KR20210100458A - 기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버 - Google Patents

기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버 Download PDF

Info

Publication number
KR20210100458A
KR20210100458A KR1020200014458A KR20200014458A KR20210100458A KR 20210100458 A KR20210100458 A KR 20210100458A KR 1020200014458 A KR1020200014458 A KR 1020200014458A KR 20200014458 A KR20200014458 A KR 20200014458A KR 20210100458 A KR20210100458 A KR 20210100458A
Authority
KR
South Korea
Prior art keywords
companion animal
data
companion
machine learning
providing
Prior art date
Application number
KR1020200014458A
Other languages
English (en)
Inventor
채지은
Original Assignee
주식회사 커넥트닷
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 주식회사 커넥트닷 filed Critical 주식회사 커넥트닷
Priority to KR1020200014458A priority Critical patent/KR20210100458A/ko
Publication of KR20210100458A publication Critical patent/KR20210100458A/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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/40—Animals

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Child & Adolescent Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본원의 일 측면에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법은 사용자 단말로부터 수신된 반려동물 정보에 기초하여 반려동물 상태 데이터를 생성하는 단계; 반려동물 상태 데이터를 입력으로 하여 반려동물 관리 모델에서 반려동물 질병 예측 데이터 및 반려동물 케어 가이드 데이터를 포함하는 반려동물 건강 분석 데이터를 생성하는 단계; 및 생성된 반려동물 건강 분석 데이터를 사용자 단말에 제공하는 단계;를 포함한다. 반려동물 관리 모델은 반려동물 상태 데이터를 입력으로 인공신경망 네트워크를 이용해 학습된 것이다.

Description

기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버{METHOD AND SERVER FOR PET HEALTH CARE BASED ON MACHINE LEARNING}
본 발명은 반려동물 건강 관리 서비스 제공 방법에 관한 것으로, 보다 상세하게는 기계학습을 통해 반려동물의 건강 상태를 분석하여 적절한 관리 방법을 조언해주는 방법 및 서버에 관한 것이다.
사회적으로 대가족보다는 개인의 삶에 대한 욕구가 늘어남에 따라 애견 및 다양한　동물을 키우는 삶이 보편화 되어가고 있다. 이에 따라 소유하고 있는 애완동물에 대한 생각은 단순한　동물의 개념이 아니라 친가족처럼, 반려　동물로 생각하게 된다. 애완　동물의　소유자는 본인의 애완동물에 대하여 더 많은 것들을 알고자 하며 이를 위해 애완동물과의 커뮤니케이션을 가장 중요한 이슈로 생각한다.
반려동물　산업은 관련인구 증가와 지출 확대에 따라 매력적 시장으로 주목받고 있으며, 반려동물에 대한 인식전환으로 사람 못지 않은 관심을 받고, 비용 지출을 발생시키고 있다. 반려동물　산업은 인구/사회 변화와 발맞춰 지속적으로 성장하고 있으며, 기존 ICT(information and communications technology) 자산에 아이디어를 접목시켜 다양한 사업 기회를 창출할 수 있고, 사람과 친숙한 반려동물　관련 서비스를 통해 소비자의 관심 및 친밀성을 높일 수 있을 것으로 기대되고 있다.
반려동물 산업이 성장함과 동시에, 반려동물의 고령화 현상 및 만성 질병에 대한 관심이 늘어나고 있다. 예를 들면,　고양이는 나이를 먹을수록 만성 신부전에 걸릴 확률이 높아진다. 15살 이상인 고양이의 15% 정도가 만성 신부전을 경험한다고 알려져 있다. 만성 신부전은 완치가 없으며 치료는 신부전 진행을 늦추면서 적절한 영양과 수화, 합병증 관리로 삶의 질을 높여주는데 초점을 맞추고 있다. IRIS 단계에 따라 평균 생존기간은 2단계는 3년, 3단계는 2년, 4단계는 1개월으로 제시되나 처방식 급여나 투약 등 관리에 잘 협조해주는 고양이일수록 오래 살 수 있다. 이렇게 반려동물이 만성 질병에 걸릴 경우 주인의 체계적인 관리가 중요하며, 투약 관리, 혈액 수치 모니터링, 보조제 및 피하수액, 처방식 등 기록되어야 하는 부분이 많은데 마땅한 서비스가 없어 대부분 수기 또는 엑셀 등을 사용하여 간병 일기를 작성하고 있다.
이에 따라 이러한 반려동물에 대한 문제를 해결하기 위한 기술개발이 절실히 요구되고 있다. 반려동물에 대한 정보들을 수집한 후 데이터 분석 및 기계학습 등을 통해 반려동물의 건강을 개선할 수 있는 포인트를 찾아 맞춤형 가이드를 제공하는 기술 개발이 필요하다.
대한민국 공개특허공보 제 10-2019-0126552 호 (발명의 명칭: 반려동물의 감정상태에 대한 정보 제공 시스템 및 방법)
본 발명은 전술한 문제점을 해결하기 위한 것으로, 반려동물의 기본 특성, 관리기록, 의료기록, 식사, 배변, 투약, 혈액검사수치를 포함하는 반려동물의 정보를 사용자 단말의 일기 인터페이스를 통해 수집하고 분석하여 반려동물의 질병 확률을 예측하고 관리 방법에 대한 정보를 제공하는 것을 기술적 과제로 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 개시의 제 1측면에 따른 서버에 의해 수행되는 기계학습 기반 반려동물 건강 관리 서비스 제공 방법은, 사용자 단말로부터 수신된 반려동물 정보에 기초하여 반려동물 상태 데이터를 생성하는 단계; 반려동물 상태 데이터를 입력으로 하여 반려동물 관리 모델에서 반려동물 질병 예측 데이터 및 반려동물 케어 가이드 데이터를 포함하는 반려동물 건강 분석 데이터를 생성하는 단계; 및 생성된 반려동물 건강 분석 데이터를 사용자 단말에 제공하는 단계;를 포함한다. 반려동물 관리 모델은 반려동물 상태 데이터를 입력으로 인공신경망 네트워크를 이용해 학습된 것이다.
상술한 기술적 과제를 해결하기 위한 기술적 수단으로서, 본 개시의 제 2측면에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 서버는, 기계학습 기반 반려동물 건강 관리 프로그램이 저장된 메모리; 메모리에 저장된 프로그램을 실행하는 프로세서를 포함한다. 프로세서는 프로그램의 실행에 의해, 사용자 단말로부터 수신된 반려동물 정보에 기초하여 반려동물 상태 데이터를 생성하고, 반려동물 상태 데이터를 입력으로 하여 반려동물 관리 모델에서 반려동물 질병 예측 데이터 및 반려동물 케어 가이드 데이터를 포함하는 반려동물 건강 분석 데이터를 생성하고, 생성된 반려동물 건강 분석 데이터를 사용자 단말에 제공한다. 반려동물 관리 모델은 반려동물 상태 데이터를 입력으로 인공신경망 네트워크를 이용해 학습된 것이다.
전술한 본원의 과제 해결 수단 중 어느 하나에 의하면, 캘린더 인터페이스를 이용하여 반려동물 정보를 손쉽게 입력 관리할 수 있고, 서버에 수집된 반려동물 정보를 이용하여 반려동물의 질병을 예측하고, 이에 대응 할 방법을 사용자에게 제공할 수 있다.
또한, 본 발명을 통해 의사소통이 어려운 다양한 반려동물에 대한 적절한 건강 관리 서비스 제공 방법을 제시할 수 있다.
도 1은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 서버의 구성을 도시한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 시스템의 구성을 도시한 블록도이다.
도 3은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 정보 입력화면을 설명하는 도면이다.
도 4는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 정보 중 혈액검사 화면을 설명하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 사용자 일기 인터페이스를 설명하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 그래프 인터페이스를 설명하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 관리 모델을 설명하는 도면이다.
도 8은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 관리 모델에 입력되는 데이터를 설명하는 도면이다.
도 9는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 데이터 분석 방법을 설명하는 도면이다.
도 10은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 건강 분석 데이터를 설명하는 도면이다.
도 11은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 건강 분석 데이터를 설명하는 도면이다.
도 12는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법의 진행 단계를 나타낸 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 “상에” 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 서버의 구성을 도시한 블록도이다.
도시된 바와 같이 기계학습 기반 반려동물 건강 관리 서비스 제공 서버(100)는 통신 모듈(110), 메모리(120), 프로세서(130), 데이터베이스(140) 및 입력모듈(150)을 포함할 수 있다.
통신모듈(110)은 접속된 사용자 단말(200)과 데이터를 송수신할 수 있다. 통신모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.
메모리(120)에는 기계학습 기반 반려동물 건강 관리 프로그램이 저장된다. 기계학습 기반 반려동물 건강 관리 프로그램은 사용자 단말로부터 수신된 반려동물 정보에 기초하여 반려동물 상태 데이터를 생성하고, 반려동물 상태 데이터를 입력으로 하여 반려동물 관리 모델에서 반려동물 질병 예측 데이터 및 반려동물 케어 가이드 데이터를 포함하는 반려동물 건강 분석 데이터를 생성하고, 생성된 반려동물 건강 분석 데이터를 사용자 단말에 제공한다.
반려동물 관리 모델은 반려동물 상태 데이터를 입력으로 인공신경망 네트워크를 이용해 학습된 것이다.
반려동물 관리 모델에 사용되는 학습 데이터인 반려동물 상태 데이터는 사용자 단말에서 수신된 반려동물 정보에 기초하여 생성된다. 수신된 반려동물 정보는 반려동물의 사용자 단말의 사용자 일기 인터페이스 또는 캘린더 인터페이스 등을 통해 날짜별로 입력된 반려동물의 정보일 수 있고, 이때 반려동물의 정보는 반려동물의 기본 특성, 관리 기록 및 의료 기록을 포함할 수 있다. 추가적으로, 네트워크로부터 수집된 지역별 평균 소득 또는 지역 내 동물 병원 개수를 포함하는 환경정보를 학습 데이터로 사용할 수도 있다.
도 3은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 정보 입력화면을 설명하는 도면이다.
도 3a에 도시된 것과 같이, 등록된 반려동물을 선택하면 반려동물의 성별, 품종, 생일, 중성화여부, 보유질환, 접종기록, 수술기록을 입력할 수 있다. 입력 화면에서 각 항목의 예시적인 내용을 흐린 글씨로 표시하여 입력 시 참고 가능한 가이드 인터페이스를 제공할 수 있다.
도 3b에 도시된 것과 같이, 보유 질환 항목에서는 현재 진행중인 질병 및 완치된 질병에 대한 정보를 입력 가능하다. 예를 들어 완치된 신부전증의 경우 해당 질병의 진행 기간 및 담당 동물병원에 대한 정보를 입력할 수 있고, 진행중인 췌장염에 대해서는 질환 추가를 통해 정보를 지속적으로 업데이트 가능하다.
도 3c에 도시된 것과 같이, 접종 기록의 경우 접종 백신 명칭, 접종 시기, 접종 병원에 대한 정보를 입력 가능하다.
그 외에도 사용자 일기 인터페이스를 통해 반려동물 기본 특성, 관리 기록, 의료 기록 중 하나 이상을 입력 할 수 있다.
기본 특성은 개, 고양이 기타 동물 타입, 나이, 품종, 성별, 현재 다니는 동물병원, 현재 사는 지역, 같이 사는 동물들 여부 및 숫자, 국가, 주거 형태, 외부 출입여부, 최근 이사 여부, 은신처 존재 여부, 창가 존재 여부, 스크래칭 포인트 존재 여부, 사용하는 모래 종류, 사용자의 성별, 나이, 직업, 다른 동거인 여부 등을 포함할 수 있다.
관리 기록은 기본적 데이터로 건식 사료 종류, 습식 사료 종류, 건식 사료 섭취량, 습식 사료 섭취량, 음수량, 현재 몸무게, 하루 운동량, 이상증상, 생식 종류, 칫솔질 횟수, 화장실 청소 횟수, 대소변 관련된 데이터로 소변의 종류, 대변의 종류, 소변 종류별 하루 횟수, 대변 종류별 하루 횟수, 대소변 사진, 투약 관련 데이터로 치료제 종류, 치료제 평균 복용률, 보조제 종류, 보조제 평균 복용률
피하수액 여부, 피하수액 양, 일기 데이터로 일기 평균 횟수(관심도), 일기 평균 길이, 일기에 사용하는 긍부정 단어들, 일기에 사용하는 주요 수치 단어들, 소통 지수 (어플 내 다른 유저들과)를 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 의료 기록 중 혈액검사 화면을 설명하는 도면이다.
도 4a에 도시된 것과 같이, 혈액검사의 경우 혈액검사일을 입력하고, 혈액 검사표 사진을 직접 등록 할 수 있다.
도 4b에 도시된 것과 같이, 혈액검사 개별항목에 대한 수치를 직접 입력하는것도 가능하다. 개별 항목의 설명 및 표준 수치 범위를 입력창에 흐리게 표시하여 입력 시 참고 가능한 가이드 인터페이스를 제공할 수 있다.
도 4c에 도시된 것과 같이, 혈액 검사표가 접수된 이후 혈액 검사 결과 표시 화면에서 해당 반려동물의 기본 정보와 보유 질환 및 혈액검사 결과를 확인할 수 있다. 각 항목별로 결과값, 최소/최대값, 분석결과가 표시될 수 있다.
그 외에도 의료 기록은 예방접종 여부(1차, 2차, 3차, 수시 등), 중성화 여부, 주요 질병 과거 병력 여부, 완치 여부, 소변 검사 데이터인 요비중(S.G), 뇨단백, ph, 잠혈, 포도당, 우로빌리노겐, 혈액 검사 데이터인 BUN, CREA, 적혈구, 혈당, 백혈구, 칼슘, 칼륨, 인, 나트륨, 최근 혈액 검사 별 주요 수치(과거 시계열 데이터로 데이터 입력)를 포함할 수 있다.
또한 반려동물 정보는 반려동물의 종류, 성별, 품종, 생일, 중성화 여부, 중성화시 수술시기, 보유 질환(판정 일자, 진료 병원 등 추가 입력 가능) 및 접종 기록 중 적어도 어느 하나의 정보를 포함하는 것일 수 있다.
도 5는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 사용자 일기 인터페이스를 설명하는 도면이다.
도5a에 도시된 것과 같이, 사용자 일기 인터페이스는 캘린더 인터페이스를 통해 각 일자별로 반려동물의 정보를 입력 관리 가능하다.
도5b에 도시된 것과 같이, 캘린더 인터페이스상에서 날짜를 선택하고, 선택된 날짜의 몸무게, 사료, 음수량, 피하수액, 투약기록, 대소변, 혈액검사, 이상증상, 알림 정보를 입력하면, 반려동물 정보를 분석/표시하는 것이 가능하다.
예를들어, 입력된 몸무게 정보에 주변환경 정보를 고려하여 권장 음수량 값을 계산하고, 오늘 마신 물과 권장 음수량, 음수량에 대한 보조적인 정보를 함께 표시할 수 있다.
또한 날짜별로 각 데이터의 변화를 그래프 인터페이스를 통해 표시할 수도 있다. 건강 그래프 중 몸무게의 날짜별 변화를 나타낸 그래프는 도 6에 도시된 바와 같다. 몸무게 외에도 사료, 캔, 음수량, 약복용률 등의 정보에 대해서도 마찬가지 표시가 가능하며, 그래프 표시 간격을 1개월, 3개월, 6개월, 1년 또는 전체기간에 대한 표시로 변경하는것도 가능하다.
도5c에 도시된 것과 같이, 캘린더 인터페이스상에서 선택된 날짜의 일기를 작성할 수 있다. 일기 내용에는 반려동물의 상태, 사진, 기타 정보가 포함될 수 있다.
사용자 단말에 캘린더 인터페이스를 통해 날짜별로 입력된 반려동물의 정보는 추후 전처리 프로세스를 거쳐 기계학습의 입력 데이터로 사용될 수 있다.
반려동물 관리 모델을 학습시키기 위해 반려동물 정보는 예측하기 위한 질병별로 분류될 수 있다. 이 때 반려동물 관리 모델은 반려동물 질병 예측 데이터를 생성하기 위해, 순환 신경망 중 LSTM(Long Short Term Memory models) 을 사용하여, 시계열적으로 변동되는 반려동물의 질병 진행 단계 패턴에 기초하여 질병 진행 단계를 예측할 수 있다.
구축된 반려동물 관리 모델을 통해 반려동물의 질병의 진행 단계를 예측할 수 있다. 도 7에 도시한 바와 같이 질병별로 분류된 훈련데이터를 기초로 질병 예측 모델을 각각 학습 시킨 후 각 질병을 예측할 수 있다. 예를들어 고양이의 만성 신부전을 예측하기 위한 훈련데이터는 도 8에 도시된 바와 같고, 예측 결과는 도 9에 도시된 바와 같이 정상부터 죽음까지 기설정된 5단계의 상태를 예측할 수 있다.
도 7은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 관리 모델을 설명하는 도면이다.
프로세서(130)는 사용자 단말에서 사용자 일기 인터페이스를 통해 입력된 반려동물 정보를 수신한다. 수신한 데이터는 전처리 프로세스를 거쳐 사용자 데이터베이스 내에 저장될 수 있다. 이때 데이터는 반려동물의 기본 특성, 관리 기록 및 의료 기록을 포함할 수 있다.
또한 프로세서(130)는 예측할 반려동물의 질병별로 데이터를 분류할 수 있다. 예를들어 현재 신부전인 고양이 데이터를 통해 신부전 예측을 학습/훈련하기 위한 데이터를 생성하고, 현재 특발성 방광염인 고양이 데이터에 기초하여 방광염 예측 훈련 데이터를 생성하고, 현재 기타 질병을 가지고 있는 개/고양이 데이터를 통해 기타 질병 예측 훈련 데이터를 생성할 수 있다. 질병 예측 모델은 질병별로 분리되어 구축될 수도 있고, 통합되어 예측하는 형태로 구축될 수도 있다.
상기 반려동물 관리 모델은 상기 반려동물 상태 데이터 외에도, 네트워크로부터 수집된 지역별 평균 소득 또는 지역 내 동물 병원 개수를 포함하는 환경정보를 추가적으로 더 고려하여 인공신경망 네트워크를 이용해 학습될 수 있다.
반려동물 관리 모델은 반려동물 질병 예측 데이터를 생성하기 위해, 순환 신경망 중 LSTM(Long Short Term Memory models) 을 사용하여, 시계열적으로 변동되는 반려동물의 질병 진행 단계 패턴에 기초하여 질병 진행 단계를 예측할 수 있다.
예를 들어, 프로세서(130)는 반려동물의 과거 질병 진행 패턴을 입력으로 미래 상태를 예측하기 위해 LSTM(Long Short Term Memory models) 또는 GRU(Gated Recurrent Unit)를 포함하는 다양한 도구를 사용할 수 있다. LSTM은 시계열 모델링에서 가장 널리 사용되는 프레임워크 이며, GRU 또한 시계열 작업에서 효율적으로 알려져 있다.
도 8은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 관리 모델에 입력되는 데이터를 설명하는 도면이다.
질병을 위한 예측 속성을 중요도에 따라 분류하면 동물 종류, 품종, 나이, 몸무게, BUN, CREA, SDMA, 백혈구, 요비중, 단백뇨, 치료제 복용률, 피하수액, 음수량, 식사량을 포함하는 1차 데이터로 고양이 만성 신부전 발생 및 진행 상태 예측이 가능하다. 또한 1차 데이터에 혈액검사 지표 및 소변검사 지표를 추가한 2차 데이터, 2차 데이터에 전체 투약관련 데이터를 추가한 3차 데이터, 3차 데이터에 일기를 포함하는 전체 관리 기록을 추가한 4차 데이터를 통해 고양이 만성 신부전 발생 및 진행 상태 예측이 가능하다. 전체 속성을 사용한 5차 데이터로 고양이의 기타 질병을 예측하거나 그 외의 동물의 질병을 예측할 수도 있다.
질병 중 고양이의 만성 신부전을 예측하기 위한 분석 데이터는 1차 데이터 중에서 반려동물 id, 반려동물 타입(강아지/고양이), 품종, 나이, 몸무게, BUN, CREA, SDMA, 요비중, 식사량, 음수량, 투약률, 기록작성횟수, UPC 등의 데이터를 포함할 수 있다.
각 데이터는 기설정된 주기로 수집되며, 수집된 순서대로 t1, t2,?? .tn 에 각각 저장된다. 도 8에서는 6개월 단위로 데이터를 분석하나 분석 기간이 이에 한정되는 것은 아니다. 또한 저장된 데이터를 분석하기 위해 도 9에 표시된 바와 같이 타임 윈도우 슬라이딩 방식을 사용할 수 있다.
도 9는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 데이터 분석 방법을 설명하는 도면이다.
프로세서(130)는 만성 신부전 예측 훈련을 위한 시계열 훈련 데이터 샘플로 타임 윈도우 슬라이딩 방식을 이용한 프레이밍 방법을 사용할 수 있다. 프로세서(130)는 기설정된 기간의 데이터의 평균치를 분석에 활용하기 위해 타임 단위를 구분하고, 각 타임 단위에 연속되는 시계열 데이터를 사용할 수 있다. 예를 들어 첫번째 타임 단위에는 연속되는 10개의 시계열 데이터인 t1 내지 t10 데이터를 사용할 수 있고, 두번째 타임 단위에는 t2 내지 t11, 세번째 타임 단위에는 t3 내지 t12의 데이터를 사용할 수 있다. 각각의 타임 단위에는 그 시간대에 해당되는 속성 데이터를 포함시킬 수 있다.
도 9는 단기 예측 훈련 데이터를 보여주며 각 시간대 데이터는 단기 예측 단위(6개월간) 데이터의 평균치를 가진다. 그리고 프로세서(130)는 마지막 시간 단위의 고양이의 질병 및 진행 단계를 클래스로 하여 LSTM 등의 시계열 예측 알고리즘을 사용하여 고양이의 질병 진행 과정을 예측할 수 있다. 이 때, 질병의 진행 단계는 0: 정상, 1: 신부전 1기, 2: 신부전 2기, 2: 신부전 3기, 4: 신부전 4기, 5: 죽음 으로 분류될 수 있다.
이러한 메모리(120)에는 기계학습 기반 반려동물 건강 관리 서비스 제공 서버(100)의 구동을 위한 운영 체제나 기계학습 기반 반려동물 건강 관리 프로그램의 실행 과정에서 발생되는 여러 종류가 데이터가 저장된다.
이때, 메모리(120)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 및 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치를 통칭하는 것이다.
또한, 메모리(120)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행할 수 있다. 여기서, 메모리(120)는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치 외에 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
프로세서(130)는 메모리(120)에 저장된 프로그램을 실행하되, 기계학습 기반 반려동물 건강 관리 프로그램의 실행에 따르는 전체 과정을 제어한다. 프로세서(130)가 수행하는 각각의 동작에 대해서는 추후 보다 상세히 살펴보기로 한다.
이러한 프로세서(130)는 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이 크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
데이터베이스(140)는 프로세서(130)의 제어에 따라, 기계학습 기반 반려동물 건강 관리 시스템에 필요한 데이터를 저장 또는 제공한다. 이러한 데이터베이스(140)는 메모리(120)와는 별도의 구성 요소로서 포함되거나, 또는 메모리(120)의 일부 영역에 구축될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 시스템의 구성을 도시한 블록도이다.
기계학습 기반 반려동물 건강 관리 서비스 제공 방법은 서버(100) 또는 사용자 단말(200)에서 실시될 수 있다. 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물에 대한 데이터 수집은 하나 이상의 사용자 단말(200)에서 이루어질 수 있다. 수집된 데이터 분석은 서버(100)에서 이루어지고, 예측 및 분석 결과 데이터가 각각의 사용자 단말(200)에 제공 될 수 있다. 복수의 사용자는 각각 자신의 사용자 단말(200)을 통해 기계학습 기반 반려동물 건강 관리 서비스 제공 방법을 실시할 수 있다.
도 12는 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법의 진행 단계를 나타낸 흐름도이다.
프로세서(130)는 사용자 단말로부터 반려동물 정보를 수신한다(S110).
이 때 반려동물 정보는 사용자 단말에서 실행되는 사용자 일기 인터페이스를 통해 입력된 내용을 포함하는 것일 수 있다.
사용자 일기 인터페이스를 통해 반려동물 기본 특성, 관리 기록, 의료 기록 중 하나 이상을 입력 할 수 있다.
의료 기록은 예방접종 여부(1차, 2차, 3차, 수시 등), 중성화 여부, 주요 질병 과거 병력 여부, 완치 여부, 소변 검사 데이터인 요비중(S.G), 뇨단백, ph, 잠혈, 포도당, 우로빌리노겐, 혈액 검사 데이터인 BUN, CREA, 적혈구, 혈당, 백혈구, 칼슘, 칼륨, 인, 나트륨, 최근 혈액 검사 별 주요 수치(과거 시계열 데이터로 데이터 입력)를 포함할 수 있다.
또한 반려동물 정보는 반려동물의 종류, 성별, 품종, 생일, 중성화 여부, 중성화시 수술시기, 보유 질환(판정 일자, 진료 병원 등 추가 입력 가능) 및 접종 기록 중 적어도 어느 하나의 정보를 포함하는 것일 수 있다.
사용자 단말에 캘린더 인터페이스를 통해 날짜별로 입력된 반려동물의 정보는 추후 전처리 프로세스를 거쳐 기계학습의 입력 데이터로 사용될 수 있다.
프로세서(130)는 수신된 반려동물 정보에 기초하여 반려동물 상태 데이터를 생성한다(S120).
캘린더 인터페이스를 통해 입력된 정보 중 반려동물 상태 분석에 필요한 데이터를 추출하여 반려동물 상태 데이터를 생성할 수 있다.
상기 반려동물 상태 데이터는 상기 반려동물 정보에 전처리 프로세스를 수행하여 예측할 반려동물의 질병별로 데이터가 분류된 것일 수 있다.
프로세서(130)는 사용자 단말에서 사용자 일기 인터페이스를 통해 입력된 반려동물 정보를 수신한다. 수신한 데이터는 전처리 프로세스를 거쳐 사용자 데이터베이스 내에 저장될 수 있다. 이때 데이터는 반려동물의 기본 특성, 관리 기록 및 의료 기록을 포함할 수 있다.
또한 프로세서(130)는 예측할 반려동물의 질병별로 데이터를 분류할 수 있다. 예를들어 현재 신부전인 고양이 데이터를 통해 신부전 예측을 학습/훈련하기 위한 데이터를 생성하고, 현재 특발성 방광염인 고양이 데이터에 기초하여 방광염 예측 훈련 데이터를 생성하고, 현재 기타 질병을 가지고 있는 개/고양이 데이터를 통해 기타 질병 예측 훈련 데이터를 생성할 수 있다. 질병 예측 모델은 질병별로 분리되어 구축될 수도 있고, 통합되어 예측하는 형태로 구축될 수도 있다.
상기 반려동물 관리 모델은 상기 반려동물 상태 데이터 외에도, 네트워크로부터 수집된 지역별 평균 소득 또는 지역 내 동물 병원 개수를 포함하는 환경정보를 추가적으로 더 고려하여 인공신경망 네트워크를 이용해 학습될 수 있다.
반려동물 관리 모델은 반려동물 질병 예측 데이터를 생성하기 위해, 순환 신경망 중 LSTM(Long Short Term Memory models) 을 사용하여, 시계열적으로 변동되는 반려동물의 질병 진행 단계 패턴에 기초하여 질병 진행 단계를 예측할 수 있다.
다시 도 12를 참조하면, 프로세서(130)는 반려동물 상태 데이터를 입력으로 하여 반려동물 관리 모델에서 반려동물 질병 예측 데이터 및 반려동물 케어 가이드 데이터를 포함하는 반려동물 건강 분석 데이터를 생성한다(S130).
도 10은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 건강 분석 데이터 중 반려동물 케어 가이드 데이터를 설명하는 도면이다. 반려동물 케어 가이드 데이터는 상기 반려동물 상태 데이터에 기초하여 생성된 적정 음수량, 적정 사료양, 맞춤형 조언 중 하나 이상을 포함하는 것일 수 있다.
적정 음수량, 적정 사료양과 같은 데이터는 반려동물의 종류, 체중 등의 기본 정보를 고려하여 계산될 수 있다. 예를 들어 고양이의 경우 하루 마셔야 할 수분의 양을 몸무게를 기준으로 계산하며, kg 당 최소 50ml 섭취가 권장되므로, 체중에 50ml를 곱한 값을 적정 음수량으로 제시할 수 있다.
맞춤 조언은 반려동물 관리 모델에서 분석된 데이터를 바탕으로 가장 적합한 조언 데이터가 표시되는 것일 수 있고, 표시될 맞춤 조언이 전문가에 의해 검토되는 과정이 포함 될 수도 있다. 적정 음수량 또는 적정 사료양과 같이 알고리즘에 의해 계산된 값과, 반려동물에 대한 기본 정보를 바탕으로 반려동물 관리 모델에서 생성한 질병 예측 데이터에 기초하여 반려동물의 음수량의 변화와 예측된 질병과의 관련성을 포함하는 분석 결과를 맞춤 조언에서 표시할 수 있다.
도 11은 본 발명의 일 실시예에 따른 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에서 반려동물 건강 분석 데이터에 대한 사용자 UI를 설명하는 도면이다.
프로세서(130)는 반려동물 건강 분석 데이터 중 반려동물 관리 모델에서 예측한 질병을 고위험군, 보통, 저위험군으로 분류하여 진행 단계와 함께 사용자 단말에 표시할 수 있다. 이때 프로세서(130)는 예측되는 질병에 대한 간단한 설명 및 해당 질병에 영향을 끼치는 요소를 사용자 UI를 통해 도 11에 도시된 바와 같이 표시 가능하다. 또한 예측되는 질병에 영향을 미치는 요소별로 중요도를 사용자 UI를 통해 그래프로 표시 가능하다.
반려동물 건강 분석 데이터에 표시되는 분석 결과 맞춤 조언은 예측되는 질병과 해당 질병에 영향을 끼치는 요소의 중요도 정보를 기초로 제공될 수 있다. 예를들어 도 11a에 도시된 바와 같이 중요도가 사료타입, 몸무게, 피하수액, 습식사료 순으로 평가된 경우, 분석 결과 맞춤 조언 또한 중요도가 높은 요소 순서로 제공될 수 있다.
또한 프로세서(130)는 반려동물 케어 가이드 데이터와 부합하는 정보에 대한 관련 링크를 추가적으로 제공하는 것도 가능하다.
다시 도 12를 참조하면, 프로세서(130)는 생성된 반려동물 건강 분석 데이터를 사용자 단말에 제공한다(S140).
상기 반려동물 건강 분석 데이터는 사용자 UI(User Interface)를 통해 사용자 단말에 제공될 수 있고, 상기 사용자 UI는 상기 반려동물 건강 분석 데이터를 시각화한 그래프 인터페이스 및 통해 일자별로 반려동물의 주요 정보를 확인할 수 있는 캘린더 인터페이스를 포함하는 것일 수 있다.
본 발명을 통해 사용자는 직접 전문의의 소견을 들을 필요 없이, 또는 일일이 과거 정보를 기억할 필요 없이 용이하게 예측 및 분석된 결과를 접할 수 있다. 따라서 체계적인 반려동물 케어가 가능하며 반려동물의 건강 상태를 개선할 수 있는 전문적인 가이드를 받을 수 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
100: 서버
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스
150: 입력모듈
200: 사용자 단말

Claims (15)

  1. 서버에 의해 수행되는 기계학습 기반 반려동물 건강 관리 서비스 제공 방법에 있어서,
    (a) 사용자 단말로부터 수신된 반려동물 정보에 기초하여 반려동물 상태 데이터를 생성하는 단계;
    (b) 상기 반려동물 상태 데이터를 입력으로 하여 반려동물 관리 모델에서 반려동물 질병 예측 데이터 및 반려동물 케어 가이드 데이터를 포함하는 반려동물 건강 분석 데이터를 생성하는 단계; 및
    (c) 상기 생성된 반려동물 건강 분석 데이터를 상기 사용자 단말에 제공하는 단계;를 포함하는 것이고,
    상기 반려동물 관리 모델은 상기 반려동물 상태 데이터를 입력으로 인공신경망 네트워크를 이용해 학습된 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  2. 제 1 항에 있어서,
    상기 반려동물 정보는 사용자 단말에서 실행되는 사용자 일기 인터페이스를 통해 입력된 내용을 포함하는 것이고,
    상기 사용자 일기 인터페이스는 반려동물 기본 특성, 관리 기록, 의료 기록 중 하나 이상을 입력 가능한 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  3. 제 2 항에 있어서,
    상기 사용자 일기 인터페이스는 캘린더 인터페이스를 통해 일별로 몸무게, 사료, 음수량, 피하수액, 투약기록, 대소변, 혈액검사, 이상증상, 알림 정보를 입력하고 표시 가능한 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  4. 제 1 항에 있어서,
    상기 반려동물 상태 데이터는 상기 반려동물 정보에 전처리 프로세스를 수행하여 예측할 반려동물의 질병별로 데이터가 분류된 것이고,
    상기 반려동물 관리 모델은 상기 반려동물 상태 데이터를 입력으로, 예측할 질병별로 인공신경망 네트워크를 이용해 학습된 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  5. 제 1 항에 있어서,
    상기 수신된 반려동물 정보는 반려동물의 종류, 성별, 품종, 생일, 중성화 여부, 중성화시 수술시기, 보유 질환(판정 일자, 진료 병원 등 추가 입력 가능) 및 접종 기록 중 적어도 어느 하나의 정보를 포함하는 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  6. 제 1 항에 있어서,
    상기 반려동물 관리 모델은 상기 반려동물 상태 데이터 및 네트워크로부터 수집된 지역별 평균 소득 또는 지역 내 동물 병원 개수를 포함하는 환경정보를 입력으로 인공신경망 네트워크를 이용해 학습된 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  7. 제 1 항에 있어서,
    상기 (b) 단계에서 반려동물 질병 예측 데이터를 생성할 때, 순환 신경망 중 LSTM(Long Short Term Memory models) 을 사용하여, 시계열적으로 변동되는 반려동물의 질병 진행 단계 패턴에 기초하여 질병 진행 단계를 예측하는 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  8. 제 1 항에 있어서,
    상기 반려동물 케어 가이드 데이터는 상기 반려동물 상태 데이터에 기초하여 생성된 적정 음수량, 적정 사료양, 맞춤형 조언 중 하나 이상을 포함하는 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  9. 제 1 항에 있어서,
    상기 (c)단계에서 상기 반려동물 건강 분석 데이터는 사용자 UI(User Interface)를 통해 사용자 단말에 제공되고,
    상기 사용자 UI는 상기 반려동물 건강 분석 데이터를 시각화한 그래프 인터페이스 및 통해 일자별로 반려동물의 주요 정보를 확인할 수 있는 캘린더 인터페이스를 포함하는 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 방법.
  10. 기계학습 기반 반려동물 건강 관리 서비스 제공 서버에 있어서,
    기계학습 기반 반려동물 건강 관리 프로그램이 저장된 메모리;
    상기 메모리에 저장된 프로그램을 실행하는 프로세서를 포함하며,
    상기 프로세서는 상기 프로그램의 실행에 의해, 사용자 단말로부터 수신된 반려동물 정보에 기초하여 반려동물 상태 데이터를 생성하고,
    상기 반려동물 상태 데이터를 입력으로 하여 반려동물 관리 모델에서 반려동물 질병 예측 데이터 및 반려동물 케어 가이드 데이터를 포함하는 반려동물 건강 분석 데이터를 생성하고,
    상기 생성된 반려동물 건강 분석 데이터를 상기 사용자 단말에 제공하고,
    상기 반려동물 관리 모델은 상기 반려동물 상태 데이터를 입력으로 인공신경망 네트워크를 이용해 학습된 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 서버.
  11. 제 10 항에 있어서,
    상기 반려동물 정보는 사용자 단말에서 실행되는 사용자 일기 인터페이스를 통해 입력된 내용을 포함하는 것이고,
    상기 사용자 일기 인터페이스는 반려동물 기본 특성, 관리 기록, 의료 기록 중 하나 이상을 입력 가능한 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 서버.
  12. 제 11 항에 있어서,
    상기 사용자 일기 인터페이스는 캘린더 인터페이스를 통해 일별로 몸무게, 사료, 음수량, 피하수액, 투약기록, 대소변, 혈액검사, 이상증상, 알림 정보를 입력하고 표시 가능한 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 서버.
  13. 제 10항에 있어서,
    상기 반려동물 상태 데이터는 상기 반려동물 정보에 전처리 프로세스를 수행하여 예측할 반려동물의 질병별로 데이터가 분류된 것이고,
    상기 반려동물 관리 모델은 상기 반려동물 상태 데이터를 입력으로, 예측할 질병별로 인공신경망 네트워크를 이용해 학습된 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 서버.
  14. 제 10 항에 있어서,
    상기 반려동물 질병 예측 데이터는, 순환 신경망 중 LSTM(Long Short Term Memory models) 을 사용하여, 시계열적으로 변동되는 반려동물의 질병 진행 단계 패턴에 기초하여 질병 진행 단계를 예측한 것인,
    기계학습 기반 반려동물 건강 관리 서비스 제공 서버.
  15. 제 1 항에 따르는 기계학습 기반 반려동물 건강 관리 서비스 제공 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 비일시적 컴퓨터 판독가능 기록매체.
KR1020200014458A 2020-02-06 2020-02-06 기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버 KR20210100458A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200014458A KR20210100458A (ko) 2020-02-06 2020-02-06 기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200014458A KR20210100458A (ko) 2020-02-06 2020-02-06 기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버

Publications (1)

Publication Number Publication Date
KR20210100458A true KR20210100458A (ko) 2021-08-17

Family

ID=77466431

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200014458A KR20210100458A (ko) 2020-02-06 2020-02-06 기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버

Country Status (1)

Country Link
KR (1) KR20210100458A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220113882A (ko) * 2022-02-15 2022-08-17 주식회사 스템프 반려동물에 적합한 영양소비율 및 재료 배합비율을 제공하는 반려동물 식단 제공 플랫폼 서비스 제공 장치, 방법 및 프로그램
KR102475513B1 (ko) * 2021-09-09 2022-12-08 오브젠 주식회사 고객생애 단계별 고객생애가치(clv) 예측 모델 자동 생성 방법 및 시스템
KR20230037744A (ko) * 2021-09-09 2023-03-17 남궁철 사물 인터넷 기반 반려동물 건강 상태 모니터링 장치
KR102519214B1 (ko) 2022-11-25 2023-05-03 주식회사 에스와이컴퍼니 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법
KR20230072540A (ko) * 2021-11-17 2023-05-25 (주)피플인소프트 라이프 로그 데이터와 문진 데이터에 기반한 반려동물의 건강관리 시스템 및 그 동작방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190126552A (ko) 2018-05-02 2019-11-12 서현민 반려동물의 감정상태에 대한 정보 제공 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190126552A (ko) 2018-05-02 2019-11-12 서현민 반려동물의 감정상태에 대한 정보 제공 시스템 및 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102475513B1 (ko) * 2021-09-09 2022-12-08 오브젠 주식회사 고객생애 단계별 고객생애가치(clv) 예측 모델 자동 생성 방법 및 시스템
KR20230037744A (ko) * 2021-09-09 2023-03-17 남궁철 사물 인터넷 기반 반려동물 건강 상태 모니터링 장치
KR20230072540A (ko) * 2021-11-17 2023-05-25 (주)피플인소프트 라이프 로그 데이터와 문진 데이터에 기반한 반려동물의 건강관리 시스템 및 그 동작방법
KR20220113882A (ko) * 2022-02-15 2022-08-17 주식회사 스템프 반려동물에 적합한 영양소비율 및 재료 배합비율을 제공하는 반려동물 식단 제공 플랫폼 서비스 제공 장치, 방법 및 프로그램
KR102435488B1 (ko) * 2022-02-15 2022-08-24 (주)스템프 반려동물에게 적합한 일일섭취칼로리를 제공하는 반려동물 식단 제공 플랫폼 서비스 제공 장치, 방법 및 프로그램
KR102519214B1 (ko) 2022-11-25 2023-05-03 주식회사 에스와이컴퍼니 뉴럴 네트워크 모델에 기초한 반려 동물 영양제 추천 정보 생성 방법

Similar Documents

Publication Publication Date Title
KR20210100458A (ko) 기계학습 기반 반려동물 건강 관리 서비스 제공 방법 및 서버
JP7386166B2 (ja) ペットウェルネスプラットフォームのための方法及びシステム
Curtis et al. Risk factors for acute abdominal pain (colic) in the adult horse: A scoping review of risk factors, and a systematic review of the effect of management-related changes
KR102304088B1 (ko) 빅데이터를 이용한 반려동물 건강관리 서비스방법
US12079773B2 (en) Method to increase efficiency, coverage, and quality of direct primary care
Lahdenperä et al. Differences in age-specific mortality between wild-caught and captive-born Asian elephants
KR20220038698A (ko) 동물 건강 평가
Koene Behavioral ecology of captive species: Using behavioral adaptations to assess and enhance welfare of nonhuman zoo animals
KR20210026575A (ko) 반려동물 양육 맞춤형 정보 제공 시스템 및 그 방법
Bradley et al. Increasing adoption rates at animal shelters: A two-phase approach to predict length of stay and optimal shelter allocation
US20220248641A1 (en) Information provision device, information provision method, and storage medium
US11894144B2 (en) Animal health decision support system and methods
Castiglione et al. The influence of domestication, insularity and sociality on the tempo and mode of brain size evolution in mammals
Brush et al. Conflicts of interest improve collective computation of adaptive social structures
Scelza et al. The role of spousal separation on norms related to gender and sexuality among himba pastoralists
Watkins Reevaluating the grandmother hypothesis
Glasser Attitudes toward spay/neuter in the US population: Urban/rural, cat/dog, and demographic differences
Stephens-Lewis et al. Understanding canine ‘reactivity’: Species-specific behaviour or human inconvenience?
Brando et al. Handling and training of wild animals: evidence and ethics-based approaches and best practices in the modern zoo
McEvoy et al. Canine socialisation: a narrative systematic review
Oehm et al. A machine learning approach using partitioning around medoids clustering and random forest classification to model groups of farms in regard to production parameters and bulk tank milk antibody status of two major internal parasites in dairy cows
Chira et al. Function predicts how people treat their dogs in a global sample
Van Horn et al. Role‐reversed nepotism among cubs and sires in the spotted hyena (Crocuta crocuta)
Downie et al. Spatiotemporal-social association predicts immunological similarity in rewilded mice
Plà et al. A linear programming formulation of a semi-Markov model to design pig facilities

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application
E601 Decision to refuse application
E801 Decision on dismissal of amendment