 나타낸 순서도이다.
도 14은 도 9의 S103단계의 또 다른 실시예를 설명하기 위한 순서도이다.
도 15은 도 9의 S103단계의 또 다른 실시예를 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 기술되는 실시예를 통하여 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다. 다만, 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
본 명세서에서 사용되는 용어들은 실시예에서의 기능을 고려하여 선택된 용어들로서, 그 용어의 의미는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 후술하는 실시예들에서 사용된 용어의 의미는, 본 명세서에 구체적으로 정의된 경우에는 그 정의에 따르며, 구체적인 정의가 없는 경우는 통상의 기술자들이 일반적으로 인식하는 의미로 해석되어야 할 것이다.
아울러, 본 명세서에서 선택적으로 기재된 양상이나 선택적으로 기재된 실시예의 구성들은 비록 도면에서 단일의 통합된 구성으로 도시되었다 하더라도 달리 기재가 없는 한 통상의 기술자에게 기술적으로 모순인 것이 명백하지 않다면 상호간에 자유롭게 조합될 수 있는 것으로 이해하여야 한다.
도 1은 습관을 이용한 진단 시스템의 일례를 나타낸 블록도이다.
도 1의 진단 시스템은 다양한 진단 장치(100)를 이용하여 사용자의 행동을 수집하여 사용자의 습관을 분석하고, 분석된 습관을 기반으로 질환의 위험군인지 진단한다. 아울러, 진단 시스템은 질환의 위험군으로 진단된 경우 질환 예방을 위한 다양한 예방 조치도 수행할 수 있다. 여기서, 위험군이란 질환의 발생 위험이 높은 집단뿐만 아니라, 질환의 초기 증세를 보이는 집단을 포함하는 넓은 개념으로 이해하여야 한다. 한편, 질환은 나쁜 생활습관에 의해 발생할 수 있는 질환으로, 습관과 질환의 발병이 밀접한 관계가 있는 질환을 포함한다. 예를 들어, 질환은 치매뿐만 아니라 당뇨, 고혈압과 같은 성인병과 같이 습관과 질환의 발병이 밀접한 관계가 있는 질환을 모두 포함한다.
도 1을 참조하면, 진단 시스템은 진단 장치(100)와 진단 관리 장치(200)를 포함한다.
일 실시예에 따르면, 진단 장치(100)는 다양한 방법을 통해 사용자의 행동을 수집하고, 수집된 행동을 기반으로 사용자의 습관을 분석한다. 여기서, 습관은 일반적으로 되풀이되는 행동 양식을 말한다. 또, 진단 장치(100)는 분석된 습관을 기반으로 질환의 위험군인지 진단하고, 위험군으로 진단된 경우 예방 조치를 수행한다. 한편, 진단 장치(100)는 일련의 진단 및 예방 조치를 위해 필요한 데이터를 진단 관리 장치(200)에 요청하여 전송 받을 수 있으며, 필요에 따라 데이터를 진단 관리 장치(200)에 전송할 수도 있다.
일 실시예에 따르면, 진단 관리 장치(200)는 진단 장치(100)의 요청에 따라 데이터를 진단 장치(100)에 제공할 수 있다. 또, 진단 관리 장치(200)는 진단 장치(100)로부터 다양한 데이터를 수신 받아 관리할 수 있다. 여기서, 진단 관리 장치(200)는 클라우드 컴퓨팅 장치일 수 있다.
또 다른 실시예에 따르면, 진단 관리 장치(200)는 진단 장치(100)가 수행하는 일부 동작을 대신 수행하고 그 결과를 진단 장치(100)에 전달할 수 있다. 예를 들어, 진단 관리 장치(200)는 수집된 행동을 수신하고, 수신한 행동을 기반으로 사용자의 습관을 분석하고, 분석된 습관을 기반으로 질환의 위험군인지 진단할 수 있다. 또한, 진단 관리부(230)는 위험군으로 진단된 경우 필요한 예방 조치를 수행할 수 있다.
일 실시예에 따른 통신망(300)은 다양한 형태의 통신 네트워크를 이용할 수 있으며, 예컨대, 인터넷 프로토콜(IP)를 기반으로 대용량 데이터 송수신이 가능한 IP망, 인터넷 프로토콜을 기반으로 서로 다른 망이 통합된 구조를 갖는 ALL-IP망을 비롯하여, Wibro(Wireless Broadband)와 Wi-Fi와 같은 무선망(Wireless LAN), WPAN(Wireless Personal Area Network), 이동통신망 및 유선통신망, 그리고 위성통신망 등과 같이 다양한 형태의 통신망 사용이 가능하다. 아울러, 통신망(300)은 기타 널리 공지되었거나 향후 개발될 모든 형태의 통신 네트워크를 포함하는 것으로 이해하여야 한다.
도 2는 일 실시예에 따른 습관을 이용한 진단 장치를 설명하기 위한 블록도이다.
도 2의 진단 장치(100)는 이동통신단말, 스마트폰(Smart phone), 휴대용 미디어 플레이어(Portable Media Player, PMP), 피디에이(Personal Digital Assistant, PDA), 타블렛 피씨(Tablet PC)등과 같이 휴대가 용이한 장치를 이용하는 것이 바람직하나, 이에 한정되는 것이 아니다. 다만, 스마트폰과 같이 다양한 센서를 가진 장치를 이용하는 경우, 기존의 스마트폰에 포함된 하드웨어 및 소프트웨어를 기반으로 행동 데이터를 수집하여 습관 데이터를 생성할 수 있는 이점이 있다.
도 2를 참조하면, 습관을 이용한 진단 장치(100)는 센서부(110), 입력부(120), 로그 관리부(130), 습관 분석부(140), 저장부(150), 진단부(160), 조치부(170)를 포함한다. 도 2의 진단 장치(100)는 사용자의 행동 데이터를 수집한다. 진단 장치(100)는 수집된 행동 데이터를 분석하여 습관 데이터를 생성하여 질환의 위험군에 해당하는지 진단할 수 있다. 또한, 진단 장치(100)는 사용자가 위험군에 해당하는 것으로 진단된 경우 예방 조치도 수행할 수도 있다.
행동 데이터는 진단 장치(100)에 의하여 수집된 사용자의 이동, 운동, 수면, 식사, 감정 등의 생활 전반에 걸친 사용자의 행동에 관한 데이터이다. 예를 들어, 행동 데이터는 센서부(110)에 의하여 검출된 센서 데이터, 사용자가 입력한 데이터, 또는 사용 로그(131)에 저장된 로그 데이터일 수 있다.
습관 데이터는 행동 데이터를 분석하여 생성되는 사용자의 습관에 관한 데이터이다. 하나의 습관 데이터는 복수 개의 습관 인자를 가질 수 있다. 예를 들어, 하나의 습관 데이터는 식습관, 운동 습관, 감정 상태를 인자로 가질 수 있다. 또한, 습관 데이터의 하나의 습관 인자는 복수의 행동 데이터를 분석하여 생성될 수 있다. 예를 들어, 운동 습관은 복수 개의 행동 데이터(입력한 데이터 및 센서에 의하여 감지된 데이터)를 함께 분석하여 생성될 수 있다. 한편, 습관 데이터의 각 습관 인자는 질환의 종류, 진단 장치의 종류 등에 따라 상이할 수 있음을 이해하여야 한다.
센서부(110)는 센서 데이터를 생성한다. 더 구체적으로, 센서부(110)는 진단 장치의 외부 정보 또는 외부 정보의 변화를 검출하고, 검출된 외부 정보 또는 외부 정보의 변화를 기반으로 센서 데이터를 생성한다.
입력부(120)는 사용자로부터 데이터를 입력 받을 수 있다. 이때, 입력부(120)는 키패드, 터치 스크린 등의 입력 수단뿐만 아니라, 카메라, 마이크 등의 입력 수단도 포함하는 넓은 개념으로 이해하여야 한다. 따라서, 사용자는 음성으로 데이터를 입력하거나 카메라로 촬영된 이미지를 데이터로 입력할 수 있다. 예를 들어, 입력부(120)는 사용자로부터 음성 형태로 데이터를 입력 받거나, 카메라로부터 촬영된 사용자의 표정을 이미지 형태로 데이터를 입력 받을 수 있다. 아울러, 입력부(120)는 사용자의 행동을 수집하기 위해 기 설정된 질의에 대한 응답을 입력 받을 수 있다. 이때, 입력부(120)는 응답을 음성을 통해 입력 받거나, 이미지 형태로 입력 받을 수 있다.
로그 관리부(130)는 로그 데이터를 관리한다. 로그 관리부(130)는 모니터링 된 로그 데이터를 저장할 수 있다. 로그 관리부(130)는 로그 데이터를 저장하기 위한 사용 로그(131)를 더 포함할 수 있다. 여기서, 로그 데이터는 시간에 따라 진단 장치에서 발생하는 이벤트에 관한 정보를 말한다. 예를 들어, 진단 장치가 스마트폰인 경우, 로그 데이터는 사용자의 통화 이력, 문사 송수신 이력, 인터넷 검색 이력, 어플리케이션 사용 이력 등과 같이 스마트폰에서 발생하는 여러 이벤트에 관한 정보를 말한다.
습관 분석부(140)는 행동 데이터를 분석하여 사용자의 습관 데이터를 생성한다. 더 구체적으로, 습관 분석부(140)는 센서부(110)에 의하여 검출된 센서 데이터, 입력부(120)를 통해 사용자로부터 입력 받은 데이터, 또는 사용 로그에 저장된 로그 데이터와 같은 행동 데이터를 기반으로 사용자의 반복적인 행동을 분석하여 습관 데이터를 생성할 수 있다. 습관 분석부(140)는 하나 이상의 행동 데이터를 분석하여 하나 이상의 습관 인자를 가진 습관 데이터를 생성할 수 있다. 예를 들어, 하나의 습관 데이터가 식습관, 운동 습관, 감정 상태를 가진다고 하면, 습관 분석부(140)는 사용자로부터 입력 받은 식사에 대한 행동 데이터를 분석하여 식습관에 관한 요인을, 가속도 센서를 통해 검출된 센서 데이터를 기반으로 운동 습관에 관한 요인을, 전화 통화에 따라 입력된 사용자의 음성 데이터를 기반으로 사용자의 감정 상태에 관한 요인을 각각 생성할 수 있다. 한편, 습관 분석부(140)는 복수 개의 행동 데이터를 분석하여, 습관 데이터의 하나의 인자를 생성할 수 있다.
저장부(150)는 진단 장치의 운용에 필요한 다양한 데이터를 저장하고 관리할 수 있다. 저장부(150)는 일정한 주기로 생성된 습관 데이터를 저장할 수 있다. 또한, 저장부(150)는 행동 데이터를 저장할 수도 있다. 아울러, 저장부(150)는 진단 데이터 또는 환자의 습관 데이터의 각 요소들의 변화 추이를 나타낸 수열도 저장할 수 있다. 또, 저장부(150)는 질환의 예방을 위한 다양한 조치를 위한 데이터를 저장할 수도 있다.
진단부(160)는 습관 데이터를 기반으로 질환의 위험군에 해당하는지 진단할 수 있다. 더 구체적으로, 진단부(160)는 진단 데이터와 습관 데이터를 비교하여 질환의 위험군에 해당여부를 진단한다. 이때, 진단 데이터는 질환의 위험군인지 판단하기 위한 기준이 되는 습관 데이터를 말한다. 진단 데이터는 정상적인 사람의 습관일 수 있다. 또한, 진단 데이터는 사용자의 프로필(예를 들어, 성별, 나이, 인종, 국적)에 달라질 수 있다. 한편, 진단 데이터는 진단 장치의 저장부(150)에 저장되어 있을 수 있으며, 진단 관리 장치(도 1의 200)로부터 제공 받을 수도 있다. 아울러, 진단부(160)는 환자의 생활 습관 데이터의 변화 추이를 나타낸 수열과 사용자의 습관 데이터의 변화 추이를 나타내는 수열간 상관 관계를 분석하여 위험군에 해당하는지 판단할 수 있다.
조치부(170)는 질환 예방을 위한 다양한 조치를 수행한다. 조치부(170)는 위험군 진단의 기준, 질환의 발병 원인, 질환의 예방 방법, 질환의 진행 완화 방법 등과 같은 다양한 질환에 관한 정보를 사용자에게 제공할 수 있다. 이때, 질환에 관한 정보는 저장부(150)에 저장되어 있을 수도 있으며, 진단 관리 장치(도 1의 200)로부터 제공 받을 수도 있다.
또한, 조치부(170)는 위험군 진단 여부를 의료진 또는 보호자에게 통지할 수 있다. 이를 위해, 저장부(150)는 의료진 또는 보호자에 관한 정보를 저장하고 있을 수 있다. 아울러, 조치부(170)는 의료진에게 습관 분석부에 의하여 생성된 습관 데이터를 제공할 수 있다. 한편, 조치부(170)는 진단 관리 장치(도1에 200)를 통해 보호자, 의료진에게 질환의 위험군 진단 여부를 통보할 수도 있다.
도 3은 일 실시예에 따른 센서부를 설명하기 위한 블록도다.
도 2의 센서부는 진단 장치의 외부 정보 또는 외부 정보의 변화에 검출하여 센서 데이터를 생성한다. 도 3의 센서는 센서부에 포함될 수 있는 다양한 센서 가운데 일부만을 나타낸 것으로, 센서부에 해당될 수 있는 센서는 도 3에 표시된 센서들로 한정되는 것은 아니다.
도 3을 참조하면, 센서부는 위치 센서(111), 가속도 센서(113), 조도 센서(115), 음향 센서(117), 및 모션 센서(119)를 포함한다.
위치 센서(111)는 진단 장치의 위치를 검출하여 센서 데이터를 생성한다. 더 구체적으로, 위치 센서(111)는 진단 장치의 위치를 검출하고, 일정 기간 검출된 위치를 기반으로 위치 환경의 변화와 관련된 센서 데이터를 생성할 수 있다. 한편, 위치 센서(111)는 위성항법장치(global positioning system, GPS)일 수 있다.
가속도 센서(113)는 진단 장치의 가속도 변화를 검출하여 센서 데이터를 생성한다. 더 구체적으로, 가속도 센서(113)는 진단 장치의 가속도, 진동, 충격 등의 변화를 검출하고, 검출된 변화를 기반으로 가속도 등의 변화와 관련된 센서 데이터를 생성할 수 있다.
조도 센서(115)는 진단 장치 주위의 밝기를 검출하여 센서 데이터를 생성한다. 더 구체적으로, 조도 센서(115)는 진단 장치 주위의 밝기를 검출하고, 검출된 밝기를 기반으로 밝기에 관한 센서 데이터를 생성한다.
음향 센서(117)는 진단 장치 주위의 소리를 검출하여 센서 데이터를 생성한다. 더 구체적으로, 음향 센서(117)는 진단 장치 주위의 소리를 검출하고, 검출된 소리를 기반으로 소음과 관련된 센서 데이터를 생성할 수 있다. 아울러, 음향 센서(117)는 사용자의 전화 통화 목소리를 검출하고, 검출된 목소리를 기반으로 센서 데이터를 생성할 수 있으며, 이때, 생성된 센서 데이터는 기계학습을 통해 감정과 관련된 습관 데이터 생성에 이용될 수 있다.
모션 센서(119)는 진단 장치 주위의 움직임을 검출하여 센서 데이터를 생성한다. 더 구체적으로 모션 센서(119)는 진단 장치 주의의 움직임을 검출하고, 검출된 움직임으로 기반으로 센서 데이터를 검출할 수 있다.
도 4는 일 실시예에 따른 습관 분석부를 설명하기 위한 블록도다.
도 4를 참조하면, 습관 분석부(140)는 입력 분석 모듈(141), 및 로그 분석 모듈(143)을 포함한다. 습관 분석부(140)는 센서부에 의하여 검출된 센서 데이터, 사용자가 직접 입력한 데이터, 또는 사용 로그에 저장된 로그 데이터와 같은 행동 데이터로부터 사용자의 습관을 분석하여 습관 데이터의 각 습관 인자를 생성한다. 습관 분석부(140)는 행동 데이터를 기계학습 기술로 분석할 수 있다. 여기서, 기계학습은 학습 데이터를 통해 이미 알려진 속성을 기반으로 새로운 데이터를 분석하는 기술을 말한다. 이때, 습관 분석부(140)에 의하여 생성된 습관 데이터는 정규화(Normalization)된 형태로 생성될 수 있다. 이때, 정규화는 진단용 데이터와 습관 데이터를 비교할 수 있도록 하기 위해 환경 차이를 감안하여 수정하는 것을 말한다. 예를 들어, 정규화를 통해 습관 데이터의 각 습관 인자가 0~1사이의 값을 가지도록 정규화 될 수 있다. 이와 같은 정규화를 통하여 진단 데이터와 비교를 더 용이하게 할 수 있으며, 습관 데이터의 관리를 용이하게 할 수 있다. 아울러, 습관 분석부(140)는 일정 주기마다 생성된 습관 데이터를 저장할 수도 있다.
또한, 습관 분석부(140)는 입력 분석 모듈(141)을 더 가질 수 있다. 입력 분석 모듈(141)은 사용자로부터 입력된 데이터를 분석하여 습관 데이터를 생성한다. 아울러, 입력 분석 모듈(141)은 마이크를 통해 입력된 음성을, 카메라를 통해 입력된 이미지 데이터를 분석하여 사용자의 감정과 관련된 습관 데이터의 습관 인자를 생성할 수 있다. 이때, 입력된 데이터는 사용자의 활동을 수집하기 위해 기 설정된 질의에 대한 응답일 수 있다.
또한, 습관 분석부(140)는 로그 분석 모듈(143)을 더 가질 수 있다. 로그 분석 모듈(143)은 사용 로그에 저장된 로그 데이터를 분석하여 습관 데이터를 생성한다. 로그 분석 모듈(143)은 통화 이력, 문사 송수신 이력, 인터넷 검색 이력, 어플리케이션 사용 이력 등과 같은 로그 데이터를 분석하여 습관 데이터를 생성할 수 있다.
이하, 도 3,4를 참조하여 습관 분석부의 습관 데이터를 생성하는 예를 살펴본다.
습관 분석부(140)는 위치 센서(111)로부터 검출된 위치와 관련된 센서 데이터를 기반으로 하루 동안 사용자가 이동한 거리를 분석하여 이동과 관련된 습관 데이터의 습관 인자를 생성할 수 있다.
습관 분석부(140)는 가속도 센서(113)로부터 검출된 가속도 변화와 관련된 센서 데이터를 분석하여 운동과 관련된 습관 데이터의 습관 인자를 생성할 수 있다. 더 구체적으로, 습관 분석부(140)는 센서 데이터를 기계 학습 기술로 분석하여 가속도 데이터를 특정 상태(걷기, 뛰기, 서기)으로 분류하고, 분류된 특정 상태를 기반으로 운동과 관련된 습관 데이터의 습관 인자를 생성할 수 있다.
습관 분석부(140)는 조도 센서(115)로부터 검출된 밝기와 관련된 센서 데이터를 분석하여 수면과 관련된 습관 데이터를 생성할 수 있다. 습관 분석부(140)는 센서 데이터를 기계 학습 기술로 분석하여 조도 데이터를 특정 상태(수면 전, 수면 중, 기상 후 등)로 분류하고, 분류된 특정 상태를 기반으로 사용자의 수면에 관한 습관 데이터의 습관 인자를 생성할 수 있다. 아울러, 습관 분석부(140)는 모션 센서(119)로부터 검출된 움직임과 관련된 센서 데이터와 음향 센서(117)로부터 검출된 음향 과 관련된 센서 데이터를 함께 분석하여 사용자의 수면의 질(Quality)에 관한 습관 데이터의 습관 인자를 생성할 수 있다. 이와 같은, 습관 분석부(140)는 복수 개의 행동 데이터를 함께 분석하여 습관 데이터의 하나의 인자를 생성할 수 있다.
아울러, 입력 분석 모듈(141)은 사용자가 기 설정된 질의를 통해 사용자가 입력한 식사량, 흡연량, 음주량에 대한 데이터를 분석하여, 사용자의 식생활과 관련된 습관 데이터의 습관 인자를 생성할 수 있다. 또한, 입력 분석 모듈(141)은 사용자가 카메라로 촬영한 음식에 대한 이미지 데이터를 분석하여, 사용자의 식생활과 관련된 습관 데이터의 습관 인자를 생성할 수도 있다.
로그 분석 모듈(143)은 기계학습 기술에 따라 문자 메시지에 내용을 분석하여 사용자의 감정과 관련된 습관 데이터의 습관 인자를 수집하거나, 전화통화내역을 분석하여 사용자의 사회 활동과 관련된 습관 데이터의 습관 인자를 수집할 수도 있다. 또, 로그 분석 모듈(143)은 인터넷 검색 이력 또는 어플리케이션 사용 이력을 분석하여 사용자의 인지 활동과 관련된 습관 데이터의 습관 인자를 생성할 수 있다. 또, 로그 분석 모듈(143)은 문자메시지에 포함된 결제 정보를 분석하여 생활 습관 데이터를 생성할 수도 있다.
한편, 상기의 예시들은 습관 분석부(140)의 습관 데이터 생성을 구체적으로 설명하기 위한 것으로, 이에 한정되는 것은 아니다.
도 5는 일 실시예에 따른 진단부를 설명하기 위한 블록도다.
도 5을 참조하면, 진단부(160)는 미리 저장된 진단용 데이터와 습관 데이터를 비교하여 위험군을 진단한다. 더 구체적으로, 진단부(160)는 습관 데이터의 각 습관 인자와 진단 데이터의 각 습관 인자의 차이 값의 합을 계산하고, 계산된 각 습관 인자의 차이 값의 합이 기 설정된 임계치 이상이면, 위험군으로 진단할 수 있다. 한편, 진단부(160)는 공백(NULL)의 값을 가진 습관 인자는 차이 값의 계산에 있어서 제외할 수 있다. 아울러, 기 설정된 주기마다 생성된 사용자의 습관 데이터가 복수 개인 경우, 진단부(160)는 산술 평균을 이용하여 위험군을 진단할 수 있다.
또한, 진단부(160)는 추이 분석 모듈(161)을 더 포함할 수 있다. 추이 분석 모듈(161)은 습관 데이터와 진단용 데이터의 차이 값이 증가하는 추세인지 판단할 수 있다. 더 구체적으로, 추이 분석 모듈(161)은 습관 데이터의 각 습관 인자와 진단 데이터의 각 습관 인자의 차이 값의 합이 증가 추세인지 판단한다. 이때, 진단부(160)는 추이 분석 모듈(161)의 차이 값의 합이 증가 추세로 판단되는 경우 위험군으로 진단할 수 있다.
또한, 진단부(160)는 상관 분석 모듈(163)을 더 포함할 수 있다. 상관 분석 모듈(163)은 습관 데이터의 각 습관 인자와 질환 환자의 습관 데이터의 각 습관 인자간 상관 관계를 분석한다. 이때, 진단부(160)는 상관 분석 모듈(163)의 분석 결과가 기 설정된 임계치 이상이면 위험군으로 진단할 수 있다. 상관 관계의 분석을 위하여, 상관 분석 모듈(163)은 복수 개의 습관 데이터의 각 요소들의 변화 추이를 수열 형태로 변환하고, 변환된 수열과 환자의 습관 데이터의 각 요소들의 변화 추이를 나타낸 수열을 비교할 수 있다. 이때, 상관 분석 모듈(163)은 사용자의 습관 데이터와 환자의 습관 데이터를 회귀분석(Regression Analysis)하여 상관 관계를 분석할 수도 있다.
또한, 진단부(160)는 검색 모듈(165)을 더 포함할 수 있다. 검색 모듈(165)은 사용자의 프로필을 검출하고, 검출된 사용자의 프로필에 매칭되는 진단용 데이터를 검색한다. 예를 들어, 검색 모듈(165)은 진단 장치 사용자의 나이, 성별, 인종, 국적 등의 사용자 프로필을 검출하고, 검출된 프로필과 매칭되는 진단용 데이터를 검출한다.
도 6은 다른 실시예에 진단 관리 장치를 설명하기 위한 블록도이다.
도 6을 참조하면, 진단 관리 장치(200)는 통신 관리부(210), 습관 관리부(220), 진단 관리부(230), 조치 관리부(240)를 포함한다. 도 6의 진단 관리 장치(200)는 진단 장치로부터 수신한 행동 데이터를 분석하여 습관 데이터를 생성한다. 진단 관리 장치(200)는 습관 데이터를 기반으로 위험군을 진단할 수 있으며, 위험군으로 진단된 경우 예방 조치도 수행할 수 있다.
통신 관리부(210)는 통신망을 통해 데이터를 송수신한다. 통신 관리부(210)는 통신망에 연결된 진단 장치로부터 행동 데이터를 수신할 수 있다. 또한, 통신 관리부(210)는 통신망을 통해 진단 장치에 다양한 데이터를 전송할 수 있다.
습관 관리부(220)는 통신 관리부(210)를 통해 수신한 행동 데이터를 분석하여 사용자의 습관 데이터를 생성한다. 습관 관리부(220)는 센서에 의하여 검출된 센서 데이터, 사용자로부터 입력 받은 데이터, 또는 사용 로그에 저장된 로그 데이터와 같은 행동 데이터를 기반으로 사용자의 반복적인 행동을 분석하여 습관 데이터의 각 습관 인자를 생성할 수 있다. 한편, 습관 관리부(220)는 생성된 습관 데이터를 습관 데이터 저장부에 저장할 수 있다.
진단 관리부(230)는 습관 데이터를 기반으로 질환의 위험군에 해당하는지 진단할 수 있다. 더 구체적으로, 진단 관리부(230)는 진단 데이터와 습관 데이터를 차이 값이 기 설정된 기준 이상인 경우 질환의 위험군에 해당하는 것으로 진단할 수 있다. 이때, 진단 데이터는 질환을 판단하기 위한 기준이 되는 습관 데이터로, 정상적인 사람의 습관 데이터일 수 있다. 한편, 진단 데이터는 진단 데이터 저장부(260)에 저장되어 있을 수 있다.
조치 관리부(240)는 질환 예방을 위한 다양한 조치를 수행한다. 조치 관리부(240)는 위험군 진단의 기준, 질환의 발병 원인, 질환의 예방 방법, 질환의 진행 완화 방법 등과 같은 다양한 질환에 관한 정보를 사용자에게 제공할 수 있다. 이때, 질환에 관한 정보는 예방 조치 저장부(270)에 저장되어 있을 수 있다. 또한, 조치 관리부(240)는 질환의 위험군 진단 여부를 기 등록된 보호자 또는 의료진에게 통보할 수 있다.
습관 데이터 저장부(250)는 습관 데이터를 저장한다. 여기서, 습관 데이터는 행동 데이터를 분석하여 생성되는 사용자의 습관에 관한 데이터이다. 하나의 습관 데이터는 복수 개의 습관 인자를 가질 수 있다. 습관 데이터의 하나의 습관 인자는 복수의 행동 데이터를 분석하여 생성될 수 있다. 또한, 습관 데이터 저장부(250)는 기 설정된 주기마다 생성된 습관 데이터를 순차적으로 저장할 수도 있다.
진단 데이터 저장부(260)는 진단 데이터를 저장한다. 여기서, 진단 데이터는 질환의 위험군에 해당하는지 여부를 판단하기 위한 기준이 되는 습관 데이터를 말한다. 진단 데이터 저장부(260)는 사용자 프로필을 반영하여 생성된 복수 개의 진단 데이터를 저장할 수 있다. 예를 들어, 진단 데이터 저장부(260)는 성별, 나이, 인종, 국적을 반영하여 생성된 복수 개의 진단 데이터를 저장할 수 있다. 한편, 진단 데이터는 정상적인 사람의 습관일 수도 있다. 아울러, 진단 데이터 저장부(260)는 환자의 습관 데이터의 각 요소들의 변화 추이를 나타낸 수열을 더 포함할 수 있다.
예방 조치 저장부(270)는 질환 예방을 위한 다양한 조치와 관련된 정보를 저장한다. 더 구체적으로, 예방 조치 저장부(270)는 질환에 관한 정보를 포함할 수 있으며, 의료진 또는 보호자에게 위험군 진단 여부를 통보하기 위한 다양한 정보를 저장할 수 있다.
도 7은 다른 실시예에 따른 습관 관리부를 설명하기 위한 블록도다.
도 7를 참조하면, 습관 관리부(220)는 입력 분석 모듈(221), 및 로그 분석 모듈(223)을 포함한다. 습관 관리부(220)는 진단 장치로부터 수신한 행동 데이터로부터 사용자의 습관을 분석하여 습관 데이터의 각 습관 인자를 생성한다. 습관 관리부(220)는 행동 데이터를 기계학습 기술로 분석할 수 있다. 이때, 습관 데이터는 정규화(Normalization)된 형태로 생성될 수 있다.
습관 관리부(220)는 진단 장치로부터 수신한 하나 이상의 센서로부터 검출된 센서 데이터를 분석하여 습관 데이터를 생성할 수 있다. 이때, 센서로부터 검출된 센서 데이터는 진단 장치가 구비한 센서의 종류에 따라 달라질 수 있다.
아울러, 습관 관리부(220)는 입력 분석 모듈(221)을 더 가질 수 있다. 입력 분석 모듈(221)은 사용자로부터 입력된 데이터를 분석하여 습관 데이터를 생성한다. 또한, 입력 분석 모듈(221)은 마이크를 통해 입력된 음성 형식의 데이터, 카메라를 통해 입력된 이미지 형상의 데이터를 분석하여 사용자의 감정과 관련된 습관 데이터의 습관 인자를 생성할 수 있다.
또한 습관 관리부(220)는 로그 분석 모듈(223)을 더 가질 수 있다. 로그 분석 모듈(223)은 사용 로그에 저장된 로그 데이터를 분석하여 습관 데이터를 생성한다. 로그 분석 모듈(223)은 통화 이력, 문사 송수신 이력, 인터넷 검색 이력, 어플리케이션 사용 이력 등과 같은 로그 데이터를 분석하여 습관 데이터를 생성할 수 있다.
한편, 습관 관리부(220)는 복수 개의 행동 데이터를 함께 분석하여 습관 데이터의 하나의 인자를 생성할 수 있다. 또한, 습관 분석부는 일정 주기마다 행동 데이터를 분석하여 습관 데이터를 습관 데이터 저장부에 저장할 수 있다.
도 8은 다른 일 실시예에 따른 진단 관리부를 설명하기 위한 블록도다.
도 8을 참조하면, 진단 관리부(230)는 기 저장된 진단용 데이터와 습관 데이터를 비교하여 위험군을 진단한다. 더 구체적으로, 진단 관리부(230)는 습관 데이터의 각 습관 인자와 진단 데이터의 각 습관 인자의 차이 값의 합을 계산하고, 계산된 각 습관 인자의 차이 값의 합이 기 설정된 임계치 이상이면, 위험군으로 진단할 수 있다. 한편, 진단 관리부(230)는 공백(NULL)의 값을 습관 인자는 차이 값의 계산에 있어서 제외할 수 있다. 아울러, 기 설정된 주기마다 생성된 사용자의 습관 데이터가 복수 개인 경우, 진단 관리부(230)는 산술 평균을 이용하여 위험군을 진단할 수 있다.
또한, 진단 관리부(230)는 추이 분석 모듈(231)을 더 포함할 수 있다. 추이 분석 모듈(231)은 습관 데이터와 진단용 데이터의 차이 값이 증가하는 추세인지 판단할 수 있다. 더 구체적으로, 추이 분석 모듈(231)은 습관 데이터의 각 습관 인자와 진단 데이터의 각 습관 인자의 차이 값의 합이 증가 추세인지 판단한다. 이때, 진단 관리부(230)는 추이 분석 모듈(231)의 차이 값의 합이 증가 추세로 판단되는 경우 위험군으로 진단할 수 있다.
또한, 진단부(230)는 상관 분석 모듈(233)을 더 포함할 수 있다. 상관 분석 모듈(233)은 습관 데이터의 각 습관 인자와 질환 환자의 습관 데이터의 각 습관 인자간 상관 관계를 분석한다. 이때, 진단 관리부(230)는 상관 분석 모듈(233)의 분석 결과가 기 설정된 임계치 이상이면 위험군으로 진단할 수 있다. 상관 관계의 분석을 위하여, 상관 분석 모듈(233)은 복수 개의 습관 데이터의 각 요소들의 변화 추이를 수열 형태로 변환하고, 변환된 수열과 환자의 습관 데이터의 각 요소들의 변화 추이를 나타낸 수열을 비교할 수 있다. 이때, 상관 분석 모듈(233)은 사용자의 습관 데이터와 환자의 습관 데이터를 회귀분석(Regression Analysis)하여 상관 관계를 분석할 수도 있다.
또한, 진단 관리부(230)는 검색 모듈(235)을 더 포함할 수 있다. 검색 모듈(235)은 사용자의 프로필을 검출하고, 검출된 사용자의 프로필에 매칭되는 진단용 데이터를 검색한다. 예를 들어, 검색 모듈(235)은 진단 장치 사용자의 나이, 성별, 인종, 국적 등의 사용자 프로필을 검출하고, 검출된 사용자 프로필에 해당하는 진단 데이터를 진단 데이터 저장부에서 검색할 수 있다.
도 9는 일 실시예에 따른 습관을 이용한 진단 방법을 설명하기 위한 순서도이다.
도 9를 참조하면, S101 단계에서 진단 장치는 사용자 프로필에 매칭되는 진단 데이터를 검색한다. 이때, 진단 장치는 진단 데이터의 검색을 위하여 사용자 프로필을 추출할 수 있다. 또, 진단 장치는 사용자 프로필에 매칭되는 진단 데이터의 검색을 진단 관리 장치에 요청하고, 진단 관리 장치로부터 매칭되는 진단되는 진단 데이터를 수신할 수도 있다. 여기서, 진단 데이터는 정상적인 정상인의 습관 데이터 일 수 있다. 또한, 진단 데이터는 성별, 나이, 인종, 국적과 같은 사용자 프로필마다 달라질 수 있다.
S103 단계에서 진단 장치는 습관 데이터와 진단 데이터를 비교하여 위험군을 진단할 수 있다.
더 구체적으로 S103단계에서 진단 장치는 습관 데이터와 진단 데이터를 비교하여 위험군에 해당하는지 진단한다. 더 구체적으로, 진단 장치는 습관 데이터와 진단 데이터의 차이 값을 계산하고, 계산된 차이 값이 기 설정된 임계치 이상인 경우 위험군에 해당하는 것으로 진단한다. 이때, 기 설정된 임계치는 설정에 따라 달라질 수 있다.
한편, 진단 장치를 기준으로 도 9을 설명하였으나, 진단 관리 장치에서도 동일한 방법으로 질환을 진단할 수 있음을 이해하여야 한다.
도 10은 일 실시예에 따른 습관 데이터 생성 방법을 설명하기 위한 도면이다.
도 10(a)는 진단 장치의 습관 데이터 생성 방법을 일례이다.
도 10(a)를 참조하면, S201단계에서 진단 장치는 행동 데이터를 수집한다. 이때, 진단 장치는 다양한 방법으로 행동 데이터를 수집할 수 있다. 더 구체적으로, 진단 장치는 하나 이상의 센서에서 검출된 센서 데이터, 사용자로부터 입력 받아 행동 데이터, 사용자의 진단 기기 사용 이력에 관한 로그 데이터의 형태로 수집할 수 있다. 이때, 진단 장치는 행동 데이터의 수집을 위해 주기적으로 센서의 변화를 검출할 수 있으며, 사용자에게 기 설정된 질의에 대한 입력을 요청할 수도 있다. 아울러, 진단 장치가 다른 기능을 수행하는 경우 사용자의 해당 기능에 대한 사용 이력을 모니터링하여 로그 데이터를 생성할 수도 있다. 예를 들어, 진단 장치가 스마트폰인 경우, 진단 장치는 사용자의 통화 이력, 문사 송수신 이력, 인터넷 검색 이력, 어플리케이션 사용 이력 등과 같은 스마트폰 사용 이력을 로그 데이터 형태로 수집할 수 있다.
S203단계에서 진단 장치는 기 설정된 주기인지 판단한다. 이때, 기 설정된 주기에 도달하지 않은 경우, 진단 장치는 다시 S201단계로 분기하여 행동 데이터를 수집하게 된다. 예를 들어, 매일 정오를 주기로 습관 데이터가 생성되도록 설정된 경우, 진단 장치는 정오에 도달하지 않은 경우 다시 행동 데이터를 수집한다.
한편, S203단계에서 기 설정된 주기에 도달한 경우, S205단계로 분기하여 진단 장치는 수집된 행동 데이터를 분석하여 습관 데이터를 생성할 수 있다. 더 구체적으로, 진단 장치는 수집된 행동 데이터로부터 사용자의 습관을 분석하여 습관 데이터의 각 습관 인자를 생성한다. 진단 장치는 행동 데이터를 기계학습 기술로 분석할 수 있으며, 습관 데이터는 정규화(Normalization)된 형태로 생성될 수 있다. 여기서, 습관 데이터는 행동 데이터를 분석하여 생성되는 사용자의 습관에 관한 데이터이다. 하나의 습관 데이터는 복수 개의 습관 인자를 가질 수 있다. 습관 데이터의 하나의 습관 인자는 복수의 행동 데이터를 분석하여 생성될 수 있다.
S205단계에서 생성된 습관 데이터는 S207단계에서 저장된다. 이때, 습관 데이터는 진단 장치에 저장되거나, 진단 관리 장치에 저장될 수 있다.
도 10(b)는 진단 관리 장치의 습관 데이터 생성 방법을 일례이다. 도 10(b)를 참조하면, S209단계에서 진단 관리 장치는 진단 장치로부터 기 설정된 주기마다 행동 데이터를 수신한다. 예를 들어, 진단 관리 장치는 24시간 주기로 행동 데이터를 수신할 수 있다.
S211단계에서 진단 관리 장치는 수신한 행동 데이터를 분석하여 습관 데이터를 생성하고, S213단계에서 생성된 습관 데이터를 저장한다.
도 11은 도 9의 S103단계의 일 실시예를 나타낸 순서도이다.
도 11을 참조하면, S301 단계에서 진단 장치는 습관 데이터와 진단 데이터를 비교한다. 더 구체적으로, 진단 장치는 습관 데이터의 각 습관 요인과 진단 데이터의 각 요인의 차이 값을 계산하고, 계산된 각 요인의 차이 값의 합을 구할 수 있다. 이때, 진단 장치는 공백 값을 가진 습관 데이터의 습관 요인은 계산에서 제외할 수 있다. 또한, 진단 장치는 복수 개의 습관 데이터와 진단 데이터를 비교하는 경우 산술 평균을 이용하여 각 습관 요인의 차이 값의 합을 구할 수 있다. 예를 들어, 진단 장치는 복수 개의 습관 데이터의 각 습관 인자의 평균값을 계산한 후 평균값과 진단 데이터를 비교할 수 있다. 또, 진단 장치는 각 습관 데이터와 진단 데이터를 비교하고, 비교한 결과들의 평균 값의 합을 구할 수도 있다.
S303단계에서, 진단 장치는 S301단계의 비교 결과를 기반으로 질환 위험군에 해당하는지 진단한다. 더 구체적으로, 진단 장치는 S301단계에서 각 요인의 차이 값의 합이 기 설정된 임계치 이상이면 질환 위험군으로 진단한다. 이때, 기 설정된 임계치는 변경될 수 있다.
S303단계에서 위험군에 해당하는 것으로 판단되면, 진단 장치는 기 설정된 절차에 따라 예방 조치를 취할 수 있다. 예를 들어, 진단 장치는 질병과 관련된 정보를 표시하거나, 의료진 또는 보호자에게 위험군으로 진단된 사실을 통보할 수 있다. 아울러, 진단 장치는 의료진에게 습관 데이터를 함께 통보할 수 있다.
도 12은 도 9의 S103단계의 일 실시예를 설명하기 위한 도면이다.
도 11과 12를 참조하면, 진단 장치는 S301단계에서 각 습관 데이터(10)의 습관 요소와 진단 데이터(11) 각 습관 요소의 차이 값을 계산한 비교 데이터(12)를 생성하고, S303단계에서 비교 데이터(12)의 각 요소의 평균 값의 합과 임계치를 비교하여 질환 위험군 여부를 판단할 수 있다.
한편, 진단 장치를 기준으로 도 11, 12을 설명하였으나, 진단 관리 장치에서도 동일한 방법으로 질환을 진단할 수 있음을 이해하여야 한다.
도 13은 도 9의 S103단계의 다른 실시예를 나타낸 순서도이다.
도 13을 참조하면, S401단계에서 진단 장치는 기 설정된 주기마다 저장된 습관 데이터를 로딩한다. 예를 들어, 진단 장치는 하루에 한번씩 주기적으로 생성된 습관 데이터를 모두 로딩할 수 있다. 한편, 기 설정된 주기는 설정에 따라 달라질 수 있다.
S403단계에서 진단 장치는 하나의 습관 데이터와 진단 데이터의 차이 값을 계산하고, S405단계에서 S403단계에서 계산된 각 요인의 차이 값을 저장한다. 이때, 습관 데이터가 하나 이상의 습관 인자를 가지는 경우, 진단 장치는 각 습관 인자와 진단 데이터의 각 습관 인자를 차이 값을 계산하여 비교 데이터를 생성하고, 생성된 비교 데이터를 저장한다.
S407단계에서, 진단 장치는 다음 주기의 습관 데이터가 존재하는지 판단한다. 다음 주기의 습관 데이터가 존재하는 경우, 진단 장치는 S403단계로 분기하여 다음 주기의 습관 데이터와 진단 데이터의 차이 값을 계산한다.
한편, 다음 주기의 습관 데이터가 존재하지 않는 경우, 진단 장치는 S409단계로 분기하여 저장된 차이 값이 증가 추세인지 판단한다. 이때, 진단 장치는 차이 값이 증가 추세가 기 설정된 임계치의 범위 이상인 경우만 증가 추세로 판단할 수 있다. 예를 들어, 임계치가 3일 동안 0.3증가하는 것이라면, 진단 장치는 저장된 차이 값이 3일 동안 0.9(1.11 -> 1.30 -> 2.01)증가하는 경우에 증가하는 추세로 판단할 수 있다.
S409단계에서 증가 추세로 판단되면, S411단계에서 진단 장치는 기 설정된 절차에 따라 예방 조치를 취할 수 있다.
즉, 복수 개의 비교 결과를 도출하고, S303단계에서 도출된 복 수개의 비교 결과의 평균 값과 임계치를 비교하여 질환 위험군 여부를 판단할 수 있다.
한편, 진단 장치를 기준으로 도 13을 설명하였으나, 진단 관리 장치에서도 동일한 방법으로 질환을 진단할 수 있음을 이해하여야 한다.
도 14은 도 9의 S103단계의 또 다른 실시예를 설명하기 위한 순서도이다.
도 15은 도 9의 S103단계의 또 다른 실시예를 설명하기 위한 도면이다.
도 14, 15을 참조하면, S501단계에서 진단 장치는 기 설정된 주기마다 저장된 습관 데이터를 로딩한다. 예를 들면, 진단 장치는 하루를 주기로 생성된 습관 데이터 30개를 로딩한다.
S503단계에서, 진단 장치는 로딩된 습관 데이터의 습관 데이터의 변화 추이를 수열(21) 형태로 변환한다. 예를 들어, 진단 장치는 하루를 주기로 생성된 습관 데이터 30개를 도 15에 도시된 것과 같은 형태의 수열(21)로 변환 할 수 있다.
S505단계에서, 진단 장치는 변환된 수열(21)과 환자의 습관 데이터의 각 습관 요소의 변화 추이를 나타낸 수열(22)의 상관 관계를 분석하여 상관계수(23)를 도출한다. 이때, 진단 장치는 희귀분석을 기반으로 미지의 수열 값을 추가적으로 생성할 수도 있다.
S507단계에서, 진단 장치는 상관 관계의 분석으로 도출된 상관계수(23)가 기 설정된 임계치 이상인지 판단한다. 예를 들어, 임계치가 0.8이고 상관계수가 0.862인 경우, 진단 장치는 임계치 이상인 것으로 판단할 수 있다.
S407단계에서 임계치 이상인 경우, 진단 장치는 질환 위험군에 해당하는 것으로 진단하고, 기 설정된 절차에 따라 예방 조치를 취할 수 있다.
한편, 진단 장치를 기준으로 도 14, 15를 설명하였으나, 진단 관리 장치에서도 동일한 방법으로 질환을 진단할 수 있음을 이해하여야 한다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위 내에서 다양한 수정, 변경 및 치환이 가능할 것이다. 따라서, 본 발명에 개시된 실시예 및 첨부된 도면들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예 및 첨부된 도면에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 진단 장치, 110: 센서부,
120: 입력부, 130: 로그 관리부,
140: 습관 분석부, 150: 저장부,
160: 진단부, 170: 조치부,
200: 진단 관리 장치, 210: 통신 관리부,
220: 습관 관리부, 230: 진단 관리부,
240: 조치 관리부, 250: 습관 데이터 저장부,
260: 진단 데이터 저장부, 270: 예방 조치 저장부,
300: 통신망.

Claims (21)

  1. 하나 이상의 센서로부터 검출된 센서 데이터를 분석하여 사용자의 습관 데이터를 생성하는 습관 분석부; 및
    상기 생성된 습관 데이터와 정상인의 생활 습관 데이터인 진단용 데이터를 비교하여 질환의 위험군인지 진단하는 진단부; 를 포함하는 습관을 이용한 진단 장치.
  2. 제1항에 있어서,
    상기 습관 분석부는 사용 로그에 저장된 로그 데이터를 분석하여 상기 습관 데이터를 생성하는 로그 분석 모듈; 을 더 포함하는 습관을 이용한 진단 장치.
  3. 제1항에 있어서,
    상기 습관 분석부는 사용자로부터 입력된 데이터를 분석하여 상기 습관 데이터를 생성하는 입력 분석 모듈; 을 더 포함하는 습관을 이용한 진단 장치.
  4. 제1항에 있어서,
    상기 습관 분석부는 상기 습관 데이터를 정규화(Normalization)된 형태로 생성하는 습관을 이용한 진단 장치.
  5. 제1항에 있어서,
    상기 진단부는 사용자의 프로필에 매칭되는 상기 진단용 데이터를 검색하는 검색 모듈; 을 더 포함하는 것을 특징으로 하는 습관을 이용한 진단 장치.
  6. 제1항에 있어서,
    상기 진단부는 상기 습관 데이터와 상기 진단용 데이터의 차이 값이 기 설정된 임계치 이상이면 상기 질환의 위험군으로 진단하는 습관을 이용한 진단 장치.
  7. 제1항에 있어서,
    기 설정된 주기마다 생성된 상기 습관 데이터를 저장하기 위한 저장부; 를 더 포함하고,
    상기 진단부는 상기 저장된 습관 데이터와 상기 진단용 데이터의 차이 값이 증가하는 추세인지 판단하는 추이 분석 모듈;을 더 포함하고, 상기 차이 값이 증가하는 추세로 판단되면 상기 질환의 위험군으로 진단하는 습관을 이용한 진단 장치.
  8. 제1항에 있어서,
    기 설정된 주기마다 생성된 상기 습관 데이터를 저장하기 위한 저장부; 를 더 포함하고,
    상기 진단부는 상기 저장부에 저장된 습관 데이터의 변화 추이를 수열 형태로 변환하고, 상기 변환된 수열과 질환 환자의 습관 데이터의 변화 추이를 나타낸 수열간 상관 관계를 분석하는 상관 분석 모듈; 을 더 포함하고, 상기 상관 관계가 기 설정된 임계치 이상이면 상기 질환의 위험군으로 진단하는 습관을 이용한 진단 장치.
  9. 제1항에 있어서,
    상기 위험군에 해당하는 것으로 진단되면, 사용자에게 상기 질환에 관한 정보를 제공하거나, 의료진 또는 보호자에게 상기 위험군 진단을 통지하는 조치부; 를 더 포함하는 습관을 이용한 진단 장치.
  10. 진단 장치로부터 수신한 행동 데이터를 분석하여 사용자의 습관 데이터를 생성하는 습관 관리부; 및
    상기 생성된 습관 데이터와 정상인의 생활 습관 데이터인 진단용 데이터를 비교하여 질환의 위험군인지 진단하는 진단 관리부; 를 포함하는 습관을 이용한 진단 관리 장치.
  11. 제10항에 있어서,
    상기 진단 장치로부터 수신한 행동 데이터는 상기 진단 장치의 하나 이상의 센서를 통해 검출된 센서 데이터, 상기 진단 장치를 통해 사용자로부터 직접 입력 받은 데이터, 상기 진단 장치의 사용 로그에 저장된 로그 데이터 중 하나 이상인 습관을 이용한 진단 관리 장치.
  12. 제10항에 있어서,
    기 설정된 주기마다 생성된 상기 습관 데이터를 저장하기 위한 습관 데이터 저장부; 를 더 포함하고,
    상기 진단 관리부는 상기 습관 데이터 저장부에 저장된 습관 데이터와 상기 진단용 데이터의 차이 값이 증가하는 추세인지 판단하는 추이 분석 모듈; 을 더 포함하고, 상기 차이 값이 증가하는 추세로 판단되면 상기 질환의 위험군으로 진단하는 습관을 이용한 진단 관리 장치.
  13. 제10항에 있어서,
    기 설정된 주기마다 생성된 상기 습관 데이터를 저장하기 위한 습관 데이터 저장부; 를 더 포함하고,
    상기 진단 관리부는 상기 습관 데이터 저장부에 저장된 습관 데이터의 변화 추이를 수열 형태로 변환하고, 상기 변환된 수열과 질환 환자의 습관 데이터의 변화 추이를 나타낸 수열간 상관 관계를 분석하는 상관 분석 모듈; 을 더 포함하고, 상기 상관 관계가 기 설정된 임계치 이상이면 상기 질환의 위험군으로 진단하는 습관을 이용한 진단 관리 장치.
  14. 제10항에 있어서,
    상기 위험군으로 진단되면, 사용자에게 상기 질환에 관한 정보를 제공하거나, 의료진 또는 보호자에게 상기 위험군 진단을 통지하는 조치 관리부; 를 더 포함하는 것을 특징으로 하는 습관을 이용한 진단 관리 장치.
  15. 사용자의 프로필에 매칭되는 정상인의 생활 습관 데이터인 진단용 데이터를 검색하는 단계; 및
    상기 검색된 진단용 데이터와 습관 데이터를 비교하여 질환의 위험군에 해당하는지 진단하는 단계; 를 포함하는 습관을 이용한 진단 방법.
  16. 제15항에 있어서,
    행동 데이터를 기반으로 상기 습관 데이터를 생성하는 단계; 를 더 포함하고,
    상기 행동 데이터는 하나 이상의 센서를 통해 검출된 센서 데이터, 사용자로 입력 받은 데이터, 또는 사용 로그에 저장된 로그 데이터 중 하나 이상인 습관을 이용한 진단 방법.
  17. 제16항에 있어서,
    상기 습관 데이터를 생성하는 단계는 상기 습관 데이터를 정규화(Normalization)하는 단계;를 더 포함하는 습관을 이용한 진단 방법.
  18. 제15항에 있어서,
    상기 위험군인지 진단하는 단계는 상기 습관 데이터와 상기 진단용 데이터의 차이 값이 기 설정된 임계치 이상이면 상기 질환의 위험군에 해당하는 것으로 진단하는 습관을 이용한 진단 방법.
  19. 제15항에 있어서,
    상기 습관 데이터를 생성하는 단계는 기 설정된 주기마다 생성된 상기 습관 데이터를 저장하는 단계를 더 포함하고,
    상기 진단하는 단계는 상기 저장된 습관 데이터와 상기 진단용 데이터의 차이 값이 증가하는 추세인지 판단하는 단계; 를 더 포함하고, 상기 차이 값이 증가하는 추세인 경우 위험군에 해당하는 것으로 진단하는 습관을 이용한 진단 방법.
  20. 제15항에 있어서,
    상기 습관 데이터를 생성하는 단계는 기 설정된 주기마다 생성된 상기 습관 데이터를 저장하는 단계를 더 포함하고,
    상기 진단하는 단계는 상기 저장된 습관 데이터의 변화 추이를 수열 형태로 변환하는 단계; 및 상기 변환된 수열과 질환 환자의 생활 습관 데이터의 변화 추이를 나타내는 수열간 상관 관계를 분석하는 단계; 를 더 포함하고, 상기 상관 관계가 기 설정된 임계치 이상이면, 위험군으로 진단하는 습관을 이용한 진단 방법.
  21. 제15항에 있어서,
    상기 위험군으로 진단되면, 상기 진단 장치의 사용자에게 질환에 관한 정보를 제공하거나, 의료진 또는 보호자에게 위험군 진단을 통지하는 단계; 를 더 포함하는 습관을 이용한 습관을 이용한 진단 방법.
KR1020130084994A 2013-07-18 2013-07-18 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법 KR20150010255A (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020130084994A KR20150010255A (ko) 2013-07-18 2013-07-18 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법
JP2016527909A JP2016529606A (ja) 2013-07-18 2014-06-12 習慣を用いた診断装置及び診断管理装置及び方法
EP14827076.2A EP3023051A4 (en) 2013-07-18 2014-06-12 Diagnostic apparatus using habit, diagnosis management apparatus, and diagnostic method using same
PCT/KR2014/005162 WO2015008936A1 (ko) 2013-07-18 2014-06-12 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법
CN201480039931.0A CN105407794A (zh) 2013-07-18 2014-06-12 利用习惯的诊断装置和诊断管理装置及利用其的诊断方法
US15/000,240 US20160128618A1 (en) 2013-07-18 2016-01-19 Diagnostic apparatus using habit, diagnosis management apparatus, and diagnostic method using same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130084994A KR20150010255A (ko) 2013-07-18 2013-07-18 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법

Publications (1)

Publication Number Publication Date
KR20150010255A true KR20150010255A (ko) 2015-01-28

Family

ID=52346352

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130084994A KR20150010255A (ko) 2013-07-18 2013-07-18 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법

Country Status (6)

Country Link
US (1) US20160128618A1 (ko)
EP (1) EP3023051A4 (ko)
JP (1) JP2016529606A (ko)
KR (1) KR20150010255A (ko)
CN (1) CN105407794A (ko)
WO (1) WO2015008936A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021261662A1 (ko) 2020-06-26 2021-12-30 주식회사 올리브헬스케어 행동 습관 개선을 제공하는 관리 시스템
KR20230112873A (ko) 2022-01-21 2023-07-28 고현서 심리 프로파일에 따른 행동 습관 제공 방법, 서버, 저장 매체 및 디바이스

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102011495B1 (ko) 2012-11-09 2019-08-16 삼성전자 주식회사 사용자의 심리 상태 판단 장치 및 방법
US9125015B2 (en) 2013-06-28 2015-09-01 Facebook, Inc. User activity tracking system and device
US8948783B2 (en) 2013-06-28 2015-02-03 Facebook, Inc. User activity tracking system
US11944466B2 (en) 2013-10-10 2024-04-02 Aura Home, Inc. Method and apparatus for monitoring virus variant risk during an epidemic and pandemic
US11669562B2 (en) 2013-10-10 2023-06-06 Aura Home, Inc. Method of clustering photos for digital picture frames with split screen display
US11013472B1 (en) 2013-10-10 2021-05-25 Aura Home, Inc. Method and apparatus for epidemic and pandemic risk assessment
US20200089702A1 (en) 2013-10-10 2020-03-19 Pushd, Inc. Digital picture frames and methods of photo sharing
US10824666B2 (en) 2013-10-10 2020-11-03 Aura Home, Inc. Automated routing and display of community photographs in digital picture frames
US10430986B2 (en) 2013-10-10 2019-10-01 Pushd, Inc. Clustering photographs for display on a digital picture frame
US10820293B2 (en) 2013-10-10 2020-10-27 Aura Home, Inc. Digital picture frame with improved display of community photographs
US9498163B2 (en) 2013-10-10 2016-11-22 Pushd, Inc. Automated location and activity aware medical monitoring
US9472166B2 (en) 2013-10-10 2016-10-18 Pushd, Inc. Automated personalized picture frame method
US10474407B2 (en) 2013-10-10 2019-11-12 Pushd, Inc. Digital picture frame with automated interactions with viewer and viewer devices
US11350889B2 (en) 2013-10-10 2022-06-07 Aura Home, Inc. Covid-19 risk and illness assessment method
US11797599B2 (en) 2013-10-10 2023-10-24 Aura Home, Inc. Trend detection in digital photo collections for digital picture frames
US10127829B1 (en) * 2015-05-22 2018-11-13 Michael Paul Maly Method and system for calculating probabilities of causation of specified health conditions by foods
US20210128831A1 (en) * 2019-11-05 2021-05-06 Insulet Corporation Systems and methods for determining placement of wearable drug delivery devices
JPWO2022107518A1 (ko) * 2020-11-19 2022-05-27
US20220292534A1 (en) * 2021-03-15 2022-09-15 BJ Fogg, LLC Comprehensive system of optimizing habit engagement
CN115101195B (zh) * 2022-06-24 2023-04-07 曜立科技(北京)有限公司 一种辅助瓣膜病诊断决策的方法及系统
WO2024111207A1 (ja) * 2022-11-25 2024-05-30 株式会社Ｎｔｔドコモ 属性値推定装置
US11861259B1 (en) 2023-03-06 2024-01-02 Aura Home, Inc. Conversational digital picture frame

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6724887B1 (en) * 2000-01-24 2004-04-20 Verint Systems, Inc. Method and system for analyzing customer communications with a contact center
JP2002143097A (ja) * 2000-11-10 2002-05-21 Kuniaki Otsuka 疾病発症予知通報システム及び方法
JP2003153868A (ja) * 2001-11-20 2003-05-27 Matsushita Electric Ind Co Ltd 個人疾患検知システム、個人疾患検知方法、媒体、及びプログラム
JP2003296575A (ja) * 2002-04-02 2003-10-17 Nippon Colin Co Ltd 保険料更新方法および装置
JP3720346B2 (ja) * 2004-03-30 2005-11-24 シャープ株式会社 携帯情報処理装置
JP4585219B2 (ja) * 2004-03-31 2010-11-24 株式会社東芝 ヘルスケア情報提供システム、およびヘルスケア情報提供プログラム
JP2006026037A (ja) * 2004-07-15 2006-02-02 Hitachi Ltd 健康管理支援システム
JP4795666B2 (ja) * 2004-10-29 2011-10-19 株式会社東芝 健康管理支援装置および健康管理支援プログラム
JP2006155411A (ja) * 2004-11-30 2006-06-15 Houken Corp 治療予測モデル構築システム、治療予測モデル構築方法、治療予測モデル構築用プログラム、治療内容検証・提案システム、治療内容検証・提案方法、治療内容検証・提案用プログラム、健康管理データダウンロード方法、着脱可能な記憶メディア
CN1716267A (zh) * 2005-07-21 2006-01-04 高春平 个性化立体养生保健方法及装置
CN1723838A (zh) * 2005-07-21 2006-01-25 高春平 个性化立体减肥的方法及装置
CN101291628B (zh) * 2005-10-21 2011-11-16 国立大学法人山口大学 听诊心音信号的处理方法以及听诊装置
CN101341504A (zh) * 2005-12-19 2009-01-07 松下电器产业株式会社 生活习惯改善支援装置以及生活习惯改善支援方法
US20070276197A1 (en) * 2006-05-24 2007-11-29 Lifescan, Inc. Systems and methods for providing individualized disease management
CN101295331A (zh) * 2008-05-26 2008-10-29 上海健业文化传播有限公司 标准生活方式的实现方法
US9526429B2 (en) * 2009-02-06 2016-12-27 Resmed Sensor Technologies Limited Apparatus, system and method for chronic disease monitoring
CN102405473A (zh) * 2009-02-23 2012-04-04 通用电气公司 医护点动作医疗系统和方法
JP2010231308A (ja) * 2009-03-26 2010-10-14 Olympus Corp 生活習慣病予防装置および生活習慣病予防プログラム
US10420489B2 (en) * 2009-05-29 2019-09-24 University Of Virginia Patent Foundation System coordinator and modular architecture for open-loop and closed-loop control of diabetes
US8303500B2 (en) * 2009-08-21 2012-11-06 Fazal Raheman Prescription zero: a non-pharmaceutical prescription device for prescribing, administering, monitoring, measuring and motivating a therapeutic lifestyle regimen for prevention and treatment of chronic diseases
US20110082711A1 (en) * 2009-10-06 2011-04-07 Masimo Laboratories, Inc. Personal digital assistant or organizer for monitoring glucose levels
KR20110043177A (ko) * 2009-10-21 2011-04-27 아주대학교산학협력단 개인화 서비스 제공 스마트 디바이스
CN102068260B (zh) * 2009-11-25 2013-06-05 深圳市健康鼠科技有限公司 睡眠质量监测方法以及生活方式管理建议系统
EP2460464A1 (en) * 2010-12-03 2012-06-06 Koninklijke Philips Electronics N.V. Sleep disturbance monitoring apparatus
US20120197621A1 (en) * 2011-01-31 2012-08-02 Fujitsu Limited Diagnosing Insulin Resistance
CN102650994A (zh) * 2011-02-24 2012-08-29 悦康健康管理顾问科技股份有限公司 人体状况的整合管理系统及其管理方法
JP5656723B2 (ja) * 2011-04-12 2015-01-21 日本電信電話株式会社 メンタルヘルス管理支援システム及びメンタルヘルス管理支援方法
CN102855372A (zh) * 2011-07-01 2013-01-02 王国梁 生理状态、饮食及运动规划建议管理系统
CN102999686A (zh) * 2011-09-19 2013-03-27 上海煜策信息科技有限公司 一种健康管理系统及其实现方法
CN103020408A (zh) * 2011-09-23 2013-04-03 重庆市真源医药信息有限公司 慢性病健康管理非药物干预方法及系统
CN103186701B (zh) * 2011-12-28 2016-08-10 中国移动通信集团公司 一种饮食习惯分析方法、系统和设备
CN102779225A (zh) * 2012-03-20 2012-11-14 重庆市真源医药信息有限公司 全自动社区健康小屋一体化实施方案
CN102637291B (zh) * 2012-04-16 2015-05-20 复旦大学附属中山医院 一种手机云加端物联网医学系统及采用该系统的方法
CN102920461A (zh) * 2012-09-13 2013-02-13 中国计量学院 一种进食习惯监测装置
CN102930491A (zh) * 2012-11-05 2013-02-13 苏州天奥体育科技有限公司 一种体重管理服务系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021261662A1 (ko) 2020-06-26 2021-12-30 주식회사 올리브헬스케어 행동 습관 개선을 제공하는 관리 시스템
KR20230112873A (ko) 2022-01-21 2023-07-28 고현서 심리 프로파일에 따른 행동 습관 제공 방법, 서버, 저장 매체 및 디바이스

Also Published As

Publication number Publication date
CN105407794A (zh) 2016-03-16
JP2016529606A (ja) 2016-09-23
EP3023051A4 (en) 2017-03-08
US20160128618A1 (en) 2016-05-12
WO2015008936A1 (ko) 2015-01-22
EP3023051A1 (en) 2016-05-25

Similar Documents

Publication Publication Date Title
KR20150010255A (ko) 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법
Majumder et al. An energy efficient wearable smart IoT system to predict cardiac arrest
Rocha et al. Innovations in health care services: The CAALYX system
EP2713881B1 (en) Method and system for assisting patients
Bourouis et al. An intelligent mobile based decision support system for retinal disease diagnosis
Lane et al. Bewell: A smartphone application to monitor, model and promote wellbeing
Chiarini et al. mHealth technologies for chronic diseases and elders: a systematic review
US10726846B2 (en) Virtual health assistant for promotion of well-being and independent living
US10265029B2 (en) Methods and systems for calculating and using statistical models to predict medical events
US20170319063A1 (en) Apparatus and method for recording and analysing lapses in memory and function
Kwon et al. Single activity sensor-based ensemble analysis for health monitoring of solitary elderly people
US20160314257A1 (en) Scheduling device for scheduling patient monitoring by patient-accessible devices
US20200143945A1 (en) Method and apparatus for assisting health case of user
EP3152692A1 (en) Monitoring adherence to healthcare guidelines
Sukreep et al. Recognizing Falls, Daily Activities, and Health Monitoring by Smart Devices.
Bastaki et al. Intelligent assisted living framework for monitoring elders
US10079074B1 (en) System for monitoring disease progression
Baig et al. mHealth monitoring system for hospitalised older adults–current issues and challenges
US20230389849A1 (en) Cardiac Monitoring and Management System
KR102551856B1 (ko) 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법
US20220101072A1 (en) Detecting a User's Outlier Days Using Data Sensed by the User's Electronic Devices
JP2010279644A (ja) 状態判定装置、状態判定方法及びプログラム
KR20170035722A (ko) 프로그레시브 센싱 기반의 수면 중 무자각 발기 현상 진단 장치 및 방법
WO2024038439A1 (en) System and method for evaluating a cognitive and physiological status of a subject
CN116364307A (zh) 一种基于反事实的认知障碍数字药物效应评价方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E601 Decision to refuse application