WO2021125479A1 - 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법 - Google Patents

탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법 Download PDF

Info

Publication number
WO2021125479A1
WO2021125479A1 PCT/KR2020/009139 KR2020009139W WO2021125479A1 WO 2021125479 A1 WO2021125479 A1 WO 2021125479A1 KR 2020009139 W KR2020009139 W KR 2020009139W WO 2021125479 A1 WO2021125479 A1 WO 2021125479A1
Authority
WO
WIPO (PCT)
Prior art keywords
hair loss
scalp
hair
decision tree
predicted
Prior art date
Application number
PCT/KR2020/009139
Other languages
English (en)
French (fr)
Inventor
심지용
Original Assignee
주식회사 엘지생활건강
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 엘지생활건강 filed Critical 주식회사 엘지생활건강
Publication of WO2021125479A1 publication Critical patent/WO2021125479A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/44—Detecting, measuring or recording for evaluating the integumentary system, e.g. skin, hair or nails
    • A61B5/448—Hair evaluation, e.g. for hair disorder diagnosis
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • A61B5/7465—Arrangements for interactive communication between patient and care services, e.g. by using a telephone network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/12—Healthy persons not otherwise provided for, e.g. subjects of a marketing survey

Definitions

  • the present disclosure relates to a hair loss management device and a method for providing hair loss management guidelines for the hair loss management device.
  • Hair loss refers to a state in which there is no hair in an area where hair should normally exist.
  • Hair loss generally progresses with aging, and causes include heredity and stress. Specifically, it is known that the cause of hair loss is heredity as the biggest reason, but recently, environmental reasons such as frequent hair treatment, stress, environmental pollution, scalp health, etc. continue to be the main cause of hair loss, and it is used to prevent or delay hair loss. Interest is growing.
  • Methods for diagnosing hair loss include the Savin scale and the Norwood Hamilton Scale.
  • the Sabine scale is a method of diagnosing the progress of hair loss in more detail based on the image by dividing the parietal region into eight stages.
  • it may be difficult to accurately diagnose hair loss because the subjective opinion of the person diagnosing hair loss is involved.
  • self-diagnosis of the hair loss state it is difficult to make an objective judgment on their own, and most users do not know what kind of action is required depending on the hair loss condition and how to respond.
  • An object of the present disclosure is to provide a hair loss management device that diagnoses a hair loss condition according to a scalp/hair condition, and provides a management index for slowing hair loss according to the hair loss condition, and a method for providing a hair loss management guideline thereof.
  • An object of the present disclosure is to provide a hair loss management device for constructing a decision tree capable of diagnosing a hair loss condition by acquiring scalp/hair related variables affecting the hair loss condition, and a method for providing a hair loss management guideline thereof.
  • An object of the present disclosure is to provide a hair loss management device for re-learning a decision tree through the scalp/hair state at the time when a predetermined time has elapsed, and a method for providing hair loss management guidelines therefor.
  • An object of the present disclosure is to provide a hair loss management device that recommends a product for delaying the progression to a predicted hair loss condition according to the hair loss condition, and a method for providing a hair loss management guideline thereof.
  • a hair loss management apparatus includes a measuring unit for diagnosing a current user state, a predicting unit for calculating a predicted hair loss state that is a hair loss state after a predetermined period has elapsed according to the current user state, and a predictive hair loss state It may include a guide unit for outputting a management index for slowing the progress.
  • the prediction unit may calculate the predicted hair loss state through a decision tree in which the explanatory variable is at least one of age, hair thickness, scalp moisture, and scalp pH, and the dependent variable is at least one of part area and hair loss grade.
  • a hair loss management apparatus generates a decision tree for generating a decision tree using at least one of the subject's age, hair thickness, scalp moisture, and scalp pH, and at least one of the subject's parting area and hair loss grade It may include more wealth.
  • the decision tree generating unit may generate the decision tree by comparing the prediction rates of the parting area according to each of a plurality of combinations including at least one of age, hair thickness, scalp moisture, and scalp pH.
  • the hair loss management apparatus may further include a decision tree re-learning unit for re-learning the decision tree generated by the decision tree generating unit.
  • the decision tree re-learning unit at the first time point when the correlation between at least one of the subject's age, hair thickness, scalp moisture, and scalp pH and the subject's parting area follows the decision tree, a predetermined time from the first time point Decision making is made by comparing the predicted parting area output as the subject's age, hair thickness, scalp moisture, or scalp pH measured at the second time point is input to the decision tree with the subject's parting area measured at the second time point. Trees can be relearned.
  • the hair loss management apparatus may further include a display unit for displaying a parting area according to the predicted hair loss state.
  • the management index may include at least one of hair thickness, scalp moisture, and scalp pH required to slow progression to a predicted hair loss condition.
  • the hair loss management apparatus may further include a product recommendation unit for recommending a hair-related product suitable for reaching at least one of a required hair thickness, scalp moisture, and scalp pH.
  • the hair loss condition may include a hair loss grade determined by the area of the parting.
  • the hair loss management apparatus further includes a counseling unit that calculates a predicted hair loss state when the current user state is managed with an index including at least one of hair thickness, scalp moisture, and scalp pH input by the user.
  • a counseling unit that calculates a predicted hair loss state when the current user state is managed with an index including at least one of hair thickness, scalp moisture, and scalp pH input by the user.
  • the guide unit may further output a management index for delaying the progress to the predicted hair loss state calculated by the counseling unit.
  • the method for providing a hair loss management guideline for a hair loss management device includes the steps of diagnosing the current user status, calculating the predicted hair loss status that is the hair loss status after a predetermined period has elapsed according to the current user status, and prediction It may include outputting a management index for slowing the progression to the hair loss state.
  • the step of calculating the predicted hair loss state is a step of calculating the predicted hair loss status through a decision tree in which the explanatory variable is at least one of age, hair thickness, scalp moisture, and scalp pH, and the dependent variable is at least one of parting area and hair loss grade may include.
  • the method for providing guidelines for hair loss management of the hair loss management device further includes generating a decision tree using at least one of the subject's age, hair thickness, scalp moisture, and scalp pH and the subject's parting area. can do.
  • the step of generating a decision tree may include generating a decision tree by comparing the prediction rates of a plurality of combinations consisting of at least one of age, hair thickness, scalp moisture, and scalp pH, and the area of division according to each of the plurality of combinations.
  • the method of providing a hair loss management guideline for a hair loss management device may further include re-learning a decision tree.
  • the step of re-learning the decision tree is performed from the first time point when the correlation between at least one of the subject's age, hair thickness, scalp moisture, and scalp pH and the subject's parting area follows the decision tree at the first time point.
  • a second time point when a predetermined time has elapsed, measuring at least one of the subject's age, hair thickness, scalp moisture, and scalp pH and the area of the part, the subject's age, hair thickness, scalp moisture, and scalp pH measured at the second time point
  • the method of providing a hair loss management guideline for a hair loss management device may further include displaying a parting area according to the predicted hair loss state.
  • Outputting the management index may include outputting at least one of a hair thickness, scalp moisture, and scalp pH required to delay the progression to the predicted hair loss state.
  • the method of providing a hair loss management guideline for a hair loss management device may further include recommending a hair-related product suitable for reaching at least one of a required hair thickness, scalp moisture, and scalp pH.
  • Diagnosing the current user condition may include measuring at least one of the user's age, hair thickness, scalp moisture, and scalp pH.
  • the method for providing a hair loss management guideline for a hair loss management device includes the steps of receiving an input of at least one index of hair thickness, scalp moisture, and scalp pH, and a case in which the current user state is managed by the input index.
  • the method may further include calculating a predicted hair loss state.
  • the method of providing a hair loss management guideline for a hair loss management device may further include outputting a management index for delaying the progression to the predicted hair loss state when managed with the input index.
  • the hair loss management device since the hair loss management device outputs a management index for delaying the hair loss condition predicted according to the current user condition, the user can more easily understand and manage the method for delaying the hair loss condition.
  • the hair loss management device when the hair loss management device outputs the recommended product together with the management index, there is an advantage in that it is possible to provide the user with the ease of management according to the management index.
  • the hair loss management device sets a significant variable related to hair loss and predicts the hair loss state through a decision tree generated according to the set variable, there is an advantage in that the accuracy of the hair loss condition prediction is improved.
  • the hair loss management apparatus has the advantage of increasing the accuracy of the decision tree by re-learning the decision tree when the data for the same subject is acquired after a predetermined time has elapsed.
  • the hair loss management apparatus has the advantage of constructing a hair loss severity prediction model (HLSPM) in order to suggest a scalp/hair condition improvement direction suitable for the current user condition.
  • HLSPM hair loss severity prediction model
  • FIG. 1 is a control block diagram of a hair loss management apparatus according to an embodiment of the present disclosure.
  • FIG. 2 is a flowchart illustrating a method of operating a hair loss management apparatus according to an embodiment of the present disclosure.
  • 3 is a graph analyzing the correlation between the image-based parting area and the sabine scale.
  • FIG. 4 is a diagram illustrating a hair loss grade constructed according to an image-based parting area.
  • FIG. 5 is a flowchart illustrating step S30 of FIG. 2 .
  • 6 is a graph showing the correlation between the scalp/hair condition and age.
  • FIG. 7 is a graph showing the correlation between the scalp/hair condition and the area of a part.
  • FIG. 8 is a flowchart illustrating a method of a decision tree generating unit generating a decision tree according to an embodiment of the present disclosure.
  • 9 is a graph showing the prediction rate of a decision tree generated for each combination of variables related to scalp/hair.
  • FIG. 10 is an exemplary diagram of a decision tree according to an embodiment of the present disclosure.
  • FIG. 11 is an exemplary diagram of a method for displaying a management index by the hair loss management apparatus according to an embodiment of the present disclosure.
  • FIG. 12 is an exemplary diagram of a method for the hair loss management apparatus according to an embodiment of the present disclosure to display a management index and a recommended product.
  • FIG. 13 is a control block diagram of a hair loss management apparatus according to another embodiment of the present disclosure.
  • FIG. 14 is a flowchart illustrating a first example of a method of operating a hair loss management apparatus according to another embodiment of the present disclosure.
  • FIG. 15 is an exemplary diagram of a method for displaying a predicted hair loss state by the hair loss management apparatus operating according to the flowchart shown in FIG. 14 .
  • 16 is a flowchart illustrating a second example of a method of operating an apparatus for managing hair loss according to another embodiment of the present disclosure.
  • FIG. 17 is an exemplary diagram of a method for displaying a predicted hair loss state by the hair loss management apparatus operating according to the flowchart shown in FIG. 16 .
  • the term "comprising" is intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, and includes one or more other features, number, or step. , it should be understood that it does not preclude in advance the possibility of the existence or addition of an operation, component, part, or combination thereof.
  • FIG. 1 is a control block diagram of a hair loss management apparatus according to an embodiment of the present disclosure.
  • the hair loss management device 1 includes a controller 11, a measuring unit 12, a predicting unit 13, a guide unit 14, a decision tree generating unit 16, a decision tree re-learning unit 17, and a display. It may include at least some or all of the unit 18 and the product recommendation unit 19 .
  • the controller 11 may control the operation of the hair loss management device 1 .
  • the controller 11 includes a measurement unit 12 , a prediction unit 13 , a guide unit 14 , a decision tree generation unit 16 , a decision tree re-learning unit 17 , a display unit 18 and a product recommendation Each of the units 19 can be controlled.
  • the measurement unit 12 may diagnose the current user state.
  • the user state may include at least one of the user's age, hair thickness, scalp moisture, scalp pH, and parting width.
  • the prediction unit 13 may calculate the predicted hair loss state, which is the hair loss state after the lapse of a predetermined period according to the current user state.
  • the prediction unit 13 may calculate the predicted hair loss state of the user expected when a predetermined time elapses by using the user state of the user measured by the measurement unit 12 .
  • the prediction unit 13 may calculate the predicted hair loss state through a decision tree in which the explanatory variable is at least one of age, hair thickness, scalp moisture, and scalp pH, and the dependent variable is at least one of a parting area and a hair loss grade.
  • the decision tree may be at least one of a decision tree generated by the decision tree generating unit 16 to be described later and a decision tree relearned by the decision tree re-learning unit 17 .
  • the guide unit 14 may output a management index for delaying the progress to the predicted hair loss state.
  • the management index may be information provided so that a user can more easily manage a scalp condition or a hair condition.
  • the management index is required to slow the progression to the predicted hair loss state, and may include, for example, at least one of hair thickness, scalp moisture, and scalp pH.
  • the decision tree generating unit 16 may generate the decision tree by comparing the prediction rates of the parting width according to each of a plurality of combinations including at least one of age, hair thickness, scalp moisture, and scalp pH.
  • the decision tree generating unit 16 may generate a decision tree using at least one of the subject's age, hair thickness, scalp moisture, and scalp pH, and at least one of the subject's parting area and hair loss grade.
  • the decision tree generating unit 16 is composed of a root node, at least one intermediate node, and at least one terminal node, and the root node and the intermediate node are related to hair loss. It is a variable set as a significant variable among the variables, and the end node can create a decision tree with a parting width or a hair loss grade.
  • variables set as significant variables among variables related to hair loss may include age, hair thickness, scalp moisture, and scalp pH.
  • the decision tree re-learning unit 17 may relearn the decision tree generated by the decision tree generating unit 16 .
  • the decision tree re-learning unit 17 generates by the decision tree generating unit 16 a correlation between at least one of the subject's age, hair thickness, scalp moisture, and scalp pH and the subject's parting area at the first time point.
  • the age, hair thickness, scalp moisture or scalp pH of the subject measured at the second time point when a predetermined time has elapsed from the first time point is the decision generated by the decision tree generating unit 16 .
  • the decision tree can be retrained by comparing the predicted parting width output as it is input to the tree with the subject's parting width measured at the second time point.
  • the display unit 18 may display at least one of a parting area and a hair loss grade according to the predicted hair loss state.
  • the display unit 18 includes a user state diagnosed by the measurement unit 12, a predicted hair loss state calculated by the prediction unit 13, a management index output by the guide unit 14, and a product recommendation unit 19 to be described later. At least one of the hair related products may be further displayed.
  • the product recommendation unit 19 may output a recommended product so that the scalp condition or hair condition can be managed with the management index output by the guide unit 14 .
  • the product recommendation unit 19 may recommend a hair-related product suitable for reaching the management index output by the guide unit 14 .
  • FIG. 2 is a flowchart illustrating a method of operating a hair loss management apparatus according to an embodiment of the present disclosure.
  • the controller 11 may control the measuring unit 12 to diagnose the current user state (S10).
  • the measuring unit 12 may acquire at least one of the user's age, hair thickness, scalp moisture, scalp pH, and parting width as the current user state.
  • the measurement unit 12 may measure a user state under a predetermined condition.
  • the predetermined conditions may be prohibition of use of hair products such as shampoo and conditioner 12 hours before measurement, and a constant temperature and humidity evaluation room (eg, temperature 22 ⁇ 2° C., humidity 50 ⁇ 5%). That is, the measurement unit 12 may measure the state of the user who has not used hair products such as shampoo and conditioner for at least 12 hours in the constant temperature and humidity evaluation room.
  • the measurement unit 12 may receive the user's age through an input module (not shown).
  • the input module (not shown) may be a physical key button, a touch pad, or the like, but is not limited thereto as this is merely exemplary.
  • the measuring unit 12 may measure the hair thickness by magnifying the hair 200 times using ASW (Aram HUVIS Co., Seoul, Korea). The measurement unit 12 may recognize the average thickness of the six strands at five locations on the scalp as the hair thickness.
  • the measurement unit 12 may measure the scalp moisture content (Scalp Hydration) with a DermaLab USB Hydration probe (Cortex Technology, Denmark) at two locations 8 times along the parting, and recognize the average value as the scalp moisture.
  • the measuring unit 12 may recognize the scalp pH as an average value of two or more locations measured along the scalp pH with a Skin-pH-Meter (MPA580 (CK electronic, Germany)).
  • MPA580 CK electronic, Germany
  • the measurement unit 12 may acquire the width of the parting through the parting image of the user.
  • the measurement unit 12 may further include a camera (not shown), and after converting the garma image taken with the camera (not shown) into grayscale, it is analyzed with Image Pro Premier 9.2 (Media Cybemetics, Maryland, USA). You can measure the width of the part.
  • the measurement unit 12 may measure the width of a part of one user at six places and measure the width of the part through an image-based hair midline area (IHMA) assessment.
  • IHMA image-based hair midline area
  • the measurement unit 12 may perform a preset condition (eg, aperture F/5, shutter speed 1/40 seconds, ISO 200, automatic white balance, 72 dot-per-inch, Resolution 5472 x 3648), the user's parting image is taken, and at this time, the parting image can be taken so that the tape measure is located next to the user's part for accurate calibration.
  • the measurement unit 12 can automatically measure the width of the white part (garma region) by setting the ROI at 6 random places along the part.
  • the measurement unit 12 may measure the width of the slit through the above-described method.
  • FIG. 3 is a graph analyzing the correlation between the image-based parting area and the sabine scale
  • FIG. 4 is a diagram showing the hair loss grades constructed according to the image-based parting area.
  • Sabine IHMA average for scale I-1 is 2.55cm 2
  • average IHMA for Sabin scale I-2 is 3.28 cm 2
  • mean IHMA for Sabin scale I-3 3.75 cm 2
  • the mean IHMA for Sabine scale I-4 is 4.9 cm 2
  • the mean IHMA for Sabine scale II-1 is 6.47 cm 2
  • the mean IHMA for Sabine scale II-2 may be 8.76 cm 2 . .
  • the measurement unit 12 may acquire a parting area and a sabine scale according to the user's parting image by using the graph and construction information as shown in FIGS. 3 and 4 .
  • the above-described measuring unit 12 measures each of the hair thickness, the scalp moisture content, and the scalp pH, it is just an exemplary device, so it is appropriate that the type of device is not limited. That is, the measuring unit 12 may measure the hair thickness, the amount of moisture in the scalp, the pH of the scalp, and the like, through other devices in addition to the above-described devices.
  • the controller 11 may control the prediction unit 13 to calculate the predicted hair loss state according to the current user state (S30).
  • the prediction unit 13 may calculate a predicted hair loss state that is a hair loss state after a predetermined period has elapsed according to the current user state, and a decision tree may be used at this time.
  • the hair loss state may be expressed as a hair loss grade, and the hair loss grade may be determined by a parting area. That is, the hair loss grade may be a hair loss grade according to the Sabine scale constructed through FIGS. 3 and 4, but this is not limited thereto as it is only an example.
  • 5 is a flowchart illustrating step S30 of FIG. 2 .
  • the decision tree generating unit 16 may obtain a parting width and a significant variable among various variables related to scalp/hair (S31).
  • FIG. 6 is a graph showing the correlation between the scalp/hair condition and age
  • FIG. 7 is a graph showing the correlation between the scalp/hair condition and the area of the part.
  • Fig. 6 (a) shows the correlation between the parting width and age
  • Fig. 6 (b) shows the correlation between hair thickness and age
  • Fig. 6 (c) shows the scalp pH and A correlation between age is shown
  • FIG. 6(d) shows a correlation between scalp moisture and age.
  • Fig. 7 (a) shows the correlation between the parting area and the hair thickness
  • Fig. 7 (b) shows the correlation between the parting area and the scalp pH
  • Fig. 7 (c) shows the correlation between the parting area and the hair thickness. The correlation between area and scalp moisture is shown.
  • the decision tree generating unit 16 may set age, hair thickness, scalp pH, and scalp moisture as statistically significant variables related to hair loss through correlation analysis as shown in FIGS. 6 and 7 .
  • the decision tree generating unit 16 can obtain a statistically significant variable among various variables related to scalp/hair, and calculate a predicted hair loss state such as a future parting area through the variables obtained as significant. You can create a decision tree for
  • the decision tree generating unit 16 may generate a decision tree with respect to the variable obtained through step S31 and the area of the partition (S33).
  • the decision tree generating unit 16 may generate a decision tree using at least one of the subject's age, hair thickness, scalp moisture, and scalp pH and the subject's parting area.
  • FIG. 8 is a flowchart illustrating a method of a decision tree generating unit generating a decision tree according to an embodiment of the present disclosure.
  • FIG. 8 may be a flow chart embodying step S33 of FIG. 5 .
  • the decision tree generating unit 16 may set the explanatory variable to at least one of age, hair thickness, scalp moisture, and scalp pH, and set the dependent variable to the parting width (S41).
  • the decision tree generating unit 16 may determine a root node, an intermediate node, and an end node in the direction of increasing purity (S43).
  • the decision tree generating unit 16 may determine a root node, an intermediate node, and an end node in a direction in which purity (homogeneity) increases according to a recursive partitioning method.
  • the decision tree generating unit 16 determines the root node, the middle node, and the tip node based on the age, hair thickness, scalp moisture, and scalp pH.
  • the decision tree generating unit 16 sorts the parting width data values in ascending order according to at least one of age, hair thickness, scalp moisture, and scalp pH, and assumes a point between the sorted data values as a branch before branching.
  • Information acquisition can be investigated by calculating the Gini index and the Gini coefficient after branching, and calculating the difference between the Gini coefficient before branching and the Gini coefficient after branching.
  • the decision tree generating unit 16 calculates entropy before branching and entropy after branching instead of the Gini coefficient before branching and the Gini coefficient after branching, and by calculating the difference between entropy before branching and entropy after branching. Information acquisition can be investigated. In addition, the decision tree generating unit 16 may investigate information acquisition by calculating various reference values indicating uncertainty such as the p-value of a chi-square statistic in addition to the Gini coefficient and entropy.
  • the decision tree generating unit 16 may determine a root node, an intermediate node, or an end node based on a branch point at which information acquisition is greatest.
  • the control unit 15 determines the root node in the case of the first branching point, determines the end node in the case of a branching point having a purity of 100%, and determines the intermediate node in the case of other branching points that do not correspond to the root node and the end node.
  • the decision tree generator 16 calculates the uncertainty before branching (eg, Gini coefficient or entropy) and the uncertainty after branching for the number of N1 ⁇ N2 cases.
  • the uncertainty before branching e.g, Gini coefficient or entropy
  • the uncertainty after branching for the number of N1 ⁇ N2 cases.
  • the decision tree generating unit 16 may combine the end nodes by pruning (S45).
  • the decision tree generating unit 16 may determine a root node, a middle node, and an end node so that the purity of all end nodes becomes 100%, and then combine the end nodes so that overfitting is minimized. As the number of branch points increases, the misclassification rate decreases when new data is added. However, when the number of branch points exceeds a predetermined number, a phenomenon that the misclassification rate increases when new data is added may occur. It can be said that Accordingly, when the number of branching points exceeds a predetermined number, the decision tree generating unit 16 may perform pruning by combining at least two or more end nodes. The controller 15 may perform pruning according to Equation 1 below.
  • CC(T) is the cost and complexity of the decision tree (the smaller the number of errors and the simple model with fewer end nodes)
  • Err(T) is the misclassification rate for the validation data
  • L(T) is the number of end nodes
  • ⁇ may mean a weight combining Err(T) and L(T), and may be a value in the range of 0.01 to 0.01.
  • the decision tree generating unit 16 may perform a validity evaluation after combining the end nodes (S47).
  • the decision tree generating unit 16 may perform feasibility evaluation through cross validation by at least one of a gain chart, a risk chart, and a cost chart.
  • the decision tree generating unit 16 divides the data into k pieces of data based on at least one of a gain chart, a risk chart, and a cost chart, and divides the divided k Among the data, k-1 pieces of data can be used as training data, and one piece of data can be used as test data.
  • the controller 15 may evaluate the validity of the decision tree generated through steps S41, S43, and S45 while changing the training data and the test data.
  • the decision tree generating unit 16 may construct a decision tree by interpreting the analysis result of the decision tree after feasibility evaluation (S49).
  • the decision tree generating unit 16 may perform verification on the decision tree generated by the method as shown in FIG. 8 .
  • 9 is a graph showing the prediction rate of a decision tree generated for each combination of variables related to scalp/hair.
  • Fig. 9 (a) is a graph showing the prediction rate of the parting width of a decision tree after 6 months according to two variables (age, hair thickness), and Fig. 9 (b) is a graph showing three variables (age, hair thickness, It is a graph showing the prediction rate of the parting area after 6 months of the decision tree according to the moisture of the scalp), and Fig. 9 (c) is the parting of the decision tree after 6 months according to three variables (age, hair thickness, scalp pH) It is a graph showing the prediction rate of the area, and FIG. 9 (d) is a graph showing the prediction rate of the area of the parting after 6 months of the decision tree according to four variables (age, hair thickness, scalp moisture, scalp pH).
  • the decision tree generation unit 16 generates a decision tree by variously combining variables related to scalp/hair as shown in FIG. 9 , and compares the prediction rates of the generated decision trees, so that the prediction rate is the highest.
  • a high decision tree can be created as the final decision tree.
  • the decision tree generating unit 16 generates a decision tree by comparing the prediction rates of a plurality of combinations consisting of at least one of age, hair thickness, scalp moisture, and scalp pH, and the area of parts according to each of the plurality of combinations. can do.
  • a decision tree according to four variables (age, hair thickness, scalp moisture, scalp pH) as shown in (d) may be generated as a final decision tree.
  • FIG. 5 will be described.
  • the prediction unit 13 may obtain the predicted hair loss state output when the current user state is input to the decision tree (S35).
  • the decision tree may be a decision tree finally generated by the decision tree generating unit 16 or a decision tree relearned by the decision tree re-learning unit 17 .
  • FIG. 10 is an exemplary diagram of a decision tree according to an embodiment of the present disclosure.
  • a root node may include a plurality of intermediate nodes and a plurality of end nodes.
  • Each of the root node and the plurality of intermediate nodes may include reference information for each of age, hair thickness, scalp moisture, or scalp pH, and the end node may include a range of parting widths.
  • the prediction unit 13 When each of the age, hair thickness, scalp moisture, and scalp pH diagnosed by the measuring unit 12 is input to the decision tree as shown in FIG. 10 , the prediction unit 13 provides reference information of the root node and the intermediate node. By obtaining one end node corresponding to each of age, hair thickness, scalp moisture, and scalp pH, the range of parting width can be obtained.
  • the prediction unit 13 may acquire part width information or a hair loss grade corresponding to part width information through a decision tree.
  • the decision tree generating unit 16 may learn the decision tree when age, hair thickness, scalp moisture, scalp pH, and parting area are input.
  • the decision tree re-learning unit 17 may re-learning the decision tree using the variables measured for the same subject and the width of the division after a predetermined time has elapsed (S37).
  • the predetermined time may be 6 months, but this is not limited thereto as it is merely an example.
  • the decision tree re-learning unit 17 at the first time point when the correlation between at least one of the subject's age, hair thickness, scalp moisture, and scalp pH and the subject's parting area follows the decision tree, the first time point At a second time point when a predetermined time has elapsed, at least one of the subject's age, hair thickness, scalp moisture, and scalp pH and the area of the parting may be measured.
  • the decision tree re-learning unit 17 measures the predicted parting area output as at least one of the subject's age, hair thickness, scalp moisture, and scalp pH measured at the second time point is input to the decision tree at the second time point It is compared with the width of the part of the subject who has been tested, and the correlation according to the decision tree can be adjusted according to the comparison result.
  • the decision tree re-learning unit 17 learns the decision tree using the measurement information of the subject's first part width, first age, first hair thickness, first scalp moisture, and first scalp pH. Then, when a predetermined time elapses, the second parting area, the second age, the second hair thickness, the second scalp moisture, and the second scalp pH of the same subject may be measured.
  • the decision tree re-learning unit 17 may acquire the predicted parting area output as the second age, the second hair thickness, the second scalp moisture, and the second scalp pH are input into the decision tree, and the predicted parting width can be compared with the width of the second part to analyze the correlation.
  • the decision tree re-learning unit 17 may re-learn the decision tree by adjusting the decision tree according to the difference when there is a difference between the width of the predicted part and the width of the second part.
  • Table 1 is an example showing measurement information of the first parting area, age, first hair thickness, first scalp moisture, and first scalp pH of the test subject
  • Table 2 is the second parting width and second hair of the same test subject It may be an example showing measurement information of the thickness, the second scalp moisture, and the second scalp pH.
  • Tables 1 and 2 it is assumed that the age of the subjects remains the same.
  • the decision tree re-learning unit 17 may relearn the decision tree through the data shown in Tables 1 and 2 above. Meanwhile, such re-learning may be performed when data is input by a consumer. Again, FIG. 2 will be described.
  • the controller 11 controls the guide unit 14 to output a management index for delaying the progress to the predicted hair loss state (S50), and a product recommendation unit to recommend a hair-related product suitable for reaching a state according to the management index. (19) can be controlled (S70).
  • the controller 11 may control the display unit 18 to display at least one of a management index and a recommended product.
  • FIG. 11 is an exemplary view of a method in which the hair loss management apparatus according to an embodiment of the present disclosure displays a management index
  • FIG. 12 is an example of a method in which the hair loss management apparatus according to an embodiment of the present disclosure displays a management index and a recommended product It is a drawing.
  • the display unit 18 may display a current hair loss state, a predicted hair loss state, and a management index.
  • the predicted hair loss state is a hair loss state expected after the lapse of a predetermined time calculated according to the current hair loss state
  • the management index may be management information required to delay progress to the predicted hair loss state.
  • the hair loss management apparatus 1 may store in advance a management index according to the current hair loss state and the predicted hair loss state in a memory (not shown). That is, the hair loss management device 1 is a management index when the current hair loss state is the first grade, the predicted hair loss state is the second grade, the current hair loss state is the first grade, and the predicted hair loss state is the third grade
  • the management index at the time, the management index when the current hair loss state is the second grade, and the predicted hair loss state is the third grade may be stored in a memory (not shown), respectively.
  • the controller 11 may control the display unit 18 to obtain a management index from the memory (not shown) according to the current hair loss state and the predicted hair loss state, and display the management index obtained from the memory (not shown). .
  • the hair loss management device 1 may store in advance a management index derivation formula (not shown) for deriving a management index according to the current hair loss state and the predicted hair loss state, and a management index derivation formula (not shown). city) can be used to control the display unit 18 to display the extracted management index.
  • the user can manage the hair thickness of 0.070 mm, the scalp moisture at 25 microsiemens, and the scalp pH at 6 with reference to the management index as shown in FIG. 11 .
  • the display unit 180 may further display a recommended product in the current hair loss state, the predicted hair loss state, and the management index.
  • the recommended product may be a hair-related product that helps management as a management index.
  • the recommended product may be a suitable product to reach a target value according to a management index.
  • the user can more easily manage the hair thickness to 0.070mm, the scalp moisture to 25 microsiemens, and the scalp pH to 6 through the use of the recommended product with reference to the management index and the recommended product as shown in FIG. 12 .
  • the display unit 18 may further display a parting area or a predicted parting image according to the predicted hair loss state.
  • the hair loss management apparatus may predict the hair loss state according to the input index.
  • FIG. 13 is a control block diagram of a hair loss management apparatus according to another embodiment of the present disclosure.
  • Hair loss management apparatus 1 includes a controller 11, a measurement unit 12, a prediction unit 13, a guide unit 14, a counseling unit 15, a decision tree generation unit ( 16), it may include at least some or all of the decision tree re-learning unit 17 , the display unit 18 , and the product recommendation unit 19 . That is, the hair loss management apparatus 1 according to another embodiment of the present disclosure may further include a counseling unit 15 unlike the embodiment described above.
  • the counseling unit 15 may predict a hair loss state according to the input index.
  • the counseling unit 15 may predict a future hair loss state based on the current hair loss condition.
  • the counseling unit 15 may predict a future hair loss state by reflecting the index input to the current hair loss state.
  • FIG. 14 is a flowchart illustrating a first example of a method of operating a hair loss management apparatus according to another embodiment of the present disclosure.
  • the controller 11 may control the measuring unit 12 to diagnose the current user state (S110).
  • step S10 of FIG. 2 Since this is the same as described in step S10 of FIG. 2 , a redundant description will be omitted.
  • the controller 11 may receive an input of at least one index of hair thickness, scalp moisture, and scalp pH ( S120 ).
  • the hair loss management device 1 may further include an input module (not shown) such as a physical key button or a touch pad, and the controller 11 may control hair thickness and scalp moisture through an input module (not shown). and at least one indicator of scalp pH may be received.
  • an input module such as a physical key button or a touch pad
  • the controller 11 may control hair thickness and scalp moisture through an input module (not shown). and at least one indicator of scalp pH may be received.
  • the controller 11 may display the predicted hair loss state when managed by the input index (S130).
  • the controller 11 may calculate and display the hair loss state predicted when managed by the index input in step S120 through the counseling unit 15 .
  • the counseling unit 15 may calculate the predicted hair loss state when the current user state diagnosed through the measurement unit 12 is managed by the input index.
  • FIG. 15 is an exemplary diagram of a method for displaying a predicted hair loss state by the hair loss management apparatus operating according to the flowchart shown in FIG. 14 .
  • the display unit 18 may display the current hair loss state, the input index, and the predicted hair loss state. According to the example of FIG. 15 , when the current hair loss state is I-2 and the input index is 0.05 hair thickness, the counseling unit 15 calculates the predicted hair loss status as II-4, and the calculated predicted hair loss status is displayed The display unit 18 may be controlled so as to be possible.
  • the user can feel the importance and necessity of management according to the input index. That is, there is an advantage that the user can easily check the predicted hair loss state when managed by each index while variously inputting the index.
  • the controller 11 may not receive an index, and in this case, the predicted hair loss state according to the current user state may be displayed.
  • 16 is a flowchart illustrating a second example of a method of operating an apparatus for managing hair loss according to another embodiment of the present disclosure.
  • the controller 11 controls the measurement unit 12 to diagnose the current user state (S110), receives an input of at least one index among hair thickness, scalp moisture, and scalp pH (S120), and manages it with the input index It is possible to display the predicted hair loss state in the case of (S130).
  • the controller 11 After displaying the predicted hair loss state when managed with the input index, the controller 11 outputs a management index for slowing the progression to the predicted hair loss condition (S140), and hair related to suitable for reaching a state according to the management index A product may be recommended (S150).
  • management indicators and hair-related products for delaying the progression to the predicted hair loss state according to the current user state are displayed.
  • the hair loss management device 1 is related to a management index and hair for delaying the progress to a predicted hair loss state according to the current user state and the input index. product can be displayed.
  • FIG. 17 is an exemplary diagram of a method for displaying a predicted hair loss state by the hair loss management apparatus operating according to the flowchart shown in FIG. 16 .
  • the display unit 18 may display the current hair loss state and the predicted hair loss state according to the input index and the management index for delaying the progress to the predicted hair loss state and hair-related products together.
  • the counselor 15 calculates the predicted hair loss status as II-4, and returns to the calculated predicted hair loss status.
  • the display unit 18 may be controlled to display the management index and hair-related products required to slow the progress.
  • the user can not only feel the importance and necessity of management according to the input index, but also has the advantage of being more easily guided by the management guidelines for delaying the progression to the predicted hair loss state according to the input index.
  • the above-described method may be implemented as processor-readable code on a medium in which a program is recorded.
  • processor-readable medium include those implemented in the form of ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like.
  • the hair loss management device described as described above is not limited to the configuration and method of the embodiments described above, but the embodiments are configured by selectively combining all or part of each embodiment so that various modifications can be made. could be

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Finance (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Accounting & Taxation (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Nursing (AREA)
  • Dermatology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 개시는 탈모 상태에 따라 탈모 진행을 늦추기 위한 관리 지표를 제공하는 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법을 제공하기 위한 것으로, 현재의 사용자 상태를 진단하는 측정부, 현재의 사용자 상태에 따른 소정 기간 경과한 후의 탈모 상태인 예측 탈모 상태를 산출하는 예측부, 및 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하는 가이드부를 포함할 수 있다.

Description

탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법
본 개시는 탈모 관리 장치와 탈모 관리 장치의 탈모 관리 지침을 제공하는 방법에 관한 것이다.
탈모(hair loss)는 정상적으로 모발이 존재해야 할 부위에 모발이 없는 상태를 의미한다.
탈모는 노화와 함께 진행되는 것이 일반적이고, 발생 원인으로는 유전, 스트레스 등이 있다. 구체적으로, 탈모의 원인은 유전이라는 것이 가장 큰 이유라고 알려져 있지만, 최근에는 잦은 모발 시술, 스트레스, 환경 오염, 두피 건강 등과 같은 환경적인 이유가 탈모의 주 원인으로 지속되면서 탈모를 방지 또는 지연시키기 위한 관심이 증폭되고 있는 추세이다.
탈모를 진단하는 방법으로 사빈 스케일(Savin scale), 노우드 해밀턴 스케일(Norwood Hamilton Scale) 등이 있다. 사빈 스케일은 두정부를 총 8단계로 나누어, 이미지를 기준으로 탈모의 진행 정도를 보다 세밀하게 진단하는 방법이다. 사빈 스케일에 따라 탈모를 진단할 경우 탈모를 진단하는 사람의 주관적 의견이 개입되기 때문에 탈모를 정확하게 진단하기 어려울 수 있다. 특히, 탈모 상태를 자가 진단하는 경우에 스스로 객관적인 판단을 내리기 어려우며, 탈모 상태에 따라 어떠한 조치가 필요한지 대응 방법을 알지 못하는 사용자가 대다수이다.
또한, 사용자들이 시즌에 따라 본인의 두피 상태가 바뀌고, 변화된 두피 상태에 따라 케어를 해줘야 한다고 생각을 하지만 정확한 두피/모발 상태를 파악하는데 어려움을 겪는다. 그리고, 노화, 성별, 인종에 따른 두피/모발 상태의 변화에 대하여 연구는 진행이 되었으나, 두피/모발상태에 따른 탈모 정도에 대한 연구 자료는 부족한 편이다.
본 개시는 두피/모발 상태에 따라 탈모 상태를 진단하며, 탈모 상태에 따라 탈모 진행을 늦추기 위한 관리 지표를 제공하는 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법을 제공하고자 한다.
본 개시는 탈모 상태에 영향을 미치는 두피/모발 관련 변수를 획득함으로써 탈모 상태를 진단 가능한 의사결정나무를 구축하는 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법을 제공하고자 한다.
본 개시는 소정 시간이 경과된 시점에서의 두피/모발 상태를 통해 의사결정나무를 재학습하는 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법을 제공하고자 한다.
본 개시는 탈모 상태에 따른 예측 탈모 상태로의 진행을 늦추기 위한 제품을 추천하는 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법을 제공하고자 한다.
본 개시의 실시 예에 따른 탈모 관리 장치는 현재의 사용자 상태를 진단하는 측정부, 현재의 사용자 상태에 따른 소정 기간 경과한 후의 탈모 상태인 예측 탈모 상태를 산출하는 예측부, 및 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하는 가이드부를 포함할 수 있다.
예측부는 설명 변수가 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나이고, 종속 변수가 가르마 넓이 및 탈모 등급 중 적어도 하나인 의사결정나무를 통해 예측 탈모 상태를 산출할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치는 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 및 탈모 등급 중 적어도 하나를 이용하여 의사결정나무를 생성하는 의사결정나무 생성부를 더 포함할 수 있다.
의사결정나무 생성부는 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나로 구성되는 복수개의 조합 각각에 따른 가르마 넓이의 예측률을 비교함으로써 의사결정나무를 생성할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치는 의사결정나무 생성부에 의해 생성된 의사결정나무를 재학습시키는 의사결정나무 재학습부를 더 포함할 수 있다.
의사결정나무 재학습부는 제1 시점에서, 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 사이의 상관관계가 의사결정나무를 따를 경우, 제1 시점으로부터 소정 시간이 경과한 제2 시점에서 측정된 피실험자의 나이, 모발 두께, 두피 수분 또는 두피 pH가 의사결정나무에 입력됨에 따라 출력되는 예측 가르마 넓이를 제2 시점에서 측정된 피실험자의 가르마 넓이와 비교함으로써, 의사결정나무를 재학습시킬 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치는 예측 탈모 상태에 따른 가르마 넓이를 표시하는 디스플레이부를 더 포함할 수 있다.
관리 지표는 예측 탈모 상태로의 진행을 늦추기 위해 요구되는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 포함할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치는 요구되는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나에 도달하기에 적합한 헤어 관련 제품을 추천하는 제품 추천부를 더 포함할 수 있다.
탈모 상태는 가르마 넓이에 의해 결정되는 탈모 등급을 포함할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치는 현재의 사용자 상태가 사용자에 의해 입력된 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 포함하는 지표로 관리될 경우의 예측 탈모 상태를 산출하는 카운셀링부를 더 포함할 수 있다.
가이드부는 카운셀링부에 의해 산출된 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 더 출력할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치의 탈모 관리 지침 제공 방법은 현재의 사용자 상태를 진단하는 단계, 현재의 사용자 상태에 따른 소정 기간 경과한 후의 탈모 상태인 예측 탈모 상태를 산출하는 단계, 및 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하는 단계를 포함할 수 있다.
예측 탈모 상태를 산출하는 단계는 설명 변수가 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나이고, 종속 변수가 가르마 넓이 및 탈모 등급 중 적어도 하나인 의사결정나무를 통해 예측 탈모 상태를 산출하는 단계를 포함할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치의 탈모 관리 지침 제공 방법은 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이를 이용하여 의사결정나무를 생성하는 단계를 더 포함할 수 있다.
의사결정나무를 생성하는 단계는 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나로 구성되는 복수개의 조합과 복수개의 조합 각각에 따른 가르마 넓이의 예측률을 비교함으로써 의사결정나무를 생성하는 단계를 포함할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치의 탈모 관리 지침 제공 방법은 의사결정나무를 재학습시키는 단계를 더 포함할 수 있다.
의사결정나무를 재학습시키는 단계는 제1 시점에서, 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 사이의 상관관계가 의사결정나무를 따를 경우, 제1 시점으로부터 소정 시간이 경과한 제2 시점에서 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 가르마 넓이를 측정하는 단계, 제2 시점에서 측정된 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나가 의사결정나무에 입력됨에 따라 출력되는 예측 가르마 넓이를 제2 시점에서 측정된 피실험자의 가르마 넓이와 비교하는 단계, 및 비교 결과에 따라 의사결정나무에 따른 상관관계를 조절하는 단계를 포함할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치의 탈모 관리 지침 제공 방법은 예측 탈모 상태에 따른 가르마 넓이를 표시하는 단계를 더 포함할 수 있다.
관리 지표를 출력하는 단계는 예측 탈모 상태로의 진행을 늦추기 위해 요구되는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 출력하는 단계를 포함할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치의 탈모 관리 지침 제공 방법은 요구되는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나에 도달하기에 적합한 헤어 관련 제품을 추천하는 단계를 더 포함할 수 있다.
현재의 사용자 상태를 진단하는 단계는 사용자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 측정하는 단계를 포함할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치의 탈모 관리 지침 제공 방법은 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나의 지표 입력을 수신하는 단계, 및 현재의 사용자 상태가 입력된 지표로 관리될 경우의 예측 탈모 상태를 산출하는 단계를 더 포함할 수 있다.
본 개시의 실시 예에 따른 탈모 관리 장치의 탈모 관리 지침 제공 방법은 입력된 지표로 관리될 경우의 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하는 단계를 더 포함할 수 있다.
본 개시에 따르면, 탈모 관리 장치가 현재의 사용자 상태에 따라 예측되는 탈모 상태로의 진행 늦추기 위한 관리 지표를 출력하므로, 사용자가 탈모 진행을 늦추기 위한 방안을 보다 쉽게 이해하고, 관리 가능한 이점이 있다.
특히, 탈모 관리 장치가 관리 지표와 함께 추천 제품을 출력할 경우, 관리 지표에 따른 관리의 용이성을 사용자에게 제공 가능한 이점이 있다.
또한, 탈모 관리 장치는 탈모 관련 유의성 있는 변수를 설정하고, 설정 변수에 따라 생성된 의사결정나무를 통해 탈모 상태를 예측하기 때문에 탈모 상태 예측의 정확성이 향상되는 이점이 있다.
또한, 탈모 관리 장치는 동일 피실험자에 대한 데이터를 소정 시간 경과 후 획득할 경우 의사결정나무를 재학습시킴으로써, 의사결정나무의 정확도를 높일 수 있는 이점이 있다.
또한, 탈모 관리 장치는 현재의 사용자 상태에 알맞은 두피/모발 상태 개선 방향을 제안하기 위해서 탈모 심각도 예측 모델 (Hair loss Severity Prediction model (HLSPM))을 구축 가능한 이점이 있다.
도 1은 본 개시의 실시 예에 따른 탈모 관리 장치의 제어 블록도이다.
도 2는 본 개시의 실시 예에 따른 탈모 관리 장치가 동작하는 방법을 도시한 순서도이다.
도 3은 이미지 기반의 가르마 넓이와 사빈 스케일과의 상관관계를 분석한 그래프이다.
도 4는 이미지 기반의 가르마 넓이에 따라 구축한 탈모 등급을 도시한 도면이다.
도 5는 도 2의 단계 S30을 구체화한 순서도이다.
도 6은 두피/모발 상태와 나이의 상관관계를 나타내는 그래프이다.
도 7은 두피/모발 상태와 가르마 넓이의 상관관계를 나타내는 그래프이다.
도 8은 본 개시의 실시 예에 따른 의사결정나무 생성부가 의사결정나무를 생성하는 방법을 도시한 순서도이다.
도 9는 두피/모발과 관련된 변수의 조합 각각에 대해 생성된 의사결정나무의 예측율을 나타내는 그래프이다.
도 10은 본 개시의 실시 예에 따른 의사결정나무의 예시 도면이다.
도 11은 본 개시의 실시 예에 따른 탈모 관리 장치가 관리 지표를 표시하는 방법의 예시 도면이다.
도 12는 본 개시의 실시 예에 따른 탈모 관리 장치가 관리 지표 및 추천 제품을 표시하는 방법의 예시 도면이다.
도 13은 본 개시의 다른 실시 예에 따른 탈모 관리 장치의 제어 블록도이다.
도 14는 본 개시의 다른 실시 예에 따른 탈모 관리 장치가 동작하는 방법의 제1 예를 도시한 순서도이다.
도 15는 도 14에 도시된 순서도에 따라 동작하는 탈모 관리 장치가 예측 탈모 상태를 표시하는 방법의 예시 도면이다.
도 16은 본 개시의 다른 실시 예에 따른 탈모 관리 장치가 동작하는 방법의 제2 예를 도시한 순서도이다.
도 17은 도 16에 도시된 순서도에 따라 동작하는 탈모 관리 장치가 예측 탈모 상태를 표시하는 방법의 예시 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복 설명은 생략한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 “모듈” 또는 “부”는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
또한, 본 명세서에 개시된 실시 예를 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함한다"등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 개시의 실시 예에 따른 탈모 관리 장치의 제어 블록도이다.
탈모 관리 장치(1)는 컨트롤러(11), 측정부(12), 예측부(13), 가이드부(14), 의사결정나무 생성부(16), 의사결정나무 재학습부(17), 디스플레이부(18) 및 제품 추천부(19) 중 적어도 일부 또는 전부를 포함할 수 있다.
컨트롤러(11)는 탈모 관리 장치(1)의 동작을 제어할 수 있다. 컨트롤러(11)는 측정부(12), 예측부(13), 가이드부(14), 의사결정나무 생성부(16), 의사결정나무 재학습부(17), 디스플레이부(18) 및 제품 추천부(19) 각각을 제어할 수 있다.
측정부(12)는 현재의 사용자 상태를 진단할 수 있다. 사용자 상태는 사용자의 나이, 모발 두께, 두피 수분, 두피 pH 및 가르마 넓이 중 적어도 하나를 포함할 수 있다.
예측부(13)는 현재의 사용자 상태에 따른 소정 기간 경과 후의 탈모 상태인 예측 탈모 상태를 산출할 수 있다. 예측부(13)는 측정부(12)가 측정한 사용자의 사용자 상태를 이용하여 소정 시간이 경과한 시점에서 예상되는 사용자의 예측 탈모 상태를 산출할 수 있다.
예측부(13)는 설명 변수가 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나이고, 종속 변수가 가르마 넓이 및 탈모 등급 중 적어도 하나인 의사결정나무를 통해 예측 탈모 상태를 산출할 수 있다. 이 때, 의사결정나무는 후술하는 의사결정나무 생성부(16)에 의해 생성된 의사결정나무 및 의사결정나무 재학습부(17)에 의해 재학습된 의사결정나무 중 적어도 하나일 수 있다.
가이드부(14)는 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력할 수 있다.
관리 지표는 사용자가 두피 상태 또는 모발 상태를 보다 용이하게 관리할 수 있도록 제공되는 정보일 수 있다. 관리 지표는 예측 탈모 상태로의 진행을 늦추기 위해 요구되는 것으로, 예를 들어 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 포함할 수 있다.
의사결정나무 생성부(16)는 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나로 구성되는 복수개의 조합 각각에 따른 가르마 넓이의 예측률을 비교함으로써 의사결정나무를 생성할 수 있다.
의사결정나무 생성부(16)는 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 및 탈모 등급 중 적어도 하나를 이용하여 의사결정나무를 생성할 수 있다.
의사결정나무 생성부(16)는 뿌리 마디(Root node)와, 적어도 하나의 중간 마디(Intermediate note)와, 적어도 하나의 끝 마디(Terminal node)로 구성되며, 뿌리 마디와 중간 마디는 탈모와 관련된 변수 중 유의성 있는 변수로 설정된 변수이고, 끝 마디는 가르마 넓이 또는 탈모 등급인 의사결정나무를 생성할 수 있다. 여기서, 탈모와 관련된 변수 중 유의성 있는 변수로 설정된 변수의 예시로는 나이, 모발 두께, 두피 수분 및 두피 pH를 포함할 수 있다.
의사결정나무 재학습부(17)는 의사결정나무 생성부(16)에 의해 생성된 의사결정나무를 재학습시킬 수 있다.
의사결정나무 재학습부(17)는 제1 시점에서 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 사이의 상관관계가 의사결정나무 생성부(16)에 의해 생성된 의사결정나무를 따를 경우, 제1 시점으로부터 소정 시간이 경과한 제2 시점에서 측정된 피실험자의 나이, 모발 두께, 두피 수분 또는 두피 pH가 의사결정나무 생성부(16)에 의해 생성된 의사결정나무에 입력됨에 따라 출력되는 예측 가르마 넓이를 제2 시점에서 측정된 피실험자의 가르마 넓이와 비교함으로써, 의사결정나무를 재학습시킬 수 있다.
디스플레이부(18)는 예측 탈모 상태에 따른 가르마 넓이 및 탈모 등급 중 적어도 하나를 표시할 수 있다.
디스플레이부(18)는 측정부(12)가 진단한 사용자 상태, 예측부(13)가 산출한 예측 탈모 상태, 가이드부(14)가 출력한 관리 지표 및 후술하는 제품 추천부(19)가 추천하는 헤어 관련 제품 중 적어도 하나를 더 표시할 수 있다.
제품 추천부(19)는 가이드부(14)가 출력한 관리 지표로 두피 상태 또는 모발 상태가 관리될 수 있도록 추천되는 제품을 출력할 수 있다. 제품 추천부(19)는 가이드부(14)가 출력한 관리 지표에 도달하기에 적합한 헤어 관련 제품을 추천할 수 있다.
도 2는 본 개시의 실시 예에 따른 탈모 관리 장치가 동작하는 방법을 도시한 순서도이다.
컨트롤러(11)는 현재의 사용자 상태를 진단하도록 측정부(12)를 제어할 수 있다(S10).
측정부(12)는 현재의 사용자 상태로, 사용자의 나이, 모발 두께, 두피 수분, 두피 pH 및 가르마 넓이 중 적어도 하나를 획득할 수 있다.
측정부(12)는 기 정해진 조건에서 사용자 상태를 측정할 수 있다. 예를 들어, 기 정해진 조건은 측정 12시간 전부터 샴푸, 린스 등의 헤어 제품 사용 금지, 항온항습 평가실(예, 온도 22±2℃, 습도 50±5%)일 수 있다. 즉, 측정부(12)는 항온항습 평가실에서 최소 12시간 동안 샴푸, 린스 등의 헤어 제품을 사용하지 않은 사용자의 상태를 측정할 수 있다.
측정부(12)는 입력 모듈(미도시)을 통해 사용자의 나이를 입력받을 수 있다. 입력 모듈(미도시)은 물리적인 키 버튼, 터치 패드 등일 수 있으나, 이는 예시적인 것에 불과하므로 이에 제한되지 않는다.
측정부(12)는 모발 두께(hair thickness)를 ASW(Aram HUVIS Co., Seoul, Korea)를 이용하여 모발을 200배 확대하여 측정할 수 있다. 측정부(12)는 두피의 5곳의 6개 가닥의 두께 평균값을 모발 두께로 인식할 수 있다.
측정부(12)는 두피 수분량(Scalp Hydration)을 DermaLab USB Hydration probe (Cortex Technology, Denmark)로 가르마 따라 2곳을 8번씩 측정하여 평균값을 두피 수분으로 인식할 수 있다.
측정부(12)는 두피 pH를 Skin-pH-Meter (MPA580 (CK electronic, Germany))로 가르마 따라 측정한 2곳 이상의 평균값을 두피 pH로 인식할 수 있다.
측정부(12)는 사용자의 가르마 이미지를 통해 가르마 넓이를 획득할 수 있다. 측정부(12)는 카메라(미도시)를 더 포함할 수 있고, 카메라(미도시)로 촬영한 가르마 이미지를 그레이스케일로 변환한 후 Image Pro Premier 9.2 (Media Cybemetics, Maryland, USA)로 분석하여 가르마 넓이를 측정할 수 있다. 측정부(12)는 한 사용자의 가르마 넓이를 6군데 측정하여 이미지 기반의 가르마 넓이 측정 방법(Image-based hair midline area(IHMA) assessment)을 통해 가르마 넓이를 측정할 수 있다.
구체적인 예로, 측정부(12)는 카메라(미도시)를 통해 기 설정된 조건(예를 들어, aperture F/5, shutter speed 1/40 seconds, ISO 200, automatic white balance, 72 dot-per-inch, resolution 5472 x 3648)으로 사용자의 가르마 이미지를 촬영하며, 이 때 정확한 캘리브레이션(calibration)을 위해 사용자의 가르마 옆에 줄자가 함께 위치하도록 가르마 이미지를 촬영할 수 있다. 측정부(12)는 촬영된 이미지를 흑백 처리한 후 ROI설정을 높이 5cm로 고정한 후, 가르마를 따라 랜덤 6곳의 ROI설정으로 흰색 부분(가르마 영역)의 넓이를 자동 측정할 수 있다. 측정부(12)는 상술한 방법을 통해 가르마 넓이를 측정할 수 있다.
다음으로, 도 3 및 도 4를 참조하여, 이미지 기반 가르마 넓이 측정 방법을 검증하는 방법에 대해 설명한다.
도 3은 이미지 기반의 가르마 넓이와 사빈 스케일과의 상관관계를 분석한 그래프이고, 도 4는 이미지 기반의 가르마 넓이에 따라 구축한 탈모 등급을 도시한 도면이다.
도 3 및 도 4를 참조하면, 사빈 스케일 Ⅰ-1에 대한 평균 IHMA는 2.55cm 2이고, 사빈 스케일 Ⅰ-2에 대한 평균 IHMA는 3.28 cm 2이고, 사빈 스케일 Ⅰ-3에 대한 평균 IHMA는 3.75 cm 2이고, 사빈 스케일 Ⅰ-4에 대한 평균 IHMA는 4.9 cm 2이고, 사빈 스케일 Ⅱ-1에 대한 평균 IHMA는 6.47 cm 2이고, 사빈 스케일 Ⅱ-2에 대한 평균 IHMA는 8.76 cm 2일 수 있다.
측정부(12)는 도 3 및 도 4에 도시된 바와 같은 그래프 및 구축 정보를 이용하여 사용자의 가르마 이미지에 따른 가르마 넓이 및 사빈 스케일을 획득할 수 있다.
한편, 상술한 측정부(12)가 모발 두께, 두피 수분량, 두피 pH 각각을 측정하는 것으로 개시된 기기는 예시적인 것에 불과하므로, 기기의 종류에는 제한되지 않음이 타당하다. 즉, 측정부(12)는 상술한 기기 외에 다른 기기를 통해 모발 두께, 두피 수분량, 두피 pH 등을 각각 측정할 수 있다.
컨트롤러(11)는 현재의 사용자 상태에 따른 예측 탈모 상태를 산출하도록 예측부(13)를 제어할 수 있다(S30).
예측부(13)는 현재의 사용자 상태에 따른 소정 기간 경과한 후의 탈모 상태인 예측 탈모 상태를 산출할 수 있고, 이 때 의사결정나무가 이용될 수 있다.
탈모 상태는 탈모 등급으로 표현될 수 있고, 탈모 등급은 가르마 넓이에 의해 결정될 수 있다. 즉, 탈모 등급은 도 3 및 도 4를 통해 구축된 사빈 스케일에 따른 탈모 등급일 수 있으나, 이는 예시적인 것에 불과하므로 이에 제한되지 않는다.
다음으로, 도 5를 참조하여, 본 개시의 실시 예에 따른 탈모 관리 장치의 의사결정나무를 생성, 이용 및 학습 방법에 대해 설명한다. 도 5는 도 2의 단계 S30을 구체화한 순서도이다.
의사결정나무 생성부(16)는 두피/모발과 관련된 다양한 변수 중 가르마 넓이와 유의성 있는 변수를 획득할 수 있다(S31).
도 6은 두피/모발 상태와 나이의 상관관계를 나타내는 그래프이고, 도 7은 두피/모발 상태와 가르마 넓이의 상관관계를 나타내는 그래프이다.
도 6의 (a)에는 가르마 넓이와 나이 사이의 상관관계가 도시되어 있고, 도 6의 (b)에는 모발 두께와 나이 사이의 상관관계가 도시되어 있고, 도 6의 (c)에는 두피 pH와 나이 사이의 상관관계가 도시되어 있고, 도 6의 (d)에는 두피 수분과 나이 사이의 상관관계가 도시되어 있다.
도 7의 (a)에는 가르마 넓이와 모발 두께 사이의 상관관계가 도시되어 있고, 도 7의 (b)에는 가르마 넓이와 두피 pH 사이의 상관관계가 도시되어 있고, 도 7의 (c)에는 가르마 넓이와 두피 수분 사이의 상관관계가 도시되어 있다.
의사결정나무 생성부(16)는 도 6 및 도 7에 도시된 바와 같은 상관관계 분석을 통해 나이, 모발 두께, 두피 pH 및 두피 수분을 탈모 관련 통계적으로 유의성 있는 변수로 설정할 수 있다.
즉, 의사결정나무 생성부(16)는 두피/모발과 관련된 다양한 변수 중 통계적으로 유의성 있는 변수를 획득할 수 있고, 이와 같이 유의성 있는 것으로 획득된 변수들을 통해 미래 가르마 넓이와 같은 예측 탈모 상태를 산출하기 위한 의사결정나무를 생성할 수 있다.
의사결정나무 생성부(16)는 단계 S31을 통해 획득된 변수와 가르마 넓이에 대한 의사결정나무를 생성할 수 있다(S33).
의사결정나무 생성부(16)는 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이를 이용하여 의사결정나무를 생성할 수 있다.
도 8은 본 개시의 실시 예에 따른 의사결정나무 생성부가 의사결정나무를 생성하는 방법을 도시한 순서도이다. 도 8은 도 5의 단계 S33을 구체화한 순서도일 수 있다.
의사결정나무 생성부(16)는 설명 변수를 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나로 설정하고, 종속 변수를 가르마 넓이로 설정할 수 있다(S41).
의사결정나무 생성부(16)는 순도가 증가하는 방향으로 뿌리 마디, 중간 마디 및 끝 마디를 결정할 수 있다(S43).
구체적으로, 의사결정나무 생성부(16)는 재귀적 분기(Recursive Partitioning) 방법에 따라 순도(Purity, homogeneity)가 증가하는 방향으로 뿌리 마디, 중간 마디 및 끝 마디를 결정할 수 있다.
예를 들어, 의사결정나무 생성부(16)가 나이, 모발 두께, 두피 수분 및 두피 pH에 기초하여 뿌리 마디, 중간 마디 및 끝 마디를 결정하는 것을 가정하여 설명한다. 의사결정나무 생성부(16)는 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나에 따라 가르마 넓이 데이터값들을 오름차순으로 정렬하고, 정렬된 데이터값들 사이사이 지점을 분기로 가정하여 분기 전 지니 계수(Gini index)와 분기 후 지니 계수를 산출하고, 분기 전 지니 계수와 분기 후 지니 계수의 차 연산을 통해 정보획득을 조사할 수 있다. 실시 예에 따라, 의사결정나무 생성부(16)는 분기 전 지니 계수와 분기 후 지니 계수 대신 분기 전 엔트로피(entropy)와 분기 후 엔트로피를 산출하고, 분기 전 엔트로피와 분기 후 엔트로피의 차 연산을 통해 정보획득을 조사할 수 있다. 또한, 의사결정나무 생성부(16)는 지니 계수와 엔트로피 외에 카이제곱 통계량(Chi-square statistic)의 p-값과 같은 불확실성을 나타내는 다양한 기준값을 산출하여 정보획득을 조사할 수 있다.
의사결정나무 생성부(16)는 정보획득이 가장 큰 분기 지점을 기준으로 뿌리 마디, 중간 마디 또는 끝 마디를 결정할 수 있다. 제어부(15)는 최초 분기 지점인 경우 뿌리 마디로 결정하고, 순도가 100%가 되는 분기 지점인 경우 끝 마디로 결정하고, 뿌리 마디와 끝 마디에 해당하지 않는 다른 분기 지점인 경우 중간 마디로 결정할 수 있다.
의사결정나무 생성부(16)는 데이터의 개수가 N1개이고, 변수의 개수가 N2개인 경우 N1×N2 경우의 수에 대해 분기 전 불확실성(예를 들어, 지니 계수 또는 엔트로피)과 분기 후 불확실성을 산출하여 정보획득을 조사함으로써 뿌리 마디, 중간 마디 및 끝 마디를 결정할 수 있다.
의사결정나무 생성부(16)는 뿌리 마디, 중간 마디 및 끝 마디를 결정한 후, 가지치기(pruning)로 끝 마디를 결합할 수 있다(S45).
의사결정나무 생성부(16)는 모든 끝 마디의 순도가 100%가 되도록 뿌리 마디, 중간 마디 및 끝 마디를 결정한 후, 과적합(overfitting)이 최소화되도록 끝 마디를 결합할 수 있다. 분기 지점이 증가함에 따라 새로운 데이터의 추가시 오분류율이 감소하는 것이 일반적이나, 분기 지점이 소정 개수를 초과할 경우 새로운 데이터의 추가시 오분류율이 증가하는 현상이 발생할 수 있는데, 이를 과적합이라고 할 수 있다. 따라서, 의사결정나무 생성부(16)는 분기 지점이 소정 개수를 초과할 경우 적어도 2 이상의 끝 마디를 결합하는 가지치기를 수행할 수 있다. 제어부(15)는 아래 수학식 1에 따라 가지치기를 수행할 수 있다.
Figure PCTKR2020009139-appb-img-000001
이 때, CC(T)는 의사결정나무의 비용 복잡도(오류가 적으면서 끝 마디의 수가 적은 단순 모델일수록 작은 값)이고, Err(T)는 검증데이터에 대한 오분류율이고, L(T)는 끝 마디의 수이고, α는 Err(T)와 L(T)를 결합하는 가중치를 의미할 수 있고 0.01 내지 0.01 범위의 값일 수 있다.
의사결정나무 생성부(16)는 끝 마디를 결합한 후, 타당성 평가를 실시할 수 있다(S47).
의사결정나무 생성부(16)는 이익 도표(gain chart), 위험 도표(risk chart) 및 비용 도표(cost chart) 중 적어도 하나에 의한 교차타당성(cross validation)을 통해 타당성 평가를 실시할 수 있다.
구체적으로, 의사결정나무 생성부(16)는 이익 도표(gain chart), 위험 도표(risk chart) 및 비용 도표(cost chart) 중 적어도 하나에 기초하여 데이터를 k개의 데이터로 분할하고, 분할된 k개의 데이터 중 k-1개의 데이터를 훈련 데이터로 사용하고, 1개의 데이터를 테스트 데이터로 사용할 수 있다. 제어부(15)는 훈련 데이터와 테스트 데이터를 서로 변경하면서 단계 S41, 단계 S43 및 단계 S45를 통해 생성된 의사결정나무의 타당성을 평가할 수 있다.
의사결정나무 생성부(16)는 타당성 평가 후, 의사결정나무의 분석 결과를 해석하여 의사결정나무를 구축할 수 있다(S49).
의사결정나무 생성부(16)는 도 8에 도시되 바와 같은 방법으로 생성된 의사결정나무에 검증을 수행할 수 있다.
도 9는 두피/모발과 관련된 변수의 조합 각각에 대해 생성된 의사결정나무의 예측율을 나타내는 그래프이다.
도 9의 (a)는 2개의 변수(나이, 모발 두께)에 따른 의사결정나무의 6개월 후 가르마 넓이의 예측률을 나타내는 그래프이고, 도 9의 (b)는 3개의 변수(나이, 모발 두께, 두피 수분)에 따른 의사결정나무의 6개월 후 가르마 넓이의 예측률을 나타내는 그래프이고, 도 9의 (c)는 3개의 변수(나이, 모발 두께, 두피 pH)에 따른 의사결정나무의 6개월 후 가르마 넓이의 예측률을 나타내는 그래프이고, 도 9의 (d)는 4개의 변수(나이, 모발 두께, 두피 수분, 두피 pH)에 따른 의사결정나무의 6개월 후 가르마 넓이의 예측률을 나타내는 그래프이다.
그래프에 도시된 추세선의 기울기(slope)가 1에 가까울수록 예측률이 높음을 의미하고, 결정계수(R 2)가 1에 가까울수록 정확도가 높음을 의미한다.
즉, 의사결정나무 생성부(16)는 도 9에 도시된 바와 같이 두피/모발과 관련된 변수들을 다양하게 조합시켜 의사결정나무를 생성하고, 생성된 의사결정나무들의 예측률을 비교하여, 예측율이 가장 높은 의사결정나무를 최종 의사결정나무로 생성할 수 있다.
예를 들어, 의사결정나무 생성부(16)는 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나로 구성되는 복수개의 조합과 복수개의 조합 각각에 따른 가르마 넓이의 예측률을 비교함으로써 의사결정나무를 생성할 수 있다. 도 9의 예시에서는 (d)와 같은 4개의 변수(나이, 모발 두께, 두피 수분, 두피 pH)에 따른 의사결정나무를 최종 의사결정나무로 생성할 수 있다.
다시, 도 5를 설명한다.
예측부(13)는 현재의 사용자 상태가 의사결정나무에 입력될 때 출력되는 예측 탈모 상태를 획득할 수 있다(S35).
이 때, 의사결정나무는 의사결정나무 생성부(16)에 의해 최종 생성된 의사결정나무 혹은 의사결정나무 재학습부(17)에 의해 재학습된 의사결정나무일 수 있다.
도 10은 본 개시의 실시 예에 따른 의사결정나무의 예시 도면이다.
도 10의 예시에 도시된 의사결정나무는 뿌리 마디가 복수개의 중간 마디 및 복수개의 끝 마디를 포함할 수 있다. 뿌리 마디와 복수개의 중간 마디 각각은 나이, 모발 두께, 두피 수분 또는 두피 pH 각각에 대한 기준 정보를 포함하고, 끝 마디는 가르마 넓이의 범위를 포함할 수 있다.
예측부(13)는 측정부(12)에 의해 진단된 나이, 모발 두께, 두피 수분 및 두피 pH 각각이 도 10에 도시된 바와 같은 의사결정나무에 입력될 경우, 뿌리 마디 및 중간 마디의 기준 정보에 따라 나이, 모발 두께, 두피 수분 및 두피 pH 각각에 대응하는 하나의 끝 마디를 획득함으로써, 가르마 넓이의 범위를 획득할 수 있다. 예측부(13)는 의사결정나무를 통해 가르마 넓이 정보 또는 가르마 넓이 정보에 대응하는 탈모 등급을 획득할 수 있다.
의사결정나무 생성부(16)는 나이, 모발 두께, 두피 수분 및 두피 pH와 가르마 넓이가 입력될 경우 의사결정나무를 학습시킬 수 있다.
한편, 의사결정나무 재학습부(17)는 소정 시간이 경과된 후 동일 피실험자에 대해 측정된 변수와 가르마 넓이를 이용하여 의사결정나무를 재학습시킬 수 있다(S37).
예를 들어, 소정 시간은 6개월일 수 있으나, 이는 예시적인 것에 불과하므로 이에 제한되지 않는다.
의사결정나무 재학습부(17)는 제1 시점에서, 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 사이의 상관관계가 의사결정나무를 따를 경우, 제1 시점으로부터 소정 시간이 경과한 제2 시점에서 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 가르마 넓이를 측정할 수 있다. 의사결정나무 재학습부(17)는 제2 시점에서 측정된 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나가 의사결정나무에 입력됨에 따라 출력되는 예측 가르마 넓이를 제2 시점에서 측정된 피실험자의 가르마 넓이와 비교하고, 비교 결과에 따라 의사결정나무에 따른 상관관계를 조절할 수 있다.
구체적으로, 의사결정나무 재학습부(17)는 피실험자의 제1 가르마 넓이, 제1 나이, 제1 모발 두께, 제1 두피 수분 및 제1 두피 pH의 측정 정보를 이용하여 의사결정나무를 학습시킨 후, 소정 시간이 경과한 시점에 동일 피실험자의 제2 가르마 넓이, 제2 나이, 제2 모발 두께, 제2 두피 수분 및 제2 두피 pH를 측정할 수 있다. 의사결정나무 재학습부(17)는 제2 나이, 제2 모발 두께, 제2 두피 수분 및 제2 두피 pH를 의사결정나무에 입력함에 따라 출력되는 예측 가르마 넓이를 획득할 수 있고, 예측 가르마 넓이를 제2 가르마 넓이와 비교하여 상관관계를 분석할 수 있다. 의사결정나무 재학습부(17)는 예측 가르마 넓이와 제2 가르마 넓이에 차이가 있을 경우, 차이에 따라 의사결정나무를 조정함으로써, 의사결정나무를 재학습시킬 수 있다.
아래, 표 1은 피실험자의 제1 가르마 넓이, 나이, 제1 모발 두께, 제1 두피 수분 및 제1 두피 pH의 측정 정보를 나타내는 예시이고, 표 2는 동일한 피실험자의 제2 가르마 넓이, 제2 모발 두께, 제2 두피 수분 및 제2 두피 pH의 측정 정보를 나타내는 예시일 수 있다. 표 1 및 표 2의 예시에서 피실험자의 나이는 동일하게 유지된 경우로 가정한다.
Participant Age Initial Measurements
Scalp Capacitance(microsiemens) Scalp pH Hair Thickness (mm) IHMA (cm 2)
ID1 23 52.0 6.0 0.066 2.74
ID2 38 128.5 6.3 0.060 3.89
ID3 37 59.5 6.3 0.054 3.03
ID4 38 40.5 6.1 0.063 2.99
ID5 47 71.0 6.4 0.056 5.17
ID6 56 101.0 5.5 0.058 5.41
ID7 50 58.0 6.0 0.056 4.45
ID8 41 46.5 5.7 0.056 4.40
ID9 41 118.0 5.9 0.062 3.72
ID10 52 60.0 5.4 0.059 4.14
ID11 37 30.0 6.7 0.057 3.37
ID12 51 49.0 6.1 0.059 3.17
ID13 50 25.5 6.3 0.063 5.85
ID14 41 47.0 6.5 0.061 2.94
ID15 40 130.5 5.6 0.049 5.08
ID16 42 65.0 6.5 0.058 3.45
ID17 57 63.5 6.6 0.047 9.99
ID18 37 55.0 5.3 0.062 3.89
ID19 45 38.0 6.9 0.048 3.42
ID20 38 60.5 5.4 0.060 3.27
ID21 42 76.0 6.6 0.050 5.67
ID22 43 78.5 6.3 0.058 4.08
ID23 57 89.5 5.9 0.062 7.68
ID24 32 118.0 6.1 0.048 3.70
ID25 37 32.5 7.0 0.066 2.73
ID26 61 118.5 5.2 0.051 4.75
ID27 43 34.5 7.6 0.056 4.77
ID28 34 59.0 6.0 0.063 3.67
ID29 40 78.0 6.3 0.052 4.29
ID30 40 54.5 6.5 0.066 2.70
ID31 44 73.5 8.6 0.047 4.64
ID32 40 49.0 5.7 0.066 3.04
ID33 36 60.5 6.3 0.058 3.77
ID34 41 76.0 6.1 0.052 5.62
ID35 58 112.5 5.6 0.038 7.30
ID36 44 80.5 6.0 0.057 4.65
ID37 43 25.0 5.9 0.063 2.92
ID38 35 68.0 6.6 0.055 5.18
ID39 57 70.0 5.8 0.033 4.96
ID40 39 67.5 7.1 0.059 9.52
ID41 53 101.5 6.7 0.061 3.97
ID42 55 58.0 6.7 0.036 7.77
Participant Age 6 Months Later Measurements
Scalp Capacitance(microsiemens) Scalp pH Hair Thickness (mm) IHMA (cm 2)
ID1 23 49.0 6.4 0.082 2.13
ID2 38 82.5 6.2 0.073 1.94
ID3 37 38.0 6.2 0.070 2.67
ID4 38 42.0 6.4 0.074 1.93
ID5 47 41.0 5.5 0.065 4.13
ID6 56 80.0 5.1 0.063 3.22
ID7 50 81.0 5.5 0.059 4.49
ID8 41 36.0 6.3 0.075 2.95
ID9 41 141.5 5.4 0.070 2.62
ID10 52 63.5 5.5 0.061 4.24
ID11 37 40.5 6.2 0.059 3.86
ID12 51 63.5 6.5 0.076 2.22
ID13 50 24.5 6.3 0.082 3.64
ID14 41 51.0 6.4 0.067 2.58
ID15 40 66.0 6.1 0.072 4.27
ID16 42 46.5 5.9 0.067 3.08
ID17 57 50.0 5.3 0.071 4.77
ID18 37 58.0 5.9 0.055 3.81
ID19 45 42.5 6.2 0.066 3.46
ID20 38 46.5 6.3 0.064 3.47
ID21 42 55.0 5.7 0.067 4.90
ID22 43 74.0 6.4 0.065 4.48
ID23 57 125.5 4.8 0.071 7.04
ID24 32 70.5 6.2 0.074 3.46
ID25 37 36.0 5.8 0.064 1.76
ID26 61 69.5 5.1 0.052 4.58
ID27 43 29.0 6.4 0.079 3.95
ID28 34 47.0 6.2 0.059 3.61
ID29 40 73.5 6.1 0.067 3.71
ID30 40 45.5 6.4 0.078 2.42
ID31 44 52.5 6.3 0.061 4.77
ID32 40 57.0 6.5 0.072 3.00
ID33 36 54.5 6.2 0.064 3.29
ID34 41 50.5 6.2 0.068 5.70
ID35 58 101.0 4.9 0.042 4.54
ID36 44 49.5 5.9 0.077 5.45
ID37 43 51.0 6.4 0.071 2.27
ID38 35 54.0 6.2 0.059 3.03
ID39 57 79.0 4.8 0.051 3.13
ID40 39 57.0 5.6 0.062 8.47
ID41 53 108.5 5.2 0.070 2.93
ID42 55 46.5 6.2 0.057 3.45
즉, 의사결정나무 재학습부(17)는 위 표 1 및 표 2에 기재된 바와 같은 데이터를 통해 의사결정나무를 재학습시킬 수 있다. 한편, 이러한 재학습은 소비자에 의해 데이터가 입력될 경우에 이루어질 수 있다.다시, 도 2를 설명한다.
컨트롤러(11)는 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하도록 가이드부(14)를 제어하고(S50), 관리 지표에 따른 상태에 도달하기에 적합한 헤어 관련 제품을 추천하도록 제품 추천부(19)를 제어할 수 있다(S70).
컨트롤러(11)는 관리 지표 및 추천 제품 중 적어도 하나를 표시하도록 디스플레이부(18)를 제어할 수 있다.
도 11은 본 개시의 실시 예에 따른 탈모 관리 장치가 관리 지표를 표시하는 방법의 예시 도면이고, 도 12는 본 개시의 실시 예에 따른 탈모 관리 장치가 관리 지표 및 추천 제품을 표시하는 방법의 예시 도면이다.
도 11을 참조하면, 디스플레이부(18)는 현재의 탈모 상태, 예측 탈모 상태 및 관리 지표를 표시할 수 있다. 예측 탈모 상태는 현재의 탈모 상태에 따라 산출된 소정 시간 경과 후 예상되는 탈모 상태이고, 관리 지표는 예측 탈모 상태로의 진행을 지연시키기 위해 요구되는 관리 정보일 수 있다.
일 실시 예에 따르면, 탈모 관리 장치(1)는 현재의 탈모 상태 및 예측 탈모 상태에 따른 관리 지표를 메모리(미도시)에 미리 저장하고 있을 수 있다. 즉, 탈모 관리 장치(1)는 현재의 탈모 상태가 제1 등급이고, 예측 탈모 상태가 제2 등급일 때의 관리 지표, 현재의 탈모 상태가 제1 등급이고, 예측 탈모 상태가 제3 등급일 때의 관리 지표, 현재의 탈모 상태가 제2 등급이고, 예측 탈모 상태가 제3 등급일 때의 관리 지표 등을 각각 메모리(미도시)에 저장하고 있을 수 있다. 컨트롤러(11)는 현재의 탈모 상태 및 예측 탈모 상태에 따라 메모리(미도시)에서 관리 지표를 획득하고, 메모리(미도시)에서 획득한 관리 지표를 표시하도록 디스플레이부(18)를 제어할 수 있다.
다른 실시 예에 따르면, 탈모 관리 장치(1)는 현재의 탈모 상태 및 예측 탈모 상태에 따른 관리 지표를 도출하는 관리 지표 도출식(미도시)을 미리 저장하고 있을 수 있고, 관리 지표 도출식(미도시)을 이용하여 추출된 관리 지표를 표시하도록 디스플레이부(18)를 제어할 수 있다.
사용자는 도 11에 도시된 바와 같은 관리 지표를 참조하여 모발 두께를 0.070mm, 두피 수분을 25 microsiemens, 두피 pH를 6으로 관리할 수 있다.
한편, 도 12를 참조하면, 디스플레이부(180)는 현재의 탈모 상태, 예측 탈모 상태 및 관리 지표에 추천 제품을 더 표시할 수 있다. 추천 제품은 관리 지표로 관리를 돕는 헤어 관련 제품일 수 있다. 추천 제품은 관리 지표에 따른 목표값에 도달하기 위해 적합한 제품일 수 있다.
사용자는 도 12에 도시된 바와 같은 관리 지표 및 추천 제품을 참조하여, 추천 제품의 사용을 통해 모발 두께를 0.070mm, 두피 수분을 25 microsiemens, 두피 pH를 6으로 보다 용이하게 관리할 수 있다.
한편, 디스플레이부(18)는 도 11 또는 도 12와 같이 예측 탈모 상태를 표시할 때, 예측 탈모 상태에 따른 가르마 넓이 또는 예측 가르마 이미지를 더 표시할 수도 있다.
본 개시의 다른 실시 예에 따르면, 탈모 관리 장치는 입력된 지표에 따라 탈모 상태를 예측할 수 있다.
도 13은 본 개시의 다른 실시 예에 따른 탈모 관리 장치의 제어 블록도이다.
본 개시의 다른 실시 예에 따른 탈모 관리 장치(1)는 컨트롤러(11), 측정부(12), 예측부(13), 가이드부(14), 카운셀링부(15), 의사결정나무 생성부(16), 의사결정나무 재학습부(17), 디스플레이부(18) 및 제품 추천부(19) 중 적어도 일부 또는 전부를 포함할 수 있다. 즉 본 개시의 다른 실시 예에 따른 탈모 관리 장치(1)는 앞에서 설명한 실시 예와 달리 카운셀링부(15)를 더 포함할 수 있다.
카운셀링부(15)를 제외한 다른 구성요소는 앞에서 설명한 바와 동일하므로, 중복되는 설명은 생략하기로 한다.
카운셀링부(15)는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나의 지표를 입력 받으면, 입력된 지표에 따른 탈모 상태를 예측할 수 있다. 또는, 카운셀링부(15)는 현재의 탈모 상태에 기초하는 미래의 탈모 상태를 예측할 수 있다. 또한, 카운셀링부(15)는 현재의 탈모 상태에 입력된 지표를 반영한 미래의 탈모 상태를 예측할 수 있다.
도 14는 본 개시의 다른 실시 예에 따른 탈모 관리 장치가 동작하는 방법의 제1 예를 도시한 순서도이다.
컨트롤러(11)는 현재의 사용자 상태를 진단하도록 측정부(12)를 제어할 수 있다(S110).
이는, 도 2의 단계 S10을 통해 설명한 바와 동일하므로, 중복되는 설명은 생략하기로 한다.
컨트롤러(11)는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나의 지표 입력을 수신할 수 있다(S120).
예를 들어, 탈모 관리 장치(1)는 물리 키 버튼 혹은 터치 패드 등과 같은 입력 모듈(미도시)을 더 구비할 수 있고, 컨트롤러(11)는 입력 모듈(미도시)을 통해 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나의 지표 입력을 수신할 수 있다.
컨트롤러(11)는 입력된 지표로 관리될 경우의 예측 탈모 상태를 표시할 수 있다(S130).
컨트롤러(11)는 카운셀링부(15)를 통해 단계 S120에서 입력된 지표로 관리될 경우에 예측되는 탈모 상태를 산출 및 표시할 수 있다. 구체적으로, 카운셀링부(15)는 측정부(12)를 통해 진단한 현재의 사용자 상태가 입력된 지표로 관리될 경우의 예측 탈모 상태를 산출할 수 있다.
도 15는 도 14에 도시된 순서도에 따라 동작하는 탈모 관리 장치가 예측 탈모 상태를 표시하는 방법의 예시 도면이다.
디스플레이부(18)는 현재 탈모 상태, 입력된 지표 및 예측 탈모 상태를 표시할 수 있다. 도 15의 예시에 따르면, 현재 탈모 상태가 I-2이고, 입력된 지표가 모발 두께 0.05일 때, 카운셀링부(15)는 예측 탈모 상태를 Ⅱ-4로 산출하고, 산출된 예측 탈모 상태가 표시되도록 디스플레이부(18)를 제어할 수 있다.
이를 통해, 사용자는 입력된 지표에 따른 관리의 중요성 및 필요성을 느낄 수 있다. 즉, 사용자는 지표를 다양하게 입력해 보면서 각각의 지표로 관리될 때의 예측 탈모 상태를 용이하게 확인 가능한 이점이 있다.
한편, 컨트롤러(11)는 지표를 입력받지 않을 수 있고, 이 경우 현재의 사용자 상태에 따른 예측 탈모 상태를 표시할 수도 있다.
도 16은 본 개시의 다른 실시 예에 따른 탈모 관리 장치가 동작하는 방법의 제2 예를 도시한 순서도이다.
컨트롤러(11)는 현재의 사용자 상태를 진단하도록 측정부(12)를 제어하고(S110), 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나의 지표 입력을 수신하고(S120), 입력된 지표로 관리될 경우의 예측 탈모 상태를 표시할 수 있다(S130).
이는, 도 14의 단계 S110, S120, S130을 통해 설명한 바와 동일하므로, 중복되는 설명은 생략하기로 한다.
컨트롤러(11)는 입력된 지표로 관리될 경우의 예측 탈모 상태를 표시한 후 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하고(S140), 관리 지표에 따른 상태에 도달하기에 적합한 헤어 관련 제품을 추천할 수 있다(S150).
즉, 도 2에서는 현재의 사용자 상태에 따른 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표 및 헤어 관련 제품을 표시하였다. 그러나, 본 개시의 다른 실시 예에 따르면, 도 17에 도시된 바와 같이, 탈모 관리 장치(1)는 현재의 사용자 상태와 입력된 지표에 따른 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표 및 헤어 관련 제품을 표시할 수 있다.
도 17은 도 16에 도시된 순서도에 따라 동작하는 탈모 관리 장치가 예측 탈모 상태를 표시하는 방법의 예시 도면이다.
디스플레이부(18)는 현재 탈모 상태 및 입력된 지표에 따른 예측 탈모 상태와 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표 및 헤어 관련 제품을 함께 표시할 수 있다. 도 17의 예시에 따르면, 현재 탈모 상태가 I-2이고, 입력된 지표가 모발 두께 0.05일 때, 카운셀러부(15)는 예측 탈모 상태를 Ⅱ-4로 산출하고, 산출된 예측 탈모 상태로의 진행을 늦추기 위해서 요구되는 관리 지표 및 헤어 관련 제품이 표시되도록 디스플레이부(18)를 제어할 수 있다.
이를 통해, 사용자는 입력된 지표에 따른 관리의 중요성 및 필요성을 느낄 수 있을 뿐만 아니라, 입력된 지표에 따른 예측 탈모 상태로의 진행을 늦추기 위한 관리 지침을 보다 용이하게 안내받을 수 있는 이점이 있다.
본 개시의 일 실시 예에 의하면, 전술한 방법은, 프로그램이 기록된 매체에 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 프로세서가 읽을 수 있는 매체의 예로는, ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등의 형태로 구현되는 것도 포함한다.
상기와 같이 설명된 탈모 관리 장치는 상기 설명된 실시 예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시 예들은 다양한 변형이 이루어질 수 있도록 각 실시 예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
즉, 이상의 설명은 본 개시의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 개시의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 개시에 개시된 실시 예들은 본 개시의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다.
본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (24)

  1. 현재의 사용자 상태를 진단하는 측정부;
    상기 현재의 사용자 상태에 따른 소정 기간 경과한 후의 탈모 상태인 예측 탈모 상태를 산출하는 예측부; 및
    상기 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하는 가이드부를 포함하는, 탈모 관리 장치.
  2. 제1항에 있어서,
    상기 예측부는
    설명 변수가 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나이고, 종속 변수가 가르마 넓이 및 탈모 등급 중 적어도 하나인 의사결정나무를 통해 상기 예측 탈모 상태를 산출하는, 탈모 관리 장치.
  3. 제1항에 있어서,
    피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 및 탈모 등급 중 적어도 하나를 이용하여 의사결정나무를 생성하는 의사결정나무 생성부를 더 포함하는, 탈모 관리 장치.
  4. 제3항에 있어서,
    상기 의사결정나무 생성부는
    상기 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나로 구성되는 복수개의 조합 각각에 따른 가르마 넓이의 예측률을 비교함으로써 상기 의사결정나무를 생성하는, 탈모 관리 장치.
  5. 제3항에 있어서,
    상기 의사결정나무 생성부에 의해 생성된 상기 의사결정나무를 재학습시키는 의사결정나무 재학습부를 더 포함하는, 탈모 관리 장치.
  6. 제5항에 있어서,
    상기 의사결정나무 재학습부는
    제1 시점에서, 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 사이의 상관관계가 상기 의사결정나무를 따를 경우, 상기 제1 시점으로부터 소정 시간이 경과한 제2 시점에서 측정된 상기 피실험자의 나이, 모발 두께, 두피 수분 또는 두피 pH가 상기 의사결정나무에 입력됨에 따라 출력되는 예측 가르마 넓이를 상기 제2 시점에서 측정된 상기 피실험자의 가르마 넓이와 비교함으로써, 상기 의사결정나무를 재학습시키는, 탈모 관리 장치.
  7. 제1항에 있어서,
    상기 예측 탈모 상태에 따른 가르마 넓이를 표시하는 디스플레이부를 더 포함하는, 탈모 관리 장치.
  8. 제1항에 있어서,
    상기 관리 지표는
    상기 예측 탈모 상태로의 진행을 늦추기 위해 요구되는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 포함하는, 탈모 관리 장치.
  9. 제8항에 있어서,
    상기 요구되는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나에 도달하기에 적합한 헤어 관련 제품을 추천하는 제품 추천부를 더 포함하는, 탈모 관리 장치.
  10. 제1항에 있어서,
    상기 탈모 상태는
    가르마 넓이에 의해 결정되는 탈모 등급을 포함하는, 탈모 관리 장치.
  11. 제1항에 있어서,
    상기 현재의 사용자 상태가 사용자에 의해 입력된 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 포함하는 지표로 관리될 경우의 예측 탈모 상태를 산출하는 카운셀링부를 더 포함하는, 탈모 관리 장치.
  12. 제1항에 있어서,
    상기 가이드부는
    상기 카운셀링부에 의해 산출된 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 더 출력하는, 탈모 관리 장치.
  13. 탈모 관리 장치가 탈모 관리 지침을 제공하는 방법에 있어서,
    현재의 사용자 상태를 진단하는 단계;
    상기 현재의 사용자 상태에 따른 소정 기간 경과한 후의 탈모 상태인 예측 탈모 상태를 산출하는 단계; 및
    상기 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하는 단계를 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  14. 제13항에 있어서,
    상기 예측 탈모 상태를 산출하는 단계는
    설명 변수가 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나이고, 종속 변수가 가르마 넓이 및 탈모 등급 중 적어도 하나인 의사결정나무를 통해 예측 탈모 상태를 산출하는 단계를 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  15. 제13항에 있어서,
    피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이를 이용하여 의사결정나무를 생성하는 단계를 더 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  16. 제15항에 있어서,
    상기 의사결정나무를 생성하는 단계는
    상기 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나로 구성되는 복수개의 조합과 상기 복수개의 조합 각각에 따른 가르마 넓이의 예측률을 비교함으로써 상기 의사결정나무를 생성하는 단계를 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  17. 제15항에 있어서,
    상기 의사결정나무를 재학습시키는 단계를 더 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  18. 제17항에 있어서,
    상기 의사결정나무를 재학습시키는 단계는
    제1 시점에서, 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 피실험자의 가르마 넓이 사이의 상관관계가 상기 의사결정나무를 따를 경우, 상기 제1 시점으로부터 소정 시간이 경과한 제2 시점에서 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나와 가르마 넓이를 측정하는 단계;
    상기 제2 시점에서 측정된 상기 피실험자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나가 상기 의사결정나무에 입력됨에 따라 출력되는 예측 가르마 넓이를 상기 제2 시점에서 측정된 상기 피실험자의 가르마 넓이와 비교하는 단계; 및
    비교 결과에 따라 상기 의사결정나무에 따른 상관관계를 조절하는 단계를 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  19. 제13항에 있어서,
    상기 예측 탈모 상태에 따른 가르마 넓이를 표시하는 단계를 더 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  20. 제13항에 있어서,
    상기 관리 지표를 출력하는 단계는
    상기 예측 탈모 상태로의 진행을 늦추기 위해 요구되는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 출력하는 단계를 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  21. 제20항에 있어서,
    상기 요구되는 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나에 도달하기에 적합한 헤어 관련 제품을 추천하는 단계를 더 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  22. 제13항에 있어서,
    상기 현재의 사용자 상태를 진단하는 단계는
    사용자의 나이, 모발 두께, 두피 수분 및 두피 pH 중 적어도 하나를 측정하는 단계를 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  23. 제13항에 있어서,
    모발 두께, 두피 수분 및 두피 pH 중 적어도 하나의 지표 입력을 수신하는 단계; 및
    상기 현재의 사용자 상태가 상기 입력된 지표로 관리될 경우의 예측 탈모 상태를 산출하는 단계를 더 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
  24. 제13항에 있어서,
    상기 입력된 지표로 관리될 경우의 예측 탈모 상태로의 진행을 늦추기 위한 관리 지표를 출력하는 단계를 더 포함하는, 탈모 관리 장치의 탈모 관리 지침 제공 방법.
PCT/KR2020/009139 2019-12-17 2020-07-10 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법 WO2021125479A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190169099A KR102367491B1 (ko) 2019-12-17 2019-12-17 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법
KR10-2019-0169099 2019-12-17

Publications (1)

Publication Number Publication Date
WO2021125479A1 true WO2021125479A1 (ko) 2021-06-24

Family

ID=76477590

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/009139 WO2021125479A1 (ko) 2019-12-17 2020-07-10 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법

Country Status (2)

Country Link
KR (2) KR102367491B1 (ko)
WO (1) WO2021125479A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115186113A (zh) * 2022-09-07 2022-10-14 粤港澳大湾区数字经济研究院(福田) 一种筛选指南文本的方法、装置、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102445248B1 (ko) 2021-11-05 2022-09-22 주식회사 룰루랩 탈모 예측 및 개인 맞춤형 두피 케어를 위한 방법 및 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040103297A (ko) * 2003-05-29 2004-12-08 나카타 야스타카 피부 분석 시스템 및 두피 두발 분석 시스템
KR20150025829A (ko) * 2013-08-30 2015-03-11 (주)이노진 Db 기반의 탈모상태별 탈모 치료장치 및 그 방법
KR20150028082A (ko) * 2013-09-05 2015-03-13 주식회사 케어얼라이언스 헬스 케어 장치 및 방법
KR20170038215A (ko) * 2015-09-30 2017-04-07 (주)아모레퍼시픽 두피와 모발의 노화지수 산출방법
US20190355115A1 (en) * 2018-05-17 2019-11-21 The Procter & Gamble Company Systems and methods for hair coverage analysis

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102484530B1 (ko) * 2016-10-27 2023-01-06 가톨릭대학교 산학협력단 전립선암 치료를 위한 의사결정나무를 활용한 병리학적 병기 분류 예측 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040103297A (ko) * 2003-05-29 2004-12-08 나카타 야스타카 피부 분석 시스템 및 두피 두발 분석 시스템
KR20150025829A (ko) * 2013-08-30 2015-03-11 (주)이노진 Db 기반의 탈모상태별 탈모 치료장치 및 그 방법
KR20150028082A (ko) * 2013-09-05 2015-03-13 주식회사 케어얼라이언스 헬스 케어 장치 및 방법
KR20170038215A (ko) * 2015-09-30 2017-04-07 (주)아모레퍼시픽 두피와 모발의 노화지수 산출방법
US20190355115A1 (en) * 2018-05-17 2019-11-21 The Procter & Gamble Company Systems and methods for hair coverage analysis

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115186113A (zh) * 2022-09-07 2022-10-14 粤港澳大湾区数字经济研究院(福田) 一种筛选指南文本的方法、装置、设备及存储介质

Also Published As

Publication number Publication date
KR20210077441A (ko) 2021-06-25
KR20220027910A (ko) 2022-03-08
KR102367491B1 (ko) 2022-02-25
KR102451186B1 (ko) 2022-10-06

Similar Documents

Publication Publication Date Title
WO2021125479A1 (ko) 탈모 관리 장치 및 그의 탈모 관리 지침 제공 방법
WO2009145596A2 (ko) 얼굴 분석 서비스 제공 방법 및 장치
WO2020113959A1 (zh) 医疗机构透析水平的考核方法、装置、设备及存储介质
WO2017014469A1 (ko) 질병 위험도 예측 방법 및 이를 수행하는 장치
WO2022045425A1 (ko) 역강화학습 기반 배달 수단 탐지 장치 및 방법
WO2020059939A1 (ko) 인공지능 장치
WO2021210838A1 (ko) 다양한 오믹스 데이터 분석에 기초한 생체나이 예측방법 및 시스템
WO2021045293A1 (ko) 성분 분석 기능을 제공하는 제품 추천 장치 및 방법
WO2019189993A1 (ko) 스마트 칫솔 및 이동 단말기
WO2022050719A1 (ko) 사용자의 치매 정도 결정 방법 및 장치
WO2024039120A1 (ko) 센서를 구비한 휴대용 비대면 진단 장치
WO2016153132A1 (ko) 피부 측정기기 및 그 제어방법
WO2024014724A1 (ko) 뇌영상으로부터 뇌성별 및 뇌연령을 예측하는 방법 및 장치
WO2019147110A2 (ko) 자주 사용하는 앱 도출 방법 및 이를 이용한 도출 장치
WO2011065691A2 (ko) 뷰티체험실을 이용한 화장품 판매 관리시스템
WO2019013475A1 (ko) 피부 관리 시스템 및 이의 제어 방법
WO2020116703A1 (ko) 개인 맞춤형 화장품 정보 제공 시스템 및 방법
WO2022060025A1 (ko) 투표 관리 서버 및 투표 관리 프로그램
WO2022010168A1 (ko) 파킨슨병 환자에서 치매 발병 위험도 예측 방법 및 이를 이용한 치매 발병위험도 예측용 디바이스
WO2022139004A1 (ko) 청지각능력 훈련 방법
WO2023128284A1 (ko) 자궁 경부암의 진단에 대한 정보 제공 방법 및 이를 이용한 자궁 경부암의 진단에 대한 정보 제공용 디바이스
WO2023210889A1 (ko) 비대면 검체 앰플 공급 키오스크 시스템 및 그 방법
WO2021145740A1 (ko) 조직 건강 지수 평가 방법 및 이를 실행하는 컴퓨터 프로그램
WO2023277614A1 (ko) 사용자에게 교육 효과가 최대화되는 풀이 컨텐츠를 추천하는 방법, 장치, 및 시스템
WO2023068634A1 (ko) 퍼스널 컬러 인식 방법, 퍼스널 컬러 기반 아이템 추천 방법, 이들을 수행하는 장치 및 컴퓨터 프로그램

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20901228

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20901228

Country of ref document: EP

Kind code of ref document: A1

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 09.08.2022)

122 Ep: pct application non-entry in european phase

Ref document number: 20901228

Country of ref document: EP

Kind code of ref document: A1