KR20220069466A - 교대근무로 인한 장애 발생 예측 방법 및 시스템 - Google Patents
교대근무로 인한 장애 발생 예측 방법 및 시스템 Download PDFInfo
- Publication number
- KR20220069466A KR20220069466A KR1020200156609A KR20200156609A KR20220069466A KR 20220069466 A KR20220069466 A KR 20220069466A KR 1020200156609 A KR1020200156609 A KR 1020200156609A KR 20200156609 A KR20200156609 A KR 20200156609A KR 20220069466 A KR20220069466 A KR 20220069466A
- Authority
- KR
- South Korea
- Prior art keywords
- disability
- shift work
- occurrence
- information
- work
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims description 21
- 230000007958 sleep Effects 0.000 claims description 18
- 208000019116 sleep disease Diseases 0.000 claims description 8
- 230000002060 circadian Effects 0.000 claims description 7
- 230000001149 cognitive effect Effects 0.000 claims description 7
- 230000002996 emotional effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 208000020685 sleep-wake disease Diseases 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003340 mental effect Effects 0.000 description 3
- RYYVLZVUVIJVGH-UHFFFAOYSA-N caffeine Chemical compound CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000007590 Disorders of Excessive Somnolence Diseases 0.000 description 1
- LPHGQDQBBGAPDZ-UHFFFAOYSA-N Isocaffeine Natural products CN1C(=O)N(C)C(=O)C2=C1N(C)C=N2 LPHGQDQBBGAPDZ-UHFFFAOYSA-N 0.000 description 1
- 208000007684 Occupational Stress Diseases 0.000 description 1
- 208000005793 Restless legs syndrome Diseases 0.000 description 1
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 229960001948 caffeine Drugs 0.000 description 1
- VJEONQKOZGKCAK-UHFFFAOYSA-N caffeine Natural products CN1C(=O)N(C)C(=O)C2=C1C=CN2C VJEONQKOZGKCAK-UHFFFAOYSA-N 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000422 nocturnal effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 201000002859 sleep apnea Diseases 0.000 description 1
- 208000022925 sleep disturbance Diseases 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- 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
Abstract
본 발명은 교대근무로 인한 장애 발생 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는, 교대근무로 인한 장애 발생에 관한 데이터 정보를 이용하여 신경망을 학습시키고, 학습된 신경망을 이용하여 개인별 교대근무에 따른 장애발생을 예측하는 방법 및 시스템에 관한 것이다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법은 교대근무에 대한 정보를 포함하는 데이터를 원인 데이터로 입력 받고, 상기 원인 데이터에 따른 근무자의 장애 발생 여부를 결과 데이터로 입력 받는 데이터 입력 단계, 상기 원인 데이터와 상기 결과 데이터 간의 상관관계를 분석하고, 상기 상관관계를 특징벡터로 추출 또는 조합하는 학습단계 및 상기 특징벡터를 이용하여 근무자의 교대근무에 따른 장애 발생 여부를 예측하는 장애 발생 예측단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법은 교대근무에 대한 정보를 포함하는 데이터를 원인 데이터로 입력 받고, 상기 원인 데이터에 따른 근무자의 장애 발생 여부를 결과 데이터로 입력 받는 데이터 입력 단계, 상기 원인 데이터와 상기 결과 데이터 간의 상관관계를 분석하고, 상기 상관관계를 특징벡터로 추출 또는 조합하는 학습단계 및 상기 특징벡터를 이용하여 근무자의 교대근무에 따른 장애 발생 여부를 예측하는 장애 발생 예측단계를 포함할 수 있다.
Description
본 발명은 교대근무로 인한 장애 발생 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는, 교대근무로 인한 장애 발생에 관한 데이터 정보를 이용하여 신경망을 학습시키고, 학습된 신경망을 이용하여 개인별 교대근무에 따른 장애발생을 예측하는 방법 및 시스템에 관한 것이다.
현대 사회는 제조업이 발달한 국가일수록 가지고 있는 설비의 가동률을 최대한으로 높이고 인력활용을 생산성 극대화에 맞추기 위해 야간 근무를 포함한 교대 근무가 확대 실시 되고 있다. 즉, 산업이 발전됨에 따라 현대사회는 24시간 가동되고 있으며, 설비의 24시간 가동을 위해 교대 근무가 늘어나고 있다.
교대근무란 작업자들을 두 반 이상으로 나누어 이들을 각기 다른 시간대에 근무하게 함으로써 기업의 전체 작업시간을 늘리는 근로자 작업시간 조정제도를 말한다.
교대근무를 시행함으로써 기술적, 경제적으로 많은 이익을 얻은 반면, 교대 근무자는 자신의 신체 및 일상생활의 리듬과 맞지 않는 시간대에 작업함으로써 신체적, 정신적 장애를 앓고 있다.
교대근무는 인체의 내부 주기를 교란시킴으로써 생체리듬의 부조화를 유발하여 신체적, 정신적, 사회적 건강에 영향을 미친다.
가장 큰 건강 문제는 잠을 자야 할 때 제대로 자지 못하는 불면증, 그로 인해 만성적으로 수면이 부족한 수면박탈, 또한 깨어 있어야만 할 때 제대로 깨어있기 어려운 주간 졸림증 등 24시간 주기에서 깨어있어야 할 시간과 잠자는 시간이 뒤바뀌는 것에서 기인한 수면장애가 있다.
또한, 교대근무는 근무자의 건강에서만 손실을 일으킬 뿐만 아니라, 높은 스트레스로 인한 잦은 이직 및 그에 따른 경력직 부족, 이직 자를 대체하기 위한 신입을 교육하는 데에 소요되는 시간 및 수면부족을 겪고 있는 근무자의 실수로 인한 사고 등에 따른 손해 등 사회 생산성에서도 손실을 일으킨다.
전술한 문제점을 해결하기 위해, 본 발명은 교대 근무자의 개인적 특성 및 교대근무의 업무특성에 따른 장애발생 여부 결과 정보가 담긴 데이터 베이스를 이용하여 신경망을 학습시키고, 학습된 신경망을 이용하여 개인별 교대근무로 인한 장애 발생 가능성을 예측하는 교대근무로 인한 장애 발생 예측 방법 및 시스템을 제공하는 것을 목적으로 한다.
본 발명의 일 실시 예로써, 교대근무로 인한 장애 발생 예측 방법이 제공된다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법은 교대근무에 대한 정보를 포함하는 데이터를 원인 데이터로 입력 받고, 상기 원인 데이터에 따른 근무자의 장애 발생 여부를 결과 데이터로 입력 받는 데이터 입력 단계, 상기 원인 데이터와 상기 결과 데이터 간의 상관관계를 분석하고, 상기 상관관계를 특징벡터로 추출 또는 조합하는 학습단계 및 상기 특징벡터를 이용하여 근무자의 교대근무에 따른 장애 발생 여부를 예측하는 장애 발생 예측단계를 포함할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법에서 상기 교대근무에 대한 정보는, 근무자의 개인적 특성에 관한 정보와 교대근무의 업무 특성에 관한 정보를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법에서 상기 개인적 특성은, 인구학적 정보, 성격 정보, 기질 정보, 수면정보, 일주기 정보 및 수면장애 정보 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법에서 상기 업무 특성은, 교대근무 종류, 근무 일정, 근무 시간, 시차, 휴무, 직무 강도 및 직무에 따른 스트레스 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법에서 상기 장애 발생 여부는 수면이상, 정서 이상 및 인지 이상 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법은 상기 특징벡터 또는 상기 장애 발생 여부의 예측결과를 이용하여 상기 근무자에게 장애 발생 가능성이 최소인 교대근무를 추천하는 단계를 더 포함할 수 있다.
본 발명의 일 실시 예로써, 교대근무로 인한 장애 발생 예측 시스템이 제공된다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템은 교대근무에 대한 정보가 포함된 원인 데이터 및 상기 원인 데이터에 따른 근무자의 장애 발생 여부가 포함된 결과 데이터가 저장된 데이터베이스, 상기 데이터 베이스로부터 상기 원인 데이터 및 상기 결과 데이터를 입력 받는 입력부, 상기 원인 데이터와 상기 결과 데이터 간의 상관관계를 분석하고, 상기 상관관계를 특징벡터로 추출 또는 조합하는 특징벡터 검출부 및 상기 특징벡터를 이용하여 근무자의 교대근무에 따른 장애 발생 여부를 예측하는 장애 발생 예측부를 포함할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템에서 상기 데이터 베이스는, 상기 근무자의 개인적 특성에 관한 정보가 저장되는 업무환경 데이터베이스 및 상기 교대근무의 업무 특성에 관한 정보가 저장되는 개인특성 데이터 베이스를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템에서 상기 개인적 특성은, 인구학적 정보, 성격 정보, 기질 정보, 수면정보, 일주기 정보 및 수면장애 정보 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템에서 상기 업무 특성은, 교대근무 종류, 근무 일정, 근무 시간, 시차, 휴무, 직무 강도 및 직무에 따른 스트레스 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템에서 상기 장애 발생 여부는 수면이상, 정서 이상 및 인지 이상 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템은 상기 특징벡터 또는 상기 장애 발생 여부의 예측결과를 이용하여 상기 근무자에게 장애 발생 가능성이 최소인 교대근무를 추천하는 교대근무 추천부를 더 포함할 수 있다.
본 발명의 일 실시 예로써, 전술한 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체가 제공된다.
본 발명에 따른 교대근무로 인한 장애 발생 예측 방법 및 시스템은 장애 발생 가능성을 예측함으로써, 장애가 발생 전에 이를 미리 예방할 수 있다는 이점이 있다.
또한, 근무자에게 장애 발생 가능성이 최소가 되는 교대근무가 무엇인지 미리 예측하여 제공할 수 있으며, 특정 근무를 할 때 어느 시점에 졸음을 느끼는지 미리 예측하여 근무자에게 알맞은 휴식시간을 제공할 수 있다는 이점이 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급된 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법의 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법 및 시스템에 사용되는 신경망의 구조를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템의 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템의 데이터 베이스의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법 및 시스템에 사용되는 신경망의 구조를 나타낸다.
도 3은 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템의 블록도이다.
도 4는 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템의 데이터 베이스의 블록도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다.
본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "??부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 명세서 전체에서 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, "그 중간에 다른 소자를 사이에 두고"연결되어 있는 경우도 포함한다.
이하 첨부된 도면을 참고하여 본 발명을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법의 순서도이다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법은 교대근무에 대한 정보를 포함하는 데이터를 원인 데이터로 입력 받고, 상기 원인 데이터에 따른 근무자의 장애 발생 여부를 결과 데이터로 입력 받는 데이터 입력 단계(S100), 상기 원인 데이터와 상기 결과 데이터 간의 상관관계를 분석하고, 상기 상관관계를 특징벡터로 추출 또는 조합하는 학습단계(S200) 및 상기 특징벡터를 이용하여 근무자의 교대근무에 따른 장애 발생 여부를 예측하는 장애 발생 예측단계를 포함할 수 있다.
상기 데이터 입력 단계(S100)는 임의의 한 사건에 있어서 원인에 해당하는 정보와 결과에 해당하는 정보가 각각 원인 데이터 및 결과 데이터로 구분되어 동시에 입력될 수 있다. 입력된 원인 데이터와 결과 데이터는 입력부(200)를 통해 입력되어 데이터 베이스(100)에 저장될 것이다.
본 발명에 있어서, 임의의 한 사건은 교대근무로 인한 장애 발생일 것이며, 원인 데이터에는 교대근무로 인해 발생하는 장애에 영향을 미칠 수 있는 모든 요인들이 포함될 수 있을 것이다. 또한, 결과 데이터에는 교대근무로 인해 발생할 수 있는 근무자의 신체적, 정신적 장애가 모두 포함될 수 있을 것이다.
상기 원인 데이터와 결과 데이터는 복수 개로 구성될 수 있으며, 원인 데이터의 수와 결과 데이터의 수는 서로 상이할 수 있다. 예를 들어, 원인 데이터는 개인특성과 근무환경의 2개로 구성되고, 결과 데이터는 수면, 정서, 인지의 3개로 구성될 수 있다.
상기 학습단계(S200)는 입력부(200)가 데이터베이스(100)로부터 입력 받은 복수의 원인 데이터와 결과 데이터 간의 상관관계를 분석한다. 원인 데이터와 결과 데이터 간의 상관관계는 선형성 또는 비선형성을 가질 수 있으며, 복잡한 수식에 해당할 수도 있다.
상기 학습단계(S200)에서, 특징벡터 검출부(300)가 상관관계를 분석하는 과정은 인공 신경망(ANN, Artificial Neural Network)을 기반으로 구축된 기계학습(machine learning) 알고리즘이 적용될 수 있다.
원인 데이터로 사용되는 교대근무에 대한 정보는, 근무자의 개인적 특성에 관한 정보와 교대근무의 업무 특성에 관한 정보를 포함할 수 있다.
상기 개인적 특성에 관한 정보는 근무자의 성별, 나이, 체중, 생활습관(음주, 흡연, 카페인, 운동 등), 투약, 가족력 등과 같은 인구학적 정보가 포함될 수 있다.
또한, 상기 개인적 특성에 관한 정보는 근무자의 성격, 스트레스에 취약한 정도, 스트레스로부터의 회복 탄력성, 불안성향 유무 등과 같은 성격 및 기질 정보를 포함할 수 있다.
또한, 상기 개인적 특성에 관한 정보는 일주기 선호도(야행성인지 아침형인지 등), 스트레스 시 수면반응, 수면에 대한 태도 등과 같은 수면 및 일주기 정보를 포함할 수 있다.
또한, 상기 개인적 특성에 관한 정보는 수면 무호흡이 있는지 여부 및 하지불안 증후군이 있는지 여부와 같은 수면장애 정보를 포함할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법에서 또 다른 원인 데이터로 사용될 수 있는 업무 특성에 관한 정보는 교대근무 종류, 근무 일정, 근무 시간, 시차, 휴무, 직무 강도 및 직무에 따른 스트레스 중 적어도 어느 하나를 포함할 수 있다.
결과 데이터로 사용되는 장애 발생 여부는 수면이상, 정서 이상 및 인지 이상 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
예를 들어, 학습단계(S200)는 입력부(200)를 통해 개인의 성격 및 나이와 같은 개인적 특성과 교대근무의 근무일정 및 근무시간과 같은 업무특성을 원인데이터로 입력 받고, 수면이상, 정서이상 또는 인지이상을 결과 데이터로 입력 받아 특징벡터 검출부(300)를 통해 개인적 특성 및 업무 특성이 수면장애에 미치는 영향을 분석할 수 있다.
상기 장애 발생 예측 단계(S300)에서 특징벡터 검출부(300)가 상관관계를 특징벡터로 추출하여 장애 발생 예측부(400)가 교대근무로 인한 장애 발생 여부를 예측하는 기준으로 사용할 수 있으며, 기계학습 알고리즘의 종류에 따라 상기 특징벡터는 조합하여 사용될 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법은 상기 특징벡터 또는 상기 장애 발생 여부의 예측결과를 이용하여 상기 근무자에게 장애 발생 가능성이 최소인 교대근무를 추천하는 단계를 더 포함할 수 있다
상기 교대근무를 추천하는 단계(S400)에서는 교대근무 추천부(500)가 개인적 특성 또는 업무특성에 따른 교대근무로 인한 장애 발생 가능성을 예측하고 예측된 결과를 이용하여 근무자에게 적절한 형태의 교대근무를 추천할 수 있다.
또한, 본 발명에 따른 교대근무 추천부(500)는 장애 발생 가능성 예측 결과를 이용하여, 특정 개인이 어떤 근무 일정을 선택할 때 장애 발생 가능성을 최소화 할 수 있는지를 판단할 수 있으며, 특정 개인이 특정 근무를 할 때 어느 시간에 가장 졸음을 느끼는지 여부를 예측할 수 있을 것이다.
도 2는 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 방법 및 시스템(10)에 사용되는 신경망의 구조를 나타낸다.
도 2를 참조하면, 본 발명에 따른 교대근무로 인한 장애 발생 예측 방법 및 시스템(10)에서 학습되거나 사용되는 신경망은 2개의 in put을 입력 받아 3개의 out put을 출력하는 것으로 구성될 수 있으며, in put은 입력 데이터에, out put은 결과 데이터에 대응된다.
상기 신경망은 앙상블 모델을 이용한 기계학습 모델이 적용될 수 있으며, 앙상블 모델은 여러 분류모델의 예측 결과를 결합하여 최종 예측 정확도를 유연하게 도출하는 앙상블 기법을 사용한다.
학습 방법으로는 Bagging(Bootstraping AGGregatING) Regressor를 이용할 수 있으며, L1규제와 L2규제(L1＆L2 Regularization)를 결합한 ElasticNet 회귀를 사용하여 모델의 성능을 강화시킬 수 있다.
또한, 신경망의 과적합 문제를 해결하기 위해 데이터를 여러 번 반복해서 나누고 여러 모델을 학습하는 방식인 k-fold 교차검증 방법을 사용할 수 있다.
도 3은 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템(10)의 블록도이다.
도 3을 참조하면, 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템(10)은 교대근무에 대한 정보가 포함된 원인 데이터 및 상기 원인 데이터에 따른 근무자의 장애 발생 여부가 포함된 결과 데이터가 저장된 데이터베이스, 상기 데이터 베이스(100)로부터 상기 원인 데이터 및 상기 결과 데이터를 입력 받는 입력부(200), 상기 원인 데이터와 상기 결과 데이터 간의 상관관계를 분석하고, 상기 상관관계를 특징벡터로 추출 또는 조합하는 특징벡터 검출부(300) 및 상기 특징벡터를 이용하여 근무자의 교대근무에 따른 장애 발생 여부를 예측하는 장애 발생 예측부(400)를 포함할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템(10)에서 상기 개인적 특성은, 인구학적 정보, 성격 정보, 기질 정보, 수면정보, 일주기 정보 및 수면장애 정보 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템(10)에서 상기 업무 특성은, 교대근무 종류, 근무 일정, 근무 시간, 시차, 휴무, 직무 강도 및 직무에 따른 스트레스 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템(10)에서 상기 장애 발생 여부는 수면이상, 정서 이상 및 인지 이상 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템(10)은 상기 특징벡터 또는 상기 장애 발생 여부의 예측결과를 이용하여 상기 근무자에게 장애 발생 가능성이 최소인 교대근무를 추천하는 교대근무 추천부(500)를 더 포함할 수 있다.
도 4는 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템(10)의 데이터 베이스(100)의 블록도이다.
도 4를 참조하면, 본 발명의 일 실시 예에 따른 교대근무로 인한 장애 발생 예측 시스템(10)에서 상기 데이터 베이스(100)는, 상기 근무자의 개인적 특성에 관한 정보가 저장되는 업무환경 데이터 베이스(110) 및 상기 교대근무의 업무 특성에 관한 정보가 저장되는 개인특성 데이터 베이스(120)를 더 포함할 수 있다.
본 발명의 일 실시 예에 따른 장치와 관련하여서는 전술한 방법에 대한 내용이 적용될 수 있다. 따라서, 장치와 관련하여 전술한 방법에 대한 내용과 동일한 내용에 대하여는 설명을 생략한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로, 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며, 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위게 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
10: 교대근무로 인한 장애 발생 예측 시스템
100: 데이터 베이스
110: 업무환경 데이터 베이스
120: 개인특성 데이터 베이스
200: 입력부
300: 특징벡터 검출부
400: 장애 발생 예측부
500: 교대근무 추천부
100: 데이터 베이스
110: 업무환경 데이터 베이스
120: 개인특성 데이터 베이스
200: 입력부
300: 특징벡터 검출부
400: 장애 발생 예측부
500: 교대근무 추천부
Claims (13)
- 교대근무에 대한 정보를 포함하는 데이터를 원인 데이터로 입력 받고, 상기 원인 데이터에 따른 근무자의 장애 발생 여부를 결과 데이터로 입력 받는 데이터 입력 단계;
상기 원인 데이터와 상기 결과 데이터 간의 상관관계를 분석하고, 상기 상관관계를 특징벡터로 추출 또는 조합하는 학습단계; 및
상기 특징벡터를 이용하여 근무자의 교대근무에 따른 장애 발생 여부를 예측하는 장애 발생 예측단계를 포함하는 교대근무로 인한 장애 발생 예측방법.
- 제 1 항에 있어서,
상기 교대근무에 대한 정보는,
근무자의 개인적 특성에 관한 정보와 교대근무의 업무 특성에 관한 정보를 포함하는 것을 특징으로 하는 교대근무로 인한 장애 발생 예측방법.
- 제 2 항에 있어서,
상기 개인적 특성은,
인구학적 정보, 성격 정보, 기질 정보, 수면정보, 일주기 정보 및 수면장애 정보 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 교대근무로 인한 장애 발생 예측방법.
- 제 2 항에 있어서,
상기 업무 특성은,
교대근무 종류, 근무 일정, 근무 시간, 시차, 휴무, 직무 강도 및 직무에 따른 스트레스 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 교대근무로 인한 장애 발생 예측방법.
- 제 1 항에 있어서,
상기 장애 발생 여부는
수면이상, 정서 이상 및 인지 이상 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 교대근무로 인한 장애 발생 예측방법.
- 제 1 항에 있어서,
상기 특징벡터 또는 상기 장애 발생 여부의 예측결과를 이용하여 상기 근무자에게 장애 발생 가능성이 최소인 교대근무를 추천하는 단계를 더 포함하는 교대근무로 인한 장애 발생 예측방법.
- 교대근무에 대한 정보가 포함된 원인 데이터 및 상기 원인 데이터에 따른 근무자의 장애 발생 여부가 포함된 결과 데이터가 저장된 데이터베이스;
상기 데이터 베이스로부터 상기 원인 데이터 및 상기 결과 데이터를 입력 받는 입력부;
상기 원인 데이터와 상기 결과 데이터 간의 상관관계를 분석하고, 상기 상관관계를 특징벡터로 추출 또는 조합하는 특징벡터 검출부; 및
상기 특징벡터를 이용하여 근무자의 교대근무에 따른 장애 발생 여부를 예측하는 장애 발생 예측부를 포함하는 교대근무로 인한 장애 발생 예측 시스템.
- 제 7 항에 있어서,
상기 데이터 베이스는,
상기 근무자의 개인적 특성에 관한 정보가 저장되는 업무환경 데이터베이스; 및
상기 교대근무의 업무 특성에 관한 정보가 저장되는 개인특성 데이터 베이스를 더 포함하는 것을 특징으로 하는 교대근무로 인한 장애 발생 예측 시스템.
- 제 8 항에 있어서,
상기 개인적 특성은,
인구학적 정보, 성격 정보, 기질 정보, 수면정보, 일주기 정보 및 수면장애 정보 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 교대근무로 인한 장애 발생 예측 시스템.
- 제 8 항에 있어서,
상기 업무 특성은,
교대근무 종류, 근무 일정, 근무 시간, 시차, 휴무, 직무 강도 및 직무에 따른 스트레스 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 교대근무로 인한 장애 발생 예측 시스템.
- 제 7 항에 있어서,
상기 장애 발생 여부는
수면이상, 정서 이상 및 인지 이상 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 교대근무로 인한 장애 발생 예측 시스템.
- 제 7 항에 있어서,
상기 특징벡터 또는 상기 장애 발생 여부의 예측결과를 이용하여 상기 근무자에게 장애 발생 가능성이 최소인 교대근무를 추천하는 교대근무 추천부를 더 포함하는 교대근무로 인한 장애 발생 예측 시스템.
- 제 1 항 내지 제 6 항 중 어느 한 항의 방법을 구현하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200156609A KR20220069466A (ko) | 2020-11-20 | 2020-11-20 | 교대근무로 인한 장애 발생 예측 방법 및 시스템 |
| PCT/KR2021/012994 WO2022108085A1 (ko) | 2020-11-20 | 2021-09-24 | 교대근무로 인한 장애 발생 예측 방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200156609A KR20220069466A (ko) | 2020-11-20 | 2020-11-20 | 교대근무로 인한 장애 발생 예측 방법 및 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220069466A true KR20220069466A (ko) | 2022-05-27 |
Family
ID=81709117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200156609A KR20220069466A (ko) | 2020-11-20 | 2020-11-20 | 교대근무로 인한 장애 발생 예측 방법 및 시스템 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20220069466A (ko) |
| WO (1) | WO2022108085A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4638040B2 (ja) * | 1998-10-30 | 2011-02-23 | ウォルター リード アーミー インスティテュート オブ リサーチ | 人の認知能力を予測する方法及び装置 |
| US6241686B1 (en) * | 1998-10-30 | 2001-06-05 | The United States Of America As Represented By The Secretary Of The Army | System and method for predicting human cognitive performance using data from an actigraph |
| NZ630770A (en) * | 2013-10-09 | 2016-03-31 | Resmed Sensor Technologies Ltd | Fatigue monitoring and management system |
| EP3391886A1 (en) * | 2017-04-19 | 2018-10-24 | Novartis AG | The use of a h3r inverse agonist for the treatment of shift work disorder |
| JP6891732B2 (ja) * | 2017-08-28 | 2021-06-18 | 沖電気工業株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
-
2020
- 2020-11-20 KR KR1020200156609A patent/KR20220069466A/ko not_active Application Discontinuation
-
2021
- 2021-09-24 WO PCT/KR2021/012994 patent/WO2022108085A1/ko active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022108085A1 (ko) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11039748B2 (en) | System and method for predictive modeling and adjustment of behavioral health | |
| US20200357265A1 (en) | Statistic agent for computer-aided dispatch systems | |
| Tuarob et al. | How are you feeling?: A personalized methodology for predicting mental states from temporally observable physical and behavioral information | |
| US20220292331A1 (en) | Coupling multiple artificially learning units with a projection level | |
| Sen et al. | Designing a Smart and Intelligent Ecosystem for Autistic Children | |
| Yahaya et al. | Towards a data-driven adaptive anomaly detection system for human activity | |
| Lee et al. | The effect of marriage on young adult heavy drinking and its mediators: results from two methods of adjusting for selection into marriage. | |
| Liu et al. | Daily fluctuation in negative affect for family caregivers of individuals with dementia. | |
| Corlett et al. | Dreams, reality and memory: confabulations in lucid dreamers implicate reality-monitoring dysfunction in dream consciousness | |
| Manocha et al. | Cognitive intelligence assisted fog-cloud architecture for generalized anxiety disorder (GAD) prediction | |
| Radulescu et al. | State representation in mental illness | |
| Czyz et al. | Predicting short-term suicidal thoughts in adolescents using machine learning: developing decision tools to identify daily level risk after hospitalization | |
| Fernandez-Llatas et al. | Interactive pattern recognition in cardiovascular disease management. A process mining approach | |
| Harish et al. | Smart home based prediction of symptoms of Alzheimer’s disease using machine learning and contextual approach | |
| Carretero et al. | Ecological momentary assessment for monitoring risk of suicide behavior | |
| WO2019221252A1 (ja) | 情報処理装置、情報処理方法およびプログラム | |
| Hindt et al. | Visits with fathers involved in the criminal justice system and behavioral outcomes among children in foster care | |
| KR20220069466A (ko) | 교대근무로 인한 장애 발생 예측 방법 및 시스템 | |
| KR20180053983A (ko) | 치매환자 관리방법 | |
| Keya et al. | A performance analysis of depression ratio using machine learning approaches | |
| B. Elvas et al. | Remote monitor system for alzheimer disease | |
| Gadekar et al. | Symptoms Based Disease Prediction | |
| Zim et al. | Prediction of personality for mental health detection using hybrid deep learning model | |
| Nia et al. | Personalized Virtual Employee Assistant using IOT Recommender System and Cognitive Computing | |
| Hornstein et al. | Predicting recurrent chat contact in a Low-Threshold Psychological Intervention for children and young Adults: a natural language Processing approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |