KR20220090965A - 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템 - Google Patents
유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템 Download PDFInfo
- Publication number
- KR20220090965A KR20220090965A KR1020200182010A KR20200182010A KR20220090965A KR 20220090965 A KR20220090965 A KR 20220090965A KR 1020200182010 A KR1020200182010 A KR 1020200182010A KR 20200182010 A KR20200182010 A KR 20200182010A KR 20220090965 A KR20220090965 A KR 20220090965A
- Authority
- KR
- South Korea
- Prior art keywords
- companion animal
- disease
- breed
- learning
- similar
- 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
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 동물병원의 EMR로부터 수집되는 진료기록을 빅데이터화 하고, 딥러닝(Deep Learning) 엔진에 적용하여 학습함으로써, 반려동물의 품종, 나이, 몸무게별로 호흡수, 맥박수에 따라 반려동물의 질병 종류 및 질병의 확률을 분석하고, 특정 품종에 대한 데이터값이 적을 때 유사한 품종의 학습모델을 전이(Transfer Learning)하여 딥러닝 기반의 질병 분석엔진으로 사용되도록 하여 인공지능 분석의 정확도 및 효율성을 향상시킬 수 있는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템에 관한 것이다.
본 발명에 의하면, 반려동물 품종별 학습모델을 생성할 때 특정 품종에 대한 측정 데이터값이 적어 해당 품종의 측정 데이터만으로는 인공지능 기반의 학습이 어려울 때 유사한 반려동물 품종의 학습모델을 전이(Transfer Learning)하여 딥러닝 기반의 질병 분석엔진으로 사용되도록 함으로써, 처음부터 새롭게 학습하는 경우에 비해 학습의 속도가 빨라지거나 최종 모델의 성능이 높아지는 효과를 가져올 수 있다.
본 발명은 정보통신산업진흥원(pj014569222020) "동물병원 EMR과 연동되는 딥러닝을 활용한 반려견 심장 질환 추적 시스템 개발"을 통해 개발된 기술이다.
본 발명에 의하면, 반려동물 품종별 학습모델을 생성할 때 특정 품종에 대한 측정 데이터값이 적어 해당 품종의 측정 데이터만으로는 인공지능 기반의 학습이 어려울 때 유사한 반려동물 품종의 학습모델을 전이(Transfer Learning)하여 딥러닝 기반의 질병 분석엔진으로 사용되도록 함으로써, 처음부터 새롭게 학습하는 경우에 비해 학습의 속도가 빨라지거나 최종 모델의 성능이 높아지는 효과를 가져올 수 있다.
본 발명은 정보통신산업진흥원(pj014569222020) "동물병원 EMR과 연동되는 딥러닝을 활용한 반려견 심장 질환 추적 시스템 개발"을 통해 개발된 기술이다.
Description
본 발명은 반려동물의 질병 종류 및 확률 분석 시스템에 관한 것으로, 보다 상세하게는 반려동물에서 수집된 데이터와 동물병원의 진료데이터를 분석할 때 반려동물의 품종에 해당하는 데이터가 부족하여 딥러닝을 이용한 분석이 어려운 경우 유사한 반려동물 품종의 진료데이터를 전이학습(Transfer Learning)하여 반려동물의 질병 종류 및 확률을 분석하는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템에 관한 것이다.
반려동물 천만 시대에 진입하면서 펫코노미(Petconomy)가 활성화되고 있으며, 2016년 2조2천900억 규모로 집계된 펫코노미 시장은 2020년에 5조 8천억원 정도의 시장 규모로 빠르게 확대되고 있다.
여기서, 펫코노미는 반려동물과 관련된 시장 또는 산업을 일컫는 신조어로서, 반려동물을 뜻하는 펫(Pet)과 경제를 뜻하는 이코노미(Economy)의 합성어이며, 펫 택시, 펫 유치원, 펫 장례서비스, 펫 IT 서비스 등 기존에 없던 새로운 펫코노미 시장이 도래하고 있다.
이로 인해, 반려동물의 진료정보 및 건강정보를 체계적으로 관리하고, 반려동물의 입양에서 장례시점까지 품종별/월령별로 관리할 수 있는 반려동물의 건강 및 질병관리 서비스가 요구되고 있으며, 반려동물의 건강정보에 따라 병원비 부담을 경감하기 위하여 펫보험을 포함하는 인슈어테크(Insurtech) 서비스 등이 요구되고 있는 실정이다.
한편, 인공지능 기법을 이용한 다양한 알고리즘들이 개발되어 왔으며, 의료정보에도 인공지능을 적용하여 임상의사결정에 도움을 받고자 하는 시도가 활발히 진행되고 있다.
특허 제10-1884609호는 "모듈강화된 강화학습을 통한 질병 진단 시스템"에 관한 것으로서, 의료영상, 병력, 건강수치, 가족력, 성별, 인종 등의 의료정보를 기반으로 심플 러닝(simple learning)을 통해 생성한 초기 학습데이터를 의사의 의견을 반영하여 정제하고, 정제한 최종 학습데이터를 토대로 기계학습을 수행하여 예측모델을 생성함으로써, 학습데이터의 생성 및 정제를 수행하는 과정에서 양질의 학습 데이터를 최대한 확보하여 기계학습이 이루어지도록 하고, 이를 통해 생성한 예측모델의 예측 성능을 향상시킬 수 있도록 하는 모듈화된 강화학습을 통한 질병 진단 시스템을 제공한다.
특허 제10-1857624호는 "임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치"에 관한 것으로서, 임상정보를 반영하고 기계학습 알고리즘을 활용하여 2차원 영상 또는 3차원 영상을 획득하는 단계, 2차원 영상 또는 3차원 영상을 변환한 2차원 영상을 전처리하는 단계, 전처리된 의료영상에서 제1 특징정보를 추출하는 단계, 획득한 임상정보를 전처리하는 단계, 전처리된 임상정보에서 제2 특징정보를 추출하는 단계, 제1 특징정보와 제2 특징정보를 결합 및 적재하는 단계, 및 적재된 특징 정보들을 기계학습 알고리즘에 입력하여 진단하는 단계를 포함하는 의료영상 진단 방법 및 장치를 제공한다.
특허 제10-1610886호는 "빅데이터에 기초하는 개인 상태 진단 방법 및 개인 상태 진단 시스템"에 관한 것으로서, 빅데이터로부터 일련의 정보를 추출하고 그리고 추출된 정보에 기초하여 환경적인 요인이 개인에게 미치는 영향을 탐색하고 그에 의하여 개인상태를 진단하는 방법 및 시스템을 제공한다.
다만, 위와 같은 선행기술들은 사람의 질병 진단 등을 위한 기술이다. 사람의 질병에 대해서는 문진(問診)을 통한 증상 수집과 이에 따른 기초적인 임상정보 수집이 용이하며, 위의 선행기술들 역시 의학적 진단 이전의 증세 파악에 대한 문제는 특별히 거론된 바 없다.
그러나, 동물은 문진이 불가능하므로 증상 관찰만으로 질병을 진단하고 처방을 도출해야 하는 어려움이 있다. 즉, 사람의 질병 진단은 문진과 증상 관찰을 병행하며 의심 질병의 범위를 좁히고, 좁혀진 질병에 대한 검사를 수행함으로써 확진을 내릴 수 있음에 반해 동물의 질병 진단은 오로지 증상 관찰을 통해서만 의심 질병을 도출할 수 있는 것이다. 따라서 컴퓨터 프로그램을 통한 동물의 질병 진단 과정은 사람의 질병 진단 과정과는 다른 논리 구조 및 솔루션이 필요하다.
본 발명은 정보통신산업진흥원(pj014569222020) "동물병원 EMR과 연동되는 딥러닝을 활용한 반려견 심장 질환 추적 시스템 개발"을 통해 개발된 기술이다.
본 발명은 상기한 바와 같은 문제점을 개선하기 위한 것으로, 동물병원의 EMR로부터 수집되는 진료기록을 빅데이터화 하고, 딥러닝(Deep Learning) 엔진에 적용하여 학습함으로써, 반려동물의 품종, 나이, 몸무게별로 호흡수, 맥박수에 따라 반려동물의 질병 종류 및 질병의 확률을 분석하고, 특정 품종에 대한 데이터값이 적을 때 유사한 품종의 학습모델을 전이(Transfer Learning)하여 딥러닝 기반의 질병 분석엔진으로 사용되도록 하여 인공지능 분석의 정확도 및 효율성을 향상시킬 수 있는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템을 제공하는 것을 목적으로 한다.
또한, 본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기한 바와 같은 목적을 달성하기 위하여 본 발명은, 반려동물의 몸에 착용되어 반려동물의 호흡수를 측정하는 호흡측정수단; 반려동물의 몸에 착용되어 반려동물의 맥박수를 측정하는 맥박측정수단; 상기 호흡측정수단 및 맥박측정수단이 측정한 호흡수와 맥박수와 함께 해당 반려동물의 품종, 나이, 몸무게를 인터넷을 이용하여 동물병원의 EMR 서버로 전송하는 전송수단; 상기 전송수단에서 수신한 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게를 전자차트에 기록하고, 전자차트에 기록된 반려동물의 정보에 대한 수의사의 진단정보를 데이터베이스에 저장하는 동물병원의 EMR(Electronic Medical Record) 서버; 상기 EMR 서버로부터 데이터베이스에 저장된 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게와 이에 대한 수의사의 진단정보를 수집하고, 수집된 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게와 수의사의 진단정보를 딥러닝(Deep Learning) 기반의 질병 분석엔진으로 분석하여 반려동물의 질병 종류 및 확률을 분석하는 질병확률 분석서버; 상기 EMR 서버의 데이터베이스에 저장된 반려동물의 데이터를 활용하여 품종별 학습모델을 생성하고, 특정 품종에 대한 데이터값이 적을 때 유사한 품종의 학습모델을 전이(Transfer Learning)하여 상기 딥러닝 기반의 질병 분석엔진으로 사용되도록 하는 학습모델 전이부; 및 상기 EMR 서버로부터 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게가 접수되면 상기 질병확률 분석서버의 분석 내용을 바탕으로 반려동물의 질병 종류 및 질병 확률을 제시하는 질병 분석부를 포함한다.
상기 질병 분석부가 분석한 내용을 수신하는 반려동물 보호자의 보호자 단말을 더 포함하는 것을 특징으로 한다.
상기 질병 분석부는 반려동물의 질병 종류 및 질병 확률에 대해 확률이 높은 순서대로 분석하며, 질병 확률이 일정 수준 이상되는 질병에 대해서는 상기 보호자 단말에 전송시 알람을 통해 알려주는 것을 특징으로 한다.
상기 질병 분석부가 판단한 내용에 대해서 반려동물의 보호자와 동물병원의 EMR 서버로부터 피드백을 받아서 질병 분석부가 판단한 내용이 맞거나 틀리다면 이를 상기 딥러닝 기반의 질병 분석엔진에 반영하여 질병 종류 및 확률을 예측하는 학습 정확도를 향상시키는 질병 정확도 보정부를 더 포함하는 것을 특징으로 한다.
상기 질병 분석부가 각 반려동물의 호흡수, 맥박수 패턴에 대해 일정 주기마다 지속적으로 분석하여 해당하는 질병의 확률이 높아지는 것으로 관찰되는 경우 위험 단계로 진입하기 전에 상기 보호자 단말에 미리 알려주는 질병 사전 예측부를 더 포함하는 것을 특징으로 한다.
상기 학습모델 전이부는 유사한 품종의 학습모델의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 상기 딥러닝 기반의 질병 분석엔진을 생성하는 것을 특징으로 한다.
상기 EMR 서버의 데이터베이스에서 기 설정된 기준에 따라 비교하여 특정 품종의 반려동물과 품종, 나이, 몸무게가 정량적으로 유사한 반려동물의 데이터를 검색하는 유사 반려동물 검색부를 더 포함하고, 상기 학습모델 전이부는 유사 반려동물 검색부에서 검색한 반려동물의 데이터를 활용하여 유사한 품종의 학습모델을 생성하고 전이하여 상기 딥러닝 기반의 질병 분석엔진으로 사용되도록 하는 것을 특징으로 한다.
이상에서 설명한 바와 같이 상기와 같은 구성을 갖는 본 발명은, 반려동물에 장착되는 호흡측정수단과 맥박측정수단에서 측정되는 호흡수와 맥박수는 동물병원의 EMR 서버에 계속적으로 기록되어 저장되고, 이러한 누적 데이터베이스 정보를 딥러닝 기반의 질병 분석엔진으로 분석함으로써, 반려동물의 품종, 나이, 몸무게에 따른 호흡수와 맥박수의 정상 범위를 알 수가 있고, 정상 범위를 벗어나는 경우 반려동물의 품종, 나이, 몸무게에 따른 호흡수와 맥박수를 관찰하여 질병의 종류와 해당하는 질병의 확률을 분석하여 동물병원의 수의사 및 반려동물 보호자에게 알려줄 수가 있다.
또한, 반려동물 품종별 학습모델을 생성할 때 특정 품종에 대한 측정 데이터값이 적어 해당 품종의 측정 데이터만으로는 인공지능 기반의 학습이 어려울 때 유사한 반려동물 품종의 학습모델을 전이(Transfer Learning)하여 딥러닝 기반의 질병 분석엔진으로 사용되도록 함으로써, 효율적인 딥러닝 학습이 가능하다.
그리고 본 발명에 의하면 반려동물의 품종, 나이, 몸무게에 따른 호흡수와 맥박수를 분석하여 어떤 질병이 의심되는지 그리고 해당하는 질병의 확률을 분석 및 제시함으로써, 반려동물의 각종 질병을 사전에 예측할 수가 있어, 건강 및 질병을 관리할 수 있는 효과를 거둘 수 있다.
나아가, 본 발명은, 정부, 동물보호단체, 수의학계 및 관련기업 등 반려동물 산업생태계 참여자들이 다각도로 활용 가능한 신뢰도 높은 빅 데이터(Big Data)를 확보할 수 있고, 반려동물의 입양부터 장례 시점까지 생애주기별 질병정보/건강정보/양육관리정보를 반려동물 관련 모든 서비스와 산업에 활용할 수 있으며, 이로 인해 반려동물 연관 사업 확장에 활용할 수 있어 반려동물 연관 사업의 시장 확대에 기여할 수 있을 뿐만 아니라, 빅 데이터화로 산업적 활용도를 증대하고, 반려동물의 질병/건강/양육관리 데이터를 하나로 통합하여 일관된 관리프로세스 표준안 제시할 수 있어 반려동물 건강 질병 데이터베이스 정보 구축할 수 있으며, 반려동물의 보호자인 반려인이 체감할 수 있는 서비스의 상용화로 동물 등록 서비스의 순기능을 확대할 수 있는 효과를 거둘 수 있다.
도 1은 본 발명에 의한 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템의 일 실시예를 나타내는 구성도
도 2는 본 발명에 의한 질병확률 분석서버의 기능 블록도
도 3은 반려동물의 품종, 나이, 몸무게에 따른 호흡수와 맥박수의 관찰 결과 정상인 경우와 이상일 때는 어떤 질병이 의심되는지를 질병 종류별로 나타낸 그래프의 예시도
도 4는 본 발명에 따라 유사한 반려동물 품종에서 수집된 데이터를 활용하여 유사한 품종의 학습모델을 생성한 후 전이하여 전이학습모델에서 사용하는 모습을 나타낸 개념도
도 2는 본 발명에 의한 질병확률 분석서버의 기능 블록도
도 3은 반려동물의 품종, 나이, 몸무게에 따른 호흡수와 맥박수의 관찰 결과 정상인 경우와 이상일 때는 어떤 질병이 의심되는지를 질병 종류별로 나타낸 그래프의 예시도
도 4는 본 발명에 따라 유사한 반려동물 품종에서 수집된 데이터를 활용하여 유사한 품종의 학습모델을 생성한 후 전이하여 전이학습모델에서 사용하는 모습을 나타낸 개념도
이하, 본 발명에 의한 바람직한 실시예를 첨부된 도면을 참조하면서 상세하게 설명한다. 또한, 본 실시예에서는 본 발명의 권리범위를 한정하는 것은 아니고, 단지 예시로 제시한 것이며, 그 기술적인 요지를 이탈하지 않는 범위 내에서 다양한 변경이 가능하다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고, 상세한 설명에 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
본 명세서에 사용되는 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 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.
또한, 명세서에 기재된 "부", "유닛", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
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 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부된 도면을 참고로 본 발명의 바람직한 실시 예에 대하여 설명한다.
도 1 내지 도 4를 참고하면, 동물병원의 EMR과 연동되는 딥러닝 기반의 반려동물 심장질환 진단 시스템은 반려동물의 몸에 착용되는 호흡측정수단(110) 및 맥박측정수단(120), 호흡측정수단(110)과 맥박측정수단(120)으로부터 블루투스 통신을 통해 데이터를 수신하여 외부로 전송하는 전송수단(200), 동물병원의 EMR 서버(300), 동물병원의 EMR 서버(300)에서 데이터를 수집하여 빅데이터로 가공 및 관리하고 이를 분석하는 질병확률 분석서버(400) 및 질병확률 분석서버(400)의 분석 내용을 수신하는 반려동물 보호자의 보호자 단말(500)로 구성된다.
호흡측정수단(110)과 맥박측정수단(120)은 각각 반려동물의 몸에 착용되어 반려동물의 호흡수와 맥박수를 측정한다.
전송수단(200)은 상기 호흡측정수단(110) 및 맥박측정수단(120)이 측정한 호흡수와 맥박수와 함께 해당 반려동물의 품종, 나이, 몸무게를 인터넷을 이용하여 동물병원의 EMR 서버(300)로 전송한다. 전송수단(200)은 호흡측정수단(110) 및 맥박측정수단(120)과 블루투스 통신을 하며, 반려동물 보호자의 스마트폰 등을 이용할 수 있다.
동물병원의 EMR 서버(300)는 상기 전송수단(200)에서 수신한 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게를 전자차트에 기록하고, 전자차트에 기록된 반려동물의 정보에 대한 수의사의 진단정보를 데이터베이스에 저장한다.
질병확률 분석서버(400)는 EMR 서버(300)로부터 데이터베이스에 저장된 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게와 이에 대한 수의사의 진단정보를 수집하고, 수집된 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게와 수의사의 진단정보를 딥러닝(Deep Learning) 기반의 질병 분석엔진(410)으로 분석하여 반려동물의 질병 종류 및 확률을 분석한다.
학습모델 전이부(420)는 상기 EMR 서버(300)의 데이터베이스에 저장된 반려동물의 데이터를 활용하여 품종별 학습모델을 생성하고, 특정 품종에 대한 데이터값이 적을 때 유사한 품종의 학습모델을 전이(Transfer Learning)하여 상기 딥러닝 기반의 질병 분석엔진(410)으로 사용되도록 한다.
질병 분석부(420)는 상기 EMR 서버(300)로부터 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게가 접수되면 상기 질병확률 분석서버(400)의 분석 내용을 바탕으로 반려동물의 질병 종류 및 질병 확률을 제시한다.
반려동물 보호자의 보호자 단말(500)은 상기 질병 분석부(420)가 분석한 내용을 주기적으로 수신하거나, 질병 발생 확률이 높아졌을 때 수신할 수 있다.
여기서, 질병 분석부(420)는 반려동물의 질병 종류 및 질병 확률에 대해 확률이 높은 순서대로 분석하며, 질병 확률이 일정 수준 이상되는 질병에 대해서는 상기 보호자 단말(500)에 전송시 알람을 통해 알려줄 수 있다.
예를 들어, 질병 분석부(420)는 반려동물이 고혈압 80%, 심장질환 60%의 확률이 있는 것으로 판단될 때 상기 보호자 단말(500)에 전송하여 모든 질병의 가능성 및 확률을 제공하되, 고혈압은 매우 위험하다고 알람을 통해 알려줄 수 있다. 여기서, 고혈압, 심장질환은 예로 든 것이며, 이 외에 다양한 질병을 분석하여 알려줄 수 있다.
전송수단(200)은 호흡측정수단(110) 및 맥박측정수단(120)과 블루투스 통신을 통해 호흡수와 맥박수를 수신한 후 반려동물의 아이디, 품종, 나이, 몸무게와 함께 인터넷을 이용하여 동물병원의 EMR 서버(300)로 전송한다.
질병 정확도 보정부(430)는 상기 질병 분석부(420)가 판단한 내용에 대해서 반려동물의 보호자와 동물병원의 EMR 서버(300)로부터 피드백을 받아서 질병 분석부(420)가 판단한 내용이 맞거나 틀리다면 이를 상기 딥러닝 기반의 질병 분석엔진(410)에 반영하여 질병 종류 및 확률을 예측하는 학습 정확도를 향상시킨다.
질병 사전 예측부(440)는 상기 질병 분석부(420)가 각 반려동물의 호흡수, 맥박수 패턴에 대해 일정 주기마다 지속적으로 분석하여 해당하는 질병의 확률이 높아지는 것으로 관찰되는 경우 위험 단계로 진입하기 전에 상기 보호자 단말(500)에 미리 알려줄 수 있다.
도 3을 참고하면, 질병확률 분석서버(400)는 반려동물의 품종, 나이, 몸무게에 따라 호흡수, 맥박수의 수치를 패턴 분석하고, 질병 분석부(430)는 질병확률 분석서버(400)의 분석 내용을 바탕으로 호흡수와 맥박수가 정상 범위를 벗어나는 경우 심장질환에 해당할 확률과 고혈압에 해당할 확률과 같이 질병의 종류에 따른 확률을 분석하여 제시할 수 있다.
도 3에서 이상 A와 이상 B는 각각 어느 하나의 질병만을 나타내는 것이 아니라 이상 A의 경우 두개 또는 그 이상의 질병에 해당할 수가 있는데, 각 질병의 확률은 다를 것이다. 이상 B의 경우도 하나 또는 그 이상의 질병에 해당할 확률을 분석하여 제시할 수 있다.
학습모델 전이부(420)는 유사한 품종의 학습모델의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 상기 딥러닝 기반의 질병 분석엔진(410)을 생성한다.
유사 반려동물 검색부(460)는 상기 EMR 서버(300)의 데이터베이스에서 기 설정된 기준에 따라 비교하여 특정 품종의 반려동물과 품종, 나이, 몸무게가 정량적으로 유사한 반려동물의 데이터를 검색한다. 학습모델 전이부(420)는 유사 반려동물 검색부(460)에서 검색한 반려동물의 데이터를 활용하여 유사한 품종의 학습모델을 생성하고 전이하여 상기 딥러닝 기반의 질병 분석엔진(410)으로 사용되도록 한다.
도 4를 참고하면, 강아지 품종 '저먼 세퍼트'에 대한 측정 데이터가 부족하다고 할 때 '오스트레일리안 세퍼트' 또는 '벨지안 세퍼트'의 유사한 품종의 학습모델을 전이하여 사용할 수 있다.
유사한 품종의 데이터를 활용하여 유사학습모델을 생성하고, Hidden Layer1과 Hidden Layer2를 전이하여 전이학습모델에서 재사용하도록 하고, 최종 분류기 층인 Hidden Layer3 만을 추가로 학습시킴으로써 전이학습모델을 생성하는 것을 나타내고 있다. Hidden Layer1과 Hidden Layer2는 전이하여 사용하기 때문에 가중치를 고정한다. 이와 같이, 전이학습(Transfer Learning)을 함으로써, 처음부터 새롭게 학습하는 경우에 비해 학습의 속도가 빨라지거나 최종 모델의 성능이 높아지는 효과를 가져올 수 있다.
본 발명은 반려동물의 질병 종류 및 각 질병의 확률을 제공함과 동시에 이에 따른 치료방법을 제공할 수 있으며, 예상 진료비 및 치료비를 제공할 수도 있다. 또한, 반려동물의 건강이 악화되기 전에 미리 정보를 제공할 수가 있어 반려동물의 건강 관리에 도움을 줄 수가 있다.
더불어, 반려동물의 걸음 수, 칼로리 소모량, 이동 거리, 시간당 활동량 등을 수집하고, 이를 통해 반려동물의 체계적인 건강, 질병 및 양육관리를 도울 수 있다.
그리고, 반려동물의 예방접종정보를 제공할 수 있으며, 반려동물의 질병 징후 시 반려동물의 응급상황 대처 방법을 제공할 수 있고, 응급상황 별 동물병원 및 응급상황 별 위치기반으로 응급상황에 적합한 동물병원의 위치를 제공할 수 있을 뿐만 아니라, 응급상황에 적합한 수의사의 위치를 제공할 수 있으며, 반려동물의 보호자가 거주하는 거주지역별 동물병원 및 거주지역에서 가장 가까운 동물병원의 위치를 제공할 수 있다.
이상, 본 발명은 특정의 실시예와 관련하여 도시 및 설명하지만, 첨부 특허청구의 범위에 나타난 발명의 사상 및 영역으로부터 벗어나지 않는 한도 내에서 다양한 개조 및 변화가 가능하다는 것은 당업계에서 통상의 지식을 가진 자라면 누구나 쉽게 알 수 있을 것이다.
110 : 호흡측정수단
120 : 맥박측정수단
200 : 전송수단
300 : EMR 서버
400 : 질병확률 분석서버
410 : 딥러닝 기반의 질병 분석엔진
420 : 학습모델 전이부
430 : 질병 분석부
440 : 질병 정확도 보정부
450 : 질병 사전 예측부
460 : 유사 반려동물 검색부
500 : 보호자 단말
120 : 맥박측정수단
200 : 전송수단
300 : EMR 서버
400 : 질병확률 분석서버
410 : 딥러닝 기반의 질병 분석엔진
420 : 학습모델 전이부
430 : 질병 분석부
440 : 질병 정확도 보정부
450 : 질병 사전 예측부
460 : 유사 반려동물 검색부
500 : 보호자 단말
Claims (7)
- 반려동물의 몸에 착용되어 반려동물의 호흡수를 측정하는 호흡측정수단;
반려동물의 몸에 착용되어 반려동물의 맥박수를 측정하는 맥박측정수단;
상기 호흡측정수단 및 맥박측정수단이 측정한 호흡수와 맥박수와 함께 해당 반려동물의 품종, 나이, 몸무게를 인터넷을 이용하여 동물병원의 EMR 서버로 전송하는 전송수단;
상기 전송수단에서 수신한 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게를 전자차트에 기록하고, 전자차트에 기록된 반려동물의 정보에 대한 수의사의 진단정보를 데이터베이스에 저장하는 동물병원의 EMR(Electronic Medical Record) 서버;
상기 EMR 서버로부터 데이터베이스에 저장된 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게와 이에 대한 수의사의 진단정보를 수집하고, 수집된 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게와 수의사의 진단정보를 딥러닝(Deep Learning) 기반의 질병 분석엔진으로 분석하여 반려동물의 질병 종류 및 확률을 분석하는 질병확률 분석서버;
상기 EMR 서버의 데이터베이스에 저장된 반려동물의 데이터를 활용하여 품종별 학습모델을 생성하고, 특정 품종에 대한 데이터값이 적을 때 유사한 품종의 학습모델을 전이(Transfer Learning)하여 상기 딥러닝 기반의 질병 분석엔진으로 사용되도록 하는 학습모델 전이부; 및
상기 EMR 서버로부터 반려동물의 호흡수, 맥박수, 품종, 나이, 몸무게가 접수되면 상기 질병확률 분석서버의 분석 내용을 바탕으로 반려동물의 질병 종류 및 질병 확률을 제시하는 질병 분석부를 포함하는 것을 특징으로 하는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템.
- 청구항 1에 있어서,
상기 질병 분석부가 분석한 내용을 수신하는 반려동물 보호자의 보호자 단말을 더 포함하는 것을 특징으로 하는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템.
- 청구항 2에 있어서,
상기 질병 분석부는 반려동물의 질병 종류 및 질병 확률에 대해 확률이 높은 순서대로 분석하며, 질병 확률이 일정 수준 이상되는 질병에 대해서는 상기 보호자 단말에 전송시 알람을 통해 알려주는 것을 특징으로 하는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템.
- 청구항 1에 있어서,
상기 질병 분석부가 판단한 내용에 대해서 반려동물의 보호자와 동물병원의 EMR 서버로부터 피드백을 받아서 질병 분석부가 판단한 내용이 맞거나 틀리다면 이를 상기 딥러닝 기반의 질병 분석엔진에 반영하여 질병 종류 및 확률을 예측하는 학습 정확도를 향상시키는 질병 정확도 보정부를 더 포함하는 것을 특징으로 하는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템.
- 청구항 2에 있어서,
상기 질병 분석부가 각 반려동물의 호흡수, 맥박수 패턴에 대해 일정 주기마다 지속적으로 분석하여 해당하는 질병의 확률이 높아지는 것으로 관찰되는 경우 위험 단계로 진입하기 전에 상기 보호자 단말에 미리 알려주는 질병 사전 예측부를 더 포함하는 것을 특징으로 하는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템.
- 청구항 1에 있어서,
상기 학습모델 전이부는 유사한 품종의 학습모델의 하위층(Lower Layer) 일부분을 전이(Transfer Learning)하여 재사용하도록 하고, 최종 분류기 층(Classifier Layer)은 학습시킴으로써 상기 딥러닝 기반의 질병 분석엔진을 생성하는 것을 특징으로 하는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템.
- 청구항 1에 있어서,
상기 EMR 서버의 데이터베이스에서 기 설정된 기준에 따라 비교하여 특정 품종의 반려동물과 품종, 나이, 몸무게가 정량적으로 유사한 반려동물의 데이터를 검색하는 유사 반려동물 검색부를 더 포함하고,
상기 학습모델 전이부는 유사 반려동물 검색부에서 검색한 반려동물의 데이터를 활용하여 유사한 품종의 학습모델을 생성하고 전이하여 상기 딥러닝 기반의 질병 분석엔진으로 사용되도록 하는 것을 특징으로 하는 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200182010A KR20220090965A (ko) | 2020-12-23 | 2020-12-23 | 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200182010A KR20220090965A (ko) | 2020-12-23 | 2020-12-23 | 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220090965A true KR20220090965A (ko) | 2022-06-30 |
Family
ID=82215549
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200182010A KR20220090965A (ko) | 2020-12-23 | 2020-12-23 | 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220090965A (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102577740B1 (ko) * | 2022-08-09 | 2023-09-14 | 주식회사 케이피디엠 | 사용자를 위한 애완 동물의 건강 관리 케어 방법 |
| KR102601775B1 (ko) * | 2023-08-14 | 2023-11-14 | 비마이펫주식회사 | 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101544413B1 (ko) | 2014-04-07 | 2015-08-13 | (주)인투씨엔에스 | 동물병원의 동물정보 및 진료정보를 온라인으로 제공하는 방법 및 동물병원정보 서비스서버 |
| KR101610886B1 (ko) | 2014-04-25 | 2016-04-08 | 주식회사 비에스엘 | 빅데이터에 기초하는 개인 상태 진단 방법 및 개인 상태 진단 시스템 |
| KR101857624B1 (ko) | 2017-08-21 | 2018-05-14 | 동국대학교 산학협력단 | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 |
| KR101884609B1 (ko) | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
-
2020
- 2020-12-23 KR KR1020200182010A patent/KR20220090965A/ko not_active Application Discontinuation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101544413B1 (ko) | 2014-04-07 | 2015-08-13 | (주)인투씨엔에스 | 동물병원의 동물정보 및 진료정보를 온라인으로 제공하는 방법 및 동물병원정보 서비스서버 |
| KR101610886B1 (ko) | 2014-04-25 | 2016-04-08 | 주식회사 비에스엘 | 빅데이터에 기초하는 개인 상태 진단 방법 및 개인 상태 진단 시스템 |
| KR101884609B1 (ko) | 2017-05-08 | 2018-08-02 | (주)헬스허브 | 모듈화된 강화학습을 통한 질병 진단 시스템 |
| KR101857624B1 (ko) | 2017-08-21 | 2018-05-14 | 동국대학교 산학협력단 | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102577740B1 (ko) * | 2022-08-09 | 2023-09-14 | 주식회사 케이피디엠 | 사용자를 위한 애완 동물의 건강 관리 케어 방법 |
| KR102601775B1 (ko) * | 2023-08-14 | 2023-11-14 | 비마이펫주식회사 | 인공지능 모델에 기반하는 반려동물 콘텐츠 제공 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11734629B2 (en) | Medical scan labeling quality assurance system and methods for use therewith | |
| US11282196B2 (en) | Automated patient complexity classification for artificial intelligence tools | |
| KR102067157B1 (ko) | 동물 질병 진단 시스템 | |
| US10679751B2 (en) | Cell abnormality diagnosis system using DNN learning, and diagnosis management method of the same | |
| CA3137079A1 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
| US20190287661A1 (en) | Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time | |
| US20200265955A1 (en) | Identifying Valid Medical Data for Facilitating Accurate Medical Diagnosis | |
| US11748384B2 (en) | Determining an association rule | |
| US20160267254A1 (en) | System and method for classifying respiratory and overall health status of an animal | |
| US20200395119A1 (en) | Medical scan labeling quality assurance system | |
| Yang et al. | An approach to automatic process deviation detection in a time-critical clinical process | |
| US11182411B2 (en) | Combined data driven and knowledge driven analytics | |
| KR20220090965A (ko) | 유사한 반려동물 품종의 전이학습을 이용한 인공지능 기반의 반려동물 진단 시스템 | |
| US20220172805A1 (en) | System and method for automatically determining serious adverse events | |
| CN112908452A (zh) | 事件数据建模 | |
| US20130281871A1 (en) | System and method for classifying the respiratory health status of an animal | |
| Wang et al. | A high-fidelity model to predict length of stay in the neonatal intensive care unit | |
| KR20220091653A (ko) | 인공지능 기반의 분석엔진을 이용한 반려동물의 질병 종류 및 확률 분석 시스템 | |
| Alruily | Sentiment analysis for predicting stress among workers and classification utilizing CNN: Unveiling the mechanism | |
| US20230154617A1 (en) | Method and System for Examining Health Conditions of an Animal | |
| Zhang et al. | Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network | |
| Lee et al. | A data analytics pipeline for smart healthcare applications | |
| KR20220091652A (ko) | 동물병원의 emr과 연동되는 딥러닝 기반의 반려동물 심장질환 진단 시스템 | |
| Muthulakshmi et al. | Big Data Analytics for Heart Disease Prediction using Regularized Principal and Quadratic Entropy Boosting | |
| Zhang | Patient-specific readmission prediction and intervention for health care |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |