KR20200004939A - 스마트 폰 기반의 홍채를 통한 건강 관리 방법 및 장치 - Google Patents

스마트 폰 기반의 홍채를 통한 건강 관리 방법 및 장치 Download PDF

Info

Publication number
KR20200004939A
KR20200004939A KR1020180077756A KR20180077756A KR20200004939A KR 20200004939 A KR20200004939 A KR 20200004939A KR 1020180077756 A KR1020180077756 A KR 1020180077756A KR 20180077756 A KR20180077756 A KR 20180077756A KR 20200004939 A KR20200004939 A KR 20200004939A
Authority
KR
South Korea
Prior art keywords
iris image
iris
information
health information
query
Prior art date
Application number
KR1020180077756A
Other languages
English (en)
Inventor
노경수
Original Assignee
노경수
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 노경수 filed Critical 노경수
Priority to KR1020180077756A priority Critical patent/KR20200004939A/ko
Publication of KR20200004939A publication Critical patent/KR20200004939A/ko

Links

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Physics & Mathematics (AREA)
  • Surgery (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Ophthalmology & Optometry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

개시된 일 실시 예에 따른 서버는, 건강 관리 서비스를 제공할 수 있다. 서버는 사용자들이 자신의 스마트폰을 통해 접속 가능하다. 서버는, 사용자들의 홍채 이미지들을 수신하기 위한 수신부, 사용자들 중 하나인 건강 정보 요청자의 쿼리 홍채 이미지에 대응하는 건강 정보를 생성하기 위한 적어도 하나의 프로세서, 및 건강 정보를 건강 정보 요청자의 스마트폰으로 전송하기 위한 송신부를 포함할 수 있다.

Description

스마트 폰 기반의 홍채를 통한 건강 관리 방법 및 장치{SMARTPHONE-BASED HEALTH CARE METHOD AND APPARATUS VIA IRIS}
본 발명은 스마트 폰에 기반한 건강 관리 방법 및 장치에 관한 것으로, 보다 구체적으로는 스마트 폰으로 촬영된 홍채 이미지를 이용하여 개인에 대한 건강 관리 서비스를 제공하기 위한 방법 및 장치에 관한 것이다.
홍채는 자율신경과 동안 신경, 감각 신경 등 수십만 가닥의 신경 말단과 모세혈관 및 근섬유 조직을 가지고 있고, 뇌와 신경계를 통하여 모든 장기와 조직에 연결되어 있어 건강에 대한 직접적인 진단 지표 역할을 수행할 수 있다. 이 같은 홍채의 특성을 이용하여 건강 수준이나 치료에 대한 반응, 인체 골격, 질병 회복 및 진행에 관한 상태를 판독하고 진단하는 방법을 홍채 진단이라 하며, 그 체계를 학문으로 정립한 것이 홍채학(iridology)이다.
다만 의료인이 환자의 홍채를 육안으로 관찰하여 환자의 건강 상태를 판단하는 행위는 의사 개개인의 경험 및 주관에 기초하는 바, 임상적 판단의 객관적인 근거로서 사용되지 못하는 문제점이 있다.
스마트폰으로 촬영된 개인의 홍채 이미지에 기초하여 건강 관리 서비스를 제공하기 위한 방법 및 장치가 제공될 수 있다.
본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 실시 예들로부터 또 다른 기술적 과제들이 유추될 수 있다.
사용자들이 자신의 스마트폰을 통해 접속 가능한 서버에 있어서, 상기 사용자들의 홍채 이미지들을 수신하기 위한 수신부, 상기 사용자들 중 하나인 건강 정보 요청자의 쿼리 홍채 이미지에 대응하는 건강 정보를 생성하기 위한 적어도 하나의 프로세서, 및 상기 건강 정보를 상기 건강 정보 요청자의 스마트폰으로 전송하기 위한 송신부를 포함할 수 있다.
상기 서버는, 상기 홍채 이미지들을 상기 사용자들의 식별 정보에 따라 분류하여 저장하기 위한 데이터베이스를 더 포함하고, 상기 수신부는, 상기 식별 정보를 더 수신할 수 있다.
상기 데이터베이스는, 상기 건강 정보 요청자의 이전 홍채 이미지를 저장하고, 상기 이전 홍채 이미지는 상기 쿼리 홍채 이미지가 촬영되기 이전에 촬영된 것일 수 있다.
상기 적어도 하나의 프로세서는, 상기 쿼리 홍채 이미지와 상기 이전 홍채 이미지의 비교 결과에 기초하여 상기 건강 정보를 생성할 수 있다.
상기 적어도 하나의 프로세서는, 이미지 특징 벡터에 기초하여 상기 쿼리 홍채 이미지와 상기 이전 홍채 이미지 사이의 유사도를 결정하고, 상기 유사도가 임계 값보다 작으면 상기 쿼리 홍채 이미지와 상기 이전 홍채 이미지가 상이한 것으로 판단할 수 있다.
상기 수신부는, 상기 사용자들의 스마트폰들로부터 상기 홍채 이미지들 각각과 대응되는 질병 정보를 더 수신하도록 구성되고, 상기 데이터베이스는, 상기 홍채 이미지들을 상기 질병 정보와 함께 저장할 수 있다.
상기 적어도 하나의 프로세서는, 입력된 상기 쿼리 홍채 이미지에 대응하는 질병 정보를 출력하는 예측 모델을 사용하여 상기 쿼리 홍채 이미지로부터 상기 건강 정보 요청자의 질병을 예측하고, 상기 예측 모델은 기계 학습에 기초하여 생성될 수 있다.
상기 예측 모델은, 인공 신경망 모델이고, 상기 인공 신경망 모델에 대한 학습은, 상기 홍채 이미지들과 상기 홍채 이미지들로터 획득하고자 하는 질병 정보를 각각 입력과 출력으로 적용하여 수행될 수 있다.
상기 적어도 하나의 프로세서는, 상기 쿼리 홍채 이미지에 대해 이미지 세그멘테이션을 수행하여 적어도 하나의 이미지 영역을 추출하고, 상기 적어도 하나의 이미지 영역의 크기, 위치, 및 형태 중 적어도 하나에 기초하여 상기 건강 정보를 생성할 수 있다.
상기 건강 정보는, 질병의 유무, 발병, 악화, 호전, 또는 진료 과목에 대한 추천 정보를 포함할 수 있다.
스마트폰들과 통신 가능한 장치에 의해 수행되는 방법에 있어서, 상기 스마트폰들로부터 수신되는 홍채 이미지들을 이용하여 기계 학습 기반의 예측 모델을 생성하는 단계, 건강 정보 요청자의 쿼리 홍채 이미지를 상기 건강 정보 요청자의 스마트폰으로부터 수신하는 단계, 상기 쿼리 홍채 이미지를 상기 예측 모델에 입력함으로써 건강 정보를 생성하는 단계, 및 상기 건강 정보를 상기 건강 정보 요청자의 상기 스마트폰으로 전송하는 단계를 포함할 수 있다.
상기 건강 정보는, 질병의 유무, 발병, 악화, 호전, 또는 진료 과목에 대한 추천 정보를 포함할 수 있다.
상기 예측 모델은, 입력된 상기 쿼리 홍채 이미지에 대응하는 질병 정보를 출력하는 인공 신경망 모델일 수 있다.
상기 예측 모델을 생성하는 단계는, 상기 스마트폰들로부터 상기 홍채 이미지들 각각에 대응하는 질병 정보를 수신하는 단계, 및 상기 홍채 이미지들과 상기 질병 정보에 기초하여 상기 예측 모델에 대한 학습을 수행하는 단계를 포함할 수 있다.
상기 건강 관리 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.
일상 생활에서 휴대하는 스마트폰으로 촬영된 홍채 이미지들을 데이터베이스(database)에 저장하고, 이를 활용한 편리하고 효율적인 건강 관리 방법 및 장치가 제공될 수 있다.
도1은 일 실시 예에 따른 건강 관리 서비스를 위한 시스템을 나타낸다.
도2는 상세한 실시 예에 따른 건강 관리 서비스를 위한 시스템을 나타낸다.
도3a는 일 실시 예에 따라, 쿼리 홍채 이미지로부터 건강 정보를 생성하기 위한 방법의 흐름도를 나타낸다.
도3b는 일 실시 예에 따라 홍채 이미지 내의 결정된 영역들을 나타낸다.
도4는 일 실시 예에 따라, 쿼리 홍채 이미지로부터 사용자의 건강 정보를 생성하기 위한 방법의 흐름도를 나타낸다.
도5는 일 실시 예에 따른 질병 예측 모델을 나타낸다.
도6은 일 실시 예에 따른 인공 신경망 모델을 나타낸다.
도7은 일 실시 예에 따른 건강 관리 방법의 흐름도를 나타낸다.
아래에서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자들(이하, 통상의 기술자들)이 본 발명을 용이하게 실시할 수 있도록, 첨부되는 도면들을 참조하여 몇몇 실시 예가 명확하고 상세하게 설명될 것이다.
또한, 명세서에서 사용되는 "부" 이라는 용어는 FPGA 또는 ASIC과 같은 하드웨어 구성요소 또는 회로를 의미할 수 있다.
도1은 일 실시 예에 따른 건강 관리 서비스를 위한 시스템을 나타낸다.
시스템(1000)은 사용자의 개인 단말기(1400) 및 개인 단말기(1400)와 통신 가능한 건강 정보 생성 장치(1600)에 기반하여 건강 관리 서비스를 제공할 수 있다.
개인 단말기(1400)는 이미지를 촬영하기 위한 카메라를 포함하는 전자 장치일 수 있다. 일 실시 예에 따른 개인 단말기(1400)는 스마트 폰, 태블릿 PC(Personal Computer), 휴대 전화, 전자 책 리더, 데스크톱 PC, 노트북 PC, 태블릿 PC, 모바일 의료 기기, 카메라, 또는 웨어러블 디바이스(예를 들어, 전자 안경, 전자 옷, 전자 팔찌, 전자 목걸이, 전자 액세서리, 전자 문신 또는 스마트 워치) 중 어느 하나일 수 있으나 이에 제한되지 않는다.
개인 단말기(1400)는 사용자의 홍채 이미지를 촬영하기 위한 카메라를 포함할 수 있다. 카메라는 내부 카메라, 외부 카메라, 정면 카메라, 적외선(IR) 조명을 갖는 카메라 또는 이들의 조합을 포함할 수 있다. 개인 단말기(1400)는 카메라를 통해 복수의 홍채 이미지들을 획득할 수 있다. 예를 들어, 개인 단말기(1400)는 일련의 이미지를 포함하는 이미지 시퀀스를 획득할 수 있다. 일 실시 예에 따른 개인 단말기(1400)는 비디오 시퀀스를 획득할 수도 있다. 획득되는 이미지 시퀀스 또는 비디오 시퀀스는 특정 크기에 의해 제한되지 않는다.
개인 단말기(1400)는 사용자의 홍채 이미지를 획득하고 건강 정보를 표시하기 위한 건강 어플리케이션(1500)을 탑재할 수 있다. 일 실시 예에 따라, 사용자가 건강 어플리케이션(1500)을 실행시키면, 건강 어플리케이션(1500)은 카메라 모듈에 구동 신호를 전송할 수 있다. 건강 어플리케이션(1500)은 적어도 하나의 홍채 이미지를 획득하고, 기준 품질 값 이상의 홍채 이미지를 선택하거나 획득된 홍채 이미지에 대해 전처리를 수행할 수 있다. 사용자는 건강 어플리케이션(1500)을 통해 홍채 이미지를 건강 정보 생성 장치(1600)로 전달할 수 있다. 이하, 개인 단말기(1400)에서 수행되는 동작은 건강 어플리케이션(1500)에서 수행되는 동작을 의미할 수 있다.
개인 단말기(1400)는 홍채 이미지와 함께 홍채 이미지에 대응하는 사용자 식별 정보를 입력 받을 수 있다. 따라서, 개인 단말기(1400)는 수신된 홍채 이미지를 사용자 식별 정보와 함께 개인 단말기(1400) 내의 메모리에 저장하거나 외부로 전송할 수 있다. 이를 위해, 건강 어플리케이션(1500)은 사용자로부터 사용자 식별 정보를 입력 받을 수 있다. 일 실시 예에 따라, 건강 어플리케이션은 사용자의 주민 번호, 성별, 나이, 생년 월일, 키, 몸무게와 같은 개인 정보를 입력 받을 수도 있다.
개인 단말기(1400)는 사용자로부터 건강 검진 데이터를 입력 받을 수 있다. 건강 검진 데이터는, 사용자가 의료 기관에서 진료 받은 의무기록 데이터, 건강검진 데이터, 질병 코드를 포함할 수 있다. 사용자는 자신의 홍채 이미지에 대응하는 건강 검진 데이터를 건강 정보 생성 장치(1600)에 전송함으로써, 자신의 홍채 이미지와 건강 정보가 체계적으로 관리되도록 할 수 있다.
개인 단말기(1400)는 사용자의 이전에 촬영된 홍채 이미지들을 날짜 별로 정렬하여 표시할 수 있다. 또한, 개인 단말기(1400)는 홍채 이미지들에 대한 건강 정보 히스토리를 표시할 수 있다. 이전에 촬영된 홍채 이미지들에 대한 정보와 건강 정보 히스토리는 건강 정보 생성 장치(1600)로부터 수신될 수 있다. 일 실시 예에 따라, 개인 단말기(1400)는 사용자가 건강 어플리케이션에 로그인 상태인 경우에 한해 홍채 이미지와 건강 정보를 표시할 수 있다.
건강 정보 생성 장치(1600)는 홍채 이미지 데이터를 저장 및 관리함으로써 사용자에게 필요한 건강 정보를 제공할 수 있다. 일 실시 예에 따라, 건강 정보 생성 장치(1600)는, 데스크톱 PC, 노트북 PC, 또는 태블릿 PC를 포함할 수 있다. 또한, 건강 정보 생성 장치(1600)는 서버 장치일 수 있다. 또한, 건강 정보 생성 장치(1600)는 홍채 이미지에 기초하여 건강 정보를 생성하기 위한 프로세서 자체를 의미할 수도 있다.
건강 정보 생성 장치(1600)는 개인 단말기(1400)로부터 수신된 홍채 이미지를 분석하여 사용자를 위한 건강 정보를 생성할 수 있다. 예를 들어, 건강 정보 생성 장치(1600)는 수신된 홍채 이미지를 소정의 알고리즘에 기초하여 분석하고, 홍채 이미지에 대응하는 건강 정보를 생성할 수 있다. 건강 정보 생성 장치(1600)는 홍채 이미지를 처리하기 위한 적어도 하나의 프로세서(미도시) 및 데이터 처리를 위해 사용되는 알고리즘 또는 프로그램 코드가 저장되는 메모리(미도시)를 포함할 수 있다.
건강 정보는, 사용자의 건강 상태에 대한 정보 또는 사용자의 건강 패턴을 개선하기 위한 정보를 포함할 수 있다. 예를 들어, 건강 상태에 대한 정보는 특정 질병 가능성에 대한 정보, 질병의 악화/호전 여부, 건강 히스토리 정보, 방문이 권유되는 특정 진료 과목에 대한 추천 정보, 생활 습관 개선 정보를 포함할 수 있다. 질병 가능성에 대한 정보는, 예를 들어, 간의 건강 상태, 체내에 독소가 쌓여있는지 여부, 스트레스 정도를 포함할 수 있다.
건강 정보 생성 장치(1600)는 생성된 건강 정보를 개인 단말기(1400)로 전송할 수 있다. 개인 단말기(1400)는 건강 정보 생성 장치(1600)로부터 수신한 건강 정보를 사용자에게 표시할 수 있다.
도1에는 건강 정보 생성 장치(1600)가 개인 단말기(1400)의 외부에 존재하는 것으로 도시되었으나, 건강 정보 생성 장치(1600)는 개인 단말기(1400)의 내부에 탑재될 수도 있다. 예를 들어, 건강 정보 생성 장치(1600)는 건강 어플리케이션(1500)을 통해 제어되는 개인 단말기(1400) 내의 하드웨어 모듈을 의미할 수도 있다.
도2는 상세한 실시 예에 따른 건강 관리 서비스를 위한 시스템을 나타낸다.
시스템(2000)은 도1의 시스템(1000)의 구체적인 실시 예를 나타내는 것으로서, 이하 생략되는 내용이라 하더라도 도1의 시스템(1000)에 관하여 설명된 내용은 시스템(2000)에도 적용될 수 있다.
도2를 참조하면, 시스템(2000)은 서버(2400) 및 서버(2400)에 접속 가능한 복수의 스마트폰들을 포함할 수 있다. 복수의 스마트폰들은 제1사용자의 제1스마트폰(2220), 제2사용자의 제2스마트폰(2240), 제3사용자의 제3스마트폰(2260), 제4사용자의 제4스마트폰(2280)을 포함할 수 있다. 사용자들은 자신의 스마트폰을 통해 서버(2400)와 접속할 수 있다. 예를 들어, 제1사용자는 제1스마트폰(2220)의 건강 어플리케이션을 통해 서버(2400)에 접속할 수 있으며, 제4사용자는 제4스마트폰(2280)의 건강 어플리케이션을 통해 서버(2400)에 접속할 수 있다. 스마트폰들 각각은 도1의 개인 단말기(1400)와 대응될 수 있으며, 서버(2800)는 도1의 건강 정보 생성 장치(1600)와 대응될 수 있다.
제1스마트폰(2220)은 제1사용자의 적어도 하나의 홍채 이미지를 제1스마트폰(2220)에 장착된 카메라를 통해 획득하고, 획득한 홍채 이미지를 서버(2400)로 전송할 수 있다. 일 실시 예에 따라, 제1스마트폰(2220)은 획득된 복수의 홍채 이미지들 중에서 홍채의 특징이 잘 판단될 수 있는 고품질의 이미지만을 선택하거나, 획득된 전체 이미지 중에서 홍채 영역을 포함하는 부분 이미지를 커팅하는 동작을 수행할 수 있다.
제2스마트폰(2240), 제3스마트폰(2260), 및 제4스마트폰(2280)은 제2사용자, 제3사용자, 및 제4사용자에 대한 적어도 하나의 홍채 이미지를 각각 획득하고, 획득된 홍채 이미지를 서버(2400)로 전송할 수 있다. 제2스마트폰(2240), 제3스마트폰(2260), 및 제4스마트폰(2280)이 홍채 이미지들을 획득하고 서버로 전송하는 동작은 제1스마트폰(2220)의 그것과 유사하므로 상세한 설명은 생략한다.
서버(2400)는 스마트폰들로부터 수신된 홍채 이미지들을 저장 및/또는 처리할 수 있다.
도2를 참조하면, 서버(2400)는 스마트폰들로부터 홍채 이미지를 수신하기 위한 수신부(2420), 홍채 이미지를 분석하고 처리하여 건강 정보를 생성하기 위한 적어도 하나의 프로세서(2440), 생성된 건강 정보를 스마트폰들로 전송하기 위한 송신부(2460)를 포함할 수 있다. 수신부(2420)와 송신부(2460)는 제1스마트폰(2220), 제2스마트폰(2240), 제3스마트폰(2260), 및 제4스마트폰(2280) 중 적어도 하나와 통신하기 위한 통신 회로를 포함할 수 있다. 일 실시 예에 따라, 수신부(2420) 및 송신부(24600는 하나의 통신 회로 또는 칩으로 구현될 수 있다.
일 실시 예에 따라, 제4사용자는 현재 서버(2400)에 로그인되어 있는 사용자로서, 자신의 홍채 이미지를 전송함으로써 건강 정보를 받아보고자 하는 건강 정보 요청자일 수 있다. 제4사용자는 자신의 홍채 이미지를 제4스마트폰(2280)을 통해 촬영하고, 촬영된 홍채 이미지(쿼리 홍채 이미지)를 서버(2400)에 전송함으로써 건강 정보를 요청할 수 있다. 적어도 하나의 프로세서(2440)는 특징 벡터 추출, 패턴 인식, 분류 알고리즘 등과 같은 이미지 분석 알고리즘 또는 기계 학습에 기반한 예측 모델을 사용하여 쿼리 홍채 이미지로부터 건강 정보를 생성할 수 있다.
일 실시 예에 따라, 서버(2400)는 제4사용자에 대한 건강 정보를 생성하기 위해, 현재 수신된 쿼리 홍채 이미지뿐만 아니라 이전에 수신된 제4사용자의 이전 홍채 이미지 또는 다른 사용자의 홍채 이미지를 참조할 수 있다. 이를 위해, 서버(2400)는 데이터베이스(DB)를 참조할 수 있다.
데이터베이스(DB)는 제1사용자의 홍채 이미지, 제2사용자의 홍채 이미지, 및 제3사용자의 홍채 이미지를 저장할 수 있다. 사용자의 홍채 이미지는 이전에 획득된 사용자의 홍채 이미지를 포함할 수 있다.
데이터베이스(DB)는 홍채 이미지를 사용자 식별 정보와 질병 정보와 함께 저장할 수 있다. 사용자 식별 정보는, 도1을 참조하여 상술한 바와 같이, 홍채 이미지의 주인에 대한 정보를 의미할 수 있다. 또한, 질병 정보란 서버(2400)가 수신하는 특정 홍채 이미지가 나타내는 사용자의 질병에 대한 정보이다.
질병 정보는, 사용자에 의해 직접 수신될 수 있다. 예를 들어, 제1사용자는 자신의 홍채 이미지를 서버(2400)에 전송하고, 이후에 병원을 방문하여 획득한 건강 검진 결과 역시 서버(2400)로 전송할 수 있다. 홍채 이미지와 질병 정보는 동시에 서버(2400)로 전송될 수도 있으나 소정의 시차를 두고 입력될 수도 있다. 예를 들어, 제1사용자는 제1스마트폰(2220) 상에서 동작하는 건강 어플리케이션을 통해 자신의 홍채 이미지를 입력한 후에 병원을 방문하여 자신의 실제 질병을 확인할 수 있다. 제1사용자는 확인된 질병 정보를 건강 어플리케이션에 입력할 수 있다. 건강 어플리케이션은 입력 받은 질병 정보를 서버(2800)로 전송할 수 있으며, 서버(2800)는 입력 받은 질병 정보를 데이터베이스(DB)에 저장할 수 있다. 서버(2800)로 전송되는 질병 정보는 도5 및 6을 참조하여 후술할 예측 모델을 생성하기 위해 사용될 수 있다.
질병 정보는, 서버(2400)의 관리자에 의해 입력될 수도 있다. 예를 들어, 서버(2400)의 관리자는, 제1사용자로부터 수신된 홍채 이미지만으로 판단될 수 있는 의료인의 질병 예측 정보를 데이터베이스(DB) 내의 질병 정보로서 입력할 수도 있다.
일 실시 예에 따라, 데이터베이스(DB)는 사용자들 각각의 홍채 이미지에 대한 정보를 저장하기 위한 복수의 저장 영역들을 포함할 수 있다. 예를 들어, 제1저장 영역(2620)은 제1사용자의 홍채 이미지에 대한 정보를 저장하기 위한 영역을 나타낼 수 있다. 제1저장 영역(2620)은 제1사용자의 홍채 이미지를 저장하기 위한 영역(2622), 제1사용자의 식별 정보를 저장하기 위한 영역(2624), 및 제1사용자의 질병 정보를 저장하기 위한 영역(2626)을 포함할 수 있다.
제2저장 영역(2640)은 제2사용자의 홍채 이미지에 대한 정보를 저장하기 위한 영역을 나타낼 수 있다. 제2저장 영역(2640)은 제2사용자의 홍채 이미지를 저장하기 위한 영역(2642), 제2사용자의 식별 정보를 저장하기 위한 영역(2644), 및 제2사용자의 질병 정보를 저장하기 위한 영역(2646)을 포함할 수 있다.
다만, 제1저장 영역(2620)과 제2저장 영역(2640)은 데이터베이스(DB)가 홍채 이미지들을 분류하여 저장하기 위한 일 실시 예일 뿐이며 이에 제한되지 않는다. 예를 들어, 데이터베이스(DB)는 홍채 이미지가 획득된 시점에 대한 정보를 저장하기 위한 영역을 더 포함할 수도 있다.
도2에는 데이터베이스(DB)가 서버(2800)의 외부에 존재하는 것으로 도시되었으나, 데이터베이스(DB)는 서버(2800)의 내부에 위치할 수도 있다.
서버(2400)가 홍채 이미지로부터 건강 정보를 생성하기 위한 방법은 도3a 내지 6을 참조하여 후술한다. 이하, 도3a 내지 6을 참조하여 설명하는 적어도 일부의 동작들은 프로세서(2440)에 의해 수행될 수 있다.
도3a는 일 실시 예에 따라, 쿼리 홍채 이미지로부터 건강 정보를 생성하기 위한 방법의 흐름도를 나타낸다.
단계 S3200에서, 서버(2400)는 이미지 분활화(segmentation) 기법에 기초하여, 수신된 쿼리 홍채 이미지들로부터 적어도 하나의 영역 또는 컴포넌트들을 결정할 수 있다. 서버(2400)는 에지 디텍션(Edge Detection), 커넥티드 컴포넌트 분석(Connected Component Analysis), 히스토그램 분석, 클러스터링(Clustering) 기법 등을 사용하여 홍채 이미지들을 복수의 영역들로 분할할 수 있다. 일 실시 예에 따라, 서버(2400)는 쿼리 홍채 이미지로부터 백 그라운드(Backgrond) 영역과 포어 그라운드(foreground) 영역으로 구분되는 이진화 이미지를 획득할 수 있다. 도3b는 일 실시 예에 따라 결정된 영역들을 나타낸다. 일 실시 예에 따라, 각 영역들의 위치, 크기, 및 형태 중 적어도 하나에 따라 머리, 폐, 유방, 간, 췌장, 신장, 경추/흉추/요추, 식도, 갑상선, 편도선, 대장, 위 등과 같은 장기의 건강 정도가 판단될 수 있다.
다시 도3a를 참조하면, 단계 S3400에서, 서버(2400)는 영역들 각각에 대한 크기, 위치, 및 형태 중 적어도 하나를 결정할 수 있다. 일 실시 예에 따라, 서버(2400)는 각 영역을 구성하는 픽셀의 개수를 각 영역의 크기로서 결정할 수 있다. 서버(2400)는 각 영역의 중심 픽셀의 상대적인 위치를 각 영역의 위치로서 결정할 수 있다. 또한, 서버(2400)는 각 영역의 바운딩 박스(Bounding Box)의 가로/세로 비율 또는 기타 비율을 각 영역의 형태로 결정할 수 있다. 이를 위해, 서버(2400)는 스마트폰으로부터 수신된 쿼리 홍채 이미지를 특정 크기로 정규화할 수 있다.
단계 S3600에서, 서버(2400)는 크기, 위치, 및 형태 중 적어도 하나에 기초하여 사용자의 건강 정보를 생성할 수 있다. 예를 들어, 서버(2400)는 영역들 각각에 대한 크기, 위치, 및 형태에 대한 정보를 기준 데이터와 비교할 수 있다. 서버(2400)는 데이터베이스(DB)로부터 기준 데이터를 읽어올 수 있다. 기준 데이터로서, 특별한 질병이 없는 것으로 판단되는 홍채 이미지 또는 특정 질병이 있을 것으로 판단되는 홍채 이미지가 사용될 수 있다.
도4는 일 실시 예에 따라, 쿼리 홍채 이미지로부터 사용자의 건강 정보를 생성하기 위한 방법의 흐름도를 나타낸다.
단계 S4200에서, 서버(2800)는 사용자로부터 쿼리 홍채 이미지를 수신할 수 있다.
단계 S4400에서, 서버(2800)는 데이터베이스(DB)로부터 사용자의 이전 홍채 이미지들을 탐색할 수 있다. 이전 홍채 이미지는, 쿼리 홍채 이미지가 촬영되기 이전에 촬영된 사용자의 홍채 이미지를 의미한다. 일 실시 예에 따라, 서버(2800)는 사용자의 로그인 정보와 데이터베이스(DB)에 저장된 홍채 이미지들의 사용자 식별 정보를 비교함으로써 사용자의 이전 홍채 이미지를 탐색할 수 있다.
단계 S4600에서, 서버(2800)는 단계 S4400에서 탐색된 이전 홍채 이미지와 쿼리 홍채 이미지를 비교할 수 있다. 일 실시 예에 따라, 이미지 특징 벡터에 기초하여 쿼리 홍채 이미지와 이전 홍채 이미지 사이의 유사도를 결정하고, 유사도가 임계 값보다 작으면 쿼리 홍채 이미지와 이전 홍채 이미지가 상이한 것으로 결정할 수 있다.
이미지 특징 벡터는 이미지의 특징을 나타내는 벡터로서, 하나 이상의 특징 값을 포함할 수 있다. 예를 들어, 서버(2800)는 SIFT(Scale Invariant Feature Transform), HOG(Histogram of Oriented Gradient), Haar, ORB(Object Request Broker), FAST(Features from Accelerated Segment Test), AGAST(Adaptive and Generic Corner Detection Based on the Accelerated Segment Test)와 같은 알고리즘을 이용하여 쿼리 홍채 이미지의 특징 벡터를 획득하고, 획득된 특징 벡터에 기초하여 유사도를 결정할 수 있다.
이전 홍채 이미지와 쿼리 홍채 이미지가 상이한 것으로 판단되면, 단계 S4800에서 서버(2800)는 건강 상태에 변화가 있는 것으로 결정할 수 있다. 서버(2800)는 건강 상태에 변화가 있음을 알리는 메시지를 생성할 수 있다. 메시지는 건강 상태의 악화나 호전에 대한 정보, 새로운 질병의 발생에 대한 정보를 포함할 수도 있다. 이전 홍채 이미지와 쿼리 홍채 이미지가 동일한 것으로 판단되면, 방법은 종료된다.
도5는 일 실시 예에 따른 질병 예측 모델을 나타낸다.
도5를 참조하면, 질병 예측 모델(5200)은 쿼리 홍채 이미지에 대한 정보를 입력 받고, 쿼리 홍채 이미지에 대응하는 질병 정보를 출력할 수 있다.
서버(2400)는 기계 학습에 기초하여 질병 예측 모델(5200)을 생성할 수 있다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술을 의미할 수 있다. 예를 들어, 질병 예측 모델(5200)에 대한 기계 학습은, 복수의 스마트폰들로부터 수신되는 수 많은 홍채 이미지들에 대한 데이터를 입력으로 사용하여, PCA(Principle Component Analysis) 기법, 딥 네트워크 러닝(Deep Network Learning) 기법, SVD(Singular Value Decomposition) 기법 중 어느 하나의 기법을 사용하여 수행될 수 있다.
도2를 다시 참조하면, 서버(2400)는 데이터베이스(DB)를 참조하여 질병 예측 모델(5200)의 학습을 수행하기 위한 데이터를 획득할 수 있다. 예를 들어, 서버(2400)는 제1스마트폰(2220)으로부터 수신되는 제1사용자의 적어도 하나의 홍채 이미지, 제2스마트폰(2240)으로부터 수신되는 제2사용자의 적어도 하나의 홍채 이미지, 제3스마트폰(2260)으로부터 수신되는 제3사용자의 적어도 하나의 홍채 이미지를 사용하여 질병 예측 모델(5200)을 생성할 수 있다. 생성된 질병 예측 모델(5200)은 서버(2400)의 메모리(미도시)에 저장될 수 있다. 서버(2400)는 제4스마트폰(2280)으로부터 쿼리 홍채 이미지를 수신하고, 수신된 쿼리 홍채 이미지를 질병 예측 모델(5200)에 입력함으로써 건강 정보를 생성할 수 있다.
일 실시 예에 따라, 질병 예측 모델(5200)은 입력 레이어(input layer), 히든 레이어(hidden layer), 및 출력 레이어(output layer)를 포함하는 뉴럴 네트워크(neural network) 형태의 인공 신경망 모델일 수 있다. 이하, 도6을 참조하여, 질병 정보를 획득하기 위해 사용되는 인공 신경망 모델의 예를 설명한다.
도6은 일 실시 예에 따른 인공 신경망 모델을 나타낸다.
인공 신경망 모델(6000)에 대한 기계 학습은 서버(2400)에 접속 가능한 사용자들로부터 획득되는 복수의 홍채 이미지에 기초하여 수행될 수 있다. 따라서, 서버(2400)에 접속 가능한 스마트폰들로부터 수집되는 방대한 양의 홍채 이미지 데이터들에 기초하여 정확하고 정교한 질병 예측 모델이 생성될 수 있다.
인공 신경망 모델(6000)은 입력 레이어(I-1 내지 I-n), 히든 레이어(La-1 내지 La-n, Lk-1 내지 Lk-n), 및 출력 레이어(RI)를 포함할 수 있다. 히든 레이어(La-1 내지 La-n, Lk-1 내지 Lk-n)는 n개의 뉴런들을 각각 포함하는 k개의 레이어들로 형성될 수 있다. 인공 신경망 모델(6000)의 뉴런들은 가중치를 갖는 시냅스들로 연결될 수 있다.
인공 신경망 모델(6000)에 대한 학습은, 입력에 대응하는 현재의 출력과 목표 출력 사이의 오차율(error rate) 또는 로스(loss)를 줄여나가기 위해 시냅스 가중치를 업데이트하는 역 전파(Back Propagation) 알고리즘을 사용하여 수행될 수 있다. 예를 들어, 인공 신경망 모델(6000)에 대한 학습은, 홍채 이미지에 대한 정보를 입력 레이어(I-1 내지 I-n)에 적용하고, 최종적으로 획득하고자 하는 질병 정보를 출력 레이어(RI)에 적용함으로써 수행될 수 있다. 가중치는, 역 전파 알고리즘에 따른 학습 과정에 따라 수 차례 업데이트됨으로써 최적화될 수 있다. 도2를 참조하여 상술한 바와 같이, 사용자들로부터 직접 입력된 질병 정보를 또는 의료인의 판단에 기초하여 결정된 질병 정보가 인공 신경망 모델(6000)의 학습을 위해 사용될 수 있다. 이를 위해, 서버(2400)는 데이터베이스(DB)를 참조할 수 있다.
일 실시 예에 따라, 서버(2800)는 입력 레이어(I-1 내지 I-n)에 임의의 시점에 촬영된 제n사용자의 홍채 이미지에 대한 정보를 적용하고, 출력 레이어(RI)에 이에 대응하는 질병 정보를 적용함으로써 인공 신경망 모델(6000)의 학습을 수행할 수 있다.
다른 실시 예에 따라, 서버(2800)는 입력 레이어(I-1 내지 I-n)에 복수의 시점에 걸쳐 획득되는 시계열적인 홍채 이미지 데이터를 적용하고, 출력 레이어(RI)에 이에 대응하는 질병 정보를 적용함으로써 인공 신경망 모델(6000)의 학습을 수행할 수 있다. 즉, 현재 시간을 t라 했을 때, {홍채 이미지(t-ti), ... , 홍채 이미지(t-2), 홍채 이미지(t-1), 홍채 이미지(t)}와 같은 홍채 이미지에 대한 시계열 집합이 학습을 위해 사용될 수 있다. 이를 위해, 서버(2800)는 데이터베이스(DB)로부터 특정 사용자의 이전 시점의 홍채 이미지들을 로드(load)하고, 로드된 이전 홍채 이미지들에 기초하여 시계열적인 홍채 이미지 데이터를 생성할 수 있다. 따라서, 홍채 상태의 변화 패턴이나 홍채 상태의 변화 기록에 따라 질병 정보를 획득하는 예측 모델이 생성될 수 있다.
도7은 일 실시 예에 따른 건강 관리 방법의 흐름도를 나타낸다.
단계 S7200에서, 건강 정보 생성 장치(1600)는 기계 학습 기반의 예측 모델을 생성할 수 있다. 건강 정보 생성 장치(1600)는 복수의 사용자들로부터 수신되는 홍채 이미지들을 사용하여 기계 학습된 예측 모델을 생성할 수 있다. 예측 모델의 생성 및 학습은 도5 및 6을 참조하여 상술한 바와 같다. 일 실시 예에 따라, 예측 모델은, 입력된 상기 쿼리 홍채 이미지에 대응하는 질병 정보를 출력하는 인공 신경망 모델일 수 있다.
단계 S7400에서, 건강 정보 생성 장치(1600)는 건강 정보 요청자의 쿼리 홍채 이미지를 수신할 수 있다. 일 실시 예에 따라, 건강 정보 생성 장치(1600)는 이미지의 품질을 개선하기 위한 이미지 향상 알고리즘을 쿼리 홍채 이미지에 적용하거나, 쿼리 홍채 이미지로부터 특징 벡터를 추출하는 동작을 수행할 수 있다.
단계 S7600에서, 건강 정보 생성 장치(1600)는 쿼리 홍채 이미지를 예측 모델에 입력하여 건강 정보를 생성할 수 있다. 건강 정보는 예측 모델로부터 출력되는 질병 정보를 포함할 수 있다. 보다 구체적으로, 건강 정보는 질병의 유무, 발병, 악화, 호전, 또는 진료 과목에 대한 추천 정보를 포함할 수 있다.
단계 S7800에서, 건강 정보 생성 장치(1600)는 생성된 건강 정보를 건강 정보 요청자의 스마트폰으로 전송할 수 있다.
한편, 상술한 건강 관리 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM. CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
위 설명들은 본 발명을 구현하기 위한 예시적인 구성들 및 동작들을 제공하도록 의도된다. 본 발명의 기술 사상은 위에서 설명된 실시 예들뿐만 아니라, 위 실시 예들을 단순하게 변경하거나 수정하여 얻어질 수 있는 구현들도 포함할 것이다. 또한, 본 발명의 기술 사상은 위에서 설명된 실시 예들을 앞으로 용이하게 변경하거나 수정하여 달성될 수 있는 구현들도 포함할 것이다.

Claims (15)

  1. 사용자들이 자신의 스마트폰을 통해 접속 가능한 서버에 있어서,
    상기 사용자들의 홍채 이미지들을 수신하기 위한 수신부;
    상기 사용자들 중 하나인 건강 정보 요청자의 쿼리 홍채 이미지에 대응하는 건강 정보를 생성하기 위한 적어도 하나의 프로세서; 및
    상기 건강 정보를 상기 건강 정보 요청자의 스마트폰으로 전송하기 위한 송신부를 포함하는 서버.
  2. 제1항에 있어서,
    상기 홍채 이미지들을 상기 사용자들의 식별 정보에 따라 분류하여 저장하기 위한 데이터베이스를 더 포함하고,
    상기 수신부는, 상기 식별 정보를 더 수신하는 서버.
  3. 제2항에 있어서,
    상기 데이터베이스는, 상기 건강 정보 요청자의 이전 홍채 이미지를 저장하고,
    상기 이전 홍채 이미지는 상기 쿼리 홍채 이미지가 촬영되기 이전에 촬영된 것인 서버.
  4. 제3항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 쿼리 홍채 이미지와 상기 이전 홍채 이미지의 비교 결과에 기초하여 상기 건강 정보를 생성하는 서버.
  5. 제4항에 있어서,
    상기 적어도 하나의 프로세서는, 이미지 특징 벡터에 기초하여 상기 쿼리 홍채 이미지와 상기 이전 홍채 이미지 사이의 유사도를 결정하고, 상기 유사도가 임계 값보다 작으면 상기 쿼리 홍채 이미지와 상기 이전 홍채 이미지가 상이한 것으로 판단하는 서버.
  6. 제2항에 있어서,
    상기 수신부는, 상기 사용자들의 스마트폰들로부터 상기 홍채 이미지들 각각과 대응되는 질병 정보를 더 수신하도록 구성되고,
    상기 데이터베이스는, 상기 홍채 이미지들을 상기 질병 정보와 함께 저장하는 서버.
  7. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 입력된 상기 쿼리 홍채 이미지에 대응하는 질병 정보를 출력하는 예측 모델을 사용하여 상기 쿼리 홍채 이미지로부터 상기 건강 정보 요청자의 질병을 예측하고,
    상기 예측 모델은 기계 학습에 기초하여 생성되는 서버.
  8. 제7항에 있어서,
    상기 예측 모델은, 인공 신경망 모델이고,
    상기 인공 신경망 모델에 대한 학습은, 상기 홍채 이미지들과 상기 홍채 이미지들로터 획득하고자 하는 질병 정보를 각각 입력과 출력으로 적용하여 수행되는 서버.
  9. 제1항에 있어서,
    상기 적어도 하나의 프로세서는, 상기 쿼리 홍채 이미지에 대해 이미지 세그멘테이션을 수행하여 적어도 하나의 이미지 영역을 추출하고, 상기 적어도 하나의 이미지 영역의 크기, 위치, 및 형태 중 적어도 하나에 기초하여 상기 건강 정보를 생성하는 서버.
  10. 제1항에 있어서,
    상기 건강 정보는, 질병의 유무, 발병, 악화, 호전, 또는 진료 과목에 대한 추천 정보를 포함하는 서버.
  11. 스마트폰들과 통신 가능한 장치에 의해 수행되는 방법에 있어서,
    상기 스마트폰들로부터 수신되는 홍채 이미지들을 이용하여 기계 학습 기반의 예측 모델을 생성하는 단계;
    건강 정보 요청자의 쿼리 홍채 이미지를 상기 건강 정보 요청자의 스마트폰으로부터 수신하는 단계;
    상기 쿼리 홍채 이미지를 상기 예측 모델에 입력함으로써 건강 정보를 생성하는 단계; 및
    상기 건강 정보를 상기 건강 정보 요청자의 상기 스마트폰으로 전송하는 단계를 포함하는 방법.
  12. 제11항에 있어서,
    상기 건강 정보는, 질병의 유무, 발병, 악화, 호전, 또는 진료 과목에 대한 추천 정보를 포함하는 방법.
  13. 제11항에 있어서,
    상기 예측 모델은, 입력된 상기 쿼리 홍채 이미지에 대응하는 질병 정보를 출력하는 인공 신경망 모델인 방법.
  14. 제13항에 있어서,
    상기 예측 모델을 생성하는 단계는,
    상기 스마트폰들로부터 상기 홍채 이미지들 각각에 대응하는 질병 정보를 수신하는 단계; 및
    상기 홍채 이미지들과 상기 질병 정보에 기초하여 상기 예측 모델에 대한 학습을 수행하는 단계를 포함하는 방법.
  15. 제 11항 내지 14항 중 어느 한 항에서 수행되는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020180077756A 2018-07-04 2018-07-04 스마트 폰 기반의 홍채를 통한 건강 관리 방법 및 장치 KR20200004939A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180077756A KR20200004939A (ko) 2018-07-04 2018-07-04 스마트 폰 기반의 홍채를 통한 건강 관리 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180077756A KR20200004939A (ko) 2018-07-04 2018-07-04 스마트 폰 기반의 홍채를 통한 건강 관리 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20200004939A true KR20200004939A (ko) 2020-01-15

Family

ID=69156622

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180077756A KR20200004939A (ko) 2018-07-04 2018-07-04 스마트 폰 기반의 홍채를 통한 건강 관리 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20200004939A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220160272A (ko) * 2021-05-27 2022-12-06 주식회사 에이제이투 홍채 이미지 학습 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220160272A (ko) * 2021-05-27 2022-12-06 주식회사 에이제이투 홍채 이미지 학습 장치 및 방법

Similar Documents

Publication Publication Date Title
Pires et al. A data-driven approach to referable diabetic retinopathy detection
Shankar et al. Alzheimer detection using Group Grey Wolf Optimization based features with convolutional classifier
CN110349156B (zh) 眼底图片中病变特征的识别方法和装置、存储介质
KR102047237B1 (ko) 영상 데이터를 분석하는 인공 지능을 이용한 질병 진단 방법 및 진단 시스템
Achilles et al. Convolutional neural networks for real-time epileptic seizure detection
CN110689025B (zh) 图像识别方法、装置、系统及内窥镜图像识别方法、装置
JP6975848B2 (ja) 生体検出方法及び装置、電子機器、並びにコンピュータ可読記憶媒体
Yadav et al. HSV model‐based segmentation driven facial acne detection using deep learning
Harati et al. Discriminating clinical phases of recovery from major depressive disorder using the dynamics of facial expression
Uppamma et al. Deep learning and medical image processing techniques for diabetic retinopathy: a survey of applications, challenges, and future trends
Natarajan et al. Efficient segmentation of brain tumor using FL-SNM with a metaheuristic approach to optimization
KM et al. TERNet: A deep learning approach for thermal face emotion recognition
Prasad et al. Mobilenetv3: a deep learning technique for human face expressions identification
Sonal et al. Face and age recognition using three-dimensional discrete wavelet transform and rotational local binary pattern with radial basis function support vector machine method
Srivastava et al. Automated emergency paramedical response system
CN112861743A (zh) 一种掌静脉图像防伪方法、装置和设备
Murthy et al. An effective technique for diabetic retinopathy using hybrid machine learning technique
KR20200004939A (ko) 스마트 폰 기반의 홍채를 통한 건강 관리 방법 및 장치
Osadebey et al. Enhancement of clustering techniques by coupling clustering tree and neural network: Application to brain tumour segmentation
JP2023500511A (ja) モデル出力と結合済モデル出力との結合
KR20220098869A (ko) 임상 및 이미지 정보를 활용한 인공지능 기반 반려동물 피부 병변 분류 시스템 및 방법
Sadeghpour et al. GRETINA: A large-scale high-quality generated retinal image dataset for security and privacy assessment
Musa Facial Emotion Detection for Educational Purpose Using Image Processing Technique
KR102165487B1 (ko) 비정형 피부질환 영상데이터를 활용한 피부 질환 판독 시스템
Anandh et al. IoT and cloud-based feature extraction and classification model for automatic glaucoma detection

Legal Events

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