KR20220156681A - 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법 - Google Patents

3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20220156681A
KR20220156681A KR1020210063753A KR20210063753A KR20220156681A KR 20220156681 A KR20220156681 A KR 20220156681A KR 1020210063753 A KR1020210063753 A KR 1020210063753A KR 20210063753 A KR20210063753 A KR 20210063753A KR 20220156681 A KR20220156681 A KR 20220156681A
Authority
KR
South Korea
Prior art keywords
data
unit
dimensional
channel data
disease onset
Prior art date
Application number
KR1020210063753A
Other languages
English (en)
Other versions
KR102480150B1 (ko
KR102480150B9 (ko
Inventor
김경남
민충기
박서진
Original Assignee
주식회사 웨이센
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 웨이센 filed Critical 주식회사 웨이센
Priority to KR1020210063753A priority Critical patent/KR102480150B1/ko
Publication of KR20220156681A publication Critical patent/KR20220156681A/ko
Application granted granted Critical
Publication of KR102480150B1 publication Critical patent/KR102480150B1/ko
Publication of KR102480150B9 publication Critical patent/KR102480150B9/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
    • G16H50/50—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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

본 발명은 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법에 관한 것이다.
본 발명에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법은, 2차원 데이터 변환부에 의해 미리 준비된 시계열의 데이터를 M×N 매트릭스 형태의 2차원 데이터로 변환하는 단계와; 3차원 멀티채널 데이터 생성부가 변환된 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성하여 3차원 멀티채널 데이터를 생성하는 단계와; 데이터 학습부가 생성된 3차원 멀티채널 데이터를 CNN 알고리즘을 이용하여 질환 발병 예측 모델에 학습시키는 단계와; 질환 발병 예측부에 의해 외부로부터 입력되는 시계열 데이터를 상기 학습된 질환 발병 예측 모델을 이용하여 분석하여 멀티-클래스로 분류하고, 분류된 각 클래스를 질환 발병의 여부 또는 심각도의 단계로 구성하여 질환 발병을 예측하는 단계를 포함한다.
이와 같은 본 발명에 의하면, CNN을 이용한 질환 발병 예측 모델을 도입하여 시계열 성향의 데이터를 L×M×N 매트릭스 형태의 3차원 멀티채널 데이터로 변환하고, 시간 길이를 2차원 행렬 이미지로 표현함에 따라 모든 시간을 동시에 계산할 수 있게 되어 질환 발병 예측 모델의 학습 시간을 대폭 단축할 수 있다.

Description

3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법{Disease occurrence prediction system and method using three-dimensional multichannel data}
본 발명은 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법에 관한 것으로서, 더 상세하게는 시계열 성향의 데이터를 L×M×N 매트릭스 형태의 3차원 데이터로 변환하고, 시간 길이를 2차원 행렬 이미지로 표현함에 따라 모든 시간을 동시에 계산할 수 있게 되어 질환 발병 예측 모델의 학습 시간을 대폭 단축할 수 있는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법에 관한 것이다.
최근, 웨어러블 장치를 통해 미세먼지(PM10, PM2.5), 온/습도, CO2, VOCs(휘발성 유기화합물) 등 개인 환경 데이터를 수집하고, 스마트 밴드를 이용하여 심박수 및 혈압을 측정하며, 호흡 패치 등을 이용하여 호흡수를 측정하고, 공공 환경 데이터(온도, 습도, 기상, 미세먼지, 일조량 등)를 수집하여 멀티모달(multimodal) 데이터로 구성하고 이를 이용하여 개인의 호흡기 질환에 대한 발병 위험도를 모니터링하는 과제들이 증가하고 있다.
상기 수집되는 데이터는 지속적이고 반복적으로 매일 일정한 시간 간격으로 데이터를 수집하게 되는 시계열 데이터의 성향을 가지고 있다. 시계열 데이터의 시퀀스에서 어느 특정한 시간의 질환에 위험을 줄 수 있는 이상수치가 감지되는 경우 이를 사전에 미리 경고함으로써, 해당 지역의 위해 환경에서 회피할 수 있는 알람이나 콘텐트를 제공하여 적절한 조치를 취할 수 있도록 모니터링을 한다.
이상 수치를 감지하는 방법으로 규칙 기반의 알고리즘이나 통계 기반의 알고리즘이 사용되어 왔으며, 딥러닝 기술의 발전으로 딥러닝 기술 기반으로 이상 수치 감지뿐만 아니라 일정 기간 동안 멀티모달 데이터의 변화에 따라 가까운 시간 내에 개인의 질환 발병의 가능성을 예측하는 모델이 개발되고 있다.
멀티모달 데이터는 시계열의 성격을 가지고 있는 데이터이므로, 일반적으로 시계열 데이터를 잘 처리하는 RNN(Recurrent Neural Network) 계열의 딥러닝 알고리즘이 많이 사용된다. 또한, 이미지 데이터를 잘 처리한다는 CNN(Convolutional Neural Network)을 이용하여 시계열 데이터를 이미지로 변환하여 처리하는 모델이 개발되고 있다.
한편, 한국 공개특허공보 제10-2017-0023382호(특허문헌 1)에는 "바이오 물질의 농도를 기반으로 하는 질환 예측 장치 및 그것의 질환 예측 방법"이 개시되어 있는 바, 이에 따른 질환 예측 방법은, 바이오 물질들의 조합 및 농도에 따른 질환 예측 모델들을 생성하는 단계; 샘플로부터 검출된 바이오 물질의 종류 정보 및 상기 바이오 물질의 농도 정보를 질환 예측 클라이언트로부터 수신하는 단계; 상기 질환 예측 모델들 중에서 예측 정확도가 가장 높은 하나를 선택하는 단계; 상기 바이오 물질의 농도 정보를 참조하여 상기 선택된 질환 예측 모델에 대응하는 질환의 진단 여부나 위험도를 결정하는 단계; 그리고 상기 결정된 질환의 진단 여부나 위험도를 상기 질환 예측 클라이언트로 전송하는 단계를 포함하는 것을 특징으로 한다.
이상과 같은 특허문헌 1의 경우, 개인의 스마트 단말을 이용하여 특정 질환에 국한되지 않고 다양한 개인의 질환을 예측할 수 있는 장점이 있기는 하나, 바이오 물질들의 조합 및 농도를 기반으로 질환을 예측하도록 구성되어 있어, 바이오 물질들의 조합 및 농도를 기반으로 하지 않는 다른 데이터(예를 들면, 미세먼지(PM10, PM2.5), 온/습도, CO2, VOCs(휘발성 유기화합물) 등 개인 환경 데이터나 심박수 및 혈압 등의 개인 생체 데이터, 온도, 습도, 기상, 미세먼지, 일조량 등의 공공 환경 데이터)에 대해서는 적용할 수 없는 문제점을 내포하고 있다.
한국 공개특허공보 제10-2017-0023382호(2017.03.03.)
본 발명은 상기와 같은 사항을 종합적으로 감안하여 창출된 것으로서, CNN(Convolutional Neural Network)을 이용한 질환 발병 예측 모델을 도입하여 시계열 성향의 데이터를 L×M×N 매트릭스 형태의 3차원 멀티채널 데이터로 변환하고, 시간 길이를 2차원 행렬 이미지로 표현함에 따라 모든 시간을 동시에 계산할 수 있게 되어 질환 발병 예측 모델의 학습 시간을 대폭 단축할 수 있는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법을 제공함에 그 목적이 있다.
또한, 본 발명의 다른 목적은 개인별로 누적되는 데이터만을 이용하여 온라인 학습을 통해 개인화된 예측 모델을 실시간 학습하는데 학습 시간 비용이 최소화 되어, 가장 최근의 데이터를 즉각 반영하여 예측 서비스에 활용할 수 있는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법을 제공함에 있다.
상기의 목적을 달성하기 위하여 본 발명에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템은,
미리 준비된 시계열의 데이터를 M×N 매트릭스 형태의 2차원 데이터로 변환하는 2차원 데이터 변환부와;
상기 변환된 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성하여 3차원 멀티채널 데이터를 생성하는 3차원 멀티채널 데이터 생성부와;
상기 생성된 3차원 멀티채널 데이터를 CNN(Convolutional Neural Network) 알고리즘을 이용하여 질환 발병 예측 모델에 학습시키는 데이터 학습부와;
외부로부터 입력되는 시계열 데이터를 상기 학습된 질환 발병 예측 모델을 이용하여 분석하여 멀티-클래스로 분류하고, 분류된 각 클래스를 질환 발병의 여부 또는 심각도의 단계로 구성하여 질환 발병을 예측하는 질환 발병 예측부와;
상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부 및 질환 발병 예측부에서의 처리 내용 또는 결과를 화면에 표시하는 디스플레이부와;
외부의 장치 또는 네트워크와 데이터 및 정보를 송/수신하는 통신부; 및
상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부, 질환 발병 예측부, 디스플레이부 및 통신부의 각각의 상태를 체크 및 동작을 제어하며, 상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부 및 질환 발병 예측부에서의 처리 내용 또는 결과를 화면에 표시하도록 하는 제어 신호를 상기 디스플레이부로 전송하는 제어부를 포함하는 점에 그 특징이 있다.
여기서, 상기 M×N 매트릭스 형태의 2차원 데이터로 변환함에 있어서, 상기 M×N 매트릭스의 행(row)인 M은 1일 단위의 날짜로 구성되고, 열(column)인 N은 0시를 기준으로 1시간 간격으로 구성될 수 있다.
또한, 상기 3차원 멀티채널 데이터 생성부가 상기 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성함에 있어서, 호흡기 질환과 상관관계를 가지는 미세먼지(PM10, PM2.5), 온도, 습도, CO2, VOCs(휘발성 유기화합물) 등을 포함하는 개인 환경 데이터와, 심박수, 혈압 및 호흡수 데이터를 포함하는 개인 생체 데이터와, 온도, 습도, 미세먼지(PM10, PM2.5), CO2, 일조량, 기상, 풍속 등을 포함하는 공공 환경 데이터를 각각의 날짜와 시간 축으로 구성되는 n개의 채널로 구성할 수 있다.
이때, 상기 개인 환경 데이터와 관련하여 상기 제어부는 GPS 정보를 이용하여 사용자가 자주 이동하는 위치에 대해 클러스터링(clustering) 알고리즘을 이용하여 특정 이동 패턴을 추정 및 분석하고, 이를 이용하여 사용자가 한 곳에 오래 머무는지 또는 이동하고 있는지에 대해 상황 정보를 확인하는 기능을 구비할 수 있다.
이때, 또한 오래 머무는 경우는 실내로 분석하고, 이동하고 있는 경우는 실외로 분석할 수 있다.
또한, 상기 제어부는 실내, 실외의 시간대별 정보를 추가 채널로 학습 데이터로 제공할 수 있다.
이때, 실외의 마킹 정보에 따라 공공 환경 데이터의 가중치를 높게 부여할 수 있다.
또한, 상기 제어부는 실내와 실외에 대한 특정 수치(0 또는 1)의 설정값은 위치의 중요도에 따라 다르게 설정할 수 있다.
또한, 상기의 목적을 달성하기 위하여 본 발명에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법은,
a) 2차원 데이터 변환부에 의해 미리 준비된 시계열의 데이터를 M×N 매트릭스 형태의 2차원 데이터로 변환하는 단계와;
b) 3차원 멀티채널 데이터 생성부에 의해 상기 변환된 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성하여 3차원 멀티채널 데이터를 생성하는 단계와;
c) 데이터 학습부에 의해 상기 생성된 3차원 멀티채널 데이터를 CNN(Convolutional Neural Network) 알고리즘을 이용하여 질환 발병 예측 모델에 학습시키는 단계와;
d) 질환 발병 예측부에 의해 외부로부터 입력되는 시계열 데이터를 상기 학습된 질환 발병 예측 모델을 이용하여 분석하여 멀티-클래스로 분류하고, 분류된 각 클래스를 질환 발병의 여부 또는 심각도의 단계로 구성하여 질환 발병을 예측하는 단계와;
e) 제어부에 의해 상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부 및 질환 발병 예측부에서의 처리 내용 또는 결과를 화면에 표시하도록 하는 제어 신호를 상기 디스플레이부로 전송하는 단계; 및
f) 디스플레이부에 의해 제어부의 제어 신호에 따라 상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부 및 질환 발병 예측부에서의 처리 내용 또는 결과를 화면에 표시하는 단계를 포함하는 점에 그 특징이 있다.
여기서, 상기 단계 a)에서 상기 M×N 매트릭스 형태의 2차원 데이터로 변환함에 있어서, 상기 M×N 매트릭스의 행(row)인 M은 1일 단위의 날짜로 구성되고, 열(column)인 N은 0시를 기준으로 1시간 간격으로 구성될 수 있다.
그리고, 상기 단계 b)에서 상기 3차원 멀티채널 데이터 생성부에 의해 상기 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성함에 있어서, 호흡기 질환과 상관관계를 가지는 미세먼지(PM10, PM2.5), 온도, 습도, CO2, VOCs(휘발성 유기화합물) 등을 포함하는 개인 환경 데이터와, 심박수, 혈압 및 호흡수 데이터를 포함하는 개인 생체 데이터와, 온도, 습도, 미세먼지(PM10, PM2.5), CO2, 일조량, 기상, 풍속 등을 포함하는 공공 환경 데이터를 각각의 날짜와 시간 축으로 구성되는 n개의 채널로 구성할 수 있다.
이때, 상기 개인 환경 데이터와 관련하여 상기 제어부에 의해 GPS 정보를 이용하여 사용자가 자주 이동하는 위치에 대해 클러스터링(clustering) 알고리즘을 이용하여 특정 이동 패턴을 추정 및 분석하고, 이를 이용하여 사용자가 한 곳에 오래 머무는지 또는 이동하고 있는지에 대해 상황 정보를 확인할 수 있다.
이때, 또한 오래 머무는 경우는 실내로 분석하고, 이동하고 있는 경우는 실외로 분석할 수 있다.
또한, 상기 제어부에 의해 실내, 실외의 시간대별 정보를 추가 채널로 학습 데이터로 제공할 수 있다.
이때, 실외의 마킹 정보에 따라 공공 환경 데이터의 가중치를 높게 부여할 수 있다.
또한, 상기 제어부에 의해 실내와 실외에 대한 특정 수치(0 또는 1)의 설정값은 위치의 중요도에 따라 다르게 설정할 수 있다.
이와 같은 본 발명에 의하면, CNN(Convolutional Neural Network)을 이용한 질환 발병 예측 모델을 도입하여 시계열 성향의 데이터를 L×M×N 매트릭스 형태의 3차원 멀티채널 데이터로 변환하고, 시간 길이를 2차원 행렬 이미지로 표현함에 따라 모든 시간을 동시에 계산할 수 있게 되어 질환 발병 예측 모델의 학습 시간을 대폭 단축할 수 있는 장점이 있다.
도 1은 본 발명의 실시예에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템의 구성을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법의 실행 과정을 나타낸 흐름도이다.
도 3은 시계열의 데이터를 M×N 매트릭스의 2차원 데이터로 변환하는 개요를 나타낸 도면이다.
도 4a는 개인 환경 데이터, 개인 생체 데이터를 각각의 날짜와 시간 축으로 구성되는 채널 형태로 구성한 것을 나타낸 도면이다.
도 4b는 공공 환경 데이터를 각각의 날짜와 시간 축으로 구성되는 채널 형태로 구성한 것을 나타낸 도면이다.
도 5는 클러스터링 알고리즘을 이용한 이동 정보 분석 및 위치 정보에 따른 외부 위해 환경에 대한 노출도 학습 개요를 나타낸 도면이다.
도 6은 멀티 채널 데이터의 생성 및 학습과 질환 발병 여부 또는 심각도의 단계로 클래스를 구성하는 것을 나타낸 도면이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정되어 해석되지 말아야 하며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 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 있다는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈", "장치" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
이하 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템의 구성을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 본 발명에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템(100)은 2차원 데이터 변환부(110), 3차원 멀티채널 데이터 생성부(120), 데이터 학습부(130), 질환 발병 예측부(140), 디스플레이부(150), 통신부(160) 및 제어부(170)를 포함하여 구성된다.
2차원 데이터 변환부(110) 미리 준비된 시계열의 데이터를 M×N 매트릭스 형태의 2차원 데이터로 변환한다. 여기서, 이와 같은 M×N 매트릭스 형태의 2차원 데이터로 변환함에 있어서, 도 3에 도시된 바와 같이, M×N 매트릭스의 행(row)인 M은 1일 단위의 날짜로 구성되고, 열(column)인 N은 0시를 기준으로 1시간 간격으로 구성될 수 있다. 이상과 같은 2차원 데이터 변환부(110)로는 DSP(digital signal processor) 등이 사용될 수 있다.
3차원 멀티채널 데이터 생성부(120)는 상기 2차원 데이터 변환부(110)에 의해 변환된 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성하여, 도 6에 도시된 바와 같이, M(n×M×N)의 3차원 멀티채널 데이터를 생성한다. 이와 같은 3차원 멀티채널 데이터 생성부(120)로는 DSP 등이 사용될 수 있다.
여기서, 이상과 같은 3차원 멀티채널 데이터 생성부(120)가 상기 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성함에 있어서, 도 4a의 (A)와 같이, 호흡기 질환과 상관관계를 가지는 미세먼지(PM10, PM2.5), 온도, 습도, CO2, VOCs(휘발성 유기화합물) 등을 포함하는 개인 환경 데이터와, (B)와 같이 심박수, 혈압 및 호흡수 등을 포함하는 개인 생체 데이터와, 도 4b와 같이 온도, 습도, 미세먼지(PM10, PM2.5), CO2, 일조량, 기상, 풍속 등을 포함하는 공공 환경 데이터를 각각의 날짜와 시간 축으로 구성되는 n개의 채널로 구성할 수 있다. 이때, 상기 개인 환경 데이터와 관련하여 후술하는 제어부(170)는, 도 5의 (A)와 같이, GPS 정보를 이용하여 사용자가 자주 이동하는 위치에 대해 클러스터링(clustering) 알고리즘을 이용하여 특정 이동 패턴을 추정 및 분석하고, 이를 이용하여 사용자가 한 곳에 오래 머무는지 또는 이동하고 있는지에 대해 상황 정보를 확인하는 기능을 구비할 수 있다. 이때, 또한 오래 머무는 경우는 실내로 분석하고, 이동하고 있는 경우는 실외로 분석할 수 있다. 또한, 제어부(170)는 실내, 실외의 시간대별 정보를 추가 채널로 학습 데이터로 제공할 수 있다. 이때, 실외의 마킹 정보에 따라 공공 환경 데이터의 가중치를 높게 부여할 수 있다. 또한, 제어부(170)는 도 5의 (B)와 같이, 실내와 실외에 대한 특정 수치(0 또는 1)의 설정값은 위치의 중요도에 따라 다르게 설정할 수 있다. 이와 같이 위치의 중요도에 따라 설정값을 다르게 설정함으로써, 위치 정보에 따라 외부의 위해(위험) 환경에 대한 노출도를 학습할 수 있게 된다.
데이터 학습부(130)는 상기 3차원 멀티채널 데이터 생성부(120)에 의해 생성된 3차원 멀티채널 데이터를 CNN(Convolutional Neural Network) 알고리즘을 이용하여 질환 발병 예측 모델(미도시)에 학습시킨다. 여기서, 이와 같은 질환 발병 예측 모델은 AI(Artificial Intelligence)를 이용한 하나의 소프트웨어 프로그램으로 구성될 수 있다.
질환 발병 예측부(140)는 외부로부터 입력되는 시계열 데이터를 상기 학습된 질환 발병 예측 모델을 이용하여 분석하여, 도 6에 도시된 바와 같이, 멀티-클래스로 분류하고, 분류된 각 클래스를 질환 발병의 여부 또는 심각도의 단계로 구성하여 질환 발병을 예측한다. 이와 같은 질환 발병 예측부(140)로는 마미크로프로세서, 마이크로컨트롤러 등이 사용될 수 있다.
디스플레이부(150)는 상기 2차원 데이터 변환부(110), 3차원 멀티채널 데이터 생성부(120), 데이터 학습부(130) 및 질환 발병 예측부(140)에서의 처리 내용 또는 결과를 후술하는 제어부(170)의 제어 신호에 따라 화면에 표시한다. 여기서, 이와 같은 디스플레이부(150)로는 LCD, PDP 등이 사용될 수 있다.
통신부(160)는 외부의 장치 또는 네트워크와 데이터 및 정보를 송/수신한다. 이와 같은 통신부(160)로는 유/무선 통신 모듈이 사용될 수 있다.
제어부(170)는 상기 2차원 데이터 변환부(110), 3차원 멀티채널 데이터 생성부(120), 데이터 학습부(130), 질환 발병 예측부(140), 디스플레이부(150) 및 통신부(160)의 각각의 상태를 체크 및 동작을 제어하며, 상기 2차원 데이터 변환부(110), 3차원 멀티채널 데이터 생성부(120), 데이터 학습부(130) 및 질환 발병 예측부(140)에서의 처리 내용 또는 결과를 화면에 표시하도록 하는 제어 신호를 상기 디스플레이부(150)로 전송한다. 이와 같은 제어부(170로는 마미크로프로세서, 마이크로컨트롤러 등이 사용될 수 있다.
그러면, 이하에서는 이상과 같은 구성을 가지는 본 발명에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템을 기반으로 한 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법에 대해 설명해 보기로 한다.
도 2는 본 발명의 실시예에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법의 실행 과정을 나타낸 흐름도이다.
도 2를 참조하면, 본 발명에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법은, 전술한 바와 같은 2차원 데이터 변환부(110), 3차원 멀티채널 데이터 생성부(120), 데이터 학습부(130), 질환 발병 예측부(140), 디스플레이부(150), 통신부(160) 및 제어부(170)를 포함하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템(100)을 기반으로 한 질환 발병 예측 방법으로서, 먼저 2차원 데이터 변환부(110)에 의해 미리 준비된 시계열의 데이터를 도 3에 도시된 바와 같이, M×N 매트릭스 형태의 2차원 데이터로 변환한다(단계 S201). 여기서, 이와 같은 M×N 매트릭스의 행(row)인 M은 1일 단위의 날짜로 구성되고, 열(column)인 N은 0시를 기준으로 1시간 간격으로 구성될 수 있다.
이렇게 하여 2차원 데이터 변환부(110)에 의해 M×N 매트릭스 형태의 2차원 데이터로 변환이 완료되면, 3차원 멀티채널 데이터 생성부(120)에 의해 상기 변환된 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성하여, 도 6에 도시된 바와 같이, 3차원 멀티채널 데이터를 생성한다(단계 S202). 여기서, 이와 같이 3차원 멀티채널 데이터 생성부(120)에 의해 상기 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성함에 있어서, 도 4a의 (A)와 같이, 호흡기 질환과 상관관계를 가지는 미세먼지(PM10, PM2.5), 온도, 습도, CO2, VOCs(휘발성 유기화합물) 등을 포함하는 개인 환경 데이터와, (B)와 같이 심박수, 혈압 및 호흡수 데이터를 포함하는 개인 생체 데이터와, 도 4b와 같이 온도, 습도, 미세먼지(PM10, PM2.5), CO2, 일조량, 기상, 풍속 등을 포함하는 공공 환경 데이터를 각각의 날짜와 시간 축으로 구성되는 n개의 채널로 구성할 수 있다. 이때, 상기 개인 환경 데이터와 관련하여 상기 제어부(170)에 의해, 도 5의 (A)와 같이 GPS 정보를 이용하여 사용자가 자주 이동하는 위치에 대해 클러스터링 (clustering) 알고리즘을 이용하여 특정 이동 패턴을 추정 및 분석하고, 이를 이용하여 사용자가 한 곳에 오래 머무는지 또는 이동하고 있는지에 대해 상황 정보를 확인할 수 있다. 이때, 또한 오래 머무는 경우는 실내로 분석하고, 이동하고 있는 경우는 실외로 분석할 수 있다. 또한, 상기 제어부(170)에 의해 실내, 실외의 시간대별 정보를 추가 채널로 학습 데이터로 제공할 수 있다. 이때, 실외의 마킹 정보에 따라 공공 환경 데이터의 가중치를 높게 부여할 수 있다. 또한, 상기 제어부(170)에 의해 도 5의 (B)와 같이, 실내와 실외에 대한 특정 수치(0 또는 1)의 설정값은 위치의 중요도에 따라 다르게 설정할 수 있다. 이와 같이 위치의 중요도에 따라 설정값을 다르게 설정함으로써, 위치 정보에 따라 외부의 위해(위험) 환경에 대한 노출도를 학습할 수 있게 된다.
이상에 의해 3차원 멀티채널 데이터의 생성이 완료된 후, 데이터 학습부(130)에 의해 상기 생성된 3차원 멀티채널 데이터를 CNN(Convolutional Neural Network) 알고리즘을 이용하여 질환 발병 예측 모델(미도시)에 학습시킨다(단계 S203).
이후, 질환 발병 예측부(140)에 의해 외부로부터 입력되는 시계열 데이터를 상기 학습된 질환 발병 예측 모델을 이용하여 분석하여, 도 6에 도시된 바와 같이, 멀티-클래스로 분류하고, 분류된 각 클래스를 질환 발병의 여부 또는 심각도의 단계로 구성하여 질환 발병을 예측한다(단계 S204).
이상과 같은 일련의 과정에서 제어부(170)는 상기 2차원 데이터 변환부(110), 3차원 멀티채널 데이터 생성부(120), 데이터 학습부(130) 및 질환 발병 예측부(140)에서의 처리 내용 또는 결과를 화면에 표시하도록 하는 제어 신호를 상기 디스플레이부(150)로 전송한다(단계 S205).
그러면, 디스플레이부(150)는 제어부(170)의 제어 신호에 따라 상기 2차원 데이터 변환부(110), 3차원 멀티채널 데이터 생성부(120), 데이터 학습부(130) 및 질환 발병 예측부(140)에서의 처리 내용 또는 결과를 화면에 표시한다(단계 S206).
여기서, 이상과 같은 단계 S205 및 S206은 도 2의 흐름도에서와 같은 순서로 진행되는 것으로 한정되는 것은 아니며, 흐름도의 순서와 관계없이 실시간으로 수시도 진행된다. 즉, 도 2의 흐름도에서와 같은 일련의 과정이 진행되는 동안 제어부(170)에 의해 처리 내용 또는 결과를 화면에 표시하도록 하는 제어 신호가 전송될 때마다 실시간으로 스플레이부(150)에 의해 2차원 데이터 변환부(110), 3차원 멀티채널 데이터 생성부(120), 데이터 학습부(130) 및 질환 발병 예측부(140)에서의 처리 내용 또는 결과를 화면에 표시하게 된다.
이상의 설명과 같이, 본 발명에 따른 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법은 CNN(Convolutional Neural Network)을 이용한 질환 발병 예측 모델을 도입하여 시계열 성향의 데이터를 L×M×N 매트릭스 형태의 3차원 데이터로 변환하고, 시간 길이를 2차원 행렬 이미지로 표현함에 따라 모든 시간을 동시에 계산할 수 있게 되어 질환 발병 예측 모델의 학습 시간을 대폭 단축할 수 있는 장점이 있다.
또한, 이웃하는 날짜의 특정 시간대의 다양한 데이터를 날짜와 시간 축으로 표현하는 2차원 행렬 이미지로 표현함으로써, 환자의 호흡기질환 발병에 영향을 미치는 군집화된 특정 패턴을 학습할 수 있다.
또한, 개인별 누적되는 데이터만을 이용하여 온라인 학습을 통해 개인화된 예측 모델을 실시간 학습하는데 학습 시간 비용이 최소화되어, 가장 최근의 데이터를 즉각 반영하여 예측 서비스에 활용할 수 있는 장점이 있다.
이상, 바람직한 실시예를 통하여 본 발명에 관하여 상세히 설명하였으나, 본 발명은 이에 한정되는 것은 아니며, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양하게 변경, 응용될 수 있음은 당해 기술분야의 통상의 기술자에게 자명하다. 따라서, 본 발명의 진정한 보호 범위는 다음의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 발명의 권리 범위에 포함되는 것으로 해석되어야 할 것이다.
110: 2차원 데이터 변환부 120: 3차원 멀티채널 데이터 생성부
130: 데이터 학습부 140: 질환 발병 예측부
150: 디스플레이부 160: 통신부
170: 제어부

Claims (16)

  1. 미리 준비된 시계열의 데이터를 M×N 매트릭스 형태의 2차원 데이터로 변환하는 2차원 데이터 변환부와;
    상기 변환된 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성하여 3차원 멀티채널 데이터를 생성하는 3차원 멀티채널 데이터 생성부와;
    상기 생성된 3차원 멀티채널 데이터를 CNN(Convolutional Neural Network) 알고리즘을 이용하여 질환 발병 예측 모델에 학습시키는 데이터 학습부와;
    외부로부터 입력되는 시계열 데이터를 상기 학습된 질환 발병 예측 모델을 이용하여 분석하여 멀티-클래스로 분류하고, 분류된 각 클래스를 질환 발병의 여부 또는 심각도의 단계로 구성하여 질환 발병을 예측하는 질환 발병 예측부와;
    상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부 및 질환 발병 예측부에서의 처리 내용 또는 결과를 화면에 표시하는 디스플레이부와;
    외부의 장치 또는 네트워크와 데이터 및 정보를 송/수신하는 통신부; 및
    상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부, 질환 발병 예측부, 디스플레이부 및 통신부의 각각의 상태를 체크 및 동작을 제어하며, 상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부 및 질환 발병 예측부에서의 처리 내용 또는 결과를 화면에 표시하도록 하는 제어 신호를 상기 디스플레이부로 전송하는 제어부를 포함하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템.
  2. 제1항에 있어서,
    상기 M×N 매트릭스 형태의 2차원 데이터로 변환함에 있어서, 상기 M×N 매트릭스의 행(row)인 M은 1일 단위의 날짜로 구성되고, 열(column)인 N은 0시를 기준으로 1시간 간격으로 구성되는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템.
  3. 제1항에 있어서,
    상기 3차원 멀티채널 데이터 생성부가 상기 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성함에 있어서, 호흡기 질환과 상관관계를 가지는 미세먼지(PM10, PM2.5), 온도, 습도, CO2, VOCs(휘발성 유기화합물) 등을 포함하는 개인 환경 데이터와, 심박수, 혈압 및 호흡수 데이터를 포함하는 개인 생체 데이터와, 온도, 습도, 미세먼지(PM10, PM2.5), CO2, 일조량, 기상, 풍속 등을 포함하는 공공 환경 데이터를 각각의 날짜와 시간 축으로 구성되는 n개의 채널로 구성되는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템.
  4. 제3항에 있어서,
    상기 개인 환경 데이터와 관련하여 상기 제어부는 GPS 정보를 이용하여 사용자가 자주 이동하는 위치에 대해 클러스터링(clustering) 알고리즘을 이용하여 특정 이동 패턴을 추정 및 분석하고, 이를 이용하여 사용자가 한 곳에 오래 머무는지 또는 이동하고 있는지에 대해 상황 정보를 확인하는 기능을 구비하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템.
  5. 제4항에 있어서,
    상기 제어부는 한 곳에 오래 머무는 경우는 실내로 분석하고, 이동하고 있는 경우는 실외로 분석하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템.
  6. 제5항에 있어서,
    상기 제어부는 실내, 실외의 시간대별 정보를 추가 채널로 학습 데이터로 제공하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템.
  7. 제6항에 있어서,
    상기 제어부는 실외의 마킹 정보에 따라 공공 환경 데이터의 가중치를 높게 부여하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템.
  8. 제6항에 있어서,
    상기 제어부는 실내와 실외에 대한 특정 수치(0 또는 1)의 설정값은 위치의 중요도에 따라 다르게 설정하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템.
  9. a) 2차원 데이터 변환부에 의해 미리 준비된 시계열의 데이터를 M×N 매트릭스 형태의 2차원 데이터로 변환하는 단계와;
    b) 3차원 멀티채널 데이터 생성부에 의해 상기 변환된 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성하여 3차원 멀티채널 데이터를 생성하는 단계와;
    c) 데이터 학습부에 의해 상기 생성된 3차원 멀티채널 데이터를 CNN(Convolutional Neural Network) 알고리즘을 이용하여 질환 발병 예측 모델에 학습시키는 단계와;
    d) 질환 발병 예측부에 의해 외부로부터 입력되는 시계열 데이터를 상기 학습된 질환 발병 예측 모델을 이용하여 분석하여 멀티-클래스로 분류하고, 분류된 각 클래스를 질환 발병의 여부 또는 심각도의 단계로 구성하여 질환 발병을 예측하는 단계와;
    e) 제어부에 의해 상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부 및 질환 발병 예측부에서의 처리 내용 또는 결과를 화면에 표시하도록 하는 제어 신호를 상기 디스플레이부로 전송하는 단계; 및
    f) 디스플레이부에 의해 제어부의 제어 신호에 따라 상기 2차원 데이터 변환부, 3차원 멀티채널 데이터 생성부, 데이터 학습부 및 질환 발병 예측부에서의 처리 내용 또는 결과를 화면에 표시하는 단계를 포함하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법.
  10. 제9항에 있어서,
    상기 단계 a)에서 상기 M×N 매트릭스 형태의 2차원 데이터로 변환함에 있어서, 상기 M×N 매트릭스의 행(row)인 M은 1일 단위의 날짜로 구성되고, 열(column)인 N은 0시를 기준으로 1시간 간격으로 구성되는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법.
  11. 제9항에 있어서,
    상기 단계 b)에서 상기 3차원 멀티채널 데이터 생성부에 의해 상기 2차원 데이터의 각각의 데이터에 대하여 n개의 채널로 구성함에 있어서, 호흡기 질환과 상관관계를 가지는 미세먼지(PM10, PM2.5), 온도, 습도, CO2, VOCs(휘발성 유기화합물) 등을 포함하는 개인 환경 데이터와, 심박수, 혈압 및 호흡수 데이터를 포함하는 개인 생체 데이터와, 온도, 습도, 미세먼지(PM10, PM2.5), CO2, 일조량, 기상, 풍속 등을 포함하는 공공 환경 데이터를 각각의 날짜와 시간 축으로 구성되는 n개의 채널로 구성하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법.
  12. 제11항에 있어서,
    상기 개인 환경 데이터와 관련하여 상기 제어부에 의해 GPS 정보를 이용하여 사용자가 자주 이동하는 위치에 대해 클러스터링(clustering) 알고리즘을 이용하여 특정 이동 패턴을 추정 및 분석하고, 이를 이용하여 사용자가 한 곳에 오래 머무는지 또는 이동하고 있는지에 대해 상황 정보를 확인하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법.
  13. 제12항에 있어서,
    상기 제어부에 의해 한 곳에 오래 머무는 경우는 실내로 분석하고, 이동하고 있는 경우는 실외로 분석하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법.
  14. 제13항에 있어서,
    상기 제어부에 의해 실내, 실외의 시간대별 정보를 추가 채널로 학습 데이터로 제공하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법.
  15. 제14항에 있어서,
    상기 제어부에 의해 실외의 마킹 정보에 따라 공공 환경 데이터의 가중치를 높게 부여하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법.
  16. 제14항에 있어서,
    상기 제어부에 의해 실내와 실외에 대한 특정 수치(0 또는 1)의 설정값은 위치의 중요도에 따라 다르게 설정하는 3차원 멀티채널 데이터를 이용한 질환 발병 예측 방법.
KR1020210063753A 2021-05-18 2021-05-18 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법 KR102480150B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210063753A KR102480150B1 (ko) 2021-05-18 2021-05-18 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210063753A KR102480150B1 (ko) 2021-05-18 2021-05-18 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법

Publications (3)

Publication Number Publication Date
KR20220156681A true KR20220156681A (ko) 2022-11-28
KR102480150B1 KR102480150B1 (ko) 2022-12-23
KR102480150B9 KR102480150B9 (ko) 2023-02-23

Family

ID=84236917

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210063753A KR102480150B1 (ko) 2021-05-18 2021-05-18 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102480150B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170023382A (ko) 2015-08-19 2017-03-03 한국전자통신연구원 바이오 물질의 농도를 기반으로 하는 질환 예측 장치 및 그것의 질환 예측 방법
KR20180120469A (ko) * 2017-04-27 2018-11-06 권오일 질병 분석 및 예측 시스템
KR20190084460A (ko) * 2018-01-08 2019-07-17 고려대학교 세종산학협력단 잡음에 강인한 소리 기반의 호흡기 질병 탐지 방법 및 그 시스템
KR102204958B1 (ko) * 2019-10-28 2021-01-20 삼성에스디에스 주식회사 의료 검사 결과 데이터의 처리 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170023382A (ko) 2015-08-19 2017-03-03 한국전자통신연구원 바이오 물질의 농도를 기반으로 하는 질환 예측 장치 및 그것의 질환 예측 방법
KR20180120469A (ko) * 2017-04-27 2018-11-06 권오일 질병 분석 및 예측 시스템
KR20190084460A (ko) * 2018-01-08 2019-07-17 고려대학교 세종산학협력단 잡음에 강인한 소리 기반의 호흡기 질병 탐지 방법 및 그 시스템
KR102204958B1 (ko) * 2019-10-28 2021-01-20 삼성에스디에스 주식회사 의료 검사 결과 데이터의 처리 방법

Also Published As

Publication number Publication date
KR102480150B1 (ko) 2022-12-23
KR102480150B9 (ko) 2023-02-23

Similar Documents

Publication Publication Date Title
EP4006790A1 (en) Inference device, inference method, and inference program
Krugh et al. A complementary cyber-human systems framework for industry 4.0 cyber-physical systems
KR102166011B1 (ko) 터치입력을 이용한 인지장애 판단 시스템 및 방법
EP3477589B1 (en) Method of processing medical image, and medical image processing apparatus performing the method
CN111489006A (zh) 火灾发展态势预测方法、装置及计算机可存储介质
JP2020115311A (ja) モデル統合装置、モデル統合方法、モデル統合プログラム、推論システム、検査システム、及び制御システム
CN109891436A (zh) 基于深度学习神经网络的安保系统及其控制方法
EP4116893A1 (en) Model generation device, estimation device, model generation method, and model generation program
KR102424629B1 (ko) 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법
Abraham et al. Real time conversion of sign language to speech and prediction of gestures using Artificial Neural Network
KR102088296B1 (ko) 대기질 데이터에 기초한 질병 상관 관계 예측 방법 및 장치
Arslan et al. Understanding occupant behaviors in dynamic environments using OBiDE framework
WO2021066796A1 (en) Modeling human behavior in work environments using neural networks
CN114600084A (zh) 综合分析方法、综合分析装置以及综合分析程序
Dhanraj et al. Efficient smartphone-based human activity recognition using convolutional neural network
KR102480150B1 (ko) 3차원 멀티채널 데이터를 이용한 질환 발병 예측 시스템 및 방법
KR102619200B1 (ko) 인공지능 기반 환경설비 자동제어를 위한 뉴럴 네트워크 모델 생성 방법 및 컴퓨터 프로그램
WO2021182000A1 (ja) パラメータ調整装置、推論装置、パラメータ調整方法、及びパラメータ調整プログラム
CN113566395B (zh) 空调器及其控制方法及装置、计算机可读存储介质
Niu et al. Integrating environmental sensing and BLE-based location for improving daily activity recognition in OPH
Kardawi et al. A Comparative Analysis of Deep Learning Models for Detection of Knee Osteoarthritis Disease through Mobile Apps
CN115147872B (zh) 一种考场中教师行为的检测方法及系统
Chen et al. Augmented reality, deep learning and vision-language query system for construction worker safety
US20220406042A1 (en) Model generation apparatus, estimation apparatus, model generation method, and computer-readable storage medium storing a model generation program
Alamgir Performance analysis internet of things based on sensor and data analytics

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]