KR20220069859A - 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치 및 방법 - Google Patents
디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치 및 방법 Download PDFInfo
- Publication number
- KR20220069859A KR20220069859A KR1020210160354A KR20210160354A KR20220069859A KR 20220069859 A KR20220069859 A KR 20220069859A KR 1020210160354 A KR1020210160354 A KR 1020210160354A KR 20210160354 A KR20210160354 A KR 20210160354A KR 20220069859 A KR20220069859 A KR 20220069859A
- Authority
- KR
- South Korea
- Prior art keywords
- user
- data
- user data
- mental health
- health state
- Prior art date
Links
- 230000004630 mental health Effects 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 90
- 238000001514 detection method Methods 0.000 claims abstract description 82
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 19
- 208000020401 Depressive disease Diseases 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000013480 data collection Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 208000024891 symptom Diseases 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000036651 mood Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 206010054089 Depressive symptom Diseases 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 208000020016 psychiatric disease Diseases 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000013211 curve analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000994 depressogenic effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011173 large scale experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000007115 recruitment Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000002747 voluntary effect Effects 0.000 description 2
- 206010026749 Mania Diseases 0.000 description 1
- 208000028017 Psychotic disease Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
- G16H50/70—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Nursing (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Educational Technology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치 및 방법이 개시되며, 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법은, 사용자 단말로부터 제1사용자 데이터를 수집하는 단계, 상기 제1사용자 데이터를 정신건강상태 분석을 위하여 기 학습된 일반화 판단 모델에 입력하여 상기 사용자 단말의 사용자의 정신건상상태에 대한 제1분석 정보를 도출하는 단계, 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 판단 모델 대비 상기 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델을 생성하는 단계, 상기 사용자 단말로부터 제2사용자 데이터를 수집하는 단계 및 상기 제2사용자 데이터를 상기 개인화 판단 모델에 입력하여 상기 정신건강상태에 대한 제2분석 정보를 도출하는 단계를 포함할 수 있다.
Description
본원은 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치 및 방법에 관한 것이다. 예를 들면, 본원은 디지털 피노타이핑 기반 다차원적 우울 탐지 장치 및 방법에 관한 것이다.
성인의 정신질환 평생 유병률은 25.4%로, 성인 4명 중 1명이 평생 한 번 이상 정신건강문제를 경험하게 된다. 건강보험심사평가원의 정신건강 질환 진료현황분석 결과에 의하면 국내 우울증 환자 수는 51만명에 이르나, 치료를 받는 비율은 낮은 실정이다.
또한, 정신건강 관련 치료인력의 부족으로 인해 개인별 전문적인 서비스가 제공되기 어렵고, 이를 보완할 수 있는 대체 기술의 도입이 필요하다. 또한, 정신질환 발병 후의 개입 및 치료에서 예측·예방 중심으로 치료적 중점이 변화되는 추세를 보이며, 세계적으로 의료비 절감 및 치료의 효율성 증진을 위해 모바일 정신건강케어 서비스 시도가 확산되고 있는 추세를 보이고 있다.
한편, 종래의 우울증을 진단하는 방식은 자가보고 설문을 통한 방식을 이용하고 있어, 주관적으로 우울감을 측정한다는 점에서 우울한 정서에 대한 개인 자각의 차이에 따라 진단 오류를 범할 수 있는 문제가 존재한다. 또한, 기존의 우울증 진단 방식은 진단하는 과정에 소요되는 시간이 다소 소요되는 문제점이 존재한다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 주관적인 자기보고 형식을 통해서 우울증을 진단하여 객관적이지 못한 문제점을 해결할 수 있는 디지털 피노타이핑 기반 다차원적 우울 탐지 장치 및 방법을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법은, 사용자 단말로부터 제1사용자 데이터를 수집하는 단계, 상기 제1사용자 데이터를 정신건강상태 분석을 위하여 기 학습된 일반화 판단 모델에 입력하여 상기 사용자 단말의 사용자의 정신건상상태에 대한 제1분석 정보를 도출하는 단계, 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 판단 모델 대비 상기 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델을 생성하는 단계, 상기 사용자 단말로부터 제2사용자 데이터를 수집하는 단계 및 상기 제2사용자 데이터를 상기 개인화 판단 모델에 입력하여 상기 정신건강상태에 대한 제2분석 정보를 도출하는 단계를 포함할 수 있다.
또한, 상기 제1사용자 데이터 및 상기 제2사용자 데이터는, 상기 사용자 단말의 사용과 연계된 로그 데이터, 상기 사용자의 생체 데이터 및 상기 사용자에 의해 작성된 자가보고 데이터를 포함할 수 있다.
또한, 상기 로그 데이터, 상기 생체 데이터 및 상기 자가보고 데이터 각각은 미리 설정된 복수의 항목을 포함할 수 있다.
또한, 상기 일반화 판단 모델은 상기 복수의 항목 각각에 대하여 미리 설정된 일반화 가중치를 적용하여 상기 제1분석 정보를 도출하도록 학습될 수 있다.
또한, 상기 개인화 판단 모델을 생성하는 단계는, 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 가중치 각각을 갱신하는 단계를 포함할 수 있다.
또한, 상기 제1사용자 데이터는 상기 복수의 항목의 데이터를 포함하되, 상기 제2사용자 데이터는 상기 복수의 항목 중 선택된 일부 항목의 데이터를 포함할 수 있다.
또한, 상기 개인화 판단 모델을 생성하는 단계는, 상기 선택된 일부 항목의 데이터 각각에 대한 수집 주기를 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 결정하는 단계를 포함할 수 있다.
한편, 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치는, 사용자 단말로부터 제1사용자 데이터를 수집하고, 상기 제1사용자 데이터를 정신건강상태 분석을 위하여 기 학습된 일반화 판단 모델에 입력하여 상기 사용자 단말의 사용자의 정신건상상태에 대한 제1분석 정보를 도출하는 일반화 분석부, 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 판단 모델 대비 상기 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델을 생성하는 모델 최적화부 및 상기 사용자 단말로부터 제2사용자 데이터를 수집하고, 상기 제2사용자 데이터를 상기 개인화 판단 모델에 입력하여 상기 정신건강상태에 대한 제2분석 정보를 도출하는 개인화 분석부를 포함할 수 있다.
또한, 상기 모델 최적화부는, 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 가중치 각각을 갱신하고, 상기 복수의 항목 중 선택된 일부 항목의 데이터 각각에 대한 수집 주기를 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 결정할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 디지털 피노타이핑 기반 다차원적 우울 탐지 장치 및 방법을 제공함으로써, 주관적인 자기보고 형식을 통해서 우울증을 진단하여 객관적이지 못한 문제점을 해결할 수 있는 효과가 있다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치를 포함하는 사용자 분석 시스템의 개략적인 구성도이다.
도 2는 본원의 일 실시예에 따른 사용자 분석 시스템의 개략적인 시스템 구성을 나타낸 개념도이다.
도 3은 사용자 단말을 통해 수집 가능한 사용자 데이터의 유형을 나타낸 도표이다.
도 4는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치의 개략적인 구성도이다.
도 5는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법에 대한 동작 흐름도이다.
도 6은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치를 설명하기 위한 도면이다.
도 7은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 센서 데이터 관련 기술 개발 흐름도이다.
도 8은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 우울증 탐지 모델을 설명하기 위한 도면이다
도 9은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 모델 개발 연구 절차를 설명하기 위한 도면이다.
도 10은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치를 이용한 통합 플랫폼 고도화 및 일반화 모델 구축을 설명하기 위한 도면이다.
도 11은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 일반화 모델 및 개인화 모델을 설명하기 위한 도면이다.
도 12는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 모델 타당화 연구 절차를 설명하기 위한 도면이다.
도 13은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 개인 맞춤형 피드백 제공 모델을 설명하기 위한 도면이다.
도 2는 본원의 일 실시예에 따른 사용자 분석 시스템의 개략적인 시스템 구성을 나타낸 개념도이다.
도 3은 사용자 단말을 통해 수집 가능한 사용자 데이터의 유형을 나타낸 도표이다.
도 4는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치의 개략적인 구성도이다.
도 5는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법에 대한 동작 흐름도이다.
도 6은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치를 설명하기 위한 도면이다.
도 7은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 센서 데이터 관련 기술 개발 흐름도이다.
도 8은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 우울증 탐지 모델을 설명하기 위한 도면이다
도 9은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 모델 개발 연구 절차를 설명하기 위한 도면이다.
도 10은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치를 이용한 통합 플랫폼 고도화 및 일반화 모델 구축을 설명하기 위한 도면이다.
도 11은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 일반화 모델 및 개인화 모델을 설명하기 위한 도면이다.
도 12는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 모델 타당화 연구 절차를 설명하기 위한 도면이다.
도 13은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치의 개인 맞춤형 피드백 제공 모델을 설명하기 위한 도면이다.
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" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 시스템의 개략적인 구성을 나타낸 도면이다. 이하에서는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 우울 탐지 장치(100)를 설명의 편의상 본 장치(100)라 하기로 한다.
도 1은 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치를 포함하는 사용자 분석 시스템의 개략적인 구성도이다.
도 1을 참조하면, 본원의 일 실시예에 따른 사용자 분석 시스템(10)은, 디지털 피노타이핑 기반 다차원적 정신건상상태 탐지 장치 (100)(이하, '탐지 장치(100)'라 한다.), 사용자 단말(200) 및 데이터베이스(300)를 포함할 수 있다.
탐지 장치(100), 사용자 단말(200) 및 데이터베이스(300) 상호간은 네트워크(20)를 통해 통신할 수 있다. 네트워크(20)는 단말들 및 서버들과 같은 각각의 노드 상호간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크(20)의 일 예에는, 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), wifi 네트워크, 블루투스(Bluetooth) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함되나 이에 한정되지는 않는다.
한편, 본원의 일 실시예에 따른 탐지 장치(100)는 사용자 단말(200) 및 웨어러블 디바이스(201) 중 적어도 하나에 탑재(설치)되는 형태로 구현되는 것일 수 있다.
사용자 단말(200)은 예를 들면, 사용자의 손목부에 착용된 상태로 사용자의 생체 정보 등을 수집하기 위한 스마트 워치(Smart Watch), 스마트 밴드(Smart Band), 머리 착용형(Head-worn) 디바이스, 스트랩(Strap)형 디바이스, 의류형 디바이스, 발 착용형(Shoe-won/Foot pods) 디바이스 등 다양한 위치에 착용되어 사용자의 사용자 데이터를 획득할 수 있는 기기를 의미하는 웨어러블 디바이스(201)를 포함할 수 있으나 이에만 한정되는 것은 아니다.
달리 말해, 본원의 구현예에 따라 탐지 장치(100)는 사용자 단말(200)으로부터 후술하는 사용자 데이터를 수집하도록 동작하거나, 사용자 단말(200) 및 웨어러블 디바이스(201)를 모두 활용하여 사용자 데이터를 수집하도록 동작할 수 있다.
예시적으로, 웨어러블 디바이스(201)는 Fitbit, Jawbone Up, Nike+ FuelBand, Apple Watch, Samsung Gear 등일 수 있다. 또한, 사용자 단말(200)과 웨어러블 디바이스(201)는 하나의 사용자에 대한 동일 계정 정보에 기초하여 상호 연동된 것일 수 있다. 또한, 본원의 구현예에 따라서는 웨어러블 디바이스(201)는 넓은 범위에서 사용자 단말(200)에 포함되는 것으로 이해될 수 있다.
사용자 단말(200)은 예를 들면, 스마트폰(Smartphone), 스마트패드(SmartPad), 태블릿 PC등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치일 수 있다.
또한, 본원의 실시예에 관한 설명에서 데이터베이스(300)는 사용자 각각에 대응하여 수집된 사용자 데이터를 저장/관리하기 위한 스토리지로서, 본원에서 개시하는 탐지 장치(100)는 데이터베이스(300)에 다수의 사용자에 대응하여 수집된 사용자 데이터를 기초로 모든 사용자의 정신건강상태에 대한 1차적인 분석을 수행하도록 구축되는 일반화 판단 모델(M1)을 구축하도록 동작할 수 있다. 나아가, 탐지 장치(100)는 특정 사용자에 대하여 수집된 사용자 데이터에 기초하여 기 생성된 일반화 판단 모델(M1)을 해당 사용자에 특화된 정신건강상태에 대한 분석을 수행하도록 업데이트(갱신)되는 개인화 판단 모델(M2)을 구축할 수 있다.
도 2는 본원의 일 실시예에 따른 사용자 분석 시스템의 개략적인 시스템 구성을 나타낸 개념도이다.
도 2를 참조하면, 탐지 장치(100)는 사용자 단말(200)로부터 제1사용자 데이터를 수집할 수 있다.
구체적으로, 도 2를 참조하면, 제1사용자 데이터는 사용자 단말(200), 웨어러블 디바이스(201) 등에 구비되는 센서 모듈(도 2의 Sensors)에 기초하여 수집되는 사용자 단말(200)의 사용과 연계된 로그 데이터를 포함할 수 있다.
또한, 제1사용자 데이터는 사용자 단말(200), 웨어러블 디바이스(201) 등에 구비되는 센서 모듈(도 2의 Sensors)에 기초하여 수집되는 사용자의 생체 데이터를 포함할 수 있다.
또한, 도 2를 참조하면, 제1사용자 데이터는 해당 사용자에 의해 작성된 자가보고 데이터(도 2의 Self-report)를 포함할 수 있다. 또한, 제1사용자 데이터는 해당 사용자의 인적사항 데이터(예를 들면, 이름, User ID, 연령, 성별, 질환 정보, 직장, 주소지, 거주지, 가족관계 등)를 포함할 수 있다.
한편, 본원의 일 실시예에 따르면, 전술한 제1사용자 데이터 및 후술하는 제2사용자 데이터를 포함하는 사용자 데이터를 저장하기 위한 데이터베이스(300)는 클라우드(Cloud)에 기반한 저장소일 수 있다.
참고로, 전술한 제1사용자 데이터에 포함되는 데이터 유형에 대한 설명은 후술하는 제2사용자 데이터에 대하여도 적용될 수 있다. 이와 관련하여, 본원의 실시예에 관한 설명에서 '제1사용자 데이터'는 일반화 판단 모델(M1)의 입력 데이터로서 수집되는 사용자 데이터를 지칭하고, '제2사용자 데이터'는 개인화 판단 모델(M2)의 입력 데이터로서 수집되는 사용자 데이터를 지칭함으로써 상호 구분되는 것일 수 있으며, 각각의 사용자 데이터를 수집하기 위한 데이터 수집 방식, 데이터 타입 등은 공통되는 것일 수 있으나, 이하에서 설명하는 바와 같이 제2사용자 데이터는 해당 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델(M2)에 입력되는 데이터로서 제1사용자 데이터 대비 각각의 데이터 항목에 적용되는 가중치가 상이하거나, 수집되는 데이터 항목의 수가 상이하거나, 각각의 데이터 항목을 수집하기 위한 수집 패턴(예를 들면, 수집 주기, 수집 시간대 등)이 상이한 것일 수 있다.
도 3은 사용자 단말을 통해 수집 가능한 사용자 데이터의 유형을 나타낸 도표이다.
도 3을 참조하면, 사용자 데이터로서 수집되는 로그 데이터, 생체 데이터 및 자가보고 데이터 각각은 미리 설정된 복수의 항목을 포함할 수 있다. 보다 구체적으로, 복수의 항목은 가속도계(Accelerometer) 데이터, 위치 데이터(GPS 데이터), 사용자 단말 잠금(Lock)/잠금 해제(Unlock) 데이터, 발화/대화 데이터, 심박수 데이터, 통화/문자 데이터, SNS 사용 데이터, 마이크 사용 데이터, Wi-fi 사용 데이터, ECA(Embodied Conversational Agent) 데이터, 조도 데이터 등을 포함할 수 있다.
또한, 본원의 일 실시예에 따르면, 사용자 데이터로서 수집되는 복수의 항목은 미리 설정된 복수의 범주(Category)로 분류될 수 있다. 예를 들어, 사용자 데이터에 포함되는 복수의 항목은 신체 활동(Physical) 카테고리, 위치 및 이동(Location and mobility) 카테고리, 단말 사용(Phone Usage) 카테고리, 사회성(Sociability) 카테고리 등으로 분류될 수 있다.
이와 관련하여, 본원에서 개시하는 탐지 장치(100)에 의해 제공되는 사용자의 정신건강상태를 분석하기 위한 판단 모델(M1, M2)에 입력되는 사용자 데이터의 복수의 항목 각각에 대한 가중치 및/또는 복수의 카테고리 각각에 대한 가중치는 상호 상이하게 결정될 수 있으며, 특히, 개인화 판단 모델(M2)의 경우, 일반화 판단 모델(M1)에 대한 가중치를 초기 가중치로 하여 사용자 단말(200)을 통해 수집되는 제1사용자 데이터, 제1사용자 데이터에 기반하여 일반화 판단 모델(M1)이 분석한 제1분석 정보 등을 고려하여 변동됨으로써 해당 사용자의 정신건강상태를 모니터링 하기에 특화된 값으로 지속적으로 갱신(업데이트)되는 것일 수 있다.
탐지 장치(100)는 입력된 사용자 데이터(제1사용자 데이터)에 대응하는 정신건강상태에 대한 분석 정보를 출력하도록 미리 학습된 일반화 판단 모델(M1)에 기초하여 사용자에 대하여 수집된 사용자 데이터에 대응하는 사용자의 정신건강상태에 대한 분석 정보(제1분석 정보)를 생성할 수 있다.
또한, 탐지 장치(100)는 생성된 정신건강상태에 대한 분석 정보를 사용자 단말(200) 및 웨어러블 디바이스(201) 중 적어도 하나를 통해 제공할 수 있다. 예시적으로, 탐지 장치(100)는 사용자 단말(200) 및 웨어러블 디바이스(201) 중 적어도 하나에서 본원에서 개시하는 탐지 장치(100)와 연계된 애플리케이션(App), 프로그램 등이 실행되는 경우 표출되는 초기 인터페이스(예를 들면, 해당일에 최초로 본원의 탐지 장치(100)와 연계된 App 등을 실행한 경우에 표시되는 인터페이스 등)에 정신건강상태에 대한 분석 정보가 표시되도록 할 수 있다.
또한, 본원의 일 실시예에 따르면, 탐지 장치(100)는 복수의 사용자에 대하여 수집된 사용자 데이터와 해당 복수의 사용자에 대하여 수집된 기분 상태 정보를 포함하는 학습 데이터에 기반한 기계 학습을 통해 구현된 일반화 판단 모델(M1)에 기초하여 사용자를 타겟하여 수집된 사용자 데이터인 제1사용자 데이터에 기초하여 해당 사용자의 소정의 기간 동안의 정신건강상태에 대한 변화를 예측하는 것일 수 있다.
또한, 기계 학습을 통해 구현되는 일반화 판단 모델(M1)과 관련하여, 본원의 일 실시예에 따르면, 일반화 판단 모델(M1)은 지도 학습 기반의 랜덤 포레스트(Random Forest) 알고리즘에 기반하여 학습되는 것일 수 있으나, 이에만 한정되는 것은 아니고, 본원에서는 종래에 이미 공지되었거나 향후 개발되는 다양한 기계 학습 알고리즘 모델이 적용될 수 있다.
또한, 본원의 일 실시예에 따르면 탐지 장치(100)는 정신건강상태에 대한 분석 정보에 대응하여 외형이 결정되는 가상의 아바타를 사용자 단말(200) 및 웨어러블 디바이스(201) 중 적어도 하나에 표시하는 방식으로 정신건강상태에 대한 분석 정보를 제공할 수 있다. 이해를 돕기 위해 예시하면, 해당 사용자에 대하여 일반화 판단 모델(M1)을 통해 예측된 정신건강상태에 대한 분석 정보가 기분 삽화(mood episode)의 발생 가능성이 낮게 예측되는 등 좋은 기분일 것으로 예측되는 경우 웃는 형상의 아바타가 표시되어 사용자가 직관적으로 사용자의 사용자 데이터에 대응하여 예측되는 현재와 미래의 기분을 확인하도록 할 수 있다. 이와 관련하여, 탐지 장치(100)는 사용자에 대하여 수집된 사용자 데이터에 대응하는 사용자의 정신건강상태에 대한 분석 정보를 직관적인 형태로 제공함으로써, 사용자가 자신의 과거 행동(예를 들면, 생활 패턴 등)이 미래의 기분에 영향을 미칠 수 있음을 인지하도록 하여 행동을 개선하려는 노력을 기울이도록 유도할 수 있다.
또한, 본원의 일 실시예에 따르면, 탐지 장치(100)는 산출된 제1분석 정보를 고려하여 사용자에 대한 정신건강상태를 종합한 피드백 정보를 생성할 수 있다. 예시적으로, 탐지 장치(100)는 산출된 제1분석 정보를 '좋음', '보통', '나쁨' 등으로 종합하여 가공한 피드백 정보 형태로 표시할 수 있으나, 이에만 한정되는 것은 아니다.
또한, 탐지 장치(100)는 제1사용자 데이터 및 일반화 판단 모델(M1)에 의한 제1분석 정보에 기초하여 일반화 판단 모델(M1) 대비 해당 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델(M2)을 생성할 수 있다.
구체적으로, 탐지 장치(100)는 제1사용자 데이터 및 제1분석 정보에 기초하여 일반화 판단 모델(M1)의 복수의 항목 각각에 대한 일반화 가중치 각각을 갱신함으로써 개인화 판단 모델(M2)을 구축할 수 있다.
이와 관련하여, 일반화 판단 모델(M1)은 사용자 데이터에 포함되는 복수의 항목을 전체적으로 고려하여 분석 정보를 도출하도록, 복수의 항목 각각에 대한 미리 설정된 일반화 가중치에 대한 정보를 보유하나, 일반화 판단 모델(M1)을 활용한 데이터(제1사용자 데이터) 수집 및 분석 프로세스가 반복되면서 특정 항목이 해당 사용자에 대하여 분석에 유의미한 정도로 수집되지 않거나, 특정 항목에 대한 데이터가 사용자의 정신건강상태에 대하여 미치는 영향이 미비한 것으로 판단되면, 해당 항목은 개인화 판단 모델(M2)에서 미비한 수준으로 고려되거나 입력 데이터로서 활용되지 않을 수 있도록 가중치를 적게 조정하거나 가중치를 0으로 조정하여 해당 항목이 제2사용자 데이터에는 미포함되도록 판단 모델을 개인화할 수 있다.
달리 말해, 본원의 일 실시예에 따르면, 일반화 판단 모델(M1)과 관련한 제1사용자 데이터는 미리 설정된 복수의 항목의 데이터를 포함하되, 개인화 판단 모델(M2)과 관련하여 수집되는 제2사용자 데이터는 미리 설정된 복수의 항목 중 선택된 일부 항목의 데이터를 포함하는 것일 수 있다.
또한, 본원의 일 실시예에 따르면, 탐지 장치(100)는 제2사용자 데이터로서 선택된 일부 항목의 데이터 각각에 대한 수집 주기를 제1사용자 데이터 및 제1분석 정보에 기초하여 결정할 수 있다. 이와 관련하여, 사용자의 행동 특성, 신체적 특성, 활동 반경 등을 고려하면 사용자 데이터로서 수집되는 각각의 항목에 대응하여 최적의 수집 주기 또는 수집 시점이 결정될 수 있으므로, 이를 고려하여 탐지 장치(100)는 제1사용자 데이터 및 제1분석 정보에 기초하여 사용자 데이터의 각각의 항목을 수집하기 위한 시간적 조건을 개별적으로 설정할 수 있다.
또한, 탐지 장치(100)는 개인화 판단 모델(M2)의 학습(구축)이 완료된 것으로 판단하면, 일반화 판단 모델(M1) 대신 개인화 판단 모델(M2)을 적용하여 해당 사용자에 대한 정신건강상태를 분석할 수 있도록 개인화 판단 모델(M2)에 대응하도록 결정된 사용자 데이터인 제2사용자 데이터를 사용자 단말(200) 등을 통해 수집할 수 있다.
또한, 탐지 장치(100)는 수집된 제2사용자 데이터를 앞서 구축된 개인화 판단 모델(M2)에 입력하여 해당 사용자의 정신건강상태에 대한 제2분석 정보를 도출할 수 있다.
한편, 본원의 일 실시예에 따르면, 수집되는 제2사용자 데이터가 미리 설정된 임계 수집 기간을 초과(도과)하도록 사용자 단말(200) 등을 통해 미수집되는 경우(달리 말해, 탐지 장치(100)로 미제공되는 경우), 탐지 장치(100)는 사용자 단말(200)로 사용자 데이터의 제공을 요청하는 알림 신호를 전송하여 사용자가 정신건강상태 분석을 위한 사용자 데이터를 제공하도록 유도할 수 있다.
또한, 본원의 일 실시예에 따르면, 탐지 장치(100)는 제2사용자 데이터가 미리 설정된 임계 수집 기간을 초과(도과)하도록 사용자 단말(200) 등을 통해 미수집되는 경우 기존에 구축된 개인화 판단 모델(M2)을 폐기하고, 일반화 판단 모델(M1)을 활용한 제1사용자 데이터 수집 및 제1분석 정보 도출 프로세스를 재차 수행하여 사용자 데이터가 제공되지 않은 동안 파악되지 않은 사용자의 정신건강상태 변화를 고려하여 개인화 판단 모델(M2)을 재구축할 수 있다.
한편, 개인화 판단 모델(M2)의 폐기/재구축을 수행하기 위한 임계 수집 기간은 제1분석 정보 및 제2분석 정보 중 적어도 하나를 고려하여 설정되는 것일 수 있다.
도 4는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치의 개략적인 구성도이다.
도 4를 참조하면, 탐지 장치(100)는, 일반화 분석부(110), 모델 최적화부(120) 및 개인화 분석부(130)를 포함할 수 있다.
일반화 분석부(110)는 사용자 단말(200)로부터 제1사용자 데이터를 수집하고, 수집한 제1사용자 데이터를 정신건강상태 분석을 위하여 기 학습된 일반화 판단 모델(M1)에 입력하여 사용자 단말(200)의 사용자의 정신건상상태에 대한 제1분석 정보를 도출할 수 있다.
모델 최적화부(120)는 제1사용자 데이터 및 제1분석 정보에 기초하여 일반화 판단 모델(M1) 대비 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델(M2)을 생성할 수 있다.
개인화 분석부(130)는 사용자 단말(200)로부터 제2사용자 데이터를 수집하고, 수집한 제2사용자 데이터를 개인화 판단 모델(M2)에 입력하여 정신건강상태에 대한 제2분석 정보를 도출할 수 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 5는 본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법에 대한 동작 흐름도이다.
도 5에 도시된 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법은 앞서 설명된 탐지 장치(100)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 탐지 장치(100)에 대하여 설명된 내용은 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법에 대한 설명에도 동일하게 적용될 수 있다.
도 5를 참조하면, 단계 S11에서 일반화 분석부(110)는 사용자 단말(200)로부터 제1사용자 데이터를 수집할 수 있다.
다음으로, 단계 S12에서 일반화 분석부(110)는 수집된 제1사용자 데이터를 정신건강상태 분석을 위하여 기 학습된 일반화 판단 모델(M1)에 입력하여 사용자 단말(200)의 사용자의 정신건상상태에 대한 제1분석 정보를 도출할 수 있다.
다음으로, 단계 S13에서 모델 최적화부(120)는 제1사용자 데이터 및 단계 S12에서 도출된 제1분석 정보에 기초하여 일반화 판단 모델(M1) 대비 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델(M2)을 생성할 수 있다.
다음으로, 단계 S14에서 개인화 분석부(130)는 사용자 단말(200)로부터 제2사용자 데이터를 수집할 수 있다.
다음으로, 단계 S15에서 개인화 분석부(130)는 수집한 제2사용자 데이터를 개인화 판단 모델(M2)에 입력하여 정신건강상태에 대한 제2분석 정보를 도출할 수 있다.
상술한 설명에서, 단계 S11 내지 S15는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시예에 따른 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
지금까지 상술한 탐지 장치(100) 및 이를 포함하는 사용자 분석 시스템(10)에 대한 설명은, 본원의 구현예에 따라서, 하기에서 서술하는 디지털 피노타이핑 기반 다차원적 우울 탐지 플랫폼에 대한 설명을 통해서 이해될 수 있다. 따라서, 이하, 생략된 내용이라고 하더라도 상술한 탐지 장치(100) 및 이를 포함하는 사용자 분석 시스템(10)에 대하여 설명된 내용은 하기의 디지털 피노타이핑 기반 다차원적 우울 탐지 플랫폼에도 동일하게 적용될 수 있다.
이하에서는 디지털 피노타이핑기반 다차원적 우울 탐지 장치를 설명의 편의를 위하여 '본 장치(100)'로 지칭하도록 한다. 달리 말해, 본원의 실시예에 관한 설명에서 도면부호 100은 전술한 디지털 피노타이핑 기반 다차원적 정신건상상태 탐지 장치(100)와 하기에서 설명하는 디지털 피노타이핑기반 다차원적 우울 탐지 장치(100)에 대하여 혼용될 수 있다.
도 6은 본원의 일 실시예에 따른 본 장치(100)를 설명하기 위한 개념도이다.
본원의 일 실시예에 따른 본 장치(100)는 디지털 피노타이핑 기반 다차원적 우울 탐지 플랫폼을 제공하는 장치일 수 있다. 다만, 이에 한정되는 것은 아니다.
본원의 일 실시예에 따른 본 장치(100)는 사용자의 행동적, 생리적, 환경적, 사회적 정보를 실시간으로 자동 수집하는 데이터 수집 에이전트(단말탑재형 SW)일 수 있다. 또한, 본 장치(100)는 예를 들어, 우울 증상별 및 수준별 센서데이터 패턴에 대한 대규모 데이터세트(서버탑재형 SW)를 생성하는 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 대규모 데이터세트 기반 사용자의 우울 상태(증상+수준)를 자동 분류할 수 있는 모델(SW)(일반화된 모델)을 생성할 수 있다. 다만, 이에 한정되는 것은 아니다. 다른 실시예로 본 장치(100)는 개별 사용자 패턴 분석을 통해 우울 상태를 실시간 모니터링하고 맞춤화된 피드백을 제공할 수 있는 모델(SW)(개인화된 모델)을 생성하는 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 디지털 피노타이핑 데이터세트를 구축하는 것일 수 있다. 또한, 본 장치(100)는 예를 들어, 사용자의 우울 증상과 수준을 측정하는 모델을 포함하는 빅데이터 세트를 구축하는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.
보다 자세하게, 본원의 일 실시예에 따른 본 장치(100)는 모바일 센싱기술을 이용하여, 사용자의 행동/생리/환경/사회적 정보를 자동 수집 수집하는 것일 수 있다. 또한, 본 장치(100)는 근거기반의 문헌조사를 통해 우울의 증상 및 수준별로 각각을 타당하게 측정하는 대표 센서 확정(예, 가속계, GPS, 조도센서 등)하는 것일 수 있다.
또한, 본 원의 일 실시예에 따른 본 장치(100)는 각 센서별로 최적의 수집 단위(예, 분당 측정 횟수)를 확정하고 수집방법(예, 통화의 횟수 또는 시간)을 구체화 하는 것일 수 있다. 또한, 본 장치(100)는 예를 들어, 개인정보 보호 방법을 확립하고 배터리 사용량을 최소화하는 등 사용자 중심의 계획을 수립하는 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 심리학적 근거에 기반하여, 센서데이터를 우울 상태(증상+수준)별로 조직화하는 것일 수 있다.
다시 말하면, 본 장치(100)는 예를 들어, DSM-5(정신장애편람) 우울장애 진단 기준에 근거하여 우울의 9가지 증상별로 데이터를 조직화하는 것일 수 있다. 또한, 본 장치(100)는 예를 들어, IDS(우울증상평가척도) 우울장애 분류 체계에 근거하여 우울의 8가지 수준별로 데이터를 조직화하는 것일 수 있다.
한편, 본 원의 일 실시예에 따른 본 장치(100)는 대규모 중장기 경험적 자료 수집을 통한 우울 탐지 플랫폼을 구축 및 타당화하는 것일 수 있다. 또한, 본 장치(100)는 예를 들어, 대규모 표본을 대상으로 중장기간 경험적 자료를 수집하여 우울의 상태별 센서데이터 세트를 구축하는 것일 수 있다.
또한, 본원의 일 실시예에 따른 본 장치(100)는 개별 사용자의 데이터 분석을 통해 개인맞춤형 피드백 제공 모델 구축하는 것일 수 있다. 또한, 본원의 일 실시예에 따른 본 장치(100)는 예를 들어, 머신러닝 및 최신통계기법을 적용하여 일반화된 및 개인화된 모델을 구축하는 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 게이미피케이션 적용을 통해 플랫폼 사용성 및 충성도 증진하는 것일 수 있다. 다만, 이에 한정되는 것은 아니고 다른 실시예로, 본 장치(100)는 사용자의 지속적 사용의도를 높이고 자발적인 사용을 장려하기 위해 게이미피케이션 요소를 적용하는 것일 수 있다.
이하에서는 본원의 일 실시예에 따른 본 장치(100)를 보다 상세하게 설명한다.
도 7은 본원의 일 실시예에 따른 본 장치(100)의 센서 데이터 관련 기술 개발 흐름도이다.
도 7을 참조하면, 본원의 일 실시예에 따른 본 장치(100)는 우울 증상/수준 관련 센서 및 센서 조합이 확정하는 것일 수 있다. 다시 말하면, 본 장치(100)는 근거기반의 총체적 문헌조사(우울 평가에 센싱기술을 접목한 선행연구 중심)에서 경험적으로 상관이 높은 것으로 보고된 센서 및 센서 조합을 확정하는 것일 수 있다.
또한, 본원의 일 실시예에 따른 본 장치(100)는 DSM-5(정신장애편람)에 근거하여 이론적으로 우울의 9가지 증상과 관련이 높은 센서 및 센서조합을 확정하는 것일 수 있다. 다만, 이에 한정되는 것은 아니고 다른 실시예로, 본 장치(100)는 IDS(우울증상평가척도)에 근거하여 이론적으로 우울의 8가지 수준과 관련이 높은 센서 및 센서조합을 확정하는 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 머신러닝 및 통계기법(Specification curve analysis)에 기반하여 우울 상태와 상관관계가 높게 나온 센서 및 센서 조합을 확정하는 것일 수 있다.
전술한 도 3을 참조하면, 본원의 일 실시예에 따른 본 장치(100)는 센서들로부터 수집한 센서 데이터를 기반으로 우울증을 탐지하는 것일 수 있다. 상기 센서는 예를 들어, Accelerometer, GPS, Phone Lock/Unlock, Speech and conversation, heart rate, calls/SMS, Soft sensor(Online social networks), Microphone, WIFI bodyweight scale, Embodied conversational agent(ECA), Light 센서를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 게이미피케이션 요소 구현 계획이 구체화 된 것일 수 있다. 또한, 본 장치(100)는 사용자의 지속적이고 자발적인 사용을 장려할 수 있는 게이미케이션 요소를 기존 연구 결과(Chung, Kim, Ahn, & Lee, Under review)에서 차용한 것일 수 있다.
본 장치(100)는 예를 들어, 효과적으로 적용할 수 있는 게이미피케이션 요소를 파악하고 구현한 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)가 데이터 수집 및 통신 인터페이스(Data source & Communication interfaces) 계층을 제공하는 것일 수 있다. 다른 실시예로 본 장치(100)는 스마트폰으로부터 다양한 센서 및 통신 데이터를 수집하여 이를 스마트폰이나 클라우드 서버로 전달하는 기능을 담당할 수 있다. 또한, 본 장치(100)는 각종 센서 데이터(예. 가속계, GPS, 조도센서 등)와 사용자 데이터(예. 앱 사용량, 통신 기록, 배터리) 등을 수집하는 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 데이터 수집 에이전트(Data acquisition agent) 계층을 제공하는 것일 수 있다. 다른 실시예로, 본 장치(100)는 사용자 단말기와 클라우드 서버 간의 연결 관리와 데이터 샘플링 속도 조절 등의 작업을 담당하는 것일 수 있다. 또한, 본 장치(100)는 연결 관리를 위한 기본적인 기능으로는 장치 등록, 연결, 가입 및 범위 지정 쿼리(time-ranged query) 등이 포함되는 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는데이터 처리 및 분석(Data processing & analysis) 계층을 제공할 수 있다. 다른 실시예로 본 장치(100)는 사용자의 행동에 관련된 각종 데이터를 분석하고 이로부터 다양한 사용자 컨텍스트 모델을 정의하는 역할을 담당할 수 있다. 이를 위해 본 장치(100)는 결정론적 알고리즘이나 기계 학습 기술 등이 활용될 수 있으며, 데이터 처리는 사용자의 단말기 및 클라우드 서버에서 수행될 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 사용자 인터페이스(Participant interface) 계층을 제공할 수 있다. 다른 실시예로 본 장치(100)는 시스템과 사용자 간의 상호작용 관련 작업을 담당하는 것일 수 있다. 또한 본 장치(100)는 사전 정의된 시나리오에 따라 사용자에게 다양한 알림을 보낼 수 있으며, 사용자는 시스템이 보낸 알림의 유용성을 평가할 수 있다. 다만, 이에 한정되는 것은 아니다.
전술한 도 2를 참조하면, 본 원의 일 실시예에 따른 본 장치(100)의 센서는 스마트폰에서 제공하는 각종 센서 데이터(가속계, GPS, 조도센서 등) 수집하고, 사용자 단말은, 프로필 정보 등록, 자가 평가 등을 수행할 수 있으며, 몰입 디바이스는 스마트폰 사용 데이터(App 사용량, SNS 등) 및 생태순간측정(EMA)을 수집하고, 필요시 사용자에게 알림(피드백)을 제공하는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.
도 8은 본원의 일 실시예에 따른 본 장치(100)의 우울증 탐지 모델을 설명하기 위한 도면이다.
도 9는 본원의 일 실시예에 따른 본 장치(100)의 모델 개발 연구 절차를 설명하기 위한 도면이다.
도 8 및 도 9를 참조하면, 을 참조하면, 본원의 일 실시예에 따른 본 장치(100)는 온라인 및 각종 정신건강서비스 기관에 모집문을 게시해 참가자를 모집하고, 간단한 우울 관련 설문(예, PHQ-9, BDI-II)을 통해 1차 온라인 스크리닝 진행하고, 스크리닝 통과자를 대상으로 전문가 면담(SCID-5)을 진행해 기타 정신건강 문제(예, 불안, 정신병) 없이 우울만을 경험하는 참가자를 확정하고, 해당 참가자들을 대상으로 우울 관련 자기보고 설문(IDS)을 실시해 우울 수준에 대한 사전평가를 실시한 결과를 이용하는 것일 수 있다. 또한, 본 장치(100)는 참가자들에게 센서데이터 수집 에이전트를 배포 후, 2개월간 데이터 수집한 정보를 이용하는 것일 수 있다.
한편, 본 원의 일 실시예에 따른 본 장치(100)의 센서데이터는 항시, 자동적으로 수집하며, Ground Truth 1는 생태순간측정(EMA) 기법을 사용하여 PHQ-9 실시(1일 4회)하고, Ground Truth 2는 IDS, PHQ-9, BDI-II를 실시(2주마다)하는 것일 수 있다. 또한, 사후평가는 2개월 후, 사후평가 실시(사전평가와 동일하되, 전문가 면담은 생략)하는 것일 수 있다. 상술한 정보를 기반으로 분석하는 방법은 예를 들어, 머신러닝, 최신통계기법(예, Specification curve analysis)를 사용하는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 원의 일 실시예에 따른 본 장치(100)는 우울 상태별 데이터세트 구축하는 것일 수 있다. 이는 일반 성인(20~40대)을 모집 (60명 목표)하여 구조화된 임상적 면담(SCID-5) 및 정신건강 문제 관련 설문(예, IDS, BDI-II) 실시하고 우울 수준에 따라 분류하는 것일 수 있으며, 데이터 수집 (2개월)은 데이터 수집 에이전트를 활용하여 사용자의 센서데이터와 자기보고 데이터를 수집하는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 원의 일 실시예에 따른 본 장치(100)는 다차원적 센서데이터 수집 에이전트 고도화한 것일 수 있다. 또한, 본 장치(100)는 대규모 실험으로부터 수집되는 데이터 수집 관련 사용자 피드백과 센서데이터 품질 관리 기술을 기반으로 데이터 수집 에이전트 고도화 작업 수행하는 것일 수 있다.
도 10은 본원의 일 실시예에 따른 본 장치(100)를 이용한 통합 플랫폼 고도화 및 일반화 모델 구축을 설명하기 위한 도면이다.
도 10을 참조하면, 본원의 일 실시예에 따른 본 장치(100)는 우울 상태(증상+수준) 자동분류 모델(일반화 모델)을 구축하는 것일 수 있다. 이에 따라 본 장치(100)는 전체 사용자 데이터세트를 활용하여 우울 상태를 자동으로 분류하는 일반화된 머신러닝 모델을 구축하는 것일 수 있다. 보다 자세하게 본 장치(100)는 일반화 성능을 높이기 위하여 앙상블 학습 방법을 활용하여 조사된 우울 포함 다양한 정신건강 문제 관련 선행 연구에서 사용된 다양한 머신러닝 방법을 조합하여 일반화 모델 구축하는 것일 수 있다.
도 11은 본원의 일 실시예에 따른 본 장치(100)의 일반화 모델 및 개인화 모델을 설명하기 위한 도면이다
도 12는 본원의 일 실시예에 따른 본 장치(100)의 모델 타당화 연구 절차를 설명하기 위한 도면이다.
도 11 및 도12를 참조하면, 본원의 일 실시예에 따른 본 장치(100)는 모델 타당화 연구를 통한 결과물일 수 있다. 또한, 본 장치(100)는 예를 들어, 온라인의 각종 커뮤니티 및 정신건강서비스 홈페이지에 모집문을 게시해 참가자를 모집하고, 간단한 우울 관련 설문(예, PHQ-9, BDI-II)을 통해 1차 온라인 스크리닝 진행하여 생성된 정보를 이용하는 것일 수 있다. 또한, 본 장치(100)는 예를 들어, 스크리닝 통과자를 대상으로 온라인으로 우울 포함 다양한 정신건강 문제(예, 우울, 불안, 스트레스, 조증 등) 관련 자기보고 설문(예, 우울: IDS)을 통해 우울 수준별 참가자를 확정하고 사전평가 실시하여 생성된 정보를 이용하는 것일 수 있다.
또한, 본 원의 일 실시예에 따른 본 장치(100)는 참가자들에게 센서데이터 수집 에이전트를 배포 후, 6개월간 데이터 수집하는 것일 수 있다.
한편 본원의 일 실시예에 따른 본 장치(100)는 센서데이터를 항시 및 자동 수집하고, Ground Truth 1는 생태순간측정(EMA) 기법을 사용하여 1일 1회, PHQ-9 실시 * 4일간 서로 다른 시간대(예, 1일차: 10시; 2일차: 14시; 3일차: 18시; 4일차: 22 시; 5일차: 10시)에 설문을 실시함으로써 다양한 시간대의 응답을 고르게 수집 하며, Ground Truth 2는 2주마다 IDS, PHQ-9, BDI-II를 실시하여 정보를 수집하는 것일 수 있다. 이때, 초기 2~4주동안은 모델 개발 연구를 통해 구축한 일반화된 모델을 기반으로 사용자의 기저선 우울 상태를 평가하는 것일 수 있다. 또한, 본 장치(100)는 플랫폼 사용 4주 이후부터 매 2주마다 개별 사용자의 기저선에 기반으로 현 우울 상태를 평가 및 집단 재분류하는 것일 수 있다.
한편 본 장치(100)는 예를 들어, 6개월 후, 사후평가 실시(사전평가와 동일)하는 정보를 이용하여 머신러닝, 최신통계기법(예, Specification curve analysis)를 통하여 분석하는 것일 수 있다.
한편, 본 원의 일 실시예에 따른 본 장치(100)는 대규모 우울 상태별 센서 데이터세트 구축할 수 있다. 다른 실시예로 본 장치(100)는 모델 타당화 연구를 통해 수집되는 대규모 사용자 센서데이터를 기반으로 센서데이터의 조합에 대해서 효과성 검증을 진행하고 이를 바탕으로 우울 상태별 대규모 데이터세트를 구축할 수 있다.
도 13은 본원의 일 실시예에 따른 본 장치(100)의 개인맞춤형 피드백 제공 모델을 설명하기 위한 도면이다.
도 13을 참조하면, 본원의 일 실시예에 따른 본 장치(100)는 우울 상태 자동분류 개인화 모델 개발 및 일반화 모델을 구축할 수 있다. 보다 자세하게 본 장치(100)는 개인화된 모델을 구축하기 위하여, 초반 2~4주동안 수집된 데이터는 일반화된 우울 자동분류 모델을 적용하여 사용자별 우울 수준을 제공하고 이후 수집된 데이터를 기반으로 우울 자동분류 모델을 개인화한 것일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 개인화 모델을 구축하기 위하여, 사용자의 개인정보(예, 연령, 성별, 직업 등) 및 지속적으로 수집되는 센서데이터의 개인 패턴(예: 주로 활동하는 장소 및 활동, 수면시간, 사회적 활동량 등)을 분석하여 우울 상태를 변화를 실시간으로 모니터링하는 것일 수 있다. 또한, 본 장치(100)는 사용자 기저선에 근거하여 개인이 보이는 우울 수준의 변화가 감지되면 사용자의 현 우울 수준에 대한 피드백을 실시간으로 제공하는 것일 수 있다.
보다 자세하게 본 장치(100)는 일반화된 모델을 구축하기 위하여 개인화 모델 학습에 사용된 개별 사용자 데이터를 우울 상태별 대규모 데이터세트에 통합되어서 일반화 모델을 고도화하는 데 사용할 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 사용자 단말기에 피드백 제공 및 고도화할 수 있다. 또한, 본 장치(100)는 기간별 사용자의 데이터 분석을 통해 사용자의 패턴 및 장기간의 데이터의 요약을 시각화 하여 제공함으로써 사용자에게 요약 기능을 제공할 수 있다. 한편, 본 장치(100)는 예를 들어, 대규모 실험 및 효과성 검증을 위한 테스트베드로써 활용. 수집되는 사용자 피드백을 반영하여 응용 프로그램 및 통합 플랫폼의 UI/UX, 우울 상태 자동분류 및 피드백 제공 모델을 수정 및 보완하고 디지털 피노타이핑 기반 다차원적 우울 탐지 플랫폼의 상용화/사업화 모델을 구축하는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 스마트폰 (+웨어러블 기기)으로부터 센싱한 정보를 머신러닝 알고리즘을 통해 분석하여 우울(이는 불안 수면 등 여러 신체 정신 건강 정보로 확대 가능)에 대한 정보를 전달하는 프로세스를 구비할 수 있다.
이에 따라 상기 프로세스는 예를 들어, 스마트폰에 설치된 복수개의 센서에 의한 데이터 수집을 하고, 상기 복수개의 센서에 의해 센싱된 사용자의 생체정보가 중앙 서버에 송신되어 저장되고, 사용자 센싱 정보를 분석하여 우울증을 비롯한 정신신체 적응 상태를 분류할 수 있는 알고리즘에 의한 분석한 후 상기 정보를 사용자 스마트폰으로 전송하는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.
다른 실시예로 프로세스는 예를 들어, 알고리즘을 찾기 위해, 사전 연구를 통해서는 센싱정보를 기 분류된 실재 정보(ground truth가 되는 전문가에 의한 우울증 진단) 와 매칭해서 분석 알고리즘을 추출하는 것 일 수 있다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 두가지의 형태로 구현되는 것일 수 있다. 상기 구현되는 것 중 하나인 강력한 보안형은 개인 데이터를 중앙에 전송하는 과정 없이, 앱에 분석 알고리즘을 심어서 앱에서 돌아가는 것일 수 있다. 다른 실시예로 중간 보안형은 알고리즘의 추가적인 업데이트 등이 고려되어 개인화 정보 등의 전송은 있으나, 원데이터가 전송되는게 아니라 1차 변형된 정보(보안화)가 전달되는 것일 수 있다. 다른 실시예로 타이핑 정보는 예를 들어, 실재 타이핑의 내용 없이 키보드 터치의 강도와 간격이 숫자로 변형된 정보, 얼굴 사진은 얼굴 표정의 주요 키값만 탐지되어 변형된 1차 가공 정보가 전송되는 것일 수 있다.
한편, 본원의 일 실시예에 따른 프로세스는 예를 들어, 센싱 정보를 알고리즘으로 분석할 때 센싱 정보와 전통적인 심리 검사 정보를 함께 분석하는 것일 수 있다. 보다 구체적으로, 센서에 의한 데이터 수집 과정의 전후에 자기 보고식 심리 검사 정보를 수집하고 센싱 정보를 심리검사 정보와 함께 누적하여 알고리즘을 추출하여 적용되는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본원의 일 실시예에 따른 본 장치(100)는 데이터베이스부, 데이터 전처리부, 모델 학습부, 진단부 및 송신부를 포함할 수 있다.
본원의 일 실시예에 따른 데이터베이스부는 사용자 단말로부터 사용자 센싱 정보 및 사용자 정보를 수신하고, 저장할 수 있다.
또한, 본 원의 일 실시예에 따른 데이터 전처리부는 사용자 센싱 정보 및 사용자 정보를 기반으로 개인화 모델을 학습시키기 위하여 개인화 메타데이터를 생성하고, 사용자 센싱 정보 및 사용자 정보를 기반으로 일반화 모델을 학습시키기 위한 일반화 메타데이터를 생성하는 것일 수 있다.
본원의 일 실시예에 따른 모델 학습부는 예를 들어, 개인화 메타 데이터를 인공지능 알고리즘에 입력하여 개인화 우울 판단 모델을 생성하고 일반화 메타 데이터를 인공지능 알고리즘에 입력하여 일반화 우울 판단 모델을 생성할 수 있다.
또한, 본원의 일 실시예에 따른 진단부는 개인화 우울 판단 모델 및 일반화 우울 판단 모델 중 적어도 어느 한가지에 사용자 센싱 정보 및 사용자 정보를 입력하여 사용자의 우울 수준을 판단하여 진단 정보를 생성하는 것일 수 있다.
또한, 본원의 일 실시예에 따른 송신부는 예를 들어 진단 정보를 사용자 단말로 송신하는 것일 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본원의 일 실시예에 따른 본 장치(100)를 이용한 디지털 피노타이핑 기반 다차원적 우울 탐지 방법은 데이터베이스부에서 사용자 단말로부터 사용자 센싱 정보 및 사용자 정보를 수신하고 저장하는 단계, 데이터 전처리부에서 상기 사용자 센싱 정보 및 사용자 정보를 기반으로 개인화 모델을 학습시키기 위한 개인화 메타데이터를 생성하고, 상기 사용자 센싱 정보 및 사용자 정보를 기반으로 일반화 모델을 학습시키기 위한 일반화 메타데이터를 생성하는 단계, 모델 학습부에서 상기 개인화 메타 데이터를 인공지능 알고리즘에 입력하여 개인화 우울 판단 모델을 생성하고, 상기 일반화 메타 데이터를 인공지능 알고리즘에 입력하여 일반화 우울 판단 모델을 생성하는 단계, 진단부에서 상기 개인화 우울 판단 모델 및 일반화 우울 판단 모델 중 적어도 어느 한가지에 상기 사용자 센싱 정보 및 상기 사용자 정보를 입력하여 사용자의 우울 수준을 판단하여 진단 정보를 생성하는 단계 및 송신부에서 상기 진단 정보를 상기 사용자 단말로 송신하는 단계를 포함할 수 있다.
상술한 설명에서, 데이터베이스부에서 사용자 정보를 수신하고, 저장하는 단계 내지 송신부에서 상기 진단 정보를 상기 사용자 단말로 송신하는 단계는 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 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.
10: 사용자 분석 시스템
100: 디지털 피노타이핑 기반 다차원적 정신건상상태 탐지 장치
110: 일반화 분석부
120: 모델 최적화부
130: 개인화 분석부
200: 사용자 단말
201: 웨어러블 디바이스
300: 데이터베이스
20: 네트워크
100: 디지털 피노타이핑 기반 다차원적 정신건상상태 탐지 장치
110: 일반화 분석부
120: 모델 최적화부
130: 개인화 분석부
200: 사용자 단말
201: 웨어러블 디바이스
300: 데이터베이스
20: 네트워크
Claims (10)
- 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 방법으로서,
사용자 단말로부터 제1사용자 데이터를 수집하는 단계;
상기 제1사용자 데이터를 정신건강상태 분석을 위하여 기 학습된 일반화 판단 모델에 입력하여 상기 사용자 단말의 사용자의 정신건상상태에 대한 제1분석 정보를 도출하는 단계;
상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 판단 모델 대비 상기 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델을 생성하는 단계;
상기 사용자 단말로부터 제2사용자 데이터를 수집하는 단계; 및
상기 제2사용자 데이터를 상기 개인화 판단 모델에 입력하여 상기 정신건강상태에 대한 제2분석 정보를 도출하는 단계,
를 포함하는, 탐지 방법. - 제1항에 있어서,
상기 제1사용자 데이터 및 상기 제2사용자 데이터는, 상기 사용자 단말의 사용과 연계된 로그 데이터, 상기 사용자의 생체 데이터 및 상기 사용자에 의해 작성된 자가보고 데이터를 포함하는 것인, 탐지 방법. - 제2항에 있어서,
상기 로그 데이터, 상기 생체 데이터 및 상기 자가보고 데이터 각각은 미리 설정된 복수의 항목을 포함하고,
상기 일반화 판단 모델은 상기 복수의 항목 각각에 대하여 미리 설정된 일반화 가중치를 적용하여 상기 제1분석 정보를 도출하도록 학습되는 것인, 탐지 방법. - 제3항에 있어서,
상기 개인화 판단 모델을 생성하는 단계는,
상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 가중치 각각을 갱신하는 단계,
를 포함하는 것인, 탐지 방법. - 제3항에 있어서,
상기 제1사용자 데이터는 상기 복수의 항목의 데이터를 포함하되, 상기 제2사용자 데이터는 상기 복수의 항목 중 선택된 일부 항목의 데이터를 포함하는 것인, 탐지 방법. - 제5항에 있어서,
상기 개인화 판단 모델을 생성하는 단계는,
상기 선택된 일부 항목의 데이터 각각에 대한 수집 주기를 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 결정하는 단계,
를 포함하는 것인, 탐지 방법. - 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치로서,
사용자 단말로부터 제1사용자 데이터를 수집하고, 상기 제1사용자 데이터를 정신건강상태 분석을 위하여 기 학습된 일반화 판단 모델에 입력하여 상기 사용자 단말의 사용자의 정신건상상태에 대한 제1분석 정보를 도출하는 일반화 분석부;
상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 판단 모델 대비 상기 사용자의 특성에 부합하도록 개인화된 개인화 판단 모델을 생성하는 모델 최적화부; 및
상기 사용자 단말로부터 제2사용자 데이터를 수집하고, 상기 제2사용자 데이터를 상기 개인화 판단 모델에 입력하여 상기 정신건강상태에 대한 제2분석 정보를 도출하는 개인화 분석부,
를 포함하는, 탐지 장치. - 제7항에 있어서,
상기 제1사용자 데이터 및 상기 제2사용자 데이터는, 상기 사용자 단말의 사용과 연계된 로그 데이터, 상기 사용자의 생체 데이터 및 상기 사용자에 의해 작성된 자가보고 데이터를 포함하는 것인, 탐지 장치. - 제8항에 있어서,
상기 로그 데이터, 상기 생체 데이터 및 상기 자가보고 데이터 각각은 미리 설정된 복수의 항목을 포함하고,
상기 일반화 판단 모델은 상기 복수의 항목 각각에 대하여 미리 설정된 일반화 가중치를 적용하여 상기 제1분석 정보를 도출하도록 학습되는 것인, 탐지 장치. - 제9항에 있어서,
상기 모델 최적화부는,
상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 상기 일반화 가중치 각각을 갱신하고, 상기 복수의 항목 중 선택된 일부 항목의 데이터 각각에 대한 수집 주기를 상기 제1사용자 데이터 및 상기 제1분석 정보에 기초하여 결정하는 것인, 탐지 장치.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20200156564 | 2020-11-20 | ||
| KR1020200156564 | 2020-11-20 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220069859A true KR20220069859A (ko) | 2022-05-27 |
| KR102697994B1 KR102697994B1 (ko) | 2024-08-22 |
Family
ID=81791648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210160354A KR102697994B1 (ko) | 2020-11-20 | 2021-11-19 | 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102697994B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102594242B1 (ko) * | 2023-01-10 | 2023-10-27 | 주식회사 웨이센 | 디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치 |
| KR102605576B1 (ko) * | 2022-12-20 | 2023-11-23 | 주식회사 디바스 | 가상현실 다차원 피노타입 기반 심리평가 시스템 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102154763B1 (ko) * | 2020-04-09 | 2020-09-10 | 영산대학교산학협력단 | 스마트 장치를 활용한 치매 발병 예측 시스템 및 방법 |
| KR20200123610A (ko) * | 2019-04-22 | 2020-10-30 | 한국과학기술원 | 웨어러블 기기를 위한 상황 적응형 개인화 심리상태 표집 방법 및 장치 |
-
2021
- 2021-11-19 KR KR1020210160354A patent/KR102697994B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200123610A (ko) * | 2019-04-22 | 2020-10-30 | 한국과학기술원 | 웨어러블 기기를 위한 상황 적응형 개인화 심리상태 표집 방법 및 장치 |
| KR102154763B1 (ko) * | 2020-04-09 | 2020-09-10 | 영산대학교산학협력단 | 스마트 장치를 활용한 치매 발병 예측 시스템 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| Mohr D C, et al. Personal Sensing: Understanding Mental Health Using Ubiquitous Sensors and Machine Learning. Annual Review of Clinical Psychology. 2017.03.17., 13, pp.23~47* * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102605576B1 (ko) * | 2022-12-20 | 2023-11-23 | 주식회사 디바스 | 가상현실 다차원 피노타입 기반 심리평가 시스템 |
| KR102594242B1 (ko) * | 2023-01-10 | 2023-10-27 | 주식회사 웨이센 | 디지털 표현형 특징을 이용한 사회 불안장애 분석방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102697994B1 (ko) | 2024-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Souri et al. | A new machine learning-based healthcare monitoring model for student’s condition diagnosis in Internet of Things environment | |
| US11844626B2 (en) | Fitness systems and methods | |
| Pratap et al. | The accuracy of passive phone sensors in predicting daily mood | |
| US20230410166A1 (en) | Facilitating integrated behavioral support through personalized adaptive data collection | |
| US20220310267A1 (en) | Evaluating Risk of a Patient Based on a Patient Registry and Performing Mitigating Actions Based on Risk | |
| CN108351862B (zh) | 利用人工智能和用户输入来确定发育进展的方法和装置 | |
| US11037682B2 (en) | Dynamic selection and sequencing of healthcare assessments for patients | |
| US10395330B2 (en) | Evaluating vendor communications for accuracy and quality | |
| Eskes et al. | The sociability score: App-based social profiling from a healthcare perspective | |
| US20170286622A1 (en) | Patient Risk Assessment Based on Machine Learning of Health Risks of Patient Population | |
| US20230230140A1 (en) | Data processing system with machine learning engine to provide output generating functions | |
| US10665348B1 (en) | Risk assessment and event detection | |
| KR102697994B1 (ko) | 디지털 피노타이핑 기반 다차원적 정신건강상태 탐지 장치 및 방법 | |
| Boukhechba et al. | Leveraging mobile sensing and machine learning for personalized mental health care | |
| Yfantidou et al. | Beyond accuracy: a critical review of fairness in machine learning for mobile and wearable computing | |
| Yannam et al. | Research study and system design for evaluating student stress in Indian Academic Setting | |
| Zhang et al. | A study on mobile crowd sensing systems for healthcare scenarios | |
| Di Matteo | Inference of anxiety and depression from smartphone-collected data | |
| Teles et al. | Internet of things applied to mental health: Concepts, applications, and perspectives | |
| KR102476612B1 (ko) | 인공지능에 기반한 심리 맞춤 솔루션 제공 방법 및 시스템 | |
| Srinivasan et al. | Discovery of associative patterns between workplace sound level and physiological wellbeing using wearable devices and empirical Bayes modeling | |
| Marcelino et al. | Using the eServices platform for detecting behavior patterns deviation in the elderly assisted living: a case study | |
| Ha et al. | Patterns of physical activity and sedentary behavior in child and adolescent cancer survivors assessed using wrist accelerometry: A cluster analysis approach | |
| Dang et al. | Assessing the impact of body location on the accuracy of detecting daily activities with accelerometer data | |
| Lanerolle et al. | Measuring psychological stress rate using social media posts engagement |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |