KR20230144301A - Encironmental health monitoring system and the method - Google Patents

Encironmental health monitoring system and the method Download PDF

Info

Publication number
KR20230144301A
KR20230144301A KR1020220043407A KR20220043407A KR20230144301A KR 20230144301 A KR20230144301 A KR 20230144301A KR 1020220043407 A KR1020220043407 A KR 1020220043407A KR 20220043407 A KR20220043407 A KR 20220043407A KR 20230144301 A KR20230144301 A KR 20230144301A
Authority
KR
South Korea
Prior art keywords
data
health
environmental
factors
information
Prior art date
Application number
KR1020220043407A
Other languages
Korean (ko)
Inventor
조재혁
Original Assignee
전북대학교산학협력단
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 전북대학교산학협력단 filed Critical 전북대학교산학협력단
Priority to KR1020220043407A priority Critical patent/KR20230144301A/en
Publication of KR20230144301A publication Critical patent/KR20230144301A/en

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70ICT 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16YINFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00Economic sectors
    • G16Y10/60Healthcare; Welfare
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16YINFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00Information sensed or collected by the things
    • G16Y20/10Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16YINFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00IoT characterised by the purpose of the information processing
    • G16Y40/10Detection; Monitoring
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16YINFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00IoT characterised by the purpose of the information processing
    • G16Y40/20Analytics; Diagnosis

Abstract

본 발명은 환경보건 모니터링 시스템 및 그 방법에 관한 것으로, 복수의 환경 센서 모듈을 포함하는 제1 IoT 장치 및 복수의 건강 센서 모듈을 포함하는 제2 IoT 장치와 연동되어 환경유해인자와 건강영향인자 데이터를 수집 및 모니터링하는 플랫폼으로서, 상기 제1 IoT 장치 및 상기 제2 IoT 장치로부터 각각 환경유해인자 및 건강영향인자를 수집하는 관리부, 상기 환경유해인자 및 상기 건강영향인자를 포함하는 복수의 데이터 분석하여 상기 복수의 데이터 각각의 메타 정보를 생성하고, 상기 메타 정보를 기초로 상기 복수의 데이터를 분류하는 데이터 수집부, 상기 메타 정보 중 적어도 어느 하나를 기초로 상기 복수의 데이터를 연계하여 데이터 셋을 생성하는 데이터 셋 생성부, 상기 데이터 셋을 기초로 상기 환경유해인자 간 상관성, 상기 건강영향인자 간 상관성 및 상기 환경유해인자와 상기 건강영향인자 간 상관성을 분석하고, 상관성 분석 데이터를 생성하는 상관성 분석부 및 상기 복수의 데이터 및 상기 상관성 분석 데이터를 시각화한 시공간적 정보를 사용자 단말에 제공하는 모니터링부를 포함하는 플랫폼을 포함한다.The present invention relates to an environmental health monitoring system and method, which is linked with a first IoT device including a plurality of environmental sensor modules and a second IoT device including a plurality of health sensor modules to collect environmental hazards and health influencing factors data. A platform that collects and monitors, a management unit that collects environmental harmful factors and health-impacting factors from the first IoT device and the second IoT device, respectively, and analyzes a plurality of data including the environmental harmful factors and the health-impacting factors. A data collection unit that generates meta information for each of the plurality of data and classifies the plurality of data based on the meta information, and creates a data set by linking the plurality of data based on at least one of the meta information. A data set generation unit that analyzes the correlation between the environmental harmful factors, the correlation between the health influencing factors, and the environmental harmful factors and the health influencing factors based on the data set, and a correlation analysis unit that generates correlation analysis data. and a platform including a monitoring unit that provides spatiotemporal information visualizing the plurality of data and the correlation analysis data to a user terminal.

Description

환경보건 모니터링 시스템 및 그 방법{ENCIRONMENTAL HEALTH MONITORING SYSTEM AND THE METHOD}Environmental health monitoring system and method {ENCIRONMENTAL HEALTH MONITORING SYSTEM AND THE METHOD}

본 발명은 환경보건 모니터링 시스템 및 그 방법에 관한 것으로서, 환경 및 건강에 대한 원시 데이터를 수집하여 데이터 전처리하고, 환경유해인자와 건강영향인자 간의 시공간적 상관성을 분석하여, 환경보건 취약 지역을 모니터링 및 예측하는 환경보건 모니터링 시스템 및 그 방법에 관한 것이다.The present invention relates to an environmental health monitoring system and method, which collects raw data on the environment and health, preprocesses the data, analyzes the spatiotemporal correlation between environmental hazards and health-impacting factors, and monitors and predicts areas vulnerable to environmental health. It relates to environmental health monitoring systems and methods.

사물인터넷(IoT)의 발달과 플랫폼 서비스는 폭 넓은 분야에 적용되고 있으며 글로벌 성장의 핵심이다. 또한, 최근 팬데믹 이후 건강에 대한 관심 및 불안이 높아지고 있으며, 환경과 건강 간의 인과관계에 대하여 지속적인 요구가 이어지고 있다. The development of the Internet of Things (IoT) and platform services are being applied to a wide range of fields and are the core of global growth. In addition, interest in and anxiety about health has been increasing since the recent pandemic, and there is a continuing demand for a causal relationship between the environment and health.

환경부와 국립환경과학원 등 환경 관련 부처 및 기관들은 환경 자료 및 건강 자료 데이터를 보유 및 공개하고 있다. 그러나, 산발적인 환경유해인자 수집으로 인해 데이터의 신뢰성 및 무결성을 확인하기 어렵고, 환경유해인자와 건강 자료 간 연계성이 미흡하며, 데이터 공급자 위주의 시스템 운영으로 인하여 수요자에게 유효성 있는 데이터를 제공하는 데에 한계가 있다.Environment-related ministries and organizations, such as the Ministry of Environment and the National Institute of Environmental Research, hold and disclose environmental and health data. However, it is difficult to check the reliability and integrity of data due to the sporadic collection of environmental harmful factors, the connection between environmental harmful factors and health data is insufficient, and the operation of the system centered on data providers makes it difficult to provide valid data to consumers. There are limits.

또한, 수요자들은 웨어러블 디바이스를 통해 사용자의 건강 데이터를 확보하지만, 건강 데이터와 연관된 즉, 건강 데이터의 변화의 원인이 된 환경유해인자와의 상관 관계 및 건강 예측 데이터는 제공되지 않는다.In addition, consumers secure users' health data through wearable devices, but correlations and health prediction data related to health data, that is, environmental harmful factors that cause changes in health data, are not provided.

이에, 환경유해인자와 건강영향인자를 결합한 빅데이터 솔루션으로서, IoT 센서로부터 신뢰성 있는 환경유해인자 데이터 및 건강영향인자 데이터를 수집하고 사용자별 환경유해인자와 건강영향인자간 상관관계 및 건강 예측 데이터 제공이 요구되고 있다.Accordingly, as a big data solution that combines environmental harmful factors and health influencing factors, it collects reliable environmental harmful factor data and health influencing factor data from IoT sensors and provides correlation between environmental harmful factors and health influencing factors and health prediction data for each user. This is being demanded.

본 발명이 해결하고자 하는 과제는 IoT 장치로부터 측정된 센싱 데이터의 신뢰성을 높이고, 환경유해인자 데이터, 건강영향인자 데이터 및 지역별 특성에 따른 환경유해인자와 건강영향인자 사이의 상관성 분석 및/또는 예측 데이터를 시공간에 따라 제공하는 환경보건 모니터링 시스템 및 그 방법을 제공하고자 하는 것이다.The problem that the present invention aims to solve is to increase the reliability of sensing data measured from IoT devices, and to analyze and/or predict the correlation between environmental harmful factors and health influencing factors according to environmental harmful factor data, health influencing factor data, and regional characteristics. The goal is to provide an environmental health monitoring system and method that provides time and space.

또, 사용자별 맞춤형 건강 정보, 건강 이상 징후 데이터 및 환경유해인자와 건강 이상 징후 사이의 상관 관계를 제공하는 환경보건 모니터링 시스템 및 그 방법을 제공하고자 하는 것이다.In addition, the goal is to provide an environmental health monitoring system and method that provides customized health information for each user, data on health abnormalities, and correlations between environmental harmful factors and abnormal health symptoms.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속한 기술분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned can be clearly understood by those skilled in the art from the description below.

일 실시예에 따른 플랫폼은, 복수의 환경 센서 모듈을 포함하는 제1 IoT 장치 및 복수의 건강 센서 모듈을 포함하는 제2 IoT 장치와 연동되어 환경유해인자와 건강영향인자 데이터를 수집 및 모니터링하는 플랫폼으로서, 상기 제1 IoT 장치 및 상기 제2 IoT 장치로부터 각각 환경유해인자 및 건강영향인자를 수집하는 관리부, 상기 환경유해인자 및 상기 건강영향인자를 포함하는 복수의 데이터 분석하여 상기 복수의 데이터 각각의 메타 정보를 생성하고, 상기 메타 정보를 기초로 상기 복수의 데이터를 분류하는 데이터 수집부, 상기 메타 정보 중 적어도 어느 하나를 기초로 상기 복수의 데이터를 연계하여 데이터 셋을 생성하는 데이터 셋 생성부, 상기 데이터 셋을 기초로 상기 환경유해인자 간 상관성, 상기 건강영향인자 간 상관성 및 상기 환경유해인자와 상기 건강영향인자 간 상관성을 분석하고, 상관성 분석 데이터를 생성하는 상관성 분석부 및 상기 복수의 데이터 및 상기 상관성 분석 데이터를 시각화한 시공간적 정보를 사용자 단말에 제공하는 모니터링부를 포함한다.The platform according to one embodiment is a platform that collects and monitors environmental hazards and health impact factor data by linking with a first IoT device including a plurality of environmental sensor modules and a second IoT device including a plurality of health sensor modules. As a management unit that collects environmental harmful factors and health-impacting factors from the first IoT device and the second IoT device, respectively, analyzes a plurality of data including the environmental harmful factors and health-impacting factors, and analyzes each of the plurality of data A data collection unit that generates meta information and classifies the plurality of data based on the meta information, a data set generation unit that links the plurality of data based on at least one of the meta information to generate a data set, Based on the data set, a correlation analysis unit that analyzes the correlation between the environmental harmful factors, the correlation between the health influencing factors, and the correlation between the environmental harmful factors and the health influencing factors, and generates correlation analysis data, and the plurality of data, and It includes a monitoring unit that provides spatial and temporal information visualizing the correlation analysis data to the user terminal.

상기 상관성 분석부는 상기 상관성 분석 데이터를 생성하는 경우, 시간적 및 공간적 상관성 분석을 위한 기계학습을 수행할 수 있다.When generating the correlation analysis data, the correlation analysis unit may perform machine learning for temporal and spatial correlation analysis.

상기 상관성 분석부는 상기 환경유해인자 간 상관성 분석을 위한 기계학습을 하는 경우, 시간적 정보, 지리적 정보, 기상 정보 및 환경유해인자 중 적어도 어느 하나를 입력 변수로 설정하고, 환경유해인자 중 적어도 어느 하나를 출력 변수로 설정할 수 있다.When performing machine learning to analyze the correlation between the environmental harmful factors, the correlation analysis unit sets at least one of temporal information, geographic information, meteorological information, and environmental harmful factors as an input variable, and sets at least one of the environmental harmful factors. It can be set as an output variable.

상기 상관성 분석부는 상기 건강영향인자 간 상관성 및 상기 건강영향인자와 상기 환경유해인자 간의 상관성 분석을 위한 기계학습을 하는 경우, 상기 환경유해인자 중 적어도 어느 하나, 인문사회정보, 지리적 정보, 및 건강영향인자 중 적어도 어느 하나를 입력 변수로 설정하고, 건강영향인자 중 적어도 어느 하나를 출력 변수로 설정할 수 있다.When the correlation analysis unit performs machine learning to analyze the correlation between the health influencing factors and the correlation between the health influencing factors and the environmental harmful factors, at least one of the environmental harmful factors, humanities and social information, geographical information, and health impact At least one of the factors can be set as an input variable, and at least one of the health impact factors can be set as an output variable.

상기 상관성 분석부는 상기 환경유해인자와 상기 건강영향인자 간의 상관성 예측 데이터를 생성할 수 있다.The correlation analysis unit may generate correlation prediction data between the environmental harmful factors and the health influencing factors.

상기 관리부는 환경보건 관련 데이터, 생활환경 위해 요인 데이터 및 환경오염 지역 정보 중 어느 하나를 제공하는 외부 연계 시스템으로부터 데이터를 수집하고, 상기 복수의 데이터는 상기 외부 연계 시스템으로부터 수집한 데이터를 포함하되, 상기 모니터링부는 상기 외부 연계 시스템으로부터 수집한 데이터를 분석하여 복수의 지역 각각의 특성을 도출하고, 환경오염 취약 지역을 분류할 수 있다.The management unit collects data from an external linkage system that provides any one of environmental health-related data, living environment hazard data, and environmental pollution area information, and the plurality of data includes data collected from the external linkage system, The monitoring unit may analyze data collected from the external linkage system to derive characteristics of each of a plurality of regions and classify areas vulnerable to environmental pollution.

상기 상관성 분석부는 상기 환경오염 취약 지역에 대한 상기 환경유해인자와 상기 건강영향인자 사이의 상관성 분석 시 가중치를 부여할 수 있다.The correlation analysis unit may assign weights when analyzing the correlation between the environmental harmful factors and the health influencing factors for the area vulnerable to environmental pollution.

상기 모니터링부는 사용자별 건강 정보, 복수의 건강 이상 징후 정보 및 상기 환경유해인자와 상기 복수의 건강 이상 징후 정보 사이의 관계 데이터를 제공할 수 있다.The monitoring unit may provide user-specific health information, plurality of abnormal health sign information, and relationship data between the environmental harmful factors and the plurality of health abnormality sign information.

상기 모니터링부는 사용자가 설정한 기간에 발생된 상기 복수의 건강 이상 징후 정보 각각을 그래프로 변환하여 시각화된 데이터를 제공하고, 상기 복수의 건강 이상 징후 각각에 대하여 상기 사용자가 설정한 기간에 대응하는 상기 환경유해인자의 평균값 및 평가 정보를 제공할 수 있다.The monitoring unit converts each of the plurality of health abnormality sign information generated in a period set by the user into a graph to provide visualized data, and provides the data corresponding to the period set by the user for each of the plurality of health abnormality signs. It can provide average values and evaluation information of environmental harmful factors.

일 실시예에 따른 환경보건 모니터링 방법은, 플랫폼이 복수의 환경 센서 모듈을 포함하는 제1 IoT 장치 및 복수의 건강 센서 모듈을 포함하는 제2 IoT 장치로부터 각각 환경유해인자 및 건강영향인자를 수집하는 단계, 상기 플랫폼이 상기 환경유해인자 및 상기 건강영향인자를 포함하는 복수의 데이터 분석하여 상기 복수의 데이터 각각의 메타 정보를 생성하는 단계, 상기 플랫폼이 상기 메타 정보를 기초로 상기 복수의 데이터를 분류하는 단계, 상기 플랫폼이 상기 메타 정보 중 적어도 어느 하나를 기초로 상기 복수의 데이터를 연계하여 데이터 셋을 생성하는 단계, 상기 플랫폼이 상기 데이터 셋을 기초로 상기 환경유해인자 간 상관성, 상기 건강영향인자 간 상관성 및 상기 환경유해인자와 상기 건강영향인자 간 상관성을 분석하고, 상관성 분석 데이터를 생성하는 단계 및 상기 플랫폼이 상기 복수의 데이터 및 상기 상관성 분석 데이터를 시각화한 시공간적 정보를 사용자 단말에 제공하는 단계를 포함한다.The environmental health monitoring method according to an embodiment is one in which the platform collects environmental harmful factors and health influencing factors from a first IoT device including a plurality of environmental sensor modules and a second IoT device including a plurality of health sensor modules. Step, the platform analyzes a plurality of data including the environmental harmful factors and the health influencing factors to generate meta information for each of the plurality of data, the platform classifies the plurality of data based on the meta information A step of generating a data set by the platform linking the plurality of data based on at least one of the meta information, the platform generating a data set based on the data set, the correlation between the environmental harmful factors, the health influencing factors Analyzing the correlation between the environmental hazards and the health-impacting factors, generating correlation analysis data, and providing the platform with spatiotemporal information visualizing the plurality of data and the correlation analysis data to the user terminal. Includes.

상기 플랫폼이 상기 상관성 분석 데이터를 생성하는 단계는, 상기 플랫폼이 시간적 및 공간적 상관성 분석을 위한 기계학습을 수행하는 단계를 포함할 수 있다.The step of the platform generating the correlation analysis data may include the step of the platform performing machine learning for temporal and spatial correlation analysis.

상기 플랫폼이 상기 환경유해인자 간 상관성 분석을 위한 기계학습을 하는 경우, 시간적 정보, 지리적 정보, 기상 정보 및 상기 환경유해인자 중 적어도 어느 하나를 입력 변수로 설정하고, 상기 환경유해인자 중 적어도 어느 하나를 출력 변수로 설정할 수 있다.When the platform performs machine learning to analyze the correlation between the environmental harmful factors, at least one of temporal information, geographic information, weather information, and the environmental harmful factors is set as an input variable, and at least one of the environmental harmful factors is set as an input variable. can be set as an output variable.

상기 플랫폼이 상기 건강영향인자 간 상관성 및 상기 건강영향인자와 상기 환경유해인자 간의 상관성 분석을 위한 기계학습을 하는 경우, 상기 환경유해인자 중 적어도 어느 하나, 인문사회정보, 지리적 정보, 및 상기 건강영향인자 중 적어도 어느 하나를 입력 변수로 설정하고, 상기 건강영향인자 중 적어도 어느 하나를 출력 변수로 설정할 수 있다.When the platform performs machine learning to analyze the correlation between the health influencing factors and the correlation between the health influencing factors and the environmental harmful factors, at least one of the environmental harmful factors, humanities and social information, geographical information, and the health impact At least one of the factors may be set as an input variable, and at least one of the health impact factors may be set as an output variable.

상기 플랫폼은 상기 환경유해인자와 상기 건강영향인자 간의 상관성 예측 데이터를 생성하는 단계를 더 포함할 수 있다.The platform may further include generating correlation prediction data between the environmental harmful factors and the health influencing factors.

상기 플랫폼이 환경보건 관련 데이터, 생활환경 위해 요인 데이터 및 환경오염 지역 정보 중 어느 하나를 제공하는 외부 연계 시스템으로부터 데이터를 수집하는 단계를 더 포함하고, 상기 복수의 데이터는 상기 외부 연계 시스템으로부터 수집한 데이터를 포함하되, 상기 플랫폼은 상기 외부 연계 시스템으로부터 수집한 데이터를 분석하여 복수의 지역 각각의 특성을 도출하고, 환경오염 취약 지역을 분류할 수 있다.The platform further includes a step of collecting data from an external linkage system that provides any one of environmental health-related data, living environment hazard data, and environmental pollution area information, and the plurality of data is collected from the external linkage system. Including data, the platform can analyze data collected from the external linkage system to derive characteristics of each of a plurality of regions and classify areas vulnerable to environmental pollution.

상기 플랫폼이 상기 상관성 분석 데이터를 생성하는 단계는, 상기 플랫폼이 상기 환경오염 취약 지역에 대한 상기 환경유해인자와 상기 건강영향인자 사이의 상관성 분석을 하는 단계를 더 포함하되, 상기 플랫폼은 상기 환경오염 취약 지역에 대한 상기 환경유해인자와 상기 건강영향인자 사이의 상관성 분석 시 가중치를 부여할 수 있다.The step of generating the correlation analysis data by the platform further includes the step of the platform analyzing the correlation between the environmental harmful factors and the health-impacting factors for the area vulnerable to environmental pollution, wherein the platform Weights can be assigned when analyzing the correlation between the environmental hazards and health-impacting factors for vulnerable areas.

상기 플랫폼이 사용자별 건강 정보, 복수의 건강 이상 징후 정보 및 상기 환경유해인자와 상기 복수의 건강 이상 징후 정보 사이의 관계 데이터를 제공하는 단계를 더 포함할 수 있다.The platform may further include providing user-specific health information, information on a plurality of abnormal health signs, and relationship data between the environmental harmful factors and the plurality of information on abnormal health signs.

상기 플랫폼이 상기 환경유해인자와 상기 복수의 건강 이상 징후 정보 사이의 관계 데이터를 제공하는 단계는, 상기 플랫폼이 사용자가 설정한 기간에 발생된 상기 복수의 건강 이상 징후 정보 각각을 그래프로 변환하여 시각화된 데이터를 제공하고, 상기 복수의 건강 이상 징후 각각에 대하여 상기 사용자가 설정한 기간에 대응하는 상기 환경유해인자의 평균값 및 평가 정보를 제공할 수 있다.The step of the platform providing relationship data between the environmental harmful factors and the plurality of health abnormality symptom information includes the platform converting each of the plurality of health abnormality symptom information generated during the period set by the user into a graph and visualizing it. provided data, and for each of the plurality of health abnormalities, the average value and evaluation information of the environmental harmful factors corresponding to the period set by the user may be provided.

기타 실시예의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Specific details of other embodiments are included in the detailed description and drawings.

본 발명의 실시예들에 따른 환경보건 모니터링 시스템 및 그 방법에 의하면, 환경유해인자와 건강영향인자 간 상관성을 분석을 통해 유효성 있는 환경유해인자와 건강영향인자 사이의 연계 데이터, 상관성 분석 데이터 및/또는 상관성 예측 데이터를 제공하며, 환경유해인자와 건강영향인자 사이의 상호 반복 기계학습을 통해 상관성 분석의 정확도를 향상하는 데에 유리할 수 있다.According to the environmental health monitoring system and method according to embodiments of the present invention, the correlation between environmental harmful factors and health influencing factors is analyzed to provide effective linkage data between environmental harmful factors and health influencing factors, correlation analysis data, and/ Alternatively, it provides correlation prediction data and can be advantageous for improving the accuracy of correlation analysis through mutual iterative machine learning between environmental hazards and health-impacting factors.

또한, 복수의 지역 각각의 특성에 따라 환경오염에 취약한 관심 지역을 설정하고, 관심 지역의 환경유해인자와 건강영향인자 사이의 상관성 분석 시 가중치를 부여함으로써, 환경보건 취약 지역의 상황을 예측하거나 또는 환경보건 취약 지역에 대한 환경유해인자 노출 영향 관리를 하는 데에 유리할 수 있다.In addition, regions of interest vulnerable to environmental pollution are set according to the characteristics of each region, and weights are assigned when analyzing the correlation between environmental hazards and health-impacting factors in the region of interest, thereby predicting the situation in areas vulnerable to environmental health. It can be advantageous in managing the impact of exposure to environmental hazards in areas vulnerable to environmental health.

나아가, 실시예들에 따른 환경보건 모니터링 시스템 및 그 방법은 사용자별 건강 정보, 건강 이상 징후 정보 및 환경유해인자와 건강 이상 징후 정보 사이의 관계 데이터를 제공함으로써, 각각의 사용자는 자신의 건강 이상의 요인을 빠르게 인지하고 그에 따라 활동 환경을 개선하여 환경유해인자와 관련된 건강 이상 징후를 해소하는 데에 유리할 수 있다.Furthermore, the environmental health monitoring system and method according to embodiments provide user-specific health information, health abnormality sign information, and relationship data between environmental harmful factors and health abnormality symptom information, so that each user can determine the factors of his or her health abnormality. It can be advantageous to quickly recognize and improve the activity environment accordingly to eliminate health abnormalities related to environmental harmful factors.

본 발명의 실시예들에 따른 효과는 이상에서 예시된 내용에 의해 제한되지 않으며, 더욱 다양한 효과들이 본 명세서 내에 포함되어 있다.Effects according to embodiments of the present invention are not limited to the contents exemplified above, and further various effects are included in the present specification.

도 1은 본 발명의 일 실시예에 따른 환경보건 모니터링 시스템을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 플랫폼의 구성을 개략적으로 나타내는 블록도이다.
도 3은 본 발명의 일 실시예에 따른 제1 IoT 장치의 구성을 개략적으로 나타내는 블록도이다.
도 4는 본 발명의 일 실시예에 따른 제2 IoT 장치의 구성을 개략적으로 나타내는 블록도이다.
도 5는 본 발명의 일 실시예에 따른 기반 환경보건 모니터링 방법을 설명하기 위한 흐름도이다.
도 6 내지 도 14는 본 발명의 다른 실시예에 따른 모니터링부가 사용자 인터페이스를 통해 출력한 화면들을 보여주는 도면이다.
1 is a diagram schematically showing an environmental health monitoring system according to an embodiment of the present invention.
Figure 2 is a block diagram schematically showing the configuration of a platform according to an embodiment of the present invention.
Figure 3 is a block diagram schematically showing the configuration of a first IoT device according to an embodiment of the present invention.
Figure 4 is a block diagram schematically showing the configuration of a second IoT device according to an embodiment of the present invention.
Figure 5 is a flowchart illustrating a basic environmental health monitoring method according to an embodiment of the present invention.
6 to 14 are diagrams showing screens output by a monitoring unit through a user interface according to another embodiment of the present invention.

이하에서 본 발명의 기술적 사상을 명확화하기 위하여 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명하도록 한다. 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성요소에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략할 것이다. 도면들 중 실질적으로 동일한 기능구성을 갖는 구성요소들에 대하여는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 참조번호들 및 부호들을 부여하였다. 설명의 편의를 위하여 필요한 경우에는 장치와 방법을 함께 서술하도록 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the attached drawings to clarify the technical idea of the present invention. In describing the present invention, if it is determined that a detailed description of related known functions or components may unnecessarily obscure the gist of the present invention, the detailed description will be omitted. Components having substantially the same functional configuration among the drawings are given the same reference numbers and symbols as much as possible, even if they are shown in different drawings. For convenience of explanation, if necessary, the device and method should be described together.

비록 제1, 제2 등이 다양한 구성요소들을 서술하기 위해서 사용되나, 이들 구성요소들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 구성요소를 다른 구성요소와 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 구성요소는 본 발명의 기술적 사상 내에서 제2 구성요소일 수도 있음은 물론이다.Although first, second, etc. are used to describe various components, these components are of course not limited by these terms. These terms are merely used to distinguish one component from another. Therefore, it goes without saying that the first component mentioned below may also be a second component within the technical spirit of the present invention.

도 1은 본 발명의 일 실시예에 따른 환경보건 모니터링 시스템을 개략적으로 나타낸 도면이다.1 is a diagram schematically showing an environmental health monitoring system according to an embodiment of the present invention.

도 1을 참조하면, 일 실시예에 따른 환경보건 모니터링 시스템은 플랫폼(100), 제1 IoT 장치(200), 제2 IoT 장치(300), 외부 연계 시스템(400) 및 네트워크(500)를 포함할 수 있다.Referring to FIG. 1, the environmental health monitoring system according to one embodiment includes a platform 100, a first IoT device 200, a second IoT device 300, an external linkage system 400, and a network 500. can do.

플랫폼(100)은 제1 IoT 장치(200), 제2 IoT 장치(300) 및 외부 연계 시스템(400)으로부터 환경유해인자 데이터(이하, 환경유해인자라 칭함) 및 건강영향인자 데이터(이하, 건강영향인자라 칭함)를 수집할 수 있다. 플랫폼(100)은 수집한 복수의 데이터를 수집하고, 원시 데이터에 대한 데이터 정제, 데이터 변환, 분산 처리 등을 포함하는 데이터 전처리 과정을 수행하여 환경유해인자와 건강영향인자를 구조화된 핵심 정보 형태로 제공할 수 있다. 또한, 플랫폼(100)은 복수의 데이터를 시공간적으로 분석하여 공간 정보 시스템(Geographic Information System, GIS)으로서 환경유해인자 및 건강영향인자 각각의 시계열 데이터, 실시간 모니터링 데이터 및 상관성 분석부(150)에서 생성된 상관성 분석 데이터와 상관성 예측 데이터를 시각적으로 제공할 수 있다.The platform 100 collects environmental hazard data (hereinafter referred to as environmental hazards) and health impact factor data (hereinafter referred to as health) from the first IoT device 200, the second IoT device 300, and the external linkage system 400. (referred to as influencing factors) can be collected. The platform 100 collects a plurality of collected data and performs a data pre-processing process including data cleaning, data conversion, and distributed processing for raw data to convert environmental hazards and health-impacting factors into structured core information. can be provided. In addition, the platform 100 analyzes a plurality of data in time and space to generate time series data, real-time monitoring data, and correlation analysis unit 150 for each environmental hazard and health impact factor as a spatial information system (GIS). Correlation analysis data and correlation prediction data can be provided visually.

이하에서는 설명의 편의를 위해, 플랫폼(100)이 하나의 제1 IoT 장치(200), 하나의 제2 IoT 장치(300) 및 하나의 외부 연계 시스템(400)으로부터 데이터를 수집하는 것을 위주로 설명하지만, 이에 제한되는 것은 아니다. 예를 들어, 플랫폼(100)은 복수의 제1 IoT 장치(200), 복수의 제2 IoT 장치(300) 및 복수의 외부 연계 시스템(400)으로부터 환경유해인자 및 건강영향인자를 수집할 수 있다. 플랫폼(100)에 대한 상세한 설명은 도 2를 참조하여 후술한다.Hereinafter, for convenience of explanation, the description will focus on the platform 100 collecting data from one first IoT device 200, one second IoT device 300, and one external linkage system 400. , but is not limited to this. For example, the platform 100 may collect environmental harmful factors and health-impacting factors from a plurality of first IoT devices 200, a plurality of second IoT devices 300, and a plurality of external linkage systems 400. . A detailed description of the platform 100 will be described later with reference to FIG. 2.

제1 IoT 장치(200) 및 제2 IoT 장치(300)는 각각 복수의 환경 센서 모듈 및 복수의 건강 센서 모듈을 포함하는 사물인터넷(Internet of Things, IoT) 장치일 수 있다. 제1 IoT 장치(200) 및 제2 IoT 장치(300)는 복수의 센서 모듈을 통해 수집한 데이터를 플랫폼(100)에 전송할 수 있다. 예를 들어, 제1 IoT 장치(200) 및 제2 IoT 장치(300)는 각각 게이트웨이(미도시)를 통해 플랫폼(100)에 데이터를 전송할 수 있으나, 이에 제한되는 것은 아니다.The first IoT device 200 and the second IoT device 300 may be Internet of Things (IoT) devices that include a plurality of environmental sensor modules and a plurality of health sensor modules, respectively. The first IoT device 200 and the second IoT device 300 may transmit data collected through a plurality of sensor modules to the platform 100. For example, the first IoT device 200 and the second IoT device 300 may each transmit data to the platform 100 through a gateway (not shown), but are not limited thereto.

제1 IoT 장치(200)는 복수의 환경 센서 모듈을 포함할 수 있다. 예를 들어, 제1 IoT 장치(200)는 온도 센서 모듈, 습도 센서 모듈, 미세먼지/초미세먼지 센서 모듈, 음향 센서 모듈, TVOC(Total Volatile Organic Compounds) 센서 모듈, 이산화탄소(CO2) 센서 모듈, 일산화탄소(CO) 센서 모듈, 황화 수소(H2S) 센서 모듈, 포름알데히드(HCHO) 센서 모듈, 질소산화물(NOx) 센서 모듈, 암모니아(NH3) 센서 모듈, 악취 센서 모듈, 및/또는 라돈 센서 모듈을 포함할 수 있다.The first IoT device 200 may include a plurality of environmental sensor modules. For example, the first IoT device 200 includes a temperature sensor module, a humidity sensor module, a fine dust/ultrafine dust sensor module, an acoustic sensor module, a Total Volatile Organic Compounds (TVOC) sensor module, and a carbon dioxide (CO 2 ) sensor module. , carbon monoxide (CO) sensor module, hydrogen sulfide (H 2 S) sensor module, formaldehyde (HCHO) sensor module, nitrogen oxides (NOx) sensor module, ammonia (NH 3 ) sensor module, odor sensor module, and/or radon. May include a sensor module.

제2 IoT 장치(300)는 복수의 건강 센서 모듈을 포함할 수 있다. 예를 들어, 제2 IoT 장치(300)는 폐소리 센서 모듈, 혈중 산소 포화도 센서 모듈, 호흡측정 센서 모듈, 근전도 센서 모듈, 심박수 측정 센서 모듈, 심전도 센서 모듈, 맥박 센서 모듈, 온도 센서 모듈 및/또는 뇌파(EEG) 측정 센서 모듈을 포함할 수 있다. The second IoT device 300 may include a plurality of health sensor modules. For example, the second IoT device 300 may include a lung sound sensor module, a blood oxygen saturation sensor module, a respiration measurement sensor module, an electromyography sensor module, a heart rate measurement sensor module, an electrocardiogram sensor module, a pulse sensor module, a temperature sensor module, and/ Alternatively, it may include an electroencephalography (EEG) measurement sensor module.

예를 들어, 제2 IoT 장치(300)는 센싱 데이터에 대한 정보 제공을 동의한 사용자가 착용하거나 부착하는 스마트 디바이스로서, 스마트 워치, 스마트 밴드, 스마트 안경, 홀로렌즈 등과 같은 액세서리형 웨어러블 디바이스, 바이오 셔츠와 같은 직물 회로보드로 구성된 의류형 웨어러블 디바이스, 전자 피부, 스마트 콘택트 렌즈, 바이오 스탬프와 같은 신체 부착 또는 이식형 디바이스를 포함할 수 있다. For example, the second IoT device 300 is a smart device worn or attached by a user who agrees to provide information about sensing data, and is an accessory wearable device such as a smart watch, smart band, smart glasses, HoloLens, bio device, etc. It may include clothing-type wearable devices composed of fabric circuit boards such as shirts, body-worn or implantable devices such as electronic skin, smart contact lenses, and bio-stamps.

제1 IoT 장치(200) 및/또는 제2 IoT 장치(300)는 수집한 각종 센서 데이터의 신뢰성을 높이기 위해, 센서 데이터의 결측값을 처리하는 기능을 구비할 수 있다. 예를 들어, 제1 IoT 장치(200) 및/또는 제2 IoT 장치(300)는 각 센서 모듈의 측정 범위, 데이터의 급격한 변화 등과 같은 다양한 센서 장치의 오류에 의해 발생하는 결측값을 처리하는 기능을 구비할 수 있다. 또한, 몇몇 실시예에서, 제1 IoT 장치(200) 및/또는 제2 IoT 장치(300)는 플랫폼(100)과 연동되어 통신 불안정에 따른 결측값을 처리하는 기능을 구비할 수도 있다.The first IoT device 200 and/or the second IoT device 300 may be equipped with a function to process missing values of sensor data in order to increase the reliability of various collected sensor data. For example, the first IoT device 200 and/or the second IoT device 300 has the function of processing missing values caused by errors in various sensor devices, such as the measurement range of each sensor module, sudden changes in data, etc. can be provided. Additionally, in some embodiments, the first IoT device 200 and/or the second IoT device 300 may be linked with the platform 100 and have a function for processing missing values due to communication instability.

외부 연계 시스템(400)은 각종 환경보건 관련 데이터, 생활환경 위해 요인 데이터, 환경오염 지역 정보, 지역별 기상 정보 등과 같은 데이터 중 적어도 어느 하나를 제공하는 시스템일 수 있다. The external linkage system 400 may be a system that provides at least one of data such as various environmental health-related data, data on hazardous factors in the living environment, information on environmental pollution areas, and regional weather information.

네트워크(500)는 제1 IoT 장치(200), 제2 IoT 장치(300) 및 외부 연계 시스템(400)과 플랫폼(100)이 서로 통신하는 통신망(Communication Network)으로 통신 양태를 가리지 않고 구성될 수 있다. 예를 들어, 단거리 통신망(Personal Area Network, PAN), 근거리 통신망(Local Area Network, LAN), 도시권 통신망(Metropolitan Area Network, MAN), 광역 통신망(Wide Area Network, WAN) 등 다양한 통신망으로 구성될 수 있으나, 이에 제한되는 것은 아니다. 구체적으로 도시하지 않았지만, 제1 IoT 장치(200) 및 제2 IoT 장치(300)는 각각 별도의 게이트웨이(미도시)를 경유하여 네트워크(500)를 통해 플랫폼(100)과 통신할 수 있다.The network 500 is a communication network in which the first IoT device 200, the second IoT device 300, the external linkage system 400, and the platform 100 communicate with each other, and can be configured regardless of communication mode. there is. For example, it can be composed of various communication networks such as Personal Area Network (PAN), Local Area Network (LAN), Metropolitan Area Network (MAN), and Wide Area Network (WAN). However, it is not limited to this. Although not specifically shown, the first IoT device 200 and the second IoT device 300 may each communicate with the platform 100 through the network 500 via a separate gateway (not shown).

도 2는 본 발명의 일 실시예에 따른 플랫폼의 구성을 개략적으로 나타내는 블록도이다.Figure 2 is a block diagram schematically showing the configuration of a platform according to an embodiment of the present invention.

도 2를 참조하면, 일 실시예에 따른 플랫폼(100)은 관리부(110), 데이터 수집부(120), 데이터 전처리부(130), 데이터 셋 생성부(140), 상관성 분석부(150), 학습 데이터 생성부(160), 모니터링부(170) 및 데이터베이스부(180)를 포함할 수 있다.Referring to Figure 2, the platform 100 according to one embodiment includes a management unit 110, a data collection unit 120, a data pre-processing unit 130, a data set creation unit 140, a correlation analysis unit 150, It may include a learning data generation unit 160, a monitoring unit 170, and a database unit 180.

관리부(110)는 제1 IoT 장치(200) 및 제2 IoT 장치(300) 각각에 적합한 통신 방식에 따라 제1 IoT 장치(200) 및 제2 IoT 장치(300)와 데이터를 송수신할 수 있다. 예를 들어, 관리부(110)는 5세대 이동 통신(5G, fifth generation technology standard), LTE(Long Term Evolution), WiFi(Wireless Fidelity), Bluetooth, LoRa, NB-IoT, 및 Zigbee 등과 같은 다양한 무선 통신 방법 중 적어도 어느 하나를 통해 플랫폼(100)과 제1 IoT 장치(200) 및 제2 IoT 장치(300) 간 데이터를 송수신할 수 있다.The management unit 110 may transmit and receive data with the first IoT device 200 and the second IoT device 300 according to a communication method suitable for each of the first IoT device 200 and the second IoT device 300. For example, the management unit 110 supports various wireless communications such as fifth generation technology standard (5G), Long Term Evolution (LTE), Wireless Fidelity (WiFi), Bluetooth, LoRa, NB-IoT, and Zigbee. Data may be transmitted and received between the platform 100 and the first IoT device 200 and the second IoT device 300 through at least one of the methods.

또한, 관리부(110)는 유선 또는 무선으로 외부 연계 시스템(400)과 데이터 통신을 하고, 외부 연계 시스템(400)으로부터 데이터를 수집할 수 있다. 예를 들어, 관리부(110)는 TCP/IP(Transmission Control Protocol/Internet Protocol) 등을 지원하는 유선 인터넷 통신 방법 또는 상기 다양한 무선 통신 방법 중 적어도 어느 하나를 통해 외부 연계 시스템(400)과 데이터 통신을 할 수 있다. Additionally, the management unit 110 may communicate data with the external linking system 400 by wire or wirelessly and collect data from the external linking system 400. For example, the management unit 110 communicates data with the external linkage system 400 through at least one of the various wireless communication methods or a wired Internet communication method supporting TCP/IP (Transmission Control Protocol/Internet Protocol), etc. can do.

관리부(110)는 기 설정된 데이터 분류에 따라 데이터를 스크래핑(Data scraping)하여 외부 연계 시스템(400)으로부터 데이터를 수집할 수 있다. 여기서, 기 설정된 데이터 분류는 플랫폼(100)을 관리하는 관리자(미도시)에 의해 설정된 데이터 분류로, 각종 환경보건 관련 데이터, 생활환경 위해 요인 데이터, 환경오염 지역 정보, 지역별 기상 정보 등과 같은 데이터에 관한 메타 정보일 수 있으나, 이에 제한되는 것은 아니다.The management unit 110 may collect data from the external linkage system 400 by scraping data according to preset data classification. Here, the preset data classification is a data classification set by an administrator (not shown) who manages the platform 100, and includes data such as various environmental health-related data, data on hazardous factors in the living environment, information on environmental pollution areas, and regional weather information. It may be meta information, but is not limited thereto.

상기 기 설정된 데이터 분류는 데이터 수집부(120)를 통해 생성된 메타 정보에 기반하여 업데이트될 수 있다. 예를 들어, 기 설정된 데이터 분류는 데이터 수집부(120)가 생성한 적어도 어느 하나의 데이터에 대한 메타 정보 중 지리적 정보 및/또는 시기적 정보일 수 있다. 이에 따라, 관리부(110)는 상기 적어도 어느 하나의 데이터에 대한 메타 정보로서, 지리적 정보 및/또는 시기적 정보에 따라 데이터를 스크래핑하여 외부 연계 시스템(400)으로부터 데이터를 수집할 수 있다.The preset data classification may be updated based on meta information generated through the data collection unit 120. For example, the preset data classification may be geographical information and/or temporal information among meta information about at least one piece of data generated by the data collection unit 120. Accordingly, the management unit 110 may collect data from the external linkage system 400 by scraping data according to geographical information and/or temporal information as meta information for the at least one piece of data.

관리부(110)는 제1 IoT 장치(200), 제2 IoT 장치(300)로부터 수신하거나 외부 연계 시스템(400)으로부터 수집한 데이터를 데이터 수집부(120)에 전송할 수 있다.The management unit 110 may transmit data received from the first IoT device 200, the second IoT device 300 or collected from the external linkage system 400 to the data collection unit 120.

관리부(110)는 데이터베이스부(180)에 저장된 데이터 및 모니터링부(170)의 모니터링 데이터를 제공하기 위한 웹 사이트, 어플리케이션 또는 응용프로그램 중 적어도 하나를 사용자 단말(미도시)에 제공할 수 있다. The management unit 110 may provide at least one of a website, an application, or an application program for providing data stored in the database unit 180 and monitoring data of the monitoring unit 170 to a user terminal (not shown).

여기서, 사용자 단말은 인터넷 및/또는 인트라넷과 같은 유·무선 통신망을 통해 관리부(110)가 제공한 웹 사이트에 접속하거나, 어플리케이션 또는 응용프로그램을 설치하여 구동 가능한 장치일 수 있다. 예를 들어, 사용자 단말은 노트북, 핸드헬드 장치, 스마트폰, 태블릿 PC 등의 모바일 단말, 데스크탑 컴퓨터, 또는 이러한 장치를 이용하거나 직간접적으로 이와 연결된 임의의 장치일 수 있다.Here, the user terminal may be a device that can be run by accessing a website provided by the management unit 110 through a wired/wireless communication network such as the Internet and/or an intranet, or by installing an application or application program. For example, the user terminal may be a mobile terminal such as a laptop, a handheld device, a smartphone, a tablet PC, a desktop computer, or any device that uses or is directly or indirectly connected to such a device.

데이터 수집부(120)는 관리부(110)로부터 전송된 데이터를 분석하여 상기 데이터의 메타 정보를 생성할 수 있다. 데이터 수집부(120)는 복수의 데이터 각각에 대한 데이터 유형, 지리적 정보, 생성 날짜와 시간을 포함하는 시기적 정보, 인적 정보 등을 포함하는 메타 정보를 생성할 수 있다. The data collection unit 120 may analyze data transmitted from the management unit 110 and generate meta information of the data. The data collection unit 120 may generate meta information including data type, geographic information, temporal information including creation date and time, and personal information for each of the plurality of data.

예를 들어, 데이터 수집부(120)는 각각의 데이터에 대한 데이터 유형을 환경유해인자, 건강영향인자, 환경보건데이터, 생활환경 위해 요인 데이터, 환경오염 지역정보 데이터 등으로 1차 분류(또는, 1차 분류 정보를 생성)할 수 있다. 데이터 수집부(120)는 1차 분류된 데이터를 세부 유형으로 2차 분류할 수 있다(또는, 2차 분류 정보를 생성). 구체적인 예로, 환경유해인자로 분류된 데이터는 미세먼지/초미세먼지 데이터, 온도 데이터, 습도 데이터, 음향 데이터, 이산화탄소 데이터, 일산화탄소 데이터, TVOC 데이터, 황화 수소 데이터 등으로 2차 분류될 수 있다. For example, the data collection unit 120 first classifies (or, primary classification information) can be created. The data collection unit 120 may secondarily classify the primary classified data into detailed types (or generate secondary classification information). As a specific example, data classified as environmental hazards may be secondary classified into fine dust/ultrafine dust data, temperature data, humidity data, acoustic data, carbon dioxide data, carbon monoxide data, TVOC data, hydrogen sulfide data, etc.

본 명세서에서는, 데이터 수집부(120)의 2차 분류 방식에 대하여 환경유해인자로 1차 분류된 데이터를 구체적인 예로 들었으나, 건강영향인자, 환경보건데이터, 생활환영 위해 요인 데이터, 환경오염 지역정보 데이터도 세부 유형으로 분류될 수 있다.In this specification, the secondary classification method of the data collection unit 120 uses data primarily classified as environmental hazards as a specific example, but also includes health impact factors, environmental health data, life-welcome hazard factor data, and environmental pollution area information. Data can also be classified into detailed types.

상기 지리적 정보 및 생성 날짜와 시간은 각각 해당 데이터가 제1 IoT 장치(200) 또는 제2 IoT 장치(300)로부터 수신된 환경유해인자 또는 건강영향인자에 관한 센싱 데이터인 경우, 해당 데이터가 생성된(또는 센싱된) 지리적 정보 및 생성 날짜와 시간을 의미할 수 있다. 또한, 해당 데이터가 외부 연계 시스템(400)으로부터 수집된 데이터인 경우, 상기 지리적 정보 및 생성 날짜와 시간은 각각 데이터가 생성된 지리적 정보 및 생성 날짜와 시간뿐만 아니라, 해당 데이터에 포함된 지리적 정보 및 시기적 정보를 포함할 수 있다.The geographical information and creation date and time refer to the date and time at which the corresponding data was generated, respectively, if the data is sensing data about environmental hazards or health-impacting factors received from the first IoT device 200 or the second IoT device 300. It may mean (or sensed) geographical information and creation date and time. In addition, if the data is data collected from the external linkage system 400, the geographical information and creation date and time are not only the geographical information and creation date and time at which the data was generated, but also the geographical information and May include timely information.

상기 인적 정보는 해당 데이터가 제1 IoT 장치(200) 또는 제2 IoT 장치(300)로부터 수신된 데이터인 경우, 각각의 장치와 연동되어 저장된 사용자 정보로서 사용자의 나이, 성별, 직업, 질병 등을 포함할 수 있다. 또한, 해당 데이터가 외부 연계 시스템(400)으로부터 수집된 데이터인 경우, 상기 인적 정보는 해당 데이터를 작성한 사용자 정보이거나 또는 해당 데이터에 포함된 인적 정보를 포함할 수 있다.If the data is received from the first IoT device 200 or the second IoT device 300, the personal information is user information stored in conjunction with each device and includes the user's age, gender, occupation, disease, etc. It can be included. Additionally, if the data is collected from the external linkage system 400, the personal information may be user information that created the data or may include personal information included in the data.

데이터 수집부(120)는 수집한 복수의 데이터를 분류할 수 있다. 예를 들어, 데이터 수집부(120)는 복수의 데이터 각각을 메타 정보, 즉 데이터 유형별(예컨대, 환경유해인자별, 건강영향인자별)로 분류하거나, 지리적 정보(예컨대, 지역별, 시설별, 주거환경별), 시기적 정보(예컨대, 월별, 요일별, 시간대별), 또는 인적 정보(연령별, 성별)에 따라 분류할 수 있다.The data collection unit 120 may classify a plurality of collected data. For example, the data collection unit 120 classifies each of the plurality of data into meta information, that is, by data type (e.g., by environmental hazards, by health-impacting factors), or by geographic information (e.g., by region, by facility, by residential environment). It can be classified according to time information (e.g., by month, day of the week, time of day), or personal information (by age, gender).

또한, 데이터 수집부(120)는 후술할 상관성 분석부(150)에서 생성된 상관성 분석 데이터를 기반으로 복수의 데이터를 분류하는 분류 방법으로 반영할 수 있다. 이에 따라, 데이터 수집부(120)는 계속적인 상관성 분석 데이터를 반영하여 복수의 데이터를 분류하고, 데이터 수집부(120)에 의해 수행되는 복수의 데이터 분류 방법의 유효성과 효용성이 향상될 수 있다.Additionally, the data collection unit 120 may use a classification method to classify a plurality of data based on correlation analysis data generated by the correlation analysis unit 150, which will be described later. Accordingly, the data collection unit 120 may classify a plurality of data by reflecting the continuous correlation analysis data, and the effectiveness and utility of the plurality of data classification methods performed by the data collection unit 120 may be improved.

데이터 수집부(120)는 외부 연계 시스템(400)으로부터 수집한 데이터가 비정형 데이터인 경우, 상기 비정형 데이터를 정형화할 수 있다. 데이터 수집부(120)는 비정형 데이터에 대하여 유형별 데이터 마이닝(Data mining)을 통해 정형화할 수 있다. 예를 들어, 데이터 수집부(120)는 복수의 비정형 데이터에 포함된 텍스트 또는 이미지에 대하여 데이터 마이닝하고, 데이터 유형에 따라 데이터 라벨링(Data labelling)하여 관리할 수 있다.If the data collected from the external linkage system 400 is unstructured data, the data collection unit 120 may formalize the unstructured data. The data collection unit 120 can standardize unstructured data through data mining by type. For example, the data collection unit 120 may data mine text or images included in a plurality of unstructured data and manage them by labeling the data according to the data type.

데이터 수집부(120)는 적어도 하나의 메타 정보로 분류된 복수의 데이터를 상기 메타 정보를 기초로 구조화하여 데이터베이스부(180)에 저장할 수 있다. 또한, 데이터 수집부(120)는 상기 복수의 데이터를 데이터 전처리부(130)에 전송할 수 있다. 이 경우, 데이터 수집부(120)는 복수의 데이터 각각의 분류 정보를 데이터 전처리부(130)에 전송할 수 있다.The data collection unit 120 may structure a plurality of data classified into at least one meta information based on the meta information and store them in the database unit 180. Additionally, the data collection unit 120 may transmit the plurality of data to the data pre-processing unit 130. In this case, the data collection unit 120 may transmit classification information for each of the plurality of data to the data pre-processing unit 130.

데이터 전처리부(130)는 복수의 데이터를 여과(Filtering) 및 정제(Cleansing)할 수 있다. 데이터 전처리부(130)는 복수의 데이터의 중복성 및 오류를 제거하고, 데이터가 없거나 불완전한 결측값을 처리할 수 있다.The data pre-processing unit 130 can filter and clean a plurality of data. The data preprocessor 130 can remove redundancy and errors in a plurality of data, and process missing values where there is no data or is incomplete.

이하에서는, 데이터 전처리부(130)가 제1 IoT 장치(200)로부터 수신된 데이터의 결측값을 처리하는 방법을 구체적인 예로 들어 설명하지만, 데이터 전처리부(130)가 제2 IoT 장치(200)로부터 수신한 데이터 또는 외부 연계 시스템(400)으로부터 수신한 데이터로서 센싱 데이터에 대한 결측값을 처리하는 방법도 실질적으로 동일하게 적용될 수 있을 것이다.Hereinafter, a method by which the data preprocessor 130 processes missing values of data received from the first IoT device 200 will be described as a specific example, but the data preprocessor 130 processes missing values of data received from the first IoT device 200. The method of processing missing values for sensing data as received data or data received from the external linking system 400 may be applied substantially in the same way.

제1 IoT 장치(200)로부터 플랫폼(100)에 전송된 데이터는 통신 방식의 동적인 변화에 따른 주기적, 비주기적 통신 오차 및 센싱 데이터의 측정값이 급변하거나 측정 범위를 벗어난 경우 발생 가능한 센서 모듈의 오차 등 네 가지 이상의 결측값 유형을 포함할 수 있다. 또한, 제1 IoT 장치(200)는 복수의 환경 센서 모듈을 포함하고, 제1 IoT 장치(200)로부터 수집된 데이터는 시계열적으로 연속적인 특성을 가지며 수집될 수 있다. The data transmitted from the first IoT device 200 to the platform 100 is a periodic and aperiodic communication error due to dynamic changes in the communication method, and the sensor module's error that can occur when the measured value of the sensing data changes suddenly or is out of the measurement range. It can contain four or more types of missing values, including errors. Additionally, the first IoT device 200 includes a plurality of environmental sensor modules, and data collected from the first IoT device 200 may be collected in a time-series, continuous manner.

데이터 전처리부(130)는 제1 IoT 장치(200)로부터 전송된 데이터의 결측값을 처리함에 있어, 결측값을 추정값으로 대체하는 전가 방법을 이용할 수 있다. 또한, 데이터 전처리부(130)는 상술한 제1 IoT 장치(200) 및 제1 IoT 장치(200)로부터 수집된 데이터의 특정을 고려하여 결측값을 전가하는 방법으로 시간 의존성을 이용하는 일변량 시계열 대치 방법 및 변수 간의 상관 관계를 이용하는 다변량 대치 방법을 이용할 수 있다. 즉, 데이터 전처리부(130)는 복수의 환경 센서 모듈 각각의 시계열적 자기상관 및 복수의 환경 센서 모듈 중 적어도 둘 이상의 모듈로부터 수집된 데이터(환경유해인자) 간의 상관관계를 고려하여 결측값을 처리할 수 있다.When processing missing values of data transmitted from the first IoT device 200, the data preprocessor 130 may use an imputation method to replace missing values with estimated values. In addition, the data preprocessor 130 performs univariate time series imputation using time dependence as a method of imputing missing values in consideration of the above-described first IoT device 200 and the specification of data collected from the first IoT device 200. Multivariate imputation methods that utilize correlations between methods and variables can be used. That is, the data preprocessor 130 processes missing values by considering the time-series autocorrelation of each of the plurality of environmental sensor modules and the correlation between data (environmental harmful factors) collected from at least two of the plurality of environmental sensor modules. can do.

구체적인 예로, 데이터 전처리부(130)는 상기 일변량 대치 방법(또는 일변량 시계열 대치 방법)에 따른 결측값 대치를 위해, 양 끝점의 값을 사용하여 선형 거리에 따라 결측값을 선형으로 추정하는 선형 보간법(Linear interpolation, LI), 하위 구간으로 나누어 저차 다항식을 사용하여 결측값을 추정하는 스플라인 보간법(Spline interpolation, SI), 결측값이 발생하기 직전에 수집된 데이터를 사용하여 결측값을 추정하는 마지막 관측 값 선행 대치법(Last observation carried forward, LOCF), 결측값을 중심으로 특정 크기의 창의 평균으로 결측값을 추정하는 이동 평균 대치법(Moving average, MA) 및 칼만 평활화(Kalman smoothing)를 사용하여 결측값을 추정하는 칼만 대치법을 적용할 수 있다.As a specific example, the data preprocessor 130 linearly estimates the missing value according to the linear distance using the values of both end points to impute missing values according to the univariate imputation method (or univariate time series imputation method). Linear interpolation (LI), spline interpolation (SI), which divides into subintervals to estimate missing values using a low-order polynomial, and last, which estimates missing values using data collected just before the missing values occur. Last observation carried forward (LOCF), moving average (MA), which estimates missing values as the average of a window of a certain size centered on missing values, and Kalman smoothing The Kalman imputation method to estimate missing values can be applied.

또한, 데이터 전처리부(130)는 상기 다변량 대치 방법에 따른 결측값 대치를 위해, 결측값에 가장 가까운 K 값을 사용하여 결측값을 대치하는 K-최근접 이웃 대치법(k-Nearest neighbors, KNN), 다중 선형 회귀 모델을 피팅(fitting)하고 이를 사용하여 결측값을 대치하는 다중 선형 회귀(Multiple linear regression), 복수의 의사 결정 트리의 평균 예측을 사용하여 결측값을 대치하는 랜던 포레스트 회귀(Random forest regression), 서포트 벡터 머신(Support vector machine, SVM)을 이용하여 결측값을 대치하는 서포트 벡터 회귀(Support vector regression) 및 반복된 방식으로 랜덤 포레스트를 사용하여 누락된 값을 대체하는 데 사용되는 미스 포레스트(Miss forest)를 적용할 수 있다. In addition, the data preprocessor 130 uses the K-nearest neighbors imputation method (k-Nearest neighbors, KNN) to replace missing values using the K value closest to the missing value in order to replace missing values according to the multivariate imputation method. ), Multiple linear regression, which fits a multiple linear regression model and uses it to impute missing values, and Landon Forest regression, which uses the average prediction of multiple decision trees to impute missing values. forest regression), support vector regression, which uses a support vector machine (SVM) to impute missing values, and miss, which is used to impute missing values using a random forest in an iterative manner. Miss forest can be applied.

이 경우, 데이터 전처리부(130)는 복수의 변수(또는, 데이터) 간의 종속성 즉, 상관 관계를 식별하기 위해 피어슨 상관 계수(Pearson correlation coefficient) 및/또는 스피어먼 상관 계수(Spearman correlation coefficient)를 사용하여 복수의 변수 간의 상관 관계를 분석할 수 있다. 또한, 데이터 전처리부(130)는 상관성 분석부(150)에서 분석된 데이터를 이용하여 복수의 변수 간 종속성을 확인 및 분석하고, 복수의 변수 간 종속성 데이터를 생성할 수 있다.In this case, the data preprocessor 130 uses the Pearson correlation coefficient and/or Spearman correlation coefficient to identify the dependency, that is, the correlation, between a plurality of variables (or data). Thus, the correlation between multiple variables can be analyzed. Additionally, the data pre-processing unit 130 may use the data analyzed by the correlation analysis unit 150 to confirm and analyze dependencies between a plurality of variables and generate dependency data between a plurality of variables.

예를 들어, 데이터 전처리부(130)는 제1 IoT 장치(200)로부터 수집한 복수의 데이터를 순석하고 일산화탄소(CO)와 온도, 질소산화물(NOx)과 온도, 이산화탄소(CO2)와 TVOC(Total Volatile Organic Compounds) 및 질소산화물(NOx)과 일산화탄소(CO) 사이에 높은 상관관계가 있는 것으로 분석할 수 있다.For example, the data preprocessor 130 analyzes a plurality of data collected from the first IoT device 200 and calculates carbon monoxide (CO) and temperature, nitrogen oxides (NOx) and temperature, carbon dioxide (CO2) and TVOC (Total). It can be analyzed that there is a high correlation between Volatile Organic Compounds) and nitrogen oxides (NOx) and carbon monoxide (CO).

데이터 전처리부(130)는 일변량 시계열 대치 방법 및 다변량 대치 방법을 동시에 고려하기 위한 앙상블 학습 방법으로 통계적 기법 및 기계학습 기법을 사용할 수 있다. The data preprocessing unit 130 can use statistical techniques and machine learning techniques as an ensemble learning method to simultaneously consider the univariate time series imputation method and the multivariate imputation method.

데이터 전처리부(130)는 통계 기법으로 가중치에 따라 가중 평균을 설정하여 최종 예측 결과를 도출하는 가중 평균 방법(Weighted Average Method)을 이용할 수 있다. 여기서, 성능이 좋은 방법에 높은 가중치를 부여하며, 상기 가중치는 각각의 대치 방법을 후술할 평가 방법으로 측정한 값에 반비례하여 설정될 수 있다. 가중 평균 알고리즘에 따른 최종 예측 결과를 도출하는 식은 수학식 1과 같다.The data pre-processing unit 130 may use the Weighted Average Method, which derives the final prediction result by setting a weighted average according to the weight using a statistical technique. Here, a high weight is given to methods with good performance, and the weight can be set in inverse proportion to the value measured for each substitution method using an evaluation method that will be described later. The equation for deriving the final prediction result according to the weighted average algorithm is as shown in Equation 1.

여기서, 는 최종 결과 예측 벡터이고, 는 각각 일변량 대치 방법 중 어느 하나, 다변량 대치 방법 중 어느 하나를 통해 예측된 결과 벡터이며, e1은 일변량 대치 방법에 대한 가중치이고, e2는 다변량 대치 방법에 대한 가중치일 수 있다.here, is the final result prediction vector, class is a result vector predicted through one of the univariate imputation methods and one of the multivariate imputation methods, respectively, e1 may be a weight for the univariate imputation method, and e2 may be a weight for the multivariate imputation method.

또한, 데이터 전처리부(130)는 기계학습 기법으로 개별 알고리즘의 예측 데이터를 기반으로 다시 예측을 수행하는 스태킹 방법(Stacking Method)을 이용할 수 있다. 데이터 전처리부(130)는 일변량 대치 방법 중 어느 하나에 의한 결측값 및 다변량 대치 방법 중 어느 하나에 의한 결측값을 수집하고, 메타 학습(Meta learning)을 통해 최종 예측 결과를 도출할 수 있다. 비제한적인 예로, 데이터 전처리부(130)는 최종 예측 결과을 도출하는 데에 선형 회귀 모델을 사용할 수 있다. Additionally, the data pre-processing unit 130 may use a stacking method that performs prediction again based on prediction data of individual algorithms using a machine learning technique. The data preprocessor 130 can collect missing values by one of the univariate imputation methods and missing values by one of the multivariate imputation methods, and derive the final prediction result through meta learning. As a non-limiting example, the data preprocessor 130 may use a linear regression model to derive the final prediction result.

이후, 데이터 전처리부(130)는 상기 가중 평균 방법에 의한 최종 예측 결과 및 상기 스태킹 방법에 의한 최종 예측 결과를 평가할 수 있다. 데이터 전처리부(130)는 상기 가중 평균 방법에 의한 최종 예측 결과 및 상기 스태킹 방법에 의한 최종 예측 결과를 각각 평균 절대 오차(Mean Absolute Error, MAE)와 평균 제곱근 오차(Root Mean Square Error, RMSE) 방법을 이용하여 평가할 수 있다. Thereafter, the data preprocessor 130 may evaluate the final prediction result by the weighted average method and the final prediction result by the stacking method. The data preprocessor 130 calculates the final prediction result by the weighted average method and the final prediction result by the stacking method using the Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) methods, respectively. It can be evaluated using .

데이터 전처리부(130)는 평균 절대 오차 및 평균 제곱근 오차를 계산하기 위해, 기 저장된 데이터 및 기 저장된 데이터 패턴을 레퍼런스 데이터(reference data)로 이용할 수 있다. 여기서, 기 저장된 데이터 및 기 저장된 데이터 패턴은 외부 연계 시스템(400)으로부터 수신된 데이터, 또는 플랫폼(100)을 관리하는 관리자가 주입한 데이터일 수 있다. The data preprocessor 130 may use pre-stored data and pre-stored data patterns as reference data to calculate the mean absolute error and root mean square error. Here, the pre-stored data and pre-stored data patterns may be data received from the external linkage system 400 or data injected by an administrator who manages the platform 100.

또한, 상기 기 저장된 데이터 및 기 저장된 데이터 패턴은 데이터 전처리부(130)에 의해 결측값 처리된 데이터 및 데이터 패턴을 포함할 수 있다. 즉, 데이터 전처리부(130)는 결측값 처리 과정을 반복함으로써 결측값 처리를 위한 데이터 패턴을 학습하고, 학습된 데이터를 결측값를 처리하기 위한 레퍼런스 데이터로 활용함으로써, 데이터의 신뢰성을 향상시킬 수 있다.Additionally, the pre-stored data and pre-stored data patterns may include data and data patterns processed as missing values by the data pre-processing unit 130. That is, the data pre-processing unit 130 learns data patterns for processing missing values by repeating the missing value processing process, and uses the learned data as reference data for processing missing values, thereby improving the reliability of the data. .

데이터 전처리부(130)는 5가지의 일변량 대치 방법 중 어느 하나 및 5가지의 다변량 대치 방법 중 어느 하나가 각각 적용된 25가지의 최종 예측 결과 중 평과 결과가 우수한 예측 결과값을 적용하여 결측값을 처리할 수 있다. 여기서, 상기 우수한 예측 결과값은 상기 평균 절대 오차 및 상기 평균 제곱근 오차 각각에 따라 평가된 값이 작은 값이거나, 및/또는 상기 평균 절대 오차 및 상기 평균 제곱근 오차 각각에 따라 평가된 값의 차이가 작은 값을 의미할 수 있다.The data preprocessor 130 applies the prediction result with the best evaluation result among the 25 final prediction results to which one of the five univariate imputation methods and one of the five multivariate imputation methods were applied, respectively, to remove missing values. It can be handled. Here, the excellent prediction result value is a value in which the values evaluated according to each of the mean absolute error and the root mean square error are small, and/or the difference between the values evaluated according to each of the mean absolute error and the root mean square error is small. It can mean value.

이와 같이, 데이터 전처리부(130)는 시간 의존성과 서로 다른 센서 모듈을 통해 수집된 데이터 간 상관 관계를 고려한 앙상블 방법에 의해 결측값을 대치함으로써, 데이터의 신뢰성을 높이는 데에 유리할 수 있다. In this way, the data preprocessor 130 can be advantageous in increasing the reliability of data by replacing missing values using an ensemble method that considers time dependence and correlation between data collected through different sensor modules.

데이터 전처리부(130)는 상술한 바와 같이 결측값이 발생한 유형을 주기적, 비주기적 통신 오차에 의한 유형, 센싱 데이터의 측정값이 급변하거나 측정 범위를 벗어난 경우 발생 가능한 센서 모듈의 오차에 의한 유형 등 네 가지로 구분하고, 앙상블 방법에 의해 결측값을 대치하기 위한 최종 예측 결과를 도출에 있어 상기 유형 각각에 대응한 적합한 방법을 학습 및 적용함으로써, 알고리즘의 성능을 높여 처리 속도 및 데이터의 신뢰성을 더욱 높임과 동시에 부하를 줄일 수 있다.As described above, the data pre-processing unit 130 determines the types of missing values such as periodic and non-periodic communication errors, errors in the sensor module that may occur when the measured value of the sensing data changes suddenly or is outside the measurement range, etc. Divided into four types, and learn and apply appropriate methods corresponding to each type in deriving the final prediction result to replace missing values by ensemble method, increasing the performance of the algorithm, further improving processing speed and data reliability. The load can be reduced while increasing.

또한, 데이터 전처리부(130)는 관리부(110)를 통해 제1 IoT 장치(200) 및/또는 제2 IoT 장치(300) 각각에 대하여 적합한 결측값 처리 방법을 제공할 수 있다. 이 경우, 데이터 전처리부(130)는 복수의 변수 각각에 대한 결측값 처리 방법을 제공할 수도 있다. 데이터 전처리부(130)는 제1 IoT 장치(200) 및 제2 IoT 장치(300) 각각에 대하여 센싱된 복수의 데이터(또는, 변수) 간 종속성 데이터를 제공할 수 있다.Additionally, the data pre-processing unit 130 may provide a missing value processing method suitable for each of the first IoT device 200 and/or the second IoT device 300 through the management unit 110. In this case, the data preprocessor 130 may provide a method for processing missing values for each of a plurality of variables. The data preprocessor 130 may provide dependency data between a plurality of sensed data (or variables) for each of the first IoT device 200 and the second IoT device 300.

데이터 전처리부(130)는 복수의 데이터를 데이터 분석이 용이한 형태로 변환하고, 데이터베이스부(180)에 데이터를 저장할 수 있다. 예를 들어, 데이터 전처리부(130)는 데이터 수집부(120)로부터 전송된 복수의 데이터 각각의 분류 정보에 따라 데이터 분석이 용이한 형태로 변환할 수 있으나, 이에 제한되는 것은 아니다.The data pre-processing unit 130 can convert a plurality of data into a form that is easy to analyze and store the data in the database unit 180. For example, the data pre-processing unit 130 may convert the plurality of data transmitted from the data collection unit 120 into a form that facilitates data analysis according to the classification information of each, but is not limited thereto.

또한, 데이터 전처리부(130)는 복수의 데이터를 데이터 분석 목적에 따라 가공할 수 있다. 데이터 전처리부(130)는 복수의 데이터 각각의 분류 정보를 기초로 각각의 데이터를 가공할 수 있다. Additionally, the data preprocessor 130 may process a plurality of data according to the purpose of data analysis. The data pre-processing unit 130 may process each data based on classification information of each of the plurality of data.

예를 들어, 데이터 전처리부(130)는 환경유해인자와 건강영향인자 간 상관성 분석 목적에 따라, 환경유해인자, 건강영향인자, 환경보건데이터, 생활환경 위해 요인 데이터, 환경오염 지역정보 데이터 등에 관한 데이터 유형의 메타 정보로 분류된 복수의 데이터를 시공간 범위로 확장하는 가공을 할 수 있다. 데이터 전처리부(130)는 환경유해인자와 건강영향인자 간 상관성 분석의 시간적 및 지리적 범위에 따라 시간적 단위(예컨대, 초, 분, 시, 일, 월, 년)를 확장하거나, 및/또는 지리적 단위(예컨대, 위치, 읍, 면, 동, 구 등)를 확장할 수 있다.For example, the data pre-processing unit 130 provides information on environmental hazards, health impact factors, environmental health data, living environment hazard factor data, environmental pollution local information data, etc. according to the purpose of analyzing the correlation between environmental hazards and health impact factors. Multiple data classified by data type meta information can be processed to expand the space and time range. The data preprocessing unit 130 expands temporal units (e.g., seconds, minutes, hours, days, months, years) and/or geographical units according to the temporal and geographical scope of the correlation analysis between environmental hazards and health influencing factors. (e.g. location, town, town, town, district, etc.) can be expanded.

데이터 전처리부(130)는 변환 및/또는 가공된 데이터를 포함하는 복수의 데이터 및 데이터 분류 정보를 데이터 셋 생성부(140)에 전송할 수 있다.The data pre-processing unit 130 may transmit a plurality of data including converted and/or processed data and data classification information to the data set generating unit 140.

데이터 셋 생성부(140)는 데이터 전처리부(130)로부터 수신한 복수의 데이터를 연계하여 데이터 셋을 생성할 수 있다. 예들 들어, 데이터 셋 생성부(140)는 복수의 데이터 각각에 대한 메타 정보(또는 분류 정보) 중 적어도 어느 하나를 식별 변수(Identifying variables) 또는 관심 변수(Variables of interest)로 하여 데이터를 연계할 수 있다.The data set generator 140 may generate a data set by linking a plurality of data received from the data preprocessor 130. For example, the data set generator 140 may link data by using at least one of the meta information (or classification information) for each of the plurality of data as an identifying variable or variable of interest. there is.

예를 들어, 데이터 셋 생성부(140)는 적어도 두 개 이상의 데이터에 대하여 서로 인접하거나 동일한 지리적 정보(예컨대, 지역별, 시설별, 주거환경별), 시기적 정보(예컨대, 월별, 요일별, 시간대별), 및 인적 정보(연령별, 성별) 중 적어도 어느 하나를 기반으로 데이터를 연계하여 적어도 하나의 데이터 셋을 생성할 수 있다. For example, the data set generator 140 generates geographical information (e.g., by region, facility, residential environment), temporal information (e.g., by month, day of the week, time zone), adjacent to or identical to at least two pieces of data, and at least one data set can be created by linking data based on at least one of personal information (age, gender).

데이터 셋 생성부(140)는 생성한 데이터 셋을 상관성 분석부(150) 및 학습 데이터 생성부(160)에 제공할 수 있다.The data set generator 140 may provide the generated data set to the correlation analysis unit 150 and the learning data generator 160.

상관성 분석부(150)는 복수의 데이터 간 상관성을 분석하고, 상관성 분석 데이터를 생성할 수 있다. 상관성 분석부(150)는 데이터 셋 생성부(140)로부터 수신된 데이터 셋을 기초로 환경유해인자와 건강영향인자 사이의 상관성을 분석할 수 있다. 또한, 상관성 분석부(150)는 복수의 데이터를 변수화하여 복수의 환경유해인자 사이의 상관성, 복수의 건강영향인자 사이의 상관성 및 적어도 어느 하나의 환경유해인자와 적어도 어느 하나의 건강영향인자 사이의 상관성을 분석할 수 있다.The correlation analysis unit 150 may analyze the correlation between a plurality of data and generate correlation analysis data. The correlation analysis unit 150 may analyze the correlation between environmental hazards and health-impacting factors based on the data set received from the data set generator 140. In addition, the correlation analysis unit 150 variableizes a plurality of data to determine the correlation between a plurality of environmental harmful factors, the correlation between a plurality of health influencing factors, and the correlation between at least one environmental harmful factor and at least one health influencing factor. Correlation can be analyzed.

예를 들어, 상관성 분석부(150)는 피어슨 상관 계수 및 피어스먼 상관 계수를 이용하여 환경유해인자와 건강영향인자 간 상관성 및/또는 복수의 데이터 셋 간의 상관성을 분석할 수 있다. For example, the correlation analysis unit 150 may analyze the correlation between environmental hazards and health-impacting factors and/or the correlation between a plurality of data sets using the Pearson correlation coefficient and the Pierceman correlation coefficient.

구체적인 예로, 상관성 분석부(150)는 환경유해인자에 관하여 실내 환경 요소로서 실내 면적, 냉난방, 실내 흡연, 방향제, 건축물의 종류, 환기 주기, 지상으로부터의 높이(또는 층) 등을 복수의 독립 변수로 설정하고, 온도, 습도, TVOC, 이산화탄소, 일산화탄소, 암모니아, 라돈, 질소산화물 등을 복수의 종속 변수로 설정할 수 있다.As a specific example, the correlation analysis unit 150 uses a plurality of independent variables such as indoor area, air conditioning, indoor smoking, air freshener, type of building, ventilation cycle, and height (or floor) from the ground as indoor environmental factors with respect to environmental harmful factors. , and temperature, humidity, TVOC, carbon dioxide, carbon monoxide, ammonia, radon, nitrogen oxides, etc. can be set as multiple dependent variables.

또한, 상관성 분석부(150)는 건강영향인자에 관하여 인적 요소로서 성별, 나이, 직업, 흡연여부, 음주여부, BMI 등을 복수의 독립 변수로 설정하고, 심박, 호흡, 폐소리, 뇌파(EEG), 산호포화도, 수면패턴 등을 복수의 종속 변수로 설정할 수 있다.In addition, the correlation analysis unit 150 sets gender, age, occupation, smoking status, drinking status, BMI, etc. as human factors regarding health influencing factors as a plurality of independent variables, and sets heart rate, breathing, lung sounds, and brain waves (EEG) as multiple independent variables. ), coral saturation, sleep patterns, etc. can be set as multiple dependent variables.

상관성 분석부(150)는 정준상관분석(Canonical correlation analysis, CCA)을 통해 환경유해인자에 포함된 독립변수와 종속변수, 건강영향인자에 포함된 독립변수와 종속변수, 및 환경유해인자에 포함된 데이터 집합과 건강영향인자에 포함된 데이터 집합 사이의 상관 관계를 분석할 수 있다. The correlation analysis unit 150 uses canonical correlation analysis (CCA) to determine the independent variables and dependent variables included in environmental hazards, the independent variables and dependent variables included in health impact factors, and the environmental hazards. You can analyze the correlation between data sets and data sets included in health impact factors.

이와 같이, 상관성 분석부(150)는 환경유해인자 및 건강영향인자 각각에 포함된 변수들간 또는 환경유해인자에 포함된 변수와 건강영향인자에 포함된 변수간 선형성(linearity)과 단조성(monotonicity)을 확인함으로써, 질이 높은 상관성 분석 데이터를 생성할 수 있다.In this way, the correlation analysis unit 150 determines linearity and monotonicity between the variables included in each of the environmental hazards and health-impacting factors, or between the variables included in the environmental hazards and the variables included in the health-impacting factors. By checking, high-quality correlation analysis data can be generated.

상관성 분석부(150)는 통해 환경유해인자 간, 건강영향인자 간 및 환경유해인자와 건강영향인자 간의 상관성 각각에 대한 시간적 및 공간적 상관성 분석을 위한 기계학습을 할 수 있다.The correlation analysis unit 150 can perform machine learning to analyze temporal and spatial correlations between environmental harmful factors, health-impacting factors, and environmental harmful factors and health-impacting factors.

예를 들어, 상관성 분석부(150)는 환경유해인자 간 상관성 분석을 위한 기계학습을 위해, 시간적 정보(예컨대, 년, 월, 일, 시 등), 지리적 정보, 기상 정보 및 환경유해인자 중 적어도 어느 하나의 독립 변수를 입력 변수로 설정하고, 환경유해인자 중 적어도 어느 하나의 종속 변수를 출력 변수로 설정할 수 있다. 구체적인 예에 따른 상관성 분석부(150)의 환경유해인자 간 상관성 분석을 위한 기계학습 식은 수학식 2와 같을 수 있다.For example, the correlation analysis unit 150 uses at least one of temporal information (e.g., year, month, day, time, etc.), geographical information, weather information, and environmental harmful factors for machine learning to analyze the correlation between environmental harmful factors. Any one independent variable can be set as an input variable, and at least one dependent variable among environmental harmful factors can be set as an output variable. According to a specific example, the machine learning equation for analyzing the correlation between environmental harmful factors in the correlation analysis unit 150 may be as shown in Equation 2.

수학식 2에서, 환경유해인자농도는 환경유해인자 중 적어도 어느 하나의 종속 변수이고, , , 는 각각 환경유해인자 중 적어도 어느 하나의 독립 변수일 수 있다. In Equation 2, the concentration of environmental harmful factors is a dependent variable of at least one of the environmental harmful factors, , , Each may be an independent variable of at least one of the environmental harmful factors.

이와 같이, 수학식 2에 의하는 경우, 상관성 분석부(150)는 환경유해인자 간(예를 들어, 환경유해인자에 포함된 독립 변수와 종속 변수 간) 상관성 분석을 함과 동시에, 시간적 추세, 기후에 따른 추세 및 고도, 토지이용분류, 주변 오염 배출원 등과 같은 지리적 정보에 따른 추세를 학습할 수 있다.In this way, in the case of Equation 2, the correlation analysis unit 150 analyzes the correlation between environmental harmful factors (for example, between independent variables and dependent variables included in environmental harmful factors) and simultaneously analyzes temporal trends, You can learn trends based on climate and geographical information such as altitude, land use classification, and surrounding pollution sources.

또한, 상관성 분석부(150)는 건강영향인자 간 상관성 및 건강영향인자와 환경유해인자 간의 상관성 분석을 위한 기계학습을 위해, 상기 환경유해인자 중 적어도 어느 하나, 인문사회정보(예컨대, 인구, 교육, 소득 등), 지리적 정보, 및 건강영향인자 중 적어도 어느 하나의 독립 변수를 입력 변수로 설정하고, 건강영향인자 중 적어도 어느 하나의 종속 변수를 출력 변수로 설정할 수 있다. 구체적인 예에 따른 상관성 분석부(150)의 건강영향인자 간 상관성 및 건강영향인자와 환경유해인자 간의 상관성 분석을 위한 기계학습 식은 수학식 3과 같을 수 있다. In addition, the correlation analysis unit 150 uses at least one of the environmental harmful factors, humanities and social information (e.g., population, education, etc.) for machine learning to analyze the correlation between health influencing factors and the correlation between health influencing factors and environmental harmful factors. , income, etc.), geographic information, and health influencing factors, at least one independent variable may be set as an input variable, and at least one dependent variable among the health influencing factors may be set as an output variable. According to a specific example, the machine learning equation for analyzing the correlation between health influencing factors and between health influencing factors and environmental harmful factors in the correlation analysis unit 150 may be as shown in Equation 3.

수학식 3에서, 건강영향인자지표는 건강영향인자 중 적어도 어느 하나의 종속 변수이고, 환경유해인자농도는 환경유해인자 중 적어도 어느 하나의 종속 변수이며, , , 는 각각 건강영향인자 중 적어도 어느 하나의 독립 변수일 수 있다.In Equation 3, the health influencing factor indicator is a dependent variable of at least one of the health influencing factors, and the environmental harmful factor concentration is a dependent variable of at least one of the environmental harmful factors, , , Each may be an independent variable of at least one of the health influencing factors.

이와 같이, 수학식 3에 의하는 경우, 상관성 분석부(150)는 건강영향인자 간(예를 들어, 건강영향인자에 포함된 독립 변수와 종속 변수 간) 및 건강영향인자와 환경유해인자 간 상관성 분석을 함과 동시에, 인구, 교육, 소득 등을 포함하는 인문사회정보에 따른 추세 및 고도, 토지이용분류, 주변 오염 배출원 등과 같은 지리적 정보에 따른 추세를 학습할 수 있다. 나아가, 상기 수학식 3은 환경유해인자농도를 입력 변수로 설정함으로써, 상관성 분석부(150)는 환경오염인자와 건강영향인자 사이의 상호 반복 기계학습을 통해 상관성 분석의 정확도를 향상하는 데에 유리할 수 있다. In this way, in the case of Equation 3, the correlation analysis unit 150 determines the correlation between health influencing factors (for example, between independent variables and dependent variables included in health influencing factors) and between health influencing factors and environmental harmful factors. At the same time as analyzing, you can learn trends based on humanities and social information including population, education, and income, as well as trends based on geographic information such as altitude, land use classification, and surrounding pollution sources. Furthermore, by setting the concentration of environmental harmful factors as an input variable in Equation 3, the correlation analysis unit 150 will be advantageous in improving the accuracy of correlation analysis through mutual iterative machine learning between environmental pollutants and health-impacting factors. You can.

상관성 분석부(150)는 미래의 환경유해인자, 건강영향인자 및 건강영향인자와 환경유해인자 간 상관성을 예측하고, 환경유해인자 추세 예측 데이터, 건강영향인자 추세 예측 데이터 및 상관성 예측 데이터를 생성할 수 있다. The correlation analysis unit 150 predicts future environmental harmful factors, health influencing factors, and the correlation between health influencing factors and environmental harmful factors, and generates environmental harmful factor trend prediction data, health influencing factor trend prediction data, and correlation prediction data. You can.

건강영향인자와 환경유해인자는 각각 과거 데이터의 변화를 가지고 추이를 판단하고 예측하는 특성이 있으므로, 상관성 분석부(150)는 기계 학습으로서 시간의 흐름에 따라 변화하는 순서가 있는 데이터를 처리하는 장단기 메모리(Long Short-Term Memory, LSTM) 및/또는 게이트 순환 유닛(Gated Recurrent Unit, GRU)을 이용하여 환경유해인자, 건강영향인자 및 건강영향인자와 환경유해인자 간 상관관계를 예측할 수 있다. Since health influencing factors and environmental harmful factors each have the characteristic of judging and predicting trends based on changes in past data, the correlation analysis unit 150 uses machine learning to process data with an order that changes over time. Memory (Long Short-Term Memory, LSTM) and/or gated recurrent unit (GRU) can be used to predict environmental harmful factors, health influencing factors, and the correlation between health influencing factors and environmental harmful factors.

상관성 분석부(150)는 상기 상관성 분석 데이터 및/또는 상관성 예측 데이터를 학습 데이터 생성부(160), 모니터링부(170) 및 데이터베이스부(180)에 전송할 수 있다. 또한, 상관성 분석부(150)는 상관성 분석 데이터를 데이터 수집부(120)에 제공할 수 있다.The correlation analysis unit 150 may transmit the correlation analysis data and/or correlation prediction data to the learning data generation unit 160, the monitoring unit 170, and the database unit 180. Additionally, the correlation analysis unit 150 may provide correlation analysis data to the data collection unit 120.

학습 데이터 생성부(160)는 데이터 수집, 결측값 처리 및 상관성 분석에 이용되는 적어도 하나의 인공지능(AI)을 고도화하기 위한 학습 데이터를 생성할 수 있다. 학습 데이터 생성부(160)는 데이터의 유형, 지리적 정보, 시기적 정보 및 인적 정보를 기초로 학습 데이터를 생성할 수 있다.The learning data generator 160 may generate learning data to advance at least one artificial intelligence (AI) used for data collection, missing value processing, and correlation analysis. The learning data generator 160 may generate learning data based on data type, geographic information, temporal information, and personal information.

예를 들어, 학습 데이터 생성부(160)는 데이터 셋 생성부(140)로부터 제공받은 데이터 셋을 기초로 학습 데이터를 생성할 수 있다. 또한, 상관성 분석부(150)로부터 제공받은 상관성 분석 데이터 및/또는 상관성 예측 데이터를 반영하여 학습 데이터를 업데이트 함으로써, 보다 신뢰성 및 유효성 있는 학습 데이터를 생성할 수 있다. For example, the learning data generator 160 may generate learning data based on the data set provided from the data set generator 140. Additionally, by updating the learning data by reflecting the correlation analysis data and/or correlation prediction data provided from the correlation analysis unit 150, more reliable and effective learning data can be generated.

모니터링부(170)는 복수의 환경유해인자 및 복수의 건강영향인자 각각에 대하여 시계열 모니터링하고, 환경유해인자 및 건강영향인자 각각의 시계열 데이터, 실시간 모니터링 데이터 및 상관성 분석부(150)에서 생성된 상관성 분석 데이터와 상관성 예측 데이터를 사용자 인터페이스(UI)를 통해 시각적으로 제공할 수 있다. 모니터링부(170)는 웹 사이트, 응용프로그램 또는 어플리케이션 중 적어도 어느 하나를 통해 시각화된 데이터를 사용자 단말(미도시)에 제공할 수 있다.The monitoring unit 170 performs time-series monitoring for each of a plurality of environmental harmful factors and a plurality of health-impacting factors, and the time-series data, real-time monitoring data, and correlation generated by the correlation analysis unit 150 for each environmental harmful factor and health-impacting factor. Analysis data and correlation prediction data can be provided visually through the user interface (UI). The monitoring unit 170 may provide visualized data to a user terminal (not shown) through at least one of a website, an application, or an application.

예를 들어, 모니터링부(170)는 공간 정보 시스템(Geographic Information System, GIS)으로서, 복수의 환경유해인자, 복수의 건강영향인자 등을 포함하는 복수의 데이터를 시공간적 정보로 제공할 수 있다. 또한, 모니터링부(170)는 상관성 분석부(150)에서 예측한 환경유해인자 추세 예측 데이터, 건강영향인자 추세 예측 데이터 및 상관성 예측 데이터를 시공간에 따라 제공할 수 있다. For example, the monitoring unit 170 is a geographic information system (GIS) and can provide a plurality of data including a plurality of environmental hazards, a plurality of health-impacting factors, etc. as spatiotemporal information. In addition, the monitoring unit 170 may provide environmental harmful factor trend prediction data, health influencing factor trend prediction data, and correlation prediction data predicted by the correlation analysis unit 150 according to time and space.

또한, 모니터링부(170)는 복수의 데이터를 분석하여 환경오염 취약 지역을 분류하고, 상기 환경오염 취약 지역별 주요 영향 요인(예컨대, 환경오염에 가장 영향이 큰 환경유해인자) 및 이를 시각화한 시공간적 정보를 제공할 수 있다.In addition, the monitoring unit 170 analyzes a plurality of data to classify areas vulnerable to environmental pollution, major influencing factors for each area vulnerable to environmental pollution (e.g., environmental harmful factors that have the greatest impact on environmental pollution), and spatiotemporal information visualizing them. can be provided.

예를 들어, 모니터링부(170)는 외부 연계 시스템(400)으로부터 수집한 데이터를 기초로, 복수의 지역 각각의 특성을 도출할 수 있다. 여기서, 복수의 지역 각각의 특성은 해당 지역에 위치한 석탄화력발전소, 원자력발전소, 내연발전소의 유무, 산업 단지 유무, 관산 또는 폐광산의 유무, 교통밀집도 및 난개발 지역 여부 등을 포함할 수 있다. For example, the monitoring unit 170 may derive characteristics of each of a plurality of regions based on data collected from the external linkage system 400. Here, the characteristics of each of the plurality of regions may include the presence or absence of a coal-fired power plant, nuclear power plant, or internal combustion power plant located in the region, the presence or absence of an industrial complex, the presence or absence of an industrial or abandoned mine, traffic density, and whether it is an undeveloped area.

모니터링부(170)는 복수의 지역 각각의 특성에 따라 환경오염에 취역한 지역을 관심지역으로 설정할 수 있다. 또한, 모니터링부(170)는 복수의 관심지역이 설정된 경우, 복수의 관심지역의 순위를 산출할 수 있다. 모니터링부(170)는 관심지역에 대한 탐색 우선순위를 부여할 수 있다. 이 경우, 상관성 분석부(150)는 상기 관심지역에 대한 환경유해인자와 건강영향인자 사이의 상관성 분석 시 가중치를 부여할 수 있다. The monitoring unit 170 may set an area affected by environmental pollution as an area of interest according to the characteristics of each of the plurality of areas. Additionally, when multiple areas of interest are set, the monitoring unit 170 can calculate the ranking of the plurality of areas of interest. The monitoring unit 170 may assign search priority to the area of interest. In this case, the correlation analysis unit 150 may assign weights when analyzing the correlation between environmental hazards and health-impacting factors for the region of interest.

이에 따라, 모니터링부(170)는 상기 시공간적 정보를 제공함에 있어, 지역별 특성에 따라 환경유해인자, 건강영향인자, 환경유해인자와 건강영향인자 사이의 상관성 분석 데이터, 상관성 예측 데이터를 제공할 수 있다. Accordingly, in providing the spatio-temporal information, the monitoring unit 170 can provide correlation analysis data and correlation prediction data between environmental hazards, health-impacting factors, environmental hazards and health-impacting factors according to regional characteristics. .

또한, 모니터링부(170)는 사용자별 건강 정보(또는, 건강영향인자), 건강 이상 징후 정보 및 환경유해인자와 건강 이상 징후 정보 사이의 관계 데이터를 제공할 수 있다.Additionally, the monitoring unit 170 may provide user-specific health information (or health influencing factors), health abnormality sign information, and relationship data between environmental harmful factors and health abnormality symptom information.

예를 들어, 관리부(110)는 적어도 어느 하나의 사용자가 생활하는 공간에 배치된 제1 IoT 장치(200)로부터 환경유해인자를 수집하고, 상기 적어도 어느 하나의 사용자가 착용하는 제2 IoT 장치(300)로부터 건강 정보를 수집할 수 있다. For example, the management unit 110 collects environmental harmful factors from the first IoT device 200 placed in the space where at least one user lives, and collects environmental harmful factors from the second IoT device worn by the at least one user ( Health information can be collected from 300).

이 경우, 상관성 분석부(150)는 상기 적어도 어느 하나의 사용자에 관한 환경유해인자와 건강 정보 및/또는 건강 이상 징후 정보 사이의 관계를 분석 및 예측하며, 모니터링부(170)는 웹사이트, 어플리케이션 또는 응용프로그램 중 적어도 어느 하나를 통해 상기 적어도 어느 하나의 사용자에게 건강 정보, 환경유해인자와 건강 정보 사이의 관계 분석 데이터 및 그에 따른 건강 이상 징후 정보를 제공할 수 있다. In this case, the correlation analysis unit 150 analyzes and predicts the relationship between environmental harmful factors and health information and/or health abnormality symptom information regarding at least one user, and the monitoring unit 170 analyzes and predicts the relationship between the website and application. Alternatively, health information, relationship analysis data between environmental harmful factors and health information, and information on signs of health abnormalities may be provided to the at least one user through at least one of the application programs.

모니터링부(170)의 구체적인 사용자별 건강 정보, 환경유해인자와 건강 이상 징후 정보 사이의 관계 데이터 제공 방법은 도 6 내지 도 14를 참조하여 후술한다.A method of providing relationship data between specific user-specific health information, environmental harmful factors, and health abnormality symptom information by the monitoring unit 170 will be described later with reference to FIGS. 6 to 14.

데이터베이스부(180)는 플랫폼(100)이 수집한 데이터 및 생성한 데이터를 저장할 수 있다. The database unit 180 may store data collected and generated by the platform 100.

일 실시예에 따른 데이터베이스부(180)는 환경유해인자 DB(181), 건강영향인자 DB(182), 데이터 셋 DB(183), 상관성 분석 DB(184), 학습 데이터 DB(185), 모니터링 DB(186), 사용자 DB(187) 및 장치 DB(188)를 포함할 수 있다. 예를 들어, 데이터베이스부(180)는 환경유해인자 DB(181), 건강영향인자 DB(182), 데이터 셋 DB(183), 상관성 분석 DB(184), 학습 데이터 DB(185), 모니터링 DB(186), 사용자 DB(187) 및 장치 DB(188)를 복수개의 서버 상에 구축하는 데이터베이스 클러스터(Cluster)로서 관리할 수 있다.The database unit 180 according to one embodiment includes an environmental hazard DB 181, a health impact factor DB 182, a data set DB 183, a correlation analysis DB 184, a learning data DB 185, and a monitoring DB. (186), user DB (187), and device DB (188). For example, the database unit 180 includes an environmental hazard DB 181, a health impact factor DB 182, a data set DB 183, a correlation analysis DB 184, a learning data DB 185, and a monitoring DB ( 186), the user DB 187, and the device DB 188 can be managed as a database cluster built on a plurality of servers.

환경유해인자 DB(181)는 관리부(110)를 통해 제1 IoT 장치(200)로부터 수신된 데이터를 저장할 수 있다. 환경유해인자 DB(181)는 환경유해인자 데이터를 저장하는 경우, 데이터 수집부(120)에 의해 생성된 메타 정보를 함께 저장할 수 있다. 몇몇 실시예에서, 데이터 수집부(120)는 상기 메타 정보에 따라 복수의 환경유해인자 데이터를 분류하여 저장할 수 있다.The environmental hazard DB 181 may store data received from the first IoT device 200 through the management unit 110. When storing environmental hazards data, the environmental hazards DB 181 may also store meta information generated by the data collection unit 120. In some embodiments, the data collection unit 120 may classify and store a plurality of environmental harmful factor data according to the meta information.

또한, 환경유해인자 DB(181)는 외부 연계 시스템(400)으로부터 수집한 데이터로서, 환경유해인자 및/또는 환경유해인자와 밀접한 관련 있는 데이터를 저장할 수 있다. 이 경우, 데이터베이스부(180)는 데이터 수집부(120)에 의해 분류된 세부 분류 유형정보(예컨대, 2차 분류 정보)를 기반으로 외부 연계 시스템(400)으로부터 수집된 데이터 중 환경유해인자 및/또는 이와 관련 있는 데이터를 저장할 수 있다.Additionally, the environmental hazard DB 181 is data collected from the external linkage system 400 and can store environmental hazards and/or data closely related to environmental hazards. In this case, the database unit 180 collects environmental hazards and Alternatively, data related to this may be stored.

건강영향인자 DB(182)는 관리부(110)를 통해 제2 IoT 장치(200)로부터 수신된 데이터를 저장할 수 있다. 건강영향인자 DB(171)는 건강영향인자 데이터를 저장하는 경우, 데이터 수집부(120)에 의해 생성된 메타 정보를 함께 저장할 수 있다. 몇몇 실시예에서, 데이터 수집부(120)는 상기 메타 정보에 따라 복수의 건강영향인자 데이터를 분류하여 저장할 수 있다.The health impact factor DB 182 may store data received from the second IoT device 200 through the management unit 110. When storing health influencing factor data, the health influencing factor DB 171 may also store meta information generated by the data collection unit 120. In some embodiments, the data collection unit 120 may classify and store a plurality of health impact factor data according to the meta information.

또한, 건강영향인자 DB(171)는 외부 연계 시스템(400)으로부터 수집한 데이터로서, 건강영향인자 및/또는 건강영향인자와 밀접한 관련 있는 데이터를 저장할 수 있다. 이 경우, 데이터베이스부(180)는 데이터 수집부(120)에 의해 분류된 세부 분류 유형정보(예컨대, 2차 분류 정보)를 기반으로 외부 연계 시스템(400)으로부터 수집된 데이터 중 환경유해인자 및/또는 이와 관련 있는 데이터를 저장할 수 있다.Additionally, the health influencing factor DB 171 is data collected from the external linkage system 400 and can store health influencing factors and/or data closely related to health influencing factors. In this case, the database unit 180 collects environmental hazards and Alternatively, data related to this may be stored.

데이터 셋 DB(183)은 데이터 셋 생성부(140)가 생성한 데이터 셋을 저장할 수 있다. 이 경우, 데이터 셋 DB(183)는 데이터 셋 생성에 있어서 기반이 된 메타 정보(또는 분류 정보)를 기초로 복수의 데이터 셋을 분류 저장할 수 있다.The data set DB 183 may store the data set generated by the data set generator 140. In this case, the data set DB 183 may classify and store a plurality of data sets based on meta information (or classification information) that is the basis for data set creation.

상관성 분석 DB(184)는 상관성 분석부(150)가 생성한 상관성 분석 데이터 및/또는 상관성 예측 데이터를 저장할 수 있다. 상관성 분석 DB(184)는 상관성 분석의 대상이 된 데이터의 유형(예컨대, 환경유해인자, 건강영향인자 또는 환경유해인자와 건강영향인자)에 따라 상관성 분석 데이터 및/또는 상관성 예측 데이터를 저장할 수 있다.The correlation analysis DB 184 may store correlation analysis data and/or correlation prediction data generated by the correlation analysis unit 150. The correlation analysis DB 184 may store correlation analysis data and/or correlation prediction data according to the type of data that is the subject of correlation analysis (e.g., environmental hazards, health impact factors, or environmental hazards and health impact factors). .

학습 데이터 DB(185)는 학습 데이터 생성부(160)가 생성한 학습 데이터를 저장할 수 있다. 몇몇 실시예에서, 학습 데이터 DB(185)는 학습 데이터 생성부(160)가 학습 데이터를 업데이트 하는 경우, 기 설정된 주기에 따라 생성된 학습 데이터를 누적하여 분류 저장할 수 있다. The learning data DB 185 may store the learning data generated by the learning data generator 160. In some embodiments, when the learning data generator 160 updates the learning data, the learning data DB 185 may accumulate, classify, and store the learning data generated according to a preset cycle.

사용자 DB(186)는 적어도 어느 하나의 사용자 정보를 저장할 수 있다. 여기서, 사용자는 제2 IoT 장치(200)를 착용하는 사용자이고, 상기 사용자 정보는 상기 사용자의 인적 정보(예컨대, 나이, 성별, 직업, 질병 등)를 포함할 수 있다. 또한, 상기 사용자 정보는 상기 사용자가 관리부(110)에서 제공하는 웹 사이트, 어플리케이션 또는 응용 프로그램 중 어느 하나에 접속하기 위한 사용자 ID, 비밀번호 등을 포함할 수 있다.The user DB 186 may store information on at least one user. Here, the user is a user wearing the second IoT device 200, and the user information may include the user's personal information (eg, age, gender, occupation, disease, etc.). Additionally, the user information may include a user ID, password, etc. for the user to access any one of the website, application, or application program provided by the management unit 110.

몇몇 실시예에서, 사용자 DB(186)는 복수의 사용자 정보를 저장하는 경우, 적어도 두 개 이상의 사용자 정보를 하나의 그룹으로 설정하여 저장할 수 있다. 예를 들어, 사용자 DB(186)는 적어도 두 개 이상의 사용자 정보를 가족 그룹으로 저장할 수 있다.In some embodiments, when storing a plurality of user information, the user DB 186 may set and store at least two or more user information as one group. For example, the user DB 186 may store information on at least two or more users as a family group.

장치 DB(187)는 적어도 하나의 제1 IoT 장치(200) 및 적어도 하나의 제2 IoT 장치(200) 정보를 저장할 수 있다. 예를 들어, 장치 DB(187)는 제1 IoT 장치(200) 및 제2 IoT 장치(300) 각각의 장치 정보를 저장할 수 있다. 여기서 상기 장치 정보는 제1 IoT 장치(200) 및 제2 IoT 장치(300) 각각의 장치 관리 번호, 위치 정보, 센싱 데이터에 관한 정보(예컨대, 측정된 센싱 데이터의 종류, 측정 주기 등)를 저장할 수 있다. 또한, 장치 DB(187)는 각각의 제1 IoT 장치(200) 및 제2 IoT 장치(300)와 연동된 사용자 정보에 따라 상기 장치 정보를 분류하여 저장할 수도 있다.The device DB 187 may store information about at least one first IoT device 200 and at least one second IoT device 200. For example, the device DB 187 may store device information for each of the first IoT device 200 and the second IoT device 300. Here, the device information stores the device management number, location information, and information about sensing data (e.g., type of measured sensing data, measurement cycle, etc.) of each of the first IoT device 200 and the second IoT device 300. You can. Additionally, the device DB 187 may classify and store the device information according to user information linked to each of the first IoT device 200 and the second IoT device 300.

이와 같이, 일 실시예에 따른 플랫폼(100)은 제1 IoT 장치(200) 및/또는 제2 IoT 장치(300)로부터 수집한 센싱 데이터의 결측값을 처리함에 있어 시간 의존성과 서로 다른 센서 모듈을 통해 수집된 데이터 간 상관 관계를 고려한 앙상블 방법에 의해 결측값을 대치함으로써, 데이터의 신뢰성을 높이는 데에 유리할 수 있다.In this way, the platform 100 according to one embodiment uses time dependence and different sensor modules in processing missing values of sensing data collected from the first IoT device 200 and/or the second IoT device 300. It can be advantageous to increase the reliability of data by replacing missing values using an ensemble method that considers the correlation between data collected through data collection.

또한, 플랫폼(100)은 수집된 환경유해인자와 건강영향인자 간 상관성을 분석을 통해 유효성 있는 환경유해인자와 건강영향인자 사이의 연계 데이터, 상관성 분석 데이터 및/또는 상관성 예측 데이터를 제공하며, 환경유해인자와 건강영향인자 사이의 상호 반복 기계학습을 통해 상관성 분석의 정확도를 향상하는 데에 유리할 수 있다.In addition, the platform 100 provides effective linkage data, correlation analysis data, and/or correlation prediction data between environmental harmful factors and health influencing factors by analyzing the correlation between collected environmental harmful factors and health influencing factors, and provides environmental It can be advantageous to improve the accuracy of correlation analysis through mutual iterative machine learning between harmful factors and health-impacting factors.

또, 플랫폼(100)은 복수의 지역 각각의 특성에 따라 환경오염에 취약한 관심 지역을 설정하고, 관심 지역의 환경유해인자와 건강영향인자 사이의 상관성 분석 시 가중치를 부여함으로써, 환경보건 취약 지역의 상황을 예측하거나 또는 환경보건 취약 지역에 대한 환경유해인자 노출 영향 관리를 하는 데에 유리할 수 있다. 나아가, 플랫폼(100)은 사용자별 건강 정보, 건강 이상 징후 정보 및 환경유해인자와 건강 이상 징후 정보 사이의 관계 데이터를 제공함으로써, 각각의 사용자는 자신의 건강 이상의 요인을 빠르게 인지하고 그에 따라 활동 환경을 개선하여 환경유해인자와 관련된 건강 이상 징후를 해소하는 데에 유리할 수 있다.In addition, the platform 100 sets areas of interest that are vulnerable to environmental pollution according to the characteristics of each of the plurality of areas, and assigns weights when analyzing the correlation between environmental hazards and health-impacting factors in the area of interest, thereby determining the level of environmental health vulnerability in areas. It can be advantageous for predicting situations or managing the impact of exposure to environmental hazards in areas vulnerable to environmental health. Furthermore, the platform 100 provides user-specific health information, health abnormality symptom information, and relationship data between environmental harmful factors and health abnormality symptom information, so that each user can quickly recognize the factors of his or her health abnormality and activity environment accordingly. It can be advantageous in resolving health abnormalities related to environmental harmful factors by improving .

도 3은 본 발명의 일 실시예에 따른 제1 IoT 장치의 구성을 개략적으로 나타내는 블록도이다.Figure 3 is a block diagram schematically showing the configuration of a first IoT device according to an embodiment of the present invention.

도 3을 참조하면, 제1 IoT 장치(200)는 제1 통신부(210), 제1 제어부(220), 제1 센서부(230) 및 제1 데이터 보정부(240)를 포함할 수 있다.Referring to FIG. 3, the first IoT device 200 may include a first communication unit 210, a first control unit 220, a first sensor unit 230, and a first data correction unit 240.

제1 통신부(210)는 유선 또는 무선으로 플랫폼(100)과 데이터 통신을 할 수 있다. 예를 들어, 제1 통신부(210)는 TCP/IP(Transmission Control Protocol/Internet Protocol) 등을 지원하는 유선 인터넷 통신 방법 또는 WCMDA(Wideband Code Division Multiple Access), LTE(Long Term Evolution), 및 WiFi(Wireless Fidelity) 등과 같은 다양한 무선 통신 방법 중 적어도 어느 하나를 통해 제1 IoT 장치(200)와 플랫폼(100) 간 데이터를 송수신할 수 있다. 제1 통신부(210)는 상기 다양한 무선 통신 방법 중 FPGA(Field Programmable Gate Array)를 통해 에지(edge) 부분에서 검토하여 안정성이 확보된 통신 방법을 선정하고, 그에 따라 플랫폼(100)과 데이터를 송수신할 수 있다.The first communication unit 210 can communicate data with the platform 100 by wire or wirelessly. For example, the first communication unit 210 may use a wired Internet communication method supporting TCP/IP (Transmission Control Protocol/Internet Protocol), or WCMDA (Wideband Code Division Multiple Access), LTE (Long Term Evolution), and WiFi ( Data may be transmitted and received between the first IoT device 200 and the platform 100 through at least one of various wireless communication methods such as Wireless Fidelity (Wireless Fidelity). The first communication unit 210 selects a communication method that ensures stability by examining the edge portion through an FPGA (Field Programmable Gate Array) among the various wireless communication methods, and transmits and receives data to the platform 100 accordingly. can do.

제1 제어부(220)는 제1 IoT 장치(200)의 각 구성을 관리 및 연동할 수 있다. 예를 들어, 제1 제어부(220)는 제1 통신부(210)를 통해 게이트웨이(미도시) 및/또는 플랫폼(100)으로부터 제어 명령어를 수신하여 제1 IoT 장치(200)의 각 구성을 제어할 수 있다.The first control unit 220 can manage and link each component of the first IoT device 200. For example, the first control unit 220 receives control commands from the gateway (not shown) and/or the platform 100 through the first communication unit 210 to control each configuration of the first IoT device 200. You can.

제1 제어부(220)는 제1 센서부(230)에 포함된 복수의 센서 모듈의 센싱 주기를 생성할 수 있다. 제1 제어부(220) 제1 센서부(230)에 포함된 복수의 센서 모듈의 센싱 타이밍을 동기화하도록 센싱 주기를 생성할 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 제1 제어부(220)는 플랫폼(100)으로부터 수신한 복수의 변수 간 종속성 데이터를 기초로 종속성 있는 변수를 센싱하는 센서 모듈 별로 센싱 주기를 동기화할 수 있다.The first control unit 220 may generate sensing cycles of a plurality of sensor modules included in the first sensor unit 230. The first control unit 220 may generate a sensing cycle to synchronize the sensing timing of the plurality of sensor modules included in the first sensor unit 230, but is not limited thereto. For example, the first control unit 220 may synchronize the sensing cycle for each sensor module that senses dependent variables based on dependency data between a plurality of variables received from the platform 100.

또한, 제1 센서부(230)에 포함된 복수의 센서 모듈 중 적어도 하나의 센서 모듈이 연속적으로 센싱을 하는 경우, 제1 제어부(220)는 해당 센싱 데이터를 플랫폼(100)으로 전송하는 주기를 생성하거나, 또는 상기 제어 명령어에 따라 전송 주기를 변경할 수 있다.In addition, when at least one sensor module among the plurality of sensor modules included in the first sensor unit 230 continuously senses, the first control unit 220 determines the period of transmitting the corresponding sensing data to the platform 100. The transmission cycle can be generated or changed according to the control command.

제1 제어부(220)는 제1 통신부(210)를 통해 제1 센서부(230)의 센싱 데이터 및/또는 제1 데이터 보정부(240)에 의해 보정된 센싱 데이터를 플랫폼(100)에 전송할 수 있다.The first control unit 220 may transmit the sensing data of the first sensor unit 230 and/or the sensing data corrected by the first data correction unit 240 to the platform 100 through the first communication unit 210. there is.

제1 센서부(230)는 복수의 환경 센서 모듈을 포함할 수 있다. 예를 들어, 제1 센서부(230)는 온도 센서 모듈, 습도 센서 모듈, 미세먼지/초미세먼지 센서 모듈, 음향 센서 모듈, TVOC(Total Volatile Organic Compounds) 센서 모듈, 이산화탄소(CO2) 센서 모듈, 일산화탄소(CO) 센서 모듈, 황화 수소(H2S) 센서 모듈, 포름알데히드(HCHO) 센서 모듈, 질소산화물(NOx) 센서 모듈, 암모니아(NH3) 센서 모듈, 악취 센서 모듈, 및 라돈 센서 모듈을 포함할 수 있다. The first sensor unit 230 may include a plurality of environmental sensor modules. For example, the first sensor unit 230 includes a temperature sensor module, a humidity sensor module, a fine dust/ultrafine dust sensor module, an acoustic sensor module, a Total Volatile Organic Compounds (TVOC) sensor module, and a carbon dioxide (CO 2 ) sensor module. , carbon monoxide (CO) sensor module, hydrogen sulfide (H 2 S) sensor module, formaldehyde (HCHO) sensor module, nitrogen oxides (NOx) sensor module, ammonia (NH 3 ) sensor module, odor sensor module, and radon sensor module. may include.

제1 데이터 보정부(240)는 제1 센서부(230)의 복수의 환경 센서 모듈이 센싱한 센싱 데이터에 대한 결측값을 처리하는 보정을 할 수 있다. 예를 들어, 제1 데이터 보정부(240)는 플랫폼(100)으로부터 제공받은 결측값 처리 방법을 이용하여 센싱 데이터의 결측값을 처리할 수 있다. The first data correction unit 240 may correct missing values for the sensing data sensed by the plurality of environmental sensor modules of the first sensor unit 230. For example, the first data correction unit 240 may process missing values of the sensing data using a missing value processing method provided by the platform 100.

이와 같이, 제1 IoT 장치(200)는 하나의 기기로서 복수의 환경 센서 모듈을 포함함으로써, 각 환경 센서 모듈에 의해 수집된 데이터 간의 종속성(또는 상관성)을 분석하는 데에 유리하며, 플랫폼(100)에 센싱 데이터를 전송하기 전 결측값 처리와 같은 원시데이터를 보정하여 신뢰성 있는 센싱 데이터를 제공하는 데에 유리할 수 있다.In this way, the first IoT device 200 is advantageous in analyzing the dependency (or correlation) between the data collected by each environmental sensor module by including a plurality of environmental sensor modules as one device, and the platform 100 ) It can be advantageous to provide reliable sensing data by correcting raw data, such as processing missing values, before transmitting the sensing data to ).

도 4는 본 발명의 일 실시예에 따른 제2 IoT 장치의 구성을 개략적으로 나타내는 블록도이다.Figure 4 is a block diagram schematically showing the configuration of a second IoT device according to an embodiment of the present invention.

도 4를 참조하면, 제2 IoT 장치(300)는 제2 통신부(310), 제2 제어부(320), 제1 센서부(330)를 포함할 수 있다. 다른 실시예에서, 제2 IoT 장치(300)는 제2 데이터 보정부(340)를 더 포함할 수 있다. Referring to FIG. 4 , the second IoT device 300 may include a second communication unit 310, a second control unit 320, and a first sensor unit 330. In another embodiment, the second IoT device 300 may further include a second data correction unit 340.

제2 IoT 장치(300)가 제2 데이터 보정부(340)를 더 포함하는 경우, 제2 데이터 보정부(340)의 기능 및 작동 방법은 도 3을 참조하여 설명한 제1 IoT 장치(200)의 제1 데이터 보정부(240)와 실질적으로 동일할 수 있으므로, 이에 대한 상세한 설명은 생략한다.When the second IoT device 300 further includes a second data correction unit 340, the function and operating method of the second data correction unit 340 are those of the first IoT device 200 described with reference to FIG. 3. Since it may be substantially the same as the first data correction unit 240, detailed description thereof will be omitted.

제2 통신부(310)는 근거리 무선 통신을 통해 플랫폼(100)에 데이터 통신을 할 수 있다. 예를 들어, 제2 통신부(310)는 게이트웨이(예컨대, 사용자 단말)를 플랫폼(100)과 데이터 통신을 할 수 있으나, 이에 제한되는 것은 아니다. 제2 통신부(310)는 블루투스를 이용한 근거리 무선 통신 방법으로 게이트웨이와 통신할 수 있으나, 이에 제한되는 것은 아니다.The second communication unit 310 can communicate data to the platform 100 through short-distance wireless communication. For example, the second communication unit 310 may perform data communication with the platform 100 through a gateway (eg, a user terminal), but is not limited thereto. The second communication unit 310 may communicate with the gateway using a short-range wireless communication method using Bluetooth, but is not limited thereto.

제2 제어부(320)는 제2 IoT 장치(300)의 각 구성을 관리 및 연동할 수 있다. 예를 들어, 제2 제어부(220)는 제1 통신부(310)를 통해 게이트웨이(미도시) 및/또는 플랫폼(100)으로부터 제어 명령어를 수신하여 제2 IoT 장치(300)의 각 구성을 제어할 수 있다. 제2 제어부(320)는 제1 IoT 장치(200)의 제1 제어부(220)와 실질적으로 동일할 수 있으므로, 이에 대한 상세한 설명은 생략한다.The second control unit 320 can manage and link each component of the second IoT device 300. For example, the second control unit 220 receives control commands from the gateway (not shown) and/or the platform 100 through the first communication unit 310 to control each configuration of the second IoT device 300. You can. Since the second control unit 320 may be substantially the same as the first control unit 220 of the first IoT device 200, detailed description thereof will be omitted.

제2 센서부(330)는 복수의 건강 센서 모듈을 포함할 수 있다. 예를 들어, 제2 센서부(330)는 폐소리 센서 모듈, 혈중 산소 포화도 센서 모듈, 호흡측정 센서 모듈, 근전도 센서 모듈, 심박수 측정 센서 모듈, 심전도 센서 모듈, 맥박 센서 모듈, 온도 센서 모듈 및/또는 뇌파(EEG) 측정 센서 모듈을 포함할 수 있다.The second sensor unit 330 may include a plurality of health sensor modules. For example, the second sensor unit 330 includes a lung sound sensor module, a blood oxygen saturation sensor module, a respiration measurement sensor module, an electromyography sensor module, a heart rate measurement sensor module, an electrocardiogram sensor module, a pulse sensor module, a temperature sensor module, and/ Alternatively, it may include an electroencephalography (EEG) measurement sensor module.

도 6은 본 발명의 일 실시예에 따른 GIS 기반 환경보건 모니터링 방법을 설명하기 위한 흐름도이다.Figure 6 is a flowchart illustrating a GIS-based environmental health monitoring method according to an embodiment of the present invention.

도 6을 참조하면, 먼저 플랫폼(100)은 제1 IoT 장치(200) 및 제2 IoT 장치(300)로부터 각각 센싱 데이터를 수집한다(S100).Referring to FIG. 6, first, the platform 100 collects sensing data from the first IoT device 200 and the second IoT device 300 (S100).

관리부(110)는 제1 IoT 장치(200) 및 제2 IoT 장치(300) 각각에 적합한 통신 방식에 따라 제1 IoT 장치(200) 및 제2 IoT 장치(300)로부터 센싱 데이터를 수집할 수 있다.The management unit 110 may collect sensing data from the first IoT device 200 and the second IoT device 300 according to a communication method suitable for each of the first IoT device 200 and the second IoT device 300. .

관리부(110)는 제1 IoT 장치(200)로부터 환경유해인자 데이터를 수집할 수 있다. 예를 들어, 관리부(110)는 제1 IoT 장치(200)로부터 온도 데이터, 습도 데이터, 미세먼지/초미세먼지 데이터, 음향 데이터, TVOC(Total Volatile Organic Compounds) 데이터, 이산화탄소(CO2) 데이터, 일산화탄소(CO) 데이터, 황화 수소(H2S) 데이터, 포름알데히드(HCHO) 데이터, 질소산화물(NOx) 데이터, 암모니아(NH3) 데이터, 악취 데이터, 및/또는 라돈 데이터를 수집할 수 있다. 몇몇 실시예에서, 관리부(110)는 제1 IoT 장치(200)로부터 조도 데이터를 더 수집할 수 있다.The management unit 110 may collect environmental harmful factor data from the first IoT device 200. For example, the management unit 110 receives temperature data, humidity data, fine dust/ultrafine dust data, sound data, TVOC (Total Volatile Organic Compounds) data, carbon dioxide (CO 2 ) data, Carbon monoxide (CO) data, hydrogen sulfide (H 2 S) data, formaldehyde (HCHO) data, nitrogen oxides (NOx) data, ammonia (NH 3 ) data, odor data, and/or radon data may be collected. In some embodiments, the management unit 110 may further collect illuminance data from the first IoT device 200.

관리부(110)는 제2 IoT 장치(300)로부터 건강영향인자 데이터를 수집할 수 있다. 예를 들어, 관리부(110)는 제2 IoT 장치(300)의 복수의 센서 모듈에 의해 센싱된 폐소리 데이터, 혈중 산소 포화도 데이터, 호흡측정 데이터, 근전도 데이터, 심박수 데이터, 심전도 데이터, 맥박 데이터, 체온 데이터 및/또는 뇌파(EEG) 측정 데이터를 수집할 수 있다. The management unit 110 may collect health impact factor data from the second IoT device 300. For example, the management unit 110 may include lung sound data, blood oxygen saturation data, respiration measurement data, electromyography data, heart rate data, electrocardiogram data, pulse data, etc. sensed by a plurality of sensor modules of the second IoT device 300. Body temperature data and/or electroencephalography (EEG) measurement data may be collected.

또, 플랫폼(100)은 외부 연계 시스템(400)으로부터 데이터를 수집할 수 있다(S200).Additionally, the platform 100 may collect data from the external linkage system 400 (S200).

관리부(110)는 기 설정된 데이터 분류에 따라 데이터를 스크래핑(Data scraping)하여 외부 연계 시스템(400)으로부터 데이터를 수집할 수 있다. 여기서, 기 설정된 데이터 분류는 플랫폼(100)을 관리하는 관리자(미도시)에 의해 설정되거나, 및/또는 데이터 수집부(120)에 의해 생성된 메타 정보로, 환경보건 관련 데이터, 생활환경 위해 요인 데이터, 환경오염 지역 정보, 지역별 기상 정보 등과 같은 데이터에 관한 메타 정보일 수 있으나, 이에 제한되는 것은 아니다.The management unit 110 may collect data from the external linkage system 400 by scraping data according to preset data classification. Here, the preset data classification is meta information set by an administrator (not shown) who manages the platform 100 and/or generated by the data collection unit 120, such as environmental health-related data and living environment hazard factors. It may be meta information about data such as data, environmental pollution area information, regional weather information, etc., but is not limited thereto.

상기 기 설정된 데이터 분류는 데이터 수집부(120)를 통해 생성된 메타 정보에 기반하여 업데이트될 수 있다. 예를 들어, 기 설정된 데이터 분류는 데이터 수집부(120)가 생성한 적어도 어느 하나의 데이터에 대한 메타 정보 중 지리적 정보 및/또는 시기적 정보일 수 있다. 이에 따라, 관리부(110)는 상기 적어도 어느 하나의 데이터에 대한 메타 정보로서, 지리적 정보 및/또는 시기적 정보에 따라 데이터를 스크래핑하여 외부 연계 시스템(400)으로부터 데이터를 수집할 수 있다.The preset data classification may be updated based on meta information generated through the data collection unit 120. For example, the preset data classification may be geographical information and/or temporal information among meta information about at least one piece of data generated by the data collection unit 120. Accordingly, the management unit 110 may collect data from the external linkage system 400 by scraping data according to geographical information and/or temporal information as meta information for the at least one piece of data.

그리고, 플랫폼(100)은 복수의 데이터를 분류할 수 있다(S300).And, the platform 100 can classify a plurality of data (S300).

데이터 수집부(120)는 관리부(110)로부터 전송된 데이터를 분석하여 상기 데이터의 메타 정보를 생성하고, 분류할 수 있다. 데이터 수집부(120)는 복수의 데이터 각각에 대한 데이터 유형, 지리적 정보, 생성 날짜와 시간을 포함하는 시기적 정보, 인적 정보 등을 포함하는 메타 정보를 생성할 수 있다. The data collection unit 120 may analyze data transmitted from the management unit 110 to generate meta information of the data and classify it. The data collection unit 120 may generate meta information including data type, geographic information, temporal information including creation date and time, and personal information for each of the plurality of data.

예를 들어, 데이터 수집부(120)는 각각의 데이터에 대한 데이터 유형을 환경유해인자, 건강영향인자, 환경보건데이터, 생활환경 위해 요인 데이터, 환경오염 지역정보 데이터 등으로 1차 분류(또는, 1차 분류 정보를 생성)할 수 있다. 데이터 수집부(120)는 1차 분류된 데이터를 세부 유형으로 2차 분류할 수 있다(또는, 2차 분류 정보를 생성). 구체적인 예로, 환경유해인자로 분류된 데이터는 미세먼지/초미세먼지 데이터, 온도 데이터, 습도 데이터, 음향 데이터, 이산화탄소 데이터, 일산화탄소 데이터, TVOC 데이터, 황화 수소 데이터 등으로 2차 분류될 수 있다. For example, the data collection unit 120 first classifies (or, primary classification information) can be created. The data collection unit 120 may secondarily classify the primary classified data into detailed types (or generate secondary classification information). As a specific example, data classified as environmental hazards may be secondary classified into fine dust/ultrafine dust data, temperature data, humidity data, acoustic data, carbon dioxide data, carbon monoxide data, TVOC data, hydrogen sulfide data, etc.

데이터 수집부(120)는 수집한 복수의 데이터를 분류할 수 있다. 예를 들어, 데이터 수집부(120)는 복수의 데이터 각각을 메타 정보, 즉 데이터 유형별(예컨대, 환경유해인자별, 건강영향인자별)로 분류하거나, 지리적 정보(예컨대, 지역별, 시설별, 주거환경별), 시기적 정보(예컨대, 월별, 요일별, 시간대별), 또는 인적 정보(연령별, 성별)에 따라 분류할 수 있다.The data collection unit 120 may classify a plurality of collected data. For example, the data collection unit 120 classifies each of the plurality of data into meta information, that is, by data type (e.g., by environmental hazards, by health-impacting factors), or by geographic information (e.g., by region, by facility, by residential environment). It can be classified according to time information (e.g., by month, day of the week, time of day), or personal information (by age, gender).

관리부(110)가 어느 하나의 사용자에 대하여 두 개 이상의 제2 IoT 장치(300)로부터 건강영향인자 데이터를 수집하는 경우, 데이터 수집부(120)는 각각의 제2 IoT 장치(300)로부터 수집한 데이터를 연계하여 분류할 수 있다.When the management unit 110 collects health impact factor data from two or more second IoT devices 300 for one user, the data collection unit 120 collects health impact factor data from each second IoT device 300. Data can be linked and classified.

또한, 데이터 수집부(120)는 상관성 분석부(150)에서 제공된 상관성 분석 데이터를 기반으로 복수의 데이터를 분류하는 분류 방법으로 반영할 수 있다. 이에 따라, 데이터 수집부(120)는 계속적인 상관성 분석 데이터를 반영하여 복수의 데이터를 분류하고, 데이터 수집부(120)에 의해 수행되는 복수의 데이터 분류 방법의 유효성과 효용성이 향상될 수 있다.Additionally, the data collection unit 120 may reflect the correlation analysis data provided by the correlation analysis unit 150 as a classification method for classifying a plurality of data. Accordingly, the data collection unit 120 may classify a plurality of data by reflecting the continuous correlation analysis data, and the effectiveness and utility of the plurality of data classification methods performed by the data collection unit 120 may be improved.

데이터 수집부(120)는 외부 연계 시스템(400)으로부터 수집한 데이터가 비정형 데이터인 경우, 상기 비정형 데이터를 정형화할 수 있다. 데이터 수집부(120)는 비정형 데이터에 대하여 유형별 데이터 마이닝(Data mining)을 통해 정형화할 수 있다. 예를 들어, 데이터 수집부(120)는 복수의 비정형 데이터에 포함된 텍스트 또는 이미지에 대하여 데이터 마이닝하고, 데이터 유형에 따라 데이터 라벨링(Data labelling)하여 관리할 수 있다.If the data collected from the external linkage system 400 is unstructured data, the data collection unit 120 may formalize the unstructured data. The data collection unit 120 can standardize unstructured data through data mining by type. For example, the data collection unit 120 may data mine text or images included in a plurality of unstructured data and manage them by labeling the data according to the data type.

데이터 수집부(120)는 적어도 하나의 메타 정보로 분류된 복수의 데이터를 상기 메타 정보를 기초로 구조화하여 데이터베이스부(180)에 저장할 수 있다. 또한, 데이터 수집부(120)는 상기 복수의 데이터를 데이터 전처리부(130)에 전송할 수 있다. 이 경우, 데이터 수집부(120)는 복수의 데이터 각각의 분류 정보를 데이터 전처리부(130)에 전송할 수 있다.The data collection unit 120 may structure a plurality of data classified into at least one meta information based on the meta information and store them in the database unit 180. Additionally, the data collection unit 120 may transmit the plurality of data to the data pre-processing unit 130. In this case, the data collection unit 120 may transmit classification information for each of the plurality of data to the data pre-processing unit 130.

이후, 플랫폼(100)은 복수의 데이터를 전처리 할 수 있다(S400).Afterwards, the platform 100 can preprocess a plurality of data (S400).

데이터 전처리부(130)는 복수의 데이터를 전처리 할 수 있다. 예를 들어, 데이터 전처리부(130)는 복수의 데이터를 여과(Filtering) 및 정제(Cleansing)할 수 있다. 데이터 전처리부(130)는 복수의 데이터의 중복성 및 오류를 제거하고, 데이터가 없거나 불완전한 결측값을 처리할 수 있다. 데이터 전처리부(130)의 결측값 처리 방법은 도 2를 참조하여 설명한 것과 실질적으로 동일하므로, 이에 대한 상세한 설명은 생략한다.The data preprocessing unit 130 can preprocess a plurality of data. For example, the data preprocessor 130 may filter and cleanse a plurality of data. The data preprocessor 130 can remove redundancy and errors in a plurality of data, and process missing values where there is no data or is incomplete. Since the missing value processing method of the data pre-processing unit 130 is substantially the same as that described with reference to FIG. 2, detailed description thereof will be omitted.

또한, 데이터 전처리부(130)는 관리부(110)를 통해 제1 IoT 장치(200) 및/또는 제2 IoT 장치(300) 각각에 대하여 적합한 결측값 처리 방법을 제공할 수 있다. 이 경우, 데이터 전처리부(130)는 복수의 변수 각각에 대한 결측값 처리 방법을 제공할 수도 있다. 데이터 전처리부(130)는 제1 IoT 장치(200) 및 제2 IoT 장치(300) 각각에 대하여 센싱된 복수의 데이터(또는, 변수) 간 종속성 데이터를 제공할 수 있다.Additionally, the data pre-processing unit 130 may provide a missing value processing method suitable for each of the first IoT device 200 and/or the second IoT device 300 through the management unit 110. In this case, the data preprocessor 130 may provide a method for processing missing values for each of a plurality of variables. The data preprocessor 130 may provide dependency data between a plurality of sensed data (or variables) for each of the first IoT device 200 and the second IoT device 300.

데이터 전처리부(130)는 복수의 데이터를 데이터 분석이 용이한 형태로 변환하고, 데이터베이스부(180)에 데이터를 저장할 수 있다. 예를 들어, 데이터 전처리부(130)는 데이터 수집부(120)로부터 전송된 복수의 데이터 각각의 분류 정보에 따라 데이터 분석이 용이한 형태로 변환할 수 있으나, 이에 제한되는 것은 아니다.The data pre-processing unit 130 can convert a plurality of data into a form that is easy to analyze and store the data in the database unit 180. For example, the data pre-processing unit 130 may convert the plurality of data transmitted from the data collection unit 120 into a form that facilitates data analysis according to the classification information of each, but is not limited thereto.

또한, 데이터 전처리부(130)는 복수의 데이터를 데이터 분석 목적에 따라 가공할 수 있다. 데이터 전처리부(130)는 복수의 데이터 각각의 분류 정보를 기초로 각각의 데이터를 가공할 수 있다. Additionally, the data preprocessor 130 may process a plurality of data according to the purpose of data analysis. The data pre-processing unit 130 may process each data based on classification information of each of the plurality of data.

예를 들어, 데이터 전처리부(130)는 실내 환경과 수면의 질, 효율 사이의 상관성 분석을 위해, 환경유해인자 및 건강영향인자를 시공간 범위로 확장하는 가공을 할 수 있다. 데이터 전처리부(130)는 환경유해인자와 건강영향인자 간 상관성 분석의 시간적 및 지리적 범위에 따라 시간적 단위(예컨대, 초, 분, 시, 일, 월, 년)를 확장하거나, 및/또는 지리적 단위(예컨대, 위치, 읍, 면, 동, 구 등)를 확장할 수 있다. For example, the data pre-processing unit 130 may process environmental hazards and health-impacting factors to expand the spatial and temporal range in order to analyze the correlation between the indoor environment and sleep quality and efficiency. The data preprocessing unit 130 expands temporal units (e.g., seconds, minutes, hours, days, months, years) and/or geographical units according to the temporal and geographical scope of the correlation analysis between environmental hazards and health influencing factors. (e.g. location, town, town, town, district, etc.) can be expanded.

데이터 전처리부(130)는 변환 및/또는 가공된 데이터를 포함하는 복수의 데이터 및 데이터 분류 정보를 데이터 셋 생성부(140)에 전송할 수 있다.The data pre-processing unit 130 may transmit a plurality of data including converted and/or processed data and data classification information to the data set generating unit 140.

다음으로, 플랫폼(100)은 복수의 데이터를 연계하여 데이터 셋을 생성할 수 있다(S500).Next, the platform 100 can create a data set by linking a plurality of data (S500).

데이터 셋 생성부(140)는 데이터 전처리부(130)로부터 수신한 복수의 데이터를 연계하여 데이터 셋을 생성할 수 있다. 예들 들어, 데이터 셋 생성부(140)는 복수의 데이터 각각에 대한 메타 정보(또는 분류 정보) 중 적어도 어느 하나를 식별 변수(Identifying variables) 또는 관심 변수(Variables of interest)로 하여 데이터를 연계할 수 있다.The data set generator 140 may generate a data set by linking a plurality of data received from the data preprocessor 130. For example, the data set generator 140 may link data by using at least one of the meta information (or classification information) for each of the plurality of data as an identifying variable or variable of interest. there is.

예를 들어, 데이터 셋 생성부(140)는 적어도 두 개 이상의 데이터에 대하여 서로 인접하거나 동일한 지리적 정보(예컨대, 지역별, 시설별, 주거환경별), 시기적 정보(예컨대, 월별, 요일별, 시간대별), 및 인적 정보(연령별, 성별) 중 적어도 어느 하나를 기반으로 데이터를 연계하여 적어도 하나의 데이터 셋을 생성할 수 있다. For example, the data set generator 140 generates geographical information (e.g., by region, facility, residential environment), temporal information (e.g., by month, day of the week, time zone), adjacent to or identical to at least two pieces of data, and at least one data set can be created by linking data based on at least one of personal information (age, gender).

데이터 셋 생성부(140)는 생성한 데이터 셋을 상관성 분석부(150) 및 학습 데이터 생성부(160)에 제공할 수 있다.The data set generator 140 may provide the generated data set to the correlation analysis unit 150 and the learning data generator 160.

그리고 나서, 플랫폼(100)은 환경유해인자와 건강영향인자 간 상관성을 분석하고, 상관성 분석 데이터를 생성할 수 있다(S600).Then, the platform 100 can analyze the correlation between environmental hazards and health-impacting factors and generate correlation analysis data (S600).

상관성 분석부(150)는 복수의 데이터 간 상관성을 분석하고, 상관성 분석 데이터를 생성할 수 있다. 예를 들어, 상관성 분석부(150)는 피어슨 상관 계수 및 피어스먼 상관 계수를 이용하여 환경유해인자와 건강영향인자 간 상관성 및/또는 복수의 데이터 셋 간의 상관 관계을 분석할 수 있다. The correlation analysis unit 150 may analyze the correlation between a plurality of data and generate correlation analysis data. For example, the correlation analysis unit 150 may analyze the correlation between environmental hazards and health-impacting factors and/or the correlation between a plurality of data sets using the Pearson correlation coefficient and the Pierceman correlation coefficient.

구체적인 예로, 상관성 분석부(150)는 환경유해인자에 관하여 실내 환경 요소로서 실내 면적, 냉난방, 실내 흡연, 방향제, 건축물의 종류, 환기 주기, 지상으로부터의 높이(또는 층) 등을 복수의 독립 변수로 설정하고, 온도, 습도, TVOC, 이산화탄소, 일산화탄소, 암모니아, 라돈, 질소산화물 등을 복수의 종속 변수로 설정할 수 있다.As a specific example, the correlation analysis unit 150 uses a plurality of independent variables such as indoor area, air conditioning, indoor smoking, air freshener, type of building, ventilation cycle, and height (or floor) from the ground as indoor environmental factors with respect to environmental harmful factors. , and temperature, humidity, TVOC, carbon dioxide, carbon monoxide, ammonia, radon, nitrogen oxides, etc. can be set as multiple dependent variables.

또한, 상관성 분석부(150)는 건강영향인자에 관하여 인적 요소로서 성별, 나이, 직업, 흡연여부, 음주여부, BMI 등을 복수의 독립 변수로 설정하고, 심박, 호흡, 폐소리, 뇌파(EEG), 산호포화도, 수면패턴 등을 복수의 종속 변수로 설정할 수 있다.In addition, the correlation analysis unit 150 sets gender, age, occupation, smoking status, drinking status, BMI, etc. as human factors regarding health influencing factors as a plurality of independent variables, and sets heart rate, breathing, lung sounds, and brain waves (EEG) as multiple independent variables. ), coral saturation, sleep patterns, etc. can be set as multiple dependent variables.

상관성 분석부(150)는 정준상관분석(Canonical correlation analysis, CCA)을 통해 환경유해인자에 포함된 독립변수와 종속변수, 건강영향인자에 포함된 독립변수와 종속변수, 및 환경유해인자에 포함된 데이터 집합과 건강영향인자에 포함된 데이터 집합 사이의 상관 관계를 분석할 수 있다. The correlation analysis unit 150 uses canonical correlation analysis (CCA) to determine the independent variables and dependent variables included in environmental hazards, the independent variables and dependent variables included in health impact factors, and the environmental hazards. You can analyze the correlation between data sets and data sets included in health impact factors.

이와 같이, 상관성 분석부(150)는 환경유해인자 및 건강영향인자 각각에 포함된 변수들간 또는 환경유해인자에 포함된 변수와 건강영향인자에 포함된 변수간 선형성(linearity)과 단조성(monotonicity)을 확인함으로써, 질이 높은 상관성 분석 데이터를 생성할 수 있다.In this way, the correlation analysis unit 150 determines linearity and monotonicity between the variables included in each of the environmental hazards and health-impacting factors, or between the variables included in the environmental hazards and the variables included in the health-impacting factors. By checking, high-quality correlation analysis data can be generated.

상관성 분석부(150)는 건강영향인자와 환경유해인자 사이의 상관성을 예측하고, 상관성 예측 데이터를 생성할 수 있다. 건강영향인자와 환경유해인자는 각각 과거 데이터의 변화를 가지고 추이를 판단하고 예측하는 특성이 있으므로, 상관성 분석부(150)는 기계 학습으로서 시간의 흐름에 따라 변화하는 순서가 있는 데이터를 처리하는 장단기 메모리(Long Short-Term Memory, LSTM) 및/또는 게이트 순환 유닛(Gated Recurrent Unit, GRU)을 이용하여 건강영향인자와 환경유해인자 간 상관관계를 판단하고 예측할 수 있다. The correlation analysis unit 150 can predict the correlation between health influencing factors and environmental harmful factors and generate correlation prediction data. Since health influencing factors and environmental harmful factors each have the characteristic of judging and predicting trends based on changes in past data, the correlation analysis unit 150 uses machine learning to process data with an order that changes over time. Using memory (Long Short-Term Memory, LSTM) and/or gated recurrent unit (GRU), the correlation between health influencing factors and environmental harmful factors can be determined and predicted.

상관성 분석부(150)는 환경유해인자 간, 건강영향인자 간 및 환경유해인자와 건강영향인자 간의 상관성 각각에 대한 시간적 및 공간적 상관성 분석을 위한 기계학습을 할 수 있다. 상관성 분석부(150)의 기계학습 방법은 도 2를 참조하여 설명한 바와 실질적으로 동일할 수 있다. 따라서, 설명의 편의를 위해 상관성 분석부(150)의 기계학습 방법에 관한 상세한 설명은 생략한다.The correlation analysis unit 150 can perform machine learning to analyze temporal and spatial correlations between environmental harmful factors, health-impacting factors, and environmental harmful factors and health-impacting factors. The machine learning method of the correlation analysis unit 150 may be substantially the same as that described with reference to FIG. 2. Therefore, for convenience of explanation, a detailed description of the machine learning method of the correlation analysis unit 150 will be omitted.

상관성 분석부(150)는 상기 상관성 분석 데이터 및/또는 상관성 예측 데이터를 학습 데이터 생성부(160) 및 데이터베이스부(180)에 전송할 수 있다. 또한, 상관성 분석부(150)는 상관성 분석 데이터를 데이터 수집부(120)에 제공할 수 있다.The correlation analysis unit 150 may transmit the correlation analysis data and/or correlation prediction data to the learning data generation unit 160 and the database unit 180. Additionally, the correlation analysis unit 150 may provide correlation analysis data to the data collection unit 120.

나아가, 플랫폼(100)은 학습 데이터를 생성할 수 있다(S700).Furthermore, the platform 100 may generate learning data (S700).

학습 데이터 생성부(160)는 데이터 수집, 결측값 처리 및 상관성 분석에 이용되는 적어도 하나의 인공지능(AI)을 고도화하기 위한 학습 데이터를 생성할 수 있다. 학습 데이터 생성부(160)는 데이터의 유형, 지리적 정보, 시기적 정보 및 인적 정보를 기초로 학습 데이터를 생성할 수 있다.The learning data generator 160 may generate learning data to advance at least one artificial intelligence (AI) used for data collection, missing value processing, and correlation analysis. The learning data generator 160 may generate learning data based on data type, geographic information, temporal information, and personal information.

예를 들어, 학습 데이터 생성부(160)는 데이터 셋 생성부(140)로부터 제공받은 데이터 셋을 기초로 학습 데이터를 생성할 수 있다. 또한, 상관성 분석부(150)로부터 제공받은 상관성 분석 데이터 및/또는 상관성 예측 데이터를 반영하여 학습 데이터를 업데이트 함으로써, 보다 신뢰성 및 유효성 있는 학습 데이터를 생성할 수 있다. For example, the learning data generator 160 may generate learning data based on the data set provided from the data set generator 140. Additionally, by updating the learning data by reflecting the correlation analysis data and/or correlation prediction data provided from the correlation analysis unit 150, more reliable and effective learning data can be generated.

마지막으로, 플랫폼(100)은 모니터링 데이터를 제공할 수 있다(S800).Finally, the platform 100 may provide monitoring data (S800).

모니터링부(170)는 복수의 환경유해인자 및 복수의 건강영향인자 각각에 대하여 시계열 모니터링하고, 환경유해인자 및 건강영향인자 각각의 시계열 데이터, 실시간 모니터링 데이터 및 상관성 분석부(150)에서 생성된 상관성 분석 데이터와 상관성 예측 데이터를 사용자 인터페이스(UI)를 통해 시각적으로 제공할 수 있다. The monitoring unit 170 performs time-series monitoring for each of a plurality of environmental harmful factors and a plurality of health-impacting factors, and the time-series data, real-time monitoring data, and correlation generated by the correlation analysis unit 150 for each environmental harmful factor and health-impacting factor. Analysis data and correlation prediction data can be provided visually through the user interface (UI).

예를 들어, 모니터링부(170)는 공간 정보 시스템(Geographic Information System, GIS)으로서, 복수의 환경유해인자, 복수의 건강영향인자 등을 포함하는 복수의 데이터를 시공간적 정보로 제공할 수 있다. 또한, 모니터링부(170)는 상관성 분석부(150)에서 예측한 환경유해인자 추세 예측 데이터, 건강영향인자 추세 예측 데이터 및 상관성 예측 데이터를 시공간에 따라 제공할 수 있다. For example, the monitoring unit 170 is a geographic information system (GIS) and can provide a plurality of data including a plurality of environmental hazards, a plurality of health-impacting factors, etc. as spatiotemporal information. In addition, the monitoring unit 170 may provide environmental harmful factor trend prediction data, health influencing factor trend prediction data, and correlation prediction data predicted by the correlation analysis unit 150 according to time and space.

또한, 모니터링부(170)는 복수의 데이터를 분석하여 환경오염 취약 지역을 분류하고, 상기 환경오염 취약 지역별 주요 영향 요인 및 이를 시각화한 시공간적 정보를 제공할 수 있다.In addition, the monitoring unit 170 may analyze a plurality of data to classify areas vulnerable to environmental pollution and provide major influencing factors for each area vulnerable to environmental pollution and spatiotemporal information visualizing them.

예를 들어, 모니터링부(170)는 외부 연계 시스템(400)으로부터 수집한 데이터를 기초로, 복수의 지역 각각의 특성을 도출할 수 있다. 여기서, 복수의 지역 각각의 특성은 해당 지역에 위치한 석탄화력발전소, 원자력발전소, 내연발전소의 유무, 산업 단지 유무, 관산 또는 폐광산의 유무, 교통밀집도 및 난개발 지역 여부 등을 포함할 수 있다. 또한, 복수의 지역 각각의 특성은 해당 지역의 인구 분포(예컨대, 해당 지역에 거주하는 인구의 평균 연령, 직업 등)을 포함할 수 있다. For example, the monitoring unit 170 may derive characteristics of each of a plurality of regions based on data collected from the external linkage system 400. Here, the characteristics of each of the plurality of regions may include the presence or absence of a coal-fired power plant, nuclear power plant, or internal combustion power plant located in the region, the presence or absence of an industrial complex, the presence or absence of an industrial or abandoned mine, traffic density, and whether it is an undeveloped area. Additionally, the characteristics of each of the plurality of regions may include the population distribution of the region (eg, average age, occupation, etc. of the population residing in the region).

모니터링부(170)는 복수의 지역 각각의 특성에 따라 환경오염에 취역한 지역을 관심지역으로 설정할 수 있다. 또한, 모니터링부(170)는 복수의 관심지역이 설정된 경우, 복수의 관심지역의 순위를 산출할 수 있다. 모니터링부(170)는 관심지역에 대한 탐색 우선순위를 부여할 수 있다. 예를 들어, 모니터링부(170)는 상기 관심지역에 대한 환경유해인자와 건강영향인자 사이의 상관성 분석 시 가중치를 부여할 수 있다. The monitoring unit 170 may set an area affected by environmental pollution as an area of interest according to the characteristics of each of the plurality of areas. Additionally, when multiple areas of interest are set, the monitoring unit 170 can calculate the ranking of the plurality of areas of interest. The monitoring unit 170 may assign search priority to the area of interest. For example, the monitoring unit 170 may assign weights when analyzing the correlation between environmental hazards and health-impacting factors for the region of interest.

이에 따라, 모니터링부(170)는 상기 시공간적 정보를 제공함에 있어, 지역별 특성에 따라 환경유해인자, 건강영향인자, 환경유해인자와 건강영향인자 사이의 상관성 분석 데이터, 상관성 예측 데이터를 제공할 수 있다.Accordingly, in providing the spatio-temporal information, the monitoring unit 170 can provide correlation analysis data and correlation prediction data between environmental hazards, health-impacting factors, environmental hazards and health-impacting factors according to regional characteristics. .

또한, 모니터링부(170)는 사용자별 건강 정보(또는, 건강영향인자), 건강 이상 징후 정보 및 환경유해인자와 건강 이상 징후 정보 사이의 관계 데이터를 제공할 수 있다.Additionally, the monitoring unit 170 may provide user-specific health information (or health influencing factors), health abnormality sign information, and relationship data between environmental harmful factors and health abnormality symptom information.

이와 같이, 일 실시예에 따른 플랫폼(100)은 제1 IoT 장치(200) 및/또는 제2 IoT 장치(300)로부터 수집한 센싱 데이터의 결측값을 처리함에 있어 시간 의존성과 서로 다른 센서 모듈을 통해 수집된 데이터 간 상관 관계를 고려한 앙상블 방법에 의해 결측값을 대치함으로써, 데이터의 신뢰성을 높이는 데에 유리할 수 있다.In this way, the platform 100 according to one embodiment uses time dependence and different sensor modules in processing missing values of sensing data collected from the first IoT device 200 and/or the second IoT device 300. It can be advantageous to increase the reliability of data by replacing missing values using an ensemble method that considers the correlation between data collected through data collection.

또한, 플랫폼(100)은 수집된 환경유해인자와 건강영향인자 간 상관성을 분석을 통해 유효성 있는 환경유해인자와 건강영향인자 사이의 연계 데이터, 상관성 분석 데이터 및/또는 상관성 예측 데이터를 제공하며, 환경유해인자와 건강영향인자 사이의 상호 반복 기계학습을 통해 상관성 분석의 정확도를 향상하는 데에 유리할 수 있다.In addition, the platform 100 provides effective linkage data, correlation analysis data, and/or correlation prediction data between environmental harmful factors and health influencing factors by analyzing the correlation between collected environmental harmful factors and health influencing factors, and provides environmental It can be advantageous to improve the accuracy of correlation analysis through mutual iterative machine learning between harmful factors and health-impacting factors.

또, 플랫폼(100)은 복수의 지역 각각의 특성에 따라 환경오염에 취약한 관심 지역을 설정하고, 관심 지역의 환경유해인자와 건강영향인자 사이의 상관성 분석 시 가중치를 부여함으로써, 환경보건 취약 지역의 상황을 예측하거나 또는 환경보건 취약 지역에 대한 환경유해인자 노출 영향 관리를 하는 데에 유리할 수 있다.In addition, the platform 100 sets areas of interest that are vulnerable to environmental pollution according to the characteristics of each of the plurality of areas, and assigns weights when analyzing the correlation between environmental hazards and health-impacting factors in the area of interest, thereby determining the level of environmental health vulnerability in areas. It can be advantageous for predicting situations or managing the impact of exposure to environmental hazards in areas vulnerable to environmental health.

도 6 내지 도 14는 본 발명의 다른 실시예에 따른 모니터링부가 사용자 인터페이스를 통해 출력한 화면들을 보여주는 도면이다.6 to 14 are diagrams showing screens output by a monitoring unit through a user interface according to another embodiment of the present invention.

도 6 내지 도 15를 참조하면, 모니터링부(170)는 사용자별 건강 정보, 건강 이상 징후 정보, 환경유해인자와 건강 이상 징후 정보 사이의 상관성 데이터를 제공할 수 있다.Referring to FIGS. 6 to 15 , the monitoring unit 170 may provide user-specific health information, health abnormality sign information, and correlation data between environmental harmful factors and health abnormality symptom information.

모니터링부(170)는 관리부(110)에서 적어도 어느 하나의 사용자 단말(미도시)에 제공하는 웹 사이트, 어플리케이션 또는 응용프로그램 중 적어도 어느 하나를 통해 각종 모니터링 데이터를 제공할 수 있다.The monitoring unit 170 may provide various monitoring data through at least one of a website, an application, or an application program provided by the management unit 110 to at least one user terminal (not shown).

먼저, 모니터링부(170)는, 도 6에 도시된 바와 같이, 플랫폼(100)에 등록된 복수의 제1 IoT 장치(200) 및 복수의 제2 IoT 장치(300) 각각의 현황 및 상태를 포함하는 장치 모니터링 데이터를 제공할 수 있다. 이 경우, 장치 모니터링 데이터는 복수의 사용자 중 적어도 어느 하나의 사용자 데이터와 연동될 수 있으며, 모니터링부(170)는 상기 장치 모니터링 데이터를 제공함에 있어서, 상기 장치 모니터링 데이터와 연동된 사용자 단말에 제공할 수 있다.First, as shown in FIG. 6, the monitoring unit 170 includes the status and status of each of the plurality of first IoT devices 200 and the plurality of second IoT devices 300 registered in the platform 100. It can provide device monitoring data. In this case, the device monitoring data may be linked to the user data of at least one of a plurality of users, and the monitoring unit 170 may provide the device monitoring data to a user terminal linked to the device monitoring data. You can.

모니터링부(170)는 적어도 어느 하나의 제1 IoT 장치(200)에서 측정된 복수의 센싱 데이터를 도 7에 도시된 바와 같이 일간 보고서 및 월간 보고서 형태로 제공할 수 있다. 예를 들어, 모니터링부(170)는 제1 IoT 장치(200)에서 측정된 복수의 환경유해인자 각각에 대하여 일간 및 월간 평균값을 산출하고, 기 등록된 평가 기준을 기초로 복수의 환경유해인자 각각에 대한 평가 정보를 제공할 수 있다. 여기서, 기 등록된 평가 기준은 복수의 환경유해인자 각각의 수치 범위에 따라 등록된 평가기준이며, 상기 평가 정보는 상기 수치 범위에 대응하여 설정된 정보로, 예를 들어 아주 좋음, 좋음, 보통, 나쁨, 아주 나쁨 등으로 나타낼 수 있다.The monitoring unit 170 may provide a plurality of sensing data measured by at least one first IoT device 200 in the form of daily reports and monthly reports, as shown in FIG. 7 . For example, the monitoring unit 170 calculates daily and monthly average values for each of the plurality of environmental harmful factors measured by the first IoT device 200, and calculates the daily and monthly average values for each of the plurality of environmental harmful factors based on the pre-registered evaluation criteria. Evaluation information can be provided. Here, the pre-registered evaluation standard is an evaluation standard registered according to the numerical range of each of a plurality of environmental harmful factors, and the evaluation information is information set in response to the numerical range, for example, very good, good, average, bad. , very bad, etc.

또한, 모니터링부(170)는 도 8에 도시된 바와 같이, 사용자의 설정에 따라 특정 기간에 대응하여 제1 IoT 장치(200)에서 측정된 복수의 센싱 데이터 각각의 종합 평가 정보를 제공할 수 있다. 예를 들어, 사용자가 상기 특정 기간을 2021년 11월 1일 0시부터 2021년 11월 5일 14시로 설정한 경우, 모니터링부(170)는 제1 IoT 장치(200)에 의해 상기 특정 기간 동안 측정된 복수의 환경유해인자 각각의 평균값 및 평가 정보를 제공할 수 있다.In addition, as shown in FIG. 8, the monitoring unit 170 may provide comprehensive evaluation information for each of the plurality of sensing data measured by the first IoT device 200 in response to a specific period according to the user's settings. . For example, if the user sets the specific period from 0:00 on November 1, 2021 to 14:00 on November 5, 2021, the monitoring unit 170 is monitored by the first IoT device 200 during the specific period. The average value and evaluation information for each of the multiple measured environmental harmful factors can be provided.

또, 모니터링부(170)는 도 9에 도시된 바와 같이, 사용자의 설정에 따른 특정 기간에 대응하여 제1 IoT 장치(200)에 의해 측정된 복수의 센싱 데이터 각각의 트랜드 정보를 제공할 수 있다. 예를 들어, 모니터링부(170)는 상기 특정 기간 동안 측정된 복수의 환경유해인자 각각의 데이터를 그래프화하여, 상기 특정 기간 동안의 복수의 환경유해인자 각각의 변화를 시각적 데이터로 제공할 수 있다.In addition, as shown in FIG. 9, the monitoring unit 170 may provide trend information for each of a plurality of sensing data measured by the first IoT device 200 in response to a specific period according to the user's settings. . For example, the monitoring unit 170 may graph data on each of a plurality of environmental harmful factors measured during the specific period and provide visual data of changes in each of the plurality of environmental harmful factors during the specific period. .

모니터링부(170)는 적어도 하나의 사용자가 착용한 제2 IoT 장치(300)로부터 측정된 센싱 데이터를 제공할 수 있다. 예를 들어, 모니터링부(170)는 도 10 및 도 11에 도시된 바와 같이, 복수의 제2 IoT 장치(300)로부터 측정된 복수의 건강 정보(또는, 건강영향인자)를 제공하거나, 어느 하나의 제2 IoT 장치(300)에 의해 측정된 복수의 건강 정보를 시간 또는 날짜에 따라 제공할 수 있다. The monitoring unit 170 may provide sensing data measured from the second IoT device 300 worn by at least one user. For example, the monitoring unit 170 provides a plurality of health information (or health impact factors) measured from a plurality of second IoT devices 300, as shown in FIGS. 10 and 11, or one A plurality of health information measured by the second IoT device 300 may be provided according to time or date.

나아가, 모니터링부(170)는 사용자별 건강 이상 징후 정보 및 환경유해인자와 건강 이상 징후 정보 사이의 관계 데이터를 제공할 수 있다. 예를 들어, 모니터링부(170)는 도 12 내지 도 13에 도시된 바와 같이, 복수의 사용자 각각에 대한 건강 이상 징후 정보, 상기 건강 이상 징후 수집 내역, 수집 기간 중 복수의 환경유해인자 각각의 평균값과 평가 정보를 제공할 수 있다. Furthermore, the monitoring unit 170 may provide information on abnormal health symptoms for each user and data on the relationship between environmental harmful factors and information on abnormal health symptoms. For example, as shown in FIGS. 12 and 13, the monitoring unit 170 collects health abnormality sign information for each of a plurality of users, the health abnormality symptom collection history, and the average value of each of a plurality of environmental harmful factors during the collection period. and evaluation information can be provided.

본 명세서에서, 건강 이상 징후 정보는 고혈압, 저혈압, 스트레스, 심방 세동 및 혈중 산소를 포함할 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 건강 이상 징후 정보는 호흡기 질환, 수면 장애 등을 더 포함할 수 있다.In this specification, information on health abnormalities may include, but is not limited to, high blood pressure, low blood pressure, stress, atrial fibrillation, and blood oxygen. For example, information on health abnormalities may further include respiratory diseases, sleep disorders, etc.

또한, 모니터링부(170)는 도 14에 도시된 바와 같이, 복수의 건강 이상 징후 정보와 복수의 환경유해인자 사이의 관계 데이터를 제공할 수 있다. 예를 들어, 모니터링부(170)는 특정 기간(예컨대, 주간, 월간)에 발생된 복수의 건강 이상 징후 정보 각각을 그래프로 변환하여 시각화된 데이터를 제공하고, 복수의 건강 이상 징후 각각에 대하여 상기 특정 기간에 대응하는 복수의 환경유해인자의 평균값 및 평가 정보를 제공할 수 있다.Additionally, as shown in FIG. 14, the monitoring unit 170 may provide relationship data between a plurality of health abnormality sign information and a plurality of environmental harmful factors. For example, the monitoring unit 170 converts each of a plurality of information on health abnormalities occurring in a specific period (e.g., weekly, monthly) into a graph to provide visualized data, and provides visualized data for each of the plurality of health abnormalities. The average value and evaluation information of multiple environmental harmful factors corresponding to a specific period can be provided.

이와 같이, 일 실시예에 따른 모니터링부(170)는 사용자별 건강 정보, 건강 이상 징후 정보 및 환경유해인자와 건강 이상 징후 정보 사이의 관계 데이터를 제공함으로써, 각각의 사용자는 자신의 건강 이상의 요인을 빠르게 인지하고 그에 따라 활동 환경을 개선하여 환경유해인자와 관련된 건강 이상 징후를 해소하는 데에 유리할 수 있다.In this way, the monitoring unit 170 according to one embodiment provides user-specific health information, health abnormality sign information, and relationship data between environmental harmful factors and health abnormality symptom information, so that each user can determine the factors of his or her health abnormality. It can be advantageous to quickly recognize and improve the activity environment accordingly to eliminate health abnormalities related to environmental harmful factors.

지금까지 본 발명에 대하여 도면에 도시된 바람직한 실시예들을 중심으로 상세히 살펴보았다. 이러한 실시예들은 이 발명을 한정하려는 것이 아니라 예시적인 것에 불과하며, 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 진정한 기술적 보호범위는 전술한 설명이 아니라 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다. 비록 본 명세서에 특정한 용어들이 사용되었으나 이는 단지 본 발명의 개념을 설명하기 위한 목적에서 사용된 것이지 의미한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 본 발명의 각 단계는 반드시 기재된 순서대로 수행되어야 할 필요는 없고, 병렬적, 선택적 또는 개별적으로 수행될 수 있다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 특허청구범위에서 청구하는 본 발명의 본질적인 기술사상에서 벗어나지 않는 범위에서 다양한 변형 형태 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 균등물은 현재 공지된 균등물뿐만 아니라 장래에 개발될 균등물 즉 구조와 무관하게 동일한 기능을 수행하도록 발명된 모든 구성요소를 포함하는 것으로 이해되어야 한다.So far, the present invention has been examined in detail, focusing on the preferred embodiments shown in the drawings. These embodiments are not intended to limit the invention but are merely illustrative and should be considered from an illustrative rather than a limiting perspective. The true technical protection scope of the present invention should be determined by the technical spirit of the appended claims rather than the foregoing description. Although specific terms are used in this specification, they are used only for the purpose of explaining the concept of the present invention and are not used to limit the meaning or scope of the present invention described in the claims. Each step of the present invention does not necessarily have to be performed in the order described, but may be performed in parallel, selectively, or individually. Those skilled in the art to which the present invention pertains will understand that various modifications and other equivalent embodiments are possible without departing from the essential technical spirit of the present invention as claimed in the patent claims. Equivalents should be understood to include not only currently known equivalents but also equivalents developed in the future, that is, all components invented to perform the same function regardless of structure.

100: 서비스 서버 200: 제1 IoT 장치
300: 제2 IoT 장치 400: 외부 연계 시스템
110: 관리부 120: 데이터 수집부
130: 데이터 전처리부 140: 데이터 셋 생성부
150: 상관성 분석부 160: 학습 데이터 생성부
170: 모니터링부 180: 데이터베이스부
210: 제1 통신부 220: 제1 제어부
230: 제1 센서부 240: 제1 데이터 보정부
100: service server 200: first IoT device
300: Second IoT device 400: External linkage system
110: Management Department 120: Data Collection Department
130: data preprocessing unit 140: data set generation unit
150: correlation analysis unit 160: learning data generation unit
170: monitoring unit 180: database unit
210: first communication unit 220: first control unit
230: first sensor unit 240: first data correction unit

Claims (18)

복수의 환경 센서 모듈을 포함하는 제1 IoT 장치 및 복수의 건강 센서 모듈을 포함하는 제2 IoT 장치와 연동되어 환경유해인자와 건강영향인자 데이터를 수집 및 모니터링하는 플랫폼으로서,
상기 제1 IoT 장치 및 상기 제2 IoT 장치로부터 각각 환경유해인자 및 건강영향인자를 수집하는 관리부;
상기 환경유해인자 및 상기 건강영향인자를 포함하는 복수의 데이터 분석하여 상기 복수의 데이터 각각의 메타 정보를 생성하고, 상기 메타 정보를 기초로 상기 복수의 데이터를 분류하는 데이터 수집부;
상기 메타 정보 중 적어도 어느 하나를 기초로 상기 복수의 데이터를 연계하여 데이터 셋을 생성하는 데이터 셋 생성부;
상기 데이터 셋을 기초로 상기 환경유해인자 간 상관성, 상기 건강영향인자 간 상관성 및 상기 환경유해인자와 상기 건강영향인자 간 상관성을 분석하고, 상관성 분석 데이터를 생성하는 상관성 분석부; 및
상기 복수의 데이터 및 상기 상관성 분석 데이터를 시각화한 시공간적 정보를 사용자 단말에 제공하는 모니터링부;를 포함하는 플랫폼.
A platform that collects and monitors data on environmental hazards and health influencing factors by linking with a first IoT device including a plurality of environmental sensor modules and a second IoT device including a plurality of health sensor modules,
a management unit that collects environmental hazards and health-impacting factors from the first IoT device and the second IoT device, respectively;
a data collection unit that analyzes a plurality of data including the environmental harmful factors and the health-impacting factors to generate meta information for each of the plurality of data, and classifies the plurality of data based on the meta information;
a data set generator that generates a data set by linking the plurality of data based on at least one of the meta information;
A correlation analysis unit that analyzes the correlation between the environmental harmful factors, the correlation between the health-impacting factors, and the correlation between the environmental harmful factors and the health-impacting factors based on the data set, and generates correlation analysis data; and
A platform comprising; a monitoring unit providing spatiotemporal information visualizing the plurality of data and the correlation analysis data to a user terminal.
제1 항에 있어서,
상기 상관성 분석부는 상기 상관성 분석 데이터를 생성하는 경우, 시간적 및 공간적 상관성 분석을 위한 기계학습을 수행하는 것을 특징으로 하는 플랫폼.
According to claim 1,
A platform wherein the correlation analysis unit performs machine learning for temporal and spatial correlation analysis when generating the correlation analysis data.
제2 항에 있어서,
상기 상관성 분석부는 상기 환경유해인자 간 상관성 분석을 위한 기계학습을 하는 경우, 시간적 정보, 지리적 정보, 기상 정보 및 환경유해인자 중 적어도 어느 하나를 입력 변수로 설정하고, 환경유해인자 중 적어도 어느 하나를 출력 변수로 설정하는 것을 특징으로 하는 플랫폼.
According to clause 2,
When performing machine learning to analyze the correlation between the environmental harmful factors, the correlation analysis unit sets at least one of temporal information, geographic information, meteorological information, and environmental harmful factors as an input variable, and sets at least one of the environmental harmful factors. A platform characterized by setting it as an output variable.
제2 항에 있어서,
상기 상관성 분석부는 상기 건강영향인자 간 상관성 및 상기 건강영향인자와 상기 환경유해인자 간의 상관성 분석을 위한 기계학습을 하는 경우, 상기 환경유해인자 중 적어도 어느 하나, 인문사회정보, 지리적 정보, 및 건강영향인자 중 적어도 어느 하나를 입력 변수로 설정하고, 건강영향인자 중 적어도 어느 하나를 출력 변수로 설정하는 것을 특징으로 하는 플랫폼.
According to clause 2,
When the correlation analysis unit performs machine learning to analyze the correlation between the health influencing factors and the correlation between the health influencing factors and the environmental harmful factors, at least one of the environmental harmful factors, humanities and social information, geographical information, and health impact A platform characterized by setting at least one of the factors as an input variable and setting at least one of the health impact factors as an output variable.
제1 항에 있어서,
상기 상관성 분석부는 상기 환경유해인자와 상기 건강영향인자 간의 상관성 예측 데이터를 생성하는 것을 특징으로 하는 플랫폼.
According to claim 1,
A platform characterized in that the correlation analysis unit generates correlation prediction data between the environmental harmful factors and the health influencing factors.
제1 항에 있어서,
상기 관리부는 환경보건 관련 데이터, 생활환경 위해 요인 데이터 및 환경오염 지역 정보 중 어느 하나를 제공하는 외부 연계 시스템으로부터 데이터를 수집하고,
상기 복수의 데이터는 상기 외부 연계 시스템으로부터 수집한 데이터를 포함하되,
상기 모니터링부는 상기 외부 연계 시스템으로부터 수집한 데이터를 분석하여 복수의 지역 각각의 특성을 도출하고, 환경오염 취약 지역을 분류하는 것을 특징으로 하는 플랫폼.
According to claim 1,
The management department collects data from an external linkage system that provides any one of environmental health-related data, living environment hazard data, and environmental pollution area information,
The plurality of data includes data collected from the external linkage system,
A platform wherein the monitoring unit analyzes data collected from the external linkage system to derive characteristics of each of a plurality of regions and classifies areas vulnerable to environmental pollution.
제6 항에 있어서,
상기 상관성 분석부는 상기 환경오염 취약 지역에 대한 상기 환경유해인자와 상기 건강영향인자 사이의 상관성 분석 시 가중치를 부여하는 것을 특징으로 하는 플랫폼.
According to clause 6,
A platform wherein the correlation analysis unit assigns weights when analyzing the correlation between the environmental harmful factors and the health-impacting factors for the area vulnerable to environmental pollution.
제1 항에 있어서,
상기 모니터링부는 사용자별 건강 정보, 복수의 건강 이상 징후 정보 및 상기 환경유해인자와 상기 복수의 건강 이상 징후 정보 사이의 관계 데이터를 제공하는 것을 특징으로 하는 플랫폼.
According to claim 1,
The monitoring unit is a platform characterized in that it provides user-specific health information, plurality of abnormal health sign information, and relationship data between the environmental harmful factors and the plurality of abnormal health symptom information.
제8 항에 있어서,
상기 모니터링부는 사용자가 설정한 기간에 발생된 상기 복수의 건강 이상 징후 정보 각각을 그래프로 변환하여 시각화된 데이터를 제공하고, 상기 복수의 건강 이상 징후 각각에 대하여 상기 사용자가 설정한 기간에 대응하는 상기 환경유해인자의 평균값 및 평가 정보를 제공하는 것을 특징으로 하는 플랫폼.
According to clause 8,
The monitoring unit converts each of the plurality of health abnormality sign information generated in a period set by the user into a graph to provide visualized data, and provides the data corresponding to the period set by the user for each of the plurality of health abnormality signs. A platform characterized by providing average values and evaluation information of environmental harmful factors.
플랫폼이 복수의 환경 센서 모듈을 포함하는 제1 IoT 장치 및 복수의 건강 센서 모듈을 포함하는 제2 IoT 장치로부터 각각 환경유해인자 및 건강영향인자를 수집하는 단계;
상기 플랫폼이 상기 환경유해인자 및 상기 건강영향인자를 포함하는 복수의 데이터 분석하여 상기 복수의 데이터 각각의 메타 정보를 생성하는 단계;
상기 플랫폼이 상기 메타 정보를 기초로 상기 복수의 데이터를 분류하는 단계;
상기 플랫폼이 상기 메타 정보 중 적어도 어느 하나를 기초로 상기 복수의 데이터를 연계하여 데이터 셋을 생성하는 단계;
상기 플랫폼이 상기 데이터 셋을 기초로 상기 환경유해인자 간 상관성, 상기 건강영향인자 간 상관성 및 상기 환경유해인자와 상기 건강영향인자 간 상관성을 분석하고, 상관성 분석 데이터를 생성하는 단계; 및
상기 플랫폼이 상기 복수의 데이터 및 상기 상관성 분석 데이터를 시각화한 시공간적 정보를 사용자 단말에 제공하는 단계;를 포함하는 환경보건 모니터링 방법.
A platform comprising: collecting environmental harmful factors and health influencing factors from a first IoT device including a plurality of environmental sensor modules and a second IoT device including a plurality of health sensor modules;
generating meta information for each of the plurality of data by analyzing a plurality of data including the environmental harmful factors and the health influencing factors, by the platform;
The platform classifying the plurality of data based on the meta information;
generating, by the platform, a data set by linking the plurality of data based on at least one of the meta information;
The platform analyzes the correlation between the environmental harmful factors, the correlation between the health influencing factors, and the correlation between the environmental harmful factors and the health influencing factors based on the data set, and generates correlation analysis data; and
An environmental health monitoring method comprising: providing, by the platform, spatiotemporal information visualizing the plurality of data and the correlation analysis data to a user terminal.
제10 항에 있어서,
상기 플랫폼이 상기 상관성 분석 데이터를 생성하는 단계는,
상기 플랫폼이 시간적 및 공간적 상관성 분석을 위한 기계학습을 수행하는 단계를 포함하는 것을 특징으로 하는 환경보건 모니터링 방법.
According to claim 10,
The step of the platform generating the correlation analysis data is,
An environmental health monitoring method comprising the step of the platform performing machine learning for temporal and spatial correlation analysis.
제11 항에 있어서,
상기 플랫폼이 상기 환경유해인자 간 상관성 분석을 위한 기계학습을 하는 경우, 시간적 정보, 지리적 정보, 기상 정보 및 상기 환경유해인자 중 적어도 어느 하나를 입력 변수로 설정하고, 상기 환경유해인자 중 적어도 어느 하나를 출력 변수로 설정하는 것을 특징으로 하는 환경보건 모니터링 방법.
According to claim 11,
When the platform performs machine learning to analyze the correlation between the environmental harmful factors, at least one of temporal information, geographic information, weather information, and the environmental harmful factors is set as an input variable, and at least one of the environmental harmful factors is set as an input variable. An environmental health monitoring method characterized by setting as an output variable.
제11 항에 있어서,
상기 플랫폼이 상기 건강영향인자 간 상관성 및 상기 건강영향인자와 상기 환경유해인자 간의 상관성 분석을 위한 기계학습을 하는 경우, 상기 환경유해인자 중 적어도 어느 하나, 인문사회정보, 지리적 정보, 및 상기 건강영향인자 중 적어도 어느 하나를 입력 변수로 설정하고, 상기 건강영향인자 중 적어도 어느 하나를 출력 변수로 설정하는 것을 특징으로 하는 환경보건 모니터링 방법.
According to claim 11,
When the platform performs machine learning to analyze the correlation between the health influencing factors and the correlation between the health influencing factors and the environmental harmful factors, at least one of the environmental harmful factors, humanities and social information, geographical information, and the health impact An environmental health monitoring method characterized by setting at least one of the factors as an input variable and setting at least one of the health impact factors as an output variable.
제10 항에 있어서,
상기 플랫폼은 상기 환경유해인자와 상기 건강영향인자 간의 상관성 예측 데이터를 생성하는 단계를 더 포함하는 환경보건 모니터링 방법.
According to claim 10,
The platform further includes the step of generating correlation prediction data between the environmental harmful factors and the health influencing factors.
제10 항에 있어서,
상기 플랫폼이 환경보건 관련 데이터, 생활환경 위해 요인 데이터 및 환경오염 지역 정보 중 어느 하나를 제공하는 외부 연계 시스템으로부터 데이터를 수집하는 단계;를 더 포함하고,
상기 복수의 데이터는 상기 외부 연계 시스템으로부터 수집한 데이터를 포함하되,
상기 플랫폼은 상기 외부 연계 시스템으로부터 수집한 데이터를 분석하여 복수의 지역 각각의 특성을 도출하고, 환경오염 취약 지역을 분류하는 것을 특징으로 하는 환경보건 모니터링 방법.
According to claim 10,
The platform further includes collecting data from an external linkage system that provides any one of environmental health-related data, living environment hazard data, and environmental pollution area information,
The plurality of data includes data collected from the external linkage system,
The platform is an environmental health monitoring method characterized in that it analyzes data collected from the external linkage system to derive characteristics of each of a plurality of regions and classifies areas vulnerable to environmental pollution.
제15 항에 있어서,
상기 플랫폼이 상기 상관성 분석 데이터를 생성하는 단계는,
상기 플랫폼이 상기 환경오염 취약 지역에 대한 상기 환경유해인자와 상기 건강영향인자 사이의 상관성 분석을 하는 단계를 더 포함하되,
상기 플랫폼은 상기 환경오염 취약 지역에 대한 상기 환경유해인자와 상기 건강영향인자 사이의 상관성 분석 시 가중치를 부여하는 것을 특징으로 하는 환경보건 모니터링 방법.
According to claim 15,
The step of the platform generating the correlation analysis data is,
The platform further includes a step of analyzing the correlation between the environmental harmful factors and the health influencing factors for the area vulnerable to environmental pollution,
An environmental health monitoring method, wherein the platform assigns weights when analyzing the correlation between the environmental harmful factors and the health influencing factors for the area vulnerable to environmental pollution.
제10 항에 있어서,
상기 플랫폼이 사용자별 건강 정보, 복수의 건강 이상 징후 정보 및 상기 환경유해인자와 상기 복수의 건강 이상 징후 정보 사이의 관계 데이터를 제공하는 단계를 더 포함하는 것을 특징으로 하는 환경보건 모니터링 방법.
According to claim 10,
An environmental health monitoring method, characterized in that the platform further comprises providing user-specific health information, information on a plurality of abnormal health symptoms, and relationship data between the environmental harmful factors and the plurality of abnormal health symptom information.
제17 항에 있어서,
상기 플랫폼이 상기 환경유해인자와 상기 복수의 건강 이상 징후 정보 사이의 관계 데이터를 제공하는 단계는,
상기 플랫폼이 사용자가 설정한 기간에 발생된 상기 복수의 건강 이상 징후 정보 각각을 그래프로 변환하여 시각화된 데이터를 제공하고, 상기 복수의 건강 이상 징후 각각에 대하여 상기 사용자가 설정한 기간에 대응하는 상기 환경유해인자의 평균값 및 평가 정보를 제공하는 것을 특징으로 하는 환경보건 모니터링 방법.
According to claim 17,
The step of the platform providing relationship data between the environmental harmful factors and the plurality of health abnormality symptom information,
The platform provides visualized data by converting each of the plurality of health abnormality symptom information generated in a period set by the user into a graph, and provides visualized data corresponding to the period set by the user for each of the plurality of health abnormality symptoms. An environmental health monitoring method characterized by providing average values and evaluation information of environmental harmful factors.
KR1020220043407A 2022-04-07 2022-04-07 Encironmental health monitoring system and the method KR20230144301A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220043407A KR20230144301A (en) 2022-04-07 2022-04-07 Encironmental health monitoring system and the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220043407A KR20230144301A (en) 2022-04-07 2022-04-07 Encironmental health monitoring system and the method

Publications (1)

Publication Number Publication Date
KR20230144301A true KR20230144301A (en) 2023-10-16

Family

ID=88506252

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220043407A KR20230144301A (en) 2022-04-07 2022-04-07 Encironmental health monitoring system and the method

Country Status (1)

Country Link
KR (1) KR20230144301A (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251870A (en) * 2023-11-17 2023-12-19 法诺信息产业有限公司 Big data analysis early warning method and system based on block chain and cloud platform thereof

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251870A (en) * 2023-11-17 2023-12-19 法诺信息产业有限公司 Big data analysis early warning method and system based on block chain and cloud platform thereof

Similar Documents

Publication Publication Date Title
Dessai et al. Does climate adaptation policy need probabilities?
Yuan et al. Context-aware hybrid reasoning framework for pervasive healthcare
US9176819B2 (en) Detecting sensor malfunctions using compression analysis of binary decision diagrams
US20180182472A1 (en) Method and system for a mobile health platform
US20210241923A1 (en) Sensor-based machine learning in a health prediction environment
Ghahramani et al. Learning occupants’ workplace interactions from wearable and stationary ambient sensing systems
Kwon et al. Single activity sensor-based ensemble analysis for health monitoring of solitary elderly people
US20130080381A1 (en) Combining Medical Binary Decision Diagrams for Size Optimization
US9177247B2 (en) Partitioning medical binary decision diagrams for analysis optimization
KR20180054413A (en) Methd for optimizing crop production efficency and apparatus for the same
CN108780315A (en) Method and apparatus for the diagnosis for optimizing slewing
KR102088296B1 (en) Method and apparatus of predicting disease correlation based on air quality data
Ahanger et al. A novel IoT–fog–cloud-based healthcare system for monitoring and predicting COVID-19 outspread
Harper et al. A hybrid modelling approach using forecasting and real-time simulation to prevent emergency department overcrowding
Bacciu et al. Smart environments and context-awareness for lifestyle management in a healthy active ageing framework
KR20230144301A (en) Encironmental health monitoring system and the method
US20210398683A1 (en) Passive data collection and use of machine-learning models for event prediction
US20110099054A1 (en) Human behavior analysis system
Talebi et al. Modeling mine workforce fatigue: Finding leading indicators of fatigue in operational data sets
US8719214B2 (en) Combining medical binary decision diagrams for analysis optimization
US20230418958A1 (en) Scalable, data-driven digital marketplace providing a standardized secured data system for interlinking sensitive risk-related data, and method thereof
Zubair et al. Characterizing IoT data and its quality for use
KR20230144683A (en) IoT-BASED BIG DATA COLLECTION AND MANAGEMENT SYSTEM FOR ENVIRONMENTAL HAZARDS AND HEALTH EFFECTS AND THE METHOD
CN115553742A (en) Human body microenvironment data acquisition system for building intelligent operation and maintenance and operation and maintenance method
CN114330136A (en) Water meter based water living condition monitoring method, system, device and storage medium

Legal Events

Date Code Title Description
E902 Notification of reason for refusal