KR20190076352A - 하둡 기반 지능형 의료 시스템 및 그 방법 - Google Patents
하둡 기반 지능형 의료 시스템 및 그 방법 Download PDFInfo
- Publication number
- KR20190076352A KR20190076352A KR1020170178082A KR20170178082A KR20190076352A KR 20190076352 A KR20190076352 A KR 20190076352A KR 1020170178082 A KR1020170178082 A KR 1020170178082A KR 20170178082 A KR20170178082 A KR 20170178082A KR 20190076352 A KR20190076352 A KR 20190076352A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- medical
- sensor
- hadoop
- sensors
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 69
- 241000282414 Homo sapiens Species 0.000 claims abstract description 32
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000000694 effects Effects 0.000 claims description 43
- 238000013480 data collection Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 18
- 230000036541 health Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 239000003638 chemical reducing agent Substances 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000000968 medical method and process Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 239000002775 capsule Substances 0.000 claims 1
- 230000026676 system process Effects 0.000 claims 1
- 238000004148 unit process Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 8
- 206010012601 diabetes mellitus Diseases 0.000 description 20
- 230000036772 blood pressure Effects 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 14
- 230000001133 acceleration Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 210000002216 heart Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 11
- 238000013459 approach Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 10
- 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 description 9
- 239000008103 glucose Substances 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 6
- 230000005180 public health Effects 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 239000008280 blood Substances 0.000 description 5
- 210000004369 blood Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 102000004877 Insulin Human genes 0.000 description 3
- 108090001061 Insulin Proteins 0.000 description 3
- 230000004872 arterial blood pressure Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012517 data analytics Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000005021 gait Effects 0.000 description 3
- 229940125396 insulin Drugs 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000001280 Prediabetic State Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 2
- 230000002567 autonomic effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000002649 immunization Methods 0.000 description 2
- 230000003053 immunization Effects 0.000 description 2
- 235000021156 lunch Nutrition 0.000 description 2
- 208000010125 myocardial infarction Diseases 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000291 postprandial effect Effects 0.000 description 2
- 201000009104 prediabetes syndrome Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010053567 Coagulopathies Diseases 0.000 description 1
- 238000000018 DNA microarray Methods 0.000 description 1
- 206010011878 Deafness Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000986339 Percis Species 0.000 description 1
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 206010067584 Type 1 diabetes mellitus Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000010370 hearing loss Effects 0.000 description 1
- 231100000888 hearing loss Toxicity 0.000 description 1
- 208000016354 hearing loss disease Diseases 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000019423 liver disease Diseases 0.000 description 1
- 230000005976 liver dysfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000037230 mobility Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000035488 systolic blood pressure Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 208000035408 type 1 diabetes mellitus 1 Diseases 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/80—Services using short range communication, e.g. near-field communication [NFC], radio-frequency identification [RFID] or low energy communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/10—Small scale networks; Flat hierarchical networks
- H04W84/12—WLAN [Wireless Local Area Networks]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Child & Adolescent Psychology (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 병렬 처리 및 여러 하둡 분산 파일 시스템(HDFS,Hadoop distributed file system ) 데이터 노드를 기반으로 하는 빅 데이터(Big Data) 분석 방법을 사용하는 하둡(Hadoop) 기반 의료 시스템(HICS,Hadoop-Based Intelligent Care System ) 및 그 방법에 관한 것이다.
또한, 본 발명에 따르면, 인체의 의료 정보를 수집하는 데이터 수집부; 및
상기 데이터 수집부에서 수집한 인체의 의료 정보의 전체 데이터를 작은 조각으로 분해하고 각 조각을 하둡 분산 파일 시스템(HDFS) 및 맵 리듀스(MapReduce)를 사용하여 병렬로 개별 처리하며, 각 조각의 결과를 집계하여 보관하는 지능형 빌딩 시스템을 포함하는 하둡 기반 지능형 의료 시스템 및 방법이 제공된다.
또한, 본 발명에 따르면, 인체의 의료 정보를 수집하는 데이터 수집부; 및
상기 데이터 수집부에서 수집한 인체의 의료 정보의 전체 데이터를 작은 조각으로 분해하고 각 조각을 하둡 분산 파일 시스템(HDFS) 및 맵 리듀스(MapReduce)를 사용하여 병렬로 개별 처리하며, 각 조각의 결과를 집계하여 보관하는 지능형 빌딩 시스템을 포함하는 하둡 기반 지능형 의료 시스템 및 방법이 제공된다.
Description
본 발명은 병렬 처리 및 여러 하둡 분산 파일 시스템(HDFS,Hadoop distributed file system ) 데이터 노드를 기반으로 하는 빅 데이터(Big Data) 분석 방법을 사용하는 하둡(Hadoop) 기반 의료 시스템(HICS,Hadoop-Based Intelligent Care System ) 및 그 방법에 관한 것이다.
21 세기 초반에 급속한 개발이 시작된 이래로 IoT(Internet of Things)의 의료 시스템은 ICT(Ashton 2009; Xu Wang 2013)의 혁명을 이룩한 것으로 인식되고 있다.
주로 IoT는 센서, 액추에이터, 임베디드 센서 및 무선 주파수 식별(RFID)과 같은 물리적 장치를 인터넷이라고 하는 단일 매체에 연결한다.
상호 연결된 물리적 구성 요소의 글로벌 인프라를 구축할 수 있는 힘을 실어주는 기술로 간주된다(Welbourne et al. 2009). 또한, IoT는 수십억 개의 스마트 장치(Kortuem et al. 2010)를 연결하여 인터넷 사용을 일상 생활로 확장한다.
Kortuem는 다른 장치와 함께 살며 상호 작용하는 방식에 중대한 변화를 가져 왔다(Jara et al 2012; Yang et al. 2014).
의료 시스템 애플리케이션에서 WBAN (wireless body area network)은 바이오칩과 같은 생체 센서를 모니터링하는 무선 센서 네트워크(WSN)의 새로운 원형을 제공한다.
이러한 센서는 인체와 관련된 매개 변수를 측정하기 위해 인체 또는 옷 (Xing 및 Zhu 2009; Cavallari et al. 2014; Alam 및 Hamida 2014)에 부착할 수 있다. 측정된 값은 저전력 무선 개인 영역 네트워크(6LoWPAN)(Kushalnagar et al. 2007; Montenegro et al. 2007)를 통해 인터넷 프로토콜 버전 6(IPv6)을 사용하여 주 서버로 수집 및 중계될 수 있다.
이렇게 하면 이러한 노드를 IPv6 네트워크에 연결하는 데 도움이 된다.이 네트워크는 건강 진단 문제에서 중요한 역할을 한다. 수집된 데이터의 양을 분석하기 위해 결과를 생성하기 위해 게이트웨이 노드와 인터넷을 통해 서버에 데이터를 전송할 필요가 있다.
이러한 애플리케이션의 경우 MAC 표준과 함께 IEEE 802.15.4 PHY를 사용하는 지그비(ZigBee) 기술을 사용할 수 있다(Kiran et al. 2014). 데이터를 수집하는 건강 센서가 무선이므로 배터리 전원 및 배터리 교체를 유지하는 것이 중요한 과제이다.
IoT에서는 지능형 부품, RFID 태그(Lee et al. 2010), 센서, 액추에이터 등이 급속하게 개발되었다. 결과적으로 IoT 분야에서 극적인 성장이 이루어졌다(Li et al. 2011; Broll et al. 2009). 이러한 기술은 의료 시스템에서 큰 진보를 가능하게 했다(European Commission Information Society 2008; Hande and Cem 2008; National Information Council 2008; Li et al. 2013).
일부 접근법은 착용형 기기를 통합하여 e- 헬스 케어 시스템을 위한 더 나은 IoT를 달성하는 것을 목표로 한다(Castillejo et al. 2013). Morak 등(2012)은 만성 질환에 대한 모바일 기반의 원격 모니터링 시스템을 제안했다.
이러한 어플리케이션에서, 센서 노드로부터 수집된 데이터의 양은 언제 어디서나 접근 가능해야하며, 이는 지속적인 네트워크 연결을 필요로 하며 대용량의 데이터( "빅 데이터(big data)"라고 함)를 생성한다.
또한 GSMA에 따르면 2015년에 서로 연결된 장치의 총 수는 150억 개에 달하고 2020 년에는 240억 개로 증가할 것이다(Malik 2011). 이러한 고속 센싱 트래픽의 처리는 반드시 극복해야 할 필수적인 장애물이다. 이러한 상황에서 의료 시스템은 실시간 처리, 분석 및 의사 결정에 있어 중요한 과제에 직면하게 될 것이다.
기존의 표준 기술은 이종 정보를 가진 높은 볼륨 및 고속 데이터를 처리하여 응급 상황에서 실시간 조치를 생성할 수 없다. 반면에 이론적으로는 볼륨 및 속도 요구 사항을 처리할 수 있는 빅 데이터(Big Data) 솔루션이 점차 증가하고 있다.
그러나 대부분의 경우 이러한 솔루션은 예비 단계이거나 IoT 시나리오 (예 : H2020 Toreador1 및 H2020 Evotio2)에 적합하지 않다.
다른 사람들은 일반적이고 완전한 의료 시스템의 모든 요구 사항을 완전히 수행 할 능력이 없다(Fang et al. 2016; Muin et al. 2014).
그러므로, 필요한 약물 치료뿐만 아니라 지속적인 모니터링을 수행할 수 있는 사람(가정의 환자, 집 밖에 있는 사람들, 운동 또는 운전하는 사람 등)을 돌보는 시스템이 필요하다. 언급된 문제는 들어오는 고속 의료, 센싱 데이터의 병렬 처리 및 효율적인 처리는 물론 빠른 수집 및 집계를 통해서만 극복될 수 있다.
M. M. Alam and E. B. Hamida. 2014. Surveying wearable human assistive technology for life and safety critical applications: Standards, challenges, and opportunities. Sensors 14, 5 (2014), 9153.9209.
P. Anand. 2013. Graph based M2M optimization in an IoT environment. In Proceedings of the 2013 Research in Adaptive and Convergent Systems. ACM, 45.46.
P. Anand, A. Ahmad, M. M. Rathore, and S. Jabbar. 2016. Smartbuddy: Defining human behaviors using big data analytics in social internet of things. IEEE Wireless Commun. 23, 5 (2016), 68.74.
M. Anisetti, V. Bellandi, M. Cremonini, E. Damiani, and J. Maggesi. 2017. Big data platform for public health policies. In IEEE SWC’17.
C. A. Ardagna, P. Ceravolo, and E. Damiani. 2016. Big data analytics as-a-service: Issues and challenges. In Proceedings of the 3rd International Workshop on Privacy and Security of Big Data (PSBD’16).
C. A. Ardagna, V. Bellandi, M. Bezzi, P. Ceravolo, E. Damiani, and C. Hebert. 2017. A model-driven methodology for big data analytics-as-a-service. In Proceedings of the 6th IEEE International Congress on Big Data.
K. Ashton. (June 2009). That ‘Internet of Things’ Thing. RFID J. Retrieved from http://www.rfidjournal.com/articles/view, 4986.
A. Awais, A. Paul, M. M. Rathore, and H. Chang. 2016. Smart cyber society: Integration of capillary devices with high usability based on cyber.physical system. Future Gen. Comput. Syst. 56 (2016), 493.503.
A. Awais, A. Paul, and M. M. Rathore. 2016. An efficient divide-and-conquer approach for big data analytics in machineto-machine communication. Neurocomputing 174 (2016), 439.453.
M. Bazzani, D. Conzon, A. Scalera, M. A. Spirito, and C. I. Trainito. 2012. Enabling the IoT paradigm in e-health solutions through the VIRTUS middleware. In IEEE 11th International Conference on Trust, Security and Privacy in Computing and Communications. 1954.1959. DOI:10.1109/TrustCom.2012.144
S. S. Bhunia, S. K. Dhar, N. Mukherjee. 2014. iHealth: A fuzzy approach for provisioning intelligent healthcare system in smart city. In e-Health Pervasive Wireless Applications and Services (eHPWAS’14). 187.193.DOI:10.1109/WiMOB.2014.6962169
L. Breiman, J. Friedman, C. J. Stone, and R. A. Olshen. 1984. Classification and Regression Trees. CRC Press.
L. Breiman. 2001. Random forests. Machine Learning 45, 1 (2001), 5.32.
G. Broll, E. Rukzio, M. Paolucci, M. Wagner, A. Schmidt, and H. Hussmann. 2009. Perci: Pervasive service interaction with the internet of things. IEEE Internet Comput. 13, 6 (2009), 74.81.
P. Castillejo, J.-F. Martinez, J. Rodriguez-Molina, and A. Cuerva. 2013. Integration of wearable devices in a wireless sensor network for an e-health application. IEEE Wireless Commun. 20, 4 (2013), 38.49.
R. Cavallari, F. Martelli, R. Rosini, C. Buratti, and R. Verdone. 2014. A survey on wireless body area networks: Technologies and design challenges. IEEE Commun. Surv. Tutorials 16 (2014), 3.
S. Clayman and A. Galis. 2011. Inox: A managed service platform for inter-connected smart objects. In Proceedings of the Workshop on Internet of Things and Service Platforms (IoTSP’11). 2:1.2:8.
J. A. Cooper. 2009. Challenges for database management in the internet of things. IETE Tech. Rev. 26 (2009), 320.329.
C. Doukas, I. Maglogiannis, V. Koufi, F. Malamateniou, and G. Vassilacopoulos. 2012. Enabling data protection through PKI encryption in IoT m-health devices. In Proceedings of the 2012 IEEE 12th International Conference on Bioinformatics & Bioengineering (BIBE’12). 11.13.
Om Malik. 2011. Internet of things will have 24 billion devices by 2020. Retrieved from https://gigaom.com/2011/10/13/internet-of-things-will-have-24-billion-devices-by-2020/.
European Commission Information Society. 2008. Internet of Things in 2020: A Roadmap for the Future. Retrieved from http://www.iot-visitthefuture.eu.
R. Fang, S. Pouyanfar, Y. Yang, S. C. Chen, and S. S. Iyengar. 2016. Computational health informatics in the big data age: A survey. ACM Comput. Surv. (CSUR) 49, 1 (2016), 12.
C. Faris, L. Pirmez, F. C. Delicato, H. Soares, I. L. dos Santos, and L. F. R. C. Carmo. 2013. A control and decision system for smart buildings. In IEEE 10th International Conference on Ubiquitous Intelligence. 256.261.
F. Fusco and L. Deri. 2010. High speed network traffic analysis with commodity multi-core systems. In Proceedings of the 10th ACM SIGCOMM Conference on Internet Measurement. 218.224.
A. Hande and E. Cem. 2010. Wireless sensor networks for healthcare: A survey. Comput. Netw. 54, 15 (2010), 2688.2710.
R. Hermon and P. A. Williams. 2014. Big data in healthcare: What is it used for? In Australian eHealth Informatics and Security Conference.
A. J. Jara, M. A. Zamora, and A. F. Skarmeta. 2012. Knowledge acquisition and management architecture for mobile and personal health environments based on the internet of things. In IEEE 11th International Conference on Trust, Security and Privacy in Computing and Communications. 1811.1818. DOI:10.1109/TrustCom.2012.194
J. Khoury Muin and J. P. A. Ioannidis. 2014. Big data meets public health. Science 346, 6213 (2014), 1054.1055.
G. Kortuem, F. Kawsar, D. Fitton, and V. Sundramoorthy. 2010. Smart objects as building blocks for the Internet of things. IEEE Internet Comput. 14, 1 (2010), 44.51.
N. Kushalnagar, G. Montenegro, and C. Schumacher. 2007. IPv6 over low-power wireless personal area networks (6LoWPANs): Overview, assumptions, problem statement, and goals. In IETF RFC 4919, Aug. 2007.
J. R. Kwapisz, G. M. Weiss, and S. A. Moore. 2010. Activity recognition using cell phone accelerometers. In Proceedings of the 4th International Workshop on Knowledge Discovery from Sensor Data (KDD’10). Retrieved from http://www.cis. fordham.edu/wisdm/public_files/sensorKDD-2010.pdf .
S.-Y. Lee, L.-H. Wang, and Q. Fang. 2010. A low-power RFID integrated circuits for intelligent healthcare systems. IEEE Trans. Inf. Technol. Biomed. 14, 6 (2010), 1387.1396.
S. Li, L. Xu, and X. Wang. 2013. A continuous biomedical signal acquisition system based on compressed sensing in body sensor networks. IEEE Trans. Ind. Informat. 9, 3 (2013), 1764.1771.
S. Li, L. Xu, and X. Wang. 2013. Compressed sensing signal and data acquisition in wireless sensor networks and internet of things. IEEE Trans. Ind. Informat. 9, 4 (2013), 2177.2186.
X. Li, R. Lu, X. Liang, X. Shen, J. Chen, and X. Lin. 2011. Smart community: An internet of things application. IEEE Commun. Mag. 49, 11 (2011), 68.75.
W. P. Liao, Y. Z. Ou, E. T. H. Chu, C. S. Shih, and J. W. S. Liu. 2012. Ubiquitous smart devices and applications for disaster preparedness. In 9th International Conference on Ubiquitous Intelligence and Computing and 9th International Conference on Autonomic and Trusted Computing. 764.770. DOI:10.1109/UICATC. 2012.98
R. M. Mazhar, A. Ahmad, A. Paul, and S. Rho. 2016. Urban planning and building smart cities based on the internet of things using big data analytics. Comput. Netw. 101 (2016), 63.80.
R. M. Mazhar, A. Ahmad, A. Paul, J. Wan, and D. Zhang. 2016. Real-time medical emergency response system: Exploiting IOT and big data for public health. J. Med. Syst. 40, 12 (2016), 283.
V. Miori and D. Russo. 2012. Anticipating health hazards through an ontology-based, IoT domotic environment. In 6th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing. 745.750.
J. Morak, H. Kumpusch, D. Hayn, R. Modre-Osprian, and G. Schreier. 2012. Design and evaluation of a telemonitoring concept based on NFC-enabled mobile phones and sensor devices. IEEE Trans. Inf. Technol. Biomed. 16, 1 (2012), 17.23.
National Information Council. 2008. Global Trends 2025: A TransformedWorld. US Government Printing Office. Retrieved from http://www.acus.org/publication/global-trends-2025-transformed-world.
M. Prasinos, G. Spanoudakis, and D. Koutsouris. 2017. Towards a model-driven platform for evidence based public health policy making. In Proceedings Of the 29th International Conference on Software Engineering and Knowledge Engineering(SEKE’17).
M. P. R. Sai Kiran, P. Rajalakshmi, K. Bharadwaj, and A. Acharyya. 2014. Adaptive rule engine based IoT enabled remote healthcare data acquisition and smart transmission system. In 2014 IEEE World Forum on Internet of Things (WF-IoT’14).
L. Tangab, X. Zhoub, C. Beckerc, Z. Yub, and G. Schielec. 2012. Situation-based design: A rapid approach for pervasive application development. In 9th International Conference on Ubiquitous Intelligence and Computing and 9th International Conference on Autonomic and Trusted Computing. 128.135. DOI:10.1109/UIC-ATC.2012.58
UCI Machine Learning Repository: Diabetes Data Set. Retrieved from https://archive.ics.uci.edu/ml/datasets/Diabetes.
UCI Machine Learning Repository: ICU Data Set. Retrieved from https://archive.ics.uci.edu/ml/datasets/ICU.
R. M. M. Ullah, A. Paul, A. Ahmad, B.-W. Chen, B. Huang, and W. Ji. 2015. Real-time big data analytical architecture for remote sensing application. IEEE J. Selected Topics Appl. Earth Observ. Remote Sens. 8, 10 (2015), 4610.4621.
G.I.Webb. 1999. Decision tree grafting from the all-tests-but-one partition. In Proc. of Sixteenth Int. Joint Conf. on Artificial Intelligence. Vol. 2. 702.707.
E.Welbourne, L. Battle, G. Cole, K. Gould, K. Rector, S. Raymer, M. Balazinska, and G. Borriello. 2009. Building the internet of things using RFID: The RFID ecosystem experience. IEEE Internet Comput. 13, 3 (2009), 48.55. WISDM Lab: Dataset. Retrieved from www.cis.fordham.edu/wisdm/dataset.php.
C.-L. Wu, C.-W. You, C.-Y. Chen, C.-C. Chuang, and T.-C. Chiang. 2014. Exploring the collaborative context reasoning in IoT based intelligent are service. In IEEE 7th International Conference on Service-Oriented Computing and Applications. IEEE. DOI:10.1109/soca.2014.18
D. Xie, R. A. Grupen, and A. Hanson. 2009. Context-aware search using cooperative agents in a smart environment. Workshop on Applications of Computer Vision (WACV’09), 1.6. DOI:10.1109/WACV.2009.5403047
J. Xing and Y. Zhu. 2009.Asurvey on body area network. In Proc. of 5th International Conference on Wireless Communications, Networking and Mobile Computing (WiCom’09). 1.4.
B. Xu, L. Da Xu, H. Cai, C. Xie, J. Hu, and F. Bu. 2014. Ubiquitous data accessing method in IoT-based information system for emergency medical services. IEEE Trans. Ind. Informat. 10, 2 (2014), 1578.1586. DOI:10.1109/TII.2014.2306382
L. Yang, Y. Ge, W. Li, and W. Rao. 2014. A home mobile healthcare system for wheelchair users. In Proceedings of the IEEE 18th International Conference on Computer Supported Cooperative Work in Design. 609.614. DOI:10. 1109/CSCWD.2014.6846914
L. Yang, Y. Ge, W. Li, and W. Rao. 2014. A home mobile healthcare system for wheelchair users. In Proceedings of the IEEE 18th International Conference on Computer Supported Cooperative Work in Design. 609.614. DOI:10. 1109/CSCWD.2014.6846914
M. Zhou. 2013. Internet of things: Recent advances and applications. In 2013 IEEE 17th International Conference on Computer Supported Cooperative Work in Design (CSCWD’13). 1.1.
상기와 같은 문제점을 해결하기 위하여 안출된 본 발명은 병렬 처리 및 하둡(Hadoop) 분산 파일 시스템(HDFS) 데이터 노드를 기반으로 하는 빅 데이터(Big Data) 분석 방법을 사용하는 하둡(Hadoop) 기반 지능형 의료 시스템(HICS) 및 그 방법을 제공하는 데 있다.
제안된 시스템에서 인체는 착용할 수 있는 장치 및 혈압(BP), 맥박수, 당뇨병 징후 등을 측정하는 기타 신체 센서를 사용하여 이 정보를 첨부된 코디네이터에게 보낸다.
측정된 데이터는 Bluetooth 또는 Zigbee IEEE 802.15.4 기술을 사용하여 기본 의료 기기(PMD,primary medical device)로 전송된다.
PMD는 게이트웨이를 통해 3G / LTE / WiFi를 통해 인터넷에 연결된다. 각 게이트웨이는 다양한 PMD에서 측정된 데이터를 수집하고 지능형 빌딩(IB,intelligent building) 시스템으로 전송한다.
IB 시스템은 RF_RING 및 TNAPI(Fusco 및 Deri 2010)와 같은 고속 캡처 장치를 사용하여 대량의 들어오는 데이터 스트림을 처리하고 결과를 수집 단위로 집계하는 제안 된 HICS 네트워크 아키텍처의 중추를 구성한다.
수집된 데이터는 추가 처리를 위해 하둡(Hadoop) 처리 장치(HPU, Hadoop processing unit)로 전송된다.
HPU는 통계 계산, 비교 및 기타 작업을 비롯한 분석 알고리즘을 수행하고 결과를 생성한다.
마지막으로 분석 및 결정 장치는 HPU가 생성한 결과에 따라 시스템에 응답한다(환자가 원격 의사 또는 구급차를 필요로 하는 경우).
제안된 IoT 기반 HICS 시스템은 (1) 데이터 수집 계층, (2) 통신 계층, (3) 처리 계층, (4) 관리 계층 및 (5) 서비스 계층으로 구성된다.
데이터를 처리하고 분석하기 위한 공동 작업을 수행하는 하둡 생태계 시스템을 사용하여 5 계층 구조의 네트워크 아키텍처를 제안하고 구현한다.
제안된 네트워크 아키텍처는 헬스 케어 시스템을 위해 특별히 설계된 첫 번째 아키텍처로, 실시간 데이터뿐만 아니라 오프라인 데이터도 하둡을 기반으로 한다.
또한 구글(Google) 시스템은 연결된 의료 기기가 생성한 방대한 양의 데이터를 구성 요소로 나누고 하둡을 사용하여 분석함으로써 처리할 수 있다.
또한 들어오는 센서 데이터를 관리, 처리 및 분석하고 지능적으로 의사 결정을 내릴 수 있는 지능적인 빌딩 개념이 도입되었다.
이는 방대한 양의 데이터를 효율적으로 처리할 수있을뿐 아니라 언제 어디서든지 사용자에게 피드백을 제공한다.
전체 시스템은 UBUNTU 14.04에서 하둡을 사용하여 실제 환경에서 구현된다.
마지막으로, 의료 센서 데이터 세트는 임계치, 통계적 방법 및 기계 학습을 사용하여 환자의 심각한 건강 상태를 확인함으로써 제안된 시스템의 실현 가능성, 정확성 및 효율성을 확인하기 위해 재생된다.
도 1은 본 발명이 바람직한 일 실시예에 따른 하둡 기반 지능형 의료 시스템의 데이터 수집 계층의 데이터 수집부의 예시도이다.
도 2는 코디네이터 센서에 의해 전송되는 패킷 구조를 보여주는 도면이다.
도 3은 본 발명의 일 실시예에 따른 하둡 기반 지능형 의료 시스템의 계층도이다.
도 4는 본 발명의 바람직한 일실시예에 따른 하둡 기반 지능형 의료 시스템의 구성도이다.
도 5는 본 발명의 바람직한 일실시예에 따른 하둡 기반 지능형 의료 방법의 흐름도이다.
도 6은 도 5의 지능형 빌딩 시스템의 처리 과정을 설명하는 알고리즘이다.
도 7은 환자의 식후 당뇨 측정 결과를 보여주는 도면이다.
도 8은 환자의 사전 당뇨병 측정 결과를 보여주는 도면이다.
도 9는 ICU 환자 측정 결과를 보여주는 도면이다.
도 10은 조깅하는 동안 환자의 가속 차트를 보여주는 도면이다.
도 11은 걷는 동안 환자의 가속도 차트를 나타낸다.
도 12는 위층을 걷는 동안 환자의 가속도 차트를 나타낸다.
도 13은 아래로 내려가는 환자의 가속도 차트를 나타낸다.
도 14는 네 가지 의사 결정 트리 모델을 사용하여 실제 양성 측면에서 활동 탐지 정확도를 나타내는 도면이다.
도 15는 4 가지 결정 트리 모델을 이용한 오 탐지에 의한 활동 탐지 정확도를 나타내는 도면이다.
도 16은 의사 결정 모델의 성능 비교를 나타내는 도면이다.
도 17은 제안된 시스템의 다양한 데이터 세트에 대한 평균 처리 시간을 나타내는 도면이다.
도 18은 레코드당 센서의 수에 따른 제안 된 시스템의 평균 처리 시간을 나타내는 도면이다.
도 19는 데이터 세트의 심각한 판독 횟수와 해당 응답 시간을 보여준다.
도 20은 MB 당 평균 처리 시간을 고려한 두 가지 구현 간의 비교를 보여준다.
도 2는 코디네이터 센서에 의해 전송되는 패킷 구조를 보여주는 도면이다.
도 3은 본 발명의 일 실시예에 따른 하둡 기반 지능형 의료 시스템의 계층도이다.
도 4는 본 발명의 바람직한 일실시예에 따른 하둡 기반 지능형 의료 시스템의 구성도이다.
도 5는 본 발명의 바람직한 일실시예에 따른 하둡 기반 지능형 의료 방법의 흐름도이다.
도 6은 도 5의 지능형 빌딩 시스템의 처리 과정을 설명하는 알고리즘이다.
도 7은 환자의 식후 당뇨 측정 결과를 보여주는 도면이다.
도 8은 환자의 사전 당뇨병 측정 결과를 보여주는 도면이다.
도 9는 ICU 환자 측정 결과를 보여주는 도면이다.
도 10은 조깅하는 동안 환자의 가속 차트를 보여주는 도면이다.
도 11은 걷는 동안 환자의 가속도 차트를 나타낸다.
도 12는 위층을 걷는 동안 환자의 가속도 차트를 나타낸다.
도 13은 아래로 내려가는 환자의 가속도 차트를 나타낸다.
도 14는 네 가지 의사 결정 트리 모델을 사용하여 실제 양성 측면에서 활동 탐지 정확도를 나타내는 도면이다.
도 15는 4 가지 결정 트리 모델을 이용한 오 탐지에 의한 활동 탐지 정확도를 나타내는 도면이다.
도 16은 의사 결정 모델의 성능 비교를 나타내는 도면이다.
도 17은 제안된 시스템의 다양한 데이터 세트에 대한 평균 처리 시간을 나타내는 도면이다.
도 18은 레코드당 센서의 수에 따른 제안 된 시스템의 평균 처리 시간을 나타내는 도면이다.
도 19는 데이터 세트의 심각한 판독 횟수와 해당 응답 시간을 보여준다.
도 20은 MB 당 평균 처리 시간을 고려한 두 가지 구현 간의 비교를 보여준다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 설명하기 위하여 이하에서는 본 발명의 바람직한 실시예를 예시하고 이를 참조하여 살펴본다.
먼저, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니며, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 또한 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
지능형 IoT 환경을 개발할 때 연결 대상의 궁극적인 목표는 힘, 계산 및 효율성의 맥락에서 심각하게 제한될 수 있음을 이해하는 것이 중요하다. 아래에서는 먼저 IoT 애플리케이션과 그 단점에 초점을 맞춘다.
지능형 IoT 애플리케이션과 같은 스마트 환경을 위한 다양한 접근법이 개발되었는데, 여기에는 u- 사물의 각각이 환경 조건에 기반한 의사 결정 기능을 가지고 있다고 가정한다(Roderic and Hanson 2009; Tangab et al. 2012; Liao et al. 2012). 그러한 방법론에서, 대부분의 u-사물은 비싼 계산을 처리할 수 있는 기능이 제한되어 있기 때문에 성능 저하가 절정에 이른다.
iHome Health-IoT 플랫폼은 개방형 플랫폼 기반의 지능형 의학 팩(iMedPack)을 포함하고 있으며, 이는 장치와 서비스의 통합을 위해 연결성과 호환성이 강화되었다(Yang et al. 2014).
그러나 언급된 플랫폼은 IoT 클라우드와 사용자 간의 효율적인 통신이 부족하다. 센서 및 액추에이터가 인텔 갈릴레오 보드(Wu et al 2014)에 의해 제어되는 스마트 주방 플랫폼이 제안되었다.
이 접근법에서, 문 입구에 배치된 센서는 물체의 실제 판독 값을 제공하지 않으며 의도된 장애인 대신에 방에 들어가는 동물일 수 있다.
또한 IoT 아키텍처, 구현 및 유망한 IoT 애플리케이션 식별 및 연결된 데이터 스트림 관리와 관련된 다양한 문제가 설명된다(Zhou 2013).
IoT 장치에서 생성되는 데이터 스트림을 저장, 분석 및 시각화하기 위해 클라우드 서비스는 물론 빅 데이터 접근 방식을 활용할 수 있으므로 확장성, 가용성, 유연성 및 적응성과 같은 다양한 중요 측면을 향상시킬 수 있다(Clayman and Galis 2011).
이러한 측면에서의 극적인 개선은 IoT 관점에서 예측되는 상호 연결된 수백만 가지 항목의 증가에 중요하다. 또한 다양한 유형의 감각 데이터에 대한 쿼리, 인덱싱, 처리, 모델링 및 트랜잭션 처리와 관련하여 심각한 제한이 있는 다양한 데이터베이스 도구를 사용할 수 있다(Cooper 2009). 이러한 모든 요소는 현재 기존 의료 시스템에는 존재하지 않는다.
전반적으로 언급된 기술은 기존의 IoT 아키텍처를 따르거나 제한된 범위의 의료만을 다루는 특정 문제에 대한 새로운 아키텍처를 설계한다.
기존 시스템은 IoT에서 의료 시스템의 기본 구성 요소를 향상시키는 데 필수적인 요소인 새로운 제조 장치를 통합하는 경우는 거의 없다.
그러나, 바람직한 시스템은 모든 측면의 관점에서 사람(가정 내부 환자, 가정 외부 환자)을 돌볼 수 있어야하며, 필요한 약물 치료뿐만 아니라 환자 및 환자의 지속적인 모니터링을 수행 할 수 있어야하며, 실시간으로 적절한 조치를 취할 수 있어야 한다.
언급된 문제는 고속 수집 및 수집뿐만 아니라 들어오는 고속 의료 및 센싱 데이터의 병렬 처리 및 효율적인 처리를 통해서만 달성할 수 있다. 이러한 요구 사항을 염두에 두고 제안된 접근 방식은 응용 프로그램 환경의 PMD와 같은 제어 모듈 중 하나와만 통신 링크가 있어야한다. 또한, 대부분의 처리가 인터넷이나 지능형 건물을 통해 이루어지기 때문에 u-사물은 광범위한 계산을 수행할 필요가 없다.
데이터 처리와 관련하여 의료 및 의료 애플리케이션을 위한 빅 데이터 분석 엔진을 기반으로 하는 몇 가지 솔루션이 있다(Fang et al. 2016; Muin et al. 2014; Hermon et al. 2014).
Toreador(Ardagna et al.2016, Ardagna et al. 2017)는 건강 관리 시나리오에서도 스트리밍 처리의 컨텍스트에서 유용할 수 있는 서비스로서 빅 데이터에 중점을 둔 선구적인 H2020 프로젝트이다.
그러나 아직 개발 중이며 이기종 센서 데이터 소스가 다른 시나리오를 사용자 지정 중심으로 평가하는 상황에서는 사용자 지정이 불가능하다.
Evotion (Prasinos et al. 2017)은 건강 관리 및 특히 청력 상실 시나리오를 위해 빅 데이터에 중점을 둔 H2020 프로젝트이다. 사용자가 착용할 수 있는 센서를 비롯한 센서에서 오는 데이터의 분석 처리에 따라 질병을 이해하는 데 도움이 된다. 빅 데이터 분석을 이용하는 의사 결정 지원 시스템이 포함된다.
그러나 아직 초기 단계이다. Muin et al.(2014)는 공중 보건을 위한 빅 데이터 (Big Data)에 중점을 두었다. 공중 보건은 처리의 관점에서 초기 요구 사항과 이점을 강조한다. Hermon et al.(2014)는 체계적인 검토 접근법을 사용하여 의료 분야에서 빅 데이터 사용을 분류했다.
보다 최근에, Fang et al. (2016)은 빅 데이터 시대의 전산 건강 정보학의 기존 과제, 기술 및 향후 방향에 대한 포괄적인 설문 조사를 제공한다. 그러나 본 발명에서는 처리 기능에 초점을 맞추지 않고 네트워킹 아키텍처와 기능에 중점을 둔다.
아래에서는 의료 및 활동 센서의 기능성, 하둡(Hadoop) 기반 HICS의 통신 모델, 지능형 빌딩 및 그와 같은 네트워크 아키텍처를 비롯한 센서 배포 시나리오를 비롯하여 제안된 계획에 대해 논의한다.
의료 시스템은 전처리 공정, 치료 과정 및 후 처리 과정을 포함하는 역동적 인 과정으로 구성된다.
도 1은 본 발명이 바람직한 일 실시예에 따른 하둡 기반 지능형 의료 시스템의 데이터 수집 계층의 데이터 수집부의 예시도이다.
도 1은 본 발명의 일 실시예에 따른 하둡 기반 지능형 의료 시스템의 데이터 수집 계층의 데이터 수집부는 활동 센서(10), 의료 센서(20), 코디네이터 센서(30) 및 기본 의료 기기(40)로 이루어져 있다.
상기 활동 센서(10), 의료 센서(20) 및 코디네이터 센서(30)와 같은 다양한 센서가 인체 부품에 부착되어 있다.
인체 신체 부위에는 손목, 발목, 심장, 가슴, 머리/헬멧(사이클링) 및 기타 신체 부위가 포함된다.
이 센서는 당뇨병 정보, 심박수 및 혈압 데이터와 같은 이기종 데이터를 수집한다. 또한, 앉기, 걷기, 위층 또는 아래층으로 걷기, 자전거 타기 등 신체 운동과 같은 다양한 활동이 기록한다.
이러한 활동 중에 센서는 체온, 심장 박동, 혈압, 땀 수준 및 포도당 수준을 읽는다. 다양한 센서의 데이터를 수집하고 집계하여 시스템의 에너지 효율을 높이기 위해 싱크 노드로 작동하는 코디네이터 센서(30)를 활용했다.
코디네이터 센서(30)는 데이터를 수집하여 이를 기본 의료 기기(PMD)(40)로 전송하는 중계 노드 역할을 한다. PMD는 휴대 전화 애플리케이션이거나 인터넷에 연결된 소형 무선 장치/액세스 포인트일 수 있다. PMD(40)와 코디네이터 센서(30)간의 통신은 Bluetooth 또는 Zigbee 기술을 통해 이루어진다.
코디네이터 센서(30)는 신체에 부착된 다양한 센서로부터 건강 판독 값을 수신한다. 각 센서의 프레임은 세 가지 주요 정보 유형을 포함한다.
(1) 센서를 고유하게 식별하는 GDID(전역 고유 장치 식별자), (2) 혈당, 맥박 등과 같은 센서의 유형을 식별하는 타입(type); (3) 센서의 판독 값을 나타내는 밸류(Value)로 구성된다.
도 2는 인체의 신체에 부착된 센서의 수에 따라 코디네이터 센서의 다양한 블록 구조를 보여준다.
코디네이터 센서(30)는 모든 센서의 판독 값을 집계 한 다음 올바른 포맷과 순서로 단일 패킷/블록에 캡슐화한다. 처음에는 센서와 사용자를 고유하게 식별하는 U_ID (사용자 ID)를 주로 포함하는 패킷 헤더를 추가한다. 나중에 사용 가능한 판독 값에 따라 다음과 같은 순서로 다양한 센서 판독 값을 추가하여 확대한다 : (1) 혈당 수치 판독, (2) 혈압 판독, (3) 맥박, (4) 온도, (5) 심장 비율 및 (6) 호흡률 등이다. 다양한 센서의 모든 판독 값이 단일 패킷에서 특정 시간에 추가된다. 모든 센서가 PMD(40)에 직접 데이터를 전송할 필요가 없으므로 에너지가 절약된다. 또한, 환자의 신체에 있는 많은 센서는 환자의 요구 사항에 달려 있다. 따라서 모든 센서가 사용자의 신체에 부착되어야하는 것은 아니다.
지능형 빌딩 시스템에서 단일 블록의 판독 값은 필드 유형별로 분류된다.
도 3은 본 발명의 일 실시예에 따른 하둡 기반 지능형 의료 시스템의 계층도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 하둡 기반 지능형 의료 시스템의 계층은 (1) 데이터 수집 계층(110), (2) 통신 계층(120), (3) 처리 계층(130), (4) 관리 계층(140) 및 (5) 서비스 응용 계층(150)으로 구성된다.
제안된 계층화된 아키텍처에서 데이터 수집 계층(계층 1)(110)은 의료 센서를 사용한 데이터 감지, 데이터 수집 및 데이터 버퍼링을 포함한 데이터 수집 기능을 제공한다. 또한 처리할 데이터의 전체 볼륨을 줄이는 필터링 서비스를 제공한다. 불필요한 메타 데이터와 반복된 판독 값을 모두 버려야한다.
통신 계층(계층 2)(120)은 헬스 케어 애플리케이션과 관련된 다양한 장치에 엔드-투-엔드 연결을 제공한다.
지그비 및 블루투스 기술의 근거리 통신 방식을 사용하여 의료 센서에서 코디네이터 센서 및 PMD로 데이터를 전송하고, 인터넷(셀룰러 또는 유선 네트워크)을 사용하여 PMD에서 IB로, 이더넷을 통해 서버에서 서버로 데이터를 전송한다 . 또한 이 계층은 데이터를 하둡(Hadoop) 처리에 적합한 형식으로 변환한다.
또한 Pcap Input, Text I / O 및 Binary I / O를 사용하여 BAN 데이터를 다양한 시퀀스 파일로 변환한다.
처리 계층(계층 3)(130)은 데이터 수집 계층(110)에서 시퀀스 파일을 수신하는 지능형 빌딩 시스템(IB)의 기본 구성 요소이다. 데이터의 특성에 따라 필요한 통계 계산을 수행하면서 데이터를 처리한다.
빅 데이터의 경우 고효율을 달성하기 위해 전체 데이터를 작은 조각으로 분해하고 각 조각을 하둡(Hadoop) 분산 파일 시스템(HDFS) 및 맵 리듀스(MapReduce)를 사용하여 병렬로 개별 처리한다. 이후 각 조각의 결과가 다시 수집되어 향후 분석을 위해 결과 저장 영역에 보관된다.
관리 계층(계층 4)(140)은 시스템의 스마트 계층이며 처리 계층(130)의 결과를 조사하고 해당 조치를 권장하는 다양한 의료 전문가 시스템으로 구성된다.
예를 들어, 환자가 고혈압 또는 혈압계가 있는 경우 사용자에게 피드백 생성을 위해 응급실로 안내한다.
사용자가 지연을 경험하는 그러한 비상 조치의 경우, 이러한 계층은 신속하게 적절한 조치를 취할 수 있도록 충분히 효율적이어야 한다.
마지막으로 서비스 응용 계층(계층 5)(150)은 최종 사용자에게 연결성을 제공하여 병원(예 : 원격 의사 지원, 일상적인 건강 진단), 응급 치료(예 : 고혈압), 구급차(예 : 치명적인 문제를 야기할 수 있는 사전 정의된 임계값 미만의 혈압) 및 경찰과 같은 다양한 시설에 액세스한다. 또한 의사는 환자의 병력을 지속적으로 분석하여 환자를 모니터링할 수 있다. 이러한 서비스를 통해 의사는 환자의 현재 건강 상태를 얻기 위해 시설에 연결할 수 있다.
도 4는 본 발명의 바람직한 일실시예에 따른 하둡 기반 지능형 의료 시스템의 구성도이다.
도 4를 참조하면, 혈압, 맥박, 인간의 움직임, 당뇨병 상태 등을 측정하는 데 사용되는 다양한 종류의 의료 센서(10)가 인체에 부착되어 있으며, 코디네이터 센서(30)를 통하여 기본 의료 기기(40)로 인체의 의료 정보를 전달한다.
제안된 시스템을 더 잘 이해하기 위해 모든 사용자가 스마트 장치를 갖추고 있다고 가정한다. 예를 들어, 가정, 노인 사용자, 신체 운동을 하는 사용자 및 기타 환자를 고려한다.
이러한 시나리오에서 환자의 혈압이나 다른 질병이 정의된 임계값을 초과하거나 노인이 심장 발작을 겪거나 신체 운동을 하는 사용자가 응급 처치가 필요한 경우 의료 센서(10)는 측정된 상태 매개 변수 판독 값을 에이젠트(예 : 라즈베리 파이)로 전송한다.
Raspberry-pi는 센서 데이터를 모바일에서 읽을 수 있는 데이터로 변환하는 데 사용되는 장치이다.
변환 후 이동 가능한 데이터는 ZigBee, Bluetooth 또는 IEEE 8.2.15.4를 사용하여 기본 의료 기기(40)로 전달된다.
기본 의료 기기(40)는 인터넷 연결이 가능한 스마트 폰 또는 ZigBee, Bluetooth 또는 IEEE 8.2.15.4 장치 일 수 있다.
기본 의료 기기(40)는 인터넷 (LTE / 3G / WiFi)을 통해 지능형 빌딩 시스템(200)에 연결된다.
지능형 빌딩 시스템(200)은 의료 정보인 센서 데이터를 저장하고 처리하는 데 사용되는 스마트 블록이며 데이터 컨텍스트에 따라 특정 작업을 실행한다.
따라서, 상기의 경우, 지능형 빌딩 시스템(200)은 개별 환자(병원 내 환자의 병력 기록 또는 의사 처방 변경 기록), 노약자 (외래 의사 또는 구급차 필요), 종사자 육체 운동 (인근 구급 병원에서 응급 처치를 제공), 어린이와 성인을 운송하는 자동차(경찰서에 경고하기 위해) 및 다른 사람들을 대상으로 한다.
지능형 빌딩 시스템(200)은 다수의 인체에 부착된 의료 센서(10)등으로부터 수집된 고속 빅데이터(Big Data)를 처리하는 완벽한 지능형 시스템이다.
지능형 빌딩 시스템(200)은 하둡(Hadoop) 생태계 시스템의 병렬 처리 패러다임을 활용한다.
지능형 빌딩 시스템(200)은 건강 매개 변수를 지속적으로 모니터링하여 신체에 센서가 있는 많은 사람들로부터 건강 센서 데이터를 수집, 처리 및 분석한다.
지능형 의료 시스템으로 간주 될 수 있는 지능형 빌딩 시스템(200)은 수집 유닛(210), 의료 전문가 시스템(220), 데이터베이스(230), 하둡 처리 유닛(240), 의사 결정 서버(250) 및 서비스 응용 계층(260)을 포함한다.
상기 수집 유닛(210)은 본문 영역 네트워크에서 들어오는 상태 데이터의 진입점이며, BAN 네트워크에 등록된 각 개인의 데이터를 지속적으로 수집한다.
이와 같은 수집 유닛(210)은 시스템의 복잡성에 따라 수집, 필터링 및 로드 밸런싱의 모든 기능을 수행하는 단일 서버가 있거나 각 기능에 대해 여러 서버를 보유할 수 있다. 수집 서버가 고속 수신 WBAN 센서를 수집하는 수집 유닛(210)에 대해 여러 개의 서버를 고려했다.
수집 유닛(210)은 의료 센서(10)를 고유하게 식별하는 GDID(전역 고유 장치 식별자), U_ID(사용자 ID) 그리고 단일 패킷에 포함된 센서 판독 값과 같은 정보를 추출한다. 또한 불필요한 반복 정보를 모두 버려 필요한 모든 데이터를 필터링한다.
상기 수집 유닛(210)은 Hadooppcap-lib, Hadoop-pcap-serde 및 Hadoop-pcap-input과 같은 하둡 (Hadoop) 라이브러리를 사용하여 들어오는 패킷을 처리하고 패킷에 캡슐화된 센서 판독 값으로부터 시퀀스 파일을 생성한다.
각 개별 U_ID에 대해 하나의 시퀀스 파일이 생성된다. 해당 사용자의 모든 판독 값이 해당 순차 파일에 추가된다. 시퀀스 파일이 크기 또는 시간 임계값에 도달하면 하둡 처리 유닛(240)으로 통계 파일을 분석하고 계산하여 시퀀스 파일을 처리한다. 로드 밸링싱 기능은 Hadoop 설정의 마스터 노드인 경우가 많으며 시퀀스 파일을 처리할 데이터 노드를 결정한다. 각 하둡 처리 유닛(240)의 병렬 데이터 노드에는 시퀀스 파일을 처리하는 GDID 범위가 있다. 각 하둡 처리 유닛(240)의 병렬 데이터 노드는 GDID 범위 내에 있는 환자 데이터를 처리하고 분석한다.
상기 데이터베이스(230)는 상기 수집 유닛(210)의 사용자별 시퀀스 파일을 저장하여 관리한다.
하둡 처리 유닛(240)은 다양한 마스터 노드(240-1)와 많은 병렬 데이터 노드(240-2)로 구성된다. 다양한 병렬 데이터 노드(240-2)에서 HDFS를 사용하여 데이터를 블록에 저장한다. 각 데이터 노드(240-2)는 맵 리듀스(MapReduce) 구현을 사용하여 제안된 알고리즘을 갖추고 있어 통계 매개 변수를 계산하거나 시퀀스 파일에서 센서의 건강 판독 값을 분석하여 의사 결정을 위한 중간 결과를 생성함으로써 시퀀스 파일을 처리한다.
병렬 데이터 노드(240-2)가 임의의 시퀀스를 수신하면 파일을 수집 단위에서 추출한 후 시퀀스 파일에서 알고리즘을 실행하고 중간 결과를 생성한다.
다양한 매퍼 및 리듀서가 병렬로 작동하여 고효율을 달성한다.
매퍼는 처음에는 각 센서 판독 값이 정상인지 여부를 심도있게 분석할 필요가 없거나 분석 및 응급 조치가 필요한 비정상적인 값이 있는지를 결정한다.
상기 매퍼는 각 센서 판독 값을 상응하는 정상 임계값과 비교하여 만족할 경우 더 이상 시간을 소비하지 않고 데이터베이스에 저장한다.
이와 달리 상기 매퍼는 WBAN의 각 센서 판독 값이 해당 경고 임계값을 충족하면 빠른 응답을 위해 서비스 응용 계층(260)에 직접 경고를 생성한다.
서비스 응용 계층(260)은 사고에 대비하여 경찰에 전화를 걸거나 심장 마비, 심각한 당뇨병, BP 등의 경우 의사 또는 구급차에 전화하는 것과 같이 센서, 값 및 환자에 따라 신속한 조치를 수행한다.
명백히 센서의 판독 값이 정상이거나 심각하지 않으면 하둡 처리 유닛(240)의 매퍼는 분석을 수행하며, 통계적 매개 변수를 계산하거나 알고리즘에 따라 다른 계산을 수행하여 최종 결정을 위한 중간 결과를 생성함으로써 분석 처리된다.
마지막으로 하둡 처리 유닛(240)의 결과 집계 유닛(240-3)은 다양한 병렬 데이터 노드의 리듀서를 사용하여 결과를 집계하여 의사 결정 서버(250)로 보낸다.
의사 결정 서버(250)는 의료 전문가 시스템(220), ML(machine-learning) 분류기 및 기타 복잡한 의료 문제 감지 알고리즘이 장착되어있어 향후 분석 및 의사 결정에 활용할 수 있다. 복잡한 의료 전문가 시스템, ML 분류기 등을 사용하여 환자의 이전 병력에 따라 처리 장치에서 받은 현재 결과를 분석한다.
의료 전문가 시스템(220)의 구체적인 세부 사항은 광대함 때문에 상세히 설명하지는 않지만, 제안된 것과 같은 빅 데이터 시스템이 근본적인 기반을 구성한다는 것은 분명하다. 예를 들어, Anisetti et al. (2017)은 빅 데이터 분석 엔진을 사용하여 당뇨병 병리학적 탐지 및 예방 분야에서 의학적 평가에 적합한 복잡한 분석 처리의 몇 가지 예가 제안되었다. 시나리오에서는 REPTree와 같은 간단한 기계 학습 분류기를 의사 결정 서버(250)에서 사용한다. 왜냐하면 의사 결정 서버(250)는 정상적이고, 예리한 방향으로 진행되며, 간단한 질병 탐지를 위해 충분히 효율적이고 정확하기 때문이다.
도 5는 본 발명의 바람직한 일실시예에 따른 하둡 기반 지능형 의료 방법의 흐름도이다.
도 5를 참조하면, 본 발명의 바람직한 일실시예에 따른 하둡 기반 지능형 의료 방법은 데이터 수집부가 인체의 의료 정보와 활동 정보를 수집한다(S100).
그리고, 지능형 빌딩 시스템은 데이터 수집부에서 수집한 인체의 의료 정보의 전체 데이터를 작은 조각으로 분해하고 각 조각을 하둡 분산 파일 시스템(HDFS) 및 맵 리듀스(MapReduce)를 사용하여 병렬로 개별 처리하며, 각 조각의 결과를 집계하여 보관한다(S200).
도 6은 도 5의 지능형 빌딩 시스템의 처리 과정을 설명하는 알고리즘이다.
도 6에 도시된 알고리즘은 고속 WBAN 센서 데이터를 처리하기 위해 제안된 HICS 지능형 빌딩 시스템을 위해 설계되었다. SAVE_DB (), Analyze_Data () 및 Emergency ()는 일부 동작을 나타내는 함수이다. SAVE_DB는 GDID 및 U_ID에 해당하는 데이터베이스에 센서 데이터를 저장한다. Analyze_Data 함수는 전문가 시스템, ML 분류 알고리즘, 통계 매개 변수 계산 및 기타 복잡한 의학 문제 탐지 알고리즘을 구현한다. 응급 기능은 환자 센서에서 심각한 판독 값을 수신하거나 처리 서버에서 생성된 분석 결과를 기반으로 경고를 생성하는 경우 신속한 조치를 수행하도록 응용 프로그램 및 서비스 계층에 경고한다.
알고리즘은 제안된 시스템의 의사 코드이다. 처음에 수집 유닛(210)은 모든 센서의 판독 값이 블록에 캡슐화된 상태로 기본 의료 기기(40)에서 패킷을 수신한다.
수집 단위는 GDID, U_ID 및 수행된 활동에 해당하는 모든 의학 판독 값을 추출한다(활동 판독 값이 있는 경우).
다음 단계에서 이러한 판독 값은 특정 시퀀스 파일의 GDID 및 U_ID에 해당하는 하나의 레코드로 시퀀스 파일에 추가된다.
따라서 각 패킷에 대해 하나의 레코드가 시퀀스 파일에 추가된다. 시퀀스 파일이 특정 시간 또는 크기 임계 값에 도달하면 하둡 처리 유닛(240)으로 전송된다.
하둡 처리 유닛(240)은 처음에 의료 판독 값이 (1)BP, 70 이상 140 이하, (2) 당뇨병, 70 이상 200 이하; (3) 맥박수는 70 에서 90까지와 같은 정상 범위 내에 있는지 확인한다. 정상 범위 값은 더 이상 처리하지 않고 데이터베이스에 저장된다.
반면에,이 센서의 값 중 하나가 (1) BP, 40 미만 및 200 이상과 같이 심각한 범위에 있는 경우, (2) 당뇨병, 40 이하 및 400 이상과 같은 심각한 범위에 있는 경우, (3) 맥박수, 성인의 경우 100 이상, 어린이의 경우 130 이상, 심박수는 0 ~ 240 bpm, 호흡률은 1 ~ 120 bpm, 온도는 33 ~ 42 ° C 인 경우 응급 조치를 취해야한다 .
각 유형의 센서에 대한 정상 및 심각한 경고 임계값은 판독 값이 수집되는 동안 수행되는 활동은 물론 해당 영향의 단위 및 강도에 따라 다르다.
한편, 센서 판독 값이 너무 심각하거나 너무 정상적이지 않으면 통계 계산 또는 기타 의료 측정이 최종 분석 및 의사 결정을 위한 중간 결과를 생성하기 위해 수행된다. 이러한 결과는 최종 결정 또는 질병 분류를 위해 의사 결정 서버로 전송된다.
표 1은 도 6의 알고리즘에 사용되는 값들을 나타내는 표이다.
(표 1)
한편, 제안된 알고리즘은 3.2GHz 프로세서와 4GB RAM이 장착된 UBUNTU 14.04 LTS 코어 TMi5 시스템에서 Hadoop 단일 노드 설정을 사용하여 구현된다. 아래에서는 제안된 시스템의 모든 구현 세부 사항을 제시한다. 시스템 효율성 및 응답 시간과 관련하여 시스템 평가에 대해서도 설명한다.
MapReduce는 Hadoop-pcap-lib, Hadoop-pcap-serde 및 Hadoop-pcap- 입력 라이브러리를 사용하여 네트워크 패킷 처리 및 수집 장치에서 시퀀스 파일을 생성하는 프론트 엔드 프로그래밍으로 사용된다. 구현 의지도 함수는 U_ID, 유형 및 해당 센서 값을 매핑한다. 값을 임계값과 비교하고 필요한 경우 조치 또는 경고를 생성한다.
또한 중간 결과를 생성하여 집계 단위에서 reduce 함수(키 속성으로 "U_ID"로, 값 속성으로 "결과")로 보낸다. 리듀서는 결과를 집계 한 다음 결과를 정렬하고 구성한다. 마지막으로 결과에 따라 결정된다.
다양한 데이터 노드에서 전체 시스템의 Hadoop MapReduce 구현으로 병렬 환경에서 알고리즘을 효율적으로 처리할 수 있다. 또한 이 알고리즘은 간단한 Java 프로그래밍을 사용하여 구현되어 Hadoop 구현을 비교 분석한다.
데이터 세트는 UCI(UCI 기계 학습 저장소 : 당뇨병 데이터 세트 2015, UCI 기계 학습 저장소 : ICU 데이터 세트 2015) 저장소 및 WISDM 연구소(WISDM 연구소 : 데이터 세트 2015, Kwapisz 외 2010)에서 수집하여, 제안된 시스템의 효율성을 평가할 수 있다.
UCI 당뇨병 데이터 세트(UCIMachine Learning Repository : 당뇨병 데이터 세트 2015)에는 예방 접종, 프리 런치, 포스트 런치, 프레스 낵 (presnack), 프레스퍼(presupper) 및 사후 보증인(postsupper)과 같은 다양한 시간 슬롯에 있는 야외 환자의 당뇨병 기록이 들어 있다.
밸류(value) 매개 변수는 환자의 당뇨병 가치를 보여준다. 이 데이터 세트에는 다양한 시점에서 여러 환자의 13,437 개의 레코드가 들어 있다. UCI ICU 데이터 세트 (UCI Machine Learning Repository : ICU 데이터 세트 2015)는 ICU가 8.5 개월 된 5kg의 여성 아이 환자의 담도 폐쇄 장애, 즉 응고 장애를 동반한 간 기능 장애가 있는 데이터를 감지한다. 데이터 세트에는 심박수(bpm), 호흡 수(breath / min), 동맥 압력 평균(mm Hg), 동맥 압력 - 이완기 수(mm Hg), 동맥 수축기 혈압 (mmHg), 동맥 O2 포화도(%), 1 회 호흡량, PIP(cm H2O) 등이 있다. 여기에는 다양한 연속 된 타임 스탬프가 있는 7,931 개의 레코드가 들어 있다.
WISDM Lab 데이터 세트 (Kwapisz et al. 2010)에는 (1) 세 개의 센서 (x- 가속도, y- 가속도, z- 가속도)에서 1,048,576 개 이상의 레코드를 다루는 WISDM_raw와 (2) WISMDM_Transformed, 누락된 값이 없는 WISDM_raw 파일의 변환된 양식이며 46 개의 매개 변수가 있는 5,418 개의 레코드가 들어 있다. WISMDM 데이터 세트에는 조깅, 걷기, 위층으로 걷기, 아래로 걷기와 같은 다양한 활동을 수행하면서 센서의 판독 값이 포함되어 있다. 이러한 모든 데이터 세트 외에도 다른 수의 센서 데이터를 포함하는 다른 데이터 세트를 사용하여 시스템 효율성을 평가했다. 또한 의료 데이터 세트 파일은 실시간 네트워크 트래픽으로 시스템에 재생되어 시스템의 실시간 효율성을 검사한다.
다음 평가의 목적은 문헌 데이터베이스를 사용하여 구체적인 시나리오에서 제안 된 시스템의 유용성을 입증하는 것이다. 보다 구체적으로, (1) 데이터 흐름에 대한 문맥적, 그러나 직접적인 규칙, (2) 데이터 흐름에 대한 문맥적이지만 복잡한 규칙; (3) 상이한 데이터 흐름으로부터의 문맥 추론등의 의사 결정 서버와 복잡한 상관 관계 기반 분석에 대해 여러 가지 이기종 플로우에 대한 결정이 요구된다. 이러한 분석은 향후 작업의 주제가 된다.
당뇨병 환자를 고려하여 분석을 위해 혈당을 측정한다. 환자는 혈압 (mg / dl) 당 밀리그램의 글루코스로 자신의 정기적인 미숙, 사후 검사, 사후 보증, 예방 접종 및 프리머스 포도당 수준 등을 고려하여 모니터링된다. 이 시스템은 데이터를 데이터베이스에 저장하거나 데이터를 일괄 처리로 분석하거나 사용자 / 환자로부터받은 값을 기반으로 응급 조치를 취한다. 도 7은 미숙, 사후 직후 및 사후 시험 기간에 환자의 처음 30 회 혈당 측정 그래프이다.
이 경우 환자는 인슐린 의존성 당뇨병 환자이다. 이러한 이유로 시스템은 문맥에 적응하여 평균 임계값으로 간주하여 250 mg / dl 미만일 때만 값을 저장한다. 그러나 수신된 측정치가 25 번째 및 15 번째 판독 값과 같이 심각한 임계값, 즉 400 mg /dl을 초과하면 환자를 병원에 입원시키거나 인슐린 투여 량을 늘리라는 요청으로 응급 조치가 취해진다. 설문 조사 결과를 분석하는 동안, 사후 포도당 수치의 대부분은 평균 문턱을 통과하지만 드문 경우는 드물게 발생한다. 아침 식사는 도 7과 같다. 결과적으로 환자는 저녁 식사를 위해 음식을 바꾸라고 요청받으며 인슐린 투여량을 늘리는 것이 좋다.
사전식 당뇨병 수준은 도 8에서 볼 수 있듯이 식전, 완전 채식, 사전 주사, presuper 및 presnack 당뇨병 수준으로 간주된다. 이 경우 평가의 목적을 설명하기 위해 분석 창이 더 커진다. 보다 구체적으로, 포도당 테스트는 심각한 임계값을 9 번 교차한다. 따라서 신속한 조치가 취해지며, 환자는 즉시 인슐린 투여 량을 늘리는 것이 좋다. 비정상적인 행동의 대부분은 prelunch와 presupper에서 관찰되며, 이는 PM 시간에 포도당 수준의 상승을 보여준다.
이 시스템은 또한 심박수(bpm), 동맥 압력 평균 (AP_mean, mmHg), 동맥 압력 - 이완기 혈압 (AP_Diastolic, mmHg) 및 동맥압 - 수축기 (AP_Systolic, mmHg)와 관련된 심장 환자 측정을 분석했다. 분석 보고서는 도 9에 나와 있다. 고려 대상 환자는 8.5 개월 된 작은 아동이다. 이러한 이유로 평균 심박수 임계값은 190이다. 심박수가 0:24:41, 04:19:04 및 09:00:09와 같은 평균 임계 값을 초과하는 경우가 있다. 그러나 그 당시 AP_mean, AP_Systolic 및 AP_Diastolic과 같은 기타 임시 조치는 정상이다. 이러한 이유로 응급 조치가 취해지지 않는다. 또한 11:26:54 및 11:27:54시 심박수가 크게 증가하고 AP_mean, AP_Systolic 및 AP_Diastolic도 정상 임계값을 초과한다. 따라서 시스템에서 경고를 생성하고 긴급 통화가 이루어진다.
제안된 시스템은 조깅, 걷기, 앉기, 서기, 위층 걷기, 아래층 걷기 등 혈압과 심박수 측정을 포함한 다양한 일상 활동을 수행하는 동안 다양한 의료 센서가 모니터링하는 다양한 의학적 매개 변수를 고려한다. 사용자의 활동을 식별하기 위해 제안 된 시스템은 발목, 가슴 또는 손목과 같은 신체 부위의 센서뿐만 아니라 휴대 전화 가속도계를 통해 사용자 데이터를 취함으로써 의사 결정 트리 기반의 기계 학습 분류기를 사용한다. 특히, 가속도 (즉, x- 가속도, y- 가속도 및 z- 가속도)는 지구의 중심을 향한 중력 가속도이며 10 = 1g = 9.8m / s ^ 2 및 0 = x에서 가속도가없는 것으로 평가할 수 있다 -, -, 및 - z 방향. x, y 및 z 가속도 값은 항상 -20에서 20 사이에 있으며 조깅, 걷기, 위층 걷기, 아래층 걷기 등 특정 사용자에 대해 도 10, 11, 12 및 13에 나와 있다. 각기, 모든 활동에는 x, y 및 z 가속도에 대해 고유 한 값이 있다. Y 값은 모든 활동에서 항상 x 및 z 값보다 크다. 조깅 할 때 대부분 x와 z 값이 겹친다. y 값은 10과 20 사이에 있으며 z 값은 -10에서 15까지 변동하며 거의 -10 미만이다. 위층으로 걷고 아래층으로 걷는 동안 y 가속도는 항상 0보다 크다. 또한 y 값은 걷는 경우 x 및 z 값과 항상 다르다. 또한 z 값은 0에 가깝지만 -5에서 10까지 변동한다. 위층을 걷는 동안 z 값은 항상 0에 가까워 지지만 주로 y 값과 다르다. 또한 x 및 z 값은 항상 -5보다 크다. x와 z 값 사이의 변화는 계단 아래로 걷는 동안 아주 적지만 도 13의 x, y, z의 시작 값에서 볼 수 있듯이 사용자가 계단 아래를 걷고 있을 때 몇 가지 비정상적인 것을 발견했다.
REPTree, Random Forest (Breiman 2001), J48 graft version (Geoffrey 1999), 간단한 Classification and Regression Tree (CART) 등의 의사 결정 기반 기계 학습 분류기를 사용하여 환자의 의학적 판독에 해당하는 활동 탐지를 수행했다. ) (Breiman 1984). 분류자 훈련을 위해 걷기 (38.4 %), 조깅 (30 %) 1,625 샘플, 위층으로 걷는 샘플 632 개를 사용하여 각기 다른 사용자의 x, y 및 z 가속도 값을 갖는 WISMDM_Transformed 데이터 세트를 가져 왔다 (11.7 %), 아래층 걷기 528 개 (9.8 %), 306 개 (5.7 %), 246 개 (4.6 %) 등으로 나타났다. 나중에 x, y 및 z 가속 값은 다음과 같다.
간단한 통계적 수단을 사용하여 43 개의 매개 변수로 변환 (Kwapisz et al. 2010)하여 모든 분류 자에 대해 설정된 특징 기능 세트에는 30 개의 bin 매개 변수, 즉 X0, X1, X2 . ,X9, Y0, Y1, Y2 ,. . . , Y9, Z0, Z1, Z2 ,. . . . . . , Z9의 값을 계산하여 그 특정 빈 내에 있는 가속도계 샘플 분율의 다음으로 9 개의 매개 변수 (1) 평균값 (XAVG, YAVG, ZAVG), (2) 표준 편차(XSTANDDEV, YSTANDDEV 및 ZSTANDDEV) 및 (3) 평균 절대 편차 값 x, y, z 가속도 (XABSOLDEV, YABSOLDEV, ZABSOLDEV)를 측정했다.즉, XPEAK, YPEAK, 및 ZPEAK를 획득하기 위한 피크 - 피크 측정치 3 가지 가속도 모두에서 진폭 10 % 인 최대 값 및 최대 값. 후에, 2 개의 연속적인 피크 사이에서 경과 된 시간의 평균값이 고려된다. 마지막으로, 결과 매개 변수는 AVG 로 측정된다.
4 가지 의사 결정 트리 모델 (REPTree, Random Forest, J48 graft, CART)에서 43 개의 매개 변수를 사용하여 사용자의 의료에 해당하는 6 가지 사용자 활동 (조깅, 걷기, 앉기, 서기, 위층 걷기, 아래로 걷기)을 파악했다. REPTree는 5,418 건의 활동 기록 중 4,591 건의 활동을 정확하게 파악했으며, Random Forest는 89.8 %의 진정한 긍정 (TP)으로 4,832 건의 활동을 정확히 파악하고, J48은 85.8 %의 진정한 긍정 (TP)으로 4,651 건의 활동을 정확하게 파악했으며, CART는 86 %의 참 긍정 (TP)으로 4,661 개의 활동을 정확하게 파악했다. TP에 대한 활동 탐지의 전체 정확도는 도 14와 도 15의 가양성 (FP)과 관련된다.
모든 의사 결정 트리 분류기는 위층과 아래층에 대해 매우 낮은 탐지율을 가지며 걷기에 대해 오 탐지율이 높다. 두 가지 활동 (즉, 아래층 및 위층으로 걷는)은 샘플 수가 적기 때문에 두 활동의 탐지율에 영향을 준다. 또한,이 두 가지 활동의 대부분은 보행으로도 탐지되어 보행의 위양성 비율을 증가시키고 위층 및 아래층 보행의 TP 비율을 감소시킨다. 전반적으로, Random Forest 결정 모델은 최고 TP 및 최저 FP로 뛰어난 성능을 발휘한다.
그러나, 랜덤 포레스트는 모델을 구축하는 동안 더 많은 시간(즉, 3,610 밀리 초)이 걸리는 반면, REPTree는 모델을 구축하는 데 매우 짧은 시간(즉, 140 초)이 걸린다. 모든 의사 결정 모델의 성능 비교가 도 16에 나와 있다.
성능을 고려할 때, 제안된 시스템은 주로 WBAN 대량 데이터의 고속 처리에 중점을 둔다. 결과적으로 다양한 데이터 세트에 대해 하나의 레코드를 처리하여 시스템을 평가하는 데 소요된 평균 처리 시간을 고려했다. 도 17에서는 단일 Hadoop 노드 설정에서도 평균 처리 시간이 15ms 미만임을 보여준다. 대부분의 데이터 세트는 평균 처리 시간이 3ms 미만이다. 당뇨병 데이터 세트에 레코드가 포함되어 있기 때문이다.
심각한 당뇨병 환자의 경우 기록 파일의 크기가 다른 파일에 비해 너무 작다. 따라서 MapReduce 기능으로 인해 대량의 입력, 출력 및 스위칭이 수행된다.이러한 이유로 처리 시간이 더 길어졌으며 레코드 당 약 15ms가 소요된다. 또한, 레코드 당 센서 수 (사람 또는 패킷 당)를 늘리면 도 18과 같이 처리 시간도 증가한다는 것을 알 수 있다. 평균 처리 시간의 증가는 전체적인 비교 증가로 인한 것이다. 임계 수는 센서 수의 확장으로 인한 것이다. 센서의 수에 해당하는 평균 처리 시간의 증가는 도 19에 나와 있다.
또한 한 도시의 여러 지역에있는 여러 환자의 혈압, 당뇨병, 심장 박동수 및 온도에 대한 여러 가지 심각한 수치로 구성된 데이터 세트를 생성했다. 그런 다음 대응하는 시스템 응답 시간을 테스트하여 경고 및 비상 조치를 생성했다. 위치와 시간 정보와 함께 심각한 임계 값을 넘는 100-1,000 개의 판독 값을 고려한 다음 제안 된 시스템의 응답 시간을 측정했다.
도 19는 데이터 세트의 심각한 판독 횟수와 해당 응답 시간을 보여준다. 1 초 내에 100 회의 심각한 판독 값을 얻으려면 시스템에서 경고에 응답하고 약 500ms 만 걸린다. 또한, 수백에서 초당 심각한 판독 값이 증가함에 따라 응답 시간이 약간 증가한다. 마지막으로 제안된 아키텍처를 Hadoop 시스템 구현과 동일한 기능을 제공하는 간단한 프로그래밍 구현과 비교하여 평가했지만 Java 프로그래밍 언어는 1MB의 데이터를 처리하는 평균 처리 시간과 관련하여 배포 및 기능이 없음을 평가했다. 처음에는 작은 데이터 세트 (대략 100MB 미만)의 경우 Java 구현이 Hadoop MapReduce 구현을 능가한다.
MapReduce 구현은 단일 데이터 세트를 64MB 블록으로 나누어 병렬 작업을 수행한다. 반면 MapReduce 기능의 작동 특성으로 인해 많은 수의 입력, 출력 및 스위칭 작업이 필요하기 때문에 더 작은 크기의 데이터 세트에 MapReduce 구현을 사용하는 것은 좋지 않다.
그러나 대형 데이터 세트 (Big Data)의 경우 Hadoop 구현을 사용하는 것이 더 편리하고 유익하다. 도 20은 MB 당 평균 처리 시간을 고려한 두 가지 구현 간의 비교를 보여준다. 데이터 세트의 크기가 커짐에 따라 Hadoop 구현은 1MB의 데이터를 처리하는 데 더 적은 시간을 필요로 하다. 반면에 Java 구현은 파일이 더 클 때, 즉 100MB보다 큰 시간이 필요하다. 따라서 데이터 집합 크기가 커지는 동안 평균 처리 시간이 줄어들고 단순 프로그래밍 환경의 경우 데이터 집합이 커지면서 처리 시간이 늘어난다.
표 2에서는 관련 매개 변수를 기준으로 비교를 수행한다. IoT는 다양한 분야에서 많은 이점을 제공한다. 그러나 에너지, 신뢰성, 보안, 집계, 대역폭, 프로세싱, 메모리 기능 등의 한계로 인해 의료 분야에서 많은 다른 과제들이 IoT에 의해 제시되고 있다. 나머지 매개 변수는 표 2에 나와있다. 웹 애플리케이션 및 모바일 애플리케이션에 대한 사용자 액세스는 O로 표시된다.
(표 2)
IoT의 의료 시스템에 대한 최근 연구의 대부분은 자원 사용의 효율성을 높이기 위한 것이다. 결과적으로 학습 기술, 성능 및 에너지 소비를 향상시키고 대역폭 사용을 최소화하는 데 도움이 될 IoT의 의미론적 지식에 중점을 두는 추가 조사가 필요하다. 또한 장치에 대한 데이터를 집계, 처리 및 저장(필요한 경우)하는 특별한 기술이 필요하다. 이는 네트워크 효율성을 향상시킬 뿐만 아니라 중간 장치에서 데이터 처리를 향상시킨다. 이 기술은 데이터 트래픽과 같은 IoT 통신의 다양한 특성에 의존하기 때문에 헬스 케어 시스템에 아직 채용되지 않는다. 또한 IoT 기반 모바일 애플리케이션은 이동성 관리와 관련하여 비효율적인 용량으로 인해 상당한 오버 헤드 문제를 가지고 있으며 이러한 장애를 극복해야한다.
장치가 WiFi 또는 3G와 같은 다양한 네트워크 중 하나에 연결되어야 할 때마다 장치는 리소스 사용 측면에서 다중 경로 및 / 또는 경제 네트워크와 관련하여 장점을 위해 전체 시나리오를 활용한다.
이러한 기술은 m-Health (Doukas et al. 2012), VIRTUS IoT (Bazzani et al. 2012), iHealth (Bhunia et al. 2014) 및 개인 건강 환경(Jara et al)이다.
앞서 언급 한 문제를 해결하기 위해 최적화 및 효율성의 전반적인 성능을 위해 다양한 데이터 집계 및 탐색 기술에 중점을 둘 필요가 있다. 탐색 기법은 데이터 압축 및 데이터 연결 방식과 같이 전송에 필요한 데이터의 크기와 양을 줄이는 데 중점을 두기 때문에 집계 방법을 전송 예약 기법과 결합해야한다. 또한, IoT에서의 의료 시스템을 위한 시스템 아키텍처를 개발하는 것이 필요하다. 이 아키텍처는 증가 또는 감소할 수 있다.
장치 수 (확장성) 및 네트워크 토폴로지(자체 구성)를 처리한다(Xu 및 Da Xu 2012). 또한 아키텍처는 모든 장치가 상호 연결되어 있기 때문에 헬스 케어 시스템에 사용되는 장치로 생성된 엄청난 양의 데이터를 편안하게 처리할 수 있어야 한다.
또한 응급 상황의 경우 신속한 대응을 할 수 있어야 한다. 또한 엄청난 양의 데이터는 효율적인 처리뿐만 아니라 연속적인 데이터 스트림을 저장할 충분한 저장 장치가 필요하다. 똑같이 스마트 시티 개념은 또한 인간을 돕기 위해 사용된다 (Rathore et al., 2016).
그러나 제안된 사용자는 빠른 응답을 고려하지 않는다. 계획 또한 빅 데이터(Big Data)를 기반으로 한 비상 대응 시스템은 노인층을 돕기 위해 사용된다(Rathore et al. 2016). 제안된 기법에서는 각 센서에 의해 생성된 다양한 데이터를 통합하지 못하는 무선 신체 영역 네트워크가 고려된다. Smartbuddy와 스마트 시티 개념은 사회적인 사물 인터넷(Social Internet of Things)에 기반을 두고 있으며 도시의 사용자를 용이하게 하는 중요한 물품 중 하나이다(Paul et al. 2016; Ahmad et al. 2016). 비슷한 방식으로, 그룹 기반 M2M, 실시간 Big Data 분석, Divide-and-conquer 기반 Big Data 분석은 거대한 데이터 세트에서 특징을 추출한다(Paul 2013; Rathore et al. 2016, Ahmad et al. 2016).
그러나 처리 효율성은 여전히 중요하다. 알고 있는 한 표 2에 제시된 체계 중 어느 것도 이러한 유형의 기능을 제공하지 않는다. 따라서 데이터를 집계하고, 집계된 데이터를 효율적으로 처리하며, 향후 사용할 수 있도록 저장할 수 있는 시스템을 제안했다. 제안된 시스템은 또한 수백만 개의 장치가 포함된 지연을 효율적으로 처리한다.
이러한 지연은 3GPP 또는 Wi-Fi 기술, 모바일 애플리케이션 및 타이밍 제어 메커니즘을 사용함으로써 극복되었다.
본 발명에서는 하둡(Hadoop) 기반 처리 서버에서 WBAN 응용 프로그램을 사용하는 지능형 의료 IoT 시스템을 제안했다. 제안된 시스템은 병원, 응급 서비스, 응급 처치 및 경찰서의 다양한 측면을 포함한다.
제안된 네트워크 구조는 (1) 데이터 수집 계층, (2) 통신 계층, (3) 처리 계층, (4) 관리 계층 및 (5) 서비스 계층의 5 개의 네트워크 계층으로 구성된다.
네트워크 계층은 의료 IoT 시스템의 백본을 구성하고 연결된 모든 스마트 장치에 종단 간 연결을 제공한다.
제안된 네트워크 아키텍처의 응용 프로그램은 센서, 코디네이터, PMD 및 지능형 빌딩을 활용하여 사용자에게 처방전을 자동으로 알리고 다양한 상황(예 : 응급 처치, 원격 의사, 경찰서)을 돕는 유망한 솔루션을 제공한다.
지속적인 후속 조치를 개발하고 사용자의 생체 신호( "언제 어디서든지 - 어떻게 든")를 모니터링하기 위한 목적으로 유연한 시스템이 개발되었다.
지능형 빌딩을 기반으로 한다. 지능형 빌딩은 다양한 사용자 및 프로세스로부터 데이터를 수신하고 하둡을 사용하여 이를 분석하며 의사 결정을 위한 출력을 생성한다. 출력을 기초로 개별 조치(예 : 응급 처치, 원격 의사, 처방전에 대해 환자에게 상기시키는 것)를 실행한다. 시스템의 성능은 테스트되고 간단한 Java 기반 구현의 성능과 비교된다. 최종 평가 결과 제안된 네트워크 아키텍처의 성능은 입력 데이터가 실시간이든 오프라인이든간에 연결된 네트워크 사용자의 요구를 충족시킨다.
110 : 데이터 수집 계층 120 : 통신 계층
130 : 처리 계층 140 : 관리 계층
150 : 서비스 응용 계층
130 : 처리 계층 140 : 관리 계층
150 : 서비스 응용 계층
Claims (20)
- 인체의 의료 정보를 수집하는 데이터 수집부; 및
상기 데이터 수집부에서 수집한 인체의 의료 정보의 전체 데이터를 작은 조각으로 분해하고 각 조각을 하둡 분산 파일 시스템(HDFS) 및 맵 리듀스(MapReduce)를 사용하여 병렬로 개별 처리하며, 각 조각의 결과를 집계하여 보관하는 지능형 빌딩 시스템을 포함하는 하둡 기반 지능형 의료 시스템. - 청구항 1항에 있어서,
상기 데이터 수집부는
각각의 인체에 부착되어 해당하는 인체의 의료 정보를 수집하는 다수의 의료 센서;
각각의 인체에 부착되어 있으며 해당하는 인체에 부착된 상기 다수의 의료 센서로부터 인체의 의료 정보를 전달받아 기본 의료 기기로 전달하는 다수의 코디네이터 센서; 및
상기 다수의 코디네이터 센서로부터 다수의 의료 센서가 수집한 의료 정보를 수집하여 상기 지능형 빌딩 시스템으로 전달하는 기본 의료 기기를 포함하는 하둡 기반 지능형 의료 시스템. - 청구항 2항에 있어서,
상기 데이터 수집부는
각각의 인체에 부착되어 해당하는 인체의 활동 정보를 수집하는 다수의 활동 센서를 더 포함하며,
상기 다수의 코디네이터 센서는 다수의 활동 센서로부터 인체의 활동 정보를 전달받아 상기 기본 의료 기기로 전달하고,
상기 기본 의료 기기는 상기 다수의 코디네이터 센서로부터 다수의 활동 센서가 수집한 인체의 활동 정보를 수집하여 상기 지능형 빌딩 시스템으로 전달하는 하둡 기반 지능형 의료 시스템. - 청구항 3항에 있어서,
상기 활동 센서와 의료 센서가 전송하는 정보에는 센서를 고유하게 식별하는 전역 고유 장치 식별자, 센서의 유형을 식별하는 타입 및 센서의 판독 값을 나타내는 밸류를 포함하는 하둡 기반 지능형 의료 시스템. - 청구항 4항에 있어서,
상기 코디네이터 센서는 상기 활동 센서와 의료 센서가 전송하는 정보에 센서와 사용자를 고유하게 식별하는 사용자 ID를 포함하는 패킷 헤더를 추가하여 캡슐화하여 상기 기본 의료 기기로 전송하는 하둡 기반 지능형 의료 시스템. - 청구항 4항에 있어서,
상기 다수의 의료 센서, 상기 다수의 활동 센서, 상기 코디네이터 센서 및 상기 기본 의료 기기간에는 근거리 통신 방식으로 통신하는 하둡 기반 지능형 의료 시스템. - 청구항 5항에 있어서,
상기 지능형 빌딩 시스템은
상기 데이터 수집부로부터 의료 정보를 수집하여 사용자별로 시퀀스 파일을 생성하는 수집 유닛;
상기 수집 유닛의 사용자별 시퀀스 파일을 저장하는 데이터베이스; 및
마스터 노드와 다수의 병렬 데이터 노드로 구성되어, 각 병렬 데이터 노드가 맵 리듀스(MapReduce) 구현을 사용하여 시퀀스 파일에서 센서의 건강 판독 값을 분석하여 의사 결정을 위한 중간 결과를 생성함으로써 시퀀스 파일을 처리하는 하둡 처리 유닛을 포함하는 하둡 기반 지능형 의료 시스템. - 청구항 7항에 있어서,
상기 지능형 빌딩 시스템의 수집 유닛은 수집 기능, 필터 기능 및 로드 밸런싱 기능을 포함하는 하둡 기반 지능형 의료 시스템. - 청구항 7항에 있어서,
상기 지능형 빌딩 시스템의 수집 유닛은 상기 의료 센서를 고유하게 식별하는 전역 고유 장치 식별자, 사용자 ID 그리고 단일 패킷에 포함된 센서 측정값을 추출하여 사용자별 시퀀스 파일을 생성하는 하둡 기반 지능형 의료 시스템. - 청구항 9항에 있어서,
상기 수집 유닛은 하둡 라이브러리를 사용하여 수집된 패킷을 처리하고 패킷에 캡슐화된 센서 판독 값으로부터 사용자별 시퀀스 파일을 생성하는 하둡 기반 지능형 의료 시스템. - 청구항 9항에 있어서,
상기 하둡 처리 유닛은
각 센서 판독 값을 상응하는 정상 임계값과 비교하여 정상이면 최종 결정을 위한 중간 결과를 생성하는 분석 처리를 수행하는 매퍼; 및
다양한 병렬 데이터 노드의 리듀서를 사용하여 결과를 집계하는 결과 집계 유닛을 포함하는 하둡 기반 지능형 의료 시스템. - 청구항 11항에 있어서,
상기 매퍼는 각 센서 판독 값이 해당 경고 임계값을 충족하면 서비스 응용 계층에 경고를 생성하는 하둡 기반 지능형 의료 시스템. - 인체에 부착된 다수의 의료 센서와 다수의 활동 센서로부터 인체의 의료 정보와 활동 정보를 코디네이터 센서와 기본 의료 기기를 통하여 수집하는 데이터 수집 계층;
다수의 의료 센서, 다수의 활동 센서, 코디네이터 센서 및 기본 의료 기기간에는 근거리 통신 방식을 지원하고, 기본 의료 기기와 지능형 빌딩 시스템간에는 인터넷 통신을 지원하는 통신 계층; 및
상기 데이터 수집 계층에서 수집한 인체의 의료 정보와 활동 정보의 전체 데이터를 작은 조각으로 분해하고 각 조각을 하둡(Hadoop) 분산 파일 시스템(HDFS) 및 맵 리듀스(MapReduce)를 사용하여 병렬로 개별 처리하며, 각 조각의 결과를 수집하여 보관하는 처리 계층을 포함하는 하둡 기반 지능형 의료 시스템. - 청구항 13항에 있어서,
상기 처리 계층의 결과를 조사하고 해당 조치를 권장하는 다양한 의료 전문가 시스템으로 구성되는 관리 계층; 및
최종 사용자에게 연결성을 제공하여 병원, 응급 치료, 구급차 및 경찰과 같은 다양한 시설에 액세스할 수 있도록 하는 서비스 응용 계층을 포함하는 하둡 기반 지능형 의료 시스템. - (A) 데이터 수집부가 인체의 의료 정보를 수집하는 단계; 및
(B) 지능형 빌딩 시스템이 상기 데이터 수집부에서 수집한 인체의 의료 정보의 전체 데이터를 작은 조각으로 분해하고 각 조각을 하둡 분산 파일 시스템(HDFS) 및 맵 리듀스(MapReduce)를 사용하여 병렬로 개별 처리하며, 각 조각의 결과를 집계하여 보관하는 단계를 포함하는 하둡 기반 지능형 의료 방법. - 청구항 15항에 있어서,
상기 (B) 단계는
(B-1) 상기 지능형 빌딩 시스템이 상기 데이터 수집부로부터 의료 정보를 수집하여 사용자별로 시퀀스 파일을 생성하는 단계; 및
(B-2) 상기 지능형 빌딩 시스템이 마스터 노드와 다수의 병렬 데이터 노드로 구성되어, 각 병렬 데이터 노드가 맵 리듀스(MapReduce) 구현을 사용하여 시퀀스 파일에서 센서의 건강 판독 값을 분석하여 의사 결정을 위한 중간 결과를 생성함으로써 시퀀스 파일을 처리하는 단계를 포함하는 하둡 기반 지능형 의료 방법. - 청구항 16항에 있어서,
상기 (B-1) 단계에서 상기 지능형 빌딩 시스템은 의료 센서를 고유하게 식별하는 전역 고유 장치 식별자, 사용자 ID 그리고 단일 패킷에 포함된 센서 측정값을 추출하여 사용자별 시퀀스 파일을 생성하는 하둡 기반 지능형 의료 방법. - 청구항 17항에 있어서,
상기 지능형 빌딩 시스템은 하둡 라이브러리를 사용하여 수집된 패킷을 처리하고 패킷에 캡슐화된 센서 판독 값으로부터 사용자별 시퀀스 파일을 생성하는 하둡 기반 지능형 의료 방법. - 청구항 16항에 있어서,
상기 (B-2) 단계는
상기 지능형 빌딩 시스템이 매퍼를 사용하여 각 센서 판독 값을 상응하는 정상 임계값과 비교하여 정상이면 최종 결정을 위한 중간 결과를 생성하는 분석 처리를 수행하는 단계; 및
상기 지능형 빌딩 시스템이 다양한 병렬 데이터 노드의 리듀서를 사용하여 결과를 집계하는 단계를 포함하는 하둡 기반 지능형 의료 방법. - 청구항 16항에 있어서,
상기 (B-2) 단계는
상기 지능형 빌딩 시스테의 매퍼는 각 센서 판독 값이 해당 경고 임계값을 충족하면 서비스 응용 계층에 경고를 생성하는 하둡 기반 지능형 의료 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170178082A KR102008932B1 (ko) | 2017-12-22 | 2017-12-22 | 하둡 기반 지능형 의료 시스템 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170178082A KR102008932B1 (ko) | 2017-12-22 | 2017-12-22 | 하둡 기반 지능형 의료 시스템 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190076352A true KR20190076352A (ko) | 2019-07-02 |
| KR102008932B1 KR102008932B1 (ko) | 2019-08-08 |
Family
ID=67258332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170178082A KR102008932B1 (ko) | 2017-12-22 | 2017-12-22 | 하둡 기반 지능형 의료 시스템 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102008932B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113111244A (zh) * | 2020-12-31 | 2021-07-13 | 绍兴亿都信息技术股份有限公司 | 基于中医药知识规模化普及的多源异构大数据融合系统 |
| JP2022502874A (ja) * | 2019-09-20 | 2022-01-11 | 中国科学院深▲チェン▼先進技術研究院Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | 無線ボディエリアネットワーク及びその鍵生成方法、割当方法及び関連装置 |
| WO2023068561A1 (ko) * | 2021-10-22 | 2023-04-27 | 주식회사 메쥬 | 생체정보 모니터링 시스템 및 그 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160125543A (ko) | 2015-04-21 | 2016-11-01 | 성균관대학교산학협력단 | 사용자 중심의 헬스케어 빅데이터 서비스 방법, 그 방법을 수행하는 컴퓨터프로그램 및 시스템 |
| KR20160125544A (ko) * | 2015-04-21 | 2016-11-01 | 성균관대학교산학협력단 | 클라우드 환경을 이용한 사용자 중심의 헬스케어 빅데이터 서비스 방법, 그 방법을 수행하는 컴퓨터프로그램 및 시스템 |
| KR20170077344A (ko) * | 2015-12-28 | 2017-07-06 | 주식회사 투그램시스템즈 | 의료용 빅데이터 처리 시스템 |
| KR20170089067A (ko) | 2016-01-25 | 2017-08-03 | 한국전자통신연구원 | 빅데이터 처리 시스템 및 처리 방법 |
-
2017
- 2017-12-22 KR KR1020170178082A patent/KR102008932B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160125543A (ko) | 2015-04-21 | 2016-11-01 | 성균관대학교산학협력단 | 사용자 중심의 헬스케어 빅데이터 서비스 방법, 그 방법을 수행하는 컴퓨터프로그램 및 시스템 |
| KR20160125544A (ko) * | 2015-04-21 | 2016-11-01 | 성균관대학교산학협력단 | 클라우드 환경을 이용한 사용자 중심의 헬스케어 빅데이터 서비스 방법, 그 방법을 수행하는 컴퓨터프로그램 및 시스템 |
| KR20170077344A (ko) * | 2015-12-28 | 2017-07-06 | 주식회사 투그램시스템즈 | 의료용 빅데이터 처리 시스템 |
| KR20170089067A (ko) | 2016-01-25 | 2017-08-03 | 한국전자통신연구원 | 빅데이터 처리 시스템 및 처리 방법 |
Non-Patent Citations (56)
| Title |
|---|
| A. Awais, A. Paul, and M. M. Rathore. 2016. An efficient divide-and-conquer approach for big data analytics in machineto-machine communication. Neurocomputing 174 (2016), 439.453. |
| A. Awais, A. Paul, M. M. Rathore, and H. Chang. 2016. Smart cyber society: Integration of capillary devices with high usability based on cyber.physical system. Future Gen. Comput. Syst. 56 (2016), 493.503. |
| A. Hande and E. Cem. 2010. Wireless sensor networks for healthcare: A survey. Comput. Netw. 54, 15 (2010), 2688.2710. |
| A. J. Jara, M. A. Zamora, and A. F. Skarmeta. 2012. Knowledge acquisition and management architecture for mobile and personal health environments based on the internet of things. In IEEE 11th International Conference on Trust, Security and Privacy in Computing and Communications. 1811.1818. DOI:10.1109/TrustCom.2012.194 |
| B. Xu, L. Da Xu, H. Cai, C. Xie, J. Hu, and F. Bu. 2014. Ubiquitous data accessing method in IoT-based information system for emergency medical services. IEEE Trans. Ind. Informat. 10, 2 (2014), 1578.1586. DOI:10.1109/TII.2014.2306382 |
| C. A. Ardagna, P. Ceravolo, and E. Damiani. 2016. Big data analytics as-a-service: Issues and challenges. In Proceedings of the 3rd International Workshop on Privacy and Security of Big Data (PSBD’16). |
| C. A. Ardagna, V. Bellandi, M. Bezzi, P. Ceravolo, E. Damiani, and C. Hebert. 2017. A model-driven methodology for big data analytics-as-a-service. In Proceedings of the 6th IEEE International Congress on Big Data. |
| C. Doukas, I. Maglogiannis, V. Koufi, F. Malamateniou, and G. Vassilacopoulos. 2012. Enabling data protection through PKI encryption in IoT m-health devices. In Proceedings of the 2012 IEEE 12th International Conference on Bioinformatics & Bioengineering (BIBE’12). 11.13. |
| C. Faris, L. Pirmez, F. C. Delicato, H. Soares, I. L. dos Santos, and L. F. R. C. Carmo. 2013. A control and decision system for smart buildings. In IEEE 10th International Conference on Ubiquitous Intelligence. 256.261. |
| C.-L. Wu, C.-W. You, C.-Y. Chen, C.-C. Chuang, and T.-C. Chiang. 2014. Exploring the collaborative context reasoning in IoT based intelligent are service. In IEEE 7th International Conference on Service-Oriented Computing and Applications. IEEE. DOI:10.1109/soca.2014.18 |
| D. Xie, R. A. Grupen, and A. Hanson. 2009. Context-aware search using cooperative agents in a smart environment. Workshop on Applications of Computer Vision (WACV’09), 1.6. DOI:10.1109/WACV.2009.5403047 |
| E.Welbourne, L. Battle, G. Cole, K. Gould, K. Rector, S. Raymer, M. Balazinska, and G. Borriello. 2009. Building the internet of things using RFID: The RFID ecosystem experience. IEEE Internet Comput. 13, 3 (2009), 48.55. WISDM Lab: Dataset. Retrieved from www.cis.fordham.edu/wisdm/dataset.php. |
| European Commission Information Society. 2008. Internet of Things in 2020: A Roadmap for the Future. Retrieved from http://www.iot-visitthefuture.eu. |
| F. Fusco and L. Deri. 2010. High speed network traffic analysis with commodity multi-core systems. In Proceedings of the 10th ACM SIGCOMM Conference on Internet Measurement. 218.224. |
| G. Broll, E. Rukzio, M. Paolucci, M. Wagner, A. Schmidt, and H. Hussmann. 2009. Perci: Pervasive service interaction with the internet of things. IEEE Internet Comput. 13, 6 (2009), 74.81. |
| G. Kortuem, F. Kawsar, D. Fitton, and V. Sundramoorthy. 2010. Smart objects as building blocks for the Internet of things. IEEE Internet Comput. 14, 1 (2010), 44.51. |
| G.I.Webb. 1999. Decision tree grafting from the all-tests-but-one partition. In Proc. of Sixteenth Int. Joint Conf. on Artificial Intelligence. Vol. 2. 702.707. |
| J. A. Cooper. 2009. Challenges for database management in the internet of things. IETE Tech. Rev. 26 (2009), 320.329. |
| J. Khoury Muin and J. P. A. Ioannidis. 2014. Big data meets public health. Science 346, 6213 (2014), 1054.1055. |
| J. Morak, H. Kumpusch, D. Hayn, R. Modre-Osprian, and G. Schreier. 2012. Design and evaluation of a telemonitoring concept based on NFC-enabled mobile phones and sensor devices. IEEE Trans. Inf. Technol. Biomed. 16, 1 (2012), 17.23. |
| J. R. Kwapisz, G. M. Weiss, and S. A. Moore. 2010. Activity recognition using cell phone accelerometers. In Proceedings of the 4th International Workshop on Knowledge Discovery from Sensor Data (KDD’10). Retrieved from http://www.cis. fordham.edu/wisdm/public_files/sensorKDD-2010.pdf . |
| J. Xing and Y. Zhu. 2009.Asurvey on body area network. In Proc. of 5th International Conference on Wireless Communications, Networking and Mobile Computing (WiCom’09). 1.4. |
| K. Ashton. (June 2009). That ‘Internet of Things’ Thing. RFID J. Retrieved from http://www.rfidjournal.com/articles/view, 4986. |
| L. Breiman, J. Friedman, C. J. Stone, and R. A. Olshen. 1984. Classification and Regression Trees. CRC Press. |
| L. Breiman. 2001. Random forests. Machine Learning 45, 1 (2001), 5.32. |
| L. Tangab, X. Zhoub, C. Beckerc, Z. Yub, and G. Schielec. 2012. Situation-based design: A rapid approach for pervasive application development. In 9th International Conference on Ubiquitous Intelligence and Computing and 9th International Conference on Autonomic and Trusted Computing. 128.135. DOI:10.1109/UIC-ATC.2012.58 |
| L. Yang, Y. Ge, W. Li, and W. Rao. 2014. A home mobile healthcare system for wheelchair users. In Proceedings of the IEEE 18th International Conference on Computer Supported Cooperative Work in Design. 609.614. DOI:10. 1109/CSCWD.2014.6846914 |
| M. Anisetti, V. Bellandi, M. Cremonini, E. Damiani, and J. Maggesi. 2017. Big data platform for public health policies. In IEEE SWC’17. |
| M. Bazzani, D. Conzon, A. Scalera, M. A. Spirito, and C. I. Trainito. 2012. Enabling the IoT paradigm in e-health solutions through the VIRTUS middleware. In IEEE 11th International Conference on Trust, Security and Privacy in Computing and Communications. 1954.1959. DOI:10.1109/TrustCom.2012.144 |
| M. M. Alam and E. B. Hamida. 2014. Surveying wearable human assistive technology for life and safety critical applications: Standards, challenges, and opportunities. Sensors 14, 5 (2014), 9153.9209. |
| M. Mazhar Rathore et al, "Real-time Medical Emergency Response System: Exploiting IoT and Big Data for Public Health", Journal of Medical Systems, 2016.10.28. 1부.* * |
| M. P. R. Sai Kiran, P. Rajalakshmi, K. Bharadwaj, and A. Acharyya. 2014. Adaptive rule engine based IoT enabled remote healthcare data acquisition and smart transmission system. In 2014 IEEE World Forum on Internet of Things (WF-IoT’14). |
| M. Prasinos, G. Spanoudakis, and D. Koutsouris. 2017. Towards a model-driven platform for evidence based public health policy making. In Proceedings Of the 29th International Conference on Software Engineering and Knowledge Engineering(SEKE’17). |
| M. Zhou. 2013. Internet of things: Recent advances and applications. In 2013 IEEE 17th International Conference on Computer Supported Cooperative Work in Design (CSCWD’13). 1.1. |
| N. Kushalnagar, G. Montenegro, and C. Schumacher. 2007. IPv6 over low-power wireless personal area networks (6LoWPANs): Overview, assumptions, problem statement, and goals. In IETF RFC 4919, Aug. 2007. |
| National Information Council. 2008. Global Trends 2025: A TransformedWorld. US Government Printing Office. Retrieved from http://www.acus.org/publication/global-trends-2025-transformed-world. |
| Om Malik. 2011. Internet of things will have 24 billion devices by 2020. Retrieved from https://gigaom.com/2011/10/13/internet-of-things-will-have-24-billion-devices-by-2020/. |
| P. Anand, A. Ahmad, M. M. Rathore, and S. Jabbar. 2016. Smartbuddy: Defining human behaviors using big data analytics in social internet of things. IEEE Wireless Commun. 23, 5 (2016), 68.74. |
| P. Anand. 2013. Graph based M2M optimization in an IoT environment. In Proceedings of the 2013 Research in Adaptive and Convergent Systems. ACM, 45.46. |
| P. Castillejo, J.-F. Martinez, J. Rodriguez-Molina, and A. Cuerva. 2013. Integration of wearable devices in a wireless sensor network for an e-health application. IEEE Wireless Commun. 20, 4 (2013), 38.49. |
| R. Cavallari, F. Martelli, R. Rosini, C. Buratti, and R. Verdone. 2014. A survey on wireless body area networks: Technologies and design challenges. IEEE Commun. Surv. Tutorials 16 (2014), 3. |
| R. Fang, S. Pouyanfar, Y. Yang, S. C. Chen, and S. S. Iyengar. 2016. Computational health informatics in the big data age: A survey. ACM Comput. Surv. (CSUR) 49, 1 (2016), 12. |
| R. Hermon and P. A. Williams. 2014. Big data in healthcare: What is it used for? In Australian eHealth Informatics and Security Conference. |
| R. M. M. Ullah, A. Paul, A. Ahmad, B.-W. Chen, B. Huang, and W. Ji. 2015. Real-time big data analytical architecture for remote sensing application. IEEE J. Selected Topics Appl. Earth Observ. Remote Sens. 8, 10 (2015), 4610.4621. |
| R. M. Mazhar, A. Ahmad, A. Paul, and S. Rho. 2016. Urban planning and building smart cities based on the internet of things using big data analytics. Comput. Netw. 101 (2016), 63.80. |
| R. M. Mazhar, A. Ahmad, A. Paul, J. Wan, and D. Zhang. 2016. Real-time medical emergency response system: Exploiting IOT and big data for public health. J. Med. Syst. 40, 12 (2016), 283. |
| S. Clayman and A. Galis. 2011. Inox: A managed service platform for inter-connected smart objects. In Proceedings of the Workshop on Internet of Things and Service Platforms (IoTSP’11). 2:1.2:8. |
| S. Li, L. Xu, and X. Wang. 2013. A continuous biomedical signal acquisition system based on compressed sensing in body sensor networks. IEEE Trans. Ind. Informat. 9, 3 (2013), 1764.1771. |
| S. Li, L. Xu, and X. Wang. 2013. Compressed sensing signal and data acquisition in wireless sensor networks and internet of things. IEEE Trans. Ind. Informat. 9, 4 (2013), 2177.2186. |
| S. S. Bhunia, S. K. Dhar, N. Mukherjee. 2014. iHealth: A fuzzy approach for provisioning intelligent healthcare system in smart city. In e-Health Pervasive Wireless Applications and Services (eHPWAS’14). 187.193.DOI:10.1109/WiMOB.2014.6962169 |
| S.-Y. Lee, L.-H. Wang, and Q. Fang. 2010. A low-power RFID integrated circuits for intelligent healthcare systems. IEEE Trans. Inf. Technol. Biomed. 14, 6 (2010), 1387.1396. |
| UCI Machine Learning Repository: Diabetes Data Set. Retrieved from https://archive.ics.uci.edu/ml/datasets/Diabetes. |
| UCI Machine Learning Repository: ICU Data Set. Retrieved from https://archive.ics.uci.edu/ml/datasets/ICU. |
| V. Miori and D. Russo. 2012. Anticipating health hazards through an ontology-based, IoT domotic environment. In 6th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing. 745.750. |
| W. P. Liao, Y. Z. Ou, E. T. H. Chu, C. S. Shih, and J. W. S. Liu. 2012. Ubiquitous smart devices and applications for disaster preparedness. In 9th International Conference on Ubiquitous Intelligence and Computing and 9th International Conference on Autonomic and Trusted Computing. 764.770. DOI:10.1109/UICATC. 2012.98 |
| X. Li, R. Lu, X. Liang, X. Shen, J. Chen, and X. Lin. 2011. Smart community: An internet of things application. IEEE Commun. Mag. 49, 11 (2011), 68.75. |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022502874A (ja) * | 2019-09-20 | 2022-01-11 | 中国科学院深▲チェン▼先進技術研究院Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | 無線ボディエリアネットワーク及びその鍵生成方法、割当方法及び関連装置 |
| CN113111244A (zh) * | 2020-12-31 | 2021-07-13 | 绍兴亿都信息技术股份有限公司 | 基于中医药知识规模化普及的多源异构大数据融合系统 |
| WO2023068561A1 (ko) * | 2021-10-22 | 2023-04-27 | 주식회사 메쥬 | 생체정보 모니터링 시스템 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102008932B1 (ko) | 2019-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rathore et al. | Hadoop-based intelligent care system (HICS) analytical approach for big data in IoT | |
| Rathore et al. | Real-time medical emergency response system: exploiting IoT and big data for public health | |
| Krishnamoorthy et al. | Role of emerging technologies in future IoT-driven Healthcare 4.0 technologies: A survey, current challenges and future directions | |
| Dhanvijay et al. | Internet of Things: A survey of enabling technologies in healthcare and its applications | |
| Mshali et al. | A survey on health monitoring systems for health smart homes | |
| Taleb et al. | Wireless technologies, medical applications and future challenges in WBAN: A survey | |
| Kraemer et al. | Fog computing in healthcare–a review and discussion | |
| Viswanathan et al. | Research challenges in computation, communication, and context awareness for ubiquitous healthcare | |
| Quwaider et al. | A cloud supported model for efficient community health awareness | |
| Jalali et al. | Smart city architecture for community level services through the internet of things | |
| Dağtaş et al. | Real‐time and secure wireless health monitoring | |
| KR102008932B1 (ko) | 하둡 기반 지능형 의료 시스템 및 그 방법 | |
| Chen et al. | A review of three-layer wireless body sensor network systems in healthcare for continuous monitoring | |
| Alghamdi et al. | A mobile wireless body area network platform | |
| Huo et al. | Wireless-sensor-networks-based healthcare system: a survey on the view of communication paradigms | |
| Pazienza et al. | Adaptive critical care intervention in the internet of medical things | |
| Milovanovic et al. | Cloud-based IoT healthcare applications: Requirements and recommendations | |
| Abiodun et al. | Cloud-based wireless body area networks: Managing data for better health care | |
| Manirabona et al. | A 4-tiers architecture for mobile WBAN based health remote monitoring system | |
| Rathore et al. | The Internet of Things based medical emergency management using Hadoop ecosystem | |
| Surati et al. | Background and research challenges for fc for healthcare 4.0 | |
| Feria et al. | Design of an architecture for medical applications in IoT | |
| Ahamed et al. | Design of an energy-efficient IOT device-assisted wearable sensor platform for healthcare data management | |
| Memos et al. | Internet-of-Things-Enabled infrastructure against infectious diseases | |
| Din et al. | RETRACTED: Erratum to “Smart health monitoring and management system: Toward autonomous wearable sensing for Internet of Things using big data analytics [Future Gener. Comput. Syst. 91 (2019) 611–619]” |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |