KR20240066621A - 월경 관련 정보를 제공하는 방법 및 장치 - Google Patents
월경 관련 정보를 제공하는 방법 및 장치 Download PDFInfo
- Publication number
- KR20240066621A KR20240066621A KR1020220147623A KR20220147623A KR20240066621A KR 20240066621 A KR20240066621 A KR 20240066621A KR 1020220147623 A KR1020220147623 A KR 1020220147623A KR 20220147623 A KR20220147623 A KR 20220147623A KR 20240066621 A KR20240066621 A KR 20240066621A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- answer
- question
- analysis model
- transition
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000002175 menstrual effect Effects 0.000 title description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 90
- 230000005906 menstruation Effects 0.000 claims abstract description 69
- 230000027758 ovulation cycle Effects 0.000 claims abstract description 33
- 230000007704 transition Effects 0.000 claims description 57
- 230000029849 luteinization Effects 0.000 claims description 41
- 230000011599 ovarian follicle development Effects 0.000 claims description 38
- 230000003247 decreasing effect Effects 0.000 claims description 26
- 208000019116 sleep disease Diseases 0.000 claims description 19
- 208000020685 sleep-wake disease Diseases 0.000 claims description 15
- 208000019901 Anxiety disease Diseases 0.000 claims description 14
- 230000036506 anxiety Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000007423 decrease Effects 0.000 claims description 11
- 230000003821 menstrual periods Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000016087 ovulation Effects 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 62
- 238000010586 diagram Methods 0.000 description 19
- 238000012545 processing Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 16
- 238000003860 storage Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 230000003287 optical effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000036760 body temperature Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 208000019255 Menstrual disease Diseases 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000036387 respiratory rate Effects 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000004630 mental health Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010006298 Breast pain Diseases 0.000 description 2
- 208000005171 Dysmenorrhea Diseases 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 2
- 208000006662 Mastodynia Diseases 0.000 description 2
- 206010036618 Premenstrual syndrome Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000009207 exercise therapy Methods 0.000 description 2
- 231100000869 headache Toxicity 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000009245 menopause Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000000051 music therapy Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000020979 dietary recommendations Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0012—Ovulation-period determination
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4318—Evaluation of the lower reproductive system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4806—Sleep evaluation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- 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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B10/00—Other methods or instruments for diagnosis, e.g. instruments for taking a cell sample, for biopsy, for vaccination diagnosis; Sex determination; Ovulation-period determination; Throat striking implements
- A61B10/0012—Ovulation-period determination
- A61B2010/0016—Ovulation-period determination based on measurement of electric currents, e.g. conductivity tests
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Cardiology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Educational Technology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- General Engineering & Computer Science (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- General Physics & Mathematics (AREA)
- Gynecology & Obstetrics (AREA)
- Reproductive Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 개시의 몇몇 실시예에 따라, 컴퓨팅 장치에 의해 수행되는 월경 관련 정보를 제공하는 방법이 개시된다. 상기 방법은: 사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득하는 단계 - 상기 복수의 심전도 변수 정보는 시계열 데이터를 포함함 -; 상기 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계; 및 분석 모델에 의해, 상기 생체 정보 및 상기 사용자 문답 정보에 기초하여 월경 주기 예측 정보를 생성하는 단계; 를 포함할 수 있다.
Description
본 발명은 컴퓨터를 이용하여 정보를 제공하는 방법 및 장치에 관한 것으로, 보다 구체적으로 복수의 심전도 변수 정보를 포함하는 생체 정보 및 사용자 문답 정보를 이용하여 월경 관련 정보를 제공하는 방법 및 장치에 관한 것이다.
본 연구는 보건복지부의 재원으로 한국보건산업진흥원의 보건의료기술연구개발사업 지원에 의하여 이루어진 것임(과제고유번호 : HR21C0885).
This research was supported by a grant of the Korea Health Technology R&D Project through the Korea Health Industry Development Institute (KHIDI), funded by the Ministry of Health Welfare, Republic of Korea (grant number : HR21C0885).
일반적으로 알려진 월경 주기 예측 방식은 여성의 체온만으로 배란일(월경기)를 예측하는 것으로 측정의 정확도가 높지 않다. 따라서, 부정확한 예측 결과에 의해 가임기 정보, 월경 장애 예방 및 완화 정보 등 정확한 월경 관련 정보를 제공하지 못하는 문제점이 있다.
(특허문헌 1) KR 10-2020-0026340 A
본 개시는 전술한 배경기술에 대응하여 안출 된 것으로, 복수의 심전도 변수 정보를 포함하는 생체 정보 및 사용자 문답 정보를 이용하여 월경 관련 정보를 제공하는 방법 및 장치를 제공하기 위함이다.
전술한 바와 같은 과제를 실현하기 위한 컴퓨팅 장치에 의해 수행되는 월경 관련 정보를 제공하는 방법이 개시된다. 상기 방법은: 사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득하는 단계 - 상기 복수의 심전도 변수 정보는 시계열 데이터를 포함함 -; 상기 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계; 및 분석 모델에 의해, 상기 생체 정보 및 상기 사용자 문답 정보에 기초하여 월경 주기 예측 정보를 생성하는 단계; 를 포함할 수 있다.
대안적으로, 상기 복수의 심전도 변수 정보는 RRI(RR Intervals) 정보, HR(Heart Rate) 정보, RR(Respiration Rate) 정보, ST 레벨(ST level) 정보, SDNN(standard deviation of all NN intervals) 정보, RMSSD(square root of the mean of the sum of the squares of differences between adjacent NN intervals) 정보, NN50(number of NN intervals differing by more than 50ms) 정보, pNN50(ratio of NN50) 정보, SDSD(standard deviation of differences between adjacent NN intervals) 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 사용자 문답 정보는 수면장애 문답 정보, 우울감 문답 정보, 불안감 문답 정보, 또는 스트레스 문답 정보 중 적어도 하나를 포함할 수 있다.
대안적으로, 상기 분석 모델은 각각 상기 복수의 심전도 변수 정보 및 상기 사용자 문답 정보의 적어도 일부를 포함하는 복수의 예측 변수 조합을 이용하는 앙상블 학습(ensemble learning) 모델을 포함할 수 있다.
대안적으로, 상기 분석 모델은, 상기 RRI 정보에 기초하여 RRI 정보의 감소 경향을 식별하는 경우에 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 분석 모델은, HR 정보의 유지 감소 경향을 식별하는 경우에 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습되고, HR 정보의 증가 경향을 식별하는 경우에 난포기에서 가임기로의 전이를 예측하는 정보를 생성하도록 학습되고, 그리고 HR 정보의 최고 수준 경향을 식별하는 경우에 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 분석 모델은, 상기 RR 정보의 감소 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습되고, 상기 RR 정보의 추가 감소 경향을 식별하는 경우 가임기로의 전이를 예측하는 정보를 생성하도록 학습되고, 그리고 상기 RR 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 분석 모델은, 상기 ST 레벨 정보의 최대 수준 경향을 식별하는 경우 난포기로의 전이를 예측하는 정보를 생성하도록 학습되고, 그리고 상기 ST 레벨 정보의 최소 수준 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 분석 모델은, 상기 SDNN 정보의 유지 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습되고, 상기 SDNN 정보의 감소 경향을 식별하는 경우 난포기에서 가임기로의 전이를 예측하는 정보를 생성하도록 학습되고, 그리고 상기 SDNN 정보의 최대 감소 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 분석 모델은, 상기 RMSSD 정보의 최대 감소 경향을 식별하는 경우에 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 분석 모델은, 상기 NN50 정보의 감소 경향을 식별하는 경우 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 분석 모델은, 상기 pNN50 정보의 감소 경향을 식별하는 경우 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 분석 모델은, 상기 SDSD 정보의 유지 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 사용자 문답 정보는 수면장애 문답 정보를 포함하고, 상기 분석 모델은, 상기 수면장애 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 사용자 문답 정보는 우울감 문답 정보를 포함하고, 상기 분석 모델은, 상기 우울감 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 사용자 문답 정보는 불안감 문답 정보를 포함하고, 상기 분석 모델은, 상기 불안감 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 상기 사용자 문답 정보는 스트레스 문답 정보를 포함하고, 상기 분석 모델은, 상기 스트레스 문답 정보의 증가 경향을 식별하는 경우 배란 지연을 예측하는 정보를 생성하도록 학습될 수 있다.
대안적으로, 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계는: 복수의 심전도 변수 정보의 획득 시점에 대응하여 상기 사용자 문답 정보를 입력할 수 있는 사용자 인터페이스를 제공하는 단계; 를 포함할 수 있다.
대안적으로, 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계는: 복수의 심전도 변수 정보의 획득 시점에 대응하는 상기 사용자 문답 정보의 입력 여부를 표시하는 사용자 인터페이스를 제공하는 단계; 를 포함할 수 있다.
대안적으로, 상기 복수의 심전도 변수 정보는 RRI 정보, HR 정보, RR 정보, ST 레벨 정보, SDNN 정보, RMSSD 정보, NN50 정보, pNN50 정보, SDSD 정보를 포함할 수 있다.
대안적으로, 상기 사용자 문답 정보는 수면장애 문답 정보, 우울감 문답 정보, 불안감 문답 정보, 및 스트레스 문답 정보를 포함할 수 있다.
대안적으로, 상기 분석 모델은 랜덤 포레스트(random forest) 알고리즘을 사용할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 월경 관련 정보를 제공하는 방법을 수행하게 하기 위한 명령들을 포함하며, 상기 방법은: 사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득하는 단계 - 상기 복수의 심전도 변수 정보는 시계열 데이터를 포함함 -; 상기 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계; 및 분석 모델에 의해, 상기 생체 정보 및 상기 복수의 사용자 문답 정보에 기초하여 월경 주기 예측 정보를 생성하는 단계; 를 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 월경 관련 정보를 제공하는 방법을 수행하는 컴퓨팅 장치가 개시된다. 상기 컴퓨팅 장치는: 컴퓨터 실행가능한 컴포넌트들을 포함하는 메모리; 메모리에 저장된 이하의 컴퓨터 실행가능한 컴포넌트들을 실행하는 프로세서; 를 포함하고, 상기 프로세서는, 사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득하고 - 상기 복수의 심전도 변수 정보는 시계열 데이터를 포함함 -, 상기 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하고, 그리고 분석 모델에 의해, 상기 생체 정보 및 상기 복수의 사용자 문답 정보에 기초하여 월경 주기 예측 정보를 생성할 수 있다.
본 개시는 복수의 심전도 변수 정보를 포함하는 생체 정보 및 사용자 문답 정보를 이용하여 월경 관련 정보를 제공하는 방법 및 장치를 제공할 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 월경 관련 정보 제공 시스템을 도시한 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하는 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 3은 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하기 위한 방법을 설명하기 위한 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 심전도 변수 정보를 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 사용자 문답 정보를 설명하기 위한 도면이다.
도 6은 본 개시의 몇몇 실시예에 따른 사용자 문답 정보를 획득하기 위한 예시적인 사용자 어플리케이션을 도시한다.
도 7은 본 개시의 몇몇 실시예에 따른 분석 모델의 예측 성능을 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따른 분석 모델의 예측 성능을 설명하기 위한 또 다른 도면이다.
도 9는 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하는 방법의 순서도이다.
도 10은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 11은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하는 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 3은 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하기 위한 방법을 설명하기 위한 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 심전도 변수 정보를 설명하기 위한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른 사용자 문답 정보를 설명하기 위한 도면이다.
도 6은 본 개시의 몇몇 실시예에 따른 사용자 문답 정보를 획득하기 위한 예시적인 사용자 어플리케이션을 도시한다.
도 7은 본 개시의 몇몇 실시예에 따른 분석 모델의 예측 성능을 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따른 분석 모델의 예측 성능을 설명하기 위한 또 다른 도면이다.
도 9는 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하는 방법의 순서도이다.
도 10은 본 개시의 몇몇 실시예에 따른 네트워크 함수를 나타낸 개략도이다.
도 11은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안 된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시는 월경 주기(menstrual cycle)을 예측하는 변수로서 기존에 주로 이용되던 체온에 한정되지 않고 심전도 변수 정보 및 사용자 문답 정보를 이용함으로써 높은 정확도로 월경 관련 정보를 제공하는 방법을 제공할 수 있다. 구체적으로, 본 개시는 일정 시간 동안 연속적으로 수집된 시계열 데이터인 심전도 변수 정보 상에서 시계열적 변화 패턴을 식별함으로써 월경 관련 정보를 제공할 수 있다. 또한, 본 개시는 심전도 변수 정보와 함께 사용자로부터 문답 형태로 획득된 사용자 문답 정보를 사용함으로써 보다 높은 정확도로 월경 관련 정보를 제공할 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 월경 관련 정보 제공 시스템(1000)을 도시한 도면이다.
도 1을 참조하면, 본 개시의 몇몇 실시예에 따른 월경 관련 정보 제공 시스템(1000)은 사용자 단말(1010), 생체 정보 센싱 장치(1020), 서버(1030)를 포함할 수 있다. 도 1에 도시된 월경 관련 정보 제공 시스템(1000)의 구성은 간략화하여 나타낸 예시일 뿐이다. 본 개시의 몇몇 실시예에서 월경 관련 정보 제공 시스템(1000)은 다른 추가적인 구성들을 포함할 수 있고, 개시된 구성들 중 일부만이 월경 관련 정보 제공 시스템(1000)을 구성할 수도 있다.
월경 관련 정보 제공 시스템(1000) 내에 포함된 다양한 개체들(entities) 간의 통신은 유/무선 네트워크(1040)를 통해 수행될 수 있다. 여기서, 유/무선 네트워크(1040)는, 복수의 단말 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미할 수 있다. 이러한 네트워크(1040)의 몇몇 예는 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷(WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함할 수 있다. 무선 데이터 통신망의 몇몇 예는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), 5GPP(5th Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), RF(Radio Frequency), 블루투스(Bluetooth) 네트워크, NFC(Near-Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등을 포함하나, 이에 한정되지는 않는다.
사용자 단말(1010)은, 네트워크를 통하여 원격지의 서버나 단말에 접속할 수 있는 컴퓨터로 구현될 수 있다. 여기서, 사용자 단말(1010)은 스마트폰 (smartphone), 태블릿 PC (tablet personal computer), 이동 전화기 (mobile phone), 화상 전화기, 전자북 리더기 (e-book reader), 데스크탑 PC (desktop personal computer), 랩탑 PC (laptop personal computer), 넷북 컴퓨터 (netbook computer), 워크스테이션 (workstation), 서버, PDA (personal digital assistant), PMP (portable multimedia player), 또는 웨어러블 장치 (wearable device)(예: 스마트 안경, 머리 착용형 장치 (head-mounted-device(HMD)), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리 (appcessory), 스마트 미러, 또는 스마트 와치(smart watch))중 적어도 하나를 포함할 수 있다. 다만 이에 한정되지 않고, 사용자 단말(1010)은 다양한 컴퓨터로 구현될 수 있다.
본 개시의 몇몇 실시예에 따라, 사용자 단말(1010)은 본 개시에 따른 월경 관련 정보를 제공하는 방법을 구현할 수 있다. 예를 들어, 사용자 단말(1010)은 월경 관련 정보를 제공하기 위한 사용자 어플리케이션을 제공할 수 있다. 사용자 단말(1010)은 사용자 어플리케이션을 통해 월경 관련 정보를 제공하기 위한 월경 관련 사용자 정보를 획득할 수 있다. 몇몇 예에서, 사용자 단말(1010)은 사용자 어플리케이션을 통해 생체 정보 센싱 장치(1020)를 동작시킴으로써 생체 정보를 획득할 수 있다. 몇몇 예에서, 사용자 단말(1010)은 서버(1030) 상에 저장된 생체 정보를 획득할 수 있다. 몇몇 예에서, 사용자 단말(1010)은 사용자 어플리케이션의 사용자 인터페이스를 통해 입력된 사용자 문답 정보를 획득할 수 있다.
몇몇 예에서, 사용자 단말(1010)은 사용자 단말(1010) 상에 구현되는 분석 모델을 이용하여 월경 관련 사용자 정보를 생성할 수 있다. 또는, 사용자 단말(1010)은 획득한 데이터를 처리하기 위해 월경 관련 사용자 정보를 서버(1030)로 송신할 수 있다. 이 경우에, 사용자 단말은(1010)은 서버(1030)에서 제공되는 분석 모델을 이용하여 월경 관련 사용자 정보를 처리함으로써 생성된 월경 관련 정보를 수신할 수 있다. 사용자 단말(1010)은 수신된 월경 관련 정보를 사용자 어플리케이션을 통해 사용자에게 제공할 수 있다.
월경 관련 정보는 월경과 관련된 각종 정보를 포함할 수 있다. 예를 들어, 월경 관련 정보는 예측 월경 주기(배란일, 월경일, 월경 기간, 임신 가능일, 월경 전 증후군, 폐경기 등), 추천 식단, 월경 관리를 위한 가이드 정보(예를 들어, 예측되는 월경 장애 및 월경 장애를 완화하기 위한 음악치료 및 운동 치료 등) 또는 추천 월경 상품 및 서비스 정보 등을 포함할 수 있다. 월경 관련 정보의 종류는 상술한 예에 한정되지 아니하고, 월경과 관련된 다양한 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 서버(1030)는 본 개시에 따른 월경 관련 정보를 제공하는 방법을 구현할 수 있다. 예를 들어, 서버(1030)는 월경 관련 학습 데이터를 이용하여 분석 모델을 학습시킬 수 있다. 몇몇 예에서, 월경 주기 관련 학습 데이터는 생체 정보 및 사용자 문답 정보를 포함한 다양한 월경 관련 사용자 정보를 포함할 수 있다. 서버(1030)는 학습된 분석 모델을 이용하여 월경 관련 사용자 정보를 처리함으로써 월경 관련 정보를 생성할 수 있다. 다른 예로, 서버(1030)는 학습된 분석 모델을 포함하는 사용자 어플리케이션을 사용자 단말(1010)에 제공할 수 있다. 이 경우에, 상술한 바와 같이, 사용자 단말(1010)는 분석 모델을 이용하여 월경 관련 사용자 정보를 처리할 수 있다.
생체 정보 센싱 장치(1020)는 생체 정보를 측정할 수 있는 다양한 장치를 포함할 수 있다. 예를 들어, 생체 정보 센싱 장치(1020)는 사용자의 체온, 혈압, 맥박, 피부 전도도, 심전도, 산소포화도 및 호흡수 등을 측정할 수 있는 장치일 수 있다. 생체 정보 센싱 장치(1020)는 측정한 생체 정보를 사용자 단말(1010) 또는 서버(1030)로 송신할 수 있다. 생체 정보 센싱 장치(1020)는 휴대용 장치 또는 거치용 장치를 포함할 수 있다. 몇몇 예에서, 생체 정보 센싱 장치(1020)는 심전도를 측정할 수 있는 웨어러블 장치(예를 들어, 패치 형태의 홀터심전계)를 포함할 수 있다. 몇몇 예에서, 생체 정보 센싱 장치(1020)는 사용자 단말(1010) 상에 모듈식으로 구비될 수 있다.
이하에서, 본 개시의 몇몇 실시예에 따라, 사용자 단말(1010) 또는 서버(1030)인, 본 개시에 따른 월경 관련 정보를 제공하는 방법을 구현하는 컴퓨터 장치에 대해서 설명한다.
도 2는 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하는 방법을 수행하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2에서 도시되는 바와 같이, 컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(120)를 포함할 수 있다. 도 2에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 몇몇 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들을 포함할 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다. 컴퓨팅 장치
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석 및 처리, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하기 위한 데이터 변환, 연산, 생성 등을 수행할 수 있다. 예를 들어, 프로세서(110)는 이하에서 설명되는 월경 관련 정보를 제공하기 위한 방법을 수행하기 위한 단계들을 수행할 수 있다. 또한, 본 개시의 몇몇 실시예에 따라 프로세서(110)는 월경 관련 정보를 제공하기 위한 방법을 수행하기 위해 학습 데이터를 이용하여 신경망의 학습을 위한 연산을 수행할 수 있다. 예를 들어, 프로세서(110)는 학습 데이터를 이용하여 분석 모델을 생성/학습시킬 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 월경 관련 정보를 제공하기 위한 방법을 위한 연산을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 월경 관련 정보를 제공하기 위한 방법을 위한 연산을 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 월경 관련 정보를 제공하기 위한 방법을 위한 데이터 변환, 연산, 생성, 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 몇몇 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(120)가 수신한 임의의 형태의 정보를 저장할 수 있다. 예를 들어, 메모리(130)는 프로세서(110)에 의해 월경 관련 정보를 제공하기 위한 방법을 수행하는 과정에서 생성되는 데이터들을 저장할 수 있다. 또한 메모리(130)는 프로세서(110)에 의해 월경 관련 정보를 제공하기 위한 방법을 수행하는 과정에서 외부에서 수신되는 데이터들을 저장할 수 있다. 다만, 이에 한정되지 않고, 메모리(130)는 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하기 위한 방법을 수행하기 위한 다양한 정보를 저장할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 몇몇 실시예에 따른 네트워크부(120)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(120)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(120)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(120)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(120)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
구체적으로 예를 들면, 네트워크부(120)는 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하기 위한 방법을 수행하기 위한 다양한 정보를 송수신할 수 있다. 예를 들어, 네트워크부(120)는 데이터베이스 상에 저장된 생체 정보와 사용자 문답 정보를 송수신할 수 있다. 또한, 네트워크부(120)는 이하에서 설명되는 월경 관련 정보를 제공하기 위한 방법을 수행하는 과정에서 생성되는 몇몇의 데이터를 데이터베이스 상에 저장하기 위해 외부로 전송할 수 있다.
한편, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버(1030)를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 사용자 단말로부터 쿼리를 수신하여 쿼리에 대응하는 단일 정보 처리 결과를 생성할 수 있다. 이 경우에, 서버인 컴퓨팅 장치(100)는 처리 결과를 포함하는 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력받거나 처리할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 사용자 단말(1010)을 포함할 수도 있다.
도 3은 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하기 위한 방법을 설명하기 위한 개략도이다. 도 4는 본 개시의 몇몇 실시예에 따른 심전도 변수 정보를 설명하기 위한 도면이다. 도 5는 본 개시의 몇몇 실시예에 따른 사용자 문답 정보를 설명하기 위한 도면이다. 도 6은 본 개시의 몇몇 실시예에 따른 사용자 문답 정보를 획득하기 위한 예시적인 사용자 어플리케이션을 도시한다.
도 3 내지 도 6을 참조하여, 본 개시의 몇몇 실시예에 따른 예시적인 실시예가 구체적으로 설명된다
프로세서(110)는 사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득할 수 있다. 여기서, 복수의 심전도 변수 정보는 시계열 데이터를 포함할 수 있다.
구체적으로 설명하면, 프로세서(110)는 월경 주기를 예측하는데 사용될 수 있는 생체 정보(10)를 획득할 수 있다. 예를 들어, 생체 정보는 나이, 키, 몸무게, 체온, 혈압, 호흡수, 월경일, 월경 기간, 맥박, 피부 전도도, 심전도, 및 산소포화도 등을 포함할 수 있다. 다만, 생체 정보(10)는 상술한 예에 한정되지 아니하고, 사용자와 관련된 다양한 정보를 포함할 수 있다.
몇몇 예에서, 생체 정보(10)는 하나 이상의 생체 정보 센싱 장치(1020)에 의해 생성된 정보(예를 들어, 체온, 혈압, 호흡수, 맥박, 심전도 등)를 포함할 수 있다. 또한, 생체 정보(10)는 사용자에 의해 입력된 정보(예를 들어, 나이, 키, 몸무게 등)를 포함할 수 있다.
몇몇 예에서, 생체 정보(10)는 복수의 심전도 변수 정보를 포함할 수 있다. 예를 들어, 심전도 변수 정보는 홀터심전계와 같은 심전도 장치에 의해 측정된 심전도(EKG 또는 ECG)의 시계열 데이터일 수 있다. 심전도 변수 정보는 횡단적 측정값이 아닌 심전도를 연속적으로 측정하는 방식에 의해 획득되는 시계열 데이터일 수 있다.
본 개시의 몇몇 실시예에 따라, 복수의 심전도 변수 정보는 RRI(RR Intervals) 정보, HR(Heart Rate) 정보, RR(Respiration Rate) 정보, ST 레벨(ST level) 정보, SDNN(standard deviation of all NN intervals) 정보, RMSSD(square root of the mean of the sum of the squares of differences between adjacent NN intervals) 정보, NN50(number of NN intervals differing by more than 50ms) 정보, pNN50 (ratio of NN50) 정보, SDSD(standard deviation of differences between adjacent NN intervals) 정보 중 적어도 하나를 포함할 수 있다.
도 4를 참조하면, 홀터심전계에 의해 획득된 예시적인 심전도 변수 정보들이 표시된다. 이들 중에서, 월경 주기 예측 정보를 분석 모델에 의해 처리되는 예측 인자는 월경 주기 예측과의 상관 관계가 높은 것으로 분석된 RRI 정보, HR 정보, RR 정보, ST 레벨 정보, SDNN 정보, RMSSD 정보, NN50 정보, pNN50 정보, SDSD 정보를 포함할 수 있다. 심전도 변수 정보는 상술한 예에 한정되지 아니하고, 심전도와 관련된 다양한 정보를 포함할 수 있다.
복수의 심전도 변수 정보는 사전 결정된 주기에 따라 획득된 정보일 수 있다. 예를 들어, 복수의 심전도 변수 정보는 매일 오전 및 오후에 측정된 정보들 중 하나일 수 있다. 이 경우에, 분석 모델은 사전 결정된 주기마다 월경 주기 예측 정보를 생성함으로써 예측 정확성을 높일 수 있다. 다만 이에 한정되지 않고, 복수의 심전도 변수 정보는 다양한 주기로 획득된 정보일 수 있다.
프로세서(110)는 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득할 수 있다.
구체적으로 설명하면, 프로세서(110)는 복수의 심전도 변수 정보와 함께 분석 모델에 의해 처리되는 사용자 문답 정보를 획득할 수 있다. 사용자 문답 정보는 월경 증상에 관련된 정보를 포함할 수 있다. 예를 들어, 사용자 문답 정보는 신체적 변화, 정신적 변화, 월경통/유방통/두통 변화에 대해 사용자에 의해 입력된 정보일 수 있다.
본 개시의 몇몇 실시예에 따라, 사용자 문답 정보는 수면장애문답 정보, 우울감 문답 정보, 불안감 문답 정보, 스트레스 문답 정보 중 적어도 하나를 포함할 수 있다.
도 5는 예시적인 사용자 문답 정보를 나타낸다. 도 5에서 도시되는 바와 같이, 사용자 문답 정보는 신체적 변화, 정신적 변화, 월경통/유방통/두통 변화에 대해 다양한 항목에 대하여 범주형 또는 수치형으로 입력한 정보일 수 있다. 이들 중에서, 월경 주기 예측 정보를 분석 모델에 의해 처리되는 사용자 문답 정보는 월경 주기 예측과의 상관 관계가 높은 것으로 분석된 수면장애문답 정보, 우울감 문답 정보, 불안감 문답 정보를 포함할 수 있다. 다만 이에 한정되지 않고, 사용자 문답 정보는 사용자로부터 획득된 월경 증상에 대한 다양한 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 경우에, 프로세서(110)는 복수의 심전도 변수 정보의 획득 시점에 대응하여 복수의 사용자 문답 정보를 입력할 수 있는 사용자 인터페이스를 제공할 수 있다.
상술한 바와 같이, 프로세서(110)는 사용자 어플리케이션을 통해 사용자 문답 정보를 입력할 수 있는 사용자 인터페이스를 제공할 수 있다. 일반적으로, 데이터 처리량을 줄이기 위해, 분석 모델은 하루에 24시간 동안 획득된 정보를 사용하는 대신 몇몇 시점에 획득된 정보를 사용하여 예측 결과를 생성하므로, 심전도 변수 정보와 사용자 문답 정보는 같은 기간에 대해 획득된 정보끼리 처리될 필요가 있다. 예를 들어, 오늘 오전에 측정된 복수의 심전도 변수 정보는 오늘 오전의 사용자의 월경 증상에 대해 입력된 사용자 문답 정보와 매칭될 수 있다. 그리고, 분석 모델은 매칭된 복수의 심전도 변수 정보와 사용자 문답 정보를 함께 처리함으로써 월경 주기 예측 정보를 생성할 수 있다. 따라서, 복수의 심전도 변수 정보와 함께 처리할 수 있도록, 사용자 문답 정보는 복수의 심전도 변수 정보가 획득되는 주기에 따라 획득될 수 있다. 예를 들어, 복수의 심전도 변수 정보가 날마다 오전 및 오후에 획득되는 경우, 프로세서(110)는 날마다 오전 및 오후에 사용자 문답 정보를 입력할 수 있는 사용자 인터페이스를 제공할 수 있다.
이와 관련하여, 프로세서(110)는 복수의 심전도 변수 정보가 획득되는 사전 결정된 주기에 따라 사용자가 사용자 문답 정보를 입력할 수 있는 사용자 인터페이스를 제공할 수 있다. 도 6을 참조하면, 사용자 단말(1010)을 통해 제공되는 사용자 어플리케이션에서 사용자 문답 정보를 입력할 수 있는 예시적인 사용자 인터페이스가 도시된다. 몇몇 예에서, 복수의 심전도 변수 정보를 획득하는 주기가 오전 및 오후 각각 2번인 경우에, 사용자 인터페이스는 캘린더 상의 각 날짜마다 오전 및 오후에 사용자 문답 정보를 입력했는지 여부를 표시할 수 있다. 사용자 인터페이스는 사용자 문답 정보가 입력되지 않은 날짜를 선택하는 입력을 수신하는 경우에, 해당 날짜에 사용자 문답 정보를 입력할 수 있는 입력창을 제공할 수 있다. 도 6을 참조하면, 사용자 인터페이스는 캘린더 상에 특정한 날짜를 선택하는 사용자 명령을 식별하는 경우에, 해당 날짜에 오전 및 오후에 대한 체크 표시를 통해 사용자 문답 정보가 완료되었는지 표시할 수 있다.
몇몇 예에서, 사용자 인터페이스는 복수의 사용자 문답 정보 중에서 몇 개의 정보가 입력되었는지 식별할 수 있는 표시를 제공할 수 있다. 예를 들어, 도 6을 참조하면, 사용자 인터페이스는 캘린더 상의 각 날짜마다 복수의 사용자 문답 정보 중에서 입력이 완료된 개수를 표시하는 아이콘을 표시할 수 있다. 다만 이에 한정되지 않고, 사용자 인터페이스는 다양한 형태로 제공될 수 있다.
본 개시의 몇몇 실시예에 따라, 프로세서(110)은 분석 모델에 의해, 생체 정보(10) 및 사용자 문답 정보(20)에 기초하여 월경 주기 예측 정보(30)를 생성할 수 있다.
분석 모델(200)은 복수의 심전도 변수 정보를 포함하는 생체 정보 및 복수의 사용자 문답 정보를 처리함으로써 월경 주기 예측 정보를 생성할 수 있다. 월경 주기는 월경 시작 이전 기간인 황체기(luteal phase), 월경하는 기간인 월경기(menstrual phase), 월경 종료 이후의 기간인 난포기(follicular phase)가 반복되는 주기로 형성될 수 있다. 가임기(fertile phase)는 월경 이후 14일 즈음에 생식학적으로 '배란'이 이루어지는 전후 기간을 의미할 수 있다. 분석 모델은 생체 정보 및 사용자 문답 정보를 포함하는 입력 데이터를 처리함으로써 황체기, 월경기, 난포기, 및 가임기를 식별할 수 있는 월경 주기 예측 정보(30)를 생성할 수 있다.
프로세서(110)는 생성된 월경 주기 예측 정보(30)를 이용하여 월경 관련 정보를 생성할 수 있다. 예를 들어, 프로세서(110)는 월경 주기 예측 정보(30)를 이용하여 예측 월경 주기(배란일, 월경일, 월경 기간, 임신 가능일, 월경 전 증후군, 폐경기 등), 추천 식단, 월경 관리를 위한 가이드 정보(예를 들어, 예측되는 월경 장애 및 월경 장애를 완화하기 위한 음악치료 및 운동 치료 등) 또는 추천 월경 상품 및 서비스 정보 등을 적절한 시기에 제공할 수 있다. 다만 이에 한정되지 않고, 프로세서(110)는 월경 주기 예측 정보(30)를 이용하여 다양한 월경 관련 정보를 제공할 수 있다.
본 개시의 몇몇 실시예에 따라, 분석 모델(200)은 복수의 심전도 변수 정보 및 사용자 문답 정보의 적어도 일부를 포함하는 복수의 예측 변수 조합을 이용하는 앙상블 학습(ensemble learning) 모델을 포함할 수 있다.
구체적으로 설명하면, 복수의 심전도 변수 정보를 포함하는 생체 정보(10) 및 사용자 문답 정보(20)는 상술한 바와 같이 복수의 예측 변수이므로, 분석 모델은 복수의 예측 변수를 입력으로 처리할 수 있는 적합한 알고리즘으로 구현될 필요가 있다. 예를 들어, 분석 모델(200)은 여러 개의 서브 모델(210)의 예측 결과를 예측 정보 결정 모듈(220)에 의해 통합적으로 처리함으로써 보다 정확한 예측을 도출할 수 있는 앙상블 학습 모델일 수 있다. 몇몇 예에서, 앙상블 학습 모델은 복수의 서브 모델을 이용하는 보팅(voting), 배깅(bagging), 또는 부스팅(booting) 알고리즘을 이용하는 모델일 수 있다. 이하에서, 본 개시의 몇몇 실시예에 따른 예시적인 분석 모델은 배깅 알고리즘의 일종인 랜덤 포레스트 알고리즘을 이용하여 구현된 모델에 대하여 설명되나, 본 개시는 이에 한정되지 않는다. 또한, 이하에서, 분석 모델의 예측 변수 조합은 생체 정보(10) 중에서 심전도 변수 정보만을 포함하는 실시예가 설명되나, 분석 모델의 예측 변수 조합은 호흡수, 체온 등 심전도 변수 정보 외의 다양한 생체 정보(10)를 더 포함할 수 있다.
랜덤 포레스트 알고리즘은 학습 데이터를 의사결정나무 여러 개에 적용하여 학습 성능을 높이는 앙상블 기법일 수 있다. 예를 들어, 분석 모델(200)은 원본 학습 데이터로부터 복원 추출을 통해 생성된 n 개의 학습 데이터에 의해 학습된 n 개의 서브 모델(210a 내지 210n)을 포함할 수 있다. 이 경우에, 각각의 서브 모델은 복수의 예측 변수 중에서 일부만을 조합한 예측 변수 조합을 이용하여 학습될 수 있다. 예를 들어, 제 1 서브 모델(210a)는 복수의 심전도 변수 정보 중 RRI 정보, HR 정보, 및 RR 정보를 포함하는 예측 변수 조합을 사용하는 모델일 수 있다. 제 2 서브 모델(210b)는 복수의 심전도 변수 정보 중 RRI 정보, ST 레벨 정보, 및 사용자 문답 정보 중 수면장애문답 정보를 포함하는 예측 변수 조합을 사용하는 모델일 수 있다. 제 3 서브 모델(210c)는 복수의 심전도 변수 정보 중 NN50 정보, 그리고 사용자 문답 정보 중 수면장애 문답 정보 및 불안감 문답 정보를 포함하는 예측 변수 조합을 사용하는 모델일 수 있다. 여기서, 각각의 서브 모델이 사용하는 예측 변수 조합은 랜덤하게 결정된 조합이거나 또는 사전 결정된 조합일 수 있다.
분석 모델을 학습시키기 위한 학습 데이터 중에서 심전도 변수 정보와 관련된 학습 데이터는 시계열적 데이터인 심전도 변수 정보에서 식별되는 변화 패턴에 대하여 월경 주기에 관한 라벨을 부여함으로써 생성될 수 있다. 아래의 표 1은 월경 주기에 관한 정보를 부여하기 위해 RRI 정보에서 식별되는 변화 패턴을 분석한 그래프이다.
[표 1]
몇몇 예에서, 학습 데이터는 복수의 심전도 변수 정보 각각에서 식별되는 변화 패턴과 월경 주기와의 상관 관계를 분석하여 생성된 라벨을 포함할 수 있다. 이하에서, 본 개시의 몇몇 실시예에 따라 복수의 심전도 변수 정보와 월경 주기와의 상관 관계에 대한 분석 결과에 따라 생성된 학습 데이터를 이용하여 생성된 예시적인 분석 모델(200)이 설명된다. 이하에서, 분석 모델(200)이 앙상블 학습 모델인 경우에, 분석 모델(200)의 학습은 개별적인 서브 모델(210)의 학습을 의미할 수 있다.
본 개시의 몇몇 실시예에 따라, RRI 정보에 대하여, 분석 모델(200)은 RRI 정보에 기초하여 RRI 정보의 감소 경향을 식별하는 경우에 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, RRI 정보의 감소 경향은 난포기에 비해 황체기에서 약 0.15 내지 0.40hz 감소하는 경우를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, HR 정보에 대하여, 분석 모델(200)은 HR 정보의 유지 감소 경향을 식별하는 경우에 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, HR 정보의 유지 감소 경향은 월경기에 비해 난포기에서 유사한 값을 가지거나 약 1.36bpm 감소하는 경우를 포함할 수 있다.
또한, 분석 모델(200)은 HR 정보의 증가 경향을 식별하는 경우에 난포기에서 가임기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, HR 정보의 증가 경향은 난포기에 비해 가임기에서 약 0.61bpm 상승하는 경우를 포함할 수 있다.
또한, 분석 모델(200)은 HR 정보의 최고 수준 경향을 식별하는 경우에 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. HR 정보의 최고 수준 경향은 난포기에 비해 황체기에서 약 2.33bpm 증가하는 경우, 가임기에 비해 황체기에서 약 1.84bpm 증가하는 경우, 월경기에 비해 황체기에서 약 2.31bpm 증가한 경우를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, RR 정보에 대하여, 분석 모델(200)은 RR 정보의 감소 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, RR 정보의 감소 경향은 월경기에 비해 난포기에서 약 0.29 breath/min 감소하는 경우를 포함할 수 있다.
또한, 분석 모델(200)은 RR 정보의 추가 감소 경향을 식별하는 경우 가임기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, RR 정보의 추가 감소 경향은 월경기에 비해 가임기에서 약 0.46 breath/min 감소하는 경우를 포함할 수 있다.
또한, 분석 모델(200)은 RR 정보의 증가 경향을 식별하는 경우 월경기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. RR 정보의 증가 경향은 월경기에 비해 황체기에서 약 0.18 breath/min 증가하는 경우를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, ST 레벨 정보에 대하여, 분석 모델(200)은 ST 레벨 정보의 최대 수준 경향을 식별하는 경우 난포기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, ST 레벨 정보의 최대 수준 경향은 ST 레벨 정보의 값 중에서 가장 높은 값을 나타내는 경우를 포함할 수 있다.
또한, 분석 모델(200)은 ST 레벨 정보의 최소 수준 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, ST 레벨 정보의 최대 수준 경향은 ST 레벨 정보의 값 중에서 가장 높은 값을 나타내는 경우를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, SDNN 정보에 대하여, 분석 모델(200)은 SDNN 정보의 유지 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
또한, 분석 모델(200)은 SDNN 정보의 감소 경향을 식별하는 경우 난포기에서 가임기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, SDNN 정보의 감소 경향은 난포기에 비해 가임기에서 약 0.04 감소하는 경우를 포함할 수 있다.
또한, 분석 모델(200)은 SDNN 정보의 최대 감소 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, SDNN 정보의 최대 감소 경향은 SDNN 정보의 값 중에서 가장 낮은 값을 나타내는 경우를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, RMSSD 정보에 대하여, 분석 모델(200)은 RMSSD 정보의 최대 감소 경향을 식별하는 경우에 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다. 예를 들어, RMSSD 정보의 최대 감소 경향은 RMSSD 정보의 값 중에서 가장 낮은 값을 나타내는 경우를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, NN50 정보에 대하여, 분석 모델(200)은 NN50 정보의 감소 경향을 식별하는 경우 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
본 개시의 몇몇 실시예에 따라, pNN50 정보에 대하여, 분석 모델(200)은 pNN50 정보의 감소 경향을 식별하는 경우 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
본 개시의 몇몇 실시예에 따라, SDSD 정보에 대하여, 분석 모델(200)은 SDSD 정보의 유지 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
몇몇 예에서, 학습 데이터는 사용자 문답 정보 각각에서 식별되는 변화 패턴과 월경 주기와의 상관 관계를 분석하여 생성된 데이터를 더 포함할 수 있다. 이하에서, 본 개시의 몇몇 실시예에 따라 사용자 문답 정보와 월경 주기와의 상관 관계에 대한 분석 결과에 따라 생성된 학습 데이터를 이용하여 생성된 예시적인 분석 모델(200)의 동작에 대해서 설명된다. 이하에서, 분석 모델(200)이 앙상블 학습 모델인 경우에, 분석 모델(200)의 학습은 서브 모델(210)의 학습을 의미할 수 있다.
본 개시의 몇몇 실시예에 따라, 수면장애 문답 정보에 대하여, 분석 모델(200)은 수면장애 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
본 개시의 몇몇 실시예에 따라, 우울감 문답 정보에 대하여, 분석 모델(200)은 우울감 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
본 개시의 몇몇 실시예에 따라, 불안감 문답 정보에 대하여, 분석 모델(200)은 불안감 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습될 수 있다.
본 개시의 몇몇 실시예에 따라, 스트레스 문답 정보에 대하여, 분석 모델(200)은 스트레스 문답 정보의 증가 경향을 식별하는 경우 배란 지연을 예측하는 정보를 생성하도록 학습될 수 있다.
도 7은 본 개시의 몇몇 실시예에 따른 분석 모델의 예측 성능을 설명하기 위한 도면이다.
도 7은 심전도 변수 정보 및 사용자 문답 정보의 조합에 따른 분석 모델의 예측 성능을 나타낸다. 도 7을 참조하면, 도 7은 심전도 변수 정보 및 사용자 문답 정보를 함께 사용하여 구현된 '랜덤 포레스트 모형 2'은 심전도 변수 정보만을 사용하여 구현된'랜덤 포레스트 모형 1'에 비해 높은 예측 성능을 가짐을 나타낸다. 구체적으로 살펴보면, '랜덤 포레스트 모형 1'의 예측 성능(test_ecg)은 '랜덤 포레스트 모형 2'의 예측 성능(test_ecg_cli)에 비해 낮은 수치를 나타낸다. 따라서, 본 개시에 따른 분석 모델의 예측 성능이 심전도 변수 정보 및 사용자 문답 정보를 함께 예측 인자로 사용함으로써 더 높아짐을 알 수 있다.
도 8은 본 개시의 몇몇 실시예에 따른 분석 모델의 예측 성능을 설명하기 위한 또 다른 도면이다.
도 8은 사용자 문답 정보 중 수면 문제 변수(예를 들어, 수면장애 문답 정보)와 정신건강 변수(예를 들어, 우울감 문답 정보, 불안감 문답 정보, 및 스트레스 문답 정보)의 조합에 따른 예측 성능을 나타낸다. 도 8을 참조하면, 사용자 문답 정보 중 수면 문제 변수만을 심전도 변수 정보와 함께 사용한 예측 성능 결과(RandomForest-AUC 1)는 사용자 문답 정보 중 수면 문제 변수와 정신건강 변수를 심전도 변수 정보와 함께 사용한 예측 성능 결과(RandomForest-AUC 2)에 비해 낮은 수치를 나타낸다. 따라서, 본 개시에 따른 분석 모델의 예측 성능이 사용자 문답 정보로서 수면 문제 변수와 정신건강 변수를 함께 예측 인자로 사용함으로써 더 높아짐을 알 수 있다.
도 9는 본 개시의 몇몇 실시예에 따른 월경 관련 정보를 제공하는 방법의 순서도이다.
본 개시의 몇몇 실시예에 따라, 월경 관련 정보를 제공하는 방법은 사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득하는 단계(s100)를 포함할 수 있다. 여기서, 복수의 심전도 변수 정보는 시계열 데이터를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 월경 관련 정보를 제공하는 방법은 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계(s200)를 포함할 수 있다.
대안적으로, 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계(s200)는 복수의 심전도 변수 정보의 획득 시점에 대응하는 사용자 문답 정보의 입력 여부를 표시하는 사용자 인터페이스를 제공하는 단계를 포함할 수 있다.
대안적으로, 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계(s200)는 복수의 심전도 변수 정보의 획득 시점에 대응하는 사용자 문답 정보의 입력 여부를 표시하는 사용자 인터페이스를 제공하는 단계를 포함할 수 있다.
본 개시의 몇몇 실시예에 따라, 월경 관련 정보를 제공하는 방법은 분석 모델에 의해, 생체 정보 및 사용자 문답 정보에 기초하여 월경 주기 예측 정보를 생성하는 단계(s300)를 포함할 수 있다.
전술한 월경 관련 정보를 제공하는 방법의 단계들은 단지 설명을 위해 제시된 것이며, 일부 단계가 생략되거나 별도의 단계가 추가될 수 있다. 또한, 전술한 단계들은 임의의 순서에 따라 수행될 수 있다.
도 10은 본 개시의 몇몇 실시예에 따라 네트워크 함수를 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 상호 교환 가능한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network), 트랜스포머(transformer) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크는 학습시키기 위한 학습 데이터의 양을 늘리기 위해, 다양한 데이터 증강 방법이 사용될 수 있다. 예를 들어, 2차원 변환인 회전(Rotation), 크기(Scale), 밀림(Shearing), 반사(Reflection), 이동(Translation)을 통해 데이터 증강이 수행될 수 있다. 또한, 노이즈 삽입, 색상, 밝기 변형 등을 활용하여 데이터 증강이 수행될 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 11은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 11은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드 헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있다. 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시 적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)-이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음-, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비 휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시 적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화 된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화 된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시 적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시 적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시 적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시 적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (24)
- 컴퓨팅 장치에 의해 수행되는 월경 관련 정보를 제공하는 방법에 있어서,
사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득하는 단계 - 상기 복수의 심전도 변수 정보는 시계열 데이터를 포함함 -;
상기 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계; 및
분석 모델에 의해, 상기 생체 정보 및 상기 사용자 문답 정보에 기초하여 월경 주기 예측 정보를 생성하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 복수의 심전도 변수 정보는 RRI(RR Intervals) 정보, HR(Heart Rate) 정보, RR(Respiration Rate) 정보, ST 레벨(ST level) 정보, SDNN(standard deviation of all NN intervals) 정보, RMSSD(square root of the mean of the sum of the squares of differences between adjacent NN intervals) 정보, NN50(number of NN intervals differing by more than 50ms) 정보, pNN50(ratio of NN50) 정보, SDSD(standard deviation of differences between adjacent NN intervals) 정보 중 적어도 하나를 포함하는,
방법.
- 제 1 항 또는 제 2 항에 있어서,
상기 사용자 문답 정보는 수면장애 문답 정보, 우울감 문답 정보, 불안감 문답 정보, 또는 스트레스 문답 정보 중 적어도 하나를 포함하는,
방법.
- 제 2 항에 있어서,
상기 분석 모델은 각각 상기 복수의 심전도 변수 정보 및 상기 사용자 문답 정보의 적어도 일부를 포함하는 복수의 예측 변수 조합을 이용하는 앙상블 학습(ensemble learning) 모델을 포함하는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
상기 RRI 정보에 기초하여 RRI 정보의 감소 경향을 식별하는 경우에 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
HR 정보의 유지 감소 경향을 식별하는 경우에 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습되고,
HR 정보의 증가 경향을 식별하는 경우에 난포기에서 가임기로의 전이를 예측하는 정보를 생성하도록 학습되고, 그리고
HR 정보의 최고 수준 경향을 식별하는 경우에 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
상기 RR 정보의 감소 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습되고,
상기 RR 정보의 추가 감소 경향을 식별하는 경우 가임기로의 전이를 예측하는 정보를 생성하도록 학습되고, 그리고
상기 RR 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
상기 ST 레벨 정보의 최대 수준 경향을 식별하는 경우 난포기로의 전이를 예측하는 정보를 생성하도록 학습되고, 그리고
상기 ST 레벨 정보의 최소 수준 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
상기 SDNN 정보의 유지 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습되고,
상기 SDNN 정보의 감소 경향을 식별하는 경우 난포기에서 가임기로의 전이를 예측하는 정보를 생성하도록 학습되고, 그리고
상기 SDNN 정보의 최대 감소 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
상기 RMSSD 정보의 최대 감소 경향을 식별하는 경우에 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
상기 NN50 정보의 감소 경향을 식별하는 경우 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
상기 pNN50 정보의 감소 경향을 식별하는 경우 난포기에서 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 분석 모델은,
상기 SDSD 정보의 유지 경향을 식별하는 경우 월경기에서 난포기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 사용자 문답 정보는 수면장애 문답 정보를 포함하고,
상기 분석 모델은,
상기 수면장애 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 사용자 문답 정보는 우울감 문답 정보를 포함하고,
상기 분석 모델은,
상기 우울감 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 사용자 문답 정보는 불안감 문답 정보를 포함하고,
상기 분석 모델은,
상기 불안감 문답 정보의 증가 경향을 식별하는 경우 황체기로의 전이를 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
상기 사용자 문답 정보는 스트레스 문답 정보를 포함하고,
상기 분석 모델은,
상기 스트레스 문답 정보의 증가 경향을 식별하는 경우 배란 지연을 예측하는 정보를 생성하도록 학습되는,
방법.
- 제 1 항 또는 제 4 항에 있어서,
복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계는:
복수의 심전도 변수 정보의 획득 시점에 대응하여 상기 사용자 문답 정보를 입력할 수 있는 사용자 인터페이스를 제공하는 단계;
를 포함하는,
방법.
- 제 18 항에 있어서,
복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계는:
복수의 심전도 변수 정보의 획득 시점에 대응하는 상기 사용자 문답 정보의 입력 여부를 표시하는 사용자 인터페이스를 제공하는 단계;
를 포함하는,
방법.
- 제 1 항에 있어서,
상기 복수의 심전도 변수 정보는 RRI 정보, HR 정보, RR 정보, ST 레벨 정보, SDNN 정보, RMSSD 정보, NN50 정보, pNN50 정보, 및 SDSD 정보를 포함하는,
방법.
- 제 20 항에 있어서,
상기 사용자 문답 정보는 수면장애 문답 정보, 우울감 문답 정보, 불안감 문답 정보, 및 스트레스 문답 정보를 포함하는,
방법.
- 제 4 항에 있어서,
상기 분석 모델은 랜덤 포레스트(random forest) 알고리즘을 사용하는,
방법.
- 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서로 하여금 월경 관련 정보를 제공하는 방법을 수행하게 하기 위한 명령들을 포함하며, 상기 방법은:
사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득하는 단계 - 상기 복수의 심전도 변수 정보는 시계열 데이터를 포함함 -;
상기 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하는 단계; 및
분석 모델에 의해, 상기 생체 정보 및 상기 복수의 사용자 문답 정보에 기초하여 월경 주기 예측 정보를 생성하는 단계;
를 포함하는,
컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램.
- 월경 관련 정보를 제공하는 방법을 수행하는 컴퓨팅 장치로서, 상기 컴퓨팅 장치는:
컴퓨터 실행가능한 컴포넌트들을 포함하는 메모리;
메모리에 저장된 이하의 컴퓨터 실행가능한 컴포넌트들을 실행하는 프로세서; 를 포함하고,
상기 프로세서는,
사전 결정된 복수의 심전도 변수 정보를 포함하는 생체 정보를 획득하고 - 상기 복수의 심전도 변수 정보는 시계열 데이터를 포함함 -,
상기 복수의 심전도 변수 정보에 대응하는 사용자 문답 정보를 획득하고, 그리고
분석 모델에 의해, 상기 생체 정보 및 상기 복수의 사용자 문답 정보에 기초하여 월경 주기 예측 정보를 생성하는,
컴퓨팅 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220147623A KR20240066621A (ko) | 2022-11-08 | 2022-11-08 | 월경 관련 정보를 제공하는 방법 및 장치 |
| PCT/KR2023/016651 WO2024101723A1 (ko) | 2022-11-08 | 2023-10-25 | 월경 관련 정보를 제공하는 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220147623A KR20240066621A (ko) | 2022-11-08 | 2022-11-08 | 월경 관련 정보를 제공하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240066621A true KR20240066621A (ko) | 2024-05-16 |
Family
ID=91032868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220147623A KR20240066621A (ko) | 2022-11-08 | 2022-11-08 | 월경 관련 정보를 제공하는 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20240066621A (ko) |
| WO (1) | WO2024101723A1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200026340A (ko) | 2018-08-29 | 2020-03-11 | 이예진 | 월경 관리 장치 및 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006094969A (ja) * | 2004-09-28 | 2006-04-13 | Sumitomo Rubber Ind Ltd | 心拍数に基づく生体リズム判定方法及び測定装置、並びに月経周期判定方法及び測定装置 |
| US10376245B2 (en) * | 2013-11-28 | 2019-08-13 | Rakuten, Inc. | Information processing device, information processing method, and information processing program |
| US10575829B2 (en) * | 2014-09-03 | 2020-03-03 | Earlysense Ltd. | Menstrual state monitoring |
| KR102333196B1 (ko) * | 2021-05-17 | 2021-12-01 | 선문대학교 산학협력단 | 시계열 예측 인공지능을 이용한 배란일 예측 서버, 및 이를 이용한 배란일 예측 방법 |
-
2022
- 2022-11-08 KR KR1020220147623A patent/KR20240066621A/ko not_active Application Discontinuation
-
2023
- 2023-10-25 WO PCT/KR2023/016651 patent/WO2024101723A1/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200026340A (ko) | 2018-08-29 | 2020-03-11 | 이예진 | 월경 관리 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024101723A1 (ko) | 2024-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11600390B2 (en) | Machine learning clinical decision support system for risk categorization | |
| Kaul et al. | Deep learning in healthcare | |
| US20190117143A1 (en) | Methods and Apparatus for Assessing Depression | |
| US20240115184A1 (en) | Method for predicting chronic disease on basis of electrocardiogram signal | |
| CN111401433A (zh) | 用户信息获取方法、装置、电子设备及存储介质 | |
| KR102197112B1 (ko) | 시계열 생체 신호 기반의 인공신경망 모델 학습 컴퓨터 프로그램 및 방법 | |
| JP2018524137A (ja) | 心理状態を評価するための方法およびシステム | |
| KR102208759B1 (ko) | 생체 신호에 기반하여 건강상태 및 병리증상을 진단하기 위한 딥러닝 모델 생성방법 | |
| CN112908452A (zh) | 事件数据建模 | |
| CN112542242A (zh) | 数据转换/症状评分 | |
| Hussain et al. | Prediction and evaluation of healthy and unhealthy status of COVID-19 patients using wearable device prototype data | |
| US11816750B2 (en) | System and method for enhanced curation of health applications | |
| JP2024524098A (ja) | 心拍変動特徴値を抽出するための方法 | |
| KR20240066621A (ko) | 월경 관련 정보를 제공하는 방법 및 장치 | |
| Abubakar et al. | IoT-enabled machine learning for enhanced diagnosis of diabetes and heart disease in resource-limited settings | |
| Fuster-Garcia et al. | Actigraphy pattern analysis for outpatient monitoring | |
| Gaur et al. | Early Prediction and Prevention of Lifestyle Diseases | |
| KR102597067B1 (ko) | 웨어러블 기기와 연동하여 ai 기반의 신체 이상을 탐지하는 방법 및 이를 수행하는 운영 서버 | |
| KR102651312B1 (ko) | 혈당 데이터 테이블 기반의 당화혈색소 추정치 제공 방법, 장치 및 프로그램 | |
| US20240366100A1 (en) | Method for extracting heart rate variability feature value | |
| Sahoo et al. | Utilizing predictive analysis to aid emergency medical services | |
| Roadknight et al. | Improving understanding of EEG measurements using transparent machine learning models | |
| Sealey | Exploring deep learning methods for missing data imputation in longitudinal electronic health record data | |
| Kanrar et al. | A Simple Way to Predict Heart Disease Using AI | |
| KR20230149264A (ko) | 메타러닝 기반의 행위지능을 위한 인공지능 학습 모델 설계방법 및 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |