KR20230158687A - 신체정보를 예측하기 위한 방법 - Google Patents
신체정보를 예측하기 위한 방법 Download PDFInfo
- Publication number
- KR20230158687A KR20230158687A KR1020220058100A KR20220058100A KR20230158687A KR 20230158687 A KR20230158687 A KR 20230158687A KR 1020220058100 A KR1020220058100 A KR 1020220058100A KR 20220058100 A KR20220058100 A KR 20220058100A KR 20230158687 A KR20230158687 A KR 20230158687A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- data
- metabolite
- intestinal microorganism
- processor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 244000005700 microbiome Species 0.000 claims abstract description 119
- 230000000968 intestinal effect Effects 0.000 claims abstract description 117
- 239000002207 metabolite Substances 0.000 claims abstract description 115
- 230000003993 interaction Effects 0.000 claims description 28
- 238000003860 storage Methods 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 description 118
- 238000012549 training Methods 0.000 description 41
- 230000006870 function Effects 0.000 description 35
- 230000008569 process Effects 0.000 description 34
- 238000005516 engineering process Methods 0.000 description 16
- 238000012795 verification Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 208000008589 Obesity Diseases 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 235000020824 obesity Nutrition 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000813 microbial effect Effects 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 206010033307 Overweight Diseases 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 3
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 3
- 235000013376 functional food Nutrition 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000037063 Thinness Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000000577 adipose tissue Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013498 data listing Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 206010048828 underweight Diseases 0.000 description 2
- 241000736262 Microbiota Species 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 244000005709 gut microbiome Species 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007481 next generation sequencing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Genetics & Genomics (AREA)
- Bioethics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에 의해 수행되는 신체정보를 예측하기 위한 방법으로서, 상기 방법은: 사용자의 장내미생물 정보 및 대사산물 정보를 획득하는 단계; 및 신체정보 예측 모델을 이용하여, 상기 장내미생물 정보 및 상기 대사산물 정보로부터, 신체정보를 획득하는 단계;를 포함하고, 상기 신체정보 예측 모델은, 서로 다른 복수의 모델들에 기초하여 마련될 수 있다.
Description
본 개시는 인공지능 기술에 관한 것으로, 보다 구체적으로, 인공지능 기반의 신경망 모델을 이용하여 신체정보를 예측하기 위한 방법에 관한 것이다.
최근 장내미생물(gut microbiome)은 초고속 차세대 염기서열 분석기술(next generation sequencing)의 발달을 통해 분석이 이루어지고 있다. 장내 미생물에 관한 연구는 장내미생물을 분석하여 건강수명을 위한 조기 진단 핵심 인자의 발굴과 이를 기반으로 하는 질병 치료의 원천기술의 개발을 목표로 하고 있다.
마이크로바이옴은 미생물군집(microbiota)과 유전체(genome)의 합성어로, 주어진 환경에 서식하거나 또는 다른 생물과 공존하는 미생물군 자체를 의미할 수 있다. 예를 들어, 마이크로바이옴은 인간의 몸속에서 함께 공존하고 있는 미생물의 유전정보 전체를 의미할 수 있다.
한편, 최근 수년간 딥러닝(deep-learning)을 포함하는 머신러닝(machine-learning) 기술은 영상, 음성 및 텍스트 등 다양한 형태의 데이터 분석에서 기존 방법의 성능을 뛰어 넘는 결과를 보이며 주목받아 왔다. 또한, 머신러닝 기술은 기술 자체에 내재된 확장성 및 유연성으로 인해 다양한 분야에 도입되어 활용되고 있다.
머신러닝 기술이 적용될 수 있는 다양한 분야 중에서도 의료 분야는 의료와 관련된 데이터를 분석하는 시스템을 개발하기 위해 기계학습 기술을 가장 활발하게 도입하고 있는 분야 중 하나에 해당한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 인공지능 기반의 신경망 모델을 이용하여 신체정보를 예측하기 위한 방법을 제공하고자 한다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 신체정보를 예측하기 위한 방법으로서, 상기 방법은: 사용자의 장내미생물 정보 및 대사산물 정보를 획득하는 단계; 및 신체정보 예측 모델을 이용하여, 상기 장내미생물 정보 및 상기 대사산물 정보로부터, 신체정보를 획득하는 단계;를 포함할 수 있다.
대안적으로, 상기 복수의 모델들 각각은 사전 저장된 장내미생물 정보 및 대사산물 정보에 기초하여 생성된 학습 데이터를 통해 사전 학습될 수 있다.
대안적으로, 상기 학습 데이터는, 사전 저장된 상기 장내미생물 정보와 상기 대사산물 정보를 매칭시키는 단계; 매칭된 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용(interaction)이 존재하는지 여부를 판단하는 단계; 및 상기 제 1 장내미생물 정보와 상기 제 1 대사산물 정보 간에 교호작용이 존재하는 경우, 상기 제 1 장내미생물 정보 및 상기 제 1 대사산물 정보를 포함하는 제 1 후보 특징(feature)을 생성하는 단계;에 기초하여 생성될 수 있다.
대안적으로, 매칭된 상기 제 1 장내미생물 정보와 상기 제 1 대사산물 정보 간에 교호작용(interaction)이 존재하는지 여부를 판단하는 단계는, 사전 저장된 상기 장내미생물 정보 및 상기 대사산물 정보에 기초하여 생성된 회귀(regression) 모델을 이용하여, 상기 제 1 장내미생물 정보와 상기 제 1 대사산물 정보 간에 교호작용이 존재하는지 여부를 판단하는 단계;를 포함할 수 있다.
대안적으로, 오토 인코더(auto encoder, AE)를 이용하여, 상기 장내미생물 정보와 상기 대사산물 정보로부터, 제 2 후보 특징을 획득하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 제 1 후보 특징 및 상기 제 2 후보 특징에 기초하여 제 1 모델을 학습시키는 단계; 학습된 상기 제 1 모델을 이용하여, 상기 제 1 후보 특징 및 상기 제 2 후보 특징 각각의 순열(permutation) 특징 중요도를 획득하는 단계; 상기 순열 특징 중요도에 기초하여 주요 특징을 선정하는 단계; 및 상기 주요 특징에 기초하여 상기 학습 데이터를 생성하는 단계;를 더 포함할 수 있다.
대안적으로, 사전 저장된 상기 장내미생물 정보 및 상기 대사산물 정보 각각은, 기존에 존재하는 기존정보 이외에 오버 샘플링(over-sampling)을 통해 생성된 생성정보를 포함할 수 있다.
대안적으로, 상기 신체정보 예측 모델은, 상기 복수의 모델들이 서로 연결되도록 앙상블(ensemble)하여 통합된 모델일 수 있다.
대안적으로, 상기 신체정보 예측 모델은, 상기 서로 다른 복수의 모델들 중에서 평균 절대 오차(mean absolute error, MAE)의 값이 최하의 모델일 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 다른 실시예에 따라, 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 신체정보를 예측하기 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 사용자의 장내미생물 정보 및 대사산물 정보를 획득하는 단계; 및 신체정보 예측 모델을 이용하여, 상기 장내미생물 정보 및 상기 대사산물 정보로부터, 신체정보를 획득하는 단계;를 포함하고, 상기 신체정보 예측 모델은, 서로 다른 복수의 모델들에 기초하여 마련될 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 또 다른 실시예에 따라, 질병을 예측하기 위한 컴퓨팅 장치에 있어서, 프로세서; 상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및 네트워크부;를 포함하고, 상기 프로세서는, 사용자의 장내미생물 정보 및 대사산물 정보를 획득하고, 그리고 신체정보 예측 모델을 이용하여, 상기 장내미생물 정보 및 상기 대사산물 정보로부터, 신체정보를 획득하며, 상기 신체정보 예측 모델은, 서로 다른 복수의 모델들에 기초하여 마련될 수 있다.
본 개시는 인공지능 기반의 신경망 모델을 이용하여 신체정보를 예측할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 개략적인 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 모델을 훈련시키는 과정을 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 오버 샘플링(over-sampling)을 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 신체정보를 예측하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6 및 도 7은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
도 1은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 개략적인 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 3은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 모델을 훈련시키는 과정을 설명하기 위한 도면이다.
도 4는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 오버 샘플링(over-sampling)을 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 신체정보를 예측하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6 및 도 7은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 개략적인 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크가 본 개시 내용에서 표현되는 네트워크에 포함될 수 있다.
본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
한편, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 신체정보를 예측할 수 있다. 구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 사용자의 장내미생물 정보 및 대사산물 정보를 획득할 수 있다.
장내미생물 정보는 주어진 환경에 서식하거나 또는 다른 생물과 공존하는 미생물군 자체에 대한 정보를 의미할 수 있다. 예를 들어, 장내미생물 정보는 사용자의 몸속에서 함께 공존하고 있는 미생물의 유전정보 전체를 의미할 수 있다.
대사산물 정보는 사용자의 신체 내의 물질변화의 결과로서 생성되는 물질들에 대한 정보를 의미할 수 있다. 예를 들어, 대사산물 정보는 아미노산에 대한 정보, 시트르산에 대한 정보, 아세트산에 대한 정보 또는 에탄올에 대한 정보 등을 포함할 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 장내미생물 정보 및 대사산물 정보를 적어도 하나의 외부 기기로부터 수신할 수 있다. 적어도 하나의 외부 기기는 컴퓨팅 장치(100)와 통신을 위한 매커니즘을 갖는 시스템에서의 임의의 형태의 노드들을 의미할 수 있다. 예를 들어, 적어도 하나의 외부 기기는 모바일 단말기, 스마트 폰 등을 포함하는 사용자 단말일 수 있다. 다만, 외부 기기는 이에 한정되지 않으며, 장내미생물 정보 및 대사산물 정보를 저장하고 있는 의료 서버, 의료와 관련된 종사자의 단말 등 다양한 기기를 포함할 수 있다.
본 개시의 몇몇 다른 실시예에 따르면, 컴퓨팅 장치(100)는 장내미생물 정보 및 대사산물 정보를 측정하는 측정부(미도시)를 포함하거나, 무선 또는 유선으로 외부의 측정부와 연동될 수 있다. 컴퓨팅 장치(100)는 측정부를 통해 측정된 사용자의 장내미생물 정보 및 대사산물 정보를 획득할 수 있다.
프로세서(110)는 신체정보 예측 모델을 이용하여, 사용자의 장내미생물 정보 및 대사산물 정보로부터, 신체정보를 획득할 수 있다.
신체정보는 사용자의 신체와 관련된 정보를 포함할 수 있다. 예를 들어, 신체정보는 사용자의 나이, 체중, 비만도 또는/및 사상체질 중 적어도 하나를 포함할 수 있다.
신체정보 예측 모델은 서로 다른 복수의 모델들에 기초하여 마련될 수 있다. 복수의 모델들은 적어도 하나의 인공지능 모델을 포함할 수 있다. 예를 들어, 복수의 모델들은 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine) 또는/및 네트워크 함수 중 적어도 하나를 포함할 수 있다.
랜덤 포레스트(Random Forest)는 변수를 무작위로 선택하여 복수의 트리를 구축하고, 복수의 트리에서 각각 예측된 확률들의 평균치를 최종 값으로 결정할 수 있다.
서포트 벡터 머신(Support Vector Machine)은 기계 학습 분야 중 하나로 패턴 인식, 자료 분석을 위한 지도 학습 모델을 포함할 수 있다. 예를 들어, 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어진 경우, 서포트 벡터 머신은 주어진 데이터 집합을 바탕으로 새로운 데이터가 어느 카테고리에 속할지 판단하는 이진 분류 모델을 포함할 수 있다.
네트워크 함수는 하기에서 도 2을 참조하여 후술하도록 한다.
한편, 신체정보 예측 모델은 복수의 모델들이 서로 연결되도록 앙상블(ensemble)하여 통합된 모델일 수 있다. 일례로, 신체정보 예측 모델은 부스팅(boosting) 방법(예를 들어, Gradient Boosting, XGBoost(eXtreme Gradient Boosting) 등)을 이용하여 랜덤 포레스트 및 서포트 벡터 머신을 결합한 모델일 수 있다. 다만, 신체정보 예측 모델은 이에 한정되지 않으며, 복수의 모델들을 다양한 방식의 앙상블을 통해 통합한 모델일 수 있다.
Gradient Boosting은 이전 모델의 오차를 보완하는 방식으로 복수의 모델들이 순차적으로 연결되도록 구축하여 최종 모델에서 예측된 값을 최종 값으로 결정할 수 있다.
XGBoost(eXtreme Gradient Boosting)는 Gradient Boosting에 기반한 알고리즘으로, 반복 수행마다 교차검증을 수행하여 최적화된 횟수를 결정할 수 있다. 따라서, XGBoost는 결정된 횟수만큼 반복 수행 후, 최종 모델에서 예측된 값을 최종 값으로 결정할 수 있다.
본 개시의 몇몇 다른 실시예에 따르면, 신체정보 예측 모델은 서로 다른 복수의 모델들 중에서 사전 결정된 기준에 기초하여 결정된 모델일 수 있다. 일례로, 신체정보 예측 모델은 서로 다른 복수의 모델들 중에서 평균 절대 오차(mean absolute error, MAE)의 값이 최하의 모델일 수 있다. 평균 절대 오차는 모델에 입력된 데이터와 출력된 데이터 간의 차이에 대한 절댓값의 평균일 수 있다. 따라서, 평균 절대 오차의 값이 적을수록 모델의 정확도가 높다는 것을 의미할 수 있다. 그러므로, 프로세서(110)는 서로 다른 복수의 모델들 중에서 평균 절대 오차의 값이 최하의 모델을 정확도가 가장 높은 모델로 판단하고, 해당 모델을 신체정보 예측 모델로 선택할 수 있다.
한편, 서로 다른 복수의 모델들은 사전 저장된 장내미생물 정보 및 대사산물 정보에 기초하여 생성된 학습 데이터를 통해 사전 학습될 수 있다. 즉, 프로세서(110)는 사전 저장된 장내미생물 정보 및 대사산물 정보에 기초하여 학습 데이터를 생성할 수 있다. 그리고, 프로세서(110)는 생성된 학습 데이터를 통해 복수의 모델들을 사전 학습시킬 수 있다.
사전 저장된 장내미생물 정보 및 대사산물 정보 각각은 기존에 존재하는 기존 정보 이외에 오버 샘플링(over-sampling)을 통해 생성된 생성정보를 포함할 수 있다. 즉, 프로세서(110)는 사전 저장된 장내미생물 정보에 기초하여 오버 샘플링을 통해 장내미생물 생성정보를 생성하고, 장내미생물 생성정보를 사전 저장된 장내미생물 정보에 포함시킬 수 있다. 또한, 프로세서(110)는 사전 저장된 대사산물 정보에 기초하여 오버 샘플링을 통해 대사산물 생성정보를 생성하고, 대사산물 생성정보를 사전 저장된 대사산물 정보에 포함시킬 수 있다.
오버 샘플링은 정보들이 특정 기준에 따른 분포가 불균형한 경우, 정보들의 분포가 균일해지도록 새로운 가상의 정보들을 생성하는 것을 의미할 수 있다. 예를 들어, 오버 샘플링은 연속형 분포에 대해 가상의 정보를 생성할 수 있는 방법론인 SMOGN(Synthetic Minority Over-Sampling Technique for Regression with Gaussian Noise)을 이용하여 새로운 가상의 정보들을 생성할 수 있다.
한편, 학습 데이터는 후술하는 과정을 통해서 프로세서(110)에 의해 생성될 수 있다. 구체적으로, 프로세서(110)는 사전 저장된 장내미생물 정보와 대사산물 정보를 매칭시킬 수 있다.
예를 들어, 프로세서(110)는 사전 저장된 장내미생물 정보와 대사산물 정보를 1:N으로 매칭할 수 있다. 여기서, N은 자연수일 수 있다. N은 사전 결정되어 있거나 또는, 사전 저장된 장내미생물 정보와 대사산물 정보의 수 또는 비율에 따라서 다르게 설정될 수 있다.
다른 예를 들어, 프로세서(110)는 사전 저장된 제 N 장내미생물 정보와 제 N 대사산물 정보를 매칭시킬 수 있다. 프로세서(110)는 사전 저장된 제 1 장내미생물 정보와 사전 저장된 제 1~N 대사산물 정보를 각각 매칭시킬 수 있다. 그리고, 프로세서(110)는 사전 저장된 제 2 장내 미생물 정보와 사전 저장된 제 1~N 대사산물 정보를 각각 매칭시킬 수 있다. 따라서, 프로세서(110)는 사전 저장된 모든 장내미생물 정보와 모든 대사산물 정보를 각각 매칭시킬 수 있다.
프로세서(110)는 매칭된 특정 장내미생물 정보와 특정 대사산물 정보 간에 교호작용(interaction)이 존재하는지 여부를 판단할 수 있다. 예를 들어, 프로세서(110)는 매칭된 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는지 여부를 판단할 수 있다. 교호작용은 매칭된 특정 장내미생물 정보와 특정 대사산물 정보가 서로 원인과 결과가 되는 작용을 의미할 수 있다. 따라서, 프로세서(110)는 매칭된 특정 장내미생물 정보와 특정 대사산물 정보 간에 발생되는 작용의 결과가 산술적인 예상치 또는 평균치보다 높은 값을 가지는 경우, 매칭된 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는 것으로 인식할 수 있다.
구체적으로, 프로세서(110)는 사전 저장된 장내미생물 정보 및 대사산물 정보에 기초하여 생성된 회귀(regression) 모델을 이용하여, 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는지 여부를 판단할 수 있다.
회귀 모델(예를 들어, 다중 선형 회귀 모델(multiple linear regression))은 학습 데이터의 오차 분산을 나타내는 잔차 제곱합(Residual Sum of square, RSS)에 기초하여 변수들 사이의 상관 관계를 산출하는 모델일 수 있다. 잔차 제곱합은 실제 데이터와 예측 모델이 산출한 데이터 사이의 불일치를 평가하는 척도일 수 있다. 따라서, 프로세서(110)는 회귀 모델을 이용하여, 잔차 제곱합이 사전결정된 기준보다 작을수록 교호작용이 존재하는 것으로 판단할 수 있다.
본 개시의 몇몇 실시예에 따르면, 프로세서(110)는 사전 저장된 장내미생물 정보 및 대사산물 정보에 기초하여 제 1 회귀 모델을 생성할 수 있다. 그리고, 프로세서(110)는 제 1 장내미생물 정보와 제 1 대사산물 정보에 기초하여 제 2 회귀 모델을 생성할 수 있다. 프로세서(110)는 제 1 회귀 모델의 결정계수(R-Squared)와 제 2 모델의 결정계수를 비교하여 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는지 여부를 판단할 수 있다. 결정계수는 회귀 모델의 적합도를 나타내는 값일 수 있다. 따라서, 프로세서(110)는 제 1 회귀 모델의 결정계수보다 제 2 회귀 모델의 결정계수가 높은 경우, 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는 것으로 판단할 수 있다.
프로세서(110)는 특정 장내미생물 정보와 특정 대사산물 정보 간에 교호작용이 존재하는 경우, 특정 장내미생물 정보 및 특정 대사산물 정보를 포함하는 후보 특징(feature)을 생성할 수 있다. 예를 들어, 프로세서(110)는 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는 경우, 제 1 장내미생물 정보 및 제 1 대사산물 정보를 포함하는 제 1 후보 특징을 생성할 수 있다. 프로세서(110)는 교호작용이 존재하는 모든 장내미생물 정보 및 대사산물 정보의 쌍(교호작용 항(interaction terms))을 후보 특징으로 생성할 수 있다.
프로세서(110)는 오토 인코더(auto encoder, AE)를 이용하여, 사전 저장된 장내미생물 정보와 대사산물 정보로부터, 제 2 후보 특징을 획득할 수 있다.
오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
제 2 후보 특징은 오토 인코더의 인코더를 이용하여 비선형 차원 감소가 수행되어 축소된 벡터일 수 있다.
프로세서(110)는 사전 저장된 장내미생물 정보와 대사산물 정보를 이용하여 학습 데이터, 검증 데이터, 테스트 데이터를 일정 비율(예를 들어, 8:1:1)로 생성하여 오토 인코더를 학습시킬 수 있다. 프로세서(110)는 오토 인코더를 학습 데이터에 기초하여 학습시키는 과정에서 검증 데이터를 이용하여 오토 인코더를 평가할 수 있다. 프로세서(110)는 오토 인코더를 학습시키는 과정에서 손실 함수를 이용하여 학습 데이터 및 검증 데이터에 대한 로스(loss)를 산출할 수 있다. 프로세서(110)는 오토 인코더를 학습시키는 과정에서 손실 함수를 이용하여 산출된 검증 데이터의 로스가 이전보다 증가하는 과적합(overfitting) 상태일 때, 학습을 중단할 수 있다. 그리고, 프로세서(110)는 학습의 중단 이후, 테스트 데이터를 이용하여 학습된 오토 인코더의 성능을 평가하고 확인할 수 있다. 프로세서(110)는 평균 절대 오차(mean absolute error, MAE) 또는/및 평균 제곱 오차(Mean Square Error, MSE)를 이용하여 오토 인코더의 성능을 평가할 수 있다.
평균 절대 오차는 오토 인코더에 입력된 데이터와 출력된 데이터 간의 차이에 대한 절댓값의 평균일 수 있다. 따라서, 평균 절대 오차의 값이 적을수록 오토 인코더의 정확도가 높다는 것을 의미할 수 있다.
평균 제곱 오차는 오토 인코더에 입력된 데이터와 출력된 데이터 간의 차이에 대한 제곱 값의 평균일 수 있다. 따라서, 평균 제곱 오차의 값이 적을수록 오토 인코더의 정확도가 높다는 것을 의미할 수 있다.
프로세서(110)는 제 1 후보 특징 및 제 2 후보 특징에 기초하여 제 1 모델을 학습시킬 수 있다.
제 1 모델은 인공지능 모델, 회귀 모델 등을 포함할 수 있다. 예를 들어, 제 1 모델은 랜덤 포레스트, 서포트 벡터 머신, 네트워크 함수, 다중 회귀 모델 등을 포함할 수 있다. 예를 들어, 프로세서(110)는 제 1 후보 특징 및 제 2 후보 특징을 이용하여 제 3 회귀 모델을 학습시킬 수 있다. 다만, 제 1 모델은 이에 한정되지 않으며, 다양한 모델을 포함할 수 있다.
프로세서(110)는 학습된 제 1 모델을 이용하여, 제 1 후보 특징 및 제 2 후보 특징 각각의 순열(permutation) 특징 중요도를 획득할 수 있다. 그리고, 프로세서(110)는 순열 특징 중요도에 기초하여 주요 특징을 선정할 수 있다.
순열 특징 중요도는 제 1 후보 특징 및/또는 제 2 후보 특징을 무작위로 배열하여 제 기능을 하지 못하게 만 뒤 결과를 비교하여 산출된 제 1 후보 특징 및/또는 제 2 후보 특징의 중요도일 수 있다.
예를 들어, 프로세서(110)는 학습된 제 1 모델에 제 1 후보 특징을 입력하여 오류와 관련된 제 1 값을 획득할 수 있다. 그리고, 프로세서(110)는 학습된 제 1 모델에 제 1 후보 특징이 섞인(shuffle) 데이터를 입력하여 오류와 관련된 제 2 값을 획득할 수 있다. 그리고, 프로세서(110)는 제 1 값과 제 2 값의 비율 또는 차이 값을 제 1 후보 특징의 순열 특징 중요도로 결정할 수 있다.
또한, 프로세서(110)는 특정 후보 특징의 순열 특징 중요도가 사전 결정된 기준 값보다 큰 경우, 특정 후보 특징을 주요 특징으로 선정할 수 있다. 예를 들어, 프로세서(110)는 제 1 후보 특징의 순열 특징 중요도가 사전 결정된 기준 값보다 큰 경우, 제 1 후보 특징을 주요 특징으로 선정할 수 있다.
본 개시의 몇몇 실시예에 따르면, 프로세서(110)는 주요 특징에 기초하여 학습 데이터, 검증 데이터 및 테스트 데이터를 일정 비율(예를 들어, 8:1:1)로 생성할 수 있다. 프로세서(110)는 복수의 모델들을 학습 데이터에 기초하여 학습시킬 수 있다. 프로세서(110)는 복수의 모델들을 학습 데이터에 기초하여 학습시키는 과정에서 검증 데이터를 이용하여 복수의 모델들을 평가할 수 있다. 프로세서(110)는 복수의 모델들을 학습시키는 과정에서 손실 함수를 이용하여 학습 데이터 및 검증 데이터에 대한 로스(loss)를 산출할 수 있다. 프로세서(110)는 복수의 모델들을 학습시키는 과정에서 손실 함수를 이용하여 산출된 검증 데이터의 로스가 이전보다 증가하는 과적합(overfitting) 상태일 때, 학습을 중단할 수 있다. 그리고, 프로세서(110)는 학습의 중단 이후, 복수의 모델들 중에서 하나의 모델을 선택하는 조기 종료(early stopping)를 수행하고, 선택된 모델에 대해서 테스트 데이터를 이용하여 성능을 평가하고 확인할 수 있다.
한편, 프로세서(110)는 학습 데이터에서 특정 경계에 존재하는 데이터를 제거할 수 있다. 예를 들어, 프로세서(110)는 신체정보 예측 모델을 통해 신체정보인 비만도를 획득하는 경우, 학습 데이터에서 BMI 값의 경계에 존재하는 데이터를 제거할 수 있다.
또한, 프로세서(110)는 학습 데이터에서 정상 범주에서 크게 벗어나는 이상치 및/또는 학습 데이터에서 공란으로 누락된 값인 결측치를 제거할 수도 있다.
프로세서(110)는 획득한 정보들 간에 스케일의 차이가 사전 결정된 범위를 벗어나는 경우에, 정보들의 스케일을 조정할 수 있다. 예를 들어, 프로세서(110)는 획득한 사용자의 장내미생물 정보와 대사산물 정보 간에 스케일(scale)의 차이가 큰 경우, 장내미생물 정보와 대사산물 정보 간에 스케일을 조정하는 스케일링(scaling)을 수행할 수 있다. 스케일링은 표준 스케일러(standard scaler)를 포함할 수 있다. 표준 스케일러는 장내미생물 정보 및 대사산물 정보에 있어서, 각각 평균값을 빼고 표준편차로 나누는 것을 의미할 수 있다. 다만, 스케일링은 이에 한정되지 않으며, 다양한 방법을 통해 정보들 간에 스케일을 조정할 수 있다.
컴퓨팅 장치(100)에 의해 수행되는 신체정보를 예측하기 위한 방법의 구체적인 실시예들을 후술한다. 앞서 상술한 컴퓨팅 장치(100)에 관한 내용과 중복되는 내용은 생략하고, 중복되지 않는 내용에 대해서만 후술한다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 장내미생물 정보, 대사산물 정보 및 제 1 개인정보를 획득할 수 있다. 컴퓨팅 장치(100)는 신체정보 예측 모델을 이용하여, 사용자의 장내미생물 정보, 대사산물 정보 및 제 1 개인정보로부터, 나이를 획득할 수 있다. 제 1 개인정보는 사용자의 성별, 신장, 체중 및/또는 비만도 중 적어도 하나를 포함할 수 있다. 여기서, 신체정보 예측 모델은 서로 다른 복수의 모델들에 기초하여 마련될 수 있다. 예를 들어, 신체정보 예측 모델은 Random forest, XGboost, LightGBM, Deep Neural Networks 중 가장 높은 성능을 보인 Gradient Boosting Model(XGboost 또는 LightGBM) 일 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 장내미생물 정보, 대사산물 정보 및 제 2 개인정보를 획득할 수 있다. 컴퓨팅 장치(100)는 신체정보 예측 모델을 이용하여, 사용자의 장내미생물 정보, 대사산물 정보 및 제 2 개인정보로부터, 체중을 획득할 수 있다. 제 2 개인정보는 사용자의 나이, 성별 및/또는 신장 중 적어도 하나를 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 장내미생물 정보, 대사산물 정보 및 제 3 개인정보를 획득할 수 있다. 컴퓨팅 장치(100)는 신체정보 예측 모델을 이용하여, 사용자의 장내미생물 정보, 대사산물 정보 및 제 3 개인정보로부터, 비만도를 획득할 수 있다. 제 3 개인정보는 사용자의 나이, 체중, 신장 또는/및 성별을 포함할 수 있다. 컴퓨팅 장치(100)는 제 3 개인정보에 포함된 체중 및 신장 값에 따라 BMI를 계산하고, 사전 결정된 기준에 따라 저체중, 정상, 약간 과체중, 과체중으로 분류할 수 있다. 컴퓨팅 장치(100)는 학습 데이터, 검증 데이터 및 테스트 데이터를 포함하는 데이터 세트를 생성하는 경우, 데이터 세트에 [저체중, 정상체중, 약간과체중, 과체중]을 각각 [0,1,2,3]으로 라벨링할 수 있다. 또한, 컴퓨팅 장치(100)는 표본이 상대적으로 적은 데이터에 대해서 업샘플링(upsampling)을 수행할 수 있다.
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 장내미생물 정보, 대사산물 정보 및 제 4 개인정보를 획득할 수 있다. 컴퓨팅 장치(100)는 신체정보 예측 모델을 이용하여, 사용자의 장내미생물 정보, 대사산물 정보 및 제 4 개인정보로부터, 사상체질을 획득할 수 있다. 제 4 개인정보는 사용자의 나이, 성별, 신장, 체중 및/또는 비만도 중 적어도 하나를 포함할 수 있다. 컴퓨팅 장치(100)는 [소양, 소음, 태양, 태음]을 각각 [0,1,2,3]으로 라벨링할 수 있다. 또한, 컴퓨팅 장치(100)는 표본이 상대적으로 적은 데이터에 대해서 업샘플링(upsampling)을 수행할 수 있다.
다만, 컴퓨팅 장치(100)에 의해 수행되는 신체정보를 예측하기 위한 방법의 구체적인 실시예들은 이에 한정되지 않으며, 컴퓨팅 장치(100)는 사용자의 장내미생물 정보 및 대사산물 정보를 이용하여 다양한 정보를 획득할 수 있다.
도 2는 본 개시의 일 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 3은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 조기 종료(early stopping)를 설명하기 위한 도면이다.
도 3을 참조하면, 프로세서(110)는 주요 특징에 기초하여 학습 데이터(10), 검증 데이터(20) 및 테스트 데이터를 일정 비율(예를 들어, 8:1:1)로 생성할 수 있다. 프로세서(110)는 복수의 모델들을 학습 데이터(10)에 기초하여 학습시킬 수 있다. 프로세서(110)는 복수의 모델들을 학습 데이터(10)에 기초하여 학습시키는 과정에서 검증 데이터(20)를 이용하여 복수의 모델들을 평가할 수 있다. 프로세서(110)는 복수의 모델들을 학습시키는 과정(학습 사이클(epoch)이 증가하는 과정)에서 손실 함수를 이용하여 학습 데이터 및 검증 데이터에 대한 로스(loss)를 산출할 수 있다. 프로세서(110)는 복수의 모델들을 학습시키는 과정에서 손실 함수를 이용하여 산출된 검증 데이터의 로스가 이전보다 증가하는 과적합 상태(30)일 때, 학습을 중단할 수 있다. 그리고, 프로세서(110)는 학습의 중단 이후, 복수의 모델들 중에서 하나의 모델을 선택하는 조기 종료(40)를 수행하고, 선택된 모델에 대해서 테스트 데이터를 이용하여 성능을 평가하고 확인할 수 있다.
도 4는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 오버 샘플링(over-sampling)을 설명하기 위한 도면이다.
도 4의 (a)는 기존정보의 분포를 나타내는 도면으로, 가로는 연령, 세로는 정보의 개수를 의미할 수 있다. 도 4의 (a)를 참조하면, 기존정보는 연령이 높을수록 데이터가 급격하게 감소하여 정보의 분포가 불균형하여 조정이 필요한 것을 알 수 있다.
도 4의 (b)는 기존정보의 분포(50) 및 프로세서(110)에 의해 생성된 생성정보의 분포(60)를 나타내는 도면이다. 도 4의 (b)를 참조하면, 기존정보의 불균형을 해소하기 위해 생성정보가 비대칭적으로 분포하고 있는 것을 알 수 있다.
도 4의 (c)는 기존정보와 생성정보를 합친 전체 분포를 나타낸 도면일 수 있다. 도 4의 (a), (b), (c)에서 상술한 바와 같이, 프로세서(110)는 사전 저장된 장내미생물 정보에 기초하여 오버 샘플링을 통해 장내미생물 생성정보를 생성하고, 장내미생물 생성정보를 사전 저장된 장내미생물 정보에 포함시킬 수 있다. 또한, 프로세서(110)는 사전 저장된 대사산물 정보에 기초하여 오버 샘플링을 통해 대사산물 생성정보를 생성하고, 대사산물 생성정보를 사전 저장된 대사산물 정보에 포함시킬 수 있다. 오버 샘플링은 정보들이 특정 기준에 따른 분포가 불균형한 경우, 정보들의 분포가 균일해지도록 새로운 가상의 정보들을 생성하는 것을 의미할 수 있다. 예를 들어, 오버 샘플링은 연속형 분포에 대해 가상의 정보를 생성할 수 있는 방법론인 SMOGN(Synthetic Minority Over-Sampling Technique for Regression with Gaussian Noise)을 이용하여 새로운 가상의 정보들을 생성할 수 있다.
도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 신체정보를 예측하는 방법의 일례를 설명하기 위한 흐름도이다.
도 5를 참조하면, 프로세서(110)는 사용자의 장내미생물 정보 및 대사산물 정보를 획득할 수 있다(S110).
본 개시의 몇몇 실시예에 따르면, 컴퓨팅 장치(100)는 사용자의 장내미생물 정보 및 대사산물 정보를 적어도 하나의 외부 기기로부터 수신할 수 있다. 적어도 하나의 외부 기기는 컴퓨팅 장치(100)와 통신을 위한 매커니즘을 갖는 시스템에서의 임의의 형태의 노드들을 의미할 수 있다. 예를 들어, 적어도 하나의 외부 기기는 모바일 단말기, 스마트 폰 등을 포함하는 사용자 단말일 수 있다. 다만, 외부 기기는 이에 한정되지 않으며, 장내미생물 정보 및 대사산물 정보를 저장하고 있는 의료 서버, 의료와 관련된 종사자의 단말 등 다양한 기기를 포함할 수 있다.
본 개시의 몇몇 다른 실시예에 따르면, 컴퓨팅 장치(100)는 장내미생물 정보 및 대사산물 정보를 측정하는 측정부(미도시)를 포함하거나, 무선 또는 유선으로 외부의 측정부와 연동될 수 있다. 컴퓨팅 장치(100)는 측정부를 통해 측정된 사용자의 장내미생물 정보 및 대사산물 정보를 획득할 수 있다.
프로세서(110)는 신체정보 예측 모델을 이용하여, 장내미생물 정보 및 대사산물 정보로부터, 신체정보를 획득할 수 있다(S120).
신체정보는 사용자의 신체와 관련된 정보를 포함할 수 있다. 예를 들어, 신체정보는 사용자의 나이, 체중, 비만도 또는/및 사상체질 중 적어도 하나를 포함할 수 있다.
신체정보 예측 모델은 서로 다른 복수의 모델들에 기초하여 마련될 수 있다. 복수의 모델들은 적어도 하나의 인공지능 모델을 포함할 수 있다. 예를 들어, 복수의 모델들은 랜덤 포레스트(Random Forest), 서포트 벡터 머신(Support Vector Machine) 또는/및 네트워크 함수 중 적어도 하나를 포함할 수 있다.
도 5에 도시되는 단계들은 예시적인 단계들이다. 따라서, 본 개시내용의 사상의 범위를 벗어나지 않는 한도에서 도 5의 단계들 중 일부가 생략되거나 추가적인 단계들이 존재할 수 있다는 점 또한 당업자에게 명백할 것이다. 또한, 도 5에 기재된 구성들(예를 들어, 컴퓨팅 장치(100)의 구성 등)에 관한 구체적인 내용은 앞서 도 1 내지 도 4를 통해 설명한 내용으로 대체될 수 있다.
도 6 및 도 7은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 학습 데이터를 생성하는 방법의 일례를 설명하기 위한 흐름도이다.
도 6을 참조하면, 프로세서(110)는 사전 저장된 장내미생물 정보와 대사산물 정보를 매칭시킬 수 있다(S210).
예를 들어, 프로세서(110)는 사전 저장된 장내미생물 정보와 대사산물 정보를 1:N으로 매칭할 수 있다. 여기서, N은 자연수일 수 있다. 프로세서(110)는 사전 저장된 제 N 장내미생물 정보와 제 N 대사산물 정보를 매칭시킬 수 있다.
다른 예를 들어, 프로세서(110)는 사전 저장된 제 N 장내미생물 정보와 제 N 대사산물 정보를 매칭시킬 수 있다. 프로세서(110)는 사전 저장된 제 1 장내미생물 정보와 사전 저장된 제 1~N 대사산물 정보를 각각 매칭시킬 수 있다.
프로세서(110)는 매칭된 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는지 여부를 판단할 수 있다(S220).
예를 들어, 프로세서(110)는 매칭된 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는지 여부를 판단할 수 있다. 교호작용은 매칭된 특정 장내미생물 정보와 특정 대사산물 정보가 서로 원인과 결과가 되는 작용을 의미할 수 있다. 따라서, 프로세서(110)는 매칭된 특정 장내미생물 정보와 특정 대사산물 정보 간에 발생되는 작용의 결과가 산술적인 예상치 또는 평균치보다 높은 값을 가지는 경우, 매칭된 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는 것으로 인식할 수 있다.
구체적으로, 프로세서(110)는 사전 저장된 장내미생물 정보 및 대사산물 정보에 기초하여 생성된 회귀(regression) 모델을 이용하여, 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는지 여부를 판단할 수 있다.
프로세서(110)는 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용이 존재하는 경우, 제 1 장내 미생물 정보 및 제 1 대사산물 정보를 포함하는 제 1 후보 특징을 생성할 수 있다(S230).
프로세서(110)는 교호작용이 존재하는 모든 장내미생물 정보 및 대사산물 정보의 쌍(교호작용 항(interaction terms))을 후보 특징으로 생성할 수 있다.
프로세서(110)는 오토 인코더를 이용하여, 장내미생물 정보와 대사산물 정보로부터 제 2 후보 특징을 획득할 수 있다(S240).
제 2 후보 특징은 오토 인코더의 인코더를 이용하여 비선형 차원 감소가 수행되어 축소된 벡터일 수 있다.
도 7을 참조하면, 프로세서(110)는 제 1 후보 특징 및 제 2 후보 특징에 기초하여 제 1 모델을 학습할 수 있다(S250).
제 1 모델은 인공지능 모델, 회귀 모델 등을 포함할 수 있다. 예를 들어, 제 1 모델은 랜덤 포레스트, 서포트 벡터 머신, 네트워크 함수, 다중 회귀 모델 등을 포함할 수 있다. 예를 들어, 프로세서(110)는 제 1 후보 특징 및 제 2 후보 특징을 이용하여 제 3 회귀 모델을 학습시킬 수 있다. 다만, 제 1 모델은 이에 한정되지 않으며, 다양한 모델을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 제 1 모델은 제 1 후보 특징 및 제 2 후보 특징의 중요도 또는 기여도를 산출할 수 있는 explainable AI 모델을 포함할 수도 있다. 제 1 모델은 기여도 또는 중요도를 산출하기 위한 모델로, 제 1 후보 특징 및 제 2 후보 특징 각각의 특징 중요도(feature importance)를 연산할 수 있다. 본 개시내용에서의 기여도와 중요도는 서로 호환 가능하게 사용될 수 있다.
explainable AI 모델은 복수의 모델들의 가중치 및 입력 데이터(장내미생물 정보 및 대사산물 정보)에 기초하여 동작 가능한, 예를 들어 SHAP 모델을 포함할 수 있다.
프로세서(110)는 학습된 제 1 모델을 이용하여, 제 1 후보 특징 및 제 2 후보 특징 각각의 순열 특징 중요도를 획득할 수 있다(S260).
순열 특징 중요도는 제 1 후보 특징 및/또는 제 2 후보 특징을 무작위로 배열하여 제 기능을 하지 못하게 만 뒤 결과를 비교하여 산출된 제 1 후보 특징 및/또는 제 2 후보 특징의 중요도일 수 있다.
프로세서(110)는 순열 특징 중요도에 기초하여 주요 특징을 선정할 수 있다(S270).
프로세서(110)는 특정 후보 특징의 순열 특징 중요도가 사전 결정된 기준 값보다 큰 경우, 특정 후보 특징을 주요 특징으로 선정할 수 있다. 예를 들어, 프로세서(110)는 제 1 후보 특징의 순열 특징 중요도가 사전 결정된 기준 값보다 큰 경우, 제 1 후보 특징을 주요 특징으로 선정할 수 있다.
프로세서(110)는 주요 특징에 기초하여 학습 데이터를 생성할 수 있다(S280).
프로세서(110)는 주요 특징에 기초하여 학습 데이터, 검증 데이터 및 테스트 데이터를 일정 비율(예를 들어, 8:1:1)로 생성할 수 있다. 프로세서(110)는 복수의 모델들을 학습 데이터에 기초하여 학습시킬 수 있다. 프로세서(110)는 복수의 모델들을 학습 데이터에 기초하여 학습시키는 과정에서 검증 데이터를 이용하여 복수의 모델들을 평가할 수 있다. 프로세서(110)는 복수의 모델들을 학습시키는 과정에서 손실 함수를 이용하여 학습 데이터 및 검증 데이터에 대한 로스(loss)를 산출할 수 있다. 프로세서(110)는 복수의 모델들을 학습시키는 과정에서 손실 함수를 이용하여 산출된 검증 데이터의 로스가 이전보다 증가하는 과적합(overfitting) 상태일 때, 학습을 중단할 수 있다. 그리고, 프로세서(110)는 학습의 중단 이후, 복수의 모델들 중에서 하나의 모델을 선택하는 조기 종료(early stopping)를 수행하고, 선택된 모델에 대해서 테스트 데이터를 이용하여 성능을 평가하고 확인할 수 있다.
도 6 및 도 7에 도시되는 단계들은 예시적인 단계들이다. 따라서, 본 개시내용의 사상의 범위를 벗어나지 않는 한도에서 도 6 및 도 7의 단계들 중 일부가 생략되거나 추가적인 단계들이 존재할 수 있다는 점 또한 당업자에게 명백할 것이다. 또한, 도 6 및 도 7에 기재된 구성들(예를 들어, 컴퓨팅 장치(100)의 구성 등)에 관한 구체적인 내용은 앞서 도 1 내지 도 5를 통해 설명한 내용으로 대체될 수 있다.
본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 장내미생물 및 대사산물에 기초하여 신체정보를 예측할 수 있다. 따라서, 컴퓨팅 장치(100)는 예측된 신체정보에 기초하여 미래의 건강을 예측할 수 있다.
또한, 컴퓨팅 장치(100)는 예측된 신체정보에 기초하여 개인 맞춤 추천을 수행할 수 있다. 컴퓨팅 장치(100)는 예측된 신체정보에 기초하여 개인 맞춤형 건강기능 식품, 운동 등을 추천할 수 있다.
예를 들어, 컴퓨팅 장치(100)는 예측된 신체정보에 기초하여 문제가 될 것으로 예상되는 질환(예를 들어, 고혈압, 과체지방, 당뇨, 뇌질환 등)에 관련된 건강기능 식품, 운동 등을 매칭하여 사용자에게 제공할 수 있다.
다른 예를 들어, 컴퓨팅 장치(100)는 예측된 신체정보와 실제 신체정보 사이의 차이에 기초하여 문제가 될 것으로 예상되는 질환(예를 들어, 고혈압, 과체지방, 당뇨, 뇌질환 등)에 관련된 건강기능 식품, 운동 등을 매칭하여 사용자에게 제공할 수 있다.
따라서, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 장내미생물 및 대사산물에 기초하여 신체정보를 예측함으로써, 사용자에게 알맞은 해결책을 제시해줄 수 있다.
도 8은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (11)
- 컴퓨팅 장치에 의해 수행되는 신체정보를 예측하기 위한 방법으로서, 상기 방법은:
사용자의 장내미생물 정보 및 대사산물 정보를 획득하는 단계; 및
신체정보 예측 모델을 이용하여, 상기 장내미생물 정보 및 상기 대사산물 정보로부터, 신체정보를 획득하는 단계;
를 포함하고,
상기 신체정보 예측 모델은,
서로 다른 복수의 모델들에 기초하여 마련되는,
방법.
- 제 1 항에 있어서,
상기 복수의 모델들 각각은 사전 저장된 장내미생물 정보 및 대사산물 정보에 기초하여 생성된 학습 데이터를 통해 사전 학습되는,
방법.
- 제 2 항에 있어서,
상기 학습 데이터는,
사전 저장된 상기 장내미생물 정보와 상기 대사산물 정보를 매칭시키는 단계;
매칭된 제 1 장내미생물 정보와 제 1 대사산물 정보 간에 교호작용(interaction)이 존재하는지 여부를 판단하는 단계; 및
상기 제 1 장내미생물 정보와 상기 제 1 대사산물 정보 간에 교호작용이 존재하는 경우, 상기 제 1 장내미생물 정보 및 상기 제 1 대사산물 정보를 포함하는 제 1 후보 특징(feature)을 생성하는 단계;
에 기초하여 생성되는,
방법.
- 제 3 항에 있어서,
매칭된 상기 제 1 장내미생물 정보와 상기 제 1 대사산물 정보 간에 교호작용(interaction)이 존재하는지 여부를 판단하는 단계는,
사전 저장된 상기 장내미생물 정보 및 상기 대사산물 정보에 기초하여 생성된 회귀(regression) 모델을 이용하여, 상기 제 1 장내미생물 정보와 상기 제 1 대사산물 정보 간에 교호작용이 존재하는지 여부를 판단하는 단계;
를 포함하는,
방법.
- 제 3 항에 있어서,
오토 인코더(auto encoder, AE)를 이용하여, 상기 장내미생물 정보와 상기 대사산물 정보로부터, 제 2 후보 특징을 획득하는 단계;
를 더 포함하는,
방법.
- 제 5 항에 있어서,
상기 제 1 후보 특징 및 상기 제 2 후보 특징에 기초하여 제 1 모델을 학습시키는 단계;
학습된 상기 제 1 모델을 이용하여, 상기 제 1 후보 특징 및 상기 제 2 후보 특징 각각의 순열(permutation) 특징 중요도를 획득하는 단계;
상기 순열 특징 중요도에 기초하여 주요 특징을 선정하는 단계; 및
상기 주요 특징에 기초하여 상기 학습 데이터를 생성하는 단계;
를 더 포함하는,
방법.
- 제 2 항에 있어서,
사전 저장된 상기 장내미생물 정보 및 상기 대사산물 정보 각각은, 기존에 존재하는 기존정보 이외에 오버 샘플링(over-sampling)을 통해 생성된 생성정보를 포함하는,
방법.
- 제 1 항에 있어서,
상기 신체정보 예측 모델은,
상기 복수의 모델들이 서로 연결되도록 앙상블(ensemble)하여 통합된 모델인,
방법.
- 제 1 항에 있어서,
상기 신체정보 예측 모델은,
상기 서로 다른 복수의 모델들 중에서 평균 절대 오차(mean absolute error, MAE)의 값이 최하의 모델인,
방법.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 신체정보를 예측하기 위한 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
사용자의 장내미생물 정보 및 대사산물 정보를 획득하는 단계; 및
신체정보 예측 모델을 이용하여, 상기 장내미생물 정보 및 상기 대사산물 정보로부터, 신체정보를 획득하는 단계;
를 포함하고,
상기 신체정보 예측 모델은,
서로 다른 복수의 모델들에 기초하여 마련되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 질병을 예측하기 위한 컴퓨팅 장치에 있어서,
프로세서;
상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및
네트워크부;
를 포함하고,
상기 프로세서는,
사용자의 장내미생물 정보 및 대사산물 정보를 획득하고, 그리고
신체정보 예측 모델을 이용하여, 상기 장내미생물 정보 및 상기 대사산물 정보로부터, 신체정보를 획득하며,
상기 신체정보 예측 모델은,
서로 다른 복수의 모델들에 기초하여 마련되는,
컴퓨팅 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220058100A KR20230158687A (ko) | 2022-05-12 | 2022-05-12 | 신체정보를 예측하기 위한 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220058100A KR20230158687A (ko) | 2022-05-12 | 2022-05-12 | 신체정보를 예측하기 위한 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230158687A true KR20230158687A (ko) | 2023-11-21 |
Family
ID=88982262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220058100A KR20230158687A (ko) | 2022-05-12 | 2022-05-12 | 신체정보를 예측하기 위한 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230158687A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102119825B1 (ko) | 2019-10-15 | 2020-06-05 | 주식회사 아미코스메틱 | 현미, 녹차 및 포공영 발효 추출물을 포함하는 피부 내 마이크로바이옴 균형 유지용 화장료 조성물 및 이의 제조 방법 |
-
2022
- 2022-05-12 KR KR1020220058100A patent/KR20230158687A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102119825B1 (ko) | 2019-10-15 | 2020-06-05 | 주식회사 아미코스메틱 | 현미, 녹차 및 포공영 발효 추출물을 포함하는 피부 내 마이크로바이옴 균형 유지용 화장료 조성물 및 이의 제조 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102583582B1 (ko) | 어노말리 데이터 생성 방법 | |
| KR102362679B1 (ko) | 심전도 신호 기반의 만성질환 예측 방법 | |
| KR102362678B1 (ko) | 생체신호 분석 방법 | |
| KR102490060B1 (ko) | 신경망 모델을 활용한 부분적인 이미지 변환 방법 | |
| KR102478076B1 (ko) | 음성 인식 오류 검출을 위해 학습 데이터를 생성하기 위한 방법 | |
| US20230152777A1 (en) | Method for detecting abnormality | |
| KR20240034095A (ko) | 신경망 모델을 이용한 이미지 특징 추출 방법 | |
| KR102647608B1 (ko) | 신경망 모델의 다양성을 위한 학습 방법 | |
| KR20230158687A (ko) | 신체정보를 예측하기 위한 방법 | |
| KR102554181B1 (ko) | 골 영상으로부터 골 연령을 판독하는 방법 | |
| KR102606619B1 (ko) | 피드백 정보를 이용한 수술 후 외상 회복률 예측 방법 | |
| KR102602593B1 (ko) | 원격지 실행을 통한 개발 환경 제공 방법 | |
| KR102669806B1 (ko) | 수학 문제의 풀이를 보조하기 위한 방법 및 장치 | |
| KR102430779B1 (ko) | 질환 판단 방법 | |
| KR102508654B1 (ko) | 이미지 기반 테이블 경계선 생성 방법 | |
| KR102606617B1 (ko) | 확산 모델을 이용한 동영상 생성 방법 | |
| KR102647511B1 (ko) | 대규모 언어 모델의 강화 학습 방법 | |
| US20240161930A1 (en) | Prediction method using static and dynamic data | |
| KR20230159938A (ko) | 생체 신호 분석 방법 | |
| KR20240025318A (ko) | 배열 정보로부터 예측 결과를 출력하는 방법 | |
| KR20240025317A (ko) | 심장 나이를 예측하는 방법 | |
| KR20230138687A (ko) | 신체 내부의 생체 정보를 예측하는 방법 | |
| KR20240050005A (ko) | 배열 정보의 유사도 판단 방법 | |
| KR20230135920A (ko) | 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치 | |
| KR20230031420A (ko) | 커리큘럼 기반의 능동적 학습 방법 |