KR102216885B1 - 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 - Google Patents
정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 Download PDFInfo
- Publication number
- KR102216885B1 KR102216885B1 KR1020200011797A KR20200011797A KR102216885B1 KR 102216885 B1 KR102216885 B1 KR 102216885B1 KR 1020200011797 A KR1020200011797 A KR 1020200011797A KR 20200011797 A KR20200011797 A KR 20200011797A KR 102216885 B1 KR102216885 B1 KR 102216885B1
- Authority
- KR
- South Korea
- Prior art keywords
- neural network
- signal
- processor
- output
- information
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 및 방법이 개시된다. 일실시예에 따른 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치는 인공지능을 기반으로 한 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에 있어서, 휴대용 단말기의 카메라를 이용해 대상 자산-자산은 약제, 의료용 기구, 일회용 처치 도구, 사무용품 및 전자 장치를 포함함-을 촬영한 사진을 획득하고, 사진을 촬영한 위치 정보 및 시간 정보를 획득하며, 사진을 인코딩 해 제1 입력 신호를 생성하고, 위치 정보 및 시간 정보를 기초로 제2 입력 신호를 생성하며, 제1 입력 신호 및 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 컨볼루션 신경망에 입력하고, 컨볼루션 신경망의 입력의 결과에 기초하여, 컨볼루션 신경망의 출력값 및 제어 장치 내 데이터베이스에 기 저장된 제1 출력 신호를 미리 학습된 뉴럴 네트워크에 입력하고, 뉴럴 네트워크의 입력의 결과에 기초하여, 수정된 제1 출력 신호를 획득하고, 수정된 제1 출력 신호에 기초하여, 휴대용 단말기에 자산 현황을 표시하고, 수정된 제1 출력 신호 내의 주문 정보에 기초하여, 제1 주문 신호를 생성 및 제1 네트워크 저장장치에 전송하고, 수정된 제1 출력 신호 및 제1 주문 신호를 데이터베이스 및 블록체인 네트워크에 저장할 수 있다.
Description
아래 실시예들은 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에 관한 것이다.
정신건강의학의 병원용 자산에는 병원용 약제, 전자 기기, 각종 의료 도구 및 처치 도구 등을 포함할 수 있다. 정신건강의학의 병원용 자산은 그 의료 분야의 특성상 사용하는 약제가 항정신병 약, 항불안제, 항우울제, 치매치료제 등을 포함하여, 이러한 자산은 철저한 관리를 필요로 한다. 따라서 대부분의 관리는 수동으로 이뤄지거나, 개별 자산을 하나하나 입력하는 과정을 필요로 한다. 인공지능을 활용해 편리하게 자산을 관리할 수 있으며, 안전하게 기록을 보존할 수 있는 자산 관리 방법에 대한 연구가 요구된다.
실시예들은 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에 딥러닝 기술을 적용해 병원용 자산을 효율적으로 관리하고자 한다.
실시예들은 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에서 자동화된 자산 관리 방법을 통해 자동으로 주문을 수행하고자 한다.
실시예들은 블록체인 네트워크를 통해 정보를 빅데이터화해 기록하고, 강회된 보안을 사용하고자 한다.
일실시예에 따른 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치는 인공지능을 기반으로 한 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에 있어서, 휴대용 단말기의 카메라를 이용해 대상 자산-상기 자산은 약제, 의료용 기구, 일회용 처치 도구, 사무용품 및 전자 장치를 포함함-을 촬영한 사진을 획득하는 단계; 상기 사진을 촬영한 위치 정보 및 시간 정보를 획득하는 단계; 상기 사진을 인코딩 해 제1 입력 신호를 생성하는 단계; 상기 위치 정보 및 상기 시간 정보를 기초로 제2 입력 신호를 생성하는 단계; 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 컨볼루션 신경망에 입력하는 단계; 상기 컨볼루션 신경망의 입력의 결과에 기초하여, 상기 컨볼루션 신경망의 출력값 및 제어 장치 내 데이터베이스에 기 저장된 제1 출력 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계; 상기 뉴럴 네트워크의 입력의 결과에 기초하여, 수정된 제1 출력 신호를 획득하는 단계; 상기 수정된 제1 출력 신호에 기초하여, 휴대용 단말기에 자산 현황을 표시하는 단계; 상기 수정된 제1 출력 신호 내의 주문 정보에 기초하여, 제1 주문 신호를 생성 및 제1 네트워크 저장장치에 전송하는 단계; 및 상기 수정된 제1 출력 신호 및 상기 제1 주문 신호를 상기 데이터베이스 및 블록체인 네트워크에 저장하는 단계를 포함할 수 있다.
일실시예에 따르면, 상기 컨볼루션 신경망이 출력값을 출력하는 단계는 상기 사진을 픽셀 별 색 정보-상기 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함함-를 데이터 시트 형태로 인코딩한 제1 입력 신호를 입력하는 단계; 상기 입력에 기초하여, 상기 사진 내 상기 대상 자산과 배경을 구분하는 단계; 상기 구분의 결과에 기초하여, 상기 대상 자산을 종류 별로 분류하는 단계; 상기 분류된 대상 자산의 개별 수량을 파악하는 단계; 및 상기 대상 자산의 종류 및 수량 정보를 포함한 출력값을 총 50개의 출력층 노드에 출력하는 단계를 포함하고, 상기 컨볼루션 신경망은 사용자의 입력에 따른 제1 학습 신호를 통해 학습을 할 수 있다.
일실시예에 따르면, 상기 50개의 출력층 노드는 상기 50개의 출력층 노드 중 상위 25개의 출력층 노드는 상기 대상 자산의 종류를 지시하고, 하위 25개의 출력층 노드는 상기 상위 25개의 출력층 노드에 대응하는 노드-상기 하위 25개의 노드는 26번째 노드가 1번째 노드에 대응하고, 27번째 노드가 2번째 노드에 대응하는 방식으로, 25+n번째 노드가 n번째 노드에 대응함-에 각각 그 수량을 지시하고, 상기 상위 25개의 출력층 노드에서 상기 대상 자산을 종류별로 정리하고 남은 노드에 숫자 '0'을 출력할 수 있다.
일실시예에 따르면, 상기 뉴럴 네트워크는 상기 컨볼루션 신경망의 출력값과 상기 데이터베이스 내 상기 제1 출력 신호를 입력으로 하고, 상기 제1 출력 신호로부터 얻은 정보와 상기 컨볼루션 신경망의 출력값 비교를 통해 상기 대상 자산의 사용량을 기록하고, 상기 대상 자산의 사용 빈도를 분석하고, 상기 대상 자산의 사용 빈도에 따른 이상 신호-상기 이상 신호는 병원의 규모, 환자의 평균 내원 수, 대응하는 자산과의 변형비 및 상기 대상 자산의 평균 사용량을 통해 예측된 평균값으로부터 15%이상 오차 발생 시 생성됨-를 감지하고, 상기 대상 자산의 사용 빈도에 따른 주문 정보를 포함해 수정된 제1 출력 신호를 생성하고, 사용자의 입력에 따른 제2 학습 신호를 통해 학습을 할 수 있다.
일실시에에 따르면, 상기 블록체인 네트워크는 상기 제1 출력 신호 및 상기 제1 주문 신호를 업데이트 날짜 별 누적 저장하는 블록들; 각 블록을 시간 순으로 연결하는 체인들; 및 상기 각 블록체인을 저장하는 상기 네트워크 저장장치들을 포함하는 프라이빗 블록체인 네트워크이고, 상기 네트워크 저장장치들은 상기 대상 자산의 제조 회사들을 포함하는 제1 네트워크 저장장치; 상기 대상 자산을 관리하는 병원을 포함하는 상기 제2 네트워크 저장장치; 상기 대상 자산과 관련된 공공기관을 포함하는 제3 네트워크 저장장치; 및 각 네트워크 저장장치들을 연결하는 초고속 인터넷 연결망을 포함할 수 있다.
일실시예에 따른 장치는 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.
실시예들은 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에 딥러닝 기술을 적용해 병원용 자산을 효율적으로 관리할 수 있다.
실시예들은 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에서 자동화된 자산 관리 방법을 통해 자동으로 주문을 수행할 수 있다.
실시예들은 블록체인 네트워크를 통해 정보를 빅데이터화해 기록하고, 강회된 보안을 사용할 수 있다.
도 1은 일실시예에 따른 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치를 설명하기 위한 순서도이다.
도 2는 일실시예에 따른 컨볼루션 신경망을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.
도 4는 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 일실시예에 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 컨볼루션 신경망을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.
도 4는 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 일실시예에 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다.
도 1은 일실시예에 따른 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치를 설명하기 위한 순서도이다.
일실시예에 따르면, 인공지능을 기반으로 한 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에 있어서, 정신건강의학의 병원용 자산 관리를 위한 제어 장치(이하, 제어 장치)는 휴대용 단말기의 카메라를 이용해 대상 자산을 촬영한 사진을 획득할 수 있다(101). 또한, 사진을 촬영한 위치 정보 및 시간 정보를 획득할 수 있다.
제어 장치는 기계 설비 공사 공정을 제어하는 장치로서, 예를 들어 소프트웨어 모듈, 하드웨어 모듈 또는 이들의 조합으로 구현될 수 있다.
일실시예에 따른 대상 자산은 약제, 의료용 기구, 일회용 처치 도구, 사무용품 및 전자 장치를 포함할 수 있다.
일실시예에 따른 약제는 경구 투여용, 주사용 및 도포용 약물을 포함하나 이에 국한하지 않는다. 약제는 자율 신경계, 심혈관계, 호흡기계, 소화기계, 근골격계, 중추신경계, 내분비계, 비뇨생식기계, 피부계, 감염성질환, 항우울제, 항불안제, 항정신병 약, 치매치료제 및 항암 약물 등을 포함하나, 이에 한정되지 않으며, 병원에서 사용되는 여타의 치료용 약물이 될 수도 있음을 의료 보건 분야의 통상의 지식을 가진 자라면 알 수 있다.
일실시예에 따른 의료용 기구는 주사 시린지, 겸자, 메스, 포셉, 켈리, 핀셋, 리트랙터, 시저, 미러 및 프루브 등이 있으나 이에 한정되지 않으며, 병원에서 사용되는 여타의 의료용 기구들이 될 수도 있음을 의료 보건 분야의 통상의 지식을 가진 자라면 알 수 있다.
일실시예에 따른 일회용 처치 도구는 붕대, 거즈, 밴드, 메스날, 주사 바늘, 일회용 내시경 도구, 봉합사 및 봉합침 등이 있으나 이에 한정되지 않으며, 병원에서 사용되는 여타의 일회용 처치 도구들이 될 수도 있음을 의료 보건 분야의 통상의 지식을 가진 자라면 알 수 있다.
일실시예에 따른 사무용품은 파일, 용지, 펜, 샤프, 지우개, 자, 수정 테이프, 클립보드, 가위, 풀, 테이프, 각도기 및 컴퍼스 등이 있으나 이에 한정되지 않으며, 병원에서 사용되는 여타의 사무용품들이 될 수도 있음을 의료 보건 분야의 통상의 지식을 가진 자라면 알 수 있다.
일실시예에 따르면, 전자 장치는 통신 기능을 갖춘 스마트 가전 제품(smart home appliance)일 수 있다. 스마트 가전 제품은, 예를 들자면, 전자 장치는 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스(set-top box), TV 박스(예를 들면, 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(game consoles), 전자 사전, 전자 키, 캠코더(camcorder), 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 전자 장치는 각종 의료기기(예: MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 초음파기 등), 네비게이션(navigation) 장치, GPS 수신기(global positioning system receiver), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트(infotainment) 장치, 선박용 전자 장비(예: 선박용 항법 장치 및 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛, 산업용 또는 가정용 로봇, 금융 기관의 ATM(automatic teller's machine) 또는 상점의 POS(point of sales) 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 전자 장치는 통신 기능을 포함한 가구(furniture) 또는 건물/구조물의 일부, 전자 보드(electronic board), 전자 사인 입력장치(electronic signature receiving device), 프로젝터(projector), 또는 각종 계측기기(예: 수도, 전기, 가스, 또는 전파 계측 기기 등) 중 적어도 하나를 포함할 수 있다. 일실시예에에 따른 전자 장치는 전술한 다양한 장치들 중 하나 또는 그 이상의 조합일 수 있다. 또한, 일실시예에 따른 전자 장치는 플렉서블 장치일 수 있다. 또한, 일실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않음은 당업자에게 자명하다. 다양한 실시예에서 이용되는 유저라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
일실시예에 따른 전자 장치는 프로세서, 메모리, 유저 인터페이스 및 통신 인터페이스를 포함하고, 다른 전자 장치와 네트워크를 통해 연결될 수 있다. 통신 인터페이스는 유, 무선 네트워크 또는 유선 직렬 통신 등을 통하여 소정 거리 이내의 다른 전자 장치와 데이터를 송수신할 수 있다. 네트워크는 일실시예에 따른 전자 장치와 다양한 개체들(entities) 간의 유, 무선 통신을 가능하게 한다. 전자 장치는 네트워크를 통해 다양한 개체들과 통신할 수 있고, 네트워크는 표준 통신 기술 및/또는 프로토콜들을 사용할 수 있다. 이때, 네트워크(network)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않으며, 정보를 송, 수신할 수 있는 다른 종류의 네트워크가 될 수도 있음을 통신 기술 분야의 통상의 지식을 가진 자라면 알 수 있다.
일실시예에 따른 휴대용 단말기는 통신 기능이 포함된 전자 장치일 수 있다. 예를 들면, 전자 장치는 스마트 폰(smartphone), 태블릿 PC(tablet personal computer), 이동 전화기(mobile phone), 화상전화기, 전자북 리더기(e-book reader), 데스크톱 PC(desktop personal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), MP3 플레이어, 모바일 의료기기, 카메라(camera), 또는 웨어러블 장치(wearable device)(예: 전자 안경과 같은 head-mounted-device(HMD), 전자 의복, 전자 팔찌, 전자 목걸이, 전자 앱세서리(appcessory), 전자 문신, 스마트카(smart car) 또는 스마트 와치(smartwatch)중 적어도 하나를 포함할 수 있다.
일실시예에 따른 휴대용 단말기는 사용자의 정보를 담을 수 있으며, 이 사용자 정보는 제1 입력 신호, 제1 출력 신호, 제1 주문 신호 등에 포함될 수 있다. 휴대용 단말기는 재고 확인의 기한이 임박하거나 넘은 경우, 음성 및 점등 신호를 통해 휴대용 단말기 사용자에게 재고 확인 기한이 임박하거나 넘은 사실을 인지하도록 할 수 있다. 휴대용 단말기의 사용은 일반적으로 24시간 당 1번으로 지정할 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 휴대용 단말기가 포함하는 카메라는 영상 촬영을 위한 Full HD(High Definition) 화질의 카메라 장비로서, 30내지 60프레임을 기준으로 하는 촬영 장비일 수 있다. 카메라는 노출, 셔터스피드, 감도를 자동으로 조절할 수 있으며, 사용자의 편의에 따라 수동 조절이 가능할 수 있다.
일실시예에 따르면, 제어 장치는 사진을 인코딩 해 제1 입력 신호를 생성할 수 있다(102). 또한, 사진을 촬영한 위치 정보 및 시간 정보를 기초로 제2 입력 신호를 생성할 수 있다.
일실시예에 따르면, 제어 장치는 사진의 픽셀을 색 정보로 인코딩해 제1 입력 신호를 생성할 수 있다. 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다. 제어 장치는 색 정보를 수치화된 값으로 환산할 수 있으며, 이 값을 포함한 데이터 시트 형태로 사진을 인코딩할 수 있다.
일실시예에 따르면, 제어 장치는 제1 입력 신호 및 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 컨볼루션 신경망에 입력할 수 있다(103).
일실시예에 따른 컨볼루션 신경망은 특징 추출 신경망과 분류 신경망으로 구성돼있으며 특징 추출 신경망은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.
일실시예에 따르면, 분류 신경망은 은닉층과 출력층을 가지고 있다. 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치를 위한 컨볼루션 신경망에서는 일반적으로 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망의 출력층 노드는 총 50개로 할 수 있다. 컨볼루션 신경망에 대한 자세한 설명은 도 2를 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 컨볼루션 신경망의 입력의 결과에 기초하여, 컨볼루션 신경망의 출력값 및 제어 장치 내 데이터베이스에 기 저장된 제1 출력 신호를 미리 학습된 뉴럴 네트워크에 입력할 수 있다(104).
일실시예에 따르면, 컨볼루션 신경망의 50개 출력층 노드는 상위 25개의 출력층 노드와 하위 25개의 출력층 노드를 포함할 수 있다. 컨볼루션 신경망의 50개 출력층 노드 중 상위 25개의 출력층 노드는 대상 자산의 종류를 지시할 수 있다. 하위 25개의 노드는 상위 25개의 노드에 대응하는 대상 자산의 수를 지시할 수 있다. 이에 따라 출력되는 출력값은 뉴럴 네트워크의 입력으로 사용될 수 있다. 컨볼루션 신경망의 출력에 관한 자세한 설명은 도 2를 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 데이터베이스 내에 기 저장된 제1 출력 신호를 뉴럴 네트워크에 입력으로 사용할 수 있다. 입력으로 사용되는 제1 출력 신호는 컨볼루션 신경망의 연산을 통해 출력된 출력값을 비교를 통해 분석하고, 제1 출력 신호에 누적된 정보를 활용하기 위함일 수 있다. 뉴럴 네트워크의 입력에 관한 자세한 설명은 도 3을 참조하여 후술한다.
일실시예에 따르면, 제어 장치는 뉴럴 네트워크의 입력의 결과에 기초하여, 수정된 제1 출력 신호를 획득할 수 있다(105).
일실시예에 따른 수정된 제1 출력 신호는 뉴럴 네트워크를 통해 입력된 제1 출력 신호에 컨볼루션 신경망의 연산 결과인 출력값을 비교 누적해 생성될 수 있다. 생성된 제1 출력 신호는 대상 자산의 사용량, 사용 빈도, 이상 신호 및 주문 정보를 포함할 수 있으나, 이에 국한하지 않는다. 제1 출력 신호에 관한 자세한 설명은 도 3을 참조하여 후술한다.
실시예들은 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에 딥러닝 기술을 적용해 병원용 자산을 효율적으로 관리할 수 있다.
일실시예에 따르면, 제어 장치는 수정된 제1 출력 신호에 기초하여, 휴대용 단말기에 자산 현황을 표시할 수 있다(106).
일실시예에 따른 휴대용 단말기의 모니터는 LCD, LED, OLED 및 QLED 디스플레이 중 어느 하나일 수 있으나 이에 국한하지 않는다. 모니터의 해상도는 일반적으로 1334 X 750 pixel 내지 2436 X 1125 pixel 수준이나 이에 국한하지 않는다.
일실시예에 따른 자산 현황은 자산의 종류, 수량, 사용량, 사용 빈도, 이상 신호, 주문 정보 등일 수 있으나, 이에 국한하지 않는다. 휴대용 단말기는 자산의 종류, 수량, 사용량, 사용 빈도를 숫자 및 그래프로 표시할 수 있으며, 이상 신호의 경우 주황색 또는 빨강색의 빛으로 사용자에게 주의를 줄 수 있다. 주문 정보는 사용 빈도 및 현 수량을 기준으로 불필요, 주문 추천 및 필요 임박 등으로 나눌 수 있으나 이에 국한하지 않는다. 주문 정보에 따라 불필요의 경우, 특별한 신호 발생이 없다. 주문 추천의 경우, 재고량 소진 예정일이 3일 남은 경우에 발생할 수 있으며, 사용자에게 현 시점에서 주문을 하는 것이 좋다고 추천할 수 있다. 필요 임박의 경우, 재고량 소진 예정일 하루 전인 경우 발생할 수 있으며, 사용자에게 수 차례 알림 신호를 생성 및 전달할 수 있다. 사용자는 주문 추천 및 필요 임박 중 어느 하나에 자동 주문 신호 생성을 설정해 놓을 수 있으며, 이에 따라 제1 주문 신호가 생성될 수 있다.
일실시예에 따르면, 제어 장치는 수정된 제1 출력 신호 내의 주문 정보에 기초하여, 제1 주문 신호를 생성 및 제1 네트워크 저장장치에 전송할 수 있다(107).
일실시예에 따르면, 제어 장치는 수정된 제1 출력 신호 내의 주문 정보에 기초하여, 주문 정보가 주문 추천 또는 필요 임박 시 사용자가 미리 지정해 둔 시점에 자동으로 제1 주문 신호를 생성할 수 있다. 제어 장치는 또한 사용자가 수동으로 주문을 하기 위한 입력을 발생시킬 시, 이에 대응하여 제1 주문 신호를 생성할 수 있다.
일실시예에 따른 제1 주문 신호는 블록체인 네트워크에서 제어 장치를 포함하는 제2 네트워크 저장장치로부터 대상 자산을 생산하는 제1 네트워크 저장장치로 전송될 수 있다.
일실시예에 따르면, 제어 장치는 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에서 자동화된 자산 관리 방법을 통해 자동으로 주문을 수행할 수 있다.
일실시예에 따르면, 제어 장치는 수정된 제1 출력 신호 및 제1 주문 신호를 데이터베이스 및 블록체인 네트워크에 저장할 수 있다(108).
일실시예에 따르면, 제어 장치는 수정된 제1 출력 신호 및 제1 주문 신호를 데이터베이스에 저장하고, 블록체인 네트워크에 누적 저장할 수 있다. 수정된 제1 출력 신호는 데이터베이스를 거쳐 기 저장된 제1 출력 신호로 사용될 수 있다. 블록체인 네트워크는 제1 출력 신호 및 제1 주문 신호를 시간대별로 누적 저장할 수 있으며, 이를 빅데이터화 해 보관할 수 있다. 블록체인 네트워크의 각 네트워크 저장장치들은 이 누적된 제1 출력 신호 및 제1 주문 신호들을 바탕으로 형성된 블록들을 생성 및 검증할 수 있다. 블록체인 네트워크에 관한 자세한 설명은 도 4를 참조하여 후술한다.
도 2는 일실시예에 따른 컨볼루션 신경망을 설명하기 위한 도면이다.
일실시예에 따른 컨볼루션 신경망(201)은 휴대용 단말기의 카메라로 촬영된 사진의 인코딩에 의해 생성된 제1 입력 신호 및 사진을 촬영한 위치 정보 및 시간 정보를 기초로 생성된 제2 입력 신호를 입력으로 하고, 대상 자산의 종류(202) 및 수량(203)을 출력으로 할 수 있다.
일실시예에 따른 인코딩은 사진의 픽셀 별 색 정보를 수치화된 데이터 시트 형태로 저장하는 방식으로 이뤄질 수 있는데, 색 정보는 하나의 픽셀이 가지고 있는 RGB 색상, 명도 정보, 채도 정보를 포함할 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 컨볼루션 신경망(201)은 특징 추출 신경망(210)과 분류 신경망(220)으로 구성돼있으며 특징 추출 신경망(210)은 대상 자산을 찍은 사진에서 대상 자산과 배경을 분리하는 작업을 수행할 수 있으며, 분류 신경망(220)은 그로부터 대상 자산을 종류별로 분류하고, 각각의 수량(203)을 파악하는 작업을 수행하도록 할 수 있다. 특징 추출 신경망(210)이 대상 자산을 배경과 구분하는 방법은, 사진을 인코딩한 제1 입력 신호의 데이터 시트로부터 색 정보의 각 값들의 변화가 한 픽셀을 포함하는 8개의 픽셀 중 6개 이상에서 30% 이상의 변화가 생긴 것으로 감지되는 픽셀들의 묶음을 대상 자산과 배경의 경계로 삼을 수 있으나, 이에 국한하지 않는다.
일실시예에 따르면, 특징 추출 신경망(210)은 입력 신호를 컨볼루션 계층과 풀링 계층을 차례로 쌓아 진행한다. 컨볼루션 계층은 컨볼루션 연산, 컨볼루션 필터 및 활성함수를 포함하고 있다. 컨볼루션 필터의 계산은 대상 입력의 행렬 크기에 따라 조절되나 일반적으로 9X9 행렬을 사용한다. 활성 함수는 일반적으로 ReLU 함수, 시그모이드 함수, 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 풀링 계층은 입력의 행렬 크기를 줄이는 역할을 하는 계층으로, 특정 영역의 픽셀을 묶어 대표값을 추출하는 방식을 사용한다. 풀링 계층의 연산에는 일반적으로 평균값이나 최대값을 많이 사용하나 이에 한정하지 않는다. 해당 연산은 정방 행렬을 사용하여 진행되는데, 일반적으로 9X9 행렬을 사용한다. 컨볼루션 계층과 풀링 계층은 해당 입력이 차이를 유지한 상태에서 충분히 작아질 때까지 번갈아 반복 진행된다.
일실시예에 따른 분류 신경망(220)은 특징 추출 신경망(210)을 통해 배경으로부터 구분된 대상 자산을 그 형태 및 연속성에 따라 종류를 구분하고, 수량(203)을 파악할 수 있다. 대상 자산의 비교를 위해 데이터베이스에 저장된 정보들을 활용할 수 있다. 분류 신경망(220)은 대상 자산의 종류(202)를 파악하는 작업을 우선으로 하며, 파악된 대상 자산의 형태 및 크기에 따라 수량(203) 파악을 용이하도록 할 수 있다. 분류 신경망(220)은 사진을 촬영한 시간 정보 및 위치 정보를 기초로 자산별 중복 여부, 정돈 여부 등을 파악할 수 있다.
일실시예에 따르면, 분류 신경망(220)은 은닉층과 출력층을 가지고 있다. 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치를 위한 컨볼루션 신경망(201)에서는 일반적으로 은닉층이 5개 이상 존재하며, 각 은닉층의 노드는 80개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 컨볼루션 신경망(201)의 출력층 노드는 총 50개로 할 수 있다.
일실시예에 따른 컨볼루션 신경망(201)의 출력은 출력층의 50개 노드 중 상위 25개의 노드는 대상 자산의 종류(202)를 지시할 수 있고, 하위 25개의 노드는 상위 노드에 각각 대응하는 수량(203)을 지시할 수 있다. 상위 25개의 노드와 하위 25개의 노드를 대응시키는 방식은 상위 n번 째 노드와 하위 n번 째 노드를 대응시키는 방식으로, 전체에서 n번 째 노드가 전체에서 25+n번 째 노드에 대응하는 방식으로 진행될 수 있다. 예를 들어, 1번 째 노드는 26번 째 노드에 대응하며, 2번 째 노드는 27번 째 노드에, 10번 째 노드는 35번 째 노드에, 25번 재 노드는 50번 째 노드에 대응하는 방식으로 진행될 수 있다. 대상 자산의 종류(202)는 대상 자산에 대응하는 코드 정보로 출력될 수 있으나, 이에 국한하지 않는다. 컨볼루션 신경망(201)의 50개의 출력층 노드 중 출력값이 없는 출력층 노드는 숫자 '0'을 그 출력값으로 출력할 수 있다. 상위 25개의 노드 중에 이 숫자 '0'이 포함되는 노드들은 해당하는 대상 자산이 없는 것으로 간주하여, 향후 뉴럴 네트워크의 연산 시에 연산에서 배제될 수 있다. 만약 분류된 대상 자산의 종류가 25개 이상일 경우, 남은 대상 자산은 미리 생성한 출력값이 모두 처리된 후 자동으로 처리될 수 있다.
일실시예에 따르면, 컨볼루션 신경망(201)은 사용자가 컨볼루션 신경망(201)에 따른 재고 파악의 문제점 발견 시 사용자에 의해 입력된 수정 정답에 의해 생성되는 제1 학습 신호를 전달받아 학습할 수 있다. 컨볼루션 신경망(201)에 따른 재고 파악의 문제점은 재고의 종류 및 수량(203)에 문제가 있는 경우를 의미할 수 있다.
일실시예에 따른 제1 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제1 학습 신호에 의해 컨볼루션 신경망(201)은 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.
도 3은 일실시예에 따른 뉴럴 네트워크를 설명하기 위한 도면이다.
일실시예에 따른 뉴럴 네트워크(301)는 컨볼루션 신경망의 출력인 대상 자산의 종류(202) 및 수량(203), 데이터베이스(303) 내에 미리 저장돼있던 기존의 제1 출력 신호(310)를 입력으로 할 수 있다.
일실시예에 따르면, 뉴럴 네트워크(301)의 입력은 일반적으로 컨볼루션 신경망의 출력인 대상 자산의 종류(202) 및 수량(203)을 포함하는 1행 50열의 매트릭스, 제1 출력 신호(310)의 1행 500열의 매트릭스가 합쳐진 총 1행 500열의 매트릭스로 이뤄질 수 있으나, 이에 국한하지 않는다. 특히, 제1 출력 신호(310)의 경우 그 대상 자산의 종류(202)에 따라 열의 개수가 증가할 수 있다. 따라서, 뉴럴 네트워크(301)의 입력이 되는 입력층 노드는 총 550개로 이뤄질 수 있으며, 출력층 노드는 5개의 노드로 이뤄질 수 있다.
일실시예에 따른 뉴럴 네트워크(301)는 제1 출력 신호(310)가 포함하는 정보들로부터 컨볼루션 신경망의 출력인 대상 자산의 종류(202) 및 수량(203)에 대한 평가가 이뤄지도록 할 수 있다. 뉴럴 네트워크(301)의 평가는 대상 자산의 사용량, 사용 빈도 등을 포함할 수 있으며, 이에 따른 이상 신호의 감지를 할 수 있다. 이상 신호는 대상 자산을 취급하는 병원의 규모, 환자의 평균 내원 수, 대응하는 자산과의 변형비 및 대상 자산의 평균 사용량을 통해 예측된 평균값으로부터 15%이상 오차가 생길 때 발생할 수 있다. 병원의 규모에 맞지 않는 사용량 변화, 환자 대비 과도한 사용량, 대응하는 자산과의 비교에서 나타나는 이상 변화 수량(203) 값, 대상 자산의 평균 사용량과의 차이가 큰 경우 이상 신호가 발생할 수 있다. 이상 신호를 위한 평균값의 예측은 뉴럴 네트워크(301)를 통해 계산될 수 있으며, 이 계산은 제1 출력 신호(310)가 포함하고 있는 누적된 정보들을 통해 이뤄질 수 있다. 뉴럴 네트워크(301)는 대상 자산의 사용 빈도를 통해 현재의 대상 자산의 수량(203)에 대한 변화를 예측하고, 이를 바탕으로 주문 정보를 생성할 수 있다. 뉴럴 네트워크(301)를 통해 생성되는 주문 정보는 불필요, 주문 추천 및 필요 임박일 수 있으며, 주문 추천은 재고량 소진 예측일의 3일 전, 필요 임박은 재고량 소진 예측일의 1일 전에 생성될 수 있다.
일실시예에 따르면, 정신건각의학의 병원용 자산 관리를 위한 방법의 뉴럴 네트워크(301)는 은닉층이 3개 이상 존재하며, 각 은닉층의 노드는 100개로 지정하나 경우에 따라 그 이상으로 정할 수 있다. 은닉층의 활성함수는 ReLU 함수, 시그모이드 함수 및 tanh 함수 등을 사용하나 이에 한정하지 않는다. 출력층 노드는 5개일 수 있으나, 이에 국한하지 않는다. 각각의 출력층 노드는 대상 자산의 종류(202), 수량(203) 및 사용량, 사용 빈도, 이상 신호, 주문 정보를 포함할 수 있다. 출력층 노드의 출력값은 0.02초 간격으로 변화하며, 각 대상 자산들의 종류별 해당 출력값을 추출해낼 수 있다.
일실시예에 따르면, 뉴럴 네트워크(301)는 출력층 노드의 출력값이 0.02초 간격으로 총 25개의 대상 자산에 대한 출력 결과를 나타내는 동안, 즉 0.5초 동안 모인 출력 결과들을 바탕으로 기존의 제1 출력 신호(310)를 수정할 수 있다. 뉴럴 네트워크(301)는 기존의 제1 출력 신호(310) 내에 포함돼있던 해당 대상 자산들의 값들을 수정할 수 있으며, 촬영된 사진으로부터 만들어진 제1 입력 신호에 포함되지 않았던 대상 자산들의 값들은 그대로 보존하도록 할 수 있다. 뉴럴 네트워크는 수정된 제1 출력 신호(320)를 출력값으로 할 수 있다.
일실시예에 따른 뉴럴 네트워크(301)는 사용자의 입력에 의해 학습을 진행할 수 있다. 사용자는 뉴럴 네트워크(301)의 분석이 잘못됐다고 판단될 경우, 뉴럴 네트워크(301)의 학습을 위한 제2 학습 신호를 생성할 수 있다.
일실시예에 따른 제2 학습 신호는 정답과 출력값의 오차를 바탕으로 만들어지며, 경우에 따라 델타를 이용하는 SGD나 배치 방식 혹은 역전파 알고리즘을 따르는 방식을 사용할 수 있다. 본 제2 학습 신호에 의해 뉴럴 네트워크(301)는 기존의 가중치를 수정해 학습을 수행하며, 경우에 따라 모멘텀을 사용할 수 있다. 오차의 계산에는 비용함수가 사용될 수 있는데, 비용함수로 Cross entropy 함수를 사용할 수 있다.
도 4은 일실시예에 따른 블록체인 네트워크를 설명하기 위한 도면이다.
도 4를 참조하면, 제1 출력 신호 및 제1 주문 신호를 업데이트 날짜 별 누적 저장하는 블록(401)들; 각 블록(401)을 시간 순으로 연결하는 체인(402)들; 및 각 블록체인을 저장하는 제1(410), 제2(420) 및 제3 네트워크 저장장치(430)를 포함하는 프라이빗 블록체인 네트워크일 수 있다.
일실시예에 따르면, 블록체인 네트워크의 블록(401)은 제1 출력 신호 및 제1 주문 신호를 업데이트 날짜 별 누적 저장할 수 있는데, 일반적으로 시간 순으로 연결이 되며, 이에 따라 10분 간격으로 새로운 블록(401)들이 생산될 수 있다. 이미 생성된 블록(401)의 내용들은 모든 네트워크 저장장치들에 저장되며, 시간 내에 과반수의 내용이 변경되지 않는 한 변경될 수 없는 구조로 되어있다. 예를 들어, 총 3개의 네트워크 저장장치를 가진 블록체인 네트워크에서 각 네트워크 저장장치 당 1개씩의 블록(401)을 가지고 있다고 했을 때, 제한된 시간 내에 2개 이상의 블록(401)의 내용을 바꾸지 못하면, 각 블록(401)은 검증을 통해 과반수와 다른 내용의 블록(401)을 과반수와 같도록 값을 재변경 시킬 수 있다. 이에 따라 높은 보안을 유지할 수 있는데, 실제로 블록체인 네트워크에 참여하는 네트워크 저장장치의 수는 수십에서 수십만에 달할 수 있기 때문에 더욱 높은 보안성을 나타낼 수 있다.
일실시예에 따른 체인(402)들은 해시값으로 구성될 수 있다. 체인(402)들은 블록(401)을 시간 순으로 연속되도록 하는데, 이 때 해시값을 이용해 각 블록(401)들이 연결되게 할 수 있다. 블록(401)에는 데이터베이스 및 데이터베이스의 해시값, 이전 헤더 및 현 블록의 헤더를 보관할 수 있다. 여기서 현 블록의 헤더는 다음 블록에서 이전 헤더의 기능을 하게 되어 각 블록(401)들은 유기적으로 연결될 수 있다. 더불어 해시값은 블록의 내용이 조금이라도 바뀌면 완전히 다른 형태로 변형이 되는데, 이 때문에 데이터베이스의 내용을 변경하려는 시도를 효과적으로 막을 수 있다. 현 블록의 헤더는 데이터베이스, 데이터베이스의 해시값 및 이전 헤더를 포함한 총 합의 해시값이 되기 때문에, 데이터베이스와 해시값을 효과적으로 수정해 보안을 해치려는 시도도 성공하기 어렵게 된다. 왜냐하면 데이터베이스와 해시값을 수정하는 순간, 헤더의 내용도 바뀌게 되고 이에 따라 다음 블록에 들어가는 이전 헤더도 바뀌게 되며, 이에 따라 그 블록의 헤더도 바뀌어 다음 블록의 이전 헤더를 다시 바꾸게 될 수 있다. 즉, 이후의 모든 블록(401)을 해킹해야만 하게 된다. 따라서, 해시값을 통한 체인(402)으로 블록체인의 보안을 높일 수 있다.
일실시예에 따르면, 네트워크 저장장치들은 대상 자산의 제조 회사들을 포함하는 제1 네트워크 저장장치(410); 대상 자산을 관리하는 병원을 포함하는 제2 네트워크 저장장치(420); 대상 자산과 관련된 공공기관을 포함하는 제3 네트워크 저장장치(430); 및 각 네트워크 저장장치들을 연결하는 초고속 인터넷 연결망(403)을 포함할 수 있다. 제1, 제2 및 제3으로 분류된 네트워크 저장장치들은 포함된 실무자의 수, 사용자의 수 및 그 저장 장치의 수에 따라 결정될 수 있다.
일실시예에 따르면, 제1 네트워크 저장장치(410)는 대상 자산의 제조 회사들을 포함할 수 있으며, 대상 자산의 제조 회사는 1개 혹은 그 이상일 수 있으며, 각 회사가 사용하는 저장 장치의 수에 따라 그 수가 결정 될 수 있다. 제1 네트워크 저장장치(410)는 블록체인 네트워크를 통해 본인들이 제조하는 대상 자산의 사용 현황 및 사용시 발생하는 문제 등을 파악할 수 있으며, 제1 주문 신호를 통해 들어온 주문을 처리할 수 있다.
일실시예에 따르면, 제2 네트워크 저장장치(420)는 대상 자산을 관리하는 병원을 포함할 수 있다. 제2 네트워크 저장장치(420)는 휴대용 단말기 및 정신건강의학의 병원용 자산 관리를 위한 제어 장치를 사용하는 사용자들과 가장 가까운 거리의 네트워크 저장장치로, 데이터베이스, 컨볼루션 신경망 및 뉴럴 네트워크의 기능을 수정하고, 극대화할 수 있는 환경을 제공할 수 있다. 제2 네트워크 저장장치(420)의 제어 장치는 제1 출력 신호에 기초하여 제1 주문 신호를 생성할 수 있으며, 제1(410) 네트워크 저장장치와 신호를 주고 받는 중심적 주체가 될 수 있다.
일실시예에 따르면, 제3 네트워크 저장장치(430)는 대상 자산과 관련된 공공기관을 포함할 수 있다. 제3 네트워크 저장장치(430)는 일반적으로 의료 및 보건과 관련된 공공기관을 포함할 수 있는데, 공공기관들의 참여를 통해 병원의 투명 관리 및 안전 관리 여부를 보장받을 수 있다. 제3 네트워크 저장장치(430) 사용자는 대상 자산의 제1 출력 신호에서 이상 신호가 발생시 추적을 하는 기관으로서, 블록체인 네트워크의 기록을 바탕으로 이를 추적할 수 있다. 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치는 블록체인 네트워크를 통해 정보를 빅데이터화 하고, 강회된 보안을 사용할 수 있다
일실시예에 따른 초고속 인터넷 연결망(403)은 유선, 무선, 광케이블 기술 등을 포함하는 연결망으로 LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등을 포함하나 이에 한정되지 않는다.
도 5는 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(1201)는 프로세서(1202) 및 메모리(1203)를 포함한다. 일실시예에 따른 장치(1201)는 상술한 서버 또는 단말일 수 있다. 프로세서는 도 1 내지 도 4를 통하여 전술한 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 4를 통하여 전술한 적어도 하나의 방법을 수행할 수 있다. 메모리(1203)는 상술한 방법과 관련된 정보를 저장하거나 상술한 방법이 구현된 프로그램을 저장할 수 있다. 메모리(1203)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
일실시예에 따르면, 프로세서(1202)는 프로그램을 실행하고, 장치(1201)를 제어할 수 있다. 프로세서(1202)에 의하여 실행되는 프로그램의 코드는 메모리(1203)에 저장될 수 있다. 장치(1201)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (5)
- 인공지능을 기반으로 한 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치에 있어서,
프로세서에서, 휴대용 단말기의 카메라를 이용해 대상 자산-상기 자산은 약제, 의료용 기구, 일회용 처치 도구, 사무용품 및 전자 장치를 포함함-을 촬영한 사진을 획득하는 단계;
상기 프로세서에서, 상기 사진을 촬영한 위치 정보 및 시간 정보를 획득하는 단계;
상기 프로세서에서, 상기 사진을 인코딩 해 제1 입력 신호를 생성하는 단계;
상기 프로세서에서, 상기 위치 정보 및 상기 시간 정보를 기초로 제2 입력 신호를 생성하는 단계;
상기 프로세서에서, 상기 제1 입력 신호 및 상기 제2 입력 신호를 제어 장치 내 임베디드 컴퓨터의 미리 학습된 컨볼루션 신경망에 입력하는 단계;
상기 프로세서에서, 상기 컨볼루션 신경망의 입력의 결과에 기초하여, 상기 컨볼루션 신경망의 출력값 및 제어 장치 내 데이터베이스에 기 저장된 제1 출력 신호를 미리 학습된 뉴럴 네트워크에 입력하는 단계;
상기 프로세서에서, 상기 뉴럴 네트워크의 입력의 결과에 기초하여, 수정된 제1 출력 신호를 획득하는 단계;
상기 프로세서에서, 상기 수정된 제1 출력 신호에 기초하여, 휴대용 단말기에 자산 현황을 표시하는 단계;
상기 프로세서에서, 상기 수정된 제1 출력 신호 내의 주문 정보에 기초하여, 제1 주문 신호를 생성 및 제1 네트워크 저장장치에 전송하는 단계; 및
상기 프로세서에서, 상기 수정된 제1 출력 신호 및 상기 제1 주문 신호를 상기 데이터베이스 및 블록체인 네트워크에 저장하는 단계
를 포함하는
정신건강의학의 병원용 자산 관리를 위한 방법.
- 제1 항에 있어서,
상기 컨볼루션 신경망이 출력값을 출력하는 단계는
상기 프로세서에서, 상기 사진을 픽셀 별 색 정보-상기 색 정보는 RGB 색상 정보, 명도 정보, 채도 정보를 포함함-를 데이터 시트 형태로 인코딩한 제1 입력 신호를 입력하는 단계;
상기 프로세서에서, 상기 입력에 기초하여, 특징 추출 신경망과 분류 신경망을 거쳐 상기 사진 내 상기 대상 자산과 배경을 구분하는 단계;
상기 프로세서에서, 상기 구분의 결과에 기초하여, 상기 대상 자산을 종류 별로 분류하는 단계;
상기 프로세서에서, 상기 분류된 대상 자산의 개별 수량을 파악하는 단계; 및
상기 프로세서에서, 상기 대상 자산의 종류 및 수량 정보를 포함한 출력값을 총 50개의 출력층 노드에 출력하는 단계
를 포함하고,
상기 컨볼루션 신경망은 사용자의 입력에 따른 제1 학습 신호를 통해 학습을 하는
정신건강의학의 병원용 자산 관리를 위한 방법.
- 제2 항에 있어서,
상기 50개의 출력층 노드는
상기 50개의 출력층 노드 중 상위 25개의 출력층 노드는 상기 대상 자산의 종류를 지시하고,
하위 25개의 출력층 노드는 상기 상위 25개의 출력층 노드에 대응하는 노드-상기 하위 25개의 노드는 26번째 노드가 1번째 노드에 대응하고, 27번째 노드가 2번째 노드에 대응하는 방식으로, 25+n번째 노드가 n번째 노드에 대응함-에 각각 그 수량을 지시하고,
상기 상위 25개의 출력층 노드에서 상기 대상 자산을 종류별로 정리하고 남은 노드에 숫자 '0'을 출력하는
정신건강의학의 병원용 자산 관리를 위한 방법.
- 제1 항에 있어서,
상기 뉴럴 네트워크는
상기 컨볼루션 신경망의 출력값과 상기 데이터베이스 내 상기 제1 출력 신호를 입력으로 하고,
상기 제1 출력 신호로부터 얻은 정보와 상기 컨볼루션 신경망의 출력값 비교를 통해 상기 대상 자산의 사용량을 기록하고,
상기 대상 자산의 사용 빈도를 분석하고,
상기 대상 자산의 사용 빈도에 따른 이상 신호-상기 이상 신호는 병원의 규모, 환자의 평균 내원 수, 대응하는 자산과의 변형비 및 상기 대상 자산의 평균 사용량을 통해 예측된 평균값으로부터 15%이상 오차 발생 시 생성됨-를 감지하고,
상기 대상 자산의 사용 빈도에 따른 주문 정보를 포함해 수정된 제1 출력 신호를 생성하고,
사용자의 입력에 따른 제2 학습 신호를 통해 학습을 하는
정신건강의학의 병원용 자산 관리를 위한 방법.
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200011797A KR102216885B1 (ko) | 2020-01-31 | 2020-01-31 | 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200011797A KR102216885B1 (ko) | 2020-01-31 | 2020-01-31 | 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102216885B1 true KR102216885B1 (ko) | 2021-02-17 |
Family
ID=74731978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200011797A KR102216885B1 (ko) | 2020-01-31 | 2020-01-31 | 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102216885B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102426837B1 (ko) | 2021-06-30 | 2022-07-29 | 주식회사 제로원파트너스 | 인공지능 기반 약제 관리 방법, 장치 및 시스템 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0231213B2 (ko) * | 1983-12-24 | 1990-07-12 | Baieritsushe Mootooren Ueruke Ag | |
JP2002203099A (ja) * | 2000-12-28 | 2002-07-19 | Ricoh Co Ltd | 資産管理システム、方法及び記録媒体 |
KR100717997B1 (ko) | 2005-08-30 | 2007-05-15 | 고려대학교 산학협력단 | 병원 그룹 및 단위 병원 원가관리 방법, 그 장치 및 시스템 |
JP2015069358A (ja) * | 2013-09-27 | 2015-04-13 | 共同印刷株式会社 | 物品管理システム及び方法 |
KR20160016317A (ko) | 2014-08-05 | 2016-02-15 | 주식회사 제이디아이앤에스 | 중소 병원의 자원 관리 시스템 및 그 방법 |
KR101820425B1 (ko) | 2016-05-27 | 2018-01-22 | 주식회사 비트컴퓨터 | 병원 내 의료기기 관리를 위한 네트워크 게이트웨이 |
US20180136633A1 (en) * | 2016-05-20 | 2018-05-17 | Moog Inc. | Outer space digital logistics system |
KR101964733B1 (ko) | 2018-08-09 | 2019-04-02 | 주식회사 아롬정보기술 | 블록체인 및 인공지능 기반의 개인 맞춤형 건강 관리 시스템 및 이를 이용한 블록체인 및 인공지능 기반의 개인 맞춤형 건강 관리 서비스 제공 방법 |
KR20190087351A (ko) * | 2019-07-05 | 2019-07-24 | 엘지전자 주식회사 | 머신 러닝 시스템, 방법 및 장치 |
KR20190120501A (ko) * | 2018-04-16 | 2019-10-24 | 가온미디어 주식회사 | 프라이빗 블록체인 기반의 오픈마켓 플랫폼 시스템 |
-
2020
- 2020-01-31 KR KR1020200011797A patent/KR102216885B1/ko active IP Right Grant
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0231213B2 (ko) * | 1983-12-24 | 1990-07-12 | Baieritsushe Mootooren Ueruke Ag | |
JP2002203099A (ja) * | 2000-12-28 | 2002-07-19 | Ricoh Co Ltd | 資産管理システム、方法及び記録媒体 |
KR100717997B1 (ko) | 2005-08-30 | 2007-05-15 | 고려대학교 산학협력단 | 병원 그룹 및 단위 병원 원가관리 방법, 그 장치 및 시스템 |
JP2015069358A (ja) * | 2013-09-27 | 2015-04-13 | 共同印刷株式会社 | 物品管理システム及び方法 |
KR20160016317A (ko) | 2014-08-05 | 2016-02-15 | 주식회사 제이디아이앤에스 | 중소 병원의 자원 관리 시스템 및 그 방법 |
US20180136633A1 (en) * | 2016-05-20 | 2018-05-17 | Moog Inc. | Outer space digital logistics system |
KR101820425B1 (ko) | 2016-05-27 | 2018-01-22 | 주식회사 비트컴퓨터 | 병원 내 의료기기 관리를 위한 네트워크 게이트웨이 |
KR20190120501A (ko) * | 2018-04-16 | 2019-10-24 | 가온미디어 주식회사 | 프라이빗 블록체인 기반의 오픈마켓 플랫폼 시스템 |
KR101964733B1 (ko) | 2018-08-09 | 2019-04-02 | 주식회사 아롬정보기술 | 블록체인 및 인공지능 기반의 개인 맞춤형 건강 관리 시스템 및 이를 이용한 블록체인 및 인공지능 기반의 개인 맞춤형 건강 관리 서비스 제공 방법 |
KR20190087351A (ko) * | 2019-07-05 | 2019-07-24 | 엘지전자 주식회사 | 머신 러닝 시스템, 방법 및 장치 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102426837B1 (ko) | 2021-06-30 | 2022-07-29 | 주식회사 제로원파트너스 | 인공지능 기반 약제 관리 방법, 장치 및 시스템 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240233895A1 (en) | System, server and method for predicting adverse events | |
US10679754B2 (en) | Systems and methods to improve lung function protocols | |
Talahua et al. | Facial recognition system for people with and without face mask in times of the covid-19 pandemic | |
KR102177852B1 (ko) | 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 | |
US20190087544A1 (en) | Surgery Digital Twin | |
Dahmen et al. | Activity learning as a foundation for security monitoring in smart homes | |
Birkhoff et al. | A review on the current applications of artificial intelligence in the operating room | |
US20150106123A1 (en) | Intelligent continuity of care information system and method | |
EP3243163B1 (en) | Method and apparatus for recognition of patient activity | |
Papagiannaki et al. | Recognizing physical activity of older people from wearable sensors and inconsistent data | |
Shah et al. | Health Care Digital Revolution During COVID-19 | |
JP7170411B2 (ja) | 情報処理装置および方法およびコンピュータプログラム、並びに監視システム | |
Shah et al. | The role of the iot and digital twin in the healthcare digitalization process: Iot and digital twin in the healthcare digitalization process | |
KR102123112B1 (ko) | 병원용 자산 관리 시스템 및 방법 | |
Park et al. | Deep-care: Projection-based home care augmented reality system with deep learning for elderly | |
Rantz et al. | Automated fall detection with quality improvement “rewind” to reduce falls in hospital rooms | |
Howedi et al. | Exploring entropy measurements to identify multi-occupancy in activities of daily living | |
US20200143920A1 (en) | Systems for facilitating the management of healthcare delivery processes | |
Zekri et al. | A framework for detecting and analyzing behavior changes of elderly people over time using learning techniques | |
Ogunmola et al. | A holistic and state of the art of understanding the linkages of smart-city healthcare technologies | |
KR102216885B1 (ko) | 정신건강의학의 병원용 자산 관리를 위한 방법 및 장치 | |
Rahman et al. | Machine learning and deep learning-based approach in smart healthcare: Recent advances, applications, challenges and opportunities | |
Ogundokun et al. | Hybrid inceptionv3-svm-based approach for human posture detection in health monitoring systems | |
Kumar et al. | 6G-enabled IoT and AI for smart healthcare: Challenges, impact, and analysis | |
Cho et al. | Understanding artificial intelligence and predictive analytics: a clinically focused review of machine learning techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant |