KR20170096874A - 체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법 - Google Patents

체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법 Download PDF

Info

Publication number
KR20170096874A
KR20170096874A KR1020160018687A KR20160018687A KR20170096874A KR 20170096874 A KR20170096874 A KR 20170096874A KR 1020160018687 A KR1020160018687 A KR 1020160018687A KR 20160018687 A KR20160018687 A KR 20160018687A KR 20170096874 A KR20170096874 A KR 20170096874A
Authority
KR
South Korea
Prior art keywords
information
weight
weight estimation
estimation model
body weight
Prior art date
Application number
KR1020160018687A
Other languages
English (en)
Inventor
이소영
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 KR1020160018687A priority Critical patent/KR20170096874A/ko
Priority to US15/235,997 priority patent/US20170236059A1/en
Publication of KR20170096874A publication Critical patent/KR20170096874A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G17/00—Apparatus for or methods of weighing material of special form or property
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0075—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence by spectroscopy, i.e. measuring spectra, e.g. Raman spectroscopy, infrared absorption spectroscopy
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/441—Skin evaluation, e.g. for skin disorder diagnosis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G06N99/005—
    • 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
    • G16H50/50—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법이 개시된다. 일 양상에 따른 체중 추정 모델 생성 장치는, 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 수집하는 학습데이터 수집부와, 상기 수집된 학습데이터를 기반으로 기계학습을 통하여, 스펙트럼 기반 체중 추정에 이용되는 체중 추정 모델을 생성하는 모델 생성부를 포함할 수 있다.

Description

체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법{Apparatus and method for generating weight estimation model, and Apparatus and method for estimating weight}
체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법과 관련된다.
건강에 관심이 많은 현대인들은 체중의 증감에 민감하다. 그러나, 바쁜 생활에 쫓기는 현대인들에게 있어 매일 체중을 측정하기란 여간 어려운 일이 아니다. 체중을 측정하는 것을 잊어버리고 며칠 지나다 보면 자신도 모르게 체중이 급격히 증감하는 경우가 종종 있다.
또한, 비만이 만병의 근원임을 고려할 때 적정 체중을 유지하는 것은 매우 중요한 일이다. 특히 고령화 사회가 되어감에 따라 건강한 생활을 영위함에 있어 적정 체중 유지의 중요성은 점점 더해지고 있다.
따라서, 편리하고 간단하게 체중을 측정하고 모니터링할 수 있는 기술 개발이 필요하다.
피부 스펙트럼을 기반으로 체중을 추정하는데 이용하는 체중 추정 모델 생성 장치 및 방법과, 피부 스펙트럼을 기반으로 체중을 추정하는 체중 추정 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 체중 추정 모델 생성 장치는, 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 수집하는 학습데이터 수집부와, 상기 수집된 학습데이터를 기반으로 기계학습을 통하여, 스펙트럼 기반 체중 추정에 이용되는 체중 추정 모델을 생성하는 모델 생성부를 포함할 수 있다.
상기 모델 생성부는, 상기 피부 스펙트럼 정보를 입력으로 하고, 상기 체중 정보를 정답(target)으로 하여 기계학습을 통해 상기 체중 추정 모델을 생성할 수 있다.
상기 학습데이터는 상기 대상체의 나이 정보, 키 정보, 성별 정보 및 생체 임피던스 정보 중 적어도 하나를 더 포함할 수 있다.
상기 모델 생성부는, 상기 나이 정보, 상기 키 정보, 상기 성별 정보, 및 상기 생체 임피던스 정보 중 적어도 하나와 상기 피부 스펙트럼 정보를 입력으로 하고, 상기 체중 정보를 정답(target)으로 하여 기계학습을 통해 상기 체중 추정 모델을 생성할 수 있다.
기계학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 인공 신경망(Artificial Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
다른 양상에 따른 체중 추정 모델 생성 방법은, 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 수집하는 단계와, 상기 수집된 학습데이터를 기반으로 기계학습을 통하여, 스펙트럼 기반 체중 추정에 이용되는 체중 추정 모델을 생성하는 단계를 포함할 수 있다.
상기 체중 추정 모델을 생성하는 단계는, 상기 피부 스펙트럼 정보를 입력으로 하고, 상기 체중 정보를 정답(target)으로 하여 기계학습을 통해 상기 체중 추정 모델을 생성할 수 있다.
상기 학습데이터는 상기 대상체의 나이 정보, 키 정보, 성별 정보 및 생체 임피던스 정보 중 적어도 하나를 더 포함할 수 있다.
상기 체중 추정 모델을 생성하는 단계는, 상기 나이 정보, 상기 키 정보, 상기 성별 정보, 및 상기 생체 임피던스 정보 중 적어도 하나와 상기 피부 스펙트럼 정보를 입력으로 하고, 상기 체중 정보를 정답(target)으로 하여 기계학습을 통해 상기 체중 추정 모델을 생성할 수 있다.
기계학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 인공 신경망(Artificial Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
또 다른 양상에 따른 체중 추정 장치는, 사용자의 피부 스펙트럼을 측정하는 스펙트럼 측정부와, 상기 측정된 피부 스펙트럼을 기반으로 체중 추정 모델을 이용하여 상기 사용자의 체중을 추정하는 체중 추정부를 포함할 수 있다.
상기 체중 추정 모델은, 다수의 대상체의 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 기계학습을 통해 생성될 수 있다.
상기 학습 데이터는, 상기 다수의 대상체의 나이 정보, 키 정보, 성별 정보 및 생체 임피던스 정보 중 적어도 하나를 더 포함할 수 있다.
상기 체중 추정부는, 상기 사용자의 나이 정보, 키 정보, 성별 정보 및 생체 임피던스 정보 중 적어도 하나를 더 기반으로 상기 사용자의 체중을 추정할 수 있다.
기계학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 인공 신경망(Artificial Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
사용자의 피부 스펙트럼을 이용하여 사용자의 체중을 추정함으로써 간편하게 체중을 측정할 수 있다. 또한, 휴대용 기기와 같이 소형 장치로 구현이 가능하다.
도 1은 체중 추정 모델 생성 장치의 일 실시예를 도시한 블록도이다.
도 2는 체중 추정 장치의 일 실시예를 도시한 블록도이다.
도 3은 체중 추정 장치(200)의 다른 실시예를 도시한 블록도이다.
도 4는 체중 추정 모델 생성 방법의 일 실시예를 도시한 흐름도이다.
도 5는 체중 추정 방법의 일 실시예를 도시한 흐름도이다.
도 6은 체중 추정 방법의 다른 실시예를 도시한 흐름도이다.
도 7은 체중 추정 모델 생성 장치의 다른 실시예를 도시한 블록도이다.
도 8은 체중 추정 장치의 또 다른 실시예를 도시한 블록도이다.
도 9는 체중 추정 장치(200)의 또 다른 실시예를 도시한 블록도이다.
도 10은 체중 추정 모델 생성 방법의 다른 실시예를 도시한 흐름도이다.
도 11은 체중 추정 방법의 또 다른 실시예를 도시한 흐름도이다.
도 12는 체중 추정 방법의 또 다른 실시예를 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일 실시예를 상세하게 설명한다. 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로, 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 체중 추정 모델 생성 장치의 일 실시예를 도시한 블록도이다. 체중 추정 모델 생성 장치(100)는 사용자의 피부 스펙트럼을 기반으로 그 사용자의 체중을 추정하는데 이용되는 체중 추정 모델을 생성하는 장치일 수 있다.
도 1을 참조하면, 체중 추정 모델 생성 장치(100)는 학습데이터 수집부(110) 및 모델 생성부(120)를 포함할 수 있다.
학습데이터 수집부(110)는 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터(training data)를 수집할 수 있다.
이때, 학습데이터 수집부(110)가 학습데이터를 수집하는 방법에 대해서는 특별한 제한이 없다. 즉, 학습데이터 수집부(110)는 외부 장치로부터 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 단순히 수신하여 수집하는 것도 가능하며, 직접 다수의 대상체에 광을 조사하여 피부 스펙트럼 정보를 수집하고 직접 그 다수의 대상체의 체중을 측정하여 체중 정보를 수집하는 것도 가능하다.
모델 생성부(120)는 수집된 학습데이터를 기반으로 기계학습을 통해 체중 추정 모델을 생성할 수 있다. 예컨대, 모델 생성부(120)는 피부 스펙트럼 정보를 입력(input)으로 하고 그에 대응하는 체중 정보, 즉 그 피부 스펙트럼 정보가 획득된 대상체의 체중 정보를 정답(target)으로 하여 기계학습을 통해 체중 추정 모델을 생성할 수 있다.
이때, 기계학습 알고리즘은 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
예를 들어, 부분 최소 제곱 회귀(Partial Least Squares Regression)를 이용하여 체중 추정 모델을 생성하는 경우, 생성된 체중 추정 모델은 수학식 1과 같이 표현될 수 있다.
Figure pat00001
여기서,
Figure pat00002
는 체중을 나타내고,
Figure pat00003
은 파장 n에서의 홉광도(absorbance)를 나타내고,
Figure pat00004
는
Figure pat00005
의 계수(coefficient)를 나타낸다.
또한, 신경망을 이용하여 체중 추정 모델을 생성하는 경우, 모델 생성부(120)는 전형적인 역전파(back propagation) 기법(예컨대, gradient descent algorithm, stochastic gradient descent algorithm 등)을 이용하여 체중 추정 모델을 생성할 수 있다.
일 실시예에 따르면, 체중 추정의 정확도를 높이기 위해 체중 추정 모델 생성 장치(100)는 피부 스펙트럼 정보 및 체중 정보 외에 대상체의 나이, 키, 성별, 및 생체 임피던스 등과 같은 추가 정보를 더 이용하여 체중 추정 모델을 생성할 수 있다. 이 경우, 학습데이터 수집부(110)는 피부 스펙트럼 정보 및 체중 정보에 추가하여, 대상체의 나이 정보, 키 정보, 성별 정보, 및 생체 임피던스 정보 중 적어도 하나를 더 포함하는 학습데이터(training data)를 수집하고, 모델 생성부(120)는 나이 정보, 키 정보, 성별 정보, 및 생체 임피던스 정보 중 적어도 하나와 피부 스펙트럼 정보를 입력으로 하고, 체중 정보를 정답(target)으로 하여 기계학습을 통해 체중 추정 모델을 생성할 수 있다.
도 2는 체중 추정 장치의 일 실시예를 도시한 블록도이다. 체중 추정 장치(200)는 사용자의 피부 스펙트럼을 기반으로 그 사용자의 체중을 추정하는 장치로서, 도 1의 체중 추정 모델 생성 장치(100)에서 생성된 체중 추정 모델을 이용하여 사용자의 체중을 추정하는 장치일 수 있다. 체중 추정 장치(200)는 소프트웨어 모듈로 구현되거나 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 이때, 전자 장치는 휴대폰, 스마트폰, 타블렛 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있다. 그러나 전자 장치는 상술한 예에 제한되지 않으며, 다양한 디바이스를 포함할 수 있다.
도 2를 참조하면, 체중 추정 장치(200)는 스펙트럼 측정부(210) 및 체중 추정부(220)를 포함할 수 있다.
스펙트럼 측정부(210)는 사용자의 피부 스펙트럼을 측정할 수 있다. 예컨대, 스펙트럼 측정부(210)는 사용자의 피부에 광을 조사하고, 피부로부터 산란 또는 반사된 광을 검출함으로써, 사용자의 피부 스펙트럼을 측정할 수 있다. 이를 위해 스펙트럼 측정부(210)는 분광기를 포함할 수 있다.
체중 추정부(220)는 미리 생성된 체중 추정 모델을 이용하여 측정된 사용자의 피부 스펙트럼을 기반으로 사용자의 체중을 추정할 수 있다.
이때, 체중 추정 모델은 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 기계학습을 통해 생성될 수 있다. 여기서, 기계학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
도 3은 체중 추정 장치(200)의 다른 실시예를 도시한 블록도이다.
도 2 및 도 3을 참조하면, 도 3의 체중 추정 장치(200)는 도 2의 체중 추정 장치(200)에 비하여, 입력부(310), 생체 임피던스 측정부(320), 저장부(330), 통신부(340) 및 출력부(350)를 선택적으로 더 포함할 수 있다.
입력부(310)는 사용자로부터 다양한 조작신호 및 체중 추정에 사용되는 다양한 사용자 정보를 입력받을 수 있다. 이때, 사용자 정보는 체중 추정에 도움이 될 수 있는 사용자 관련 정보로서, 나이, 성별, 키 등을 포함할 수 있다.
일 실시예에 따르면, 입력부(310)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad)(정압/정전), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
생체 임피던스 측정부(320)는 사용자의 생체 임피던스를 측정할 수 있다. 예컨대, 생체 임피던스 측정부(320)는 사용자의 신체에 전류를 인가하여 사용자의 전기 임피던스를 측정하는 BIA(Bioelectrical Impedance Analysis) 방식을 사용하여 사용자의 생체 임피던스를 측정할 수 있다.
저장부(330)는 체중 추정 장치(200)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 입/출력되는 데이터들을 저장할 수 있다. 또한, 저장부(330)는 미리 생성된 체중 추정 모델을 저장할 수 있다. 이때, 체중 추정 모델은 도 1을 참조하여 전술한 바와 같이, 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 생성되거나, 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보 외에 나이, 키, 성별, 및 생체 임피던스 등과 같은 추가 정보를 더 포함하는 학습데이터를 기반으로 생성될 수 있다.
저장부(330)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(RAM: Random Access Memory), SRAM(Static Random Access Memory), 롬(ROM: Read Only Memory), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등을 포함할 수 있다. 또한, 체중 추정 장치(300)는 인터넷 상에서 저장부(330)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(340)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(340)는 입력부(310)를 통해 사용자로부터 입력된 정보, 생체 임피던스 측정부(320)에서 측정된 사용자의 생체 임피던스 정보, 스펙트럼 측정부(210)에서 측정된 피부 스펙트럼 정보, 체중 추정부(220)에서 추정된 사용자의 체중 정보 등을 외부 장치로 전송하거나, 외부 장치로부터 사용자의 체중 추정에 도움이 되는 다양한 정보를 수신할 수 있다.
이때, 외부 장치는 추정된 체중 정보를 사용하는 의료 장비, 결과물을 출력하기 위한 프린트, 또는 추정된 체중 정보를 디스플레이하는 디스플레이 장치일 수 있다. 이외에도 외부 기기는 스마트폰, 휴대폰, PDA(personal digital assistant), 랩톱(laptop), PC, 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으며, 이에 제한되지 않는다.
통신부(340)는 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication: NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association: IrDA) 통신, WFD(Wi-Fi Direct) 통신, UWB(ultra-wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신 등을 이용하여 외부 장치와 통신할 수 있다. 그러나, 이는 일 예에 불과할 뿐이며, 이에 한정되는 것은 아니다.
출력부(350)는 체중 추정 결과를 출력할 수 있다. 일 실시예에 따르면, 출력부(350)는 체중 추정 결과를 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 예컨대, 출력부(340)는 음성, 텍스트, 진동 등을 이용하여 체중 추정 결과를 출력할 수 있다. 이를 위해 출력부(340)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
한편, 체중 추정부(220)는 스펙트럼 측정부(210)에서 측정된 사용자의 피부 스펙트럼 정보, 생체 임피던스 측정부(320)에서 측정된 사용자의 생체 임피던스 정보, 및 입력부(310)를 통해 입력된 사용자 정보를 기반으로 체중 추정 모델을 이용하여 사용자의 체중을 추정할 수 있다. 즉, 체중 추정부(220)는 사용자의 피부 스펙트럼 정보 외에, 생체 임피던스 정보, 사용자 정보(예컨대, 키, 나이, 성별 등)를 더 이용하여 사용자의 체중을 추정할 수 있다.
도 4는 체중 추정 모델 생성 방법의 일 실시예를 도시한 흐름도이다.
도 1 및 도 4를 참조하면, 체중 추정 모델 생성 장치(100)는 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터(training data)를 수집할 수 있다(410).
체중 추정 모델 생성 장치(100)는 수집된 학습데이터를 기반으로 기계학습을 통해 체중 추정 모델을 생성할 수 있다(420). 예컨대, 체중 추정 모델 생성 장치(100)는 피부 스펙트럼 정보를 입력(input)으로 하고 그에 대응하는 체중 정보, 즉 그 피부 스펙트럼 정보가 획득된 대상체의 체중 정보를 정답(target)으로 하여 기계학습을 통해 체중 추정 모델을 생성할 수 있다.
이때, 기계학습 알고리즘은 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
일 실시예에 따르면, 체중 추정 모델 생성 장치(100)는 피부 스펙트럼 정보 및 체중 정보 외에 대상체의 나이, 키, 성별, 및 생체 임피던스 등과 같은 추가 정보를 더 이용하여 체중 추정 모델을 생성할 수 있다. 이 경우, 체중 추정 모델 생성 장치(100)는 피부 스펙트럼 정보 및 체중 정보에 추가하여, 대상체의 나이 정보, 키 정보, 성별 정보, 및 생체 임피던스 정보 중 적어도 하나를 더 포함하는 학습데이터(training data)를 수집하고, 나이 정보, 키 정보, 성별 정보, 및 생체 임피던스 정보 중 적어도 하나와 피부 스펙트럼 정보를 입력으로 하고, 체중 정보를 정답(target)으로 하여 기계학습을 통해 체중 추정 모델을 생성할 수 있다.
도 5는 체중 추정 방법의 일 실시예를 도시한 흐름도이다.
도 2 및 도 5를 참조하면, 체중 추정 장치(200)는 사용자의 피부 스펙트럼을 측정할 수 있다(510). 예컨대, 체중 추정 장치(200)는 사용자의 피부에 광을 조사하고, 피부로부터 산란 또는 반사된 광을 검출함으로써, 사용자의 피부 스펙트럼을 측정할 수 있다.
체중 추정 장치(200)는 미리 생성된 체중 추정 모델을 이용하여 측정된 사용자의 피부 스펙트럼을 기반으로 사용자의 체중을 추정할 수 있다(520).
이때, 체중 추정 모델은 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 기계학습을 통해 생성될 수 있다. 여기서, 기계학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
도 6은 체중 추정 방법의 다른 실시예를 도시한 흐름도이다.
도 3 및 도 6을 참조하면, 체중 추정 장치(300)는 체중 추정에 사용되는 다양한 사용자 정보를 입력받을 수 있다(610). 이때, 사용자 정보는 체중 추정에 도움이 될 수 있는 사용자 관련 정보로서, 나이, 성별, 키 등을 포함할 수 있다.
체중 추정 장치(300)는 사용자의 피부 스펙트럼을 측정할 수 있다(620).
체중 추정 장치(300)는 사용자의 생체 임피던스를 측정할 수 있다(630). 예컨대, 체중 추정 장치(300)는 사용자의 신체에 전류를 인가하여 사용자의 전기 임피던스를 측정하는 BIA(Bioelectrical Impedance Analysis) 방식을 사용하여 사용자의 생체 임피던스를 측정할 수 있다.
체중 추정 장치(300)는 측정된 사용자의 피부 스펙트럼 정보, 측정된 사용자의 생체 임피던스 정보, 및 입력된 사용자 정보를 기반으로 체중 추정 모델을 이용하여 사용자의 체중을 추정할 수 있다(640). 이때, 체중 추정 모델은 도 1을 참조하여 전술한 바와 같이, 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 생성되거나, 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보 외에 나이, 키, 성별, 및 생체 임피던스 등과 같은 추가 정보를 더 포함하는 학습데이터를 기반으로 생성될 수 있다.
체중 추정 장치(300)는 체중 추정 결과를 출력할 수 있다(650). 일 실시예에 따르면, 체중 추정 장치(300)는 체중 추정 결과를 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 예컨대, 체중 추정 장치(300)는 음성, 텍스트, 진동 등을 이용하여 체중 추정 결과를 출력할 수 있다.
도 7은 체중 추정 모델 생성 장치의 다른 실시예를 도시한 블록도이다.
도 7을 참조하면, 체중 추정 모델 생성 장치(700)는 학습데이터 수집부(710) 및 모델 생성부(720)를 포함할 수 있다.
학습데이터 수집부(710)는 다수의 대상체의 체성분 분석 결과 정보 및 체중 정보를 포함하는 학습데이터(training data)를 수집할 수 있다. 이때, 체성분 분석 결과 정보는 단백질의 양, 지방의 양 및 물의 양 등을 포함할 수 있다.
이때, 학습데이터 수집부(710)가 학습데이터를 수집하는 방법에 대해서는 특별한 제한이 없다. 즉, 학습데이터 수집부(110)는 외부 장치로부터 다수의 대상체의 체성분 분석 결과 정보 및 체중 정보를 단순히 수신하여 수집하는 것도 가능하며, 직접 다수의 대상체에 광을 조사하여 피부 스펙트럼을 획득한 후 피부 스펙트럼을 분석하여 체성분 분석 결과 정보를 수집하고, 직접 그 다수의 대상체의 체중을 측정하여 체중 정보를 수집하는 것도 가능하다.
모델 생성부(720)는 수집된 학습데이터를 기반으로 기계학습을 통해 체중 추정 모델을 생성할 수 있다. 예컨대, 모델 생성부(720)는 체성분 분석 결과 정보를 입력(input)으로 하고 그에 대응하는 체중 정보를 정답(target)으로 하여 기계학습을 통해 체중 추정 모델을 생성할 수 있다.
이때, 기계학습 알고리즘은 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
일 실시예에 따르면, 체중 추정 모델 생성 장치(700)는 체성분 분석 결과 정보 및 체중 정보 외에 대상체의 나이, 키, 성별, 및 생체 임피던스 등과 같은 추가 정보를 더 이용하여 체중 추정 모델을 생성할 수 있다. 이 경우, 학습데이터 수집부(710)는 체성분 분석 결과 정보 및 체중 정보에 추가하여, 대상체의 나이 정보, 키 정보, 성별 정보, 및 생체 임피던스 정보 중 적어도 하나를 더 포함하는 학습데이터(training data)를 수집하고, 모델 생성부(720)는 나이 정보, 키 정보, 성별 정보, 및 생체 임피던스 정보 중 적어도 하나와 체성분 분석 결과 정보를 입력으로 하고, 체중 정보를 정답(target)으로 하여 기계학습을 통해 체중 추정 모델을 생성할 수 있다.
도 8은 체중 추정 장치의 또 다른 실시예를 도시한 블록도이다. 체중 추정 장치(800)는 도 7의 체중 추정 모델 생성 장치(700)에서 생성된 체중 추정 모델을 이용하여 사용자의 체중을 추정하는 장치일 수 있다.
도 8을 참조하면, 체중 추정 장치(200)는 스펙트럼 측정부(810), 체성분 분석부(820) 및 체중 추정부(830)를 포함할 수 있다.
스펙트럼 측정부(810)는 사용자의 피부 스펙트럼을 측정할 수 있다.
체성분 분석부(820)는 측정된 피부 스펙트럼을 통해 사용자의 체성분(예컨대, 물, 단백질, 지방 등)을 분석할 수 있다.
체중 추정부(830)는 미리 생성된 체중 추정 모델을 이용하여 체성분 분석 결과를 기반으로 사용자의 체중을 추정할 수 있다.
이때, 체중 추정 모델은 다수의 대상체에 대한 체성분 분석 결과 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 기계학습을 통해 생성될 수 있다. 여기서, 기계학습 알고리즘은, 부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 신경망(Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나일 수 있다.
도 9는 체중 추정 장치(200)의 또 다른 실시예를 도시한 블록도이다.
도 8 및 도 9를 참조하면, 도 9의 체중 추정 장치(900)는 도 8의 체중 추정 장치(800)에 비하여, 입력부(910), 생체 임피던스 측정부(920), 저장부(930), 통신부(940) 및 출력부(950)를 선택적으로 더 포함할 수 있다.
입력부(910)는 사용자로부터 다양한 조작신호 및 체중 추정에 사용되는 다양한 사용자 정보를 입력받을 수 있다. 이때, 사용자 정보는 체중 추정에 도움이 될 수 있는 사용자 관련 정보로서, 나이, 성별, 키 등을 포함할 수 있다.
생체 임피던스 측정부(920)는 사용자의 생체 임피던스를 측정할 수 있다. 예컨대, 생체 임피던스 측정부(920)는 사용자의 신체에 전류를 인가하여 사용자의 전기 임피던스를 측정하는 BIA(Bioelectrical Impedance Analysis) 방식을 사용하여 사용자의 생체 임피던스를 측정할 수 있다.
저장부(930)는 체중 추정 장치(900)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 입/출력되는 데이터들을 저장할 수 있다. 또한, 저장부(930)는 미리 생성된 체중 추정 모델을 저장할 수 있다. 이때, 체중 추정 모델은 도 7을 참조하여 전술한 바와 같이, 다수의 대상체에 대한 체성분 분석 결과 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 생성되거나, 다수의 대상체에 대한 체성분 분석 결과 정보 및 체중 정보 외에 나이, 키, 성별, 및 생체 임피던스 등과 같은 추가 정보를 더 포함하는 학습데이터를 기반으로 생성될 수 있다.
통신부(940)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(940)는 입력부(910)를 통해 사용자로부터 입력된 정보, 생체 임피던스 측정부(920)에서 측정된 사용자의 생체 임피던스 정보, 스펙트럼 측정부(810)에서 측정된 피부 스펙트럼 정보, 체성분 분석부(820)에서 분석된 체성분 분석 결과 정보, 체중 추정부(830)에서 추정된 사용자의 체중 정보 등을 외부 장치로 전송하거나, 외부 장치로부터 사용자의 체중 추정에 도움이 되는 다양한 정보를 수신할 수 있다.
출력부(950)는 체중 추정 결과를 출력할 수 있다. 일 실시예에 따르면, 출력부(950)는 체중 추정 결과를 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다.
한편, 체중 추정부(830)는 체성분 분석부(820)의 체성분 분석 결과 정보, 생체 임피던스 측정부(920)에서 측정된 사용자의 생체 임피던스 정보, 및 입력부(910)를 통해 입력된 사용자 정보를 기반으로 체중 추정 모델을 이용하여 사용자의 체중을 추정할 수 있다.
도 10은 체중 추정 모델 생성 방법의 다른 실시예를 도시한 흐름도이다.
도 7 및 도 10을 참조하면, 체중 추정 모델 생성 장치(700)는 다수의 대상체의 체성분 분석 결과 정보 및 체중 정보를 포함하는 학습데이터(training data)를 수집할 수 있다(1010). 이때, 체성분 분석 결과 정보는 단백질의 양, 지방의 양 및 물의 양 등을 포함할 수 있다.
체중 추정 모델 생성 장치(700)는 수집된 학습데이터를 기반으로 기계학습을 통해 체중 추정 모델을 생성할 수 있다(1020). 예컨대, 체중 추정 모델 생성 장치(700)는 체성분 분석 결과 정보를 입력(input)으로 하고 그에 대응하는 체중 정보를 정답(target)으로 하여 기계학습을 통해 체중 추정 모델을 생성할 수 있다.
일 실시예에 따르면, 체중 추정 모델 생성 장치(700)는 체성분 분석 결과 정보 및 체중 정보 외에 대상체의 나이, 키, 성별, 및 생체 임피던스 등과 같은 추가 정보를 더 이용하여 체중 추정 모델을 생성할 수 있다. 이 경우, 체중 추정 모델 생성 장치(700)는 체성분 분석 결과 정보 및 체중 정보에 추가하여, 대상체의 나이 정보, 키 정보, 성별 정보, 및 생체 임피던스 정보 중 적어도 하나를 더 포함하는 학습데이터(training data)를 수집하고, 나이 정보, 키 정보, 성별 정보, 및 생체 임피던스 정보 중 적어도 하나와 체성분 분석 결과 정보를 입력으로 하고, 체중 정보를 정답(target)으로 하여 기계학습을 통해 체중 추정 모델을 생성할 수 있다.
도 11은 체중 추정 방법의 또 다른 실시예를 도시한 흐름도이다.
도 8 및 도 11을 참조하면, 체중 추정 장치(800)는 사용자의 피부 스펙트럼을 측정할 수 있다(1110).
체중 추정 장치(800)는 측정된 피부 스펙트럼을 통해 사용자의 체성분(예컨대, 물, 단백질, 지방 등)을 분석할 수 있다(1120).
체중 추정 장치(800)는 미리 생성된 체중 추정 모델을 이용하여 체성분 분석 결과를 기반으로 사용자의 체중을 추정할 수 있다(1130).
도 12는 체중 추정 방법의 또 다른 실시예를 도시한 흐름도이다.
도 9 및 도 12를 참조하면, 체중 추정 장치(900)는 체중 추정에 사용되는 다양한 사용자 정보를 입력받을 수 있다(1210). 이때, 사용자 정보는 체중 추정에 도움이 될 수 있는 사용자 관련 정보로서, 나이, 성별, 키 등을 포함할 수 있다.
체중 추정 장치(900)는 사용자의 피부 스펙트럼을 측정하고(1220), 측정된 피부 스펙트럼을 기반으로 체성분을 분석할 수 있다(1230).
체중 추정 장치(900)는 사용자의 생체 임피던스를 측정할 수 있다(1240). 예컨대, 체중 추정 장치(900)는 사용자의 신체에 전류를 인가하여 사용자의 전기 임피던스를 측정하는 BIA(Bioelectrical Impedance Analysis) 방식을 사용하여 사용자의 생체 임피던스를 측정할 수 있다.
체중 추정 장치(900)는 체성분 분석 결과 정보, 측정된 사용자의 생체 임피던스 정보, 및 입력된 사용자 정보를 기반으로 체중 추정 모델을 이용하여 사용자의 체중을 추정할 수 있다(1250). 이때, 체중 추정 모델은 도 7을 참조하여 전술한 바와 같이, 다수의 대상체에 대한 체성분 분석 결과 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 생성되거나, 다수의 대상체에 대한 체성분 분석 결과 정보 및 체중 정보 외에 나이, 키, 성별, 및 생체 임피던스 등과 같은 추가 정보를 더 포함하는 학습데이터를 기반으로 생성될 수 있다.
체중 추정 장치(900)는 체중 추정 결과를 출력할 수 있다(1260). 일 실시예에 따르면, 체중 추정 장치(900)는 체중 추정 결과를 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다.
본 발명의 일 양상은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 상기의 프로그램을 구현하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시 예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 범위는 전술한 실시 예에 한정되지 않고 특허 청구범위에 기재된 내용과 동등한 범위 내에 있는 다양한 실시 형태가 포함되도록 해석되어야 할 것이다.
100: 체중 추정 모델 생성 장치
110: 학습데이터 수집부
120: 모델 생성부
200: 체중 추정 장치
210: 스펙트럼 측정부
220: 체중 추정부

Claims (15)

  1. 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 수집하는 학습데이터 수집부; 및
    상기 수집된 학습데이터를 기반으로 기계학습을 통하여, 스펙트럼 기반 체중 추정에 이용되는 체중 추정 모델을 생성하는 모델 생성부; 를 포함하는,
    체중 추정 모델 생성 장치.
  2. 제1항에 있어서,
    상기 모델 생성부는,
    상기 피부 스펙트럼 정보를 입력으로 하고, 상기 체중 정보를 정답(target)으로 하여 기계학습을 통해 상기 체중 추정 모델을 생성하는,
    체중 추정 모델 생성 장치.
  3. 제1항에 있어서,
    상기 학습데이터는 상기 대상체의 나이 정보, 키 정보, 성별 정보 및 생체 임피던스 정보 중 적어도 하나를 더 포함하는,
    체중 추정 모델 생성 장치.
  4. 제3항에 있어서,
    상기 모델 생성부는,
    상기 나이 정보, 상기 키 정보, 상기 성별 정보, 및 상기 생체 임피던스 정보 중 적어도 하나와 상기 피부 스펙트럼 정보를 입력으로 하고, 상기 체중 정보를 정답(target)으로 하여 기계학습을 통해 상기 체중 추정 모델을 생성하는,
    체중 추정 모델 생성 장치.
  5. 제1항에 있어서,
    기계학습 알고리즘은,
    부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 인공 신경망(Artificial Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나인,
    체중 추정 모델 생성 장치.
  6. 다수의 대상체에 대한 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 수집하는 단계; 및
    상기 수집된 학습데이터를 기반으로 기계학습을 통하여, 스펙트럼 기반 체중 추정에 이용되는 체중 추정 모델을 생성하는 단계; 를 포함하는,
    체중 추정 모델 생성 방법.
  7. 제6항에 있어서,
    상기 체중 추정 모델을 생성하는 단계는,
    상기 피부 스펙트럼 정보를 입력으로 하고, 상기 체중 정보를 정답(target)으로 하여 기계학습을 통해 상기 체중 추정 모델을 생성하는,
    체중 추정 모델 생성 방법.
  8. 제6항에 있어서,
    상기 학습데이터는 상기 대상체의 나이 정보, 키 정보, 성별 정보 및 생체 임피던스 정보 중 적어도 하나를 더 포함하는,
    체중 추정 모델 생성 방법.
  9. 제8항에 있어서,
    상기 체중 추정 모델을 생성하는 단계는,
    상기 나이 정보, 상기 키 정보, 상기 성별 정보, 및 상기 생체 임피던스 정보 중 적어도 하나와 상기 피부 스펙트럼 정보를 입력으로 하고, 상기 체중 정보를 정답(target)으로 하여 기계학습을 통해 상기 체중 추정 모델을 생성하는,
    체중 추정 모델 생성 방법.
  10. 제6항에 있어서,
    기계학습 알고리즘은,
    부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 인공 신경망(Artificial Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나인,
    체중 추정 모델 생성 방법.
  11. 사용자의 피부 스펙트럼을 측정하는 스펙트럼 측정부; 및
    상기 측정된 피부 스펙트럼을 기반으로 체중 추정 모델을 이용하여 상기 사용자의 체중을 추정하는 체중 추정부; 를 포함하는,
    체중 추정 장치.
  12. 제11항에 있어서,
    상기 체중 추정 모델은,
    다수의 대상체의 피부 스펙트럼 정보 및 체중 정보를 포함하는 학습데이터를 기반으로 기계학습을 통해 생성되는,
    체중 추정 장치.
  13. 제12항에 있어서,
    상기 학습 데이터는,
    상기 다수의 대상체의 나이 정보, 키 정보, 성별 정보 및 생체 임피던스 정보 중 적어도 하나를 더 포함하는,
    체중 추정 장치.
  14. 제13항에 있어서,
    상기 체중 추정부는,
    상기 사용자의 나이 정보, 키 정보, 성별 정보 및 생체 임피던스 정보 중 적어도 하나를 더 기반으로 상기 사용자의 체중을 추정하는,
    체중 추정 장치.
  15. 제11항에 있어서,
    기계학습 알고리즘은,
    부분 최소 제곱 회귀(Partial Least Squares Regression), 선형 회귀(Linear Regression), 인공 신경망(Artificial Neural Network), 결정 트리(Decision Tree), 유전 알고리즘(Genetic Algorithm), 유전자 프로그래밍(Genetic Programming), K 근접 이웃(K-Nearest Neighbor), 방사 기저 함수 네트워크(Radial Basis Function Network), 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine), 및 딥러닝(deep-learning) 중 하나인,
    체중 추정 장치.
KR1020160018687A 2016-02-17 2016-02-17 체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법 KR20170096874A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160018687A KR20170096874A (ko) 2016-02-17 2016-02-17 체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법
US15/235,997 US20170236059A1 (en) 2016-02-17 2016-08-12 Apparatus and method for generating weight estimation model, and apparatus and method for estimating weight

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160018687A KR20170096874A (ko) 2016-02-17 2016-02-17 체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20170096874A true KR20170096874A (ko) 2017-08-25

Family

ID=59559697

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160018687A KR20170096874A (ko) 2016-02-17 2016-02-17 체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법

Country Status (2)

Country Link
US (1) US20170236059A1 (ko)
KR (1) KR20170096874A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101987620B1 (ko) * 2017-12-27 2019-06-12 주식회사 누베베 초기 체중 및 체중 감량을 이용한 최종 체중 감량 예측 방법 및 컴퓨터 판독 가능 저장 매체
KR102640995B1 (ko) 2022-10-27 2024-02-27 주식회사 유투메드텍 혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11087081B1 (en) * 2019-03-20 2021-08-10 Amazon Technologies, Inc. Synthetic document generator
CN112134634B (zh) * 2020-09-07 2022-07-12 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 基于随机森林算法的频谱感知方法、系统及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101987620B1 (ko) * 2017-12-27 2019-06-12 주식회사 누베베 초기 체중 및 체중 감량을 이용한 최종 체중 감량 예측 방법 및 컴퓨터 판독 가능 저장 매체
KR102640995B1 (ko) 2022-10-27 2024-02-27 주식회사 유투메드텍 혈당 데이터를 이용한 인공지능 기반의 체중 변화 예측 방법 및 장치

Also Published As

Publication number Publication date
US20170236059A1 (en) 2017-08-17

Similar Documents

Publication Publication Date Title
US10405806B2 (en) Apparatus for and method of measuring blood pressure
CN111012323B (zh) 用于估计血压的设备以及用于支持血压估计的设备
KR102588906B1 (ko) 생체 신호 품질 평가 장치 및 방법
KR20170096874A (ko) 체중 추정 모델 생성 장치 및 방법과, 체중 추정 장치 및 방법
CN108113683A (zh) 用于估计生物成分的装置和方法
US11197632B2 (en) Apparatus and method for estimating skin condition
KR102655736B1 (ko) 이종 스펙트럼 기반 혈당 추정 장치 및 방법
KR102638312B1 (ko) 3전극 센서를 이용한 생체 임피던스 측정 장치 및 방법
EP3598939A1 (en) Apparatus and method for measuring a biosignal
US11576584B2 (en) Apparatus and method for detecting bio-signal feature
US20190167208A1 (en) Bio-information processing apparatus and bio-information processing method
US20180035942A1 (en) Apparatus for providing skin-aging information and method thereof
KR102655670B1 (ko) 생체 신호 품질 평가 장치 및 방법과, 생체 신호 측정 파라미터 최적화 장치 및 방법
KR20190008059A (ko) 바이오 프로세서, 생체 신호 감지 시스템, 및 바이오 프로세서의 동작 방법
KR102539144B1 (ko) 개인화된 단위 스펙트럼 획득 장치 및 방법과, 생체 성분 추정 장치 및 방법
KR102640331B1 (ko) 생체정보 추정 장치 및 방법과, 생체정보 추정 지원 장치
Sharma et al. Activities tracking by smartphone and smartwatch biometric sensors using fuzzy set theory
KR20190014383A (ko) 스펙트럼 측정 장치 및 방법과, 스펙트럼 측정 장치의 캘리브레이션 방법
KR102655741B1 (ko) 생체정보 추정 장치 및 방법
KR102510174B1 (ko) 질병 예측 모델 생성 장치, 질병 예측 장치 및 방법
KR102658237B1 (ko) 분석 물질의 혈중 농도 추정 장치 및 방법과, 모델 생성 장치 및 방법
KR102605899B1 (ko) 생체 신호 측정 장치 및 방법
KR20220042303A (ko) 이진 다중스펙트럼 센서를 이용한 수화 평가
KR102580269B1 (ko) 생체 정보 추정 장치 및 방법
US20230389623A1 (en) Wearable device configured to evaluate a breast area of a user and provide a prediction associated with the breast area