KR20180126911A - 건강 관리 방법 및 장치 - Google Patents

건강 관리 방법 및 장치 Download PDF

Info

Publication number
KR20180126911A
KR20180126911A KR1020170061982A KR20170061982A KR20180126911A KR 20180126911 A KR20180126911 A KR 20180126911A KR 1020170061982 A KR1020170061982 A KR 1020170061982A KR 20170061982 A KR20170061982 A KR 20170061982A KR 20180126911 A KR20180126911 A KR 20180126911A
Authority
KR
South Korea
Prior art keywords
information
recipe
health
user
compliance
Prior art date
Application number
KR1020170061982A
Other languages
English (en)
Other versions
KR102321737B1 (ko
Inventor
김근영
Original Assignee
(주)오상헬스케어
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 (주)오상헬스케어 filed Critical (주)오상헬스케어
Priority to KR1020170061982A priority Critical patent/KR102321737B1/ko
Publication of KR20180126911A publication Critical patent/KR20180126911A/ko
Application granted granted Critical
Publication of KR102321737B1 publication Critical patent/KR102321737B1/ko

Links

Images

Classifications

    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N99/005—
    • 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
    • G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 건강 관리 방법 및 장치에 관한 것으로, 본 발명에 따른 건강 관리 방법은 사용자의 건강을 관리하기 위해 사용자가 이행해야 할 하나 이상의 항목을 포함하는 레시피를 생성하는 레시피 생성 단계; 및 사용자 건강 정보 및 상기 레시피를 이용하여 상기 사용자의 순응도를 분석하는 순응도 분석 단계;를 포함할 수 있다.

Description

건강 관리 방법 및 장치 {METHOD AND APPARATUS FOR MANANING HEALTH}
본 발명은 건강 관리 시스템 및 방법에 관한 것으로, 보다 상세하게 사물 인터넷에 기반하여 개개인의 건강상태를 파악하여 맞춤형 건강 관리 정보를 제공할 수 있는 건강 관리 시스템 및 방법에 관한 것이다.
최근 '착용하는 전자기기'를 뜻하는 웨어러블 디바이스(Wearable Device)가 부상하고 있으며, 이러한 웨어러블 디바이스는 정보처리/엔터테인먼트 목적과 헬스케어 목적 등으로 널리 이용되고 있다.
웨어러블 디바이스 및 통신 기술의 발달로 사물인터넷(Internet of Things, IoT) 기술을 이용한 서비스가 확대되고 있다. 상기 웨어러블 디바이스는 삼성전자, 애플, 구글과 같은 IT분야 선도 기업은 물론 나이키, 아디다스와 같은 운동 용품 전문 기업들까지 포함하는 다양한 산업 영역에서 혁신적인 제품들이 출시되고 있으며, IT 전문기업 및 중소규모 IT 업체의 웨어러블 디바이스는 주로 건강관리와 웰빙 목적의 헬스케어 제품에 집중되고 있다.
한편 발달된 스마트 기기와 센서 기술을 통해 개인 활동 데이터에 대한 정량화가 가능해졌고, 의료서비스의 패러다임이 치료중심에서 개인의 피트니스/웰니스 중심으로 변화함에 따라 헬스케어 분야는 웨어러블 디바이스의 적용과 확산이 가장 빠르게 이루어지고 있는 영역이라 할 수 있다.
한편, U-헬스 케어 시장의 확대에 따른 자가 수치화(quantified self) 시장의 급속한 성장이 진행되고 있다. 또한 최근 개인 생체 데이터를 실시간으로 수집하여 헬스케어에 이용하는 앱이 증가하고 있으며, 자가 수치화 트렌드는 자가 헬스케어를 쉽게 할 수 있는 환경을 조성하면서, 동시에 시장 활성화를 촉진하고 있다. 이러한 사물인터넷을 위한 기술의 개발과 별도로 다양한 분야에서 종래의 인터넷 통신 기술과 센서 기술을 이용하여 사물인터넷 서비스를 구현한 제품들이 출시되고 있으나, 대부분 기술들이 아직 초기 단계에 머물러 있는 실정이다.
또한, 고령 사회로 급속히 진행됨에 따라 당뇨, 고혈압 등 만성질환에 대한 지속적인 관리가 필요한 실정이다.
특히, 이러한 만성질환들은 의사의 적절한 처방뿐만 아니라 식단관리나 운동관리 등 생활습관을 적절히 관리하는 것이 매우 중요하다.
하지만 종래의 건강 관리 장치는 지속적인 관리 및 개개인에 특화된 맞춤형 서비스를 제공하지 못하는 문제점이 있었다.
본 발명이 해결하고자 하는 과제는, 사용자에게 최적화된 맞춤형 건강 관리 장치 및 방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는, 레시피에 따른 사용자의 순응도를 분석하여 순응도에 따른 사용자 맞춤형 레시피를 제공할 수 있는 건강 관리 장치 및 방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는, 레시피의 지시사항을 정해진 시간에 알려주어 사용자가 레시피를 잘 이행할 수 있도록 하는 건강 관리 장치 및 방법을 제공하는 것이다.
본 발명에 따른 건강 관리 방법은 사용자의 건강을 관리하기 위해 사용자가 이행해야 할 하나 이상의 항목을 포함하는 레시피를 생성하는 레시피 생성 단계; 및
사용자 건강 정보 및 상기 레시피를 이용하여 상기 사용자의 순응도를 분석하는 순응도 분석 단계;를 포함할 수 있다.
본 발명의 실시예에 따르면, 사용자의 상태를 지속적으로 모니터링하고 관리함으로써 사용자의 상태 변화에 따른 최적화된 레시피를 제공할 수 있다.
또한, 본 발명의 실시예에 따르면, 레시피에 따른 사용의 순응도를 분석하여 순응도에 따른 맞춤형 레시피를 제공하므로 사용자는 건강 관리를 보다 쉽게 할 수 있다.
또한, 본 발명의 실시예에 따르면, 레시피의 지시사항을 정해진 시간에 알려주어 사용자가 레시피를 잘 이행할 수 있다.
또한, 본 발명의 실시예에 따른 사용자는 건강 상태가 개선되는 것을 시각적으로 확인할 수 있어, 사용자의 적극적인 참여를 유도할 수 있다.
본 발명의 실시예에 따르면, 단순히 사용자의 건강 상태만을 측정하는 것이 아니라 실제 건강 상태 그룹군의 위치, 개선의 목표, 개선된 상태 등을 제공할 수 있다.
또한, 본 발명의 실시예에 따르면, 사용자가 레시피를 잘 이행하지 않아 건강 상태가 악화된 경우, 악화 정도를 확인할 수 있어 사용자에게 경각심을 유도하여 사용자의 레시피 이행을 유도할 수 있다.
도 1은 본 발명에 따른 건강 관리 장치가 적용되는 시스템 구성도를 나타낸 것이다.
도 2는 건강 관리 장치(200)의 상세 구성을 나타낸 블럭도이다.
도 3은 본 발명의 실시예에 따른 건강 관리 방법을 나타낸 것이다.
도 4는 본 발명의 다른 실시예에 따른 건강 관리 방법을 나타낸 것이다.
도 5은 본 발명의 실시예에 따른 학습 패턴의 예를 나타낸 것이다.
도 6은 건강 관리 장치의 표시부(250)에 표시되는 UI의 일 실시예를 나타낸 것이다.
도 7는 본 발명의 실시예에 따른 건강 정보 패턴의 일 예를 나타낸 것이다.
도 8은 건강 관리 단말(100)과 건강 관리 장치(200)간 메시지 송수신 내용을 나타낸 일 실시예이다.
도 9는 본 발명의 실시예에 따른 레시피 데이터베이스의 일 예를 나타낸 것이다.
도 10는 본 발명의 실시예에 따른 실제 서비스 예시를 나타낸 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 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. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 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.
이하, 첨부된 도면을 참조하여 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 대응하는 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명에 따른 건강 관리 장치가 적용되는 건강 관리 시스템 구성도를 나타낸 것이다.
도 1을 참조하면, 본 발명에 따른 건강 관리 시스템은 통신망을 통해 데이터를 송수신하는 건강 관리 단말(100), 및 건강 관리 장치(200) 및 데이터베이스(300, Database)로 구성되어 있다.
상기 건강 관리 단말(100)은 사용자의 건강 정보를 취득하여 통신망을 통해 건강 관리 장치(200)로 전송하고, 건강 관리 장치(200)는 건강 관리 단말(100)로부터 수신한 건강 정보와 데이터베이스(300)에 저장되어 있는 데이터를 비교하여 사용자의 건강 상태를 체크하여 사용자에 적합한 레시피를 생성하여 사용자에게 전송한다. 본 발명에서 레시피란 사용자에게 적합한 건강 정보 측정 규칙, 식단, 운동처방, 수면시간, 권장 건강보조식품, 복약규칙이나 지시사항, 정신 질환 관리 등을 사용자에게 내려치는 종합적인 지시사항을 의미한다. 사용자는 레시피에 따른 지시사항을 이행함으로써 건강을 개선할 수 있다. 상기 레시피는 건강 정보 측정 규칙, 운동량, 활동성, 식단, 수면시간, 복약규칙, 및 건강보조제, 스트레스 관리, 체중, BMI, 병원검진, 약국내원, 식품관련 구매정보(카드, 식료품 바코드 등), 사회 활동 정보(SNS, 전화 등) 중 하나 이상의 정보를 포함한다. 또한, 상기 레시피는 사항, 권장 사항, 금지 사항, 보충 정보 중 하나 이상을 포함할 수 있다.
상기 건강 정보는 혈당과 같은 바이오 정보와 식사, 운동량 등과 같은 생활 습관 정보를 포함할 수 있다. 구체적으로 생활습관 정보는 건강 정보 측정 주기나 시간, 운동량, 식단, 수면시간, 복약시간 및 복약주기, 복용 건강 보조제 등과 같은 사용자의 건강과 관련된 다양한 생활 습관이나 패턴을 의미한다.
보다 상세하게 살펴보면, 상기 건강 관리 단말(100)은 사용자의 신체에 부착되어 다양한 생체 정보를 감지할 수 있다. 상기 건강 관리 단말(100)은 바이오 센서를 포함할 수 있다. 예를 들어, 상기 건강 관리 단말(100)은 혈압, 혈당 수치, 체중, 맥박, 심전도 등의 다양한 바이오 정보를 감지할 수 있고, 사용자의 움직임을 감지하여 운동량을 체크할 수도 있다.
또한, 건강 관리 단말(100)은 입력부를 통해 사용자가 직접 정보를 입력할 수 있다. 입력부는 통해 바이오 센서로 획득할 수 없는 정보를 사용자가 직접 입력할 수 있다. 예를 들어, 성별, 연령, 키, 체중 등과 같은 개인의 기본적인 건강 정보뿐만 아니라 의료 기관에서 진료받은 의무기록 데이터, 건강검진 데이터 등을 입력할 수 있다. 또한, 사용자는 건강 관리 단말(100)을 통해 유전자 정보, 가족력, 질환, 식단, 운동량, 생활 습관 등을 다양한 건강 정보를 입력할 수 있다. 상기 건강 관리 단말(100)은 스마트폰과 일체로 형성될 수도 있다. 예를 들어, 스마트폰에 건강 정보를 체크하는 앱이나 바이오 정보를 감지하는 센서가 추가될 경우, 스마트폰은 건강 정보 단말로 사용될 수 있다.
상기 입력부는 터치패드나 키보드일 수 있으며 스캐닝 장치가 될 수도 있다.
건강 관리 단말(100)은 이러한 다양한 건강 정보를 통신망을 통해 건강 관리 장치(200)로 전송한다.
상기 통신망은 소위 M2M(machine-to-machine)통신, IoT(Internet of Things), 인터넷망 통신 시스템이 사용될 수 있다.
상기 IoT 전용망으로는 Lora 네트워크가 사용될 수 있고, 상기 인터넷망으로 WLAN(Wireless LAN), 와이파이(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다.
상기 건강 관리 단말(100)은 상기와 같은 통신망을 이용하여 위해 이동 통신 모듈, 무선 통신 모듈, 근거리 통신 모듈을 포함하는 통신 모듈이 탑재될 수 있다.
이동통신 모듈은 이동 통신망 상에서 기지국, 외부의 단말기와 무선 신호를 송수신한다. 상기 무선 신호는, 음성 호 신호, 화상 통화 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
상기 건강 관리 장치(200)는 사용자가 입력한 정보를 기반으로, 건강 관리 단말(100)로부터 수신한 바이오 정보 및 사용자 단말로부터 수신한 건강 정보를 데이터베이스에 저장되어 있는 정보와 비교하여 사용자에 적합한 레시피를 생성하고, 생성된 레시피를 건강 관리 단말(100)로 전송한다. 상기 건강 관리 장치(200)의 상세 구성에 대해서는 후술 하기로 한다.
상기 데이터베이스(300)는 빅데이터 분석을 통해 여러 종류의 사용자를 분류하여 사용자별 나이, 성별, 질병에 대한 레시피를 저장한다. 상기 데이터베이스(300)는 공개된 공공 건강 정보 데이터베이스 및 의료 기관들에서 수집한 진료기록 및 건강검진 데이터나 웨어러블 건강 수집 장치를 통해 실시간으로 수집된 건강 정보들을 사례별로 저장할 수 있다. 데이터베이스(300)는 개인별 일회성 획득 건강 정보가 아닌 대략 10년 범위내의 건강 정보별 수치의 변화를 볼 수 있는 시계열성 건강 정보들을 사례별로 저장할 수 있다. 또한, 상기 데이터베이스(300)는 SNS와 연계된 다양한 형태의 건강 관리 빅데이터를 수집할 수 있다. 즉, 데이터베이스(300)는 다양한 개인별 건강 정보 사례를 저장한다고 볼 수 있다.
더욱 구체적으로, 상기 데이터베이스(300)는 상기와 같은 데이터들을 유사한 패턴별로 분류하여 저장할 수 있다. 즉, 데이터베이스(300)는 건강 정보를 필터링 및 그룹핑 또는 이들의 조합을 통해서 처리하여 유사 패턴의 환자나 증상들끼리 그룹핑하고 패턴별 레시피를 저장할 수 있다. 예를 들어, 50대의 마른 체형의 남자 당뇨환자의 60대 뚱뚱한 체형의 남자 당뇨 환자에 대한 레시피 즉, 적정 식단, 운동량, 피해야 할 음식, 권장하는 건강보조식품에 대한 정보를 구분하여 저장할 수 있다. 레시피 생성부는 데이터베이스에 저장되어 있는 이러한 패턴별 레시피 정보를 참조하여 사용자에게 적합한 레시피를 생성할 수 있다.
또한, 상기 데이터베이스(300)는 레시피에 따른 환자들의 순응도를 저장한다. 다양한 환자들의 레시피 순응도를 저장하고 이를 학습함으로써 사용자의 순응도를 예측하는데 사용할 수 있다.
상기 데이터베이스(300)는 실시간 유사 사례 검색을 위해, 가공하지 않은 건강 데이터를 미리 연령 또는 성별, 질병, 건강 상태 등의 분류 요소로 그룹화하여 저장한다. 고유한 분류 요소에 의해 그룹핑될 수도 있으며, 한 개 이상의 분류 요소의 결합에 의해 그룹핑될 수도 있다. 예컨대 건강 상태의 유사그룹의 기준으로, 성별(남, 여), 연령(10대, 20대, 30대, . . . ., 80대 이상) 등이 될 수 있으며, 고혈압 '유'와 '무'처럼 특정 질병이 될 수도 있다. 또한 건강 상태가 양호한 그룹, 위험군인 그룹 등으로 건강상태 분류에 의해 그룹을 나눌 수도 있다. 한 개 이상의 조건으로 그룹을 세분화할 수도 있으며, 일예로써, (성별 ='여' and 연령='50'대 and 질병='고혈압')와 같이 복수의 조건으로 하나의 그룹을 생성할 수도 있다. 또한 어떤 건강 사례는 하나 이상의 그룹 속에 분류되어 저장될 수도 있다. 또는 실시간 유사사례　검색을 위해 데이터베이스(300)는 병렬 저장소를 사용하여 구성되는 것이 바람직하다. 예를 들어, 제1 데이터베이스(310)는 당뇨 환자에 대한 정보를 저장하고, 제2 데이터베이스(320)는 고혈압 환자에 대한 정보를 저장하고, 제3 데이터베이스(330)는 관절염 환자에 대한 질환을 저장할 수 있다. 또한, 동일 질병에 대한 환자들도 식단 및 운동 여부에 따른 개선 정도에 대한 다양한 정보를 저장할 수 있다. 본 실시예에서는 3가지 경우를 예시로 나타내었으나 다양한 환자군을 그룹화하여 저장할 수 있다. 각각의 데이터베이스(310, 320, 330)는 각 사용자군별로 증상, 증상에 대한 처방, 필요 운동량, 피해야 할 음식, 권장 음식 등 다양한 데이터를 저장할 수 있다. 특히 당뇨나 고혈압 등 만성질환은 식이 요법이 매우 중요하다. 따라서 환자군별 권장 음식, 필요한 칼로리, 특정 음식물에 대한 부가적인 부작용이나 연관되는 음식물과의 작용 관계 등을 저장할 수 있다.
환자군의 분류(클러스터링, clustering)는 임계값을 중심으로 분류할 수 있다. 예를 들어, 혈당 데이터는 0과 1사이로 정규화할 수 있으며, 이때의 혈당 데이터의 평균은 96.555mg/dL(=0.5), 편차는 24.815였다. 공복혈당이 126mg/dL 이상일 때, 당뇨로 진단되는데, 정규화된 값이 0.697이상이면 비정상군을 의미하므로 당뇨사용자로 분류할 수 있다.
또한, 패턴 매칭을 통해 분류할 수 있다. 이때 K-평균(means) 클러스터링을 통해 유사한 패턴끼리 분류할 수 있다. 예를 들어, 유클리디안 거리(Euclidean distance)를 이용해 유사 패턴끼리 분류하거나 k-평균 클러스터링에서 k값을 5로 하여 패턴 매칭을 할 수 있다.
지금까지 본 발명에 따른 건강 관리 시스템의 대략적인 구성 및 동작에 대해 살펴보았다. 이하에서는 상기 건강 관리 장치(200)의 상세 구성 및 동작에 대해 보다 상세히 살펴보기로 한다.
도 2는 상기 건강 관리 장치(200)의 상세 구성을 나타낸 블럭도이다.
상기 건강 관리 장치(200)는 데이터 송수신부(210), 레시피 생성부(220), 순응도 분석부(230), 저장부(240), 및 표시부(250)를 포함할 수 있다.
상기 데이터 송수신부(210)는 건강 관리 단말(100)로부터 사용자의 건강 정보 및 생활 습관 정보를 주기적을 수신하여 업데이트하고, 레시피에 따른 지시사항을 상기 건강 관리 단말(100)로 전송한다. 상기 생활 습관 정보는 복약유무, 식단, 운동량 등 레시피에 따른 이행 정보를 사용자가 입력하는 정보이다. 상기 데이터 송수신부(210)는 경우에 따라 사용되지 않을 수도 있다. 이러한 사용자의 건강 정보는 상기 저장부(240)에 미리 저장될 수 있다.
상기 레시피 생성부(220)는 데이터베이스에서 수신한 건강 정보에 대응하는 레시피를 검색하여 사용자가 이행해야 할 레시피를 생성한다. 상기 레시피 생성부(220)는 데이터베이스를 기반으로 기존 환자 정보를 학습하여 사용자에게 적합한 레시피를 생성한다. 상기 레시피 생성부(220)는 레시피 생성 조건이 사용자에 의해 미리 설정될 수 있으며, 설정된 조건에 따라 레시피를 생성할 수 있다. 설정조건이 없는 경우에는 사용자 건강 정보를 기반으로 레시피를 생성하고 관리할 수 있다.
레시피에는 사용자의 식단, 운동량, 복약시간, 건강보조식품 등 다양한 정보가 포함되어 있다. 예를 들어, 피해야 할 음식, 권장 음식, 하루 운동량, 추천 운동, 식후 30분 복약 등과 같은 정보가 포함될 수 있다. 그리고 상기 레시피 생성부(220)는 레시피 생성 후 추가 건강 정보와 생활 습관 정보가 수신되면 후술되는 순응도에 따라 레시피를 수정한다.
상기 순응도 분석부(230)는 상기 사용자 건강 정보 및 상기 레시피를 이용하여 상기 사용자의 순응도를 분석한다. 즉, 상기 레시피 항목과 사용자의 이행 정보를 비교하여 순응도를 분석한다. 사용자의 이행 정보는 사용자가 직접 입력하거나 데이터 송수신부로부터 수신할 수 있다. 또한 순응도 분석부는 상기 분석된 순응도를 기반으로 사용자의 미래 순응도 및 건강 상태를 에측할 수 있다.
상기 순응도 분석부(230)는 사용자의 순응도가 높은 경우에는 미래의 순응도도 높을 것으로 예측하고, 순응도가 낮은 경우에는 미래의 순응도도 낮은 것으로 예측할 있다. 또한, 순응도 분석부(230)는 데이터베이스에 저장되어 있는 유사 패턴의 환자의 순응도를 학습하여 미래의 순응도를 예측할 수 있다.
상기 레시피 생성부(220)는 순응도에 따라 기존 생성된 레시피를 강화 또는 완화할 수 있다. 즉, 레시피 생성부(220)는 분석된 순응도에 따라 사용자의 레시피 이행 여부를 예측하여 레시피를 수정한다. 이때, 레시피 생성부(220)는 사용자의 순응도 패턴에 따라 특정 레시피 항목을 강화하거나 완화할 수 있다. 예를 들어, 레시피에서 하루 1시간 운동, 채소 위주의 식단을 지시하였는데, 순응도 분석결과 운동 순응도는 높으나 식단 순응도가 매우 낮은 경우 운동 부분은 조금 더 강화하고 식단은 조금 완화할 수 있다. 순응도가 매우 낮은 부분을 동일하게 지시하는 경우에는 계속해서 지켜지지 않을 가능성이 높기 때문이다. 순응도가 높은 경우에는 향후에도 레시피를 이행할 가능성이 높으므로 순응도가 높은 항목의 레시피를 강화할 수 있고, 반대의 경우에는 레시피를 완화할 수 있다. 향후 레시피의 이행 가능성을 예측할 때 상기 데이터베이스에 저장되어 있는 유사 패턴 환자의 순응도를 학습하여 미래의 순응도를 예측할 수 있다. 사용자의 순응도가 높은 경우와 높지 않은 경우가 불규칙적으로 반복되고 건강상태가 나빠지는 경우에는 이러한 상황을 반영하여 미래 상태를 예측해 최적의 레시피를 생성한다. 사용자와의 상호작용으로 순응도 향상을 유도하고 사용자에게 특화된 형태로 특정 레시피를 강화한다. 레시피와 환자의 건강 상태 변화를 확인하여 레시피 항목별 가중치를 부여하고 최적화하는 방향으로 학습한다.
상기 저장부(240)는 상기 수신한 건강 정보와 생활 습관 정보를 저장한다.
레시피 생성부(220)는 저장부에 저장된 데이터를 분석하여 사용자의 건강 상태의 변화 및 그에 따른 레시피의 변화를 통계로 작성할 수 있다.
상기 표시부(250)는 레시피 및 그에 따른 여러 가지 사항을 표시한다. 상기 표시부(250)는 터치 스크린과 같은 디스플레이 기기기 사용될 수 있다.
상기 레시피 생성부(220)는 사용자의 건강 정보에서 주요한 건강 정보를 추출하며, 사용자의 건상 상태의 어떠한 상태에 있으며 어느 유형에 속하는지 분석한다.
또한, 상기 레시피 생성부(220) 분석된 사용자 정보를 기반으로 데이터베이스(300)에서 유사 사례를 검색하고, 건강 상태가 유사한 그룹에 속한 환자들의 증상과 증상에 대한 의사들의 처방, 적합한 식단, 운동량 등을 참조하여 레시피를 생성한다. 수신된 건강 정보와 데이터베이스에 저장된 정보를 비교하여 사용자의 건강 상태가 정상범위인지 비정상 범위인지를 분석할 수 있다. 즉, 연령, 성별, 혈당 등을 참조하여 사용자의 혈당값이 유사 그룹에서 정상 범위인지 비정상 범위인지 판단할 수 있다. 이렇게 분석된 정보 및 생성된 레시피는 저장부에 저장될 수 있다.
또한, 상기 레시피 생성부(220) 사용자의 건강 정보에 대한 통계 데이터를 작성한다. 앞서 살펴본 바와 같이 데이터 송수신부(210)는 사용자의 건강 정보나 생활 습관 정보를 주기적으로 지속적으로 수신한다. 이렇게 수신된 건강 정보 및 그에 따라 생성된 레시피는 저장부(240)에 저장되므로, 저장부(240)에 저장된 데이터를 분석하여 통계 데이터를 작성할 수 있다. 그리고 앞서 분석된 건강 정보 및 생성된 데이터(통계, 알람, 일정)를 기반으로 보고서 형태의 레포트를 생성할 수 있다.
또한, 상기 레시피 생성부(220)는 상기 레시피에서 정한 시간이 되면 알람신호를 생성하여 상기 데이터 송수신부를 통해 상기 사용자에게 이행지시 신호를 전송하도록 한다. 예를 들어, 레시피에 식후 30분 복약이란 항목이 있는 경우, 식사시간 30분 후에 알람신호를 전송한다. 식사시간을 다소 유동적이지만 식사시간은 대체적으로 일정하다. 예를 들어, 사용자가 건강 정보 단말을 통해 점심식사 시간을 12시로 입력한 경우, 12시30분이 되면 복약을 알리는 알람신호를 전송할 수 있다.
또한, 상기 레시피 생성부(220)는 상기 순응도를 기반으로 사용자의 향후 지시사항 이행여부를 예측하여 일정을 수립할 수 있다.
앞서 살펴본 바와 같이, 순응도 분석부(230)에서는 레시피의 여러 지시사항의 각 항목별로 순응도부를 분석한다. 따라서 각 항목별 순응도를 근거로 향후의 이행 가능성을 어느 정도 예측할 수 있다. 예를 들어, 식단 순응도는 높고, 운동 순응도는 매우 낮은 경우 동일한 일정으로 레시피를 생성하더라도 운동 순응도가 여전히 낮게 될 것을 예측할 수 있다. 따라서 이러한 순응도를 반영하여 어떤 운동은 언제 할 것인지에 대한 일정을 수립할 수 있다. 물론, 낮은 순응도를 고려하여 운동의 강도를 낮추고 시간도 짧아지도록 일정을 수립할 수 있다.
또한, 상기 레시피 생성부(220)는 순응도를 기준으로 평가 점수를 부여하여 사용자의 이행율이 높아지도록 독려할 수 있다. 순응도가 높은 경우에는 높은 점수를 부여하고, 그에 대한 보상으로 쿠폰이나 포인트 등을 부여하여 레시피에 따른 지시사항을 잘 이행하도록 할 수 있다.
도 3은 본 발명의 실시예에 따른 건강 관리 방법을 나타낸 것이다.
도 3을 참조하면, 실시예에 따른 건강 관리 방법은 사용자의 건강을 관리하기 위해 사용자가 이행해야 할 하나 이상의 항목을 포함하는 레시피를 생성하는 레시피 생성 단계(S310), 사용자 건강 정보 및 상기 레시피를 이용하여 상기 사용자의 순응도를 분석하는 순응도 분석 단계(S320), 상기 사용자 건강 정보와 순응도에 따라 상기 레시피를 수정하는 단계(S330)를 포함할 수 있다.
상기 레시피 생성 단계(S310)는 데이터베이스를 기반으로 기존 환자 정보에 대한 다양한 환자군에 대한 건강 패턴을 학습하는 사전 단계를 거친 상태에서, 상기 사용자 건강 정보를 상기 학습된 건강 패턴에서 가장 유사하게 매칭되는 패턴을 먼저 찾아 레시피를 생성할 수 있다. 즉, 데이터베이스에서 사용자 건강 정보와 가장 유사하게 매칭되는 패턴을 찾고, 이를 평가하여 레시피를 생성할 수 있다. 평가방법은 사용자의 건강 상태와 적합한지 여부를 평가할 수 있다.
레시피 생성은 사용자의 건강 정보를 기반으로 생성하는 것이 바람직하지만 사용자의 건강 정보를 수신할 수 없거나 확보되지 않은 경우도 있을 수 있다. 이러한 경우에는 미리 설정된 건강 보조 정보나 기준 건강 정보를 기준으로 레시피를 생성할 수 있다. 상기 건강 보조 정보는 사용자의 행동 양식, 식습관, 환경 정보 중 하나 이상을 포함할 수 있다. 상기 기준 건강 정보란 일반적인 건강 관리를 위한 기준으로, 예를 들어 운동은 하루 30분, 식사 칼로리는 2Kcal 등 과 같이 평균적인 보통의 건강한 사람을 기준으로 설정될 수 있다. 주기적으로 신체의 건강 정보를 측정하고 이를 바탕으로 환자의 현재 상태와 미래의 상태를 예측하는 것이 바람직하지만, 건강한 사람에게 주기적인 혈당 측정 등을 강요하기도 어려울 뿐만 아니라 강요를 하더라도 측정의 번거로움과 바쁜 일상으로 인해 측정값을 입력 받기가 어려운 경우가 발생할 수 있다.
이러한 문제를 해결하기 위한 방법으로, 첫번째 방법은 사전에 일정 기간 동안 다양한 변수의 상황에 따른 건강 정보를 미리 측정, 기록, 분석하여 저장하고 이를 바탕으로 현재의 입력된 정보만으로 예측을 할 수 있다. 예를 들면 환자의 식사정보나 시간정보, 운동정보에 따른 혈당 변화를 여러 각도에서 측정해 둔 뒤에 미래에는 혈당의 측정 없이 식사 정보나 운동 정보, 시간 정보 등의 일부 특정 정보 만으로 환자의 혈당값을 예측할 수 있다.
두번째 방법은 이러한 사전 정보가 없는 환자의 경우에도 첫번째 방법을 따르되 사전 정보가 없기 때문에 유사한 패턴을 먼저 찾아내고 가상의 패턴을 적용하여 예측을 해 주는 방법이 있다.
상기 순응도 분석 단계(320)는 분석된 순응도를 기반으로 사용자의 미래 순응도 및 건강 상태를 예측할 수 있다. 순응도 분석 및 예측 방법은 선형 회귀분석, 지역적 가중치 적용법, 비선형 회귀분석, 머신 러닝 알고리즘 중 하나 이상을 사용할 수 있다.
또한, 상기 순응도 분석 단계(S320)는 상기 데이터베이스를 기반으로 기존 환자들의 순응도 패턴을 학습하는 단계, 및 상기 사용자 건강 정보 및 순응도 패턴을 상기 학습된 순응도 패턴에 따라 사용자의 순응도를 예측하는 단계를 포함할 수 있다.
상기 레시피에 포함되는 사용자가 이행해야 할 항목에는 건강 정보 측정 규칙, 운동량, 활동성, 식단, 수면시간, 복약규칙, 및 건강보조제, 스트레스 관리, 체중, BMI, 병원검진, 약국내원, 식품관련 구매정보(카드, 식료품 바코드 등), 사회 활동 정보(SNS, 전화 등) 중 하나 이상에 대한 정보가 포함될 수 있다.
상기 레시피를 수정하는 단계(S330)는 사용자의 건강 상태 또는 순응도 패턴에 따라 특정 레시피 항목을 추가하거나 수정할 수 있다. 상기 사용자의 건강 상태는 사용자가 입력하거나, 미리 저장되어 있거나, 건강 관리 단말과 같은 외부기기로부터 수신할 수 있다.
즉, 레시피를 생성하는 단계 이전에 외부기기로부터 사용자 건강 정보를 수신하는 단계를 더 포함할 있다.
도 4는 도 3의 실시예에 건강 패턴 및 순응도 패턴을 학습하는 단계를 더 추가한 것을 나타낸 것이다.
도 4를 참조하면, 실시예에 따른 건강 관리 방법은 건강 패턴 학습 및 최적화 단계(S410), 순응도 패턴 학습 및 최적화 단계(S420), 사용자 건강 정보 수신 단계(S430), 레시피 생성 단계(S440), 순응도 분석 단계(S450), 레시피 수정 단계(S460), 및 레시피 전송 단계(S470)를 포함할 수 있다.
상기 건강 패턴 학습 및 최적화 단계(S410)는 데이터베이스에 저장되어 있는 기존 환자 정보 빅데이터를 클러스터링하거나 학습 알고리즘을 통하여 건강 패턴을 학습하고 최적화한다.
상기 순응도 패턴 및 최적화 단계(S420)는 데이터베이스에 저장되어 있는 기존 환자 정보 빅데이터를 클러스터링하거나 학습 알고리즘을 통하여 순응도 패턴을 학습하고 최적화한다.
상기 사용자 건강 정보 수신 단계(S430)는 외부기기로부터 수신된 건강 정보는 단계에서의 수신 정보는 복약, 식사, 운동, 수면, 병원 검진, 유전 정보, 문진 정보, 약품, 칼로리 소모정보, 음식 별 혈당 정보, 혈액 내 대사 반응 정보, 건강 검진 정보, 알레르기나 부작용, 합병증 정보, 영양 및 보조제 중의 어느 하나 이상과 관련된 유무, 시간, 양을 포함하는 등의 부가정보를 포함할 수 있다.
상기 수신 정보의 형태는 문자, 숫자, 이미지, 사진, 동영상, 바코드 중 하나 이상을 포함할 수 있다.
상기 레시피 생성 단계(S440)는 사용자 건강 정보를 상기 학습된 건강 패턴 정보와 비교하여 사용자에게 적합한 레시피를 생성한다.
상기 순응도 분석 단계(S450)는 상기 사용자 정보를 상기 학습된 순응도 패턴과 비교하여 사용자의 순응도를 분석하고 예측한다.
상기 레시피를 수정하는 단계(S460)는 사용자의 건강 상태 또는 순응도 패턴에 따라 특정 레시피 항목을 추가하거나 수정할 수 있다.
상기 레시피의 생성 또는 수정은 사용자가 이행해야 할 항목의 이행 시간, 일별, 주간 별, 월별, 연도별 이행을 포함하거나 즉시 이행 가능한 이벤트와 관련된 것을 포함할 수 있다.
또한, 상기 레시피는 당뇨, 혈압을 포함하는 특정 질환이나 복합적인 질환 예방에 대한 처방을 포함할 수 있다. 또한, 레시피는 사용자가 이행해야 할 필수 사항, 권장 사항, 금지 사항, 보충 정보 중 하나 이상을 포함할 수 있다. 상기 레시피를 생성하는 단계 및 순응도를 분석하는 단계는 도 3의 실시예와 동일하다.
상기 레시피 전송 단계(S470) 에서는 상기 레시피와 순응도 패턴은 미리 등록된 단말기로 전송할 수 있다.
이때 상기 레시피에 포함된 정보와 더불어 사용자의 건강 관리를 개선시키거나 예방하거나 사용자의 자기 관리 의지를 높여줄 수 있는 이벤트, 사은품 제공, 구매 정보, 건강 정보, 예방 접종 정보, 약품 정보, 식품 정보 중 하나 이상을 포함하는 정보를 전송할 수 있다.
인간은 특정 정보를 알고 있더라도 이를 실행하는 것이 아니므로 실행하고자 하는 의지 역시 중요하다. 흡연이 유해한 것은 모두 알고 있지만 금연을 실행하는 사람이 많지 않음을 생각하면 쉽게 이해할 수 있다. 따라서 레시피에 따른 지시사항을 이행할 수 있도록 사용자의 자기 관리 의지를 높이는 것도 중요한 요소이다.
인간의 뇌는 자연의 식품이 아닌 정제된 탄수화물, 당분, 지방, 염분 등의 위험한 자극에 과도하게 끌리게 되어 비만과 같은 비정상적인 신체 상태로 바뀌게 되고 이를 의식적으로는 알고 있지만 스스로는 벗어나기 힘든 것이 현실이다.
마찬가지로, 인간은 본능적으로 움직임을 최소화 하려는 충동에 의해 텔레비전이나 게임, 스포츠에는 잘 빠지지만 에너지 소모가 되지 않도록 스스로는 운동을 하려고 하지는 않는 본능이 크다. 흡연이나 음주, 약물, 중독 등과 같은 자극에 대해서도 마찬가지 경향이 있다. 따라서, 신체적 여건은 과거에 비해 유전학적으로 크게 진화되지 않았음에도 과거에 경험하지 못한 인공물들에 의한 위험한 자극이 지속적으로 강화되고 있어 건강에 큰 문제요인이 된다. 이러한 문제를 해결하기 위해서는 시상하부나 변연계 등의 다양한 쾌락 중추에 인공물에 의한 자극을 최소화하고 좀 더 강화된 지연 보상을 통해 스스로 벗어날 수 있도록 통제를 해 주는 것이 필요하다.
이러한 역할을 레시피를 통해 자기 의지를 점차적으로 자극하고 다른 보상을 통해 강화시켜 주는 것이 필요하다.
유전학적으로나 환경적으로 각 사용자의 조건이나 의지가 다르기 때문에 이 또한 개인차를 고려하여 시간에 따른 강화의 정도나 유효한 자극 방법을 적절히 제시하도록 되어 있다.
전송 통신망으로는 IP망, 모바일망, 비모바일 전용망 등을 사용할 수 있다.
상기 미리 등록된 단말기는 사용자, 사용자의 가족, 주치의, 병원, 약국, 건강관리업체, 및 보험사 단말기를 포함할 수 있다.
상기 정보를 수신하는 주체는 수신한 건강 정보를 기반으로 사용자의 건강 상태를 관리 할 수 있다.
그리고 도면에 도시되지는 않았으나, 레시피 전송 전에는 레시피와 순응도를 저장부에 저장할 수 있다. 레시피와 순응도 분석 결과를 저장함으로써 사용자의 건강 상태 변화를 시계열적으로 관찰할 수 있고 다양한 통계를 작성하는데 활용할 수 있다.
상기 학습 알고리즘으로는 k-means Clustering, Rule Based, Tree based, Machine Learning, Deep Learning(CNN, RNN), 및 Auto encoder 중 어느 하나를 사용할 수 있다.
상기 학습된 패턴에서 사용자의 건강 정보와 매칭되는 패턴을 찾는 방법은 Euclidian Distance, Hidden Markov Model, Dynamic Time Warping, Decision Tree, Rule Based, Machine Learning, 및 Deep Learning(CNN, RNN) 중 어느 하나를 이용할 수 있다.
상기 학습 알고리즘 및 패턴을 찾는 다양한 알고리즘을 공지의 기술이므로 자세한 설명은 생략하고, 간략히 살펴보기로 한다.
k-means clustering은 각 데이터로부터 각 클러스터들까지의 유클리드 거리를 계산하여 해당 데이터에서 가장 가까운 클러스터를 찾아 데이터를 배당 한 후, 각 클러스터에 있는 데이터들의 무게 중심값으로 재설정하는 방법을 반복하고, 클러스터가 변하지 않는다면 반복을 중지한다.
Ruled Base(룰 베이스 시스템)는 규칙을 여러 개 생성하여 현재 상태(memory)가 만족하면 규칙에 따라 정해진 일을 수행하는 것을 것이다.
다음과 같이 표현될 수 있다.
- IF <A> Then <B>,
여기서 A는 현재 상태를 뜻하게 되고 B는 현재 상태에 따른 어떠한 결론이다. 다시 말해 <A>는 조건(Condition), <B>는 실행(Action)이라 할 수 있다.
이러한 룰베이스 시스템은 크게 세 가지로 나눌 수 있다.
Working Memory : 현재 상태를 저장하는 메모리
Production Memory : 상태에 따른 일을 정의하는 메모리
Rule Interpreter : 위의 두 메모리를 매칭시켜 실제 일을 수행하는 시스템
여기서 WM의 상태에 의해 RM이 수행되는 것을 Fire라고 한다.
Tree based(결정 트리 학습법)는 데이터 마이닝에서 일반적으로 사용되는 방법론으로, 몇몇 입력 변수를 바탕으로 목표 변수의 값을 예측하는 모델을 생성하는 것을 목표로 한다. 우측 그림은 그러한 예측 모델의 한 예를 나타내고 있다. 그림의 트리 구조에서, 각 내부 노드들은 하나의 입력 변수에, 자녀 노드들로 이어지는 가지들은 입력 변수의 가능한 값에 대응된다. 잎 노드는 각 입력 변수들이 루트 노드로부터 잎 노드로 이어지는 경로에 해당되는 값들을 가질 때의 목표 변수 값에 해당된다.
결정 트리 학습법은 지도 분류 학습에서 가장 유용하게 사용되고 있는 기법 중 하나이다. 이 글에서는 모든 속성들이 유한한 이산값들로 구성된 정의역을 가지고 있으며, 분류를 단일 대상 속성으로 지니고 있다고 간주한다. 분류의 정의역의 각 원소들은 클래스라고 불린다. 결정 트리 또는 분류 트리의 모든 내부 노드들에는 입력 속성이 일대일로 대응된다. 트리의 내부 노드에 연결된 가지에는 속성이 가질 수 있는 값들이 표시되며, 잎 노드에는 클래스 또는 클래스의 확률 분포가 표시된다.
결정 트리의 '학습'은 학습에 사용되는 자료 집합을 적절한 분할 기준 또는 분할 테스트에 따라 부분 집합들로 나누는 과정이다. 이러한 과정은 순환 분할이라 불리는 방식으로 각각의 나눠진 자료 부분 집합에 재귀적으로 반복되며, 분할로 인해 더 이상 새로운 예측 값이 추가되지 않거나 부분 집합의 노드가 목표 변수와 같은 값을 지닐 때까지 계속된다. 이러한 하향식 결정 트리 귀납법(top-down induction of decision trees, TDIDT)은 탐욕 알고리즘의 한 예시이며, 데이터로부터 결정 트리를 학습하는 가장 일반적인 방법이다. 데이터 마이닝에서 결정 트리는 주어진 데이터의 일반화와 범주화를 돕기 위해 수학적 표현으로 기술된다.
Machine Learning(기계 학습)은 훈련 데이터(training data)를 통해 학습된 알려진 속성을 기반으로 예측에 초점을 두는 학습 방법이다.
Deep Learning(CNN, RNN)은 심층 신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환 신경망(Recurrent Neural Network, RNN), 제한 볼츠만 머신(Restricted Boltzmann Machine, RBM), 심층 신뢰 신경망 (Deep Belief Network, DBN) 등으로 구분된다.
심층 신경망은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다. 심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. 예를 들어, 사물 식별 모델을 위한 심층 신경망 구조에서는 각 객체가 이미지 기본 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모인 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경망에 비해 더 적은 수의 유닛(unit, node)들 만으로도 복잡한 데이터를 모델링할 수 있게 해준다.
합성곱 신경망(Convolutional Neural Network, CNN)은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥 러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다. 최근 딥 러닝에서는 합성곱 심층 신뢰 신경망 (Convolutional Deep Belief Network, CDBN) 가 개발되었는데, 기존 CNN과 구조적으로 매우 비슷해서, 그림의 2차원 구조를 잘 이용할 수 있으며 그와 동시에 심층 신뢰 신경망 (Deep Belief Network, DBN)에서의 선훈련에 의한 장점도 취할 수 있다. CDBN은 다양한 영상과 신호 처리 기법에 사용될 수 있는 일반적인 구조를 제공하며 CIFAR와 같은 표준 이미지 데이터에 대한 여러 벤치마크 결과에 사용되고 있다.
Auto encoder의 기본 형태는 아래와 같다.
Figure pat00001
input vector : x∈[0,1] D x∈[0,1]D 이고, hidden representation : y∈[0,1] d y∈[0,1]d 은 다음의 deterministic mapping : y=fθ (x)=s(Wx+b) y=fθ(x)=s(Wx+b) 에 의해 정의된다.
여기서 θ=W,b 의 모수를 의미하며, W 는 d x D 의 weight matrix 이며, b 는 bias vector 이다.
히든 레이어에서 계산되는 latent representation : y 값은, "Reconstructed" vector : x ' ∈[0,1] D x′∈[0,1]D 으로 다시 Mapped Back 된다.
이때 계산되는 수식은
Figure pat00002
이며, θ ' =W ', b ' 이다.
이때 매핑하기 전의 인풋 레이어의 웨이트 매트릭스의 전치행렬 WT 가 리매핑 웨이트 매트릭스인 W ' 와 같은 경우에 해당 오토인코더는 tied weights를 가졌다고 말한다.
이때 손실함수는 다음과 같이 정의된다.
Figure pat00003
초창기에 기본적인 Auto-Encoder 의 Weight를 학습하는 방법은 BP(Backpropagation) 알고리즘과 SGD(Stochastic Gradient Descent)알고리즘을 활용하였다. input (visible)로 주어진 값에 대하여, 히든과 visible unit 간의 웨이트 값을 계산하여, 시그모이드 함수에 넣고, 다시 그 갚을 한번 더 hidden과 output에 연결되어 있는 Weight 와 계산하여 추정된 값을, 최초 visible 데이터와 지속적으로 비교하여 에러를 업데이트 해나가는 Unsupervised Learning 이다.
Gradient descent는 순차적으로 감소하는 방향을 따라 업데이트한다. 그러나 매우 많은 데이터셋에 대해서는 옵티멈에 수렴하는데 있어 그 시간이 매우 느리다. 반면, SGD방식은 noisy descent 라고도 간주하는데, 각각의 반복 속도가 매우 빠르다. 트레이닝 방법에는 매번 트레이닝 마다 몇 개의 샘플을 이용하느냐에 따라 패턴모드와 배치모드 방법으로 나뉘는데, 패턴모드의 경우 샘플 하나하나 입력하며, 각각 샘플에 대한 매개변수의 변화분을 계산하여 가중치를 업데이트한다. 반면 배치모드의 경우에는 Batch Size 만큼 샘플을 한꺼번에 입력하여, 그 샘플들의 매개변수 변화분을 계산하여 하나의 배치마다 한번씩 가중치를 업데이트 한다.
패턴모드와 같이 하나하나 훈련을 하게 되는 경우 사실상 SGD의 성격을 갖게 된다. 이때 목적함수 L이 지역 최적점에서 잘 벗어날 수 있지만, 트레이닝 시간이 오래 걸린다. 반면, 배치모드의 경우 SGD보다는 성능이 떨어지지만, 적당한 크기의 Mini-Batch 를 상용할 경우 트레이닝 시간이 줄어든다는 장점이 있다. 그래서 일부 연구가들은 Mini-batch + SGD 를 제안하기도 한다.
유클리디언 거리(Euclidian Distance)는 각 문서와 질의어의 거리를 계산하는 방법이다. 계산 방법은 벡터의 내적을 구하는 것과 같다.
이상치 분석Outlier Analysis)에서, 이상치 (異狀値: outlier)란 주어진 데이터의 일반적 특성 또는 모델에서 크게 벗어난 것을 말하며, 이상치 분석이란 이들 이상 데이터를 찾아내고 그 특징을 구명하는 것을 말한다. 이상치 (outlier)의 유형에는 다음과 같은 것이 있다.
Global outlier - 특정한 하나의 측정치가 현저하게 벗어나 있는 point anomaly를 말한다.
Contextual outlier - “현재 체온이 39도이다” 이것이 이상치인지 정상치인지는 상황에 따라 달리 해석된다. 이처럼 상황을 설정해 놓고 이상치를 탐지하는 것을 말한다.
Collective outlier - 관측된 여러 값들이 나머지에 비해 현저하게 벗어나 있는 것을 말한다.
이상치 발견을 위한 기법으로는, 통계적 기법에 의한 이상치 발견, 근접도 (Proximity)에 의한 이상치 발견법, 군집(clustering)에 의한 이상치 발견법 등이 있다.
통계적 기법에 의한 이상치 발견이란 주어진 데이터에 대한 확률모델을 가정하고 이에 대한 불일치 검증 (discordance test)를 사용한다. 물론 이를 위해서는 주어진 데이터가 가진 주요 파라미터에 대한 지식이 필요하다. 여기에는 앞서 가정한 바와 같은 데이터 분포 (예: 정규분포 또는 Poisson분포 등), 기대값 (expected number, 즉, 평균 또는 분산) 등이 포함된다.
근접도 (Proximity)에 의한 이상치 발견법이란 가장 가까운 이웃과의 거리가 특정 영역 R 내에서 주어진 임계치보다 큰 경우에 이를 이상치로 판단하는 것이다.
우선 거리 임계치 (distance threshold) r(r >0)과 π (0 < π ≤≤1)을 지정한다. 이 때 다음 조건이 만족되는 o 객체는 DB(r, π) 특성을 가지는 이상치라고 할 수 있다.
도 5는 학습 패턴의 예를 나타낸 것이다.
기존 환자 정보 빅데이터를 기반으로 학습하고 정규화하고(a), 기존환자들의 순응도 빅데이터를 기반으로 학습하고 정규화한 후(b), 새로운 데이터가 입력이 되면 학습된 정보를 바탕으로 평가하여 환자에게 적합한 레시피를 생성할 수 있다(c).
정규화된 데이터에서 기울기가 상승하는 것은 건강 상태나 순응도가 좋아지는 것을 의미하고, 기울기에 변화가 없이 수평인 것은 건강상태나 순응도에 변화가 없는 것을 의미하고, 수평인 부분은 기울기가 하락하는 것은 건상 상태나 순응도가 나빠지는 것을 의미한다.
이러한 정규화된 데이터를 기반으로 새로운 데이터(사용자 건강 정보)가 입력되면 이를 바탕으로 사용자 상태를 예측하여 최적을 레시피를 생성할 수 있다.
사용자와 상호 작용이 많을수록 건강을 개선할 확률이 높아지도록 사용자에게 특화된 형태로 특정 레시피를 강화할 수 있다.
상기와 같이 생성된 레시피, 통계, 일정, 평가정보 등은 데이터 송수신부를 통해 건강 정보 단말(100)로 전송될 수 있다. 물론 이때 건강 정보 단말(100) 이외에 사용자가 미리 지정한 단말기가 있다면 해당 단말기로도 함께 전송할 수 있다.
건강 정보 단말(100)은 상기 데이터를 수신하여 표시부에 표시할 수 있다.
건강 정보 단말(100)은 표시부에 다양한 아이콘이나 UI(user interface)를 표시할 수 있다. 예를 들면, 계정관리, 통계조회, 이력조회, 레포트, 주의/경보, 복약/운동지시, 평가 등과 같은 아이콘을 표시할 수 있다. 사용자는 건강 정보 단말(100)에서 원하는 아이콘을 선택하면 그에 해당하는 정보를 표시할 수 있다.
또한, 본 발명에 의하면, 사용자 이외에 관리자도 레시피 및 관련 정보를 볼 수 있다. 즉, 건강 관리 장치(200)의 표시부에 표시되는 내용을 통해 이를 확인할 수 있다. 본 실시예에서, 관리자는 시스템 관리자, 병원 관리자, 및 헬스 케어 관리자 등을 모두 포함할 수 있다. 상기 관리자는 표시부에 표시되는 지시내용이나 사용자의 복약 여부 등을 확인하여 빠른 대응이 가능하다.
또한, 도 6은 건강 관리 장치의 표시부(250)에 표시되는 UI의 일 실시예를 나타낸 것이다.
도 6을 참조하면, 표시부(250)는 계정관리, 고객별 정보, 누적 그래프, 레시피 관리, 운용 설정 등의 메뉴를 표시할 수 있다. 관리자는 표시부(250)에 표시되는 사항을 모니터링 하여 필요한 조치를 신속히 취할 수 있다.
지금까지 본 발명에 따른 건강 관리 장치의 구성도를 살펴보았다.
도 7은 본 발명의 실시예에 따른 건강 정보 패턴의 일 예를 나타낸 것이다.
도 7a는 시간별, 날짜별 건강 정보 데이터의 변화를 데이터 시트에 기록한 예를 나타난 것이고, 도 7b는 혈당의 시간별 날짜별 패턴을 나타낸 것이고, 도 7c는 혈당값 기준으로 보여준 시간별 평균 혈당 패턴과 식사시간 및 영양정보를 0~1범위로 정규화(normalize)해서 나타낸 것이고, 도 7d는 매 시간별 혈당 패턴을 요일별로 나타낸 것이다. 본 실시예에서는 혈당 패턴을 요일별로 나타내었지만, 혈당 패턴 외 여러 파라미터 정보를 요일이나 날짜별로 나타낼 수도 있다.
도 7을 참조하면, 매 시간 별로 BGM(Blood Glucose Monitoring), 식사량, 수분섭취, 운동시간, 취침, TC(Total Cholesterol), TG(Triglyceride), HDL(High Density lipoprotein) 콜레스트롤 등과 같은 수치를 매일 기록할 수 있으며, 시간별로 혈당 패턴을 그래프로 나타낼 수도 있으며, 요일별로 혈당의 변화 패턴을 관찰할 수도 있다.
도 8은 건강 관리 단말(100)과 건강 관리 장치(200)간 메시지 송수신 내용을 나타낸 일 실시예이다. 본 실시예에서, 건강 관리 단말은 건강 관리 단말을 포함하는 경우를 나타낸 것이다.
도 8에 도시된 것과 같이 건강 관리 단말은 혈당 트렌드, 체중, 혈압, 병력, 식습관, 생활습관, 가족력 등을 건강 관리 장치로 전송한다(S710).
건강 관리 장치는 상기 정보를 수신하여 분석하여 사용자가 어느 그룹에 속하는지는 판단하고 판단 결과를 전송한다(S720). 도시된 바와 같이, "A님의 님의 정보 분석결과 혈당 패턴은 C 그룹으로 분류됩니다. C 그룹의 Recipe DB를 적용하여 앞으로 1개월씩 12단계 관리를 진행합니다."와 같은 메시지를 전송하고, "A 님의 이번달 목표는 기본 체력 강화입니다. 이번달에 꼭 해야 할 것은 식후30분 걷기, 잡곡식단, 복약순응, 해도 되는 것은 …하지 말아야 할 것은 …입니다."와 같은 메시지를 전송할 수 있다.
건강 관리 단말은 이를 체크하여(S730), 지시에 따라 운동 및 식단을 구성하여 생활한 후, 주기적으로 건강 정보와 지시 이행 여부에 대한 정보를 전송한다(S740). 예를 들어 "혈당값 전송(150), 식사유무 전송(적당), 복약유무 전송(유)"와 같은 메시지를 전송할 수 있다.
건강 관리 장치는 상기 사용자가 전송한 정보를 바탕으로 새로운 레시피를 생성하여 전송한다(S750). 예를 들어, "안녕하세요. A 님, 식전에 꼭 혈당 체크 부탁드려요. 혈당이 조금 높으세요. 아침은 현미로 천천히 씹어 드세요. 신선한 과일(사과)도 챙겨 드세요. 달걀은 한 개 이상 드시지 마세요. 식사하셨으면 약을 꼭 챙겨 드시고 30분 정도 걸어보세요."와 같은 메시지를 전송할 수 있다.
사용자는 지속적으로 이를 확인하고 변경된 레시피에 따라 생활하면서 간식이나 건장 보조제를 복용한 경우 이에 대한 정보를 전송한다(S760). 간식이나 건강 보조제에 대한 정보는 식품 바코드를 전송함으로써 전송할 수 있다.
건강 관리 장치는 지속적으로 모니터링 하면서 변화된 정보에 따라 새로운 지시를 전송한다(S770). 예를 들어, "안녕하세요. A 님, 간식에 포화지방이 많으니 조금만 드세요. 가족력과 유전자분석결과 고혈압 가능성도 있으니 붉은 육류는 줄이고 오메가-3를 섭취하세요. 종합비타민은 괜찮지만 A님은 신장질환이 있어 비타민 C는 일정량 이상 드시지는 마세요."와 같은 메시지를 전송할 수 있다.
사용자는 변화된 식단 및 레시피에 따라 생활하고 변화된 건강 정보 및 생활 정보를 전송한다(S780). 예를 들어, "저녁 식사 유무 전송(식단 바코드, 케이크/식빵), 혈당값 전송(160), 운동량 자동전송, 약품 전송(약품 바코드, 타이레놀)"과 같은 메시지를 전송할 수 있다. 운동량은 사용자의 움직임을 감지하는 센서가 자동으로 전송할 수 있으므로 운동량 자동 전송이라 표현하였다.
일정 기간이 경과하면 건강 관리 장치는 평가 결과를 전송한다(S790). 예를 들어, "안녕하세요. A 님, 이번달 목표를 모두 완수하셨습니다. C 그룹에서 상위 10%로 성과가 높습니다. 축하드리며 상품권 포인트 5천점을 보내드리니 필요한 곳에 잘 쓰세요. C 그룹의 5%는 식습관, 생활개선을 통해 정상 혈당을 유지하고 있습니다. A님도 남은 11개월 잘 실천 바랍니다."과 같은 메시지를 전송할 수 있다.
상기와 같은 방법에 의해 사용자의 건강 상태 정보 기반으로, 동일 사용자 그룹군과 비교하고 최적의 레시피를 생성하고, 사용자의 식단, 운동량, 복약 상태 등을 지속적으로 모니터링하여 사용자의 상태 변화에 따라 변화된 레시피를 제공할 수 있다.
도 9는 본 발명의 실시예에 따른 레시피 데이터베이스의 일 예를 나타낸 것이다.
도 9를 참조하면, 레시피는 처방, 음식, 보충제 필드를 포함하고, 각각의 필드에는 다양한 지시사항이 저장되어 있다.
예를 들어, 처방 필드의 경우, '과체중일 경우 체중을 줄이세요', '정제된 설탕과 알코올을 피하세요', '소금을 적당히만 섭취하세요' 등과 같은 메시지가 저장될 수 있다.
이외에도 데이터베이스는 권장 항목, 금지식단 항목, 보충 항목에 대한 데이터를 저장할 수 있다.
예를 들어, 권장 항목으로는 “탄수화물 섭취 중 일부를 좋은 불포화 지방과 오메가 3 지방산으로 대체해 드세요”, “통곡물, 고섬유질, 저혈당 식품을 선택해 드세요”와 같은 항목을 포함할 수 있고, 금지식단 항목으로는 “소화가 빠른 탄수화물 섭취를 줄이세요”, “고혈당 음식을 줄이세요”와 같은 항목을 포함할 수 있고, 보충 항목으로는 “크롬, 마그네슘, 셀렌은 인슐린 저항성 낮은 경우에 도움”, “시나몬과 인삼은 포도당 내성을 높입니다”와 가은 항목을 포함할 수 있다.
도 10는 본 발명의 실시예에 따른 실제 서비스 예시를 나타낸 것이다.
도 10를 참조하면, 사용자가 저녁식사 유무, 운동량, 복용 약품에 대한 정보 등을 전송하면, 건강 관리 장치에서는 사용자의 건강 정보를 기반으로 그에 적합한 레시피를 생성하여 사용자에게 전송할 수 있다.
이상에서 본 발명에 따른 실시예들이 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 다음의 특허청구범위에 의해서 정해져야 할 것이다.
100 : 건강 관리 단말
200 : 건강 관리 장치
300 : 데이터베이스

Claims (25)

  1. 사용자의 건강 정보를 기반으로 사용자가 이행해야 할 하나 이상의 항목을 포함하는 레시피를 생성하는 레시피 생성 단계; 및
    사용자 건강 정보 및 상기 레시피를 이용하여 상기 사용자의 순응도를 분석하는 순응도 분석 단계;를 포함하는 건강 관리 방법.
  2. 제1항에 있어서,
    상기 순응도 분석 단계는 상기 분석된 순응도를 기반으로 사용자의 미래 순응도 및 건강상태를 예측하는 건강 관리 방법.
  3. 제2항에 있어서,
    상기 건강정보와 순응도 또는 예측된 순응도에 따라 상기 레시피를 수정하는 단계를 더 포함하는 건강 관리 방법.
  4. 제1항에 있어서,
    상기 레시피 생성 단계는,
    데이터베이스를 기반으로 기존 환자 정보에 대한 다양한 환자군에 대한 건강 패턴을 학습하는 사전 단계를 거친 상태에서, 상기 사용자 건강 정보를 상기 학습된 건강 패턴에서 가장 유사하게 매칭되는 패턴을 먼저 찾은 뒤 평가하여 레시피를 생성하는 단계를 포함하는 건강 관리 방법.
  5. 제1항에 있어서,
    상기 순응도 분석 단계는,
    상기 데이터베이스를 기반으로 기존 환자들의 순응도 패턴을 학습하는 단계;
    상기 사용자 건강 정보 및 순응도 패턴을 상기 학습된 순응도 패턴에 따라 사용자의 순응도를 예측하는 단계를 포함하는 건강 관리 방법.
  6. 제4항에 있어서,
    상기 건강 정보를 클러스터링 하거나 머신 러닝이나 신경망을 포함하는 학습 알고리즘을 통하여 건강 패턴 학습을 최적화하는 단계를 더 포함하는 건강 관리 방법.
  7. 제5항에 있어서,
    상기 학습된 순응도 패턴 정보를 클러스터링 하거나 머신 러닝이나 신경망을 포함하는 학습 알고리즘을 통하여 순응도 학습을 최적화하는 단계를 더 포함하는 건강 관리 방법.
  8. 제1항에 있어서,
    상기 항목은 건강 정보 측정 규칙, 운동량, 활동성, 식단, 수면시간, 복약규칙, 및 건강보조제, 스트레스 관리, 체중, BMI, 병원검진, 약국내원, 식품관련 구매정보, SNS나 전화를 포함하는 사회 활동 정보 중 하나 이상에 대한 정보를 포함하는 건강 관리 방법.
  9. 제3항에 있어서,
    상기 레시피를 수정하는 단계는 사용자의 건상상태 또는 순응도 패턴에 따라 특정 레시피 항목을 추가, 삭제, 강화, 완화 중 하나 이상을 하도록 수정하는 건강 관리 방법.
  10. 제1항에 있어서,
    상기 건강정보, 순응도, 및 레시피를 저장부에 저장하는 단계; 및
    상기 저장부에 저장된 데이터를 분석하여 사용자 건강 상태의 변화 및 그에 따른 레시피의 변화를 통계로 작성하는 단계;를 더 포함하는 건강 관리 방법.
  11. 제1항에 있어서,
    레시피에 지정된 시간이 되거나 이벤트가 발생한 경우 레시피 정보를 미리 등록된 단말로 전송하는 단계를 더 포함하는 건강 관리 방법.
  12. 제1항에 있어서,
    상기 사용자 건강 정보를 외부 기기로부터 수신하는 단계를 더 포함하는 건강 관리 방법.
  13. 제11항에 있어서,
    상기 레시피 정보와 함께 사용자의 건강 관리를 개선시키거나 예방하거나 사용자의 자기 관리 의지를 높여줄 수 있는 정보를 더 전송하고,
    상기 정보는 사용자의 건강 관리를 개선시키거나 예방하거나 사용자의 자기 관리 의지를 높여줄 수 있는 이벤트, 사은품 제공, 구매 정보, 건강 정보, 예방 접종 정보, 약품 정보, 식품 정보 중 하나 이상을 포함하는 건강 관리 방법.
  14. 제1항에 있어서,
    상기 레시피 생성 단계는,
    가장 유사하게 매칭되는 패턴의 정보에서 사용자에게 적합한 것을 더 평가하여 수정된 최적의 레시피를 생성하는 건강 관리 방법.
  15. 제12항에 있어서,
    상기 수신하는 단계에서의 수신 정보는 복약, 식사, 운동, 수면, 병원 검진, 유전 정보, 문진 정보, 약품, 칼로리 소모정보, 음식별 혈당이나 혈액내 대사 반응 정보, 건강 검진 정보, 알레르기나 부작용, 합병증 정보, 영양 및 보조제 중의 어느 하나 이상과 관련된 유무, 시간, 양을 포함하는 부가정보를 포함하는 건강 관리 방법.
  16. 제12항에 있어서,
    상기 수신하는 단계에서의 수신 정보의 형태는 문자, 숫자, 이미지, 사진, 동영상, 바코드 중 하나 이상을 포함하는 것을 특징으로 하는 건강 관리 방법.
  17. 제1항에 있어서,
    상기 레시피 및 순응도 정보를 미리 설정된 외부 장치로 전송하거나 공유하는 단계를 더 포함하는 건강 관리 방법.
  18. 제1항에 있어서,
    상기 레시피 및 순응도 정보는 미리 설정된 외부기기와 연계되어 외부기기에 의해 관리되는 단계를 더 포함하는 건강 관리 방법.
  19. 제1항 또는 제3항에 있어서,
    상기 레시피는 사용자가 이행해야 할 항목에 대한 시간, 일별, 주간별, 월별, 연도별 이행 중 하나 이상을 을 포함하거나 즉시 이행 가능한 이벤트를 포함하는 것을 특징으로 하는 건강 관리 방법.
  20. 제1항에 있어서,
    상기 레시피는 개별 질환, 복합질환, 또는 질병이 없는 일반인의 건강을 관리하기 위한 항목을 포함하는 것을 특징으로 하는 건강 관리 방법.
  21. 제1항에 있어서,
    상기 레시피는 필수 사항, 권장 사항, 금지 사항, 보충 정보 중 하나 이상을 포함하는 것을 특징으로 하는 건강 관리 방법.
  22. 제11항 또는 제12항에 있어서,
    상기 전송 및 수신하는 방법은 IP망, 모바일망, 비모바일 전용망 중의 하나인 것을 특징으로 하는 건강 관리 방법.
  23. 제1항 에 있어서,
    레시피 생성 단계는, 상기 사용자의 건강 정보가 없는 경우, 미리 설정된 기준 건강 정보를 기반으로 레시피를 생성하는 건강 관리 방법.
  24. 사용자 건강 정보를 기반으로 사용자가 이행해야 할 하나 이상의 항목을 포함하는 레시피를 생성하는 레시피 생성부; 및
    사용자 건강 정보 및 상기 레시피를 이용하여 상기 사용자의 순응도를 분석하는 순응도 분석부;를 포함하는 건강 관리 장치.
  25. 상기 24항에 있어서,
    상기 건강 관리 장치는 상기 사용자의 건강 정보가 없는 경우, 사용자의 행동양식, 식습관, 환경 정보 중 하나 이상을 포함하는 건강 보조 정보 또는 미리 설정된 기준 건강 정보를 기반으로 미래의 순응도 및 건강 상태를 예측하고 레시피를 수정하는 건강 관리 장치.


KR1020170061982A 2017-05-19 2017-05-19 건강 관리 방법 및 장치 KR102321737B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170061982A KR102321737B1 (ko) 2017-05-19 2017-05-19 건강 관리 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170061982A KR102321737B1 (ko) 2017-05-19 2017-05-19 건강 관리 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20180126911A true KR20180126911A (ko) 2018-11-28
KR102321737B1 KR102321737B1 (ko) 2021-11-05

Family

ID=64561556

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170061982A KR102321737B1 (ko) 2017-05-19 2017-05-19 건강 관리 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102321737B1 (ko)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102043959B1 (ko) * 2019-07-25 2019-11-12 (주)어메이징푸드솔루션 개인별 유전자 유형과 개인건강기록 데이터에 근거한 맞춤형 식단 추천 시스템
KR102052558B1 (ko) * 2019-04-30 2019-12-06 주식회사 비알네트콤 질환 예측 기반의 사용자 맞춤형 정보 제공 장치 및 그 방법
WO2020149664A1 (ko) * 2019-01-18 2020-07-23 삼성전자 주식회사 사용자 그룹의 유전 정보에 기반하여 서비스를 제공하기 위한 방법 및 그 전자 장치
KR20200096338A (ko) * 2019-02-01 2020-08-12 금오공과대학교 산학협력단 블렌더를 이용한 당뇨병 관리 시스템
KR20210009683A (ko) * 2019-07-17 2021-01-27 혁 허 건강검진표를 이용한 사용자 맞춤형 온라인 추천 시스템 및 방법
KR20210102729A (ko) * 2020-02-12 2021-08-20 동의과학대학교산학협력단 재가노인을 위한 식단 레시피 제공 시스템
WO2021201435A1 (ko) * 2020-03-30 2021-10-07 주식회사 헤링스 사용자의 생활습관 관리 방법 및 장치
WO2021201633A1 (ko) * 2020-04-03 2021-10-07 박민구 인증 어플리케이션을 이용한 헬스 케어 시스템 및 방법
KR20210149929A (ko) * 2020-06-02 2021-12-10 중앙대학교 산학협력단 복약관리장치 및 이를 이용한 복약관리방법 및 복약관리시스템
KR20220014226A (ko) * 2020-07-28 2022-02-04 주식회사 모노랩스 사용자 정보 기반의 서플먼트 복용 체크 시스템
CN114159052A (zh) * 2020-09-11 2022-03-11 王志轩 具个人化饮食代谢监测、分析、预测及管理***的血糖机
KR20220052225A (ko) 2020-10-20 2022-04-27 김창호 건강관리서버 및 그것의 동작방법
KR102462574B1 (ko) * 2021-10-19 2022-11-03 주식회사 모노라마 만성질환자의 순응도 및 상태 예측을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
KR20220149927A (ko) * 2021-04-30 2022-11-10 아우름케어매니지먼트 주식회사 머신러닝을 활용한 복약순응 위험도 예측 시스템 및 방법
KR102510738B1 (ko) * 2022-10-25 2023-03-20 주식회사 정션메드 만성질환자를 대상으로 하는 맞춤형 복약 관리 서비스를 제공하는 방법 및 장치
KR102560486B1 (ko) * 2022-04-27 2023-07-27 주식회사 지아이비타 이용자의 라이프로그를 기반으로 한 인공지능을 통한 개인 맞춤형 건강 생활습관 가이드 시스템
KR102566212B1 (ko) * 2022-11-03 2023-08-11 에버엑스 주식회사 통증 환자를 위한 인지 행동 치료 제공 방법 및 시스템
WO2024048836A1 (ko) * 2022-08-31 2024-03-07 뉴로핏 주식회사 치료 효과 평가에 따른 치료 처방 재설계 장치 및 방법
WO2024053868A1 (en) * 2022-09-06 2024-03-14 Samsung Electronics Co., Ltd. System and method for stress profiling and personalized stress intervention recommendation
WO2024085504A1 (ko) * 2022-10-18 2024-04-25 가톨릭대학교 산학협력단 사용자 정보에 기초한 관리 정보를 제공하는 헬스 케어 정보 제공 시스템 및 그 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110088233A (ko) * 2010-01-28 2011-08-03 삼성전자주식회사 원격 의료 방법 및 이를 이용한 원격 의료 시스템
KR20130112939A (ko) * 2011-01-10 2013-10-14 프로테우스 디지털 헬스, 인코포레이티드 행동 변화를 프롬프트하기 위한 시스템, 방법, 및 물품
KR20160139802A (ko) * 2015-05-28 2016-12-07 엘지전자 주식회사 이동단말기 및 그 동작방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110088233A (ko) * 2010-01-28 2011-08-03 삼성전자주식회사 원격 의료 방법 및 이를 이용한 원격 의료 시스템
KR20130112939A (ko) * 2011-01-10 2013-10-14 프로테우스 디지털 헬스, 인코포레이티드 행동 변화를 프롬프트하기 위한 시스템, 방법, 및 물품
KR20160139802A (ko) * 2015-05-28 2016-12-07 엘지전자 주식회사 이동단말기 및 그 동작방법

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020149664A1 (ko) * 2019-01-18 2020-07-23 삼성전자 주식회사 사용자 그룹의 유전 정보에 기반하여 서비스를 제공하기 위한 방법 및 그 전자 장치
KR20200096338A (ko) * 2019-02-01 2020-08-12 금오공과대학교 산학협력단 블렌더를 이용한 당뇨병 관리 시스템
KR102052558B1 (ko) * 2019-04-30 2019-12-06 주식회사 비알네트콤 질환 예측 기반의 사용자 맞춤형 정보 제공 장치 및 그 방법
KR20210009683A (ko) * 2019-07-17 2021-01-27 혁 허 건강검진표를 이용한 사용자 맞춤형 온라인 추천 시스템 및 방법
KR102043959B1 (ko) * 2019-07-25 2019-11-12 (주)어메이징푸드솔루션 개인별 유전자 유형과 개인건강기록 데이터에 근거한 맞춤형 식단 추천 시스템
KR20210102729A (ko) * 2020-02-12 2021-08-20 동의과학대학교산학협력단 재가노인을 위한 식단 레시피 제공 시스템
WO2021201435A1 (ko) * 2020-03-30 2021-10-07 주식회사 헤링스 사용자의 생활습관 관리 방법 및 장치
KR20210121496A (ko) * 2020-03-30 2021-10-08 주식회사 헤링스 사용자의 생활습관 관리 방법 및 장치
WO2021201633A1 (ko) * 2020-04-03 2021-10-07 박민구 인증 어플리케이션을 이용한 헬스 케어 시스템 및 방법
KR20210123623A (ko) * 2020-04-03 2021-10-14 박민구 인증 어플리케이션을 이용한 헬스 케어 시스템 및 방법
KR20210149929A (ko) * 2020-06-02 2021-12-10 중앙대학교 산학협력단 복약관리장치 및 이를 이용한 복약관리방법 및 복약관리시스템
KR20220014226A (ko) * 2020-07-28 2022-02-04 주식회사 모노랩스 사용자 정보 기반의 서플먼트 복용 체크 시스템
CN114159052A (zh) * 2020-09-11 2022-03-11 王志轩 具个人化饮食代谢监测、分析、预测及管理***的血糖机
CN114159052B (zh) * 2020-09-11 2023-10-31 王志轩 具个人化饮食代谢监测、分析、预测及管理***的血糖机
KR20220052225A (ko) 2020-10-20 2022-04-27 김창호 건강관리서버 및 그것의 동작방법
KR20220149927A (ko) * 2021-04-30 2022-11-10 아우름케어매니지먼트 주식회사 머신러닝을 활용한 복약순응 위험도 예측 시스템 및 방법
KR102462574B1 (ko) * 2021-10-19 2022-11-03 주식회사 모노라마 만성질환자의 순응도 및 상태 예측을 위한 인공지능학습 모델의 학습 방법 및 그 시스템
KR102560486B1 (ko) * 2022-04-27 2023-07-27 주식회사 지아이비타 이용자의 라이프로그를 기반으로 한 인공지능을 통한 개인 맞춤형 건강 생활습관 가이드 시스템
WO2024048836A1 (ko) * 2022-08-31 2024-03-07 뉴로핏 주식회사 치료 효과 평가에 따른 치료 처방 재설계 장치 및 방법
WO2024053868A1 (en) * 2022-09-06 2024-03-14 Samsung Electronics Co., Ltd. System and method for stress profiling and personalized stress intervention recommendation
WO2024085504A1 (ko) * 2022-10-18 2024-04-25 가톨릭대학교 산학협력단 사용자 정보에 기초한 관리 정보를 제공하는 헬스 케어 정보 제공 시스템 및 그 방법
KR102510738B1 (ko) * 2022-10-25 2023-03-20 주식회사 정션메드 만성질환자를 대상으로 하는 맞춤형 복약 관리 서비스를 제공하는 방법 및 장치
KR102563697B1 (ko) 2022-10-25 2023-08-10 주식회사 정션메드 환자의 복약 이행률을 높일 수 있는 맞춤형 복약 관리 서비스를 제공하는 방법 및 장치
KR102566212B1 (ko) * 2022-11-03 2023-08-11 에버엑스 주식회사 통증 환자를 위한 인지 행동 치료 제공 방법 및 시스템
WO2024096203A1 (ko) * 2022-11-03 2024-05-10 에버엑스 주식회사 통증 환자를 위한 인지 행동 치료 제공 방법 및 시스템
KR20240063752A (ko) * 2022-11-03 2024-05-10 에버엑스 주식회사 통증 환자를 위한 인지 행동 치료 제공 방법 및 시스템

Also Published As

Publication number Publication date
KR102321737B1 (ko) 2021-11-05

Similar Documents

Publication Publication Date Title
KR102321737B1 (ko) 건강 관리 방법 및 장치
US20230410166A1 (en) Facilitating integrated behavioral support through personalized adaptive data collection
US11521748B2 (en) Health risk score for risk stratification and compliance monitoring for next best action
US11039748B2 (en) System and method for predictive modeling and adjustment of behavioral health
US20210391081A1 (en) Predictive guidance systems for personalized health and self-care, and associated methods
US9370689B2 (en) System and methods for providing dynamic integrated wellness assessment
KR102400740B1 (ko) 사용자의 건강상태 모니터링 시스템 및 이의 분석 방법
Oyebode et al. Machine learning techniques in adaptive and personalized systems for health and wellness
KR20180129778A (ko) 건강 상태 증진을 위한 집합적 및 연속적 학습을 제공하는 시스템 및 방법
US20190006040A1 (en) Cognitive diabetic regulator
US20220192556A1 (en) Predictive, diagnostic and therapeutic applications of wearables for mental health
EP3844778A1 (en) Digital companion for healthcare
WO2022170099A1 (en) Predicting adverse health events
Yoldemir Internet of Things and women’s health
US20210407667A1 (en) Systems and methods for prediction of unnecessary emergency room visits
KR20230059360A (ko) 비식별화된 개인건강정보를 활용하여 맞춤형서비스를 제공하는 시스템 및 방법
Jain et al. Early Diabetes Prediction Using Deep Ensemble Model and Diet Planning
Soma et al. A survey on iomt based food recommendation system
US20230134811A1 (en) Systems and methods for score based clusters
WO2021171596A1 (ja) 推論システム、学習依頼装置、および学習依頼方法
Evwiekpaefe et al. A Food Recommender System for Patients with Diabetes and Hypertension
Khanam et al. From data to insights: Leveraging machine learning for diabetes management
KR20230103601A (ko) 인공지능에 기반한 개인 맞춤형 건강관리 컨텐츠 제공 방법 및 시스템
WO2021243336A1 (en) Evaluating pain of a user via time series of parameters from portable monitoring devices
Alkhawaldeh Prediction of patient cost categories using neural networks and Support Vector Machines

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)