KR20240059539A - Method and apparatus for providing weight management service based on artificial intelligence using biometric information - Google Patents

Method and apparatus for providing weight management service based on artificial intelligence using biometric information Download PDF

Info

Publication number
KR20240059539A
KR20240059539A KR1020230124209A KR20230124209A KR20240059539A KR 20240059539 A KR20240059539 A KR 20240059539A KR 1020230124209 A KR1020230124209 A KR 1020230124209A KR 20230124209 A KR20230124209 A KR 20230124209A KR 20240059539 A KR20240059539 A KR 20240059539A
Authority
KR
South Korea
Prior art keywords
user
weight management
prediction model
fasting
level prediction
Prior art date
Application number
KR1020230124209A
Other languages
Korean (ko)
Inventor
김양석
민운기
이승재
홍석준
Original Assignee
주식회사 유투메드텍
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 유투메드텍 filed Critical 주식회사 유투메드텍
Publication of KR20240059539A publication Critical patent/KR20240059539A/en

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/103Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/145Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532Measuring 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30ICT 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
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50ICT 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
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Measuring for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4869Determining body composition
    • A61B5/4872Body fat

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Nutrition Science (AREA)
  • Optics & Photonics (AREA)
  • Emergency Medicine (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 개시의 기술적 사상에 의한 일 양태에 따른 체중 관리 서비스 제공 장치는, 사용자의 단말기 또는 데이터 수집 장치로부터, 상기 사용자의 생체 정보를 수신하는 통신부; 및 수신된 생체 정보에 기초하여, 체중 관리 서비스에 등록된 복수의 다른 사용자들의 케톤 수치 예측 모델들 중 적어도 하나를, 상기 사용자에 대한 케톤 수치 예측 모델로서 획득하고, 획득된 케톤 수치 예측 모델을 기초로, 상기 사용자에 대한 최적 공복 유지 시간을 판단하고, 판단된 최적 공복 유지 시간을 반영한 체중 관리 가이드를 생성하고, 생성된 체중 관리 가이드를 상기 사용자의 단말기로 전송하도록 상기 통신부를 제어하는 적어도 하나의 프로세서를 포함하고, 상기 케톤 수치 예측 모델은, 공복 유지 시간에 따른 케톤 수치 변화를 예측하도록 학습되는 머신러닝 기반의 모델을 포함한다.An apparatus for providing a weight management service according to an aspect according to the technical idea of the present disclosure includes a communication unit that receives biometric information of the user from the user's terminal or data collection device; And based on the received biometric information, obtain at least one of the ketone level prediction models of a plurality of other users registered in the weight management service as a ketone level prediction model for the user, and based on the obtained ketone level prediction model. At least one device that controls the communication unit to determine the optimal fasting maintenance time for the user, generate a weight management guide reflecting the determined optimal fasting maintenance time, and transmit the generated weight management guide to the user's terminal. It includes a processor, and the ketone level prediction model includes a machine learning-based model that is learned to predict changes in ketone levels according to fasting time.

Description

생체 정보를 이용한 인공지능 기반의 체중 관리 서비스 제공 방법 및 장치 {METHOD AND APPARATUS FOR PROVIDING WEIGHT MANAGEMENT SERVICE BASED ON ARTIFICIAL INTELLIGENCE USING BIOMETRIC INFORMATION}Method and device for providing artificial intelligence-based weight management service using biometric information {METHOD AND APPARATUS FOR PROVIDING WEIGHT MANAGEMENT SERVICE BASED ON ARTIFICIAL INTELLIGENCE USING BIOMETRIC INFORMATION}

본 개시(disclosure)의 기술적 사상은 체중 관리 서비스 제공 방법 및 장치에 관한 것으로, 특히 사용자의 혈당이나 케톤 수치 등의 생체 정보를 이용하여 인공지능 기반으로 체중 관리 서비스를 제공하는 방법 및 장치에 관한 것이다.The technical idea of this disclosure relates to a method and device for providing weight management services, and in particular, relates to a method and device for providing weight management services based on artificial intelligence using biometric information such as the user's blood sugar or ketone levels. .

비만은 체내에 지방조직이 과다하게 축적된 상태를 이르는 것으로서, 최근 현대인들의 운동 부족, 스트레스, 동물성 식품의 섭취 증가 등에 의해 유병률이 증가하고 있다. 이러한 비만은 당뇨, 심장 질환, 고혈압 등의 각종 질병을 유발하는 하나의 원인으로서, 비만 자체가 치명적인 질병이라는 인식이 점차 확산되고 있다. 이에 따라, 사회 전반에 걸쳐 체중관리에 대한 관심이나 노력이 고조되고 있으며, 식이요법이나 운동을 통한 관리, 다이어트 식품의 섭취, 지방 분해나 흡입 시술 등의 다양한 체중 관리 방법들이 등장하고 있다.Obesity refers to a condition in which excessive fat tissue is accumulated in the body, and its prevalence is increasing due to modern people's lack of exercise, stress, and increased intake of animal products. Obesity is one of the causes of various diseases such as diabetes, heart disease, and high blood pressure, and awareness that obesity itself is a fatal disease is gradually spreading. Accordingly, interest and efforts in weight management are increasing throughout society, and various weight management methods are emerging, such as management through diet or exercise, consumption of diet foods, and lipolysis or suction procedures.

다만, 종래의 체중 관리 방법들은 과도한 비용이 발생하거나 과학적으로 충분히 증명되지 못하여 부작용과 같은 위험을 초래할 수 있으며, 특히 개인의 생체 특성 등에 따라 편차가 크게 발생할 수 있다는 문제를 갖는다. 즉, 개인별로 보다 효과적인 체중 관리를 위해서는, 개인별로 어떠한 생활 습관이나 생체 특성이 체중 관리에 영향을 미치는지를 확인하는 것이 중요할 수 있다.However, conventional weight management methods may incur excessive costs or may not be sufficiently scientifically proven, which may lead to risks such as side effects. In particular, there is a problem in that large deviations may occur depending on the individual's biological characteristics. In other words, for more effective weight management for each individual, it may be important to determine what lifestyle habits or biological characteristics affect weight management for each individual.

한편, 근래에는 사용자의 혈당 측정 시 신체 일부에 기기가 부착되어 주기적 또는 연속적으로 혈당을 측정하는 연속혈당 측정 기법이 개발되어 사용되고 있으나, 이러한 연속혈당 측정 기법은 대부분 혈당 관리나 당뇨 분야에 대해서만 활용되고 있다는 한계가 존재한다. Meanwhile, in recent years, a continuous blood sugar measurement technique has been developed and used in which a device is attached to a part of the body to measure blood sugar periodically or continuously when measuring the user's blood sugar. However, this continuous blood sugar measurement technique is mostly used only in the field of blood sugar management or diabetes. There is a limit to that.

또한, 최근에는 인체를 키토시스(ketosis) 상태로 진입시켜 체지방을 감소시키는 키토제닉 다이어트나 간헐적 단식과 같은 체중 관리 방법이 주목을 받고 있다. 다만, 개인별로 신체 특성이나 체질 등에 따라 키토시스 상태의 진입 시점이 상이할 수 있으며, 키토시스 상태에서 케톤 수치가 지나치게 증가할 경우 케토산증(ketoacidosis) 등의 부작용이 발생할 수 있다.Additionally, weight management methods such as the ketogenic diet or intermittent fasting, which reduce body fat by putting the human body into a state of ketosis, have recently been attracting attention. However, the timing of entering the ketosis state may vary depending on each individual's physical characteristics and constitution, and if ketone levels increase excessively in the ketosis state, side effects such as ketoacidosis may occur.

1. 한국등록특허공보 제10-1107062호 (2012.01.11 등록)1. Korean Patent Publication No. 10-1107062 (registered on January 11, 2012) 2. 미국공개특허 US 2018/0108272 (2020.06.09 공개)2. US published patent US 2018/0108272 (published on 2020.06.09) 3. 한국공개특허공보 제10-2021-0062291호 (2021.05.31 공개)3. Korea Patent Publication No. 10-2021-0062291 (published on May 31, 2021)

본 발명이 해결하고자 하는 일 과제는, 사용자별 신체/생체 특성에 따른 최적의 체중 관리 가이드를 제공하는 방법을 구현하는 것이다.One problem that the present invention seeks to solve is to implement a method of providing optimal weight management guide according to the body/biological characteristics of each user.

또한, 본 발명이 해결하고자 하는 일 과제는, 체중 관리 서비스의 제공을 위한 머신러닝 모델이 확보되지 않은 신규 사용자 등에 대해서도 체중 관리 서비스를 원활히 제공할 수 있는 방법을 구현하는 것이다.In addition, the problem that the present invention seeks to solve is to implement a method that can smoothly provide weight management services to new users who do not have a machine learning model for providing weight management services.

상기와 같은 목적을 달성하기 위하여, 본 개시의 기술적 사상에 의한 일 양태(aspect)에 따른 체중 관리 서비스 제공 장치는, 사용자의 단말기 또는 데이터 수집 장치로부터, 상기 사용자의 생체 정보를 수신하는 통신부; 및 수신된 생체 정보에 기초하여, 체중 관리 서비스에 등록된 복수의 다른 사용자들의 케톤 수치 예측 모델들 중 적어도 하나를, 상기 사용자에 대한 케톤 수치 예측 모델로서 획득하고, 획득된 케톤 수치 예측 모델을 기초로, 상기 사용자에 대한 최적 공복 유지 시간을 판단하고, 판단된 최적 공복 유지 시간을 반영한 체중 관리 가이드를 생성하고, 생성된 체중 관리 가이드를 상기 사용자의 단말기로 전송하도록 상기 통신부를 제어하는 적어도 하나의 프로세서를 포함하고, 상기 케톤 수치 예측 모델은, 공복 유지 시간에 따른 케톤 수치 변화를 예측하도록 학습되는 머신러닝 기반의 모델을 포함한다.In order to achieve the above object, a weight management service providing device according to an aspect according to the technical idea of the present disclosure includes: a communication unit that receives the user's biometric information from the user's terminal or data collection device; And based on the received biometric information, obtain at least one of the ketone level prediction models of a plurality of other users registered in the weight management service as a ketone level prediction model for the user, and based on the obtained ketone level prediction model. At least one device that controls the communication unit to determine the optimal fasting maintenance time for the user, generate a weight management guide reflecting the determined optimal fasting maintenance time, and transmit the generated weight management guide to the user's terminal. It includes a processor, and the ketone level prediction model includes a machine learning-based model that is learned to predict changes in ketone levels according to fasting time.

일 실시 예에 따라, 상기 사용자의 생체 정보는, 상기 사용자의 연령, 성별, 신장, 체중, 공복혈당, 및 만성질환 발병여부 중 적어도 하나의 정보를 포함할 수 있다.According to one embodiment, the user's biometric information may include at least one of the user's age, gender, height, weight, fasting blood sugar, and whether or not the user has a chronic disease.

일 실시 예에 따라, 상기 적어도 하나의 프로세서는, 데이터베이스로부터, 상기 사용자의 생체 정보와 기 정의된 유사 판단 기준을 만족하는 생체 정보를 갖는 다른 사용자들을 추출하고, 추출된 다른 사용자들에 분류 모델을 적용하여 기 정의된 수의 다른 사용자 각각의 케톤 수치 예측 모델을 선별함으로써, 상기 사용자에 대한 케톤 수치 예측 모델을 획득할 수 있다.According to one embodiment, the at least one processor extracts other users whose biometric information satisfies predefined similar judgment criteria with the user's biometric information from a database, and applies a classification model to the extracted other users. By applying the method to select a ketone level prediction model for each of a predefined number of other users, a ketone level prediction model for that user can be obtained.

일 실시 예에 따라, 상기 적어도 하나의 프로세서는, 상기 획득된 케톤 수치 예측 모델을 이용하여, 서로 다른 공복 유지 시간들 각각에 대한 케톤 수치를 획득하고, 획득된 케톤 수치가 기 설정된 수치 범위에 해당하는 시간을, 상기 최적 공복 유지 시간으로 판단할 수 있다.According to one embodiment, the at least one processor obtains ketone levels for each of different fasting maintenance times using the obtained ketone level prediction model, and the obtained ketone level falls within a preset numerical range. The time can be determined as the optimal fasting maintenance time.

일 실시 예에 따라, 상기 체중 관리 가이드는 식사 스케쥴을 포함하고, 상기 적어도 하나의 프로세서는, 제1 식사와 제2 식사 간의 간격이 상기 최적 공복 유지 시간에 대응하도록 상기 체중 관리 가이드를 생성할 수 있다.According to one embodiment, the weight management guide includes a meal schedule, and the at least one processor may generate the weight management guide such that an interval between a first meal and a second meal corresponds to the optimal fasting maintenance time. there is.

본 개시의 기술적 사상에 의한 일 양태에 따른 적어도 하나의 컴퓨팅 장치를 통한 체중 관리 서비스 제공 방법은, 상기 적어도 하나의 컴퓨팅 장치에 포함된 생체 정보 수집부가, 사용자의 생체 정보를 획득하는 단계; 상기 적어도 하나의 컴퓨팅 장치에 포함된 예측 모델 획득부가, 획득된 생체 정보에 기초하여, 체중 관리 서비스에 등록된 다른 사용자들의 케톤 수치 예측 모델들 중 적어도 하나로부터 상기 사용자에 대한 케톤 수치 예측 모델을 획득하는 단계; 상기 적어도 하나의 컴퓨팅 장치에 포함된 체중 관리 가이드 제공부가, 획득된 케톤 수치 예측 모델을 기초로, 상기 사용자에 대한 최적 공복 유지 시간을 판단하는 단계; 상기 체중 관리 가이드 제공부가, 상기 최적 공복 유지 시간을 반영한 체중 관리 가이드를 생성하는 단계; 및 상기 체중 관리 가이드 제공부가, 생성된 체중 관리 가이드를 상기 사용자에게 제공하는 단계를 포함하고, 상기 케톤 수치 예측 모델은, 공복 유지 시간에 따른 케톤 수치 변화를 예측하도록 학습된 머신러닝 기반의 모델을 포함한다.A method of providing a weight management service through at least one computing device according to an aspect according to the technical idea of the present disclosure includes: acquiring, by a biometric information collection unit included in the at least one computing device, biometric information of a user; A prediction model acquisition unit included in the at least one computing device acquires a ketone level prediction model for the user from at least one of the ketone level prediction models of other users registered in the weight management service, based on the acquired biometric information. steps; determining, by a weight management guide providing unit included in the at least one computing device, an optimal fasting maintenance time for the user based on the obtained ketone level prediction model; generating, by the weight management guide providing unit, a weight management guide reflecting the optimal fasting maintenance time; And the weight management guide providing unit includes providing the generated weight management guide to the user, wherein the ketone level prediction model is a machine learning-based model learned to predict changes in ketone levels according to fasting maintenance time. Includes.

본 개시의 기술적 사상에 따르면, 체중 관리 서비스의 제공을 위한 머신러닝 모델이 확보되지 않은 신규 사용자 등에 대해서도, 기 등록된 사용자들 중 유사 생체 조건을 갖는 사용자들의 모델을 이용하여 서비스를 원활히 제공할 수 있다.According to the technical idea of the present disclosure, even for new users who do not have a machine learning model for providing weight management services, the service can be smoothly provided by using models of users with similar biological conditions among already registered users. there is.

또한, 본 개시의 기술적 사상에 따른 체중 관리 서비스 제공 방법 및 장치는, 사용자의 혈당 수치를 이용한 체중 관리 서비스를 통해, 개인별 생체 특성, 식사나 운동에 대한 혈당 영향이 반영된 보다 정확한 체중 관리 서비스의 제공이 가능할 수 있다. In addition, the method and device for providing a weight management service according to the technical idea of the present disclosure provides a more accurate weight management service that reflects individual biometric characteristics and the effect of blood sugar on diet or exercise through a weight management service using the user's blood sugar level. This may be possible.

뿐만 아니라, 본 개시의 기술적 사상에 따른 체중 관리 서비스 제공 방법 및 장치는 사용자의 최적 공복 유지 시간을 반영한 체중 관리 가이드(다이어트 플랜 등)를 생성하여 제공함으로써, 사용자의 체중 관리 효과를 극대화하고 체중 관리 시의 부작용 등을 최소화할 수 있다.In addition, the method and device for providing a weight management service according to the technical idea of the present disclosure maximizes the user's weight management effect and provides weight management by generating and providing a weight management guide (diet plan, etc.) that reflects the user's optimal fasting time. Side effects of poetry can be minimized.

본 개시의 기술적 사상에 따른 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The effects according to the technical idea of the present disclosure are not limited to the effects mentioned above, and other effects not mentioned can be clearly understood by those skilled in the art from the description below. There will be.

본 개시에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 개시의 예시적 실시예에 따른 체중 관리 서비스 제공 장치를 포함하는 시스템의 개략적인 구성도이다.
도 2는 도 1에 도시된 체중 관리 서비스 제공 장치의 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 개시의 예시적 실시예에 따른 체중 관리 서비스 제공 방법을 설명하기 위한 플로우차트이다.
도 4는 사용자들 각각의 케톤 수치 예측 모델이 생성되는 과정의 일 실시예를 설명하기 위한 도면이다.
도 5는 도 3에서 상술한 체중 관리 서비스 제공 방법의 구체적인 예를 설명하기 위한 도면이다.
도 6은 다른 사용자들의 케톤 수치 예측 모델들로부터 사용자에 대한 케톤 수치 예측 모델을 선별하는 분류 모델의 구체적인 예를 설명하기 위한 도면이다.
도 7은 사용자에 대해 선별된 케톤 수치 예측 모델로부터 획득되는 시간에 따른 케톤 수치 예측 그래프의 일례를 나타낸다.
도 8은 도 1에 도시된 시스템에 포함되는 디바이스의 하드웨어 구성을 개략적으로 나타낸 블록도이다.
In order to more fully understand the drawings cited in this disclosure, a brief description of each drawing is provided.
Figure 1 is a schematic configuration diagram of a system including a weight management service providing device according to an exemplary embodiment of the present disclosure.
FIG. 2 is a block diagram schematically showing the configuration of the weight management service providing device shown in FIG. 1.
Figure 3 is a flowchart for explaining a method of providing a weight management service according to an exemplary embodiment of the present disclosure.
Figure 4 is a diagram to explain an embodiment of the process of generating a ketone level prediction model for each user.
FIG. 5 is a diagram for explaining a specific example of the method for providing weight management services described above in FIG. 3.
FIG. 6 is a diagram illustrating a specific example of a classification model that selects a ketone level prediction model for a user from ketone level prediction models of other users.
Figure 7 shows an example of a ketone level prediction graph over time obtained from a ketone level prediction model selected for a user.
FIG. 8 is a block diagram schematically showing the hardware configuration of a device included in the system shown in FIG. 1.

본 개시의 기술적 사상에 따른 예시적인 실시 예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 개시의 기술적 사상을 더욱 완전하게 설명하기 위하여 제공되는 것으로, 아래의 실시 예들은 여러 가지 다른 형태로 변형될 수 있으며, 본 개시의 기술적 사상의 범위가 아래의 실시 예들로 한정되는 것은 아니다. 오히려, 이들 실시 예들은 본 개시를 더욱 충실하고 완전하게 하며 당업자에게 본 발명의 기술적 사상을 완전하게 전달하기 위하여 제공되는 것이다.Illustrative embodiments according to the technical idea of the present disclosure are provided to more completely explain the technical idea of the present disclosure to those skilled in the art, and the examples below can be modified into various other forms. may be, and the scope of the technical idea of the present disclosure is not limited to the examples below. Rather, these embodiments are provided to make the present disclosure more faithful and complete and to completely convey the technical idea of the present invention to those skilled in the art.

본 개시에서 제1, 제2 등의 용어가 다양한 부재, 영역, 층들, 부위 및/또는 구성 요소들을 설명하기 위하여 사용되지만, 이들 부재, 부품, 영역, 층들, 부위 및/또는 구성 요소들은 이들 용어에 의해 한정되어서는 안 됨은 자명하다. 이들 용어는 특정 순서나 상하, 또는 우열을 의미하지 않으며, 하나의 부재, 영역, 부위, 또는 구성 요소를 다른 부재, 영역, 부위 또는 구성 요소와 구별하기 위하여만 사용된다. 따라서, 이하 상술할 제1 부재, 영역, 부위 또는 구성 요소는 본 개시의 기술적 사상의 가르침으로부터 벗어나지 않고서도 제2 부재, 영역, 부위 또는 구성 요소를 지칭할 수 있다. 예를 들면, 본 개시의 권리 범위로부터 이탈되지 않은 채 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.Although the terms first, second, etc. are used in this disclosure to describe various members, regions, layers, portions, and/or components, these members, parts, regions, layers, portions, and/or components are referred to by these terms. It is obvious that it should not be limited by . These terms do not imply any particular order, superiority, inferiority, or superiority or inferiority, and are used only to distinguish one member, region, region, or component from another member, region, region, or component. Accordingly, the first member, region, portion, or component described in detail below may refer to the second member, region, portion, or component without departing from the teachings of the technical idea of the present disclosure. For example, a first component may be referred to as a second component without departing from the scope of the present disclosure, and similarly, the second component may also be referred to as a first component.

달리 정의되지 않는 한, 여기에 사용되는 모든 용어들은 기술 용어와 과학 용어를 포함하여 본 개시의 개념이 속하는 기술 분야에서 통상의 지식을 가진 자가 공통적으로 이해하고 있는 바와 동일한 의미를 지닌다. 또한, 통상적으로 사용되는, 사전에 정의된 바와 같은 용어들은 관련되는 기술의 맥락에서 이들이 의미하는 바와 일관되는 의미를 갖는 것으로 해석되어야 하며, 여기에 명시적으로 정의하지 않는 한 과도하게 형식적인 의미로 해석되어서는 아니 될 것이다.Unless otherwise defined, all terms used herein, including technical terms and scientific terms, have the same meaning as commonly understood by those skilled in the art in the technical field to which the concept of the present disclosure pertains. Additionally, commonly used terms, as defined in dictionaries, should be interpreted to have meanings consistent with what they mean in the context of the relevant technology, and should not be used in an overly formal sense unless explicitly defined herein. It should not be interpreted.

어떤 실시 예가 달리 구현 가능한 경우에 특정한 공정 순서 또는 과정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들면, 연속하여 설명되는 두 공정 또는 과정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 수행될 수도 있다.In cases where an embodiment can be implemented differently, a specific process sequence or process sequence may be performed differently from the described sequence. For example, two processes or processes described in succession may be performed substantially simultaneously, or may be performed in an order opposite to the order in which they are described.

또한, 본 명세서에 기재된 "~부", "~기", "~자", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 프로세서(Processor), 마이크로 프로세서(Micro Processer), 마이크로 컨트롤러(Micro Controller), CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerate Processor Unit), DSP(Drive Signal Processor), ASIC(Application Specific Integrated Circuit), FPGA(Field Programmable Gate Array) 등과 같은 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있으며, 적어도 하나의 기능이나 동작의 처리에 필요한 데이터를 저장하는 메모리(memory)와 결합되는 형태로 구현될 수도 있다.In addition, terms such as “unit”, “unit”, “unit”, and “module” used in this specification refer to a unit that processes at least one function or operation, which refers to a processor, micro Processor (Micro Processer), Micro Controller, CPU (Central Processing Unit), GPU (Graphics Processing Unit), APU (Accelerate Processor Unit), DSP (Drive Signal Processor), ASIC (Application Specific Integrated Circuit), FPGA It may be implemented as hardware or software, such as a Field Programmable Gate Array, or a combination of hardware and software, and may also be implemented in a form combined with a memory that stores data necessary for processing at least one function or operation. .

그리고, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.Additionally, we would like to clarify that the division of components in this specification is merely a division according to the main function each component is responsible for. That is, two or more components, which will be described below, may be combined into one component, or one component may be divided into two or more components for more detailed functions. In addition to the main functions it is responsible for, each of the components described below may additionally perform some or all of the functions handled by other components, and some of the main functions handled by each component may be performed by other components. Of course, it can also be carried out exclusively by .

여기에서 사용된 '및/또는' 용어는 언급된 부재들의 각각 및 하나 이상의 모든 조합을 포함한다.As used herein, the term 'and/or' includes each and every combination of one or more of the mentioned elements.

이하에서는 첨부한 도면들을 참조하여 본 개시의 기술적 사상에 의한 실시예들에 대해 상세히 설명한다.Hereinafter, embodiments based on the technical idea of the present disclosure will be described in detail with reference to the attached drawings.

도 1은 본 개시의 예시적 실시예에 따른 체중 관리 서비스 제공 장치를 포함하는 시스템의 개략적인 구성도이다.Figure 1 is a schematic configuration diagram of a system including a weight management service providing device according to an exemplary embodiment of the present disclosure.

본 개시의 실시예에 따른 시스템은 사용자의 혈당 수치, 케톤 수치, 섭취 음식, 운동, 및/또는 신체 특성 정보(연령, 성별, 신장, 만성질환 발병 여부 등) 등에 기초하여, 사용자의 체중 변화를 예측하거나 케톤 수치 변화를 예측하는 등의 인공지능 기반 예측 모델들을 획득하고, 획득한 예측 모델들을 이용하여 체중 등 건강 관리를 위한 각종 서비스를 제공할 수 있다.The system according to an embodiment of the present disclosure monitors changes in the user's weight based on the user's blood sugar level, ketone level, food intake, exercise, and/or physical characteristic information (age, gender, height, chronic disease occurrence, etc.). You can acquire artificial intelligence-based prediction models such as predicting or predicting changes in ketone levels, and use the acquired prediction models to provide various services for health management, such as weight.

한편, 신규 사용자가 본 서비스를 이용하고자 할 경우, 신규 사용자에 대한 충분한 데이터가 확보되기 전까지는 사용자에 대한 정확한 예측 모델들을 획득하기 어려울 수 있다. 따라서, 서비스 사용자의 효과적인 유입을 위해서는, 신규 사용자 또는 예측 모델이 존재하지 않는 사용자에 대한 충분한 데이터를 확보하기 전에도 원활한 서비스를 제공할 수 있는 방안이 요구될 수 있다.Meanwhile, when a new user wants to use this service, it may be difficult to obtain accurate prediction models for the user until sufficient data about the new user is secured. Therefore, in order to effectively attract service users, a method that can provide a smooth service may be required even before sufficient data on new users or users for whom a prediction model does not exist is secured.

이하 본 명세서에서는, 예측 모델이 존재하지 않는 사용자(신규 사용자 등)에 대해서도 원활한 서비스를 제공하기 위한 다양한 실시예들에 대해 개시한다.Hereinafter, in this specification, various embodiments for providing smooth services even to users (such as new users) for whom a prediction model does not exist are disclosed.

도 1을 참조하면, 이러한 시스템은 체중 관리 서비스 제공 장치(10), 단말기(20), 및 적어도 하나의 데이터 수집 장치(30)를 포함할 수 있다. 도 1에 도시된 시스템의 구성은 설명의 편의를 위한 일례에 해당하는 바, 본 개시의 실시예에 따른 시스템의 구성은 당업자에 의해 예측가능한 범위에서 자유롭게 변형될 수 있다.Referring to FIG. 1 , this system may include a weight management service providing device 10, a terminal 20, and at least one data collection device 30. The configuration of the system shown in FIG. 1 is an example for convenience of explanation, and the configuration of the system according to an embodiment of the present disclosure can be freely modified within a predictable range by those skilled in the art.

체중 관리 서비스 제공 장치(10)는 상술한 서비스와 관련된 주요 동작을 수행하는 구성에 해당한다. The weight management service providing device 10 corresponds to a component that performs main operations related to the above-described service.

일 실시 예에 따라, 체중 관리 서비스 제공 장치(10)는 사용자의 체중 변화 예측을 위한 인공지능(머신러닝) 기반의 예측 모델을 획득(생성 또는 선정)하고, 획득한 예측 모델을 이용하여 사용자의 체중 감량 목표에 따른 혈당 관리 가이드를 제공할 수 있다. According to one embodiment, the weight management service providing device 10 acquires (creates or selects) an artificial intelligence (machine learning)-based prediction model for predicting changes in the user's weight, and uses the obtained prediction model to determine the user's weight. We can provide blood sugar management guidance according to your weight loss goal.

일 실시 예에 따라, 체중 관리 서비스 제공 장치(10)는 사용자의 공복 유지 시간에 따른 케톤 수치 변화를 예측하는 인공지능(머신러닝) 기반의 예측 모델을 획득(생성 또는 선정)하고, 획득한 예측 모델을 이용하여 사용자의 체중 관리를 위한 가이드(체중 관리 가이드)를 제공할 수 있다. 본 실시 예와 관련하여서는 추후 도 3 내지 도 7을 통해 보다 상세히 설명하기로 한다.According to one embodiment, the weight management service providing device 10 acquires (generates or selects) an artificial intelligence (machine learning)-based prediction model that predicts changes in ketone levels according to the user's fasting time, and the obtained prediction Using the model, a guide for user weight management (weight management guide) can be provided. This embodiment will be described in more detail later with reference to FIGS. 3 to 7.

체중 관리 서비스 제공 장치(10)는 적어도 하나의 컴퓨팅 장치(서버 등)로 구현될 수 있다. 체중 관리 서비스 제공 장치(10)의 개략적인 구성에 대해서는 추후 도 2를 통해 설명하기로 한다.The weight management service providing device 10 may be implemented with at least one computing device (server, etc.). The schematic configuration of the weight management service providing device 10 will be described later with reference to FIG. 2.

단말기(20)는 사용자 또는 데이터 수집 장치(30)로부터 체중 관리 서비스의 이용과 관련된 각종 데이터를 수신하여 체중 관리 서비스 제공 장치(10)로 전송하거나, 체중 관리 서비스 제공 장치(10)로부터 제공되는 체중 관리 서비스와 관련된 각종 정보를 출력하는 장치에 해당할 수 있다. 예컨대 단말기(20)에는 체중 관리 서비스 제공 장치(10)로부터 제공되는 서비스를 이용하기 위한 어플리케이션이 설치되어 있을 수 있다. 사용자는 상기 어플리케이션을 다운로드 및 설치하고, 설치된 어플리케이션을 실행함으로써 상술한 서비스를 이용할 수 있다. 이러한 단말기(20)는 스마트폰이나 태블릿 PC, 노트북, PC 등의 전자 기기로 구현될 수 있다.The terminal 20 receives various data related to the use of the weight management service from the user or the data collection device 30 and transmits it to the weight management service providing device 10, or receives weight information provided from the weight management service providing device 10. It may correspond to a device that outputs various information related to management services. For example, the terminal 20 may have an application installed to use the service provided by the weight management service providing device 10. The user can use the above-mentioned service by downloading and installing the application and executing the installed application. This terminal 20 may be implemented as an electronic device such as a smartphone, tablet PC, laptop, or PC.

일 실시 예에 따라, 단말기(20)는 사용자의 신체 특성 정보(연령, 성별, 신장, 만성질환(당뇨, 고혈압, 이상지질혈증 등) 발병 여부 등)를 획득할 수 있다. 예컨대 상기 신체 특성 정보는 상기 어플리케이션 등을 통해 사용자로부터 직접 입력되거나, 서버(예컨대 건강검진 데이터 서버) 등으로부터 수신될 수 있다. 또한, 단말기(20)는 체중 관리 서비스를 사용자에게 제공하기 위해, 사용자로부터 목표 감량 체중 및 목표 감량 기간을 포함하는 목표 감량 정보를 입력받을 수 있다. According to one embodiment, the terminal 20 may acquire the user's physical characteristic information (age, gender, height, whether chronic disease (diabetes, high blood pressure, dyslipidemia, etc.) occurs, etc.). For example, the physical characteristic information may be directly input by the user through the application, etc., or may be received from a server (eg, a health checkup data server). Additionally, in order to provide a weight management service to the user, the terminal 20 may receive target weight loss information including target weight loss and target weight loss period from the user.

실시 예에 따라, 단말기(20)는 사용자의 식사 이벤트와 관련된 데이터(식사 이벤트 데이터)를 획득할 수 있다. 일례로, 상기 식사 이벤트 데이터는 사용자가 섭취한 또는 섭취 예정인 음식의 이미지 데이터(또는 바코드나 QR 코드, 음식명 텍스트와 같은 식별 데이터 등)를 포함할 수 있다. 다른 예로, 상기 식사 이벤트 데이터는 사용자가 단말기(20)의 입력 수단을 통해 직접 입력한 음식 섭취 정보를 포함할 수도 있다. 예컨대 상기 음식 섭취 정보는 음식명, 섭취 시작 시각, 섭취 종료 시각, 섭취량, 에너지(칼로리), 및/또는 영양소 함량(탄수화물, 지방, 단백질, 당류, 나트륨, 콜레스테롤 등) 등을 포함할 수 있다.Depending on the embodiment, the terminal 20 may obtain data (meal event data) related to the user's meal event. For example, the meal event data may include image data (or identification data such as a barcode, QR code, food name text, etc.) of food consumed or scheduled to be consumed by the user. As another example, the meal event data may include food intake information directly input by the user through the input means of the terminal 20. For example, the food intake information may include food name, intake start time, intake end time, amount consumed, energy (calories), and/or nutrient content (carbohydrates, fat, protein, sugar, sodium, cholesterol, etc.).

적어도 하나의 데이터 수집 장치(30)는 사용자의 체중 변화 예측 모델 및/또는 케톤 수치 예측 모델을 획득하기 위한 데이터, 또는 획득한 체중 변화 예측 모델을 통해 사용자의 체중 변화를 예측하거나 케톤 수치 예측 모델을 통해 사용자의 케톤 수치를 예측하기 위해 필요한 데이터를 수집하는 장치를 포함할 수 있다. 예컨대 데이터 수집 장치(30)는 생체 데이터 측정기(31), 웨어러블 기기(32), 체중계(33) 등을 포함할 수 있다.At least one data collection device 30 provides data for acquiring a user's weight change prediction model and/or a ketone level prediction model, or predicts a user's weight change through an obtained weight change prediction model or creates a ketone level prediction model. It may include a device that collects the data necessary to predict the user's ketone levels. For example, the data collection device 30 may include a biometric data measuring device 31, a wearable device 32, a scale 33, etc.

생체 데이터 측정기(31)는 사용자의 생체 데이터를 측정하기 위한 기기에 해당할 수 있다. 일 실시 예에 따라, 생체 데이터 측정기(31)는 사용자의 혈당 수치를 측정할 수 있다. 이 경우, 생체 데이터 측정기(31)는 사용자의 신체에 부착되어, 소정 기간동안 주기적 또는 연속적으로 혈당을 측정함으로써 혈당 데이터를 획득하는 연속혈당 측정기(continuous glucose monitor)를 포함할 수 있다. 생체 데이터 측정기(31)는 획득된 혈당 데이터를 단말기(20) 또는 별도의 통신 장치(라우터, 중계기, 기지국 등)를 통해 체중 관리 서비스 제공 장치(10)로 전송할 수 있다.The biometric data measuring device 31 may correspond to a device for measuring a user's biometric data. According to one embodiment, the biometric data measuring device 31 may measure the user's blood sugar level. In this case, the biometric data measuring device 31 may include a continuous glucose monitor that is attached to the user's body and acquires blood sugar data by periodically or continuously measuring blood sugar over a predetermined period of time. The biometric data measuring device 31 may transmit the acquired blood sugar data to the weight management service providing device 10 through the terminal 20 or a separate communication device (router, repeater, base station, etc.).

일 실시 예에 따라, 생체 데이터 측정기(31)는 사용자의 케톤 수치를 측정할 수 있다. 이 경우, 생체 데이터 측정기(31)는 사용자의 호기나 혈액 등으로부터 케톤 수치를 측정하는 종래 형태의 케톤 측정기를 포함할 수 있다. 실시 예에 따라, 생체 데이터 측정기(31)는 사용자의 신체에 부착되어, 세포 간질액 등의 케톤 수치를 소정 기간동안 주기적 또는 연속적으로 측정함으로써 케톤 데이터를 획득하는 형태의 기기일 수도 있다. 실시 예에 따라, 케톤 데이터는 단말기(20)를 통해 사용자로부터 직접 입력될 수도 있다.According to one embodiment, the biometric data measuring device 31 may measure the user's ketone level. In this case, the biometric data measuring device 31 may include a conventional ketone measuring device that measures ketone levels from the user's exhaled breath or blood. Depending on the embodiment, the biometric data measuring device 31 may be a device that is attached to the user's body and acquires ketone data by periodically or continuously measuring ketone levels in interstitial fluid, etc., over a predetermined period of time. Depending on the embodiment, ketone data may be directly input by the user through the terminal 20.

실시 예에 따라, 생체 데이터 측정기(31)는 상기 혈당 및 케톤 수치를 측정가능한 하나의 기기로서 구현될 수 있으며, 웨어러블 기기(32)와 일체의 기기로 구현될 수도 있다.Depending on the embodiment, the biometric data measuring device 31 may be implemented as a single device capable of measuring blood sugar and ketone levels, or may be implemented as a device integrated with the wearable device 32.

웨어러블 기기(32)는 사용자의 신체 특정 위치(손목 등)에 착용되는 형태의 기기로서, 사용자의 심박수, 걸음수, 위치 정보, 체온, 산소포화도, 수면시간 등의 다양한 데이터를 감지하기 위한 적어도 하나의 센서를 포함할 수 있다. 본 개시의 실시 예에 따르면, 웨어러블 기기(32)는 상기 적어도 하나의 센서를 통해 획득된 데이터로부터 운동 이벤트의 발생 여부를 감지하고, 감지 결과에 따라 생성한 운동 이벤트 데이터를 단말기(20) 또는 별도의 통신 장치(라우터, 중계기, 기지국 등)를 통해 체중 관리 서비스 제공 장치(10)로 전송할 수 있다. 예컨대 상기 운동 이벤트 데이터는 운동 종목, 운동 유형(유산소/무산소 등), 운동 빈도, 운동 시간(운동 시작 시간, 운동 종료 시간), 및 운동 강도 등을 포함할 수 있다. 실시 예에 따라, 상기 운동 이벤트 데이터 중 적어도 일부는 단말기(20) 또는 웨어러블 기기(32)의 입력 수단을 통해 사용자로부터 입력될 수도 있다.The wearable device 32 is a type of device worn on a specific location of the user's body (wrist, etc.), and is at least one device for detecting various data such as the user's heart rate, number of steps, location information, body temperature, oxygen saturation, and sleep time. may include sensors. According to an embodiment of the present disclosure, the wearable device 32 detects whether an exercise event has occurred from data acquired through the at least one sensor, and transmits the exercise event data generated according to the detection result to the terminal 20 or a separate device. It can be transmitted to the weight management service providing device 10 through a communication device (router, repeater, base station, etc.). For example, the exercise event data may include exercise type, exercise type (aerobic/anaerobic, etc.), exercise frequency, exercise time (exercise start time, exercise end time), and exercise intensity. Depending on the embodiment, at least some of the exercise event data may be input by the user through an input means of the terminal 20 or the wearable device 32.

다른 실시 예로서, 웨어러블 기기(32)는 상기 적어도 하나의 센서를 통해 획득된 데이터를 단말기(20)로 전송하고, 단말기(20)는 수신한 데이터의 분석을 통해 운동 이벤트 발생 여부를 감지하여 상기 운동 이벤트 데이터를 생성할 수도 있다. 또는, 상기 적어도 하나의 센서를 통해 획득된 데이터는 체중 관리 서비스 제공 장치(10)로 전송되어, 체중 관리 서비스 제공 장치(10)가 상기 데이터를 분석한 후 상기 운동 이벤트 데이터를 생성할 수도 있다. In another embodiment, the wearable device 32 transmits data acquired through the at least one sensor to the terminal 20, and the terminal 20 detects whether an exercise event has occurred through analysis of the received data and detects the occurrence of the exercise event. Exercise event data can also be generated. Alternatively, data acquired through the at least one sensor may be transmitted to the weight management service providing device 10, and the weight management service providing device 10 may analyze the data and then generate the exercise event data.

또 다른 실시 예로서, 웨어러블 기기(32)는 사용자의 혈당 또는 케톤 수치를 측정하는 센서를 더 포함할 수도 있다.As another example, the wearable device 32 may further include a sensor that measures the user's blood sugar or ketone levels.

체중계(33)는 사용자의 체중 데이터를 획득하고, 획득된 체중 데이터를 단말기(20) 또는 별도의 통신 장치를 통해 체중 관리 서비스 제공 장치(10)로 전송할 수 있다. 실시 예에 따라, 상기 체중 데이터는 사용자의 체중 외에 체지방률, 근육량, 및/또는 수분량 등의 데이터를 더 포함할 수도 있으며, 구체적으로 체지방량, 골격근량, 체수분, 체세포, 복부지방량, 복부지방률, 기초대사량 등의 데이터를 포함할 수 있다.The scale 33 may acquire the user's weight data and transmit the obtained weight data to the weight management service providing device 10 through the terminal 20 or a separate communication device. Depending on the embodiment, the weight data may further include data such as body fat percentage, muscle mass, and/or water content in addition to the user's weight, and specifically, body fat mass, skeletal muscle mass, body water, body cell, abdominal fat mass, abdominal fat ratio, and basal body fat mass. It may include data such as metabolic rate.

도 2는 도 1에 도시된 체중 관리 서비스 제공 장치의 구성을 개략적으로 나타낸 블록도이다.FIG. 2 is a block diagram schematically showing the configuration of the weight management service providing device shown in FIG. 1.

도 2를 참조하면, 체중 관리 서비스 제공 장치(10)는 생체 정보 수집부(110), 예측 모델 획득부(120), 혈당 관리 가이드 제공부(130), 체중 관리 가이드 제공부(140), 및 데이터베이스(150)를 포함할 수 있다. 실시 예에 따라, 체중 관리 서비스 제공 장치(10)는 도 2에 도시된 구성들보다 많거나 적은 구성들을 포함할 수도 있다.Referring to FIG. 2, the weight management service providing device 10 includes a biometric information collection unit 110, a prediction model acquisition unit 120, a blood sugar management guide providing unit 130, a weight management guide providing unit 140, and It may include a database 150. Depending on the embodiment, the weight management service providing device 10 may include more or fewer components than those shown in FIG. 2 .

생체 정보 수집부(110)는 사용자의 단말기(20) 및/또는 데이터 수집 장치(30)로부터 사용자의 생체 정보를 수집할 수 있다. 예컨대, 상기 생체 정보는 혈당 데이터(연속혈당 데이터 등), 케톤 데이터, 체중 데이터, 및/또는 사용자 신체 특성 정보(연령, 성별, 신장, 만성질환(당뇨, 고혈압, 이상지질혈증 등)의 발병 여부 등) 등을 포함할 수 있다. The biometric information collection unit 110 may collect the user's biometric information from the user's terminal 20 and/or the data collection device 30. For example, the biometric information may include blood sugar data (continuous blood sugar data, etc.), ketone data, weight data, and/or user physical characteristic information (age, gender, height, occurrence of chronic diseases (diabetes, high blood pressure, dyslipidemia, etc.) etc.) may be included.

실시 예에 따라, 생체 정보 수집부(110)는 단말기(20) 및/또는 데이터 수집 장치(30)로부터 사용자의 식사 이벤트 데이터 및/또는 운동 이벤트 데이터를 수신할 수도 있다.Depending on the embodiment, the biometric information collection unit 110 may receive the user's meal event data and/or exercise event data from the terminal 20 and/or the data collection device 30.

실시 예에 따라, 생체 정보 수집부(110)는 다수의 사용자들에 대해 수신된 생체 정보를 사용자별로 구분하여 데이터베이스(150)로 제공함으로써, 데이터베이스(150)로 하여금 사용자별로 생체 정보를 저장 및 관리하도록 할 수 있다.According to the embodiment, the biometric information collection unit 110 divides the biometric information received for multiple users into databases 150 and provides them to the database 150, thereby allowing the database 150 to store and manage biometric information for each user. You can do it.

예측 모델 획득부(120)는, 생체 정보 수집부(110)로부터 제공되는 생체 정보를 기초로, 사용자에 대한 체중 변화 예측 모델을 획득할 수 있다. 예컨대, 예측 모델 획득부(120)는 상기 생체 정보에 기초하여, 기 등록된 다른 사용자들 각각의 체중 변화 예측 모델들 중 적어도 하나를 선별함으로써, 사용자에 대한 체중 변화 예측 모델을 획득할 수 있다. The prediction model acquisition unit 120 may obtain a weight change prediction model for the user based on biometric information provided from the biometric information collection unit 110. For example, the prediction model acquisition unit 120 may obtain a weight change prediction model for a user by selecting at least one of weight change prediction models for each of other pre-registered users based on the biometric information.

또한, 예측 모델 획득부(120)는, 생체 정보 수집부(110)로부터 제공되는 생체 정보를 기초로, 사용자에 대한 케톤 수치 예측 모델을 획득할 수 있다. 예컨대, 예측 모델 획득부(120)는 상기 생체 정보에 기초하여, 기 등록된 다른 사용자들 각각의 케톤 수치 예측 모델들 중 적어도 하나를 선별함으로써, 사용자에 대한 케톤 수치 예측 모델을 획득할 수 있다. 상기 케톤 수치 예측 모델은 머신러닝 기법을 통해 생성될 수 있으며, 사용자의 공복 유지 시간에 따른 케톤 수치 변화를 예측할 수 있다. 케톤 수치 예측 모델의 생성과 관련하여서는 추후 도 4를 통해 설명하기로 한다.Additionally, the prediction model acquisition unit 120 may obtain a ketone level prediction model for the user based on biometric information provided from the biometric information collection unit 110. For example, the prediction model acquisition unit 120 may obtain a ketone level prediction model for a user by selecting at least one of the ketone level prediction models for each of other pre-registered users based on the biometric information. The ketone level prediction model can be created through machine learning techniques and can predict changes in ketone levels according to the user's fasting time. The creation of the ketone level prediction model will be explained later with reference to FIG. 4.

혈당 관리 가이드 제공부(130)는, 사용자에 대해 획득된 체중 변화 예측 모델을 기초로, 사용자의 목표 감량 정보에 대응하는 혈당 관리 가이드를 생성하여 사용자에게 제공할 수 있다. 체중 관리 가이드 제공부(140)는, 사용자에 대해 획득된 케톤 수치 예측 모델을 기초로 사용자에 대한 최적 공복 유지 시간을 추정하고, 추정된 최적 공복 유지 시간을 반영한 체중 관리 가이드를 생성하여 사용자에게 제공할 수 있다. 실시 예에 따라, 혈당 관리 가이드 제공부(130) 및/또는 체중 관리 가이드 제공부(140)는 사용자의 체중 관리 또는 건강 관리를 위한 진단 정보나 건강 정보(건강 관리를 위한 팁이나 상식 등)를 함께 제공할 수도 있다.The blood sugar management guide provider 130 may generate a blood sugar management guide corresponding to the user's target weight loss information based on a weight change prediction model obtained for the user and provide the blood sugar management guide to the user. The weight management guide providing unit 140 estimates the optimal fasting time for the user based on the ketone level prediction model obtained for the user, generates a weight management guide reflecting the estimated optimal fasting time, and provides it to the user. can do. Depending on the embodiment, the blood sugar management guide providing unit 130 and/or the weight management guide providing unit 140 may provide diagnostic information or health information (tips or common sense for health management, etc.) for weight management or health management of the user. It can also be provided together.

데이터베이스(150)는 체중 관리 서비스 제공 장치(10)로 수신되는 각종 데이터/정보를 사용자별로 구분하여 저장하거나, 체중 관리 서비스 제공 장치(10)에서 생성되는 각종 데이터나 정보, 알고리즘(예측 모델 등)을 저장할 수 있다. 실시 예에 따라, 데이터베이스(150)는 제3자의 데이터베이스 서버, 데이터센터 등에 해당할 수 있고, 체중 관리 서비스 제공 장치(10)는 상기 데이터베이스 서버나 데이터센터 등과 통신 연결될 수 있다.The database 150 stores various data/information received by the weight management service providing device 10 separately for each user, or various data, information, and algorithms (prediction models, etc.) generated by the weight management service providing device 10. can be saved. Depending on the embodiment, the database 150 may correspond to a third party's database server, data center, etc., and the weight management service providing device 10 may be connected to the database server or data center.

이하 도면들을 통해, 본 개시의 다양한 실시예에 따른 체중 관리 서비스 제공 방법에 대해 구체적으로 설명한다.Through the following drawings, a method for providing weight management services according to various embodiments of the present disclosure will be described in detail.

도 3은 본 개시의 예시적 실시예에 따른 케톤 수치를 이용한 체중 관리 서비스 제공 방법을 설명하기 위한 플로우차트이다. 도 4는 사용자들 각각의 케톤 수치 예측 모델이 생성되는 과정의 일 실시예를 설명하기 위한 도면이다. 도 5는 도 3에서 상술한 체중 관리 서비스 제공 방법의 구체적인 예를 설명하기 위한 도면이다. 도 6은 다른 사용자들의 케톤 수치 예측 모델들로부터 사용자에 대한 케톤 수치 예측 모델을 선별하는 분류 모델의 구체적인 예를 설명하기 위한 도면이다. 도 7은 사용자에 대해 선별된 케톤 수치 예측 모델로부터 획득되는 시간에 따른 케톤 수치 예측 그래프의 일례를 나타낸다.Figure 3 is a flow chart for explaining a method of providing a weight management service using ketone levels according to an exemplary embodiment of the present disclosure. Figure 4 is a diagram to explain an embodiment of the process of generating a ketone level prediction model for each user. FIG. 5 is a diagram for explaining a specific example of the method for providing weight management services described above in FIG. 3. FIG. 6 is a diagram illustrating a specific example of a classification model that selects a ketone level prediction model for a user from ketone level prediction models of other users. Figure 7 shows an example of a ketone level prediction graph over time obtained from a ketone level prediction model selected for a user.

이하에서는 본 개시의 실시예에 따른 체중 관리 서비스 제공 방법에 포함되는 주요 과정들의 수행 주체가 체중 관리 서비스 제공 장치(10)인 것으로 가정하여 설명한다. 다만 실시 예에 따라서는 상기 주요 과정들 중 일부는 체중 관리 서비스 제공 장치(10)가 아닌 다른 장치(예컨대 단말기(20)나 제3자의 서비스 서버 등)에 의해 수행될 수도 있다.Hereinafter, the main processes included in the method for providing weight management services according to an embodiment of the present disclosure will be described assuming that the weight management service providing device 10 is the performer. However, depending on the embodiment, some of the above main processes may be performed by devices other than the weight management service providing device 10 (eg, the terminal 20 or a third party service server, etc.).

다양한 다이어트 방식들 중 최근 유행하는 다이어트 방식으로서 키토제닉(케토제닉) 다이어트 및 간헐적 단식이 존재한다. 키토제닉 다이어트 및 간헐적 단식은 인체의 신진대사를 탄수화물 대신 체내에 축적된 지방을 주 에너지원으로 사용하는 상태인 키토시스(ketosis)로 도달하게 하는 원리를 이용한 방식에 해당한다. 키토시스 상태는 공복 상태가 소정 시간 이상 지속되는 경우 등에 의해 진입될 수 있으며, 키토시스 상태에서는 체내의 케톤 수치가 소정 값 이상을 가지고, 케톤 수치가 증가함은 체지방 분해 속도가 증가함을 의미할 수 있다.Among various diet methods, recently popular diet methods include the ketogenic diet and intermittent fasting. Ketogenic diet and intermittent fasting are methods that use the principle of bringing the human body's metabolism to ketosis, a state in which fat accumulated in the body is used as the main energy source instead of carbohydrates. The ketosis state can be entered when the fasting state continues for more than a predetermined period of time. In the ketosis state, the ketone level in the body exceeds a predetermined value, and an increase in the ketone level means that the rate of body fat decomposition increases. You can.

다만, 사람들 각각의 신체 특성이나 체질 등에 따라 키토시스 상태의 진입 시점은 상이할 수 있다. 또한 키토시스 상태에서 케톤 수치가 지나치게 증가할 경우 케토산증(ketoacidosis) 등의 문제가 발생할 수 있는 바, 개인별로 체중 관리를 위한 최적의 키토시스 상태를 유지하도록 가이드하기 위한 방안이 요구될 수 있다.However, the timing of entering the ketosis state may vary depending on each person's physical characteristics and constitution. In addition, if ketone levels increase excessively in ketosis, problems such as ketoacidosis may occur, so a method to guide individuals to maintain an optimal ketosis state for weight management may be required.

상술한 문제를 해소하기 위한 본 개시의 일 실시 예로서 도 3을 참조하면, 체중 관리 서비스 제공 장치(10)는 사용자의 생체 정보를 수집하고(S800), 사용자와 유사한 생체 조건을 갖는 복수의 다른 사용자를 추출할 수 있다(S810).Referring to FIG. 3 as an embodiment of the present disclosure to solve the above-described problem, the weight management service providing device 10 collects the user's biometric information (S800) and collects a plurality of other biometric information having similar biometric conditions to the user. Users can be extracted (S810).

도 2에서 상술한 바와 같이, 체중 관리 서비스 제공 장치(10)는 단말기(20) 및/또는 데이터 수집 장치(30)로부터 사용자의 생체 정보를 수신할 수 있다. 도 3의 실시 예에서, 상기 생체 정보는 사용자의 신체 특성 정보(연령, 성별, 신장, 체중, 만성질환 발병여부 등), 및 혈당 데이터(공복혈당 정보 등)를 포함할 수 있다.As described above in FIG. 2 , the weight management service providing device 10 may receive the user's biometric information from the terminal 20 and/or the data collection device 30. In the embodiment of FIG. 3, the biometric information may include the user's physical characteristic information (age, gender, height, weight, presence of chronic disease, etc.) and blood sugar data (fasting blood sugar information, etc.).

체중 관리 서비스 제공 장치(10)는 데이터베이스(150)에 저장된 다른 사용자들 각각의 생체 정보를 상기 수집된 생체 정보와 비교하고, 비교 결과에 기초하여 사용자와 유사한 생체 조건(생체 정보)을 갖는 다른 사용자들을 추출할 수 있다. 예컨대, 사용자의 생체 정보를 기초로, 데이터베이스(150)에 저장된 생체 정보가 상기 사용자의 생체 정보와의 관계에서 기 정의된 유사 판단 기준을 만족하는 적어도 한 명의 다른 사용자를 추출할 수 있다. 구체적 일례로서, 체중 관리 서비스 제공 장치(10)는 사용자와 성별 및 만성질환 발병여부에 대한 정보가 동일하고, 연령, 신장, 체중, 및/또는 공복혈당 수치의 차이가 소정 범위 이내인 복수의 다른 사용자들을, 상기 사용자와 유사한 생체 조건을 갖는 사용자들로서 추출할 수 있다.The weight management service providing device 10 compares the biometric information of each other user stored in the database 150 with the collected biometric information, and based on the comparison result, other users who have similar biometric conditions (biometric information) to the user. can be extracted. For example, based on the user's biometric information, at least one other user whose biometric information stored in the database 150 satisfies a predefined similarity judgment standard in relation to the user's biometric information can be extracted. As a specific example, the weight management service providing device 10 may provide a plurality of other users who have the same information on gender and chronic disease onset as the user and whose differences in age, height, weight, and/or fasting blood sugar levels are within a predetermined range. Users can be extracted as users with biological conditions similar to the user.

실시 예에 따라, 체중 관리 서비스 제공 장치(10)는 사용자의 식사 이벤트 데이터 및/또는 운동 이벤트 데이터를 추가로 고려하여, 유사한 생체 조건을 갖는 다른 사용자들 중 식이 습관 및/또는 운동 습관이 유사한 다른 사용자들을 추출할 수도 있다.According to an embodiment, the weight management service providing device 10 may additionally consider the user's meal event data and/or exercise event data to determine other users with similar eating habits and/or exercise habits among other users with similar biological conditions. Users can also be extracted.

체중 관리 서비스 제공 장치(10)는 추출된 복수의 다른 사용자들 각각의 공복 유지 시간에 따른 케톤 수치 예측 모델들 중 적어도 하나를, 사용자에 대한 케톤 수치 예측 모델로서 획득할 수 있다(S820).The weight management service providing device 10 may obtain at least one of the extracted ketone level prediction models according to the fasting maintenance time of each of the plurality of other users as a ketone level prediction model for the user (S820).

체중 관리 서비스 제공 장치(10)의 데이터베이스(150)에는, 추출된 복수의 다른 사용자들 각각의 공복 유지 시간에 따른 케톤 수치 예측 모델이 저장되어 있을 수 있다. S820 단계의 설명에 앞서 상기 케톤 수치 예측 모델의 생성과 관련된 내용을 도 4 내지 도 6을 통해 설명한다.The database 150 of the weight management service providing device 10 may store a ketone level prediction model according to the fasting maintenance time of each of the extracted plurality of other users. Prior to the description of step S820, contents related to the creation of the ketone numerical prediction model will be explained through FIGS. 4 to 6.

도 4를 참조하면, 케톤 수치 예측 모델 학습 장치(900)는 머신러닝 기법에 따라 사용자에 대한 케톤 수치 예측 모델을 생성하는 장치에 해당한다. 상기 케톤 수치 예측 모델 학습 장치(900)는 체중 관리 서비스 제공 장치(10)에 포함될 수 있으나, 실시 예에 따라서는 체중 관리 서비스 제공 장치(10)와 별개의 장치로서 구현될 수도 있다. Referring to FIG. 4, the ketone level prediction model learning device 900 corresponds to a device that generates a ketone level prediction model for a user according to machine learning techniques. The ketone level prediction model learning device 900 may be included in the weight management service providing device 10, but depending on the embodiment, it may be implemented as a separate device from the weight management service providing device 10.

케톤 수치 예측 모델 학습부(910)는 사용자의 단말기(20) 및/또는 데이터 수집 장치(30)로부터 획득되는 사용자 신체 특성 정보(연령, 성별, 신장, 만성질환 발병여부 등), 케톤 데이터, 및/또는 혈당 데이터(혈당 특성 정보 등)에 기초하여, 해당 사용자에 대한 공복 유지 시간에 따른 케톤 수치 예측 모델을 학습할 수 있다. 실시 예에 따라, 케톤 수치 예측 모델 학습부(910)는 사용자의 식사 이벤트 데이터, 운동 이벤트 데이터, 및/또는 체중 데이터 등을 추가로 수신하여 상기 케톤 수치 예측 모델을 학습할 수도 있다.The ketone level prediction model learning unit 910 includes user physical characteristic information (age, gender, height, presence of chronic disease, etc.), ketone data, and /Or based on blood sugar data (blood sugar characteristic information, etc.), a ketone level prediction model according to the fasting time for the user can be learned. Depending on the embodiment, the ketone level prediction model learning unit 910 may additionally receive the user's meal event data, exercise event data, and/or body weight data to learn the ketone level prediction model.

실시 예에 따라, 케톤 수치 예측 모델 학습 장치(900)는 상기 혈당 데이터의 분석을 통해 공복혈당 유지 시간을 포함하는 혈당 특성 정보를 획득하고, 획득된 혈당 특성 정보를 이용하여 상기 케톤 수치 예측 모델을 학습할 수 있다. 상기 공복혈당 유지 시간은 상술한 키토시스 상태 및 케톤 수치와 관련될 수 있다. According to an embodiment, the ketone level prediction model learning device 900 acquires blood sugar characteristic information including fasting blood sugar maintenance time through analysis of the blood sugar data, and uses the obtained blood sugar characteristic information to create the ketone level prediction model. You can learn. The fasting blood sugar maintenance time may be related to the above-mentioned ketosis state and ketone level.

일례로, 케톤 수치 예측 모델 학습 장치(900)는 소정 구간 동안의 혈당 데이터로부터 공복혈당, 공복혈당 변동 범위, 및 공복혈당 유지 시간을 분석함으로써 상기 혈당 특성 정보를 획득할 수 있다. 공복혈당은 식사 후 소정 시간(예컨대 8시간 이상)이 경과한 공복 상태에서 측정되는 혈당 수치로서 음식에 의한 영향이 없거나 최소화된 상태의 혈당 수치에 해당한다. 한편, 공복 상태에서 측정되는 혈당 수치는 항상 일정한 수치를 유지하지 않고 소정 범위에서 변동할 수 있다. 따라서, 케톤 수치 예측 모델 학습 장치(900)는 상기 혈당 데이터로부터 공복 상태에서 측정된 혈당 수치의 범위를 나타내는 공복혈당 변동 범위를 판단할 수 있다. 이 경우, 공복혈당은 공복 상태에서 측정된 혈당 수치의 평균값, 최빈값, 또는 중앙값 등에 해당할 수 있을 것이다. 공복혈당 유지 시간은 측정된 혈당 수치가 공복혈당 변동 범위 내에 해당하는 구간을 의미할 수 있다.For example, the ketone level prediction model learning apparatus 900 may acquire the blood sugar characteristic information by analyzing fasting blood sugar, fasting blood sugar fluctuation range, and fasting blood sugar maintenance time from blood sugar data for a predetermined period. Fasting blood sugar is a blood sugar level measured in a fasting state a predetermined time (e.g., 8 hours or more) has passed after a meal, and corresponds to a blood sugar level in a state where there is no or minimal effect from food. Meanwhile, the blood sugar level measured in a fasting state does not always maintain a constant level and may fluctuate within a certain range. Accordingly, the ketone level prediction model learning apparatus 900 may determine the fasting blood sugar fluctuation range, which represents the range of blood sugar levels measured in a fasting state, from the blood sugar data. In this case, fasting blood sugar may correspond to the average, mode, or median of blood sugar levels measured in a fasting state. The fasting blood sugar maintenance time may refer to the section in which the measured blood sugar level falls within the fasting blood sugar fluctuation range.

케톤 수치 예측 모델 학습 장치(900)는 기 설정된 시점(예컨대 취침 후 식사 전 등)의 혈당 수치들에 기초하여 공복혈당 및 공복혈당 변동 범위를 판단할 수 있다. 실시 예에 따라, 케톤 수치 예측 모델 학습 장치(900)는 사용자의 식사 이벤트 데이터로부터 판단되는 음식 섭취 시간에 기초하여 혈당 데이터를 분석함으로써, 사용자의 공복혈당 및 공복혈당 변동 범위를 판단할 수도 있다. 다른 실시 예에 따라, 케톤 수치 예측 모델 학습 장치(900)는 연속혈당 데이터로부터 사용자의 연속혈당 분산도를 연산하고, 연산된 연속혈당 분산도를 사용자와 유사한 생체 특성(연령, 성별, 신장, 만성질환 발병여부 등)을 갖는 사용자 그룹의 공복혈당 분산도 구간에 적용하여 사용자의 공복혈당 및 공복혈당 변동 범위를 판단할 수도 있다. 공복혈당 및 공복혈당 변동 범위를 판단하는 방법은 상술한 예들에 한정되지 않으며, 당업자에 의해 구현 가능한 다양한 방법이 적용될 수 있다. 케톤 수치 예측 모델 학습 장치(900)는 공복혈당 변동 범위에 기초하여, 혈당 데이터로부터 공복혈당 유지 시간을 판단할 수 있다.The ketone level prediction model learning device 900 may determine fasting blood sugar and fasting blood sugar fluctuation range based on blood sugar levels at a preset time point (for example, after going to bed and before a meal, etc.). Depending on the embodiment, the ketone level prediction model learning device 900 may determine the user's fasting blood sugar and the range of fasting blood sugar fluctuations by analyzing blood sugar data based on the food intake time determined from the user's meal event data. According to another embodiment, the ketone level prediction model learning device 900 calculates the user's continuous blood sugar dispersion from continuous blood sugar data, and calculates the calculated continuous blood sugar dispersion to biological characteristics similar to the user (age, gender, height, chronic It is also possible to determine the user's fasting blood sugar and the range of variation in fasting blood sugar by applying it to the fasting blood sugar dispersion range of a user group with disease onset, etc.). The method for determining fasting blood sugar and fasting blood sugar fluctuation range is not limited to the examples described above, and various methods that can be implemented by those skilled in the art may be applied. The ketone level prediction model learning device 900 may determine the fasting blood sugar maintenance time from blood sugar data based on the fasting blood sugar fluctuation range.

상기 케톤 수치 예측 모델은 다수의 설명변수와 하나의 반응변수 사이의 관련성을 추정하는 모델로서, 다중 선형 회귀 모델(multiple linear regression model), 엘라스틱넷 회귀 모델(elastic net regression model), 회귀나무(regression tree), 다중 퍼셉트론 신경망 모델(multi perceptron neural network model) 등으로 구현될 수 있다. 상기 다수의 설명변수는 혈당 특성 정보(공복혈당 유지 시간), 음식 섭취 정보(섭취 시간 등), 사용자의 신체 특성 정보 중 적어도 일부를 포함할 수 있고, 상기 반응변수는 케톤 수치를 포함할 수 있다. The ketone level prediction model is a model that estimates the relationship between multiple explanatory variables and one response variable, including a multiple linear regression model, elastic net regression model, and regression tree. tree), multi perceptron neural network model, etc. The plurality of explanatory variables may include at least some of blood sugar characteristic information (fasting blood sugar maintenance time), food intake information (eating time, etc.), and user's physical characteristic information, and the response variable may include ketone levels. .

다시 도 3의 S820 단계를 설명한다.Step S820 of FIG. 3 will be described again.

상기 사용자에 대한 케톤 수치 예측 모델이 존재하지 않는 상태에서도 효과적인 체중 관리 서비스를 제공하기 위해, 체중 관리 서비스 제공 장치(10)는 생체 조건이 유사한 다른 사용자들의 케톤 수치 예측 모델들을 이용하여 상기 사용자에 대한 케톤 수치 예측 모델을 획득할 수 있다.In order to provide an effective weight management service even in the absence of a ketone level prediction model for the user, the weight management service providing device 10 uses the ketone level prediction models of other users with similar biological conditions to provide an effective weight management service for the user. A ketone level prediction model can be obtained.

도 5를 함께 참조하면, 체중 관리 서비스 제공 장치(10)는 추출된 복수의 다른 사용자들에 대해 분류 모델을 적용하여, 기 정의된 수의 다른 사용자 각각의 케톤 수치 예측 모델을 선별할 수 있다. 상기 분류 모델은 KNN(k-nearest neighborhood)이나 의사결정나무(decision tree) 등의 공지된 분류 모델들을 포함할 수 있으나, 이에 한정되는 것은 아니다. Referring to FIG. 5 , the weight management service providing device 10 may apply a classification model to a plurality of extracted other users to select a ketone level prediction model for each of a predefined number of other users. The classification model may include known classification models such as KNN (k-nearest neighborhood) or decision tree, but is not limited thereto.

예컨대, 상기 분류 모델이 KNN인 경우, 체중 관리 서비스 제공 장치(10)는 상기 사용자 및 추출된 복수의 다른 사용자 각각의 생체 정보에 포함된 데이터를 기 정의된 알고리즘에 따라 수치화할 수 있다. 그리고, 체중 관리 서비스 제공 장치(10)는 사용자에 대한 수치와 가장 유사한 수치를 갖는 기 정의된 수의 다른 사용자 각각의 예측 모델을 선정함으로써, 상기 사용자에 대한 케톤 수치 예측 모델을 획득할 수 있다. 도 6에 도시된 그래프는 상기 알고리즘에 따라 사용자 각각에 대해 수치화된 값을 표현한 것으로서, 추출된 복수의 다른 사용자들의 포인트(711 내지 717)는 사용자의 생체 정보와의 유사도가 클수록 사용자의 포인트(700)와 가까운 위치에 표시될 수 있다. 예컨대 기 정의된 수가 1인 경우, 사용자의 포인트(700)와 가장 가까운 제1 포인트(711)에 해당하는 다른 사용자의 케톤 수치 예측 모델이, 상기 사용자에 대한 케톤 수치 예측 모델로서 획득될 수 있다. 또는, 기 정의된 수가 7인 경우, 사용자의 포인트(700)와 가장 가까운 7개의 포인트(711 내지 717)에 해당하는 다른 사용자들의 케톤 수치 예측 모델들이, 상기 사용자에 대한 케톤 수치 예측 모델로서 획득될 수 있다.For example, when the classification model is KNN, the weight management service providing device 10 may quantify data included in the biometric information of each of the user and a plurality of extracted other users according to a predefined algorithm. In addition, the weight management service providing device 10 may obtain a prediction model for the ketone level for the user by selecting a prediction model for each of a predefined number of other users who have the most similar level to the level for the user. The graph shown in FIG. 6 expresses numerical values for each user according to the above algorithm, and the greater the similarity of the extracted points 711 to 717 of the plurality of other users with the user's biometric information, the greater the user's points 700. ) can be displayed in a location close to . For example, if the predefined number is 1, another user's ketone level prediction model corresponding to the first point 711 closest to the user's point 700 may be obtained as the ketone level prediction model for the user. Alternatively, if the predefined number is 7, the ketone level prediction models of other users corresponding to the seven points (711 to 717) closest to the user's point (700) will be obtained as the ketone level prediction model for the user. You can.

체중 관리 서비스 제공 장치(10)는, 획득된 적어도 하나의 케톤 수치 예측 모델을 기초로, 사용자에 대한 체중 관리 가이드를 생성하고(S830), 생성된 체중 관리 가이드를 사용자에게 제공할 수 있다(S840). The weight management service providing device 10 may generate a weight management guide for the user based on the obtained at least one ketone level prediction model (S830) and provide the generated weight management guide to the user (S840). ).

도 5를 함께 참조하면, 체중 관리 서비스 제공 장치(10)는 사용자에 대해 획득된 적어도 하나의 케톤 수치 예측 모델에 기초하여, 사용자의 공복 유지 시간(공복혈당 유지 시간)에 따른 케톤 수치 예측 정보를 획득할 수 있다. 구체적으로, 체중 관리 서비스 제공 장치(10)는 소정의 공복 유지 시간 값을 상기 적어도 하나의 케톤 수치 예측 모델에 각각 입력할 수 있다. 적어도 하나의 케톤 수치 예측 모델 각각은 입력된 공복 유지 시간 값에 따른 케톤 수치를 출력할 수 있다. 체중 관리 서비스 제공 장치(10)는 출력된 적어도 하나의 케톤 수치 각각에 대한 가중 평균(예컨대, 생체조건의 유사도가 높은 다른 사용자의 케톤 수치 예측 모델에 높은 가중치를 부여) 등의 연산을 통해 하나의 케톤 수치를 획득할 수 있다. 체중 관리 서비스 제공 장치(10)는 서로 다른 공복 유지 시간 값들을 입력함으로써, 공복 유지 시간에 따른 케톤 수치 변화 정보를 획득할 수 있다.Referring to FIG. 5 together, the weight management service providing device 10 provides prediction information on ketone levels according to the user's fasting maintenance time (fasting blood sugar maintenance time) based on at least one ketone level prediction model obtained for the user. It can be obtained. Specifically, the weight management service providing device 10 may input a predetermined fasting maintenance time value into the at least one ketone level prediction model. Each of the at least one ketone level prediction model may output a ketone level according to the input fasting maintenance time value. The weight management service providing device 10 calculates one weighted average for each of at least one output ketone level (e.g., assigning a high weight to the ketone level prediction model of another user with high similarity in biological conditions). Ketone levels can be obtained. The weight management service providing device 10 may obtain information on changes in ketone levels according to fasting maintenance time by inputting different fasting maintenance time values.

도 7을 참조하면, 도 7의 그래프는 상기 획득된 공복 유지 시간에 따른 케톤 수치 변화 정보를 표현한 것이다. 예컨대, 공복 유지 시간이 제1 시간(T1) 이내인 경우에는 케톤 수치가 매우 낮은 바, 사용자의 신진대사 상태가 키토시스 상태로 진입하지 않음을 의미할 수 있다.Referring to FIG. 7, the graph in FIG. 7 expresses information on changes in ketone levels according to the obtained fasting maintenance time. For example, if the fasting time is within the first time (T1), the ketone level is very low, which may mean that the user's metabolic state does not enter the ketosis state.

공복 유지 시간이 제1 시간(T1)을 초과하는 경우 케톤 수치가 점차 증가할 수 있으며, 이는 사용자의 신진대사 상태가 키토시스 상태로 진입함을 의미할 수 있다. 한편, 케톤 수치가 소정의 제1 수치(K1) 미만인 구간은 체지방 분해 정도가 미약할 수 있고, 제2 수치(K2)를 초과하는 구간은 건강 위험 구간에 해당할 수 있다. 상기 제1 수치(K1) 및 제2 수치(K2) 각각은 사용자와 관계없이 동일한 수치로 설정될 수 있으나, 실시예에 따라서는 사용자의 생체 특성 등에 따라 다르게 설정될 수도 있다. 본 실시 예에 의할 경우, 사용자에 대한 최적 공복 유지 시간은 케톤 수치가 기 설정된 수치 범위(제1 수치(K1)부터 제2 수치(K2) 사이)에 해당하는 시간인 제2 시간(T2) 내지 제3 시간(T3)에 해당할 수 있다. If the fasting time exceeds the first time (T1), the ketone level may gradually increase, which may mean that the user's metabolic state enters the ketosis state. Meanwhile, a section where the ketone level is less than a predetermined first value (K1) may have a weak degree of body fat decomposition, and a section where the ketone level exceeds the second value (K2) may correspond to a health risk section. Each of the first numerical value (K1) and the second numerical value (K2) may be set to the same value regardless of the user, but may be set differently depending on the user's biological characteristics, etc., depending on the embodiment. According to this embodiment, the optimal fasting maintenance time for the user is the second time (T2), which is the time when the ketone level is within a preset value range (between the first value (K1) and the second value (K2)) It may correspond to the third time (T3).

체중 관리 서비스 제공 장치(10)는 상기 최적 공복 유지 시간을 반영한 체중 관리 가이드(다이어트 플랜 등)를 생성할 수 있다. 예컨대 체중 관리 서비스 제공 장치(10)는 식단 및 식사 스케쥴을 포함하는 체중 관리 가이드의 생성 시, 식사 간의 간격이 상기 최적 공복 유지 시간에 대응하도록 생성할 수 있다. 사용자는 상기 체중 관리 가이드에 따라 상기 사용자에 대한 최적의 공복 시간을 유지함으로써 체중 관리의 효과를 극대화할 수 있다.The weight management service providing device 10 may generate a weight management guide (diet plan, etc.) that reflects the optimal fasting time. For example, when creating a weight management guide including a diet and meal schedule, the weight management service providing device 10 may generate the interval between meals to correspond to the optimal fasting time. The user can maximize the effect of weight management by maintaining the optimal fasting time for the user according to the weight management guide.

도 8은 도 1에 도시된 시스템에 포함되는 디바이스의 하드웨어 구성을 개략적으로 나타낸 블록도이다.FIG. 8 is a block diagram schematically showing the hardware configuration of a device included in the system shown in FIG. 1.

본 개시의 실시 예에 따른 시스템에 포함되는 디바이스(1200)의 하드웨어 구성은, 도 1에 도시된 체중 관리 서비스 제공 장치(10), 단말기(20), 및/또는 데이터 수집 장치(30)의 하드웨어 구성에 상응할 수 있다. 즉 체중 관리 서비스 제공 장치(10), 단말기(20), 및/또는 데이터 수집 장치(30)는 도 8에 도시된 디바이스(1200)의 하드웨어 구성들 중 적어도 일부를 포함할 수 있으며, 실시 예에 따라 추가적인 구성을 더 포함할 수 있다.The hardware configuration of the device 1200 included in the system according to an embodiment of the present disclosure is the hardware of the weight management service providing device 10, terminal 20, and/or data collection device 30 shown in FIG. It may correspond to the configuration. That is, the weight management service providing device 10, the terminal 20, and/or the data collection device 30 may include at least some of the hardware configurations of the device 1200 shown in FIG. 8, and in the embodiment Additional configurations may be included accordingly.

도 8을 참조하면, 디바이스(1200)는 통신부(1210), 입력부(1220), 출력부(1230), 제어부(1240), 및 메모리(1250)를 포함할 수 있다. 도 8에 도시된 제어 구성은 설명의 편의를 위한 일례로서, 디바이스(1200)는 도 8에 도시된 구성보다 많거나 적은 구성을 포함할 수도 있다.Referring to FIG. 8, the device 1200 may include a communication unit 1210, an input unit 1220, an output unit 1230, a control unit 1240, and a memory 1250. The control configuration shown in FIG. 8 is an example for convenience of explanation, and the device 1200 may include more or less configurations than the configuration shown in FIG. 8 .

통신부(1210)는 디바이스(1200)를 네트워크에 연결함으로써 다른 단말기나 서버 등과의 통신을 가능하게 하는 하나 이상의 통신 모듈을 포함할 수 있다. 예컨대 상기 통신 모듈은 LTE, 5G 등과 같은 이동통신 모듈, 와이파이(Wi-Fi) 등의 무선 통신 모듈, 및/또는 기타 각종 유선 또는 무선 통신 모듈을 포함할 수 있다.The communication unit 1210 may include one or more communication modules that enable communication with other terminals or servers by connecting the device 1200 to a network. For example, the communication module may include a mobile communication module such as LTE, 5G, etc., a wireless communication module such as Wi-Fi, and/or various other wired or wireless communication modules.

입력부(1220)는 사용자 입력, 영상, 오디오 등의 정보를 획득하기 위한 구성으로서, 각종 기계식/전자식 입력 수단, 카메라, 마이크로폰 등의 다양한 입력 수단을 포함할 수 있다. 출력부(1230)는 시각, 청각, 또는 촉각 등과 관련된 출력을 발생시켜 사용자 등에게 정보를 제공하기 위한 것으로서, 디스플레이, 스피커, 진동 모듈 등을 포함할 수 있다.The input unit 1220 is a component for acquiring information such as user input, video, and audio, and may include various input means such as various mechanical/electronic input means, cameras, and microphones. The output unit 1230 is used to provide information to users by generating output related to vision, hearing, or tactile senses, and may include a display, speaker, vibration module, etc.

제어부(1240)는 디바이스(1200)의 전반적인 동작을 제어할 수 있다. 제어부(1240)는 상술한 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나, 메모리(1250)에 저장된 각종 어플리케이션이나 알고리즘 등에 따라 소정의 정보나 기능을 제공할 수 있다.The control unit 1240 may control the overall operation of the device 1200. The control unit 1240 may process signals, data, and information input or output through the above-described components, or may provide certain information or functions according to various applications or algorithms stored in the memory 1250.

예컨대, 제어부(1240)는 본 개시의 실시 예에 따른 체중 조절을 위한 혈당 관리 가이드 제공과 관련된 동작들(체중 변화 예측 모델의 획득, 목표 감량 정보에 대응하는 혈당 관리 가이드의 생성, 혈당 관리 가이드의 제공 등) 중 적어도 일부에 대한 프로세스를 제어할 수 있다. 또한, 제어부(1240)는 본 개시의 실시 예에 따른 케톤 수치를 이용한 체중 관리 가이드 제공과 관련된 동작들(케톤 수치 예측 모델의 획득, 최적 공복 유지 시간을 반영한 체중 관리 가이드의 생성 및 제공 등) 중 적어도 일부에 대한 프로세스를 제어할 수 있다.For example, the control unit 1240 performs operations related to providing a blood sugar management guide for weight control according to an embodiment of the present disclosure (obtaining a weight change prediction model, generating a blood sugar management guide corresponding to target weight loss information, and providing a blood sugar management guide. provision, etc.) can control the process for at least some of them. In addition, the control unit 1240 performs operations related to providing a weight management guide using ketone levels according to an embodiment of the present disclosure (obtaining a ketone level prediction model, generating and providing a weight management guide reflecting the optimal fasting maintenance time, etc.). You can control at least some of the processes.

이러한 제어부(1240)는 적어도 하나의 프로세서를 포함할 수 있고, 상기 프로세서는 CPU, AP(application processor), MCU, 집적 회로, ASIC, FPGA 등의 하드웨어로 구현될 수 있다.The control unit 1240 may include at least one processor, and the processor may be implemented with hardware such as a CPU, an application processor (AP), an MCU, an integrated circuit, an ASIC, or an FPGA.

메모리(1250)는 디바이스(1200)의 동작에 필요한 프로그램 및 데이터를 저장할 수 있다. 또한, 메모리(1250)는 제어부(1240)를 통해 생성되거나 획득된 데이터를 저장할 수 있다. 메모리(1250)는 롬(ROM), 램(RAM), 플래시 메모리, SSD, HDD 등의 저장 매체 또는 저장 매체들의 조합으로 구성될 수 있다.The memory 1250 may store programs and data necessary for the operation of the device 1200. Additionally, the memory 1250 may store data generated or acquired through the control unit 1240. The memory 1250 may be composed of a storage medium such as ROM, RAM, flash memory, SSD, or HDD, or a combination of storage media.

상기한 실시예들의 설명은 본 개시의 더욱 철저한 이해를 위하여 도면을 참조로 예를 든 것들에 불과하므로, 본 개시의 기술적 사상을 한정하는 의미로 해석되어서는 안 될 것이다. The description of the above-described embodiments is merely an example with reference to the drawings for a more thorough understanding of the present disclosure, and should not be construed as limiting the technical idea of the present disclosure.

또한, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 개시의 기본적 원리를 벗어나지 않는 범위 내에서 다양한 변화와 변경이 가능함은 명백하다 할 것이다.In addition, it will be clear to those skilled in the art to which this disclosure pertains that various changes and modifications can be made without departing from the basic principles of the present disclosure.

Claims (10)

체중 관리 서비스 제공 장치에 있어서,
사용자의 단말기 또는 데이터 수집 장치로부터, 상기 사용자의 생체 정보를 수신하는 통신부; 및
수신된 생체 정보에 기초하여, 체중 관리 서비스에 등록된 복수의 다른 사용자들의 케톤 수치 예측 모델들 중 적어도 하나를, 상기 사용자에 대한 케톤 수치 예측 모델로서 획득하고,
획득된 케톤 수치 예측 모델을 기초로, 상기 사용자에 대한 최적 공복 유지 시간을 판단하고,
판단된 최적 공복 유지 시간을 반영한 체중 관리 가이드를 생성하고,
생성된 체중 관리 가이드를 상기 사용자의 단말기로 전송하도록 상기 통신부를 제어하는 적어도 하나의 프로세서를 포함하고,
상기 케톤 수치 예측 모델은,
공복 유지 시간에 따른 케톤 수치 변화를 예측하도록 학습되는 머신러닝 기반의 모델인,
체중 관리 서비스 제공 장치.
In a weight management service providing device,
a communication unit that receives the user's biometric information from the user's terminal or data collection device; and
Based on the received biometric information, obtain at least one of the ketone level prediction models of a plurality of other users registered in the weight management service as a ketone level prediction model for the user,
Based on the obtained ketone level prediction model, determine the optimal fasting time for the user,
Create a weight management guide that reflects the determined optimal fasting time,
At least one processor that controls the communication unit to transmit the generated weight management guide to the user's terminal,
The ketone level prediction model is,
A machine learning-based model that is trained to predict changes in ketone levels depending on fasting time.
Device for providing weight management services.
제1항에 있어서,
상기 사용자의 생체 정보는,
상기 사용자의 연령, 성별, 신장, 체중, 공복혈당, 및 만성질환 발병여부 중 적어도 하나의 정보를 포함하는,
체중 관리 서비스 제공 장치.
According to paragraph 1,
The user's biometric information is,
Containing at least one of the user's age, gender, height, weight, fasting blood sugar, and whether or not the user has developed a chronic disease,
Device for providing weight management services.
제1항에 있어서,
상기 적어도 하나의 프로세서는,
데이터베이스로부터, 상기 사용자의 생체 정보와 기 정의된 유사 판단 기준을 만족하는 생체 정보를 갖는 다른 사용자들을 추출하고,
추출된 다른 사용자들에 분류 모델을 적용하여 기 정의된 수의 다른 사용자 각각의 케톤 수치 예측 모델을 선별함으로써, 상기 사용자에 대한 케톤 수치 예측 모델을 획득하는,
체중 관리 서비스 제공 장치.
According to paragraph 1,
The at least one processor,
From the database, extract other users whose biometric information satisfies the user's biometric information and predefined similar judgment criteria,
Obtaining a ketone level prediction model for the user by applying a classification model to the extracted other users to select a ketone level prediction model for each of a predefined number of other users,
Device for providing weight management services.
제1항에 있어서,
상기 적어도 하나의 프로세서는,
상기 획득된 케톤 수치 예측 모델을 이용하여, 서로 다른 공복 유지 시간들 각각에 대한 케톤 수치를 획득하고,
획득된 케톤 수치가 기 설정된 수치 범위에 해당하는 시간을, 상기 최적 공복 유지 시간으로 판단하는,
체중 관리 서비스 제공 장치.
According to paragraph 1,
The at least one processor,
Using the obtained ketone level prediction model, obtain ketone levels for each of the different fasting maintenance times,
The time when the obtained ketone level falls within the preset value range is determined as the optimal fasting maintenance time,
Device for providing weight management services.
제1항에 있어서,
상기 체중 관리 가이드는 식사 스케쥴을 포함하고,
상기 적어도 하나의 프로세서는,
제1 식사와 제2 식사 간의 간격이 상기 최적 공복 유지 시간에 대응하도록 상기 체중 관리 가이드를 생성하는,
체중 관리 서비스 제공 장치.
According to paragraph 1,
The weight management guide includes a meal schedule,
The at least one processor,
Generating the weight management guide such that the interval between the first meal and the second meal corresponds to the optimal fasting maintenance time,
Device for providing weight management services.
적어도 하나의 컴퓨팅 장치를 통한 체중 관리 서비스 제공 방법에 있어서,
상기 적어도 하나의 컴퓨팅 장치에 포함된 생체 정보 수집부가, 사용자의 생체 정보를 획득하는 단계;
상기 적어도 하나의 컴퓨팅 장치에 포함된 예측 모델 획득부가, 획득된 생체 정보에 기초하여, 체중 관리 서비스에 등록된 다른 사용자들의 케톤 수치 예측 모델들 중 적어도 하나로부터 상기 사용자에 대한 케톤 수치 예측 모델을 획득하는 단계;
상기 적어도 하나의 컴퓨팅 장치에 포함된 체중 관리 가이드 제공부가, 획득된 케톤 수치 예측 모델을 기초로, 상기 사용자에 대한 최적 공복 유지 시간을 판단하는 단계;
상기 체중 관리 가이드 제공부가, 상기 최적 공복 유지 시간을 반영한 체중 관리 가이드를 생성하는 단계; 및
상기 체중 관리 가이드 제공부가, 생성된 체중 관리 가이드를 상기 사용자에게 제공하는 단계를 포함하고,
상기 케톤 수치 예측 모델은,
공복 유지 시간에 따른 케톤 수치 변화를 예측하도록 학습된 머신러닝 기반의 모델인,
체중 관리 서비스 제공 방법.
In a method of providing weight management service through at least one computing device,
Obtaining, by a biometric information collection unit included in the at least one computing device, biometric information of a user;
A prediction model acquisition unit included in the at least one computing device acquires a ketone level prediction model for the user from at least one of the ketone level prediction models of other users registered in the weight management service, based on the acquired biometric information. steps;
determining, by a weight management guide providing unit included in the at least one computing device, an optimal fasting maintenance time for the user based on the obtained ketone level prediction model;
generating, by the weight management guide providing unit, a weight management guide reflecting the optimal fasting maintenance time; and
The weight management guide providing unit includes providing the generated weight management guide to the user,
The ketone level prediction model is,
A machine learning-based model trained to predict changes in ketone levels according to fasting time.
How to provide weight management services.
제6항에 있어서,
상기 사용자의 생체 정보는,
상기 사용자의 연령, 성별, 신장, 체중, 공복혈당, 및 만성질환 발병여부 중 적어도 하나의 정보를 포함하는,
체중 관리 서비스 제공 방법.
According to clause 6,
The user's biometric information is,
Containing at least one of the user's age, gender, height, weight, fasting blood sugar, and whether or not the user has developed a chronic disease,
How to provide weight management services.
제6항에 있어서,
상기 사용자에 대한 케톤 수치 예측 모델을 획득하는 단계는,
다수의 사용자들 중 상기 사용자의 생체 정보와 기 정의된 유사 판단 기준을 만족하는 생체 정보를 갖는 다른 사용자들을 추출하는 단계;
추출된 다른 사용자들에 대해 분류 모델을 적용하여 기 정의된 수의 다른 사용자 각각의 케톤 수치 예측 모델을 선별하는 단계; 및
선별된 다른 사용자 각각의 케톤 수치 예측 모델에 기초하여, 상기 사용자에 대한 케톤 수치 예측 모델을 획득하는 단계를 포함하는,
체중 관리 서비스 제공 방법.
According to clause 6,
The step of obtaining a ketone level prediction model for the user is,
extracting other users from among a plurality of users who have biometric information that satisfies predefined criteria similar to the user's biometric information;
Selecting a ketone level prediction model for each of a predefined number of other users by applying a classification model to the extracted other users; and
Comprising the step of obtaining a ketone level prediction model for the user based on the ketone level prediction model of each of the other selected users,
How to provide weight management services.
제6항에 있어서,
상기 최적 공복 유지 시간을 판단하는 단계는,
획득된 케톤 수치 예측 모델을 이용하여, 서로 다른 공복 유지 시간들 각각에 대한 케톤 수치를 획득하는 단계; 및
획득된 케톤 수치가 기 설정된 수치 범위에 해당하는 시간을, 상기 최적 공복 유지 시간으로 판단하는 단계를 포함하는,
체중 관리 서비스 제공 방법.
According to clause 6,
The step of determining the optimal fasting maintenance time is,
Obtaining ketone levels for each of the different fasting maintenance times using the obtained ketone level prediction model; and
Including determining the time when the obtained ketone level corresponds to a preset value range as the optimal fasting maintenance time,
How to provide weight management services.
제6항에 있어서,
상기 체중 관리 가이드는 식사 스케쥴을 포함하고,
상기 체중 관리 가이드를 생성하는 단계는,
제1 식사와 제2 식사 간의 간격이 상기 최적 공복 유지 시간에 대응하도록 상기 체중 관리 가이드를 생성하는,
체중 관리 서비스 제공 방법.
According to clause 6,
The weight management guide includes a meal schedule,
The step of creating the weight management guide is,
Generating the weight management guide such that the interval between the first meal and the second meal corresponds to the optimal fasting maintenance time,
How to provide weight management services.
KR1020230124209A 2022-10-27 2023-09-18 Method and apparatus for providing weight management service based on artificial intelligence using biometric information KR20240059539A (en)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR20220140493 2022-10-27
KR1020220140493 2022-10-27
KR1020230016150 2023-02-07

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020230016150 Division 2022-10-27 2023-02-07

Publications (1)

Publication Number Publication Date
KR20240059539A true KR20240059539A (en) 2024-05-07

Family

ID=91078058

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230124209A KR20240059539A (en) 2022-10-27 2023-09-18 Method and apparatus for providing weight management service based on artificial intelligence using biometric information

Country Status (1)

Country Link
KR (1) KR20240059539A (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101107062B1 (en) 2003-09-12 2012-01-25 보디미디어 인코퍼레이티드 System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability
US20180108272A1 (en) 2016-10-14 2018-04-19 Invoy Technologies, Llc Artificial intelligence based health coaching based on ketone levels of participants
KR20210062291A (en) 2019-11-21 2021-05-31 주식회사 케이티 Server, method and computer program for providing health consulting service

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101107062B1 (en) 2003-09-12 2012-01-25 보디미디어 인코퍼레이티드 System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability
US20180108272A1 (en) 2016-10-14 2018-04-19 Invoy Technologies, Llc Artificial intelligence based health coaching based on ketone levels of participants
KR20210062291A (en) 2019-11-21 2021-05-31 주식회사 케이티 Server, method and computer program for providing health consulting service

Similar Documents

Publication Publication Date Title
JP7127086B2 (en) health tracking device
US20210391081A1 (en) Predictive guidance systems for personalized health and self-care, and associated methods
US11561806B2 (en) Adaptive interface for screen-based interactions
US20160117937A1 (en) System and method for providing biometric and context based messaging
Mikos et al. A wearable, patient-adaptive freezing of gait detection system for biofeedback cueing in Parkinson's disease
KR102400740B1 (en) System for monitoring health condition of user and analysis method thereof
RU2712395C1 (en) Method for issuing recommendations for maintaining a healthy lifestyle based on daily user activity parameters automatically tracked in real time, and a corresponding system (versions)
WO2022056148A1 (en) Mental state monitoring system
KR20190063954A (en) Method for predicting change of nutrient metabolism by artificial intelligence cloud and method for measuring nutrient metabolism by artificial intelligence cloud and method managing diease by using it
US20240008813A1 (en) Smart wearable device and method for estimating traditional medicine system parameters
KR20210052122A (en) System and method for providing user-customized food information service
KR102166670B1 (en) Method and device for providing user health status
JP2012058939A (en) Blood sugar level prediction system
KR101872870B1 (en) Pulse diagnosis apparatus and pulse diagnosis method thereof
KR20240059539A (en) Method and apparatus for providing weight management service based on artificial intelligence using biometric information
KR20240059583A (en) Method and system for providing weight management service based on artificial intelligence using biometric information
KR102709003B1 (en) Method and system for providing glucose management service using insulin lens technology providing glucose management inforamtion based on food-glucose response analysis
Zhu Emotion Detection System Using Electrodermal Activity Signals from Wearable Devices with Deep Learning Techniques
US20240282469A1 (en) Monitoring a person using machine learning
US20240086761A1 (en) Neuroergonomic api service for software applications
US20230270362A1 (en) Continuous health monitoring system
Mitra et al. Automatic Detection of Situational Context Using AI from Minimal Sensor Modality
WO2024200999A1 (en) Monitoring metabolic response
CN115697188A (en) Assessing pain of a user via a time series of parameters from a portable monitoring device
CN115394402A (en) Diet risk prediction system