KR20240022917A - 인공지능 기반 스마트 헬스 케어 시스템 및 방법 - Google Patents

인공지능 기반 스마트 헬스 케어 시스템 및 방법 Download PDF

Info

Publication number
KR20240022917A
KR20240022917A KR1020220101606A KR20220101606A KR20240022917A KR 20240022917 A KR20240022917 A KR 20240022917A KR 1020220101606 A KR1020220101606 A KR 1020220101606A KR 20220101606 A KR20220101606 A KR 20220101606A KR 20240022917 A KR20240022917 A KR 20240022917A
Authority
KR
South Korea
Prior art keywords
neural network
convolutional neural
encoder
dimensionality reduction
artificial intelligence
Prior art date
Application number
KR1020220101606A
Other languages
English (en)
Inventor
유영록
강승호
Original Assignee
주식회사 소울소프트
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 소울소프트 filed Critical 주식회사 소울소프트
Priority to KR1020220101606A priority Critical patent/KR20240022917A/ko
Publication of KR20240022917A publication Critical patent/KR20240022917A/ko

Links

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
    • G16H50/20—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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 인공지능 기반 스마트 헬스 케어 시스템에 관한 것으로서, 사용자 질의 답변(x, x’)을 입출력으로 하여 제 1 학습된 오토 인코더 내의 차원축소를 수행하는 차원축소 인코더; 상기 차원축소 인코더로부터 차원축소된 잠재변수(z)를 입력받는 콘볼루션 신경망; 상기 차원축소 인코더와 상기 콘볼루션 신경망이 연결되어 상기 사용자 질의 답변(x)을 상기 차원축소 인코더의 입력으로 하고 이로부터 출력되는 상기 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망의 입력으로 하며 추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망의 출력으로 하여 제 2 학습되는 것을 특징으로 한다.

Description

인공지능 기반 스마트 헬스 케어 시스템 및 방법{System and method for smart health care based on artificial intelligence}
본 발명은 인공지능 기반 스마트 헬스 케어 시스템 및 방법에 관한 것으로서, 오토 인코더를 사용하여 사용자의 질의 답변을 입출력으로 학습하고, 상기 오토 인코더의 디코더를 콘볼루션 신경망으로 교체한 후 사용자의 질의 답변을 입력으로 하고 복수의 동영상에 대한 평가를 타겟으로 하여 학습된 하이브리드 모델에 특정 사용자의 질의 응답이 입력되면 복수의 동영상에 대한 평가를 출력하여 평가가 좋은 동영상을 추천하기 위한 것이다.
최근 세계적인 유행병으로 인한 비대면 서비스의 필요성이 증가됨에 따라 오프라인 운동 및 건강 관련 대면 서비스에 대하여 비대면 서비스의 제공 필요성이 증가하고 있다.
또한 고품질의 스마트 헬스 케어 및 홈트레이닝 서비스의 수요가 증가함에 따라 건강 관련 상품 및 서비스에 대한 허위 과대광고가 만연하여 이에 대한 피해를 최소화할 수 있는 신뢰성 있고 정확한 건강 및 다이어트 정보를 제공하며 개인 맞춤형 상품 및 서비스 정보를 제공할 필요도 발생하고 있다.
여러 분야에 인공지능 기술이 적용되면서 헬스 케어 분야에도 인공지능 기술이 적용되어 스마트 헬스 케어 기술이 관심을 받고 있는데, 일반적으로 인공지능 학습을 위하여 사용자로부터 데이터를 수집하여 확보하고 개인별 유형을 분류하고 분류된 유형에 따라 맞춤형 운동, 건강, 다이어트 정보를 제공하고 있으나, 인공지능 학습을 위한 데이터 품질이 낮아서 맞춤형 정보의 정확도가 떨어진다는 문제점이 있다.
공개특허공보 제10-2013-0140589호는 헬스케어 어플리케이션에 관한 것으로서, 사용자로부터 입력받은 응답 데이터로부터 사용자와 관련된 복수 개의 시나리오를 제공하여 사용자의 능동적인 참여를 유도하는 헬스케어 어플리케이션을 제공하고 있으나, 이러한 응답 데이터와 이와 관련된 시나리오는 인공지능 학습을 위한 데이터 품질이 낮아서 맞춤형 정보의 정확도가 떨어진다는 문제점이 있다.
등록특허공보 제10-2188766호는 인공지능 기반의 헬스케어 서비스 제공장치에 관한 것으로서, 문진표의 답변 내용을 사용자 정보로 활용하고 인공지능을 기반으로 하여 롤모델을 통해 사용자와 인터랙티브를 수행하여 사용자에게 맞춤형 건강상담을 서비스하고 있으나, 인공지능을 기반으로 하는 구체적인 구성이 나타나 있지 아니하여 인공지능 학습을 위한 데이터 품질이 낮아서 맞춤형 건강상담 서비스의 정확도가 떨어진다는 문제점이 있다.
등록특허공보 제10-2335374호는 헬스케어 관리 장치 및 방법에 관한 것으로서, 개인의 일상생활을 고려한 복합적이고 입체적인 데이터 해석 및 추천이 가능하도록 하기 위하여 텍스트, 이미지, 동영상 중 적어도 하나를 분석하여 건강관련 데이터를 추출하고 이를 개인화된 건강 데이터베이스에 자장하며, 이를 기초로 사용자에 대한 솔루션을 도출하고 컨텐츠를 제안하고 있으나, 텍스트, 이미지, 동영상 중 적어도 하나를 분석하여 건강관련 데이터를 추출하기 위하여 딥러닝 기반의 일반적인 데이터 추출 모델을 제시하고 있을 뿐이고, 인공지능 학습을 위한 데이터 품질이 낮아서 맞춤형 건강상담 서비스의 정확도가 떨어진다는 문제점이 있다.
등록특허공보 제10-1600515호는 헬스케어 서비스 제공 방법 및 이를 위한 장치들에 관한 것으로서, 사용자의 건강관리에 대한 목표 의식을 고취시키고 사용자가 지속적인 건강 관리 실행을 도모할 수 있도록 사용자의 선호 정보를 파악하여 필터링된 건강 또는 질병 정보를 제공하고 있으며,
공개특허공보 제10-2013-0140589호 등록특허공보 제10-2188766호 등록특허공보 제10-2335374호 등록특허공보 제10-1600515호
본 발명은, 사용자의 유형을 분류하고 분류한 유형에 따른 맞춤형 콘텐츠를 제공하는 것을 목적으로 한다.
또한 본 발명의 다른 목적은, 설문조사에서 얻은 사용자 질의 답변의 차원을 축소하여 사용자의 유형을 분류하고 분류한 유형에 따른 맞춤형 콘텐츠를 제공하는 것이다.
또한 본 발명의 다른 목적은, 오토 인코더를 활용하여 설문조사에서 얻은 사용자 질의 답변의 차원을 축소하고 콘볼루션 신경망을 활용하여 사용자의 유형을 분류하고 분류한 유형에 따른 맞춤형 콘텐츠를 제공하는 것이다.
또한 본 발명의 다른 목적은, 설문조사에서 얻은 사용자 질의 답변에 대하여 오토 인코더를 활용하여 제 1 학습을 수행하여 사용자 질의 답변의 차원을 축소하고, 콘볼루션 신경망을 활용하여 제 2 학습을 수행하여 사용자의 유형을 분류하고 분류한 유형에 따른 맞춤형 콘텐츠를 제공하는 것이다.
본 발명이 해결하고자 하는 과제는 상기 목적으로만 제한하지 아니하고, 위에서 명시적으로 나타내지 아니한 다른 기술적 과제는 이하 본 발명의 구성 및 작용을 통하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 쉽게 이해할 수 있을 것이다.
본 발명에서는, 상기 과제를 해결하기 위하여 이하의 구성을 포함한다.
본 발명은 인공지능 기반 스마트 헬스 케어 시스템에 관한 것으로서, 사용자 질의 답변(x, x’)을 입출력으로 하여 제 1 학습된 오토 인코더 내의 차원축소를 수행하는 차원축소 인코더; 상기 차원축소 인코더로부터 차원축소된 잠재변수(z)를 입력받는 콘볼루션 신경망; 상기 차원축소 인코더와 상기 콘볼루션 신경망이 연결되어 상기 사용자 질의 답변(x)을 상기 차원축소 인코더의 입력으로 하고 이로부터 출력되는 상기 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망의 입력으로 하며 추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망의 출력으로 하여 제 2 학습되는 것을 특징으로 한다.
본 발명의 상기 오토 인코더는, 사용자 질의 답변(x)을 입력으로 하여 차원축소된 잠재변수(z)로 압축하는 차원축소 인코더, 상기 차원축소된 잠재변수(z)를 사용자 질의 답변(x’)으로 차원확장하여 복구하는 차원확장 디코더를 포함하는 것을 특징으로 한다.
상기 오토 인코더의 제 1 학습은 비지도 학습으로 수행되는 것을 특징으로 하는 인공지능 기반 스마트 헬스 케어 시스템.
본 발명의 상기 차원축소 인코더와 상기 콘볼루션 신경망이 연결되어 상기 사용자 질의 답변을 입력으로 하고 추천 콘텐츠에 대한 평가를 출력으로 하여 수행되는 제 2 학습은 지도학습으로 수행되는 것을 특징으로 한다.
또한 본 발명은 인공지능 기반 스마트 헬스 케어 방법에 관한 것으로서, 오토 인코더에서 사용자 질의 답변(x, x’)을 입출력으로 하여 제 1 학습이 수행된 후에 상기 오토 인코더의 차원축소 인코더를 콘볼루션 신경망에 연결하는 단계; 상기 차원축소 인코더에 사용자 질의 답변(x)을 입력하는 단계; 상기 차원축소 인코더로부터 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망에서 입력받는 단계; 추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망에서 출력하는 단계; 상기 차원축소 인코더와 상기 콘볼루션 신경망이 연결되어 상기 사용자 질의 답변(x)을 상기 차원축소 인코더의 입력으로 하고 이로부터 출력되는 상기 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망의 입력으로 하며 추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망의 출력으로 하여 제 2 학습되는 것을 특징으로 한다.
또한 본 발명은 인공지능 기반 스마트 헬스 케어 방법을 실행시키기 위하여 저장매체에 기록되는 컴퓨터프로그램일 수 있다.
본 발명의 효과는 사용자의 유형을 분류하고 분류한 유형에 따른 맞춤형 콘텐츠를 제공하는 것을 가능하게 하는 것이다.
또한 본 발명의 다른 효과는, 설문조사에서 얻은 사용자 질의 답변의 차원을 축소하여 사용자의 유형을 분류하고 분류한 유형에 따른 맞춤형 콘텐츠를 제공하는 것을 가능하게 하는 것이다.
또한 본 발명의 다른 효과는, 오토 인코더를 활용하여 설문조사에서 얻은 사용자 질의 답변의 차원을 축소하고 콘볼루션 신경망을 활용하여 사용자의 유형을 분류하고 분류한 유형에 따른 맞춤형 콘텐츠를 제공하는 것을 가능하게 하는 것이다.
또한 본 발명의 다른 효과는, 설문조사에서 얻은 사용자 질의 답변에 대하여 오토 인코더를 활용하여 제 1 학습을 수행하여 사용자 질의 답변의 차원을 축소하고, 콘볼루션 신경망을 활용하여 제 2 학습을 수행하여 사용자의 유형을 분류하고 분류한 유형에 따른 맞춤형 콘텐츠를 제공하는 것을 가능하게 하는 것이다.
본 발명에 의한 효과는 상기 효과로만 제한하지 아니하고, 위에서 명시적으로 나타내지 아니한 다른 효과는 이하 본 발명의 구성 및 작용을 통하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 쉽게 이해할 수 있을 것이다.
도 1은 본 발명인 인공지능 기반 스마트 헬스 케어 시스템의 개략적인 구성도를 도시한다.
도 2는 일반적인 오토 인코더의 구성도를 도시한다.
도 3은 본 발명인 인공지능 기반 스마트 헬스 케어 시스템의 구체적인 구성도를 도시한다.
도 4는 본 발명인 인공지능 기반 스마트 헬스 케어 방법의 일실시예의 흐름도를 도시한다.
이하 본 발명의 바람직한 실시예에 따른 전체적인 구성 및 작용에 대해 설명하기로 한다. 이러한 실시예는 예시적인 것으로서 본 발명의 구성 및 작용을 제한하지는 아니하고, 실시예에서 명시적으로 나타내지 아니한 다른 구성 및 작용도 이하 본 발명의 실시예를 통하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 쉽게 이해할 수 있는 경우는 본 발명의 기술적 사상으로 볼 수 있을 것이다.
도 1은 본 발명인 인공지능 기반 스마트 헬스 케어 시스템의 개략적인 구성도를 도시한다.
도 1을 참조하면, 본 발명인 인공지능 기반 스마트 헬스 케어 시스템은 차원축소 인코더(110)에 콘볼루션 신경망(200)이 연결되는 구조로서, 설문조사에 의하여 수집된 사용자 질의 답변(x1, x2, x3, …, x43)을 상기 차원축소 인코더(110)에 입력하면 압축된 즉, 차원축소된 잠재변수(z1, z2, z3, …, z32)가 출력되고, 차원축소된 잠재변수(z1, z2, z3, …, z32)가 상기 콘볼루션 신경망(200)에 입력되면 추천 콘텐츠에 대한 평가(y1, y2, y3, …, y97)가 출력된다.
복수개의 추천 콘텐츠에 대한 평가(y1, y2, y3, …, y97)가 이루어지고, 상기 평가(y1, y2, y3, …, y97) 중에서 점수가 높은 상위 5개 정도의 추천 콘텐츠가 실제로 사용자에게 추천될 수 있다.
설문조사에 의하여 수집된 사용자 질의 답변(x1, x2, x3, …, x43)은 복수개의 문항으로서 수치 입력으로 작성되어 입력 벡터로 사용되고, 이렇게 수치 입력으로 작성된 입력 벡터인 사용자 질의 답변(x1, x2, x3, …, x43)은 실시예에서 43개의 문항 즉, 43차원의 고차원으로 작성되었다.
상기 고차원의 사용자 질의 답변(x1, x2, x3, …, x43)은 입력 벡터로서 차원축소 인코더(110)를 통하여 저차원으로 압축되어 상기 차원축소된 잠재변수(z1, z2, z3, …, z32)로 출력된다.
상기 차원축소된 잠재변수(z1, z2, z3, …, z32)가 상기 콘볼루션 신경망(200)에 입력되면 복수개의 동영상 등의 추천 콘텐츠에 대하여 평가(y1, y2, y3, …, y97)가 출력되며, 실시예에서는 96개의 동영상에 대한 평가(y1, y2, y3, …, y97)가 이루어지고 점수가 높은 상위 5개 정도의 추천 콘텐츠가 실제로 사용자에게 추천될 수 있도록 하고 있다.
상기 차원축소 인코더(110)에 대한 기계 학습과 상기 차원축소 인코더(110)와 상기 콘볼루션 신경망(200)이 연결된 구조에 대한 기계 학습은 사전에 수행되는데, 특히 상기 차원축소 인코더(110)에 대한 기계 학습은 오토 인코더(100)에 대한 기계 학습을 통하여 이루어진다.
상기 오토 인코더(100)는 인공 신경망의 한 종류로서 차원축소 인코더(110)와 차원확장 디코더(120)가 연결되는 구조로서 입력 벡터의 특징을 비지도 학습으로 추출하고 압축한다.
도 2는 일반적인 오토 인코더의 구성도를 도시한다.
도 2를 참조하면, 일반적인 오토 인코더(100)는 차원축소 인코더(110)와 차원확장 디코더(120)가 연결되는 구조로서 입력 벡터의 특징을 비지도 학습으로 추출하는데, 상기 차원축소 인코더(110)는 입력 벡터인 사용자 질의 답변(x1, x2, x3, …, x43)을 상기 차원축소된 잠재변수(z1, z2, z3, …, z32)로 압축하고, 상기 차원확장 디코더(120)는 상기 차원축소된 잠재변수(z1, z2, z3, …, z32)를 차원확장된 출력 벡터인 사용자 질의 답변(x1’, x2’, x3’, …, x43’)으로 복구한다.
입력 벡터인 사용자 질의 답변(x1, x2, x3, …, x43)을 상기 차원축소된 잠재변수(z1, z2, z3, …, z32)로 압축하고 다시 차원확장된 출력 벡터인 사용자 질의 답변(x1’, x2’, x3’, …, x43’)으로 복구한 후, 입력 벡터인 사용자 질의 답변(x1, x2, x3, …, x43)과 출력 벡터인 사용자 질의 답변(x1’, x2’, x3’, …, x43’)의 오차를 구하면서 상기 오토 인코더(100)에 대하여 비지도 학습인 제 1 학습이 수행된다.
도 3은 본 발명인 인공지능 기반 스마트 헬스 케어 시스템의 구체적인 구성도를 도시한다.
도 3을 참조하면, 본 발명인 인공지능 기반 스마트 헬스 케어 시스템은 차원축소 인코더(110)에 콘볼루션 신경망(200)이 연결되는 구조로서, 설문조사에 의하여 수집된 사용자 질의 답변(x1, x2, x3, …, x43)을 상기 차원축소 인코더(110)에 입력하면 압축된 즉, 차원축소된 잠재변수(z1, z2, z3, …, z32)가 출력되고, 차원축소된 잠재변수(z1, z2, z3, …, z32)가 상기 콘볼루션 신경망(200)에 입력되면 특징 추출부(210)와 분류부(220)를 거쳐서 추천 콘텐츠에 대한 평가(y1, y2, y3, …, y96)가 출력된다.
상기 오토 인코더(100)에 대한 비지도 학습인 제 1 학습이 수행된 후에 상기 차원축소 인코더(110)는 상기 콘볼루션 신경망(200)에 연결되고 설문조사에 의하여 수집된 사용자 질의 답변(x1, x2, x3, …, x43)을 입력으로 하고 이에 대해 선호하는 콘텐츠를 출력으로 하여 지도 학습인 제 2 학습이 수행된다.
실시예에서는 43개의 문항을 갖는 설문조사에 대한 사용자 질의 답변(x1, x2, x3, …, x43)을 43차원의 입력벡터로 하고, 이에 대해 선호하는 96개의 선호하는 콘텐츠, 특히 96개의 선호하는 동영상에 대한 평가(y1, y2, y3, …, y96)를 96차원의 출력벡터로 하여 제 2 학습이 수행된다.
즉, 사전에 오토 인코더(100)에 대한 제 1 학습이 수행된 후에 상기 오토 인코더(100) 내의 차원축소 인코더(110)에서 차원확장 디코더(120)를 분리하고, 상기 차원축소 인코더(110)에 콘볼루션 신경망(200)을 연결한 후에 제 2 학습이 수행된다.
사전에 오토 인코더(100)에 대한 제 1 학습이 수행된 후에 상기 오토 인코더(100) 내의 차원축소 인코더(110)에서 차원확장 디코더(120)를 분리하는 이유는 상기 차원확장 디코더(120)는 입력벡터를 복구하는 기능을 할 뿐이고 선호하는 콘텐츠를 추천할 수 없으므로 상기 차원축소 인코더(110)에 상기 콘볼루션 신경망(200)을 연결하여 선호하는 콘텐츠를 추천하게 된다.
또한 상기 오토 인코더(100)에 대하여 제 1 학습을 수행한 후 상기 차원축소 인코더(110)를 상기 콘볼루션 신경망(200)의 입력층으로 사용하는 이유는 임베딩 효과 또는 차원축소 효과를 얻기 위한 것이다.
본 발명인 인공지능 기반 스마트 헬스 케어 시스템은 상기 차원축소 인코더(110)에 상기 콘볼루션 신경망(200)을 연결하여 구성되고, 새로운 사용자에 대하여 43개의 문항을 갖는 설문조사에 대한 사용자 질의 답변(x1, x2, x3, …, x43)을 43차원의 입력벡터로 입력받게 되면, 96개의 선호하는 동영상에 대한 평가(y1, y2, y3, …, y96)를 수행한 후, 96개의 동영상에 대한 평가(y1, y2, y3, …, y97)가 이루어지고 점수가 높은 상위 5개 정도의 동영상이 새로운 사용자에게 추천될 수 있도록 한다. 물론, 추천되는 동영상의 개수는 변경될 수 있다.
상기 콘볼루션 신경망(200)은 특징 추출부(210)와 분류부(220)를 포함하고 있는데, 상기 특징 추출부(210)는 콘볼루션 층(Convolution Layer)과 풀링 층(Pooling Layer)을 여러 층으로 연결하여 구성되고, 합성곱에 의하여 특성맵과 활성화맵을 만들고, 이로부터 출력 데이터의 크기를 감소시키거나 특정 데이터를 강조하게 된다.
상기 분류부(220)는 완전 연결 신경망(Fully Connected Neural Network)을 포함하고, 96개의 동영상에 대한 평가(y1, y2, y3, …, y97) 값을 출력하게 되고, 96개의 동영상 중에서 값이 높은 상위 5개의 동영상을 사용자에게 추천하게 된다.
도 4는 본 발명인 인공지능 기반 스마트 헬스 케어 방법의 일실시예의 흐름도를 도시한다.
도 4를 참조하면, 본 발명인 인공지능 기반 스마트 헬스 케어 방법은 오토 인코더(100)에서 사용자 질의 답변(x, x’)을 입출력으로 하여 제 1 학습이 수행된 후에 상기 오토 인코더(100)의 차원축소 인코더(110)를 콘볼루션 신경망(200)에 연결하는 단계(S100)를 수행한다.
즉, 사전에 상기 오토 인코더(100)에 대한 제 1 학습이 수행된 후에 상기 오토 인코더(100) 내의 차원축소 인코더(110)에서 차원확장 디코더(120)를 분리하고, 상기 차원축소 인코더(110)에 콘볼루션 신경망(200)을 연결하는 것이다.
다음은, 상기 차원축소 인코더(110)에 사용자 질의 답변(x)을 입력하는 단계(S200)를 수행하고, 상기 차원축소 인코더(110)로부터 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망(200)에서 입력받는 단계(S300)를 수행하게 되며, 추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망(200)에서 출력하는 단계(S400)를 수행하게 된다.
상기 차원축소 인코더(110)와 상기 콘볼루션 신경망(200)이 연결되어 상기 사용자 질의 답변(x)을 상기 차원축소 인코더(110)의 입력으로 하고 이로부터 출력되는 상기 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망(200)의 입력으로 하며 추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망(200)의 출력으로 하여 제 2 학습이 수행된다.
또한 이와 같은 인공지능 기반 스마트 헬스 케어 방법의 흐름도는 컴퓨터프로그램으로 구현될 수 있으며, 본 발명의 각 구성요소는 하드웨어 또는 소프트웨어로 구현될 수 있다는 점에서 하나의 하드웨어 또는 개별적인 하드웨어에서 구동되는 소프트웨어로 구현될 수도 있다. 또한 본 발명의 인공지능 기반 스마트 헬스 케어 방법은 컴퓨터프로그램으로서 저장매체에 기록되어 구현될 수도 있다.
100: 오토 인코더
110: 차원축소 인코더
120: 차원확장 디코더
200: 콘볼루션 신경망
210: 특징 추출부
220: 분류부

Claims (6)

  1. 인공지능 기반 스마트 헬스 케어 시스템에 있어서,
    사용자 질의 답변(x, x’)을 입출력으로 하여 제 1 학습된 오토 인코더 내의 차원축소를 수행하는 차원축소 인코더;
    상기 차원축소 인코더로부터 차원축소된 잠재변수(z)를 입력받는 콘볼루션 신경망;
    상기 차원축소 인코더와 상기 콘볼루션 신경망이 연결되어 상기 사용자 질의 답변(x)을 상기 차원축소 인코더의 입력으로 하고 이로부터 출력되는 상기 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망의 입력으로 하며 추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망의 출력으로 하여 제 2 학습되는 것을 특징으로 하는 인공지능 기반 스마트 헬스 케어 시스템.
  2. 제 1 항에 있어서,
    상기 오토 인코더는,
    사용자 질의 답변(x)을 입력으로 하여 차원축소된 잠재변수(z)로 압축하는 차원축소 인코더,
    상기 차원축소된 잠재변수(z)를 사용자 질의 답변(x’)으로 차원확장하여 복구하는 차원확장 디코더를 포함하는 것을 특징으로 하는 인공지능 기반 스마트 헬스 케어 시스템.
  3. 제 1 항에 있어서,
    상기 오토 인코더의 제 1 학습은 비지도 학습으로 수행되는 것을 특징으로 하는 인공지능 기반 스마트 헬스 케어 시스템.
  4. 제 1 항에 있어서,
    상기 차원축소 인코더와 상기 콘볼루션 신경망이 연결되어 상기 사용자 질의 답변을 입력으로 하고 추천 콘텐츠에 대한 평가를 출력으로 하여 수행되는 제 2 학습은 지도학습으로 수행되는 것을 특징으로 하는 인공지능 기반 스마트 헬스 케어 시스템.
  5. 인공지능 기반 스마트 헬스 케어 방법에 있어서,
    오토 인코더에서 사용자 질의 답변(x, x’)을 입출력으로 하여 제 1 학습이 수행된 후에 상기 오토 인코더의 차원축소 인코더를 콘볼루션 신경망에 연결하는 단계;
    상기 차원축소 인코더에 사용자 질의 답변(x)을 입력하는 단계;
    상기 차원축소 인코더로부터 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망에서 입력받는 단계;
    추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망에서 출력하는 단계;
    상기 차원축소 인코더와 상기 콘볼루션 신경망이 연결되어 상기 사용자 질의 답변(x)을 상기 차원축소 인코더의 입력으로 하고 이로부터 출력되는 상기 차원축소된 잠재변수(z)를 상기 콘볼루션 신경망의 입력으로 하며 추천 콘텐츠에 대한 평가(y)를 상기 콘볼루션 신경망의 출력으로 하여 제 2 학습되는 것을 특징으로 하는 인공지능 기반 스마트 헬스 케어 방법.
  6. 제 5 항의 인공지능 기반 스마트 헬스 케어 방법을 실행시키기 위하여 저장매체에 기록되는 컴퓨터프로그램.
KR1020220101606A 2022-08-12 2022-08-12 인공지능 기반 스마트 헬스 케어 시스템 및 방법 KR20240022917A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220101606A KR20240022917A (ko) 2022-08-12 2022-08-12 인공지능 기반 스마트 헬스 케어 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220101606A KR20240022917A (ko) 2022-08-12 2022-08-12 인공지능 기반 스마트 헬스 케어 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20240022917A true KR20240022917A (ko) 2024-02-20

Family

ID=90057098

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220101606A KR20240022917A (ko) 2022-08-12 2022-08-12 인공지능 기반 스마트 헬스 케어 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20240022917A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118672198A (zh) * 2024-08-23 2024-09-20 江苏大淀能源科技有限公司 结合节能控制电路的电能表监测管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130140589A (ko) 2012-06-14 2013-12-24 삼성전자주식회사 헬스케어 어플리케이션
KR101600515B1 (ko) 2013-12-12 2016-03-07 서울대학교병원 헬스케어 서비스 제공 방법 및 이를 위한 장치들
KR102188766B1 (ko) 2020-03-09 2020-12-11 주식회사 글로벌비즈텍 인공지능 기반의 헬스케어 서비스 제공장치
KR102335374B1 (ko) 2021-05-31 2021-12-06 주식회사 써클인컴퍼니 헬스케어 관리 장치 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130140589A (ko) 2012-06-14 2013-12-24 삼성전자주식회사 헬스케어 어플리케이션
KR101600515B1 (ko) 2013-12-12 2016-03-07 서울대학교병원 헬스케어 서비스 제공 방법 및 이를 위한 장치들
KR102188766B1 (ko) 2020-03-09 2020-12-11 주식회사 글로벌비즈텍 인공지능 기반의 헬스케어 서비스 제공장치
KR102335374B1 (ko) 2021-05-31 2021-12-06 주식회사 써클인컴퍼니 헬스케어 관리 장치 및 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118672198A (zh) * 2024-08-23 2024-09-20 江苏大淀能源科技有限公司 结合节能控制电路的电能表监测管理系统

Similar Documents

Publication Publication Date Title
Liu et al. PiCANet: Pixel-wise contextual attention learning for accurate saliency detection
CN104298682B (zh) 一种基于人脸表情图像的信息推荐效果的评价方法及手机
Sebe Machine learning in computer vision
Altuwairqi et al. Student behavior analysis to measure engagement levels in online learning environments
US20140372175A1 (en) Method and system for detection, classification and prediction of user behavior trends
de Albuquerque Filho et al. A review of neural networks for anomaly detection
Gao et al. Self-attention driven adversarial similarity learning network
CN113673244B (zh) 医疗文本处理方法、装置、计算机设备和存储介质
Bayoudh A survey of multimodal hybrid deep learning for computer vision: Architectures, applications, trends, and challenges
CN113935435A (zh) 基于时空特征融合的多模态情感识别方法
Xinhan Intelligent analysis of classroom student state based on neural network algorithm and emotional feature recognition
CN116468460A (zh) 基于人工智能的消费金融客户画像识别系统及其方法
CN112819024A (zh) 模型处理方法、用户数据处理方法及装置、计算机设备
KR20240022917A (ko) 인공지능 기반 스마트 헬스 케어 시스템 및 방법
CN113657272B (zh) 一种基于缺失数据补全的微视频分类方法及系统
Lee Deep learning-based detection of tax frauds: an application to property acquisition tax
Lin et al. Task-oriented feature-fused network with multivariate dataset for joint face analysis
Suman et al. Age gender and sentiment analysis to select relevant advertisements for a user using cnn
Shoba et al. Aging facial recognition for feature extraction using adaptive fully recurrent deep neural learning
Samadiani et al. A novel video emotion recognition system in the wild using a random forest classifier
Salehin et al. Analysis of student sentiment during video class with multi-layer deep learning approach
Pinheiro et al. Introduction to Statistical and Machine Learning Methods for Data Science
Kousalya et al. Prediction of Best Optimizer for Facial Expression Detection using Convolutional Neural Network
Akputu et al. Recognizing facial emotions for educational learning settings
Niu et al. A Coupled User Clustering Algorithm for Web-Based Learning Systems.