KR20240022788A - Ｃｇｍ 데이터 기반 생활습관 예측 방법 및 그 장치 - Google Patents

Ｃｇｍ 데이터 기반 생활습관 예측 방법 및 그 장치 Download PDF

Info

Publication number
KR20240022788A
KR20240022788A KR1020220101255A KR20220101255A KR20240022788A KR 20240022788 A KR20240022788 A KR 20240022788A KR 1020220101255 A KR1020220101255 A KR 1020220101255A KR 20220101255 A KR20220101255 A KR 20220101255A KR 20240022788 A KR20240022788 A KR 20240022788A
Authority
KR
South Korea
Prior art keywords
data
lifestyle
cgm
lifelog
habits
Prior art date
Application number
KR1020220101255A
Other languages
English (en)
Inventor
모성욱
김대환
Original Assignee
주식회사 케이티
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020220101255A priority Critical patent/KR20240022788A/ko
Publication of KR20240022788A publication Critical patent/KR20240022788A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computing Systems (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Emergency Medicine (AREA)
  • Computational Linguistics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 CGM 데이터 기반 생활습관 예측 장치에 관한 것으로, 개인의 생활습관과 관련된 학습 데이터를 저장하는 데이터베이스; 상기 데이터베이스에 저장된 학습 데이터를 기반으로 생활습관 라이프로그 추정 모델을 생성하는 학습모델 생성부; 및 상기 생성된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출하는 라이프로그 도출부를 포함한다.

Description

ＣＧＭ 데이터 기반 생활습관 예측 방법 및 그 장치 {METHOD FOR PREDICTING A LIFESTYLE BASED ON CONTINUOUS GLUCOSE MONITORING DATA AND APPARATUS THEREOF}
본 발명은 개인의 생활습관을 예측하는 방법 및 그 장치에 관한 것으로서, 보다 구체적으로는 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관과 관련된 라이프로그 데이터를 예측할 수 있는 방법 및 그 장치에 관한 것이다.
비 침습은 의학 용어에서 피부를 관통하지 않거나 신체에 어떤 구멍도 통과하지 않고 질병 따위를 진단하거나 치료하는 방법을 의미한다. 초음파, 심전도, 커프 혈압 측정 등과 같은 비 침습 진단은 인체에 무해할 뿐만 아니라 저렴한 검사 수단을 제공하므로 상시적 진단이나 연속적 모니터링에 널리 사용되고 있다.
혈당은 혈액 속에 포함된 포도당의 농도를 나타내는 말이다. 포도당은 우리 몸의 주요 에너지원으로 부족하면 무기력 단계에서부터 심할 경우 뇌 손상 및 사망에 이를 수 있고, 반대로 높은 상태로 지속하면 심각한 대사질환을 유발한다.
연속혈당측정기(Continuous Glucose Monitoring, CGM)는 개인의 혈당수치와 추세에 대한 실시간의 정보를 제공하는 기기로서 personal CGM와 professional CGM로 분류된다. 연속혈당측정(CGM) 기술은 적시에 인슐린 공급이 필요한 당뇨병 환자들뿐만 아니라 일상적으로 혈당 관리를 희망하는 사람들에게도 매우 유익한 기술이다. 전세계적으로 당뇨병 환자의 지속적인 증가에 따라 전통적인 채혈방식을 대체하기 위한 기술개발 요구가 오랫동안 이어져 오고 있으며, 현재는 무 채혈 최소 침습 방식으로 혈당 변화율을 24시간 이상 연속 측정하는 것도 가능하다. 이와 함께 비 침습 방식으로 간헐적 또는 연속적 혈당 모니터링을 통하여 혁신적 당뇨병 관리를 위한 다양한 기술개발 노력들이 진행되고 있다.
한편, 최근 들어 헬스케어 특히 디지털치료제(Digital Therapeutics, DTx) 분야에서 라이프로그(Lifelog) 데이터 확보가 매우 중요한 역할을 차지하고 있다. 라이프로그란 개인의 일상에 대한 기록을 의미하는 것으로 일상 생활 속에서 기록되고 저장되는 정보를 의미하며 이를 하나의 데이터베이스로 구성한 것이 라이프로그 데이터이다. 특히, 당뇨 관리 또는 당뇨 치료제 분야에 있어서는 개인의 생활습관과 관련된 라이프로그 데이터를 확보하는 것이 매우 중요하다. 이에 따라, 스마트폰, 웨어러블 디바이스, 활동 트래커 또는 음식 태그(food tag) 등을 활용하여 개인의 생활습관과 관련된 라이프로그 데이터를 수집하려는 노력들을 활발히 진행하고 있다. 하지만, 개인의 생활습관과 관련된 다양한 종류의 라이프로그 데이터를 지속적으로 수집하기 위해서는 상당한 비용과 시간이 소요되는 문제가 있다. 따라서, 개인의 생활습관과 관련된 라이프로그 데이터를 효과적으로 확보하는 방안이 필요하다.
(특허문헌 1) WO 2019-244949 A
(특허문헌 2) KR 10-2022-0016487 A
발명자는 개인의 연속혈당측정(CGM) 데이터와 개인의 생활습관과 관련된 라이프로그 데이터(이하, '생활습관 라이프로그 데이터'라 칭함) 사이에 밀접한 관계가 있음을 발견하였고, 이에 착안하여 본 발명은 개인의 연속혈당측정(CGM) 데이터를 기반으로 생활습관 라이프로그 데이터를 도출할 수 있는 방안을 제시한다.
본 발명의 목적은 기계학습모델(Machine learning model)을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있는 방법 및 그 장치를 제공함에 있다.
본 발명의 또 다른 목적은 규칙기반모델(Rule-based model)을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있는 방법 및 그 장치를 제공함에 있다.
상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 개인의 생활습관과 관련된 학습 데이터를 저장하는 데이터베이스; 상기 데이터베이스에 저장된 학습 데이터를 기반으로 생활습관 라이프로그 추정 모델을 생성하는 학습모델 생성부; 및 상기 생성된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출하는 라이프로그 도출부를 포함하는 CGM 데이터 기반 생활습관 예측 장치를 제공한다.
본 발명의 다른 측면에 따르면, 개인의 생활습관과 관련된 학습 데이터를 수집하는 단계; 상기 수집된 학습 데이터를 기반으로 생활습관 라이프로그 추정 모델을 생성하는 단계; 및 상기 생성된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출하는 단계를 포함하는 CGM 데이터 기반 생활습관 예측 방법을 제공한다.
본 발명의 또 다른 측면에 따르면, 개인의 생활습관과 관련된 학습 데이터를 수집하는 과정; 상기 수집된 학습 데이터를 기반으로 생활습관 라이프로그 추정 모델을 생성하는 과정; 및 상기 생성된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출하는 과정이 컴퓨터 상에서 실행 가능하도록 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.
본 발명의 실시 예들에 따른 CGM 데이터 기반 생활습관 예측 방법 및 그 장치의 효과에 대해 설명하면 다음과 같다.
본 발명의 실시 예들 중 적어도 하나에 의하면, 미리 학습된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있다는 장점이 있다.
또한, 본 발명의 실시 예들 중 적어도 하나에 의하면, 미리 정의된 규칙기반모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있다는 장점이 있다.
다만, 본 발명의 실시 예들에 따른 CGM 데이터 기반 생활습관 예측 방법 및 그 장치가 달성할 수 있는 효과는 이상에서 언급한 것들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 제1 실시 예에 따른 생활습관 예측 장치의 구성을 나타내는 도면;
도 2는 본 발명의 제1 실시 예에 따른 생활습관 라이프로그 데이터를 예시하는 도면;
도 3은 본 발명의 제1 실시 예에 따라 생활습관 라이프로그 추정 모델을 생성하는 방법을 설명하는 순서도;
도 4는 도 3의 생활습관 라이프로그 추정 모델 생성 방법에 사용되는 기계학습 알고리즘을 예시하는 도면;
도 5는 본 발명의 제1 실시 예에 따라 생활습관 라이프로그를 도출하는 방법을 설명하는 순서도;
도 6은 도 5의 생활습관 라이프로그 도출 방법을 설명하기 위해 참조되는 도면;
도 7은 본 발명의 제2 실시 예에 따른 생활습관 예측 장치의 구성을 나타내는 도면;
도 8은 본 발명의 제2 실시 예에 따른 규칙 기반 모델을 예시하는 도면;
도 9는 본 발명의 제2 실시 예에 따른 생활습관 예측 방법을 설명하는 순서도;
도 10은 도 9의 생활습관 예측 방법을 설명하기 위해 참조되는 도면;
도 11은 본 발명의 다양한 실시 예에 따른 컴퓨팅 장치의 구성 블록도.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 즉, 본 발명에서 사용되는 '부'라는 용어는 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '부'는 어떤 역할들을 수행한다. 그렇지만 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '부'들로 결합되거나 추가적인 구성요소들과 '부'들로 더 분리될 수 있다.
또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명은 기계학습모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있는 방법 및 그 장치를 제안한다. 또한, 본 발명은 규칙기반모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있는 방법 및 그 장치를 제안한다.
이하에서는, 본 발명의 다양한 실시 예들에 대하여, 도면을 참조하여 상세히 설명한다.
제1 실시 예
도 1은 본 발명의 제1 실시 예에 따른 생활습관 예측 장치의 구성을 나타내는 도면이다.
도 1을 참조하면, 본 발명의 제1 실시 예에 따른 생활습관 예측 장치(100)는 데이터 수집부(110), 학습모델 생성부(120) 및 라이프로그 도출부(130)를 포함할 수 있다. 도 1에 도시된 구성요소들은 생활습관 예측 장치를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 생활습관 예측 장치는 위에서 열거된 구성요소들 보다 많거나 또는 적은 구성요소들을 가질 수 있다.
데이터 수집부(110)는 기계학습모델을 생성하기 위한 학습 데이터를 수집할 수 있다. 여기서, 학습 데이터는 연속혈당측정(CGM) 데이터와, 상기 연속혈당측정(CGM) 데이터에 대응하는 생활습관 라이프로그 데이터를 포함할 수 있다.
연속혈당측정(CGM) 데이터는, 연속혈당측정기를 통해 측정된 혈당 데이터로서, 일정 기간 동안 미리 결정된 시간 주기로 연속 측정된 혈당 데이터를 의미한다. 이하, 본 실시 예에서 설명하는 연속혈당측정(CGM) 데이터는 하루(24시간) 동안 5분 단위로 연속 측정된 혈당 데이터임을 예시하여 설명하도록 한다.
라이프로그 데이터는 개인의 일상 생활 속에서 기록되고 저장되는 데이터를 의미한다. 다만, 본 발명에서 학습의 대상이 되는 라이프로그 데이터는 개인의 생활습관과 관련된 라이프로그 데이터, 즉 생활습관 라이프로그 데이터이다. 여기서, 생활 습관으로는 식사습관, 운동습관, 간식습관, 수면습관, 음주습관 등을 들 수 있다.
가령, 도 2에 도시된 바와 같이, 생활습관 라이프로그 데이터(200)는 하루 식사에 관한 정보(식사 습관 정보), 하루 운동에 관한 정보(운동 습관 정보), 하루 간식에 관한 정보(간식 습관 정보), 하루 수면에 관한 정보(수면 습관 정보) 및 하루 음주에 관한 정보(음주 습관 정보) 등을 포함할 수 있다.
하루 식사에 관한 정보는 하루 식사 횟수, 최초 식사 시작 시각, 최종 식사 종료 시각 등을 포함할 수 있다. 하루 운동에 관한 정보는 하루 운동 횟수, 최초 운동 시작 시각, 최종 운동 종료 시각 등을 포함할 수 있다. 하루 간식에 관한 정보는 하루 간식 횟수, 최초 간식 시작 시각, 최종 간식 종료 시각 등을 포함할 수 있다. 하루 수면에 관한 정보는 하루 수면 시간, 수면 시작 시각, 수면 종료 시각 등을 포함할 수 있다. 하루 음주에 관한 정보는 음주 여부 등을 포함할 수 있다.
이러한 연속혈당측정(CGM) 데이터와, 상기 연속혈당측정(CGM) 데이터에 대응하는 생활습관 라이프로그 데이터는 특정인을 대상으로 일정 기간 동안 수집되거나 혹은 불특정 다수의 사람들을 대상으로 일정 기간 동안 수집될 수 있다.
데이터 수집부(110)는 수집된 학습 데이터를 학습모델 생성부(120)로 제공할 수 있다. 또한, 데이터 수집부(110)는 수집된 학습 데이터를 데이터베이스(또는 스토리지, 미도시)에 저장할 수 있다.
학습모델 생성부(120)는 데이터 수집부(110)로부터 획득한 데이터를 학습하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 예측하기 위한 생활습관 라이프로그 추정 모델을 생성할 수 있다.
좀 더 구체적으로, 학습모델 생성부(120)는 데이터 수집부(110)로부터 획득한 학습 데이터를 기반으로 기계학습 알고리즘의 변수를 설정할 수 있다. 여기서, 기계학습 알고리즘의 변수는 입력 벡터에 해당하는 독립 변수와 출력 벡터에 해당하는 종속 변수를 포함한다.
학습모델 생성부(120)는 학습 데이터 중 연속혈당측정(CGM) 데이터를 기계학습 알고리즘의 독립 변수로 설정할 수 있고, 생활습관 라이프로그 데이터를 해당 알고리즘의 종속 변수로 설정할 수 있다.
학습모델 생성부(120)는 독립 변수 및 종속 변수로 설정된 학습 데이터를 기반으로 미리 결정된 기계학습 알고리즘을 수행하여 생활습관 라이프로그 추정 모델을 생성할 수 있다. 이때, 상기 기계학습 알고리즘으로는 다중선형회귀 알고리즘(Multiple Linear Regression Algorism) 또는 인공 신경망 알고리즘(Artificial Neural Network Algorism) 등이 사용될 수 있으며 반드시 이에 제한되지는 않는다.
학습모델 생성부(120)는 기계학습을 통해 생성된 생활습관 라이프로그 추정 모델을 데이터베이스에 저장할 수 있다.
라이프로그 도출부(130)는 미리 학습된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 예측할 수 있다.
즉, 라이프로그 도출부(130)는 사용자의 연속혈당측정(CGM) 데이터를 획득하고, 상기 획득된 연속혈당측정(CGM) 데이터를 생활습관 라이프로그 추정 모델에 입력하여 해당 사용자의 생활습관 라이프로그 데이터를 도출할 수 있다. 상기 도출된 생활습관 라이프로그 데이터는 당뇨 관리 또는 당뇨 치료제 분야에 활용될 수 있다.
이상 상술한 바와 같이, 본 발명의 제1 실시 예에 따른 생활습관 예측 장치는 미리 학습된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있다.
도 3은 본 발명의 제1 실시 예에 따라 생활습관 라이프로그 추정 모델을 생성하는 방법을 설명하는 순서도이다.
도 3을 참조하면, 본 발명의 제1 실시 예에 따른 생활습관 예측 장치(100)는 기계학습모델을 생성하기 위한 학습 데이터를 수집할 수 있다(S310).
수집 대상의 학습 데이터는 연속혈당측정(CGM) 데이터와, 상기 연속혈당측정(CGM) 데이터에 대응하는 생활습관 라이프로그 데이터를 포함할 수 있다. 상기 연속혈당측정(CGM) 데이터 및 생활습관 라이프로그 데이터는 특정인을 대상으로 일정 기간 동안 수집되거나 혹은 불특정 다수의 사람들을 대상으로 일정 기간 동안 수집될 수 있다.
생활습관 예측 장치(100)는 수집된 학습 데이터를 기반으로 기계학습 알고리즘의 변수를 설정할 수 있다(S320). 일 예로, 상기 생활습관 예측 장치(100)는 수집된 학습 데이터 중 연속혈당측정(CGM) 데이터를 기계학습 알고리즘의 독립 변수로 설정할 수 있고, 생활습관 라이프로그 데이터를 해당 알고리즘의 종속 변수로 설정할 수 있다.
생활습관 예측 장치(100)는 독립 변수 및 종속 변수로 설정된 학습 데이터를 전 처리하는 동작을 수행할 수 있다(S330). 일 예로, 상기 생활습관 예측 장치(100)는 학습 데이터의 결측치 및 이상치를 검출하고, 상기 검출된 결측치 및 이상치를 미리 결정된 전 처리 방식에 따라 보정할 수 있다.
생활습관 예측 장치(100)는 전 처리된 학습 데이터를 두 종류의 데이터 셋, 즉 훈련 데이터 셋(training data set)과 시험 데이터 셋(test data set)으로 분류할 수 있다(S340). 여기서, 훈련 데이터 셋은 기계학습모델을 생성하기 위해 사용될 수 있고, 시험 데이터 셋은 기계학습모델을 검증하기 위해 사용될 수 있다. 한편, 해당 분류 과정은 본 발명의 실시 형태에 따라 생략 가능하도록 구성될 수 있다.
생활습관 예측 장치(100)는 훈련 데이터 셋을 기반으로 미리 결정된 기계학습 알고리즘을 수행할 수 있다(S350). 이때, 상기 기계학습 알고리즘으로는 다중선형회귀 알고리즘 또는 인공 신경망 알고리즘 등이 사용될 수 있으며 반드시 이에 제한되지는 않는다. 일 예로, 도 4에 도시된 바와 같이, 생활습관 예측 장치(100)는 심층 신경망 알고리즘(Deep Neural Network Algorism)을 이용하여 훈련 데이터 셋을 학습할 수 있다.
생활습관 예측 장치(100)는, 기계학습 알고리즘의 종속 변수에 관한 예측 정확도가 기준치 이상이 될 때까지, 해당 기계학습 알고리즘을 반복적으로 수행할 수 있다.
생활습관 예측 장치(100)는 이러한 기계학습 과정을 통해 개인의 생활습관과 관련된 라이프로그 데이터를 도출하기 위한 생활습관 라이프로그 추정 모델을 생성할 수 있다(S360).
생활습관 예측 장치(100)는 시험 데이터 셋을 기반으로 생활습관 라이프로그 추정 모델의 성능을 검증할 수 있다(S370). 해당 검증 과정은 본 발명의 실시 형태에 따라 생략 가능하도록 구성될 수 있다.
생활습관 예측 장치(100)는 검증 완료된 생활습관 라이프로그 추정 모델을 데이터베이스에 저장할 수 있다. 상기 데이터베이스에 저장된 생활습관 라이프로그 추정 모델은 개인의 생활습관과 관련된 라이프로그 데이터를 도출하기 위해 사용될 수 있다.
도 5는 본 발명의 제1 실시 예에 따라 생활습관 라이프로그를 도출하는 방법을 설명하는 순서도이다.
도 5를 참조하면, 본 발명의 제1 실시 예에 따른 생활습관 예측 장치(100)는 특정 사용자의 연속혈당측정(CGM) 데이터를 획득할 수 있다(S510). 여기서, 연속혈당측정(CGM) 데이터는 해당 사용자의 신체에 장착된 연속혈당측정기로부터 획득될 수 있다.
생활습관 예측 장치(100)는 미리 학습된 생활습관 라이프로그 추정 모델을 데이터베이스로부터 호출할 수 있다(S520).
생활습관 예측 장치(100)는 상기 호출된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출할 수 있다.
일 예로, 도 6에 도시된 바와 같이, 생활습관 예측 장치(100)는 특정 사용자의 연속혈당측정(CGM) 데이터(610)를 생활습관 라이프로그 추정 모델(620)에 입력하여 해당 사용자의 생활습관 라이프로그 데이터(630)를 출력할 수 있다. 여기서, 상기 연속혈당측정(CGM) 데이터는 하루(24시간) 동안 5분 단위로 연속 측정된 혈당 데이터이다. 상기 생활습관 라이프로그 데이터는 하루 식사 횟수, 최초 식사 시작 시각, 최종 식사 종료 시각, 하루 운동 횟수, 최초 운동 시작 시각, 최종 운동 종료 시각, 하루 간식 횟수, 최초 간식 시작 시각, 최종 간식 종료 시각, 하루 수면 시간, 수면 시작 시각, 수면 종료 시각, 음주 여부 등을 포함한다.
이상 상술한 바와 같이, 본 발명의 제1 실시 예에 따른 생활습관 예측 방법은 미리 학습된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있다.
제2 실시 예
도 7은 본 발명의 제2 실시 예에 따른 생활습관 예측 장치의 구성을 나타내는 도면이다.
도 7을 참조하면, 본 발명의 제2 실시 예에 따른 생활습관 예측 장치(700)는 데이터 수집부(710), 규칙기반모델 생성부(720) 및 라이프로그 도출부(730)를 포함할 수 있다. 도 7에 도시된 구성요소들은 생활습관 예측 장치를 구현하는데 있어서 필수적인 것은 아니어서, 본 명세서 상에서 설명되는 생활습관 예측 장치는 위에서 열거된 구성요소들 보다 많거나 또는 적은 구성요소들을 가질 수 있다.
데이터 수집부(710)는 규칙기반모델을 생성하기 위한 데이터를 수집할 수 있다. 여기서, 수집 대상 데이터는 연속혈당측정(CGM) 데이터와, 상기 연속혈당측정(CGM) 데이터에 대응하는 생활습관 라이프로그 데이터를 포함할 수 있다. 상기 연속혈당측정(CGM) 데이터 및 생활습관 라이프로그 데이터는 특정인을 대상으로 일정 기간 동안 수집되거나 혹은 불특정 다수의 사람들을 대상으로 일정 기간 동안 수집될 수 있다.
데이터 수집부(710)는 수집된 데이터를 규칙기반모델 생성부(120)로 제공할 수 있다. 또한, 데이터 수집부(710)는 수집된 데이터를 데이터베이스(또는 스토리지, 미도시)에 저장할 수 있다.
규칙기반모델 생성부(720)는 데이터 수집부(710)로부터 획득한 데이터를 분석하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출하기 위한 규칙기반모델을 생성할 수 있다.
일 예로, 도 8에 도시된 바와 같이, 규칙기반모델 생성부(720)는 일정 기간 동안 수집된 다수의 연속혈당측정(CGM) 데이터와 그에 해당하는 생활습관 라이프로그 데이터를 분석하여 생활습관 라이프로그 데이터의 종류에 따른 규칙들을 정의하는 규칙기반모델(800)을 생성할 수 있다. 여기서, 상기 생활습관 라이프로그 데이터는 하루 식사 횟수, 최초 식사 시작 시각, 최종 식사 종료 시각, 하루 운동 횟수, 최초 운동 시작 시각, 최종 운동 종료 시각, 운동 강도, 하루 간식 횟수, 최초 간식 시작 시각, 최종 간식 종료 시각, 하루 수면 시간, 수면 시작 시각, 수면 종료 시각, 음주 여부 등을 포함할 수 있다.
규칙기반모델(800)에 정의된 규칙들은, 생활습관 라이프로그 데이터의 종류에 대응하는 연속혈당측정(CGM) 데이터들이 공통적으로 가지고 있는 특징 정보를 기반으로 설정될 수 있다.
규칙기반모델 생성부(720)는 생성된 규칙기반모델을 데이터베이스에 저장할 수 있다.
라이프로그 도출부(730)는 미리 저장된 규칙기반모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 예측할 수 있다.
즉, 라이프로그 도출부(730)는 사용자의 연속혈당측정(CGM) 데이터를 획득하고, 상기 획득된 연속혈당측정(CGM) 데이터의 패턴을 분석할 수 있다. 라이프로그 도출부(730)는 연속혈당측정(CGM) 데이터의 분석 정보와 규칙기반모델에 정의된 규칙 정보를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출할 수 있다.
일 예로, 라이프로그 도출부(730)는 사용자의 연속혈당측정(CGM) 데이터를 분석하여 규칙기반모델(800)에 정의된 제1 규칙(하루 평균 혈당에서 60 이상 혈당 상승한 마루 횟수)을 만족하는 정보를 검출하고, 상기 검출된 정보를 '하루 식사 횟수'로 결정할 수 있다. 또한, 라이프로그 도출부(730)는 사용자의 연속혈당측정(CGM) 데이터를 분석하여 규칙기반모델(800)에 정의된 제2 규칙(하루 평균 혈당에서 60 이상 혈당 상승한 최초 마루 한시간 전 시점)을 만족하는 정보를 검출하고, 상기 검출된 정보를 '최초 식사 시작 시각'으로 결정할 수 있다. 또한, 라이프로그 도출부(730)는 사용자의 연속혈당측정(CGM) 데이터를 분석하여 규칙기반모델(800)에 정의된 제3 규칙(하루 평균 혈당에서 60 이상 혈당 상승한 마지막 마루 한시간 전 시점)을 만족하는 정보를 검출하고, 상기 검출된 정보를 '최종 식사 종료 시각'으로 결정할 수 있다.
이상 상술한 바와 같이, 본 발명의 제2 실시 예에 따른 생활습관 예측 장치는 미리 정의된 규칙기반모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있다.
도 9는 본 발명의 제2 실시 예에 따른 생활습관 예측 방법을 설명하는 순서도이다.
도 9를 참조하면, 본 발명의 제2 실시 예에 따른 생활습관 예측 장치(700)는 특정 사용자의 연속혈당측정(CGM) 데이터를 획득할 수 있다(S910). 여기서, 연속혈당측정(CGM) 데이터는 해당 사용자의 신체에 장착된 연속혈당측정기로부터 획득될 수 있다.
생활습관 예측 장치(700)는 미리 저장된 규칙기반모델을 데이터베이스로부터 호출할 수 있다(S920).
생활습관 예측 장치(700)는 상기 호출된 규칙기반모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출할 수 있다. 상기 도출된 생활습관 라이프로그 데이터는 당뇨 관리 또는 당뇨 치료제 분야에 활용될 수 있다.
일 예로, 도 10에 도시된 바와 같이, 생활습관 예측 장치(700)는 특정 사용자의 연속혈당측정(CGM) 데이터(1010)를 규칙기반모델(1020)에 적용하여 해당 사용자의 생활습관 라이프로그 데이터(1030)를 도출할 수 있다. 여기서, 상기 연속혈당측정(CGM) 데이터는 하루(24시간) 동안 5분 단위로 연속 측정된 혈당 데이터이다. 상기 생활습관 라이프로그 데이터는 하루 식사 횟수, 최초 식사 시작 시각, 최종 식사 종료 시각, 하루 운동 횟수, 최초 운동 시작 시각, 최종 운동 종료 시각, 하루 간식 횟수, 최초 간식 시작 시각, 최종 간식 종료 시각, 하루 수면 시간, 수면 시작 시각, 수면 종료 시각, 음주 여부 등을 포함한다.
이상 상술한 바와 같이, 본 발명의 제2 실시 예에 따른 생활습관 예측 방법은 미리 정의된 규칙기반모델을 이용하여 특정 사용자의 연속혈당측정(CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 용이하게 도출할 수 있다.
도 11은 본 발명의 다양한 실시 예에 따른 컴퓨팅 장치의 구성 블록도이다.
도 11을 참조하면, 본 발명의 일 실시 예에 따른 컴퓨팅 장치(1100)는 적어도 하나의 프로세서(1110), 컴퓨터 판독 가능 저장 매체(1120) 및 통신 버스(1130)를 포함한다. 상기 컴퓨팅 장치(1100)는 상술한 생활습관 예측 장치(100, 700) 또는 상기 생활습관 예측 장치(100, 700)를 구성하는 요소들(110~130, 710~730)에 포함되는 하나 이상의 컴포넌트일 수 있다.
프로세서(1110)는 컴퓨팅 장치(1100)로 하여금 앞서 언급된 예시적인 실시 예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(1110)는 컴퓨터 판독 가능 저장 매체(1120)에 저장된 하나 이상의 프로그램들(1125)을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(1110)에 의해 실행되는 경우 컴퓨팅 장치(1100)로 하여금 예시적인 실시 예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(1120)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(1120)에 저장된 프로그램(1125)은 프로세서(1110)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시 예에서, 컴퓨터 판독 가능 저장 매체(1120)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(1100)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(1130)는 프로세서(1110), 컴퓨터 판독 가능 저장 매체(1120)를 포함하여 컴퓨팅 장치(1100)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(1100)는 또한 하나 이상의 입출력 장치(1150)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(1140) 및 하나 이상의 네트워크 통신 인터페이스(1160)를 포함할 수 있다. 입출력 인터페이스(1140) 및 네트워크 통신 인터페이스(1160)는 통신 버스(1130)에 연결된다.
입출력 장치(1150)는 입출력 인터페이스(1140)를 통해 컴퓨팅 장치(1100)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(1150)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(1150)는 컴퓨팅 장치(1100)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(1100)의 내부에 포함될 수도 있고, 컴퓨팅 장치(1100)와는 구별되는 별개의 장치로 컴퓨팅 장치(1100)와 연결될 수도 있다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일 수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.
100: 생활습관 예측 장치
110: 데이터 수집부
120: 학습모델 생성부
130: 라이프로그 도출부

Claims (16)

  1. 개인의 생활습관과 관련된 학습 데이터를 저장하는 데이터베이스;
    상기 데이터베이스에 저장된 학습 데이터를 기반으로 생활습관 라이프로그 추정 모델을 생성하는 학습모델 생성부; 및
    상기 생성된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(Continuous Glucose Monitoring, CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출하는 라이프로그 도출부를 포함하는 CGM 데이터 기반 생활습관 예측 장치.
  2. 제1항에 있어서,
    상기 학습 데이터는, 연속혈당측정(CGM) 데이터와, 상기 연속혈당측정(CGM) 데이터에 대응하는 생활습관 라이프로그 데이터를 포함하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  3. 제2항에 있어서,
    상기 학습 데이터는, 특정인을 대상으로 수집되거나 혹은 불특정 다수의 사람들을 대상으로 수집되는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  4. 제2항에 있어서,
    상기 생활습관 라이프로그 데이터는, 식사 습관에 관한 정보, 운동 습관에 관한 정보, 간식 습관에 관한 정보, 수면 습관에 관한 정보 및 음주 습관에 관한 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  5. 제1항에 있어서,
    상기 학습 모델 생성부는, 미리 결정된 기계학습 알고리즘을 이용하여 상기 생활습관 라이프로그 추정 모델을 생성하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  6. 제5항에 있어서,
    상기 기계학습 알고리즘으로는, 다중선형회귀 알고리즘(Multiple Linear Regression Algorism) 및 인공 신경망 알고리즘(Artificial Neural Network Algorism) 중 어느 하나가 사용되는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  7. 제5항에 있어서,
    상기 학습 모델 생성부는, 상기 학습 데이터 중 연속혈당측정(CGM) 데이터를 상기 기계학습 알고리즘의 독립 변수로 설정하고, 상기 학습 데이터 중 생활습관 라이프로그 데이터를 상기 기계학습 알고리즘의 종속 변수로 설정하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  8. 제1항에 있어서,
    상기 라이프로그 도출부는, 특정 사용자의 연속혈당측정(CGM) 데이터를 획득하고, 상기 획득된 연속혈당측정(CGM) 데이터를 상기 생활습관 라이프로그 추정 모델에 입력하여 해당 사용자의 생활습관 라이프로그 데이터를 출력하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  9. 제8항에 있어서,
    상기 특정 사용자의 연속혈당측정(CGM) 데이터는, 해당 사용자의 신체에 장착된 연속혈당측정기로부터 획득되는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  10. 제1항에 있어서,
    상기 라이프로그 도출부는, 24시간 단위의 연속혈당측정(CGM) 데이터를 기반으로 하루 단위의 생활습관 라이프로그 데이터를 도출하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 장치.
  11. 개인의 생활습관과 관련된 학습 데이터를 수집하는 단계;
    상기 수집된 학습 데이터를 기반으로 생활습관 라이프로그 추정 모델을 생성하는 단계; 및
    상기 생성된 생활습관 라이프로그 추정 모델을 이용하여 특정 사용자의 연속혈당측정(Continuous Glucose Monitoring, CGM) 데이터를 기반으로 해당 사용자의 생활습관 라이프로그 데이터를 도출하는 단계를 포함하는 CGM 데이터 기반 생활습관 예측 방법.
  12. 제11항에 있어서,
    상기 학습 데이터는, 연속혈당측정(CGM) 데이터와, 상기 연속혈당측정(CGM) 데이터에 대응하는 생활습관 라이프로그 데이터를 포함하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 방법.
  13. 제12항에 있어서,
    상기 생활습관 라이프로그 데이터는, 식사 습관에 관한 정보, 운동 습관에 관한 정보, 간식 습관에 관한 정보, 수면 습관에 관한 정보 및 음주 습관에 관한 정보 중 적어도 하나를 포함하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 방법.
  14. 제12항에 있어서, 상기 생성 단계는,
    미리 결정된 기계학습 알고리즘을 이용하여 상기 생활습관 라이프로그 추정 모델을 생성하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 방법.
  15. 제14항에 있어서, 상기 생성 단계는,
    상기 학습 데이터 중 연속혈당측정(CGM) 데이터를 상기 기계학습 알고리즘의 독립 변수로 설정하고, 상기 학습 데이터 중 생활습관 라이프로그 데이터를 상기 기계학습 알고리즘의 종속 변수로 설정하는 것을 특징으로 하는 CGM 데이터 기반 생활습관 예측 방법.
  16. 청구항 제11항 내지 제15항 중 어느 하나의 항에 따른 방법이 컴퓨터 상에서 수행될 수 있도록 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020220101255A 2022-08-12 2022-08-12 Ｃｇｍ 데이터 기반 생활습관 예측 방법 및 그 장치 KR20240022788A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220101255A KR20240022788A (ko) 2022-08-12 2022-08-12 Ｃｇｍ 데이터 기반 생활습관 예측 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220101255A KR20240022788A (ko) 2022-08-12 2022-08-12 Ｃｇｍ 데이터 기반 생활습관 예측 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR20240022788A true KR20240022788A (ko) 2024-02-20

Family

ID=90056879

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220101255A KR20240022788A (ko) 2022-08-12 2022-08-12 Ｃｇｍ 데이터 기반 생활습관 예측 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR20240022788A (ko)

Similar Documents

Publication Publication Date Title
Panicker et al. A survey of machine learning techniques in physiology based mental stress detection systems
Zhao et al. EmotionSense: Emotion recognition based on wearable wristband
Alberdi et al. Towards an automatic early stress recognition system for office environments based on multimodal measurements: A review
Goh et al. Robust PPG motion artifact detection using a 1-D convolution neural network
Li et al. Non-invasive monitoring of three glucose ranges based on ECG by using DBSCAN-CNN
US10299735B2 (en) Automated diagnosis based at least in part on pulse waveforms
Rehg et al. Mobile health
Mishra et al. Continuous detection of physiological stress with commodity hardware
Khowaja et al. Toward soft real-time stress detection using wrist-worn devices for human workspaces
WO2018217655A1 (en) Machine differentiation of abnormalities in bioelectromagnetic fields
Chakraborty et al. A multichannel convolutional neural network architecture for the detection of the state of mind using physiological signals from wearable devices
Mazumder et al. Synthetic PPG signal generation to improve coronary artery disease classification: Study with physical model of cardiovascular system
Di Martino et al. High-resolution physiological stress prediction models based on ensemble learning and recurrent neural networks
Chalabianloo et al. Application level performance evaluation of wearable devices for stress classification with explainable AI
US20240008813A1 (en) Smart wearable device and method for estimating traditional medicine system parameters
Reimer et al. Recognizing Sleep Stages with Wearable Sensors in Everyday Settings.
Sajno et al. Machine learning in biosignals processing for mental health: A narrative review
Wang et al. Emotionsense: An adaptive emotion recognition system based on wearable smart devices
US20220087577A1 (en) Method, apparatus and program for measuring electrocardiogram-based blood glucose using artificial intelligence
Mortensen et al. Multi-class stress detection through heart rate variability: A deep neural network based study
Pimentel et al. Human mental state monitoring in the wild: Are we better off with deeperneural networks or improved input features?
Frederiks et al. Mobile social physiology as the future of relationship research and therapy: Presentation of the bio-app for bonding (BAB)
KR20240022788A (ko) Ｃｇｍ 데이터 기반 생활습관 예측 방법 및 그 장치
Maria et al. Stress prediction using enhanced feature selection and knn model
Zhu Emotion Detection System Using Electrodermal Activity Signals from Wearable Devices with Deep Learning Techniques