KR20180038251A - 기계학습을 이용한 체성분 측정시스템 - Google Patents

Abstract

본 발명은 기계학습을 이용한 체성분 측정시스템에 관한 것으로서, 방사선을 이용한 MRI(Magnetic resonance imaging), DEXA(Dual-energy X-ray absorptiometry) 또는 FAT-CT(computed tomography)에 의하여 수집되는 다수의 제1체성분데이터가 저장되는 제1데이터저장부(10)와; BIA(Bioelectrical Impedance Analysis) 방식의 체성분 측정기에 의하여 수집되는 다수의 제2체성분데이터가 저장되는 제2데이터저장부(20)와; 상기 제1데이터저장부(10)에 저장된 다수의 제1체성분데이터들과, 상기 제2데이터저장부(20)에 저장된 다수의 제2체성분데이터 각각을 성별, 연령, 체중, 신장, 인종의 파라미터로 분류하는 파라미터분류부(30)와; 상기 파라미터 별로 분류된 제1체성분데이터와 제2체성분데이터를 상호 비교함에 있어 기계학습법을 이용하여 체성분측정모델 알고리즘을 생성하는 알고리즘생성부(40);를 포함하는 것을 특징으로 한다.

Description

기계학습을 이용한 체성분 측정시스템{Measuring system machine learning body composition}

본 발명은 기계학습을 이용한 체성분 측정시스템에 관한 것으로서, 더욱 상세하게는 방사선 촬영방식에 의하여 수집된 불특정인들의 정확한 체성분 데이터를 기반으로 하여, 임피던스 측정방식인 BIA 방식으로도 정확한 체성분을 측정할 수 있도록 할 수 있는 기계학습을 이용한 체성분 측정시스템을 제공하는 것을 목적으로 한다.

도 1은 방사선 촬영방식에 의하여 단층촬영된 이미지 결과물과, 8 점 BIA 방식 체성분 측정기에 의하여 출력된 결과물을 도시한 도면이다.

체성분이란 체지방률, 골격근량, 체수분량, 몸무게와 같은 정보를 일컫는 것으로서, 정확한 체성분을 측정하기 위하여 MRI(Magnetic resonance imaging), DEXA(Dual-energy X-ray absorptiometry) 혹은 FAT-CT(computed tomography)와 같은 방사선 촬영방식을 이용하며, 이러한 방사선 촬영방식에 의하여 도 1에 도시된 바와 같은 단층촬영된 이미지를 얻을 수 있다.

그러나 상기한 방사선 촬영방식을 수행하는 장비는 매우 고가 장비로서 측정시 오랜 시간이 소요되고, 방사선 노출로 인하여 반복적인 측정에 어려움이 있었다.

이러한 문제점에 의거하여, 저비용으로 구현될 수 있고, 짧은 측정시간 및 방사선 비노출 방식으로 체성분을 측정할 수 있는 BIA(Bioelectrical Impedance Analysis) 방식의 체성분 측정기가 개발되었다.

BIA 방식이란, 신체에 미세한 전류를 흘려 임피던스를 측정한 후 특정 BIA 수식에 대입하여 체성분값을 계산하는 방식으로, 임피던스를 측정하기 위하여 신체 중 양발이 닿는 부분에 센서를 통해 측정하는 4점 방식과, 양발과 양손이 닿는 부분에 센서를 통해 측정하는 8점 방식으로 대별된다. 이러한 BIA 방식의 체성분 측정기중 4점 방식은 주로 가정용으로 많이 사용되고 있고, 8 점 방식은 의료용이나 헬스클럽등 센터에서 주로 사용되고 있다. 이러한 BIA 방식의 체성분 측정기는 도시된 바와 같이 각종 체성분이 인쇄된 결과물을 출력하며, 이와 관련된 선행기술이 실용신안등록번호 20-0361688호에 올바른 측정자세를 유도하는 체성분분석장치란 명칭으로 개시되어 있다.

그러나 BIA 방식은, 기본적으로 신체를 튜브형태의 전도체로 전제하고, 고정된 특정 수식에 대입하여 체성분을 측정하는 것이기 때문에, 성별, 연령, 체중, 신장, 인종에 따라 체성분 측정값이 오차범위를 벗어날 정도로 다르고, 정확한 체성분 측정이 매우 어려웠다. 이에 따라 BIA 수식을 변형하여 적용하고 있으나, 이 역시 체성분 측정 오차를 줄이는데 한계가 있었다라는 문제점이 있었다.

특히 현재 BIA 방식의 체성분측정기는, 서양인의 통계를 기준으로 파라미터를 정했기 때문에 동양인에게 더더욱 맞지 않으며, 한국인과 같은 특정 인종으로 좁혀지는 경우 더 큰 한계를 나타낸다라는 문제점이 있었다.

또한 적용되는 BIA 수식의 경우 성별, 연령, 체중, 신장, 인종에 따라 차이점을 나타나기 때문에, 측정 대상자에 상관없이 사용가능한 범용적인 수식을 개발하기란 매우 어려우며, 이에 따라 체성분 측정기의 회사마다 적용되는 BIA 수식이 다르기 때문에 동일인의 체성분 측정값이 체성분 측정기의 제조사별로 다르고, 이는 큰 측정 오차의 원인이 되기도 하였다.

본 발명은 상기와 같은 문제점을 해결하기 위하여 창출된 것으로서, BIA 방식을 이용하더라도 성별, 연령, 체중, 신장, 인종등의 파라미터가 다르더라도 정확한 체성분을 측정할 수 있는 기계학습을 이용한 체성분 측정시스템을 제공하는 것을 목적으로 한다.

본 발명의 다른 목적은, 기계학습을 통하여 수집되는 체성분 데이터를 기반으로 추후 특정 파라미터 대상자의 체성분을 정확하게 추측 및 측정할 수 있는 기계학습을 이용한 체성분 측정시스템을 제공하는 것이다.

본 발명의 또 다른 목적은, 기존의 BIA 방식의 체성분 측정기에도 탑재할 수 있도록 소프트웨어 방식의 알고리즘을 생성할 수 있는 기계학습을 이용한 체성분 측정시스템을 제공하는 것이다.

상기와 같은 목적을 달성하기 위하여, 본 발명에 따른 기계학습을 이용한 체성분 측정시스템은, 방사선을 이용한 MRI(Magnetic resonance imaging), DEXA(Dual-energy X-ray absorptiometry) 또는 FAT-CT(computed tomography)에 의하여 수집되는 다수의 제1체성분데이터가 저장되는 제1데이터저장부(10); BIA(Bioelectrical Impedance Analysis) 방식의 체성분 측정기에 의하여 수집되는 다수의 제2체성분데이터가 저장되는 제2데이터저장부(20); 상기 제1데이터저장부(10)에 저장된 다수의 제1체성분데이터들과, 상기 제2데이터저장부(20)에 저장된 다수의 제2체성분데이터 각각을 성별, 연령, 체중, 신장, 인종의 파라미터로 분류하는 파라미터분류부(30); 및 상기 파라미터 별로 분류된 제1체성분데이터와 제2체성분데이터를 상호 비교함에 있어 기계학습법을 이용하여 체성분측정모델 알고리즘을 생성하는 알고리즘생성부(40);를 포함하는 것을 특징으로 한다.

본 발명에 있어서, 상기 기계학습법은, 선형회귀분석(linear regression model)이나, 랜덤포레스트(Random Forest)나, 딥러닝(Deep Learning) 방식중 적어도 하나 이상을 적용한다.

본 발명에 있어서, 상기 알고리즘은, 4 점 또는 8 점의 BIA 방식 체성분측정기에 탑재될수 있도록 소프트웨어 형태로 생성된다.

본 발명에 의하면, 방사선 촬영방식인 MRI, DEXA 또는 FAT-CT 에 의하여 수집된 불특정들의 정확한 체성분 데이터를 기반으로 하여, 기계학습을 이용하여 성별, 연령, 체중, 신장, 인종이 다르더라도 임피던스 측정방식인 BIA 방식으로도 임상에서 유효하게 사용가능한 체성분값을 정확히 측정할 수 있도록 하는 체성분 측정모델을 만들 수 있다.

또한 체성분 측정모델을 생성하기 위한 알고리즘을 소프트웨어적으로 구현할 수 있어, 기존 체성분 측정기에 업그레이드할 수 있고, 이에 따라 기존의 체성분 측정기를 그대로 사용할 수 있어 범용성을 구현할 수 있다. 특히 일반가정에서 주로 사용하는 4 점방식의 체성분 측정기에 본원발명을 적용할 수 있으므로, 가정에서도 본인의 정학한 체성분 정보의 측정 및 진단을 가능하게 할 수 있다.

그리고 기계학습을 통하여 완전히 새로운 형태의 체성분 측정 예측모델을 구축할 수 있고, 이에 따라 기존 체성분 계산방식의 오차를 보정할 수 있는 대안을 제시할 수 있다.

도 1은 FAT-CT 에 의하여 단층촬영된 이미지 결과물과, 8 점 BIA 방식 체성분 측정기게 의하여 출력된 결과물을 도시한 도면,
도 2는 본 발명에 따른 기계학습을 이용한 체성분 측정시스템의 구성을 블록도로 도시한 도면,
도 3은 도 2의 체성분 측정시스템에 있어서, 선형회귀분석(linear regression model)을 설명하기 위한 도면,
도 4는 도 2의 체성분 측정시스템에 있어서, 랜덤포레스트(Random Forest)를 설명하기 위한 도면,
도 5는 도 2의 체성분 측정시스템에 있어서, 딥러닝(Deep Learning)을 설명하기 위한 도면,
도 6은 도 2의 체성분 측정시스템에 있어서, 기계학습이 개요를 설명하기 위한 도면,
도 7은 도 2의 체성분 측정시스템에 있어서, 기계학습 구성도를 설명하기 위한 도면,

이하 본 발명에 따른 기계학습을 이용한 체성분 측정시스템을 첨부된 도면들을 참조하여 상세히 설명한다.

도 2는 본 발명에 따른 기계학습을 이용한 체성분 측정시스템의 구성을 블록도로 도시한 도면이다.

도시된 바와 같이, 본 발명에 따른 기계학습을 이용한 체성분 측정시스템은, 방사선을 이용한 MRI(Magnetic resonance imaging), DEXA(Dual-energy X-ray absorptiometry) 또는 FAT-CT(computed tomography)에 의하여 수집되는 다수의 제1체성분데이터가 저장되는 제1데이터저장부(10)와; BIA(Bioelectrical Impedance Analysis) 방식의 체성분 측정기에 의하여 수집되는 다수의 제2체성분데이터가 저장되는 제2데이터저장부(20)와; 제1데이터저장부(10)에 저장된 다수의 제1체성분데이터들과, 제2데이터저장부(20)에 저장된 다수의 제2체성분데이터들 각각을 성별, 연령, 체중, 신장, 인종의 파라미터로 분류하는 파라미터분류부(30)와; 상기 파라미터 별로 분류된 제1체성분데이터와 제2체성분데이터를 상호 비교함에 있어 기계학습법을 이용하여 체성분측정모델 알고리즘을 생성하는 알고리즘생성부(40);를 포함하는 것을 특징으로 한다.

제1데이터저장부(10)는, 기존의 병원이나 센터에서 MRI 촬영, DEXA 혹은 FAT-CT 등의 방사선 촬영을 수행한 불특정 다수로부터 측정된 다수의 제1체성분데이터를 저장한다. 상기한 제1체성분데이터는 방사선을 이용하여 촬영함으로서 촬영대상자의 체성분값을 가장 정확하게 나타내며, 이러한 제1체성분데이터는 임상실험이든, 환자가 특정 치료 목적으로 수행하는 과정에서 얻어진 값이 된다.

제2데이터저장부(20)는, 가정은 물론 병원이나 센터에서 사용되는 BIA 체성분 측정기에 의하여 측정된 불특정 다수로부터 얻어진 제2체성분데이터를 저장한다. 이러한 제2체성분데이터는 불특정인이 자신의 체성분을 측정하는 과정에서 얻어진 값이 되며, 상술한 제1체성분데이터에 비하여 정확도가 떨어진다.

파라미터분류부(30)는, 제1데이터저장부(10)에 저장된 정확한 제1체성분데이터를 성별, 연령, 체중, 신장, 인종의 파라미터 별로 분류하고, 제2데이터저장부(20)에 저장된 부정확한 제2체성분데이터를 성별, 연령, 체중, 신장, 인종의 파라미터를 분류한다.

알고리즘생성부(40)는, 파라미터분류부(30)에서 파라미터 별로 분류된 제1체성분데이터와 제2체성분데이터를 상호 비교함에 있어, 선형회귀분석(linear regression model)이나, 랜덤포레스트(Random Forest)나, 딥러닝(Deep Learning) 방식을 단독 혹은 조합하여 적용함으로써 체성분측정모델 알고리즘을 생성한다. 이렇게 생성된 알고리즘은 소프트웨어적으로 변환되어 4 점 방식 또는 8 점 방식의 BIA 체성분 측정기에 탑재된다.

참고적으로 BIA 방식 체성분측정기는, 신체에 미세한 전류를 흘려 임피던스(저항)를 측정한 후 특정 수식에 대입하여 체성분값을 계산하는 것으로서, 신체 중 양발이 닿는 부분에 센서를 통해 측정하는 4점 방식과, 양발과 양손이 닿는 부분에 센서를 통해 측정하는 8점방식의 2가지 종류가 가장 보편적으로 활용되고 있다.

그런데 BIA 방식 체성분측정기는, 측정 오차가 큰 편이기 때문에, BIA 수식을 변형하여 적용하고 있으나 이 역시 특정 성별이나 연령등 일부분에서만 적용되기 때문에 예를 들면 인종, 신장, 나이등의 보편적 적용에는 많은 한계점을 나타내고 있다. 그 이유는 전술한 바와 같이 신체는 튜브형태의 전도체로 전제하고 특정 수식에 대입하여 체성분을 측정하는 것이기 때문에, 성별, 연령, 체중, 신장, 인종에 따라 측정되는 체성분이 다르기 때문이다.

상기 체성분측정모델 알고리즘은, 정확한 체성분값을 가지는 다수의 제1체성분데이터를 기반으로 하여, 부정확한 체성분값을 가지는 다수의 제2체성분데이터를 제1체성분데이터와 근접시키기 위한 파라미터를 설계할 수 있게 하는 것이고, 이 과정에서 생성된 알고리즘은 소프트웨어적으로 변환되어 상기 BIA 방식 체성분측정기에 탑재되어 결과를 도출하거나, 서버에서 동작되며 상기 BIA 방식 체성분측정기의 정보를 앱에서 취합하여 서버와 연계하여 결과를 도출한다.

도 3은 도 2의 체성분 측정시스템에 있어서, 선형회귀분석(linear regression model)을 설명하기 위한 도면이고, 도 4는 도 2의 체성분 측정시스템에 있어서, 랜덤포레스트(Random Forest)를 설명하기 위한 도면이며, 도 5는 도 2의 체성분 측정시스템에 있어서, 딥러닝(Deep Learning)을 설명하기 위한 도면이다.

본원발명의 체성분 측정시스템에 있어서, 체분분측정모델 알고리즘을 구현하기 위한 기계학습법은 선형회귀분석(linear regression model)이나, 랜덤포레스트(Random Forest)나, 딥러닝(Deep Learning) 방식을 단독 또는 하나 이상을 조합하여 적용한다.

선형회귀분석은, 도 3에 도시된 바와 같이, 선형성이라는 기본 가정이 충족된 상태에서 독립변수와 종속변수의 관계를 설명하거나 예측하는 통계방법으로, 독립변수가 하나인 경우를 단순회귀분석, 여러 개인 경우를 다중회귀분석이라고 한다. 즉 회귀분석에서 독립변수에 따라 종속변수의 값이 일정한 패턴으로 변해 가는데, 이러한 변수간의 관계를 나타내는 회귀선이 직선에 가깝게 나타나는 경우를 선형회귀분석이라고 하는 것이다.

랜덤포레스트는, 도 4에 도시된 바와 같이, 기계 학습에서 분류, 회귀 분석 등에 사용되는 앙상블 학습 방법의 일종으로, 훈련 과정에서 구성한 다수의 결정 트리로부터 부류(분류) 또는 평균 예측치(회귀 분석)를 출력함으로써 동작한다. 즉 랜덤 포레스트는 여러 개의 결정 트리들을 임의적으로 학습하는 방식의 앙상블 방법으로서, 크게 다수의 결정 트리를 구성하는 학습 단계와 입력 벡터가 들어왔을 때, 분류하거나 예측하는 테스트 단계로 구성되며, 검출, 분류, 그리고 회귀 등 다양한 어플리케이션으로 활용되고 있다. 또한 랜덤 포레스트는 다수의 결정트리로 의사결정을 하기 때문에 과적합을 방지하는데 효과적이다.

딥러닝은, 도 5에 도시된 바와 같이. 컴퓨터가 여러 데이터를 이용해 마치 사람처럼 스스로 학습할 수 있게 하기 위해 인공 신경망(ANN: artificial neural network)을 기반으로 한다. 이러한 딥러닝은 인간의 두뇌가 수많은 데이터 속에서 패턴을 발견한 뒤 사물을 구분하는 정보처리 방식을 모방해 컴퓨터가 사물을 분별하도록 기계를 학습시킨다. 딥러닝 기술을 적용하면 사람이 모든 판단 기준을 정해주지 않아도 컴퓨터가 스스로 인지ㅇ추론ㅇ판단할 수 있게 된다.

상기한 기계학습에 의하여 생성된 알고리즘은 기존의 4 점 방식 또는 8 점 방식의 BIA 방식 체성분측정기에 탑재될수 있도록 소프트웨어 형태로 생성되며, 이에 따라 새로운 BIA 방식의 체성분 측정기에 탑재되어 유통됨은 물론, 기존에 판매된 BIA 방식의 체성분 측정기에도 업그레이드되어 유통될 수 있다.

이와 같이, 현재의 BIA 방식에 체성분측정기에 적용되는 변환 수식은 개발자나 연구자가 직접 설계한 수식(handcrafted equation)을 기반으로 하고 있으며 수많은 파라미터를 포함하고 있기 때문에 많은 수식 및 파라미터들을 직접 정교하게 설계하는 과정에서 많은 노력과 시간이 소모되고, 또한 분석하고자 하는 파리미터 종류에 따라 변환 수식이 다를 수 있는데도 불구하고 미리 정해진 고정된 수식만을 이용하기 때문에 다양한 데이터에 유연하게 대처할 수 없고 최적의 결과를 얻기가 어려웠다.

그러나 본 발명은, 개발자나 연구자가 설계한 변환수식이 아니라, MRI, DEXA 또는 FAT-CT 방식에 의하여 수집되는 수많은 제1체성분데이터를 기반으로 하고 기계학습을 통하여 의미있는 패턴을 가지는 정교한 체성분측정모델을 구축할 수 있고, 성별, 연령, 체중, 신장, 인종등과 같은 다양한 파라미터에 대응해 유연하고 최적의 결과를 얻을 수 있는 것이다. 좀더 상세히 설명하면, 기계학습을 통하여 많은 데이터를 모으고 이를 분석하여 의미있는 패턴을 찾아내고, 수집된 데이터에 내제된 패턴을 읽어냄으로써 체성분 측정은 물론 혹시 모르는 병을 대신 진단하거나 분석을 대신해줄 수 있는 것이다. 이는 딥러닝의 발달로 기존에 패턴을 찾기 어려웠던 문제들을 분석하는 것이 가능해졌고, 또한 데이터 수집에 소요되는 비용이 감소해졌기에 가능한 것이다.

또한 본원 발명은, MRI, FAT CT 또는 DEXA 를 사용하여 사용자의 체지방률 및 체수분률을 정확히 얻어내고, 이후 테스트 환경에서는 사용자의 체지방률 및 체수분률이 알려지지 않은 임의의 사용자에 대하여 최소한의 오차를 보이는 시스템을 만들 수 있다. 이 시스템은 인공 신경망 기반의 회귀문제로 모델링 가능하며, 다수의 hidden layer 을 포함하는 깊은 신경망 모델(hidden layer model)로 정교한 예측 모델을 구축할 수 있다.

상기 신경망 모델은 back propagation(역전파) 기법 및 stochastic gradient descent(SGD) 기법을 이용하여 효율적으로 학습이 가능하며, 학습시간은 수십분, 테스트는 실시간으로 가능하다. 여기서 back propagation 은 깊은 신경망을 학습하는데 사용하는 기법으로 학습 에러가 출력으로부터 내부 노드로 역으로 전파되며 신경망의 변경 가능한 파라미터에 대해 에러의 기울기를 계산하는데 사용된다. 그리고 stochastic gradient descent 기법은 신경망의 파라미터에 대한 에러를 계산하여 에러가 최소화되는 방향으로 예측 모델을 점점 업데이트하는 방법이다.

도 6은 도 2의 체성분 측정시스템에 있어서, 기계학습이 개요를 설명하기 위한 도면이고, 도 7은 도 2의 체성분 측정시스템에 있어서, 기계학습 구성도를 설명하기 위한 도면이다.

도시된 바와 같이, 본 발명에 있어 BIA 수식 학습용 딥러닝 알고리즘은, 두뇌의 뉴런의 동작에서 착안하여 만들어진 기계 학습 모델로서, 신경망은 다수의 노드로 이루어진 레이어로 구성되어 있으며, 하나의 레이어의 노드들은 인접한 레이어의 노드들과 완전 연결(fully connected) 되어 있고, 각 노드는 입력 또는 다른 레이어의 노드로부터 입력값과 각 연결선의 파라미터를 특정한 함수를 통하여 변환하여 출력 값으로 도출한다. 이렇게 얻어진 노드의 출력은 다른 노드의 입력 값 또는 신경망 모델의 결과로 사용된다. 여기서, 노드는 컴퓨터가 된다.

신경망을 학습시키기 위해서는 각 연결선의 파라미터를 변화시켜 신경망 모델 결과의 에러를 최소화하는 방법을 사용한다. forward propagation 을 통해 얻어진 출력 값과 실제 값과의 차이를 에러로 정의하고 이 에러를 back propagation 하여 오차를 수정하는 방식으로 모델을 최적화한다. 이때 히든 레이어의 개수, activation 함수, 각 히든 레이어의 개수를 여러 가지 방법으로 조합하여 에러를 최소화하여 최적의 성능을 내는 신경망 모델을 개발할 수 있으며, 1차 알고리즘 검증에서 사용한 모델이 도 8에 도시되어 있다.

두 개의 히든 레이어를 사용하였고 각각의 히든 레이어의 노드는 입력 데이터로 키, 몸무게, 나이등의 입력을 사용하게 된다. 학습 가능한 파라미터 숫자는 44개이며, activation 함수로는 rectified linear unit 을 사용하였고 출력 노드에는 activation 함수를 사용하지 않았다.

상기 파라미터를 업데이트하기 위해서 stochastic gradient descent 방식을 차용하였으며 차후 성능을 개선하기 위하여 adam, RMSprop 방식을 도입하여 비교한다.

<알고리즘의 검증>

(1) 1차 알고리즘을 검증하기 위하여, 먼저 BIA 변환 수식 대신 BIA 의 가공되지 않은 측정자료(raw data)를 사용하여 I사의 체성분 측정기에서 예측하는 모델을 학습하여 봄으로써 기계 학습을 통하여 의미있는 예측 모델을 얻어낼 수 있는지 테스트를 수행한다. 즉 기존의 4점 측정에서 얻을 수 있는 측정자료로 I사의 체성분 측정기의 측정값을 예측하는 모델을 딥러닝을 통해 학습하는 실험을 50개의 데이터를 가지고 수행하는 것이다. 그리고 트레이닝 데이터와 테스트 데이터를 분리하고, 10-fold cross validation 방법으로 실험을 진행하여 평균 오차율 분석한다.

(2) 2차 알고리즘을 검증하기 위하여, 먼저 FAT-CT 결과자료와, 측정/수집된 데이터를 알고리즘에 넣고 비교 검증을 수행한다. 즉 기존의 8점 측정에서 얻을 수 있는 측정자료로 I 사의 체성분 측정기의 측정값을 예측하는 모델을 딥러닝을 통해 학습하는 실험을 100개의 데이터를 가지고 수행하는 것이다. 그리고 트레이닝 데이터와 테스트 데이터를 분리, 10-fold cross validation 방법으로 실험을 진행하여 평균 오차율 분석한다.

<한국인 체성분 예측 모델 개발>

한국인의 체성분 예측모델을 개발하기 위하여, 먼저 한국인의 성별, 체중, 키, 나이 정보 분포에 따른 체성분 예측 모델 확보하여야 한다. 이를 위하여, 먼저 알고리즘이 적용된 서버를 구축한다. 이때 서버는 해당 알고리즘 및 예측 모델을 적용시킨 후 외부와 연결하여, 접근이 허가된 프로그램으로부터 측정값들을 받아들이고 이를 분석한 후 결과를 다신 송출한다. 이때 추후서비스 혹은 다른 제품에 알고리즘을 적용시키기 위해서 서버를 별도로 구축하는 것이 아니라, 이 서버로 해당 서비스를 연결하는 것만으로도 활용이 가능하며 모든 측정 데이터는 본 서버로 수집되기에 경쟁력이 계속 증대되는 장점이 있다.

<측정 프로그램 개발 및 연동>

서버로 데이터를 송출하고 측정기기와 통신을 하기위한 스마트폰용 프로그램을 1개 개발하여 이를 서버와 연동하여 테스트 및 추후 사업화를 위한 기초로 활용한다. 이때 측정 결과에 대한 보안책 마련하기 위하여, 서버내 저장되고 송출되는 자료들을 128bit로 암호화하고, 책임 담당자 이외에는 해당 서버 데이터 내의 접근을 제한하여, 데이터 자체와 서버에 대한 보안시스템을 구축한다.

<실험예>

본 출원인은, 본 과제를 수행하기 위하여 BIA 변환수식 대신 BIA의 가공되지 않은 측정자료(raw data)를 사용하여 I사의 체성분 측정기의 측정갑을 예측하는 모델을 학습하여 봄으로써, 기계학습을 통하여 의미있는 예측 모델을 얻어낼 수 있는지 테스트를 수행하였다.

이를 위하여, 먼저 기존의 4점 측정에서 얻을 수 있는 측정자료로 I사의 체성분 측정값을 예측(regression)하는 모델을 딥러닝을 통해 학습하는 실험을 50개의 데이터를 가지고 수행하였다. 이때 45개의 데이터를 트레이닝에 쓰고 5개를 테스트에 쓰는 방법으로 10-fold cross validation 실험을 하였고 평균적으로 체지방량에서 5.82%의 오차율을 보여 기존의 7%대의 오차율을 약 1.18%정도 줄였다.

이는 기존의 4점 측정으로도 어느 정도 정확한 예측 모델을 얻을 수 있다는 좋은 지표가 될 수 있으며, 보다 정교한 기계 학습과 충분한 모수확보를 통해 정교한 예측이 가능할 것이라고 추정할 수 있다. 따라서 본 실험에서는 DEXA 데이터 표본을 충분히 모집하여 한국인의 체성분 분석 모델을 딥러닝으로 학습하고 이에 따라 한국인의 정확한 체성분 분석 예측 모델을 구축할 수 있다.

이와 같이, 본원발명은 방사선 촬영방식인 MRI, DEXA 또는 FAT-CT 에 의하여 수집된 불특정들의 정확한 체성분 데이터를 기반으로 하여, 기계학습을 이용하여 성별, 연령, 체중, 신장, 인종이 다르더라도 임피던스 측정방식인 BIA 방식으로도 임상에서 유효하게 사용가능한 체성분값을 정확히 측정할 수 있도록 하는 체성분 측정모델을 만들 수 있다.

또한 체성분 측정모델을 생성하기 위한 알고리즘을 소프트웨어적으로 구현할 수 있어, 기존 체성분 측정기에 업그레이드할 수 있고, 이에 따라 기존의 체성분 측정기를 그대로 사용할 수 있어 범용성을 구현할 수 있다. 특히 일반가정에서 주로 사용하는 4 점방식의 체성분 측정기에 본원발명을 적용할 수 있으므로, 가정에서도 본인의 정학한 체성분 정보의 측정 및 진단을 가능하게 할 수 있다.

그리고 기계학습을 통하여 완전히 새로운 형태의 체성분 측정 예측모델을 구축할 수 있고, 이에 따라 기존 체성분 계산방식의 오차를 보정할 수 있는 대안을 제시할 수 있다.

본 발명은 도면에 도시된 일 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.

10 ... 제1데이터저장부 20 ... 제2데이터저장부
30 ... 파라미터분류부 40 ... 알고리즘생성부

Claims (3)

1. 방사선을 이용한 MRI(Magnetic resonance imaging), DEXA(Dual-energy X-ray absorptiometry) 또는 FAT-CT(computed tomography)에 의하여 수집되는 다수의 제1체성분데이터가 저장되는 제1데이터저장부(10);
   BIA(Bioelectrical Impedance Analysis) 방식의 체성분 측정기에 의하여 수집되는 다수의 제2체성분데이터가 저장되는 제2데이터저장부(20);
   상기 제1데이터저장부(10)에 저장된 다수의 제1체성분데이터들과, 상기 제2데이터저장부(20)에 저장된 다수의 제2체성분데이터 각각을 성별, 연령, 체중, 신장, 인종의 파라미터로 분류하는 파라미터분류부(30); 및
   상기 파라미터 별로 분류된 제1체성분데이터와 제2체성분데이터를 상호 비교함에 있어 기계학습법을 이용하여 체성분측정모델 알고리즘을 생성하는 알고리즘생성부(40);를 포함하는 것을 특징으로 하는 기계학습을 이용한 체성분 측정시스템.
2. 제1항에 있어서, 상기 기계학습법은,
   선형회귀분석(linear regression model)이나, 랜덤포레스트(Random Forest)나, 딥러닝(Deep Learning) 방식중 적어도 하나 이상을 적용한 것을 특징으로 하는 기계학습을 이용한 체성분 측정시스템.
3. 제1항에 있어서, 상기 알고리즘은,
   4 점 또는 8 점 BIA 방식의 체성분측정기에 탑재될수 있도록 소프트웨어 형태로 생성되는 것을 특징으로 하는 기계학습을 이용한 체성분 측정시스템.

Images