KR20190063954A - 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 - Google Patents
인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 Download PDFInfo
- Publication number
- KR20190063954A KR20190063954A KR1020170163150A KR20170163150A KR20190063954A KR 20190063954 A KR20190063954 A KR 20190063954A KR 1020170163150 A KR1020170163150 A KR 1020170163150A KR 20170163150 A KR20170163150 A KR 20170163150A KR 20190063954 A KR20190063954 A KR 20190063954A
- Authority
- KR
- South Korea
- Prior art keywords
- disease
- food
- blood
- information
- change
- Prior art date
Links
- 230000008859 change Effects 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 235000021062 nutrient metabolism Nutrition 0.000 title claims description 14
- 239000008280 blood Substances 0.000 claims abstract description 186
- 210000004369 blood Anatomy 0.000 claims abstract description 186
- 239000000203 mixture Substances 0.000 claims abstract description 117
- 201000010099 disease Diseases 0.000 claims abstract description 113
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 113
- 235000013305 food Nutrition 0.000 claims abstract description 78
- 235000015097 nutrients Nutrition 0.000 claims abstract description 74
- 239000000306 component Substances 0.000 claims abstract description 42
- 235000012041 food component Nutrition 0.000 claims abstract description 18
- 235000012631 food intake Nutrition 0.000 claims abstract description 11
- 235000012054 meals Nutrition 0.000 claims abstract description 11
- 239000005428 food component Substances 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims abstract description 3
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 65
- 239000008103 glucose Substances 0.000 claims description 65
- 235000016709 nutrition Nutrition 0.000 claims description 36
- 235000005911 diet Nutrition 0.000 claims description 24
- 230000035764 nutrition Effects 0.000 claims description 24
- 230000037213 diet Effects 0.000 claims description 17
- 238000003745 diagnosis Methods 0.000 claims description 15
- 230000037406 food intake Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 10
- 229940124597 therapeutic agent Drugs 0.000 claims description 10
- 230000000378 dietary effect Effects 0.000 claims description 7
- 239000004615 ingredient Substances 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 4
- 235000021049 nutrient content Nutrition 0.000 claims description 4
- 239000005417 food ingredient Substances 0.000 claims description 3
- 239000012503 blood component Substances 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000004060 metabolic process Effects 0.000 claims 1
- 150000001413 amino acids Chemical class 0.000 abstract description 16
- 238000004138 cluster model Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 12
- 230000036541 health Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 206010022489 Insulin Resistance Diseases 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 208000017667 Chronic Disease Diseases 0.000 description 4
- 239000003472 antidiabetic agent Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 229940126904 hypoglycaemic agent Drugs 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000011017 operating method Methods 0.000 description 3
- 150000001720 carbohydrates Chemical class 0.000 description 2
- HVYWMOMLDIMFJA-DPAQBDIFSA-N cholesterol Chemical compound C1C=C2C[C@@H](O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2 HVYWMOMLDIMFJA-DPAQBDIFSA-N 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 235000015219 food category Nutrition 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000000291 postprandial effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 235000021067 refined food Nutrition 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 235000012000 cholesterol Nutrition 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Business, Economics & Management (AREA)
- Veterinary Medicine (AREA)
- Emergency Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Optics & Photonics (AREA)
- Tourism & Hospitality (AREA)
- Heart & Thoracic Surgery (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nutrition Science (AREA)
- Child & Adolescent Psychology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
일실시예는 클라우드 서버가 개인 식단을 설정 다수 가지로 제공하여, 음식 섭취 시간부터 설정 시간 후의 혈당 정보를 입력받는 제1 단계, 상기 입력된 혈당 정보에 따라서, 상기 설정 다수 가지 식단 내 식품 영양 성분별 혈당변화수치 중요도를 추출하는 제2 단계, 상기 추출된 혈당변화수치 중요도에 따라, 다수의 상이한 식품 성분별 중요도마다 그룹을 군집화한 다수의 군집 모델 중에서, 상기 추출된 혈당변화수치 중요도에 대응하는 군집 모델을 분류하여, 설정하는 제3 단계 및, 상기 설정된 군집 모델을 기반으로, 상기 개인의 음식 섭취시에, 상기 섭취시의 음식 내 식품 영양 성분에 대응하여 혈당변화 수치를 예측하는 제4 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 변화 예측 방법에 관한 것으로, 식사 후에 식품에 따른 영양소 변화량을 학습시켜서, 개인별로 당 또는 아미노산 등 영양 성분별로 예를 들어, 혈당 등 혈액조성 변화량을 검출하여, 유관된 질병을 진단한다.
Description
본 명세서에 개시된 내용은 건강관리할 새로운 개인의 식단 마련시에, 영양소 변화를 예측하는 방법에 관한 것이다.
본 명세서에서 달리 표시되지 않는 한, 이 섹션에 설명되는 내용들은 이 출원의 청구항들에 대한 종래 기술이 아니며, 이 섹션에 포함된다고 하여 종래 기술이라고 인정되는 것은 아니다.
종래 개인이 건강관리할 경우에, 식단에 따라 영양소 변화를 시스템 상으로 예측하는 기술은 많지 않은 편이다. 그리고, 이에 더하여, 개인이 음식 섭취시에, 간단하고 쉽게 영양소 변화를 예측하여, 건강관리하고 질병관리하는 기술은 잘 알려져 있지 않은 실정이다. 더욱이, 이러한 기술을 클라우드 빅데이터에 적용한 바도 그러한 실정이다.
(특허문헌 1) KR1020170111019 A
그래서, 이러한 바 등에 따라, 음식 내의 식품 영양 성분과 연관 합병증을 기계학습에 의해 분석하여, 연구뿐만 아니라 이 결과를 환자 만성질환치료를 위한 가장 적합한 자료 표출까지 유도할 기술을 개발한다. 그리고, 의학연구 및 환자 만성질환 치료를 위한 최적의 가이드라인을 제공하는 기계학습 프로토콜 설정을 개발한다.
이를 통해, 개인이 손쉽게 질병관리하고, 만성질환 치료하며, 아울러 가장 최적의 건강관리를 할 수 있도록 하고자 한다.
그에 더해서, 주목할 만한 점으로, 건강관리할 또는 질병이 있는 새로운 개인에게 식단을 제공할 경우에, 혈액조성 수치를 시스템 상으로 예측하는 기술을 개발하도록 한다.
개시된 내용은, 개인의 건강관리시에, 이러한 새로운 개인에게 식단을 제공하여, 시스템 상으로 혈액조성 수치를 시스템 상으로 예측할 수 있도록 하는 인공지능 클라우드 영양소 변화 예측 방법을 제공하고자 한다.
부가적으로, 개인이 손쉽게 질병관리할 수 있도록 하고, 만성질환 치료할 수 있도록 하며, 아울러 가장 최적의 건강관리를 할 수 있도록 하는 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법을 제공하고자 한다.
실시예에 따른 인공지능 클라우드 영양소 변화 예측 방법은,
클라우드 서버가 개인 식단을 설정 다수 가지로 제공하여, 음식 섭취 시간부터 설정 시간 후의 혈당 정보를 입력받는다. 다음, 상기 입력된 혈당 정보에 따라서, 상기 설정 다수 가지 식단 내 식품 영양 성분별 혈당변화수치 중요도를 추출한다. 그런 다음, 상기 추출된 혈당변화수치 중요도에 따라, 다수의 상이한 식품 성분별 중요도마다 그룹을 군집화한 다수의 군집 모델 중에서, 상기 추출된 혈당변화수치 중요도에 대응하는 군집 모델을 분류하여, 설정한다. 그래서, 상기 설정된 군집 모델을 기반으로, 상기 개인의 음식 섭취시에, 상기 섭취시의 음식 내 식품 영양 성분에 대응하여 혈당변화 수치를 예측하는 것을 특징으로 한다.
실시예들에 의하면, 개인에게 제공하는 다수 식단 내 식품 영양 성분에 따른 혈액조성 변화를 학습시켜서, 식품 영양 성분마다의 군집별 혈액조성 변화 평균치를 산출하여, 새로운 개인의 식단 제공시에, 혈액조성 수치를 예측한다.
그리고, 식사 후에 식품에 따른 영양소 변화량을 학습시켜서, 개인별로 당 또는 아미노산 등 영양 성분별로 예를 들어, 혈당 등 혈액조성 변화량을 검출하여, 유관된 질병을 진단한다.
또한, 개인별 영양소 대사량을 측정하여 차후에는 별도의 혈액측정 등이 없이도 음식 섭취시에 영양소 변화를 예측한다.
도 1은 일실시예에 따른 인공지능 클라우드 영양소 변화 예측 방법을 적용한 시스템 구성을 도시한 도면
도 2는 일실시예에 따른 인공지능 클라우드 영양소 대사량 측정 방법의 동작을 순서대로 도시한 도면
도 3은 일실시예에 따른 인공지능 클라우드 영양소 대사량 측정 방법을 사용하는 질병관리 방법을 순서대로 도시한 도면
도 4는 일실시예에 따른 질병 진단 동작을 설명하기 위한 도면
도 5는 일실시예에 따른 질병 진단시의 치료제 추천 동작을 설명하기 위한 도면
도 6은 일실시예에 따른 질병 예측 모델 생성 동작을 설명하기 위한 도면
도 7은 일실시예에 따른 질병 예측 동작을 설명하기 위한 도면
도 8a 내지 도 8f는 일실시예에 따른 인공지능 클라우드 영양소 변화 예측 방법을 보다 상세히 설명하기 위한 도면
도 2는 일실시예에 따른 인공지능 클라우드 영양소 대사량 측정 방법의 동작을 순서대로 도시한 도면
도 3은 일실시예에 따른 인공지능 클라우드 영양소 대사량 측정 방법을 사용하는 질병관리 방법을 순서대로 도시한 도면
도 4는 일실시예에 따른 질병 진단 동작을 설명하기 위한 도면
도 5는 일실시예에 따른 질병 진단시의 치료제 추천 동작을 설명하기 위한 도면
도 6은 일실시예에 따른 질병 예측 모델 생성 동작을 설명하기 위한 도면
도 7은 일실시예에 따른 질병 예측 동작을 설명하기 위한 도면
도 8a 내지 도 8f는 일실시예에 따른 인공지능 클라우드 영양소 변화 예측 방법을 보다 상세히 설명하기 위한 도면
도 1은 일실시예에 따른 인공지능 클라우드 영양소 변화 예측 방법을 적용한 시스템 구성을 도시한 도면이다.
도 1에 도시된 바와 같이, 일실시예의 시스템은 단말기(101)와 개인식단 다수가지 제공하고, 식품영양성분별 중요도마다 그룹 군집화하여 군집별 혈액조성변화평균치 산출해서 새 개인의 혈액조성수치 예측하는 클라우드 서버(102) 구조다.
추가적으로, 상기 클라우드 서버(102)의 혈액조성 수치 예측시에 예를 들어, 혈당 등 개인의 식후 혈액조성 변화 정보를 전달하는 혈당 측정기(미도시)를 포함한 구조다.
또는, 상기 클라우드 서버(102)의 혈액조성 수치 예측시에, 고속액체크로마토그래프 아미노산 정보를 전달하는 정보처리장치(미도시)를 포함한 것이다.
이러한 경우에, 일실시예는 당과 아미노산 분석을 일괄적으로 안해도 되며, 당만 추적하고 싶은 경우 당만, 아미노산만 추적하고 싶은 경우에, 아미노산만 추적해도 된다.
그리고, 상기 클라우드 서버(102)로부터 상기 제공시의 예를 들어, 영양성분별 유관된 질병 등의 질병관리 정보를 제공받는 신규 이용자 등의 단말기(103)를 포함한 구조다.
상기 단말기(101)는 상기 클라우드 서버(102)에 의한 새로운 개인의 식단 제공에 따른 혈액조성 수치 예측시에, 상기 예측된 혈액조성 수치를 상기 새로운 개인에게 제공하는 것이다.
상기 클라우드 서버(102)는 보다 상세하게, 이러한 클라우드 서버(102)는 개인 식단을 설정 다수 가지로 제공하여, 음식 섭취 시간부터 설정 시간 후의 혈당 정보를 입력받는다. 다음, 상기 클라우드 서버(102)는 상기 입력된 혈당 정보에 따라서, 상기 설정 다수 가지 식단 내 식품 영양 성분별 혈당변화수치 중요도를 추출한다. 그런 다음, 상기 클라우드 서버(102)는 상기 추출된 혈당변화수치 중요도에 따라, 다수의 상이한 식품 성분별 중요도마다 그룹을 군집화한 다수의 군집 모델 중에서, 상기 추출된 혈당변화수치 중요도에 대응하는 군집 모델을 분류하여, 설정한다. 그래서, 상기 클라우드 서버(102)는 상기 설정된 군집 모델을 기반으로, 상기 개인의 음식 섭취시에, 상기 섭취시의 음식 내 식품 영양 성분에 대응하여 혈당변화 수치를 예측한다. 이를 통해, 음식 섭취시에, 섭취할 음식의 식품 영양 성분 정보에 의해서, 혈당변화 수치를 시스템 상으로 예측한다. 추가적으로, 상기 클라우드 서버(102)는 상기 입력된 혈당 정보에 따라서, 상기 설정 다수 가지 식단 내 식품 영양 성분별 혈당 민감도를 혈당변화수치 중요도로 추출한다. 또한, 군집 모델 설정시에, 보다 구체적으로는 상기 클라우드 서버(102)가 상기 추출된 혈당변화수치 중요도에 따라, 상기 식품 성분별의 설정 값 이상 중요도 정보만 추출하여, 데이터 셋을 생성한다. 다음, 상기 클라우드 서버(102)는 상기 생성된 데이터 셋에 의해서, 다수의 상이한 식품 성분별 중요도마다 그룹을 군집화한 다수의 군집 모델 중, 상기 추출된 혈당변화수치 중요도에 대응하는 군집 모델을 분류한다. 그런 다음, 상기 클라우드 서버(102)는 상기 분류된 군집 모델의 식품 영양 성분에 대응하는 혈액조성 변화 평균치를 산출하여, 설정한다. 부가적으로, 일실시예에 따른 군집 모델 분류 설정한 다음에, 새로운 개인의 식단 섭취시에도 혈당 수치를 예측할 수 있도록 한다. 이를 위해, 상기 클라우드 서버(102)는 건강 관리할 새로운 개인에게 식단을 제공하여, 혈당변화를 입력받는다. 다음, 상기 클라우드 서버(102)는 상기 입력된 혈당변화에 따라서, 상기 군집화된 모델에서 군집화시킨다. 그런 다음, 상기 클라우드 서버(102)는 상기 군집화된 군집 모델을 기반으로, 상기 개인의 새로운 식단 섭취시에, 상기 식단 섭취시의 식품 영양 성분에 대응하여 혈당 수치를 예측한다. 그래서, 새로운 개인의 식단 제공시에, 혈액조성 수치를 예측한다. 이러한 경우에, 일실시예에 따른 식품 영양 성분은 탄수화물, 당류, 나트륨, 지방, 콜레스테롤, 단백질, 수분을 포함하여 이루어진다.
한편, 도 1은 일실시예에 따른 인공지능 클라우드 영양소 대사량 측정 방법을 적용한 시스템 구성도 도시한 도면이다.
도 1에 도시된 바와 같이, 일실시예의 시스템은 개인의 섭취할 음식 내 식품 영양 성분 정보 전달 단말기(101)와 상기 영양 성분에 의한 개인별 영양성분마다의 혈액조성 변화량과 유관된 질병 및 치료제 제공하는 클라우드 서버(102) 구조다.
추가적으로, 상기 클라우드 서버(102)의 혈액조성 변화량 제공시에 예를 들어, 혈당 등 개인의 음식 전, 후 혈액조성 변화 정보 전달 혈당 측정기(미도시)를 포함한 구조다. 또는 상기 클라우드 서버(102)의 혈액조성 변화량 제공시, 고속액체크로마토그래프 아미노산 정보를 전달하는 정보처리장치(미도시)를 포함한 것이다.
이러한 경우에, 일실시예는 당과 아미노산 분석을 일괄적으로 안해도 되며, 당만 추적하고 싶은 경우 당만, 아미노산만 추적하고 싶은 경우에, 아미노산만 추적해도 된다.
그리고, 상기 클라우드 서버(102)로부터 상기 제공시의 예를 들어, 영양성분별 유관된 질병 등의 질병관리 정보를 제공받는 신규 이용자 등의 단말기(103)를 포함한 구조다.
상기 단말기(101)는 음식을 섭취할 예를 들어, 스마트 폰 등의 개인 단말기로, 개인의 섭취할 음식 내에 식품 영양정보와 영양 성분을 클라우드 전송한다. 이러한 단말기는 예를 들어, 포장, 가공 식품 등 상기 식품의 소속 정보처리장치에 등록된 영양성분표에 기준하여 영양 성분 정보 기록을 받아서, 전송한다. 이러한 경우에, 상기 단말기는 음식 카테고리를 제공하여, 사용자 키 조작에 따라 개인이 먹을 음식을 선택받은 경우에, 상기 선택된 음식의 식품 영양정보표 확인 및 영양 성분 클라우드 전송한다.
상기 클라우드 서버(102)는 상기 단말기(101)의 개인의 섭취할 음식 내 식품 영양 성분 정보와, 상기 혈당 측정기의 개인 음식 섭취 전, 후에 예를 들어, 혈당 등 혈액조성 정보에 의해서, 개인별 영양성분마다의 혈액조성 변화량을 산출하는 것이다. 이러한 혈액조성 변화량은 개인이 얼마나 당, 특정 아미노산에 예를 들어, 혈당 등 혈액조성 변화하는지 분석하는 것이다. 그래서, 상기 클라우드 서버(102)는 이렇게 산출된 혈액조성 변화량에 대응하는 유관된 질병을 진단하고, 상기 질병에 대응하는 예를 들어, 혈당강하제 등 치료제를 추천한다. 또한, 상기 클라우드 서버(102)는 상기 질병 진단에 따라서, 이러한 혈액조성 변화량의 예를 들어, 인슐린 민감도 등 설정 특징 변수 및 상기 개인별 영양 성분마다의 혈액조성 변화량에 따른 질병 연관도를 산출한다. 그리고, 상기 산출된 질병 연관도에 따라서, 혈액조성 변화량의 설정 특징 변수별과 개인별 영양 성분마다의 혈액조성 변화량별로 질병 예측 모델을 설정, 등록하여, 개인별 영양 성분마다의 혈액조성 변화량에 대응하여 질병을 예측하는 것이다.
도 2는 일실시예에 따른 인공지능 클라우드 영양소 대사량 측정 방법을 사용하는 질병관리 방법의 동작을 순서대로 도시한 도면이다.
도 2에 도시된 바와 같이, 일실시예에 따른 인공지능 클라우드 운용 방법을 사용하는 질병관리 방법은 먼저, 음식을 섭취할 개인 단말기에 의해서, 개인의 섭취할 음식 내에 식품 영양정보와 영양 성분을 수집한다(S201).
예를 들어, 단말기에 포장, 가공 식품 등 식품의 소속 정보처리장치에 등록된 영양성분표에 기준하여 영양 성분 정보 기록을 받아서 등록한다. 이러한 상태에서, 단말기가 음식 카테고리를 제공하여, 사용자 키 조작에 따라 개인이 먹을 음식을 선택받은 경우에, 상기 선택된 음식의 식품 영양정보표 확인 및 영양 성분을 상기 등록된 영양 성분 정보 기록에 따라 클라우드 전송한다. 그래서, 개인의 섭취할 음식 내에 식품 영양 성분 등을 수집한다.
그리고, 예를 들어, 혈당 측정기로부터 이러한 음식 섭취 시간부터 설정 시간 전의 혈액조성 측정 정보와 상기 음식 섭취 시간부터 설정 시간 후의 혈액조성 측정 정보를 수집한다(S202).
다음, 상기 수집된 개인의 섭취할 음식 내 예를 들어, 당 또는 아미노산 등 영양 성분별로, 상기 수집된 각 정보에 의한 혈액조성 변화량을 산출하여, 개인별 영양 성분마다의 혈액조성 변화량을 산출한다(S203). 이러한 혈액조성 변화량 산출은 개인이 얼마나 당, 특정 아미노산에 예를 들어, 혈당 등 혈액조성 변화하는지 분석하는 것이다. 구체적인 일실시예에 따른 혈액조성 변화량 산출 동작은 도 8a 내지 도 8e를 참조하여 설명하기로 한다.
그런 다음, 상기 혈액조성 변화량의 예를 들어, 인슐린 민감도 등 설정 특징 변수별로 대응하는 질병을 설정 등록한다. 그리고, 상기 산출된 개인별 영양 성분마다의 혈액조성 변화량에 따라서, 상기 혈액조성 변화량의 설정 특징 변수를 추출하여, 질병을 진단한다.
그래서, 식사 후에 식품에 따른 영양소 변화량을 학습시켜서, 개인별로 당 또는 아미노산 등 영양 성분별로 예를 들어, 혈당 등 혈액조성 변화량을 검출하여, 유관된 질병을 진단한다(S204).
또한, 개인별 영양소 대사량을 측정하여 차후에는 고통스러운 혈액측정 등이 없이도 음식 섭취시에 영양소 변화를 예측한다. 이러한 구체적인 동작은 혈액조성 변화량 산출 동작과 연동하여 이루어지는 것으로, 8a 내지 도 8e를 참조하여 보다 상세히 후술하기로 한다.
이상과 같이, 일실시예는 개인의 섭취할 음식 내에 식품 영양정보와 영양 성분을 수집한다. 아울러, 이러한 음식 섭취 시간부터 설정 시간 전의 혈액조성 측정 정보와 상기 음식 섭취 시간부터 설정 시간 후의 혈액조성 측정 정보를 수집한다. 그런 다음, 상기 수집된 개인의 섭취할 음식 내 영양 성분별로, 상기 수집된 각 정보에 의한 혈액조성 변화량을 산출하여, 개인별 영양 성분마다의 혈액조성 변화량을 산출한다. 그래서, 상기 혈액조성 변화량의 설정 특징 변수별로 대응하는 질병을 설정 등록하고, 상기 산출된 개인별 영양 성분마다의 혈액조성 변화량에 따라서, 상기 혈액조성 변화량의 설정 특징 변수를 추출하여, 질병을 진단한다.
이를 통해, 식사 후에 식품에 따른 영양소 변화량을 학습시켜서, 개인별로 당 또는 아미노산 등 영양 성분별로 예를 들어, 혈당 등 혈액조성 변화량을 검출하여, 유관된 질병을 진단한다.
그리고, 개인별 영양소 대사량을 측정하여 차후에는 별도의 혈액측정 등이 없이도 음식 섭취시에 영양소 변화를 예측한다.
한편, 일실시예는 이러한 질병 진단시에, 전술한 혈액조성 변화량의 속성 정보를 원활히 검출할 수 있도록, 상기 질병 진단시에, 상기 혈액조성 변화량의 혈당민감도 또는 혈액조성을 추출하여, 질병 진단한다. 이러한 구체적인 동작은 도 4를 참조하여 후술한다.
한편, 일실시예는 상기한 질병 진단시에, 대응하는 개인에게 도움을 줄 수 있도록, 질병마다 대응하는 예를 들어, 혈당강하제 등의 혈액조성 치료제를 각기 설정, 등록한다. 그래서, 이러한 질병 진단시에, 상기 진단된 질병에 대응하는 혈액조성 치료제를 추천한다.
한편, 일실시예는 이러한 질병 진단 정보에 의해, 차후 질병 예측할 수 있도록, 질병진단을 정확하게 하는 예측모델을 생성한다. 보다 상세하게, 일실시예는 전술한 질병 진단에 따라서, 상기 혈액조성 변화량의 예를 들어, 혈당 민감도, 혈액조성 등 설정 특징 변수 및 상기 개인별 영양 성분마다의 혈액조성 변화량에 따른 질병 연관도를 산출한다. 다음, 상기 산출된 질병 연관도에 따라서, 혈액조성 변화량의 설정 특징 변수별과 개인별 영양 성분마다의 혈액조성 변화량별로 질병 예측 모델을 설정, 등록한다. 그런 다음, 상기 개인별 영양 성분마다의 혈액조성 변화량 산출시에, 상기 산출된 개인별 영양 성분마다의 혈액조성 변화량과 상기 혈액조성 변화량의 설정 특징 변수에 대응하는 질병 예측 모델에 따라서, 질병을 예측한다.
한편, 일실시예는 이러한 질병 연관도 산출시에, 당, 아미노산과 질별의 상관관계 분석을 증가할 수 있도록 한다. 이를 위해, 일실시예는 개인 섭취 정보와 운동량 정보 및 설정 영양 성분과 질병의 상관관계에 따른 설정 추가 정보를 수집한다. 그래서, 이렇게 수집된 개인 섭취 정보와 운동량 정보 등에 따른 정보 보정에 의해서, 질병 연관도 산출한다.
한편, 일실시예는 이러한 질병 진단시에, 개인별 영양소 대사량을 측정하여 차후에는 고통스러운 혈액측정 등이 없이도 음식 섭취시에 영양소 변화를 예측할 수 있도록 하는데, 이러한 예측은 혈당변화수치 중요도에 따라 이루어진다.
즉, 일실시예는 개인에 관한 식단을 설정 다수 가지로의 제공과 추가 음식 섭취 시간부터 설정 제2 시간 후의 혈액조성 측정 정보에 따른 상기 개인의 섭취할 음식 내 영양 성분별로, 앙상블화에 의해 혈당변화수치 중요도를 추출한다. 이러한 경우시에, 상기의 설정 시간 후의 혈액조성 측정 정보를 포함한다. 상기 제1 시간은 예를 들어, 식후 1시간이고, 상기 제2 시간은 예로, 식후 2시간이다.
다음, 상기 개인의 상기 섭취시와 상이한 새로운 음식 섭취시에, 상기 섭취시의 음식 내 식품 영양 성분에 대응하는 혈당변화수치 중요도에 따라, 혈액조성 변화량을 예측 산출한다. 이러한 혈액조성 변화량 예측은 도 8a 내지 도 8e 참조.
도 3은 일실시예에 따른 개인별 영양소 변화량 학습에 따른 영양소 대사량 측정을 위한 인공지능 클라우드 운용 방법을 사용하는 질병관리 방법을 순서대로 도시한 도면이다.
도 3에 도시된 바와 같이, 일실시예에 따른 인공지능 클라우드 운용 방법을 사용하는 질병관리 방법은 먼저, 예를 들어, 신규 이용자의 사용자 키 조작에 따라 설정 초기 영양 성분 변화값을 입력받는다(S301). 이러한 신규 이용자는 전술한 개인과 같은 키, 같은 몸무게, 동일 군집에서 대응하는 영양소를 먹었을 경우에, 영양소 혈중 변화량과 질병유관도를 알아내며, 이에 따라 헬스케어 가이드라인을 제공받는 것이다. 그래서, 향후 같은 식품을 먹었을 경우에 영양소의 변화 예측 및 대비 한다.
다음, 상기 영양 성분 변화에 따른 혈액조성 변화량의 예를 들어, 인슐린 민감도, 혈액조성 등 설정 특징 변수별로 대응하는 질병을 설정 등록한다(S302).
그런 다음, 상기 설정 초기 영양 성분 변화값 입력시에, 상기 등록된 영양 성분 변화에 따른 혈액조성 변화량의 설정 특징 변수별 질병에 따라서, 상기 입력된 설정 초기 영양 성분 변화값에 대응하는 질병을 추출하여, 진단한다(S303).
그리고, 이러한 진단된 질병 정보를 제공한다(S304).
그래서, 가장 최적의 건강관리, 질병관리 방법을 추천한다.
아울러, 신규 이용자 등이 향후 상기의 클라우드 정보 구축시에 개인과 같은 식품을 먹었을 경우에, 영양소의 변화 예측 및 대비 이루어진다.
이상과 같이, 일실시예는 예를 들어, 신규 이용자 모바일 기기에 영양 성분 변화에 따른 혈액조성 변화량의 설정 특징 변수별로 대응하는 질병을 설정 등록한다. 그래서, 이러한 등록된 영양 성분 변화에 따른 혈액조성 변화량의 설정 특징 변수별 질병에 따라서, 신규 이용자의 입력 설정 초기 영양 성분 변화값에 대응하는 질병을 진단하여, 제공한다. 이를 통해, 신규 이용자 등이 향후 전술한 클라우드 정보 구축시의 개인과 같은 식품을 먹었을 경우에 영양소의 변화 예측 및 대비 한다. 이에 더하여, 가장 최적의 건강관리, 질병관리 방법을 추천한다.
도 4는 일실시예에 따른 질병 진단 동작을 설명하기 위한 도면이다.
도 4에 도시된 바와 같이, 일실시예에 따른 질병 진단 동작은 인슐린 민감도에 따른 군집을 형성하여 각 군집별로 예를 들어, 혈당 강하제 등의 치료제를 추천하는 모델이다. 환자에게 일실시예에 따른 클라우드 서버에서 제공하는 음식을 먹이고, 정보를 얻어내어 인슐린 민감도 정보를 k-means 군집화 모델을 적용시켜 인슐린 민감도에 따른 군집을 생성한다. 일실시예의 질병 진단 동작은 이러한 인슐린 민감도 정보 이외에, 혈액조성 정보를 기반으로 하는 것을 포함한다.
도 5는 일실시예에 따른 질병 진단시의 치료제 추천 동작을 설명하기 위한 도면이다.
도 5에 도시된 바와 같이, 일실시예에 따른 질병 진단시의 치료제 추천 동작은 일실시예의 질병 진단시에, 질병마다 대응하는 예를 들어, 혈당강하제 등의 혈액조성 치료제를 각기 설정, 등록한다. 구체적으로는, 예로 아파치 카프가 & 스톰 조합으로 실시간 데이터 플랫폼을 설정 등록한다. 그리고, 같은 키, 같은 몸무게 등으로 군집모델을 수행한다. 그래서, 이러한 질병 진단시, 진단할 개인이 속한 군집을 판별하여, 예를 들어, 상기의 아파치 카프가 & 스톰 조합에 의한 실시간 데이터 플랫폼에 따라서, 상기 진단된 질병에 대응하는 혈액조성 치료제를 추천한다.
도 6은 일실시예에 따른 질병 예측 모델 생성 동작을 설명하기 위한 도면이다.
도 6에 도시된 바와 같이, 일실시예에 따른 질병 예측 모델 생성 동작은 일실시예의 질병 진단에 따라서, 상기 혈액조성 변화량의 예를 들어, 혈당 민감도, 혈액조성 등 설정 특징 변수를 분석한다. 그리고, 소속정보, 다수 개인 의료정보, 질병코드에 관한 정보 정제하여, 주성분 분석으로써, 개인별 영양 성분마다의 혈액조성 변화량에 따른 질병 연관도를 산출한다. 상기 의료정보에는 운동량, 간식, 주식, 부식간의 흡수율 차이 등 세부정보를 가진다. 다음, 상기 산출된 질병 연관도에 따라서, 혈액조성 변화량의 설정 특징 변수별과 개인별 영양 성분마다의 혈액조성 변화량별로 질병 예측 모델을 설정, 등록한다. 이러한 경우에, 예측모델 검증은 분류모델의 경우 정확도, 정밀도를 계산 & ROC커브 확인에 의해 이루어지고, 교차검증으로 예측모델평가한다.
도 7은 일실시예에 따른 질병 예측 동작을 설명하기 위한 도면이다.
도 7에 도시된 바와 같이, 일실시예에 따른 질병 예측 동작은 도 6의 질병 예측 모델에 의해서 이루어진다. 즉, 일실시예의 질병 예측 동작이 상기 개인별 영양 성분마다의 혈액조성 변화량 산출시에, 상기 산출된 개인별 영양 성분별의 혈액조성 변화량과 상기 혈액조성 변화량의 설정 특징 변수에 대응하는 질병 예측 모델에 따라, 질병을 예측한다.
도 8a 내지 도 8f는 일실시예에 따른 인공지능 클라우드 영양소 변화 예측 방법을 보다 상세히 설명하기 위한 도면이다.
도 8a 내지 도 8f는 일실시예에 따른 인공지능 클라우드 영양소 변화 예측 방법은 먼저, 식단을 N가지로 제공, 영양소의 배율을 군집화하기 가장 효율적이게 배합한다. 그리고, 모바일 기기의 어플리케이션을 통해 식후 1시간, 식후 2시간을 기록한다. 다음, 예를 들어 랜덤포레스트 기법 등의 앙상블 기법에 의해서, 식단을 먹은 후에 식후 혈당변화량에 영양 성분별 혈당변화수치 중요도를 대입하여, 혈당 변화를 학습시킨다. 그런 다음, 학습 시킨 데이터에서 사람들의 각 변수 중요도 데이터만 뽑아 취합한 후에 새로운 데이터셋 A를 생성한다. 다음, 데이터셋 A에서 K-Clusering 군집화 모델을 적용시킨다. 예를 들어, K-평균 클러스터링 방법을 설명한다. 이러한 K-평균 클러스터링 방법은 먼저, 가. k =n의 군집 개수 결정 후 임의의 중심점 n개를 설정한다. 나. 데이터 내의 각 관측치에 대해 n개의 중심점까지의 거리를 계산한 후 가장 가까운 중심점을 각 관측치들의 군집 중심점으로 정한다. 다. '나' 단계에서 정해진 군집 중심점에 따라 개별 데이터 관측치의 소속 군집을 할당한 뒤, 각 군집 중심점을 다시 계산한다. 여기서 각 군집중심점음 K 번째 군집 내 관측치 들에 대한 p개 변수 평균들의 벡터이다. 라. '다' 단계에서 계산된 군집 중심점을 이용하여 다시 '나'와 '다' 단계를 반복한다. 마. 각 관측자들의 군집 할당이 더 이상 변하지 않을 때까지 반복한 뒤, 모든 데이터 세트 내의 관측치들의 군집 할당이 변경되는 경우가 발생하지 않을 경우에 알고리즘 계산을 종료한다. 군집의 개수를 정할 경우에는 k=1부터 임의의 K까지 설정한 후 군집 내 동질성 및 이절성을 측정하고 군집 수를 늘려가면서 동질성의 증가와 이질성의 감소 기울기의 절감지점인 엘보우값을 찾는 방법을 사용한다. 이때 여러 가지 군집 개수 K를 적용하고, 가장 의학적 이론과 적합한 K를 설정한다. 다음, 군집화한 모델에서 군집 내의 사람들 식단을 먹은 후에 혈당변화 수치를 인공신경망 모델을 통해 학습시킨다. 그래서, 새로운 실험군은 처음 제공 받은 식단을 먹고, 혈당변화를 기록하여 앞서 군집화된 모델에서 군집화 시키고 그 군집에 해당하는 학습된 인공신경망 모델을 통해 새로운 식단을 먹었을 경우의 혈당 수치를 예측한다.
구체적인 동작과 순서는 아래의 내용이다.
A : 새로운 실험 군
B : 제공된 지정된 식단을 먹고 식후 혈당을 입력한다.
C : 예를 들어, 랜덤포레스트 기법 등의 앙상블기법을 통해 새로운 실험군의 식품 성분별 혈당변화수치 중요도를 추출한다.
D : 추출한 중요도를 앞서 만들어진 군집 모델 중에 적합한 군집 모델을 인공신경망 분류 모델을 통해 분류한다.
E : 해당 군집 모델이 정해진 경우에 그 군집에서 학습된 혈당변화 수치예측 인공신경망 모델을 사용하게 된다.
F : 새로운 음식을 먹기 전 그 음식의 성분 데이터를 추출한다.
E : 음식의 성분 데이터를 통해 인공신경망 모델로 혈당변화 수치를 예측한다.
* 도면의 주요 부분에 대한 부호의 설명 *
101, 103 : 단말기 102 : 클라우드 서버
101, 103 : 단말기 102 : 클라우드 서버
Claims (15)
- 클라우드 서버가 개인 식단을 설정 다수 가지로 제공하여, 음식 섭취 시간부터 설정 시간 후의 혈당 정보를 입력받는 제1 단계;
상기 입력된 혈당 정보에 따라서, 상기 설정 다수 가지 식단 내 식품 영양 성분별 혈당변화수치 중요도를 추출하는 제2 단계;
상기 추출된 혈당변화수치 중요도에 따라, 다수의 상이한 식품 성분별 중요도마다 그룹을 군집화한 다수의 군집 모델 중에서, 상기 추출된 혈당변화수치 중요도에 대응하는 군집 모델을 분류하여, 설정하는 제3 단계; 및
상기 설정된 군집 모델을 기반으로, 상기 개인의 음식 섭취시에, 상기 섭취시의 음식 내 식품 영양 성분에 대응하여 혈당변화 수치를 예측하는 제4 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 변화 예측 방법. - 제 1 항에 있어서,
상기 제2 단계는
상기 입력된 혈당 정보에 따라서, 상기 설정 다수 가지 식단 내 식품 영양 성분별 혈당 민감도를 혈당변화수치 중요도로 추출하는 제2-1 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 변화 예측 방법. - 제 1 항에 있어서,
상기 제3 단계는
상기 추출된 혈당변화수치 중요도에 따라, 상기 식품 성분별의 설정 값 이상 중요도 정보만 추출하여, 데이터 셋을 생성하는 제3-1 단계;
상기 생성된 데이터 셋에 의해서, 다수의 상이한 식품 성분별 중요도마다 그룹을 군집화한 다수의 군집 모델 중, 상기 추출된 혈당변화수치 중요도에 대응하는 군집 모델을 분류하는 제3-2 단계; 및
상기 분류된 군집 모델의 식품 영양 성분에 대응하는 혈액조성 변화 평균치를 산출하여, 설정하는 제3-3 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 변화 예측 방법. - 제 1 항 또는 제 3 항에 있어서,
상기 제3 단계 후에,
건강 관리할 새로운 개인에게 식단을 제공하여, 혈당변화를 입력받는 제5-1 단계;
상기 입력된 혈당변화에 따라서, 상기 군집화된 모델에서 군집화시키는 제5-2 단계; 및
상기 군집화된 군집 모델을 기반으로, 상기 개인의 새로운 식단 섭취시에, 상기 식단 섭취시의 식품 영양 성분에 대응하여 혈당 수치를 예측하는 제5-3 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 변화 예측 방법. - 제 1 항에 있어서,
상기 식품 영양 성분은
탄수화물, 당류, 나트륨, 지방, 콜레스테롤, 단백질, 수분을 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 변화 예측 방법. - 클라우드 서버가 음식을 섭취할 개인 단말기에 의해서, 개인의 섭취할 음식 내에 식품 영양정보와 영양 성분을 수집하는 제1 단계;
상기 음식 섭취 시간부터 설정 시간 전의 혈액조성 측정 정보와 상기 음식 섭취 시간부터 설정 시간 후의 혈액조성 측정 정보를 수집하는 제2 단계;
상기 수집된 개인의 섭취할 음식 내 영양 성분별로, 상기 수집된 각 정보에 의한 혈액조성 변화량을 산출하여, 개인별 영양 성분마다의 혈액조성 변화량을 산출하는 제3 단계; 및
상기 혈액조성 변화량의 설정 특징 변수별로 대응하는 질병을 설정 등록하고, 상기 산출된 개인별 영양 성분마다의 혈액조성 변화량에 따라서, 상기 혈액조성 변화량의 설정 특징 변수를 추출하여, 질병을 진단하는 제4 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법. - 제 6 항에 있어서,
상기 제4 단계는
상기 질병 진단시에, 상기 혈액조성 변화량의 혈당민감도 또는 혈액조성을 추출하여, 질병 진단하는 제4-1 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법. - 제 6 항에 있어서,
상기 제4 단계 후에,
상기 질병마다 대응하는 혈액조성 치료제를 설정, 등록하여, 상기 질병 진단시에, 상기 진단된 질병에 대응하는 혈액조성 치료제를 추천하는 제5 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법. - 제 6 항에 있어서,
상기 제4 단계 후에,
상기 질병 진단에 따라서, 상기 혈액조성 변화량의 설정 특징 변수 및 상기 개인별 영양 성분마다의 혈액조성 변화량에 따른 질병 연관도를 산출하는 제6-1 단계;
상기 산출된 질병 연관도에 따라서, 혈액조성 변화량의 설정 특징 변수별과 개인별 영양 성분마다의 혈액조성 변화량별로 질병 예측 모델을 설정, 등록하는 제6-2 단계; 및
상기 개인별 영양 성분마다의 혈액조성 변화량 산출시에, 상기 산출된 개인별 영양 성분마다의 혈액조성 변화량과 상기 혈액조성 변화량의 설정 특징 변수에 대응하는 질병 예측 모델에 따라서, 질병을 예측하는 제6-3 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법. - 제 9 항에 있어서,
상기 제6-1 단계는
상기 질병 연관도 산출시에, 개인 섭취 정보와 운동량 정보를 수집하여, 상기 수집된 개인 섭취 정보와 운동량 정보에 따른 정보 보정에 의해서, 질병 연관도 산출하는 제6-1-1 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법. - 제 6 항에 있어서,
상기 제3 단계는,
클라우드 서버가 개인 식단을 설정 다수 가지로 제공하여, 음식 섭취 시간부터 설정 시간 후의 혈당 정보를 입력받는 제3-1 단계;
상기 입력된 혈당 정보에 따라서, 상기 설정 다수 가지 식단 내 식품 영양 성분별 혈당변화수치 중요도를 추출하는 제3-2 단계;
상기 추출된 혈당변화수치 중요도에 따라, 다수의 상이한 식품 성분별 중요도마다 그룹을 군집화한 다수의 군집 모델 중에서, 상기 추출된 혈당변화수치 중요도에 대응하는 군집 모델을 분류하여, 설정하는 제3-3 단계; 및
상기 설정된 군집 모델을 기반으로, 상기 개인의 음식 섭취시에, 상기 섭취시의 음식 내 식품 영양 성분에 대응하여 혈당변화 수치를 예측하는 제3-4 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법. - 사용자 키 조작에 따라 설정 초기 영양 성분 변화값을 입력받는 제1 단계;
상기 영양 성분 변화에 따른 혈액조성 변화량의 설정 특징 변수별로 대응하는 질병을 설정 등록하는 제2 단계;
상기 설정 초기 영양 성분 변화값 입력시에, 상기 등록된 영양 성분 변화에 따른 혈액조성 변화량의 설정 특징 변수별 질병에 따라서, 상기 입력된 설정 초기 영양 성분 변화값에 대응하는 질병을 추출하여, 진단하는 제3 단계; 및
상기 진단된 질병 정보를 제공하는 제4 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법을 사용하는 질병관리 방법. - 제 12 항에 있어서,
상기 제2 단계는,
상기 질병마다 대응하는 혈액조성 치료제를 설정, 등록하는 제2-1 단계를 포함하고,
상기 제4 단계 후에,
상기 질병 진단시, 상기 진단된 질병에 대응하는 혈액조성 치료제를 추천하는 제5 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법을 사용하는 질병관리 방법. - 제 12 항에 있어서,
상기 제2 단계는
상기 혈액조성 변화량의 설정 특징 변수별과 영양 성분마다의 혈액조성 변화량별로 질병 예측 모델을 설정, 등록하는 제2-2 단계를 포함하고,
상기 입력된 초기 영양 성분 변화값에 대응하는 혈액조성 변화량과 상기 혈액조성 변화량의 설정 특징 변수에 대응하는 질병 예측 모델에 따라서, 질병을 예측하는 제6 단계; 및
상기 예측된 질병 정보를 제공하는 제7 단계를 포함하는 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법을 사용하는 질병관리 방법. - 제 14 항에 있어서,
상기 제2-2 단계는
사용자의 개인 섭취 정보와 운동량 정보를 수집하여, 상기 혈액조성 변화량의 설정 특징 변수별과 영양 성분마다의 혈액조성 변화량별 질병 예측 모델에 관한 정보 보정에 의해서, 질병 예측 모델을 설정 등록하는 제2-2' 단계인 것을 특징으로 하는 인공지능 클라우드 영양소 대사량 측정 방법을 사용하는 질병관리 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170163150A KR20190063954A (ko) | 2017-11-30 | 2017-11-30 | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170163150A KR20190063954A (ko) | 2017-11-30 | 2017-11-30 | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190063954A true KR20190063954A (ko) | 2019-06-10 |
Family
ID=66848343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170163150A KR20190063954A (ko) | 2017-11-30 | 2017-11-30 | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190063954A (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210085957A (ko) * | 2019-12-31 | 2021-07-08 | 계명대학교 산학협력단 | 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법 |
| KR20220060125A (ko) * | 2020-11-04 | 2022-05-11 | 한국항공대학교산학협력단 | 피크혈당 값을 이용한 혈당 예측 방법 및 음식 제안 시스템 |
| KR102489445B1 (ko) * | 2022-09-29 | 2023-01-18 | 김응호 | 웨어러블 기기를 이용한 알레르기 성분 검사 방법, 장치 및 시스템 |
| WO2023132565A1 (ko) * | 2022-01-05 | 2023-07-13 | 엘지전자 주식회사 | 개인화된 건강 예측 학습 모델을 구비한 건강 예측 시스템 및 그 시스템의 제어 방법 |
| KR102608201B1 (ko) * | 2022-10-18 | 2023-11-30 | 주식회사 쿡플레이 | 데이터 기반 개인 맞춤형 식단제공을 통한 혈당관리방법 및 시스템 |
| CN117373618A (zh) * | 2023-10-23 | 2024-01-09 | 广州景腾医疗科技股份有限公司 | 一种用于分析仪的局部人体成分数据处理方法 |
-
2017
- 2017-11-30 KR KR1020170163150A patent/KR20190063954A/ko not_active Application Discontinuation
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210085957A (ko) * | 2019-12-31 | 2021-07-08 | 계명대학교 산학협력단 | 혈당부하지수를 이용한 한국인의 식이 음식에 따른 당류 섭취 안전지수 기반 인공지능 질환 예측 시스템 및 방법 |
| KR20220060125A (ko) * | 2020-11-04 | 2022-05-11 | 한국항공대학교산학협력단 | 피크혈당 값을 이용한 혈당 예측 방법 및 음식 제안 시스템 |
| WO2023132565A1 (ko) * | 2022-01-05 | 2023-07-13 | 엘지전자 주식회사 | 개인화된 건강 예측 학습 모델을 구비한 건강 예측 시스템 및 그 시스템의 제어 방법 |
| KR102489445B1 (ko) * | 2022-09-29 | 2023-01-18 | 김응호 | 웨어러블 기기를 이용한 알레르기 성분 검사 방법, 장치 및 시스템 |
| KR102608201B1 (ko) * | 2022-10-18 | 2023-11-30 | 주식회사 쿡플레이 | 데이터 기반 개인 맞춤형 식단제공을 통한 혈당관리방법 및 시스템 |
| CN117373618A (zh) * | 2023-10-23 | 2024-01-09 | 广州景腾医疗科技股份有限公司 | 一种用于分析仪的局部人体成分数据处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7127086B2 (ja) | ヘルストラッキングデバイス | |
| KR20190063954A (ko) | 인공지능 클라우드 영양소 변화 예측 방법과 인공지능 클라우드 영양소 대사량 측정 방법 및 그를 사용하는 질병관리 방법 | |
| CN109119130A (zh) | 一种基于云计算的大数据健康管理系统及方法 | |
| Ngueleu et al. | Validity of instrumented insoles for step counting, posture and activity recognition: a systematic review | |
| Yoo et al. | PHR based diabetes index service model using life behavior analysis | |
| KR20110032637A (ko) | 혈당 관리 정보를 제공하는 방법 및 장치 | |
| Chiang et al. | Using wearables and machine learning to enable personalized lifestyle recommendations to improve blood pressure | |
| CN105279362A (zh) | 个人健康监视系统 | |
| US20200118685A1 (en) | Method and apparatus for providing user health status | |
| KR20210052122A (ko) | 사용자 맞춤형 식품 정보 서비스 제공 시스템 및 그 방법 | |
| KR20200113954A (ko) | 사용자 맞춤형 건강 정보 서비스 제공 시스템 및 그 방법 | |
| KR102467340B1 (ko) | 챗봇 기반의 질의응답 및 생체표지자 데이터를 이용한 맞춤형 영양 관리 시스템 | |
| CN113679348A (zh) | 血糖预测方法、血糖预测装置、设备及存储介质 | |
| CN109785964A (zh) | 一种健康评估方法、健康评估装置及计算机可读存储介质 | |
| Kim et al. | Modeling long-term human activeness using recurrent neural networks for biometric data | |
| KR20110029414A (ko) | 건강 관리 정보를 제공하는 방법 및 장치 | |
| US11315686B2 (en) | Individualized care management system based on digestive activity | |
| CN113436738A (zh) | 管理风险用户的方法、装置、设备及存储介质 | |
| CN105787232A (zh) | 一种数据处理方法、装置、健康系统平台及终端 | |
| US20170147768A1 (en) | System and method for detecting and monitoring acute myocardial infarction risk | |
| Hrushikesava Raju et al. | An IoT vision for dietary monitoring system and for health recommendations | |
| KR20230100770A (ko) | 개인건강정보(phr)에 기초한 개인 맞춤형 건강관리 솔루션 제공 시스템 | |
| CN113569140A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| Rahman et al. | Review on food recommender system for diabetes mellitus | |
| CN110322948B (zh) | 营养指导系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |