[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2023096416A1 - 개인 맞춤형 치매 진단 방법 및 그 장치 - Google Patents

개인 맞춤형 치매 진단 방법 및 그 장치 Download PDF

Info

Publication number
WO2023096416A1
WO2023096416A1 PCT/KR2022/018882 KR2022018882W WO2023096416A1 WO 2023096416 A1 WO2023096416 A1 WO 2023096416A1 KR 2022018882 W KR2022018882 W KR 2022018882W WO 2023096416 A1 WO2023096416 A1 WO 2023096416A1
Authority
WO
WIPO (PCT)
Prior art keywords
subject
dementia
personalized
iadl
range
Prior art date
Application number
PCT/KR2022/018882
Other languages
English (en)
French (fr)
Inventor
권이남
전홍우
박건우
조광희
Original Assignee
한국과학기술정보연구원
고려대학교 산학협력단
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
Priority claimed from KR1020220088140A external-priority patent/KR102552172B1/ko
Application filed by 한국과학기술정보연구원, 고려대학교 산학협력단 filed Critical 한국과학기술정보연구원
Publication of WO2023096416A1 publication Critical patent/WO2023096416A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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

Definitions

  • the present disclosure relates to a personalized dementia diagnosis method and apparatus therefor. More specifically, it relates to a method and apparatus for diagnosing dementia based on individual cognitive ability and instrumental daily living ability information.
  • the proportion of the elderly population is increasing worldwide, and especially in Korea, where the aging process is progressing rapidly, the prevalence of dementia among the elderly aged 65 years or older was 9.2% (540,000 people) in 2012, and 1.27 million people in 2030 , is predicted to increase to about 2.7 million in 2050.
  • dementia is an incurable disease at the current level of medical care
  • only early diagnosis of the onset of dementia and early initiation of treatment are the only solutions to slow down the progression of dementia.
  • the invention of diagnosing dementia based on existing daily living ability information was a method of diagnosing dementia using daily living ability information for elderly people who spend most of their time at home with a similar life pattern based on smart home technology.
  • a technical problem to be solved by the present disclosure in some embodiments is to provide a method for early diagnosis of dementia based on instrumental daily living ability information of a subject.
  • Another technical problem to be solved by some embodiments of the present disclosure is to provide a method for early diagnosis of dementia in a subject by applying a method of personalizing a normal behavior range in consideration of an individual's daily life pattern.
  • Another technical problem to be solved by some embodiments of the present disclosure is to provide a method for diagnosing dementia of a subject at an early stage by applying a method of personalizing a normal behavioral range in consideration of an individual's cognitive ability.
  • a method for providing a personalized dementia diagnosis method is a method performed by a computing device, comprising the steps of acquiring an IADL (Instrumental Activities of Daily Living) pattern of a first subject. and obtaining scoring information on the cognitive ability of the first subject, and adjusting a normal behavioral range of the first subject indicated by the IADL pattern using the scoring information.
  • IADL Intrstrumental Activities of Daily Living
  • the step of adjusting the normal behavioral range of the first subject indicated by the IADL pattern using the scoring information includes the IADL activity data of the first subject, based on the adjusted normal behavioral range.
  • the method may further include performing binarization and updating a normal behavioral range of the first subject using the binarized IADL activity data.
  • the step of adjusting the normal behavioral range of the first subject indicated by the IADL pattern by using the scoring information includes the IADL activity data of the first subject using the updated normal behavioral range.
  • the evaluation may further include adjusting the updated normal behavioral range using the scoring information.
  • the step of adjusting the normal behavioral range of the first subject indicated by the IADL pattern using the scoring information may include differentiating the grade of the subject for each scoring score of the cognitive ability of the first subject and recognizing the subject.
  • the step of differentiating the grade of the subject for each scoring score for the cognitive ability of the first subject, reducing the normal behavioral range if the cognitive ability grade is low, and expanding the normal behavioral range if the cognitive ability grade is high When the cognitive ability level is a risk level, a step of setting a normal behavioral range to a range greater than Q1-0.5*IQR and smaller than Q3+0.5*IQR may be included.
  • the step of differentiating the grade of the subject for each scoring score for the cognitive ability of the first subject, reducing the normal behavioral range if the cognitive ability grade is low, and expanding the normal behavioral range if the cognitive ability grade is high A step of setting a normal behavioral range to a range greater than Q1-1.2*IQR and smaller than Q3+1.2*IQR when the cognitive ability level is intermediate may be included.
  • a method for providing a personalized dementia diagnosis method includes acquiring an IADL (Instrumental Activities of Daily Living) pattern of a first subject, and cognitive ability of the first subject. Personalizing a normal behavioral range for the first subject using scoring information for ; generating input data by evaluating the IADL pattern based on the personalized normal behavioral range; The method may include outputting diagnosis data related to dementia of the first subject by inputting the data into a machine-learned dementia diagnosis model and using data output from the dementia diagnosis model.
  • IADL Intramental Activities of Daily Living
  • the generating of the input data includes a first step of obtaining action data from the IADL pattern, and a second step of evaluating whether the action data is normal based on the personalized normal action range. and a third step of converting action data evaluated as normal into first symbols and action data evaluated as abnormal into second symbols, and the action data included in the IADL pattern in chronological order no longer exist. a fourth step of repeating the first to third steps until
  • a method for providing a personalized dementia diagnosis method includes acquiring an IADL (Instrumental Activities of Daily Living) pattern of a subject, and scoring information on the subject's cognitive ability. Personalizing a normal behavioral range for the test subject using , generating learning data by evaluating the IADL pattern based on the personalized normal behavioral range, and developing a dementia diagnosis model using the learning data. It may include performing machine learning, and outputting data representing the dementia diagnosis model when the machine learning is completed.
  • IADL Intramental Activities of Daily Living
  • An apparatus for providing a personalized dementia diagnosis method includes a storage for storing a result of dementia diagnosis of a first subject, a memory in which a dementia diagnosis program for the first subject is loaded, and , a processor on which the personalized dementia diagnosis program is executed, wherein the personalized dementia diagnosis program includes instructions for obtaining an Instrumental Activities of Daily Living (IADL) pattern of the first subject, and the first subject.
  • IADL Instrumental Activities of Daily Living
  • 1 may include an instruction for obtaining scoring information on the cognitive ability of a subject, and an instruction for adjusting a normal behavioral range of the first subject indicated by the IADL pattern by using the scoring information.
  • An apparatus for providing a personalized dementia diagnosis method includes a storage for storing a result of dementia diagnosis of a first subject, a memory in which a dementia diagnosis program for the first subject is loaded, and , a processor on which the personalized dementia diagnosis program is executed, wherein the personalized dementia diagnosis program includes instructions for obtaining an Instrumental Activities of Daily Living (IADL) pattern of the first subject, and the first subject.
  • IADL Instrumental Activities of Daily Living
  • FIG. 1 is a configuration diagram of a personalized dementia diagnosis method system according to an embodiment of the present disclosure.
  • FIG. 2 is a flow chart of generating personalized dementia diagnostic criteria, according to some embodiments of the present disclosure.
  • FIG. 3 is a diagram illustrating a table of cognitive ability grades divided based on MMSE scores and a standard range table of personalized normal behavior in which reference ranges are divided based on the cognitive ability grades, according to some embodiments of the present disclosure.
  • FIG. 4 is a graph showing a reference range of normal behavior that can be seen in FIG. 3. Referring to FIG. 4
  • FIG. 5 is a flowchart of a method for diagnosing dementia, according to some embodiments of the present disclosure.
  • FIG. 6 is a diagram illustrating an example of a correlation score between a normal person and a tool used by a person with dementia, according to some embodiments of the present disclosure.
  • FIG. 7 is a hardware configuration diagram of a personalized dementia diagnosis device according to some embodiments of the present disclosure.
  • a personalized dementia diagnosis method will be described with reference to FIG. 1 .
  • the personalized dementia diagnosis method according to the present embodiment may be performed by one or more computing devices.
  • description of a performer of some operations may be omitted.
  • the subject performing the corresponding operation is the computing device.
  • the computing device will be referred to as a 'dementia diagnosis device'.
  • FIG. 1 is a schematic diagram of a personalized dementia diagnosis method system according to an embodiment of the present invention.
  • the personalized dementia diagnosis system stores a dementia onset diagnosis device 100, a sensor device 200, an information DB 500, and cognitive ability data 400. and may include the hospital system 300 capable of transmitting to the dementia onset diagnosis device.
  • the dementia onset diagnosis apparatus 100 receives data from the sensor device 200 including a wearable device that can be attached to the subject and a smart home IoT device that can be installed in the house where the subject lives, and It is possible to monitor instrumental daily living ability information of the sensor device 200 including a wearable device that can be attached to the subject and a smart home IoT device that can be installed in the house where the subject lives, and It is possible to monitor instrumental daily living ability information of the sensor device 200 including a wearable device that can be attached to the subject and a smart home IoT device that can be installed in the house where the subject lives, and It is possible to monitor instrumental daily living ability information of
  • Daily living ability information can be defined as the ability to perform basic daily life and social life necessary for taking care of oneself.
  • Physical daily life ability information is daily life ability information including basic and physical functions such as toileting, toileting, washing face, bathing, eating, dressing, moving, walking, and climbing stairs.
  • Instrumental daily living ability information that requires complex cognitive abilities compared to basic and physical physical daily living ability information includes using the phone, purchasing goods, preparing food, managing money, managing finances, taking care of the home, using transportation, finding directions, It includes activities such as hobbies, taking medicine, reading the newspaper, washing clothes, watching TV, exploratory or creative activities, and responding to situations.
  • Using a model created according to data that tends to sensitively reflect the subject's condition for diagnosis has the effect of increasing the performance and accuracy of diagnosis using the model even if the sample size of the data reflected in the model creation is small.
  • 'IADL Intrstrumental Activities of Daily Living
  • 'IADL' is information recognized by the sensor device, it is an inferred IADL, not an actual IADL.
  • 'IADL' is used instead of 'inferred IADL'.
  • the IADL collection item may include the number of activities and duration of all activities using tools such as cooking utensils, laundry utensils, cleaning utensils, household appliances, and the like.
  • tools such as cooking utensils, laundry utensils, cleaning utensils, household appliances, and the like.
  • the number and time of use of related cooking utensils at the same time such as the behavior of using the refrigerator and the gas range at once, the behavior of using the gas range and the sink faucet at the same time, and the duration of use, and the specific time period (breakfast/lunch/ Evening/night) items such as the number of activities and activity time can be collected items of IADL.
  • Sensor devices that collect the collection items of the IADL may include a door sensor, a motion sensor, a temperature-humidity sensor, a vibration sensor, a lidar sensor, and a smart plug sensor.
  • the sensor device for collecting the collection items of the IADL may be installed in all places in the living space including home appliances and furniture used in real life by the subject.
  • the IADL may be inferred by combining data sensed by one or more sensor devices.
  • the IADL may be inferred by calculating the number of motions detected by the sensor device and duration or angle data.
  • the dementia onset diagnosis apparatus 100 may monitor the IADL of the subject and determine the IADL pattern according to the subject's behavior.
  • the dementia onset diagnosis apparatus 100 may store and manage information received from the sensor device 200 in the information DB 500 .
  • the apparatus 100 for diagnosing onset of dementia may receive the pre-stored IADL pattern of the subject from the information DB 500 .
  • the IADL pattern may indicate a time series sequence of IADL data of a subject.
  • the IADL pattern may have a predetermined length of time.
  • the IADL pattern may be a time-sequential connection of IADL data of the subject for 24 hours.
  • the IADL pattern may be a time-sequential connection of IADL data of a subject using a tool.
  • a wearable device is a device that can be attached to a subject and can detect and transmit biometric information, location information, and activity information of the subject to the dementia onset diagnosis apparatus 100 .
  • the wearable device may detect the subject's current location and transmit the location information to the dementia onset diagnosis apparatus 100 .
  • the apparatus for diagnosing dementia onset that has received the location information of the subject may generate information by linking the current location of the subject with the environment of the subject's current location.
  • the environment of the subject's current location may include the weather of the subject's current location or spatial characteristics of the subject's current location.
  • the weather of the subject's current location and the subject's current activity may be collection items of the IADL. For example, if it rains at the target's current location, the target's behavior of using an umbrella, if the target's current location is in strong ultraviolet light, the target's current location, such as the target's behavior of using a parasol, and the target's current location
  • the subject's reaction activity to the weather of the year can be a collection item of the IADL.
  • the spatial characteristics of the subject's current location and the subject's current activity may be collection items of the IADL.
  • the subject's response activity for the spatial characteristics of the subject's current location such as the subject's behavior of selecting a product and calculating at the checkout counter, and the subject's response activity to the spatial characteristics of the subject's current location It can be a collection item.
  • a smart home IoT device may be composed of a device that generates information about the operation of an electronic product and a detection signal of a sensor.
  • the IoT device can detect the subject's behavior in real time.
  • the IoT device can be installed in the house where the target person lives and built into a smart home system.
  • IoT devices can be installed in all living spaces where subjects stay.
  • the subject's activities in all living spaces where the subject stays can be collected by the IADL.
  • the mart where the subject stays and shopped may also be the IADL data collection space, and the appropriateness of the items the user shopped for and the efficiency of the flow when purchasing the item may be the IADL data.
  • the kitchen IoT device may evaluate the preparation and cooking of ingredients directly by the target person.
  • a cooking activity may be an activity using one or more different kitchen utensils and kitchen appliances.
  • a vibration sensor, a door sensor, a temperature sensor, a humidity sensor, and the like may be attached to kitchen utensils and kitchen appliances.
  • Sensor devices attached to kitchen utensils and kitchen appliances are based on the state values when they are not in use, and when it is detected that the changed state value is greater than a predefined standard value, it is determined that the kitchen utensils and kitchen appliances to which the sensor devices are attached are in use. can judge
  • the kitchen utensils and kitchen appliances may measure time, angle, temperature, humidity, and touch frequency data determined to be in use.
  • the kitchen IoT device may infer the IADL by combining data detected by sensor devices attached to the kitchen appliances and kitchen appliances.
  • the kitchen IoT device may detect an object that the target person is currently cooking and transmit the object to the dementia onset diagnosis device 100 .
  • the apparatus for diagnosing dementia which has received object information that the target person currently intends to cook, may generate information about a behavior of cooking an object that the target object currently intends to cook.
  • an apparatus for diagnosing the onset of dementia receiving information that the object that the subject wants to cook is bread may generate information about a behavior of cooking bread, and diagnosis of dementia that has received information that the object that the subject wants to cook is rice.
  • the device may generate information about a behavior of cooking rice.
  • the action of cooking bread and the action of cooking rice may be different in the type of cooking utensil used for cooking.
  • the time required for the action of cooking the bread may be different from the time required for the action of cooking the rice.
  • the medication IoT device may evaluate whether the subject directly takes the medicine.
  • the activity of taking the medicine may be an activity of using a pill organizer.
  • a vibration sensor, a door sensor, and the like may be attached to the pill organizer.
  • the sensor device attached to the pill organizer may determine that the pill organizer to which the sensor device is attached is in use when it is detected that the changed state value is equal to or greater than a predefined reference value based on the state value when not in use.
  • the sensor device attached to the pill organizer may measure time, angle, and touch frequency data determined to be in use.
  • the medication IoT device may infer the IADL by combining data detected by a sensor device attached to the pill organizer.
  • the medication IoT device may detect and transmit the time and dose of the drug taken by the subject to the dementia onset diagnosis apparatus 100 .
  • the IoT device may evaluate all activities of the subject. All activities may include activities using the subject's home appliances or activities in which the user goes out.
  • An on/off sensor, a vibration sensor, a touch sensor, and the like may be attached to the home appliance.
  • the sensor device attached to the home appliance may determine that the home appliance to which the sensor device is attached is in use when it is detected that the changed state value is equal to or greater than a predefined reference value based on the state value when not in use.
  • An on/off sensor, a vibration sensor, a touch sensor, and the like may be attached to the door.
  • the sensor device attached to the door may determine that the home appliance to which the sensor device is attached is in use when it is detected that the changed state value is equal to or greater than a predefined reference value based on the state value when not in use.
  • a sensor device attached to the home appliance may measure the frequency of use of the home appliance or the duration of use of the home appliance.
  • the IoT device may infer IADL by combining data detected by sensor devices attached to the home appliance.
  • the sensor device attached to the door may measure the frequency of use of the home appliance or the data of the duration of use.
  • the door IoT device may infer the IADL by combining data detected by a sensor device attached to the door.
  • the IoT device may detect and transmit the frequency of use of home appliances by the target person or the duration of use to the dementia onset diagnosis apparatus 100 .
  • the door IoT device may detect the frequency of entry or exit time of the target person and transmit the detected information to the dementia onset diagnosis device 100 .
  • the device for diagnosing dementia onset may use the IADL collection items received from the TV or electric blanket IoT device and the door IoT device to determine whether the subject has forgotten to turn off the home appliances when going out.
  • the IoT device may evaluate all activities of the subject. All activities may include activities in which the subject uses tools.
  • a vibration sensor, a touch sensor, and the like may be attached to the tool. The sensor device attached to the tool may determine that the tool to which the sensor device is attached is being used when it is detected that the changed state value is greater than or equal to a predefined reference value based on the state value when not in use.
  • a sensor device attached to the tool may measure the frequency of use of the tool, the duration of use, or the data of the use time.
  • the IoT device may infer the time when one or more tools are simultaneously used by combining data detected by a sensor device attached to the tool.
  • the IoT device may detect and transmit the time the subject uses the tool to the dementia onset diagnosis device 100 .
  • the apparatus for diagnosing dementia onset which receives the time the subject uses tools from the IoT device, may determine one or more tools used at the same time. A method of determining a subject's state based on data obtained by determining one or more tools simultaneously used will be described later with reference to FIG. 6 .
  • the amount of time the subject spends using a particular tool can be a collection item of the IADL.
  • IADL which requires complex cognitive abilities, tends to sensitively decline from the early stage of dementia, and can be useful data for evaluating the early stage of dementia.
  • the apparatus 100 for diagnosing onset of dementia may receive the cognitive ability data 400 from the hospital system 300 and adjust a subject's normal behavioral range.
  • the normal behavioral range will be described later.
  • FIGS. 2 to 5 a method for diagnosing the onset of dementia according to some embodiments of the present disclosure will be described with reference to FIGS. 2 to 5 .
  • FIG. 2 is a flow chart of generating personalized dementia diagnostic criteria, according to some embodiments of the present disclosure.
  • the dementia onset diagnosis apparatus 100 may obtain an IADL pattern by monitoring the subject's IADL. In addition, the dementia onset diagnosis apparatus 100 may obtain the IADL pattern by receiving the IADL pattern of the subject pre-stored from the information DB 500 .
  • the apparatus 100 for diagnosing onset of dementia receives the cognitive ability data 400 from the hospital system 300 and acquires scoring information.
  • the scoring information may be a grade determined based on the cognitive ability data 400 that the dementia onset diagnosis apparatus 100 receives from the hospital system 300 .
  • the cognitive ability data 400 transmitted from the hospital system 300 to the dementia onset diagnosis device 100 may be a score of a cognitive function test (MMSE) previously performed by the subject.
  • the cognitive ability data 400 transmitted from the hospital system 300 to the dementia onset diagnosis apparatus 100 may be a result of a cognitive function test conforming to the MMSE test.
  • step S150 the dementia onset diagnosis apparatus 100 receives the cognitive ability data 400 from the hospital system 300 and adjusts the normal behavior range by reflecting the acquired scoring information.
  • the normal behavioral range is a range in which it can be determined that the subject is not currently at risk of dementia when the subject's behavior is included in the normal behavioral range. If the subject's behavior is outside the normal behavioral range, the subject's risk of dementia may increase. For example, if the normal range of time spent using a specific tool among the IADL data is predefined as 30 to 45 minutes, if the use time of the specific tool included in the subject's IADL pattern is 40 minutes, the normal behavior It will be judged as a range, and if the use time of the specific tool included in the subject's IADL pattern is 50 minutes, it will be determined as an abnormal behavior range.
  • the apparatus 100 for diagnosing dementia onset may download normal behavioral range data for each type of behavior according to the IADL data from an external service server.
  • the normal behavioral range may be a range adjusted according to scoring information of the subject's cognitive ability, with the downloaded normal behavioral range data for each type as a median value. That is, the normal behavioral range can be adjusted so that the subject's cognitive ability scoring information is at a normal level, and the normal behavioral range can be adjusted to become narrower as the subject's cognitive ability scoring information is abnormal. There will be.
  • a method of adjusting a normal behavioral range according to the scoring information can be described with reference to FIGS. 3 and 4 .
  • 3 and 4 are diagrams for explaining in detail a method of adjusting a subject's normal behavioral range according to the subject's grade by differentiating the subject's grade according to the subject's cognitive ability scoring score, according to some embodiments of the present disclosure. am.
  • FIG. 3 shows a table of personalized normal behavior criterion ranges in which cognitive ability grades are divided based on MMSE scores and criterion ranges are divided based on cognitive ability grades, according to some embodiments of the present disclosure.
  • the scoring score is a score derived based on the MMSE score.
  • the scoring score for cognitive ability is increased, the cognitive ability grade is increased, and when the cognitive ability grade is increased, the personalized standard range of normal behavior is widened.
  • the scoring score for cognitive ability is lowered, the cognitive ability level is lowered, and when the cognitive ability level is lowered, the standard range of individualized normal behavior is reduced.
  • the subject's cognitive ability grade can be set to a Cognitive Health (high) grade, and the subject's normal behavior standard range is It may be set to a range greater than Q1-1.5*IQR and smaller than Q3+1.5*IQR.
  • the subject's cognitive ability grade may be set to a Very mild cognitive decline (medium) grade, and the subject's normal behavior
  • the reference range may be set to a range larger than Q1-1.2*IQR and smaller than Q3+1.2*IQR.
  • the subject's cognitive ability grade may be set to a Mild cognitive impairment (lower) grade, and the subject's normal behavior range is It may be set in a range greater than Q1-1*IQR and smaller than Q3+1*IQR.
  • the subject's MMSE score received by the dementia onset diagnosis device is 20 points or more and 23 points or less, it corresponds to early dementia, and the subject's cognitive ability grade may be set to a Moderate cognitive decline (risk) grade, and the subject's normal
  • the standard range of action may be set to a range larger than Q1-0.5*IQR and smaller than Q3+0.5*IQR.
  • FIG. 4 a graph for explaining the standard range of normal behavior that can be confirmed in FIG. 3 is shown.
  • the median may be the IADL pattern acquired in step S110.
  • IQR means a degree of dispersion of 50% based on the median value. Data that fall within the range larger than Q1 and smaller than Q3 may account for 50% of the total data sample size.
  • the interval between Q3 and Q1 can be defined as IQR.
  • Q1 may be median minus 0.5*IQR.
  • Q3 can be median + 0.5*IQR.
  • FIG. 4 shows a graph based on the normal behavior standard range adjustment of subjects whose cognitive ability level is Cognitive Health (high) level.
  • the IQR multiple which is the basis for adjusting the standard range of normal behavior of a subject whose cognitive ability grade is Cognitive Health (high), may be 1.5.
  • the IQR multiple which is the basis for adjusting the standard range of normal behavior, can increase, so the standard range of normal behavior can be expanded. If the subject's cognitive ability grade is low, the IQR multiple, which is the basis for adjusting the standard range of normal behavior, may decrease, and the standard range of normal behavior may be reduced.
  • the normal behavior standard range is a standard range in which subjects with low cognitive ability levels make more mistakes than subjects with high cognitive ability levels.
  • the device for diagnosing the onset of dementia recognizes behaviors that deviate from the IADL pattern of subjects with high cognitive ability levels as autonomous and conscious behaviors, and recognizes behaviors that deviate from the IADL patterns of subjects with low cognitive ability levels by mistake.
  • the apparatus for diagnosing dementia onset may binarize the received activity data.
  • the activity data may be the aforementioned IADL pattern.
  • the IADL pattern may be an IADL data sequence for 24 hours.
  • the apparatus for diagnosing dementia onset performs binarization for each behavioral data included in the received activity data. For example, if the behavioral data is included in the normal behavioral range adjusted in step S150, the behavioral data is labeled as a first value, and the received activity data is not included in the normal behavioral range adjusted in step S150. In this case, the activity data may be labeled as a second value.
  • the first value may be a true value of a Boolean value
  • the second value may be a false value of a Boolean value
  • the activity data binarized by the dementia onset diagnosis device will be converted into a sequence of boolean values.
  • the standard range of normal behavior is differentiated for each individual's cognitive ability, and based on the standard range of normal behavior differentiated for each individual, whether the activity data received by the dementia onset diagnosis device is normal behavior or dementia risk state behavior.
  • the accuracy of the activity data evaluation operation ( S170 ) of diagnosing the onset of dementia can be improved.
  • the apparatus for diagnosing dementia onset may generate data B for each unit time and binarize it in step S170.
  • the data per unit time may be behavior data collected per the same unit time.
  • the unit time may be one day or one hour.
  • the result of the normal behavioral range cognitive evaluation for each individual can be used as learning data for machine learning.
  • the training data may be a sequence of Boolean values.
  • the IADL pattern is expressed as learning data in the form of a sequence of Boolean values, the IADL data accumulated during the unit period of each subject can clearly express the dementia risk-related characteristics during the unit period.
  • the apparatus for diagnosing dementia onset may obtain a result of binarized activity data at a specific point in time by inputting behavioral data at a specific point in time among activity data into the criterion adjusted for the IADL pattern (S210).
  • the apparatus for diagnosing dementia onset may convert the corresponding unit action data into a first symbol.
  • the apparatus for diagnosing dementia onset may add 0 to the binarized activity data when the target behavior data is included in the normal behavior range.
  • the apparatus for diagnosing dementia onset may convert the corresponding unit behavior data into a second symbol.
  • the apparatus for diagnosing dementia onset may add 1 to binarized activity data when the target behavior data is activity data that is not included in a normal behavior range.
  • the apparatus for diagnosing dementia onset may generate a dementia diagnosis model by performing machine learning using the binarized activity data (S240).
  • the dementia diagnosis model may be an artificial neural network-based model generated as a result of machine learning using the learning data.
  • the machine learning may be performed in the form of supervised learning.
  • the apparatus for diagnosing dementia onset may perform labeling on whether or not dementia is diagnosed for each learning data, that is, each of the binarized activity data.
  • the apparatus for diagnosing dementia onset may label each learning data as one of the first class and the second class. That is, the apparatus for diagnosing the onset of dementia can label each learning data as one of dementia and normal.
  • the apparatus for diagnosing dementia onset may label each learning data as one of the first to third classes. That is, the apparatus for diagnosing dementia onset may label each learning data as one of dementia, early dementia, and normal.
  • the apparatus for diagnosing the onset of dementia may determine whether a population follows a normal distribution in order to analyze a difference between two groups labeled as one of dementia and normal for each learning data.
  • the Shapiro-Wilk test may be used to determine normality to determine whether the population follows a normal distribution. If the population is not normally distributed, the Wilcoxon rank-sum test, a non-parametric test method, can be used to compare groups.
  • the device for diagnosing dementia onset performs Spearman correlation analysis when the population is not normally distributed in order to find out the difference in correlation between tools used to analyze the difference between two groups labeled as either dementia or normal for each learning data.
  • Spearman correlation analysis derives the correlation coefficient by ranking the data in order from the smallest value to the largest value, and determines whether there is a correlation between two variables through analysis. Using Spearman correlation analysis, the accuracy of the results can be increased even when there are outliers in the data or the sample size is small.
  • the dementia diagnosis model can be generated by machine learning, and thus the accuracy of the dementia diagnosis model will increase as learning data is additionally used for machine learning. Therefore, in some embodiments, the dementia diagnosis model may be periodically updated using additional learning data.
  • the dementia onset diagnosis apparatus may input activity data into the dementia diagnosis model to diagnose dementia (S250). It has already been described that the activity data may be an IADL pattern.
  • classification algorithms such as RF (Random Forest), LR (Logistic Regression), and SVM may be utilized. At this time, an RF algorithm having the highest classification performance may be selected first. All input data of machine learning can be generated on a daily or hourly basis for each characteristic, and the learning dataset used as learning data is data calculated on the same basis.
  • an IADL pattern that can be changed according to an individual's situation and environment can be updated according to changes in the individual's situation and environment, and reflected in early diagnosis of dementia.
  • the standard of the normal behavioral range of the personalized dementia diagnosis system is personalized and the standard of the normal behavioral range is updated according to circumstances, the speed and accuracy of early diagnosis of dementia can be improved.
  • the normal person example is an example of a correlation table between tool use that can occur when the subject is normal.
  • the Dementia example is an example of a correlation table between tool use that can occur when a subject has dementia.
  • a correlation score between tools with a high frequency of simultaneous use is displayed close to 1
  • a correlation score between tools with a low frequency used simultaneously is displayed close to -1.
  • the simultaneously used frequency may be assigned to a second tool determined to be used at the time when it is determined that the subject uses the first tool.
  • a normal person frequently uses a sink, which is a cooking utensil, and a refrigerator and a rice cooker at the same time to cook, so that the correlation score between the refrigerator and the sink is 0.41 and the correlation score between the sink and the rice cooker is 0.35, whereas a person with dementia can derive correlation scores of only 0.16 and -0.14.
  • the subject uses a tool whose correlation score is equal to or higher than a predefined score with the first tool at the time when it is determined that the subject has used the first tool, the subject's behavior may be determined to be within the normal behavioral range. there is.
  • the subject uses a tool whose correlation score with the first tool is less than a predefined score at the time when it is determined that the subject has used the first tool, it may be determined that the subject's behavior is included in the abnormal behavior range. there is.
  • the apparatus 100 for diagnosing onset of dementia may download normal behavioral range data for each type of tool use according to the IADL data from an external service server.
  • the dementia onset diagnosis apparatus 100 shown in FIG. 7 loads one or more processors 1100, a system bus 1600, a communication interface 1200, and a computer program 1500 executed by the processor 1100. ) and a storage 1300 for storing the memory 1400 and the computer program 1500.
  • the processor 1100 controls the overall operation of each component of the dementia onset diagnosis apparatus 100 .
  • the processor 1100 may perform an operation for at least one application or program for executing a method/operation according to various embodiments of the present disclosure.
  • Memory 1400 stores various data, commands and/or information.
  • Memory 1400 may load one or more computer programs 1500 from storage 1300 to execute methods/operations according to various embodiments of the present disclosure.
  • the bus 1600 provides a communication function between components of the simulation device 200 .
  • the communication interface 1200 supports internet communication of the simulation device 200 .
  • Storage 1300 may non-temporarily store one or more computer programs 1500 .
  • the memory 1400 may additionally load data of the dementia diagnosis model described above.
  • the computer program 1500 inputs the binarized IADL pattern generated using the evaluation result of the subject's IADL pattern to the dementia diagnosis model constructed using the data of the dementia diagnosis model, and uses the output data of the dementia diagnosis model. Thus, it will be possible to diagnose whether or not the subject has dementia.
  • Computer program 1500 may include one or more instructions in which methods/operations according to various embodiments of the present disclosure may be implemented.
  • the processor 1100 may execute the one or more instructions to perform methods/operations according to various embodiments of the present disclosure.
  • computer program 1500 may include instructions for performing a dementia onset diagnosis operation.
  • the instructions include an instruction for obtaining an IADL (Instrumental Activities of Daily Living) pattern of a first subject, an instruction for personalizing a normal behavioral range for the first subject using scoring information on the cognitive ability of the first subject, the By evaluating the IADL pattern based on the personalized normal behavioral range, an instruction generating input data and the input data are input into a machine-learned dementia diagnosis model, and the first dementia diagnosis model uses data output from the dementia diagnosis model. It may include instructions for outputting diagnosis data related to dementia of the subject.
  • IADL Intramental Activities of Daily Living
  • computer program 1500 may include instructions for generating a dementia diagnosis model.
  • the instructions include an instruction for obtaining a subject's IADL (Instrumental Activities of Daily Living) pattern, an instruction for personalizing a normal behavioral range for the subject using scoring information on the subject's cognitive ability, and a personalized normal behavioral range.
  • An instruction for generating learning data by evaluating the IADL pattern as a reference, an instruction for machine learning a dementia diagnosis model using the learning data, and an instruction for outputting data representing the dementia diagnosis model when the machine learning is completed. can include
  • the technical idea of the present disclosure described so far may be implemented as computer readable code on a computer readable medium.
  • the computer program recorded on the computer-readable recording medium may be transmitted to another computing device through a network such as the Internet, installed in the other computing device, and thus used in the other computing device.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

개인 맞춤형 치매 진단 방법 및 그 방법이 적용된 장치가 제공된다. 본 개시의 일 실시예에 따른 개인 맞춤형 치매 진단 방법은, 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 단계, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 획득하는 단계, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계를 포함할 수 있다.

Description

개인 맞춤형 치매 진단 방법 및 그 장치
본 개시는 개인 맞춤형 치매 진단 방법 및 그 장치에 관한 것이다. 보다 자세하게는, 개인의 인지능력과 도구적 일상생활 능력정보에 기반하여 치매를 진단하는 방법 및 그 장치에 관한 것이다.
노인 인구 비율이 전 세계적으로 증가하는 추세에 있으며, 특히 고령화가 빠르게 진행되고 있는 우리나라에선 65세 이상 노인의 치매 유병률이 2012년에는 9.2%(54만 명)으로 나타났으며, 2030년에는 127만명, 2050년에는 약 270만 명으로 증가할 것으로 예측된다.
현재 의료 수준상 치매는 완치가 불가능한 병이라는 점에서 치매의 발병을 조기에 진단하여 조기에 치료를 시작하는 것만이 치매의 진행 속도를 늦추는 해결책이 되고 있다.
그러나, 현재 독거 노인 또는 의료에 취약한 노인의 경우 치매의 위험에 대해 면밀하게 관찰할 수 있는 사회적 여건이 부족하기 때문에 치매를 조기에 진단할 수 있는 방법이 없었다. 특히, 고령화된 노인들의 경우 대부분의 시간을 집에서 보내는 경우가 많기 때문에 외부의 인력들을 통해 노인들을 모니터링하는 것은 한계가 있었다.
기존의 일상생활 능력정보를 기반으로 치매를 진단하는 발명은 스마트홈 기술을 기반으로 대부분의 시간을 집에서 유사한 생활패턴으로 보내는 노인들에 대해 일상생활 능력정보를 이용하여 치매를 진단하는 방법이었다.
기존의 일상생활 능력정보를 기반으로 치매를 진단하는 발명보다 개인화된 일상생활 모델을 이용하여 성능 및 정확도가 향상된 치매 발병 진단 방법이 필요하다.
본 개시가 몇몇 실시예들에서 해결하고자 하는 기술적 과제는, 대상자의 도구적 일상생활 능력정보를 기반으로 하여 치매를 조기에 진단하는 방법을 제공하는 것이다.
본 개시의 몇몇 실시예들에서 해결하고자 하는 다른 기술적 과제는, 개인의 일상생활 패턴을 고려한 정상 행위 범위 개인화 방법을 적용하여 대상자의 치매를 조기에 진단하는 방법을 제공하는 것이다.
본 개시의 몇몇 실시예들에서 해결하고자 하는 또 다른 기술적 과제는, 개인의 인지능력을 고려한 정상 행위 범위 개인화 방법을 적용하여 대상자의 치매를 조기에 진단하는 방법을 제공하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 일 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 방법은, 컴퓨팅 장치에 의하여 수행되는 방법에 있어서, 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 단계와, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 획득하는 단계와, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계는, 상기 제1 대상자의 IADL 활동 데이터를, 상기 조정된 정상 행동 범위를 기준으로 이진화 하는 단계와, 상기 이진화 된 IADL 활동 데이터를 이용하여 상기 제1 대상자의 정상 행동 범위를 갱신하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계는, 상기 갱신된 정상 행동 범위를 이용하여, 상기 제1 대상자의 IADL 활동 데이터를 평가하되, 상기 스코어링 정보를 이용하여, 상기 갱신된 정상 행동 범위를 조정하는 단계를 더 포함할 수 있다.
일 실시예에서, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계는, 상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계는, 인지능력 등급이 위험등급인 경우 정상 행동 범위를 Q1-0.5*IQR 보다 크고 Q3+0.5*IQR 보다 작은 범위로 설정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계는, 인지능력 등급이 하등급인 경우 정상 행동 범위를 Q1-1*IQR 보다 크고 Q3+1*IQR 보다 작은 범위로 설정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계는, 인지능력 등급이 중등급인 경우 정상 행동 범위를 Q1-1.2*IQR 보다 크고 Q3+1.2*IQR 보다 작은 범위로 설정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계는, 인지능력 등급이 상등급인 경우 정상 행동 범위를 Q1-1.5*IQR 보다 크고 Q3+1.5*IQR 보다 작은 범위로 설정하는 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 방법은, 제1 대상자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 단계와, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 단계와, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 단계와, 상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 단계를 포함할 수 있다.
일 실시예에서, 상기 입력 데이터를 생성하는 단계는, 상기 IADL 패턴으로부터 액션 데이터를 얻는 제1 단계와, 상기 액션 데이터에 대하여, 상기 개인화 된 정상 행동 범위를 기준으로 정상 여부를 평가하는 제2 단계와, 정상으로 평가된 액션 데이터는 제1 기호로, 비정상으로 평가된 액션 데이터는 제2 기호로 변환하는 제3 단계와, 상기 IADL 패턴에 시간 순서로 포함된 상기 액션 데이터가 더 이상 존재하지 않을 때까지, 상기 제1 내지 제3 단계를 반복하는 제4 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 방법은, 피험자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 단계와, 상기 피험자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 피험자를 위해 개인화 하는 단계와, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 학습 데이터를 생성하는 단계와, 상기 학습 데이터를 이용하여 치매 진단 모델을 기계 학습 시키는 단계와, 상기 기계 학습이 완료되면 상기 치매 진단 모델을 표현하는 데이터를 출력하는 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 장치는, 제1 대상자의 치매 진단 결과를 저장하는 스토리지와, 상기 제1 대상자의 치매 진단 프로그램이 로드되는 메모리와, 상기 개인 맞춤형 치매 진단 프로그램이 실행되는 프로세서를 포함할 수 있고, 상기 개인 맞춤형 치매 진단 프로그램은, 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션(instruction)과, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 획득하는 인스트럭션과, 상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 인스트럭션을 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 또 다른 실시예에 따른 개인 맞춤형 치매 진단 방법을 제공하는 장치는, 제1 대상자의 치매 진단 결과를 저장하는 스토리지와, 상기 제1 대상자의 치매 진단 프로그램이 로드되는 메모리와, 상기 개인 맞춤형 치매 진단 프로그램이 실행되는 프로세서를 포함할 수 있고, 상기 개인 맞춤형 치매 진단 프로그램은, 상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션(instruction)과, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 인스트럭션과, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 인스트럭션과, 상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 인스트럭션을 포함할 수 있다.
본 개시의 몇몇 실시예들에 따르면, 개인의 일상생활 패턴을 고려한 정상 행위 범위의 개인화 방법을 적용하여 대상자의 치매를 조기에 진단하여 치매 발생 진단의 정확도를 높이는 효과를 얻을 수 있다.
본 개시의 몇몇 실시예들에 따르면, 개인의 인지능력을 고려한 정상 행위 범위의 개인화 방법을 적용하여 대상자의 치매를 조기에 진단하여 치매 발생 진단의 정확도를 높이는 효과를 얻을 수 있다.
본 개시의 몇몇 실시예들에 따르면, 일상생활 능력정보 데이터 수집 시 상황을 고려한 패턴 세밀화 방법을 적용하여 대상자의 치매를 조기에 진단하여 치매 발생 진단의 정확도를 높이는 효과를 얻을 수 있다.
도 1은 본 개시의 일 실시예에 따른, 개인 맞춤형 치매 진단 방법 시스템의 구성도이다.
도 2는 본 개시의 몇몇 실시예에 따른, 개인 맞춤형 치매 진단 기준 생성의 순서도이다.
도 3은 본 개시의 몇몇 실시예에 따른, MMSE 점수에 기반하여 나뉘는 인지능력 등급과, 인지능력 등급에 기반하여 기준 범위가 나뉘는 개인화된 정상 행동의 기준 범위 표를 도시한 도면이다.
도 4는 상기 도 3에서 확인할 수 있는 정상 행동의 기준 범위를 설명하기 위한 그래프를 도시한 도면이다.
도 5는 본 개시의 몇몇 실시예에 따른, 치매 진단 방법의 순서도이다.
도 6은 본 개시의 몇몇 실시예에 따른, 정상인과 치매인이 이용하는 도구 간의 상관관계 점수의 예시를 도시한 도면이다.
도 7은 본 개시의 몇몇 실시예에 따른 개인 맞춤형 치매 진단 장치의 하드웨어 구성도이다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명의 기술적 사상을 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다. 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
본 개시의 일 실시예에 따른 개인 맞춤형 치매 진단 방법을 도 1을 참조하여 설명한다. 본 실시예에 따른 개인 맞춤형 치매 진단 방법은 하나 이상의 컴퓨팅 장치에 의하여 수행될 수 있다. 이하, 본 실시예에 따른 방법을 설명함에 있어서, 일부 동작의 수행 주체에 대한 기재가 생략될 수 있다. 이 때, 해당 동작의 수행 주체는 상기 컴퓨팅 장치인 것으로 이해되어야 한다. 이하, 본 기재에서 상기 컴퓨팅 장치는 '치매 발병 진단 장치'로 지칭하기로 한다.
도 1은 본 발명의 일 실시예에 따른, 개인 맞춤형 치매 진단 방법 시스템의 개요도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 개인 맞춤형 치매 진단 시스템은 치매 발병 진단 장치(100), 센서 기기(200), 정보 DB(500), 인지능력 데이터(400)를 저장하고 치매 발병 진단 장치로 송신할 수 있는 병원 시스템(300)을 포함할 수 있다.
일 실시예에서 치매 발병 진단 장치(100)는 대상자에게 부착될 수 있는 웨어러블 디바이스와 대상자가 거주하고 있는 집에 설치될 수 있는 스마트 홈 IoT 디바이스를 포함하는 센서 기기(200)로부터 데이터를 수신하여 대상자의 도구적 일상생활 능력정보를 모니터링할 수 있다.
일상생활 능력정보는 자신을 돌보는 데 필요한 기본적인 일상생활과 사회생활을 유지하기 위해 수행하는 능력으로 정의할 수 있다.
신체적 일상생활 능력정보는 대소변 가리기, 화장실 사용하기, 세수하기, 목욕하기, 식사하기, 옷 입기, 이동하기, 걷기, 계단 오르기 등과 같은 기본적이고 육체적인 기능을 포함하는 일상생활 능력정보이다.
기본적이고 육체적인 신체적 일상생활 능력정보에 비해 복잡한 인지능력을 필요로 하는 도구적 일상생활 능력정보는 전화 사용, 물건 구입, 음식 장만, 돈 관리, 재정 관리, 가정 돌보기, 교통 수단 이용, 길 찾기, 취미생활, 약 복용, 신문 읽기, 세탁, TV 보기, 탐구적 또는 창의적 활동, 상황대응 등과 같은 동작을 포함한다.
신체적 일상생활 능력정보는 치매 말기까지도 대체로 유지되는 경향이 있는 데 비해 도구적 일상생활 능력정보는 치매 초기 단계부터 민감하게 감퇴하는 경향이 있다.
대상자의 상태를 민감하게 반영하는 경향이 있는 데이터에 따라 생성된 모델을 진단에 이용하는 것은 모델의 생성에 반영된 데이터의 표본크기가 작아도 모델을 이용한 진단의 성능과 정확도를 높이는 효과가 있다.
이하, 본 기재에서 상기 도구적 일상생활 능력정보는 'IADL (Instrumental Activities of Daily Living)'로 지칭하기로 한다. 상기 'IADL'은 센서 기기가 인식한 정보이므로 실제 IADL이 아닌 유추된 IADL이지만, 이하 본 문헌에서는 '유추된 IADL' 대신 'IADL'이라는 용어를 사용하기로 한다.
일 실시예에서 IADL 수집항목은 조리 기구, 세탁 기구, 청소 기구, 가전 기구 등의 도구를 사용하는 모든 활동 횟수와 활동 시간을 포함할 수 있다. 또한, 대상자가 조리 시 한 번에 냉장고와 가스레인지를 이용하는 행동, 한 번에 가스레인지와 싱크대 수전을 이용하는 행동 등 동시에 연관된 조리 기구를 사용하는 행동의 횟수와 사용 시간, 특정 시간대(아침/점심/저녁/밤)의 활동 횟수와 활동 시간 등에 대한 항목이 IADL의 수집항목이 될 수 있다.
상기 IADL의 수집항목을 수집하는 센서 기기는 도어 센서, 모션 센서, 온도-습도 센서, 진동 센서, 라이더 센서 및 스마트 플러그 센서를 포함할 수 있다. 상기 IADL의 수집항목을 수집하는 센서 기기는 대상자가 실생활에서 사용하는 가전제품 및 가구를 포함하는 생활 공간의 모든 장소에 설치될 수 있다. 상기 IADL은 하나 또는 여러 개의 센서 기기가 감지한 데이터를 조합함에 따라 유추될 수 있다. 상기 IADL은 센서 기기가 감지한 움직임의 횟수와 지속 시간 또는 각도 데이터를 계산하여 유추될 수 있다.
치매 발병 진단 장치(100)는 대상자의 IADL을 모니터링하여 대상자의 행동에 따라 IADL 패턴을 결정할 수 있다. 치매 발병 진단 장치(100)는 센서 기기(200)로부터 수신한 정보들을 정보 DB(500)에 저장하여 관리할 수 있다. 또한, 치매 발병 진단 장치(100)는 정보 DB(500)로부터 기 저장된 대상자의 IADL 패턴을 수신 받을 수 있다.
본 개시에서 상기 IADL 패턴은, 대상자의 IADL 데이터의 시계열 시퀀스를 가리키는 것일 수 있다. 예를 들어, 상기 IADL 패턴은 소정의 시간 길이를 가질 수 있다. 예를 들어, 상기 IADL 패턴은 24시간 동안의 대상자의 IADL 데이터를 시계열적으로 연결한 것일 수 있다. 예를 들어, 상기 IADL 패턴은 도구를 이용하는 대상자의 IADL 데이터를 시계열적으로 연결한 것일 수 있다.
웨어러블 디바이스는 대상자에게 부착될 수 있는 디바이스로서 대상자의 생체 정보와 위치 정보 및 활동 정보를 감지하여 치매 발병 진단 장치(100)로 송신할 수 있다.
일 실시예에서 웨어러블 디바이스는 대상자의 현재 위치를 탐지하고 위치 정보를 치매 발병 진단 장치(100)에 송신할 수 있다. 상기 대상자의 위치 정보를 수신한 치매 발병 진단 장치는 대상자의 현재 위치와, 대상자의 현재 위치의 환경을 연동하여 정보를 생성할 수 있다. 상기 대상자의 현재 위치의 환경은 대상자의 현재 위치의 날씨 또는 대상자의 현재 위치의 공간적 특성 등을 포함할 수 있다.
일 실시예에서 대상자의 현재 위치의 날씨와 대상자의 현재 활동이 IADL의 수집항목이 될 수 있다. 예를 들어, 대상자의 현재 위치에 비가 오면, 대상자가 우산을 사용하는 행동, 대상자의 현재 위치에 자외선이 심하면, 대상자가 양산을 사용하는 행동 등 대상자의 현재 위치의 날씨와, 상기 대상자의 현재 위치의 날씨에 대한 대상자의 반응 활동이 IADL의 수집항목이 될 수 있다.
일 실시예에서 대상자의 현재 위치의 공간적 특성과 대상자의 현재 활동이 IADL의 수집항목이 될 수 있다. 예를 들어, 대상자의 현재 위치가 마트이면, 대상자가 상품을 선택하고 계산대에서 계산하는 행동 등 대상자의 현재 위치의 공간적 특성과, 상기 대상자의 현재 위치의 공간적 특성에 대한 대상자의 반응 활동이 IADL의 수집항목이 될 수 있다.
스마트 홈 IoT 디바이스는 전자 제품의 동작에 대한 정보 및 센서의 감지 신호를 생성하는 장치로 이루어질 수 있다. IoT 디바이스는 대상자의 행동을 실시간으로 감지할 수 있다. IoT 디바이스는 대상자가 거주하고 있는 집에 설치되어 스마트 홈 시스템으로 구축될 수 있다.
IoT 디바이스는 대상자가 머무르는 모든 생활 공간에 설치될 수 있다. 대상자가 머무르는 모든 생활 공간에서의 대상자의 활동이 IADL의 수집항목이 될 수 있다. 일 실시예에서 대상자가 머무르며 장을 본 마트도 IADL 데이터 수집 공간이 될 수 있고, 사용자가 장을 본 아이템의 적절도와 아이템 구매 시 동선의 효율성이 IADL 데이터가 될 수 있다.
일 실시예에서 주방 IoT 디바이스는 대상자가 직접 재료를 준비하고 요리 하는 것을 평가할 수 있다. 요리 활동은 하나 이상의 서로 다른 주방용품 및 주방 가전제품을 이용하는 활동일 수 있다. 주방용품 및 주방 가전제품에는 진동 센서, 도어 센서, 온도 센서, 습도 센서 등이 부착될 수 있다. 주방용품 및 주방 가전제품에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 주방용품 및 주방 가전제품이 이용중임으로 판단할 수 있다. 상기 주방용품 및 주방 가전제품은 이용중임으로 판단된 시간, 각도, 온도, 습도, 터치 빈도수 데이터를 측정할 수 있다. 주방 IoT 디바이스는 상기 주방용품 및 주방 가전제품에 부착된 센서 기기가 감지한 데이터를 조합하여 IADL을 유추할 수 있다.
일 실시예에서 주방 IoT 디바이스는 대상자가 현재 조리하려는 객체를 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다. 대상자가 현재 조리하려는 객체 정보를 수신한 치매 발병 진단 장치는 대상자가 현재 조리하려는 객체를 조리하는 행동에 대한 정보를 생성할 수 있다.
예를 들어, 대상자가 조리하려는 객체가 빵이라는 정보를 수신한 치매 발병 진단 장치는 빵을 조리하는 행동에 대한 정보를 생성할 수 있고, 대상자가 조리하려는 객체가 밥이라는 정보를 수신한 치매 발병 진단 장치는 밥을 조리하는 행동에 대한 정보를 생성할 수 있다. 빵을 조리하는 행동과 밥을 조리하는 행동은 조리 시 이용하는 조리 기구의 종류가 다를 수 있다. 빵을 조리하는 행동에 소요되는 시간과 밥을 조리하는 행동에 소요되는 시간은 다를 수 있다.
일 실시예에서 투약 IoT 디바이스는 대상자가 직접 약을 복용하는 것을 평가할 수 있다. 약을 복용하는 활동은 알약 정리함을 이용하는 활동일 수 있다. 알약 정리함에는 진동 센서, 도어 센서 등이 부착될 수 있다. 알약 정리함에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 알약 정리함이 이용중임으로 판단할 수 있다. 상기 알약 정리함에 부착된 센서 기기는 이용중임으로 판단된 시간, 각도, 터치 빈도수 데이터를 측정할 수 있다. 투약 IoT 디바이스는 상기 알약 정리함에 부착된 센서 기기가 감지한 데이터를 조합하여 IADL을 유추할 수 있다.
일 실시예에서 투약 IoT 디바이스는 대상자가 약을 복용한 시간과 복용량을 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다.
일 실시예에서 IoT 디바이스는 대상자의 모든 활동을 평가할 수 있다. 모든 활동은 대상자의 가전제품을 이용하는 활동 또는 이용자가 외출하는 활동을 포함할 수 있다. 가전제품에는 온(On)/오프(Off) 센서, 진동 센서, 터치 센서 등이 부착될 수 있다. 가전제품에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 가전제품이 이용중임으로 판단할 수 있다. 출입문에는 온(On)/오프(Off) 센서, 진동 센서, 터치 센서 등이 부착될 수 있다. 출입문에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 가전제품이 이용중임으로 판단할 수 있다.
상기 가전제품에 부착된 센서 기기는 가전제품 이용 빈도수 또는 이용 유지 시간 데이터를 측정할 수 있다. IoT 디바이스는 상기 가전제품에 부착된 센서 기기가 감지한 데이터를 조합하여 IADL을 유추할 수 있다.
상기 출입문에 부착된 센서 기기는 가전제품 이용 빈도수 또는 이용 유지 시간 데이터를 측정할 수 있다. 출입문 IoT 디바이스는 상기 출입문에 부착된 센서 기기가 감지한 데이터를 조합하여 IADL을 유추할 수 있다.
일 실시예에서 IoT 디바이스는 대상자가 가전제품을 이용한 빈도수 또는 이용을 유지한 시간을 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다. 일 실시예에서 출입문 IoT 디바이스는 대상자가 출입한 빈도수 또는 출입한 시간을 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다. 일 실시예에서 치매 발병 진단 장치는 TV 또는 전기장판 IoT 디바이스와 출입문 IoT 디바이스로부터 수신한 IADL 수집항목을 이용하여 대상자가 외출할 때 가전제품의 전원을 끄는 것을 잊지 않았는지 판단할 수 있다. 일 실시예에서 IoT 디바이스는 대상자의 모든 활동을 평가할 수 있다. 모든 활동은 대상자가 도구를 이용하는 활동을 포함할 수 있다. 도구에는 진동 센서, 터치 센서 등이 부착될 수 있다. 도구에 부착된 센서 기기는 이용되지 않을 시의 상태 값을 기준으로 하여 변화된 상태 값이 기 정의된 기준치 이상임이 감지되면 센서 기기가 부착된 도구가 이용중임으로 판단할 수 있다.
상기 도구에 부착된 센서 기기는 도구의 이용 빈도수, 이용 유지 시간 또는 이용 시간 데이터를 측정할 수 있다. IoT 디바이스는 상기 도구에 부착된 센서 기기가 감지한 데이터를 조합하여 하나 이상의 도구가 동시에 이용된 시간을 유추할 수 있다.
일 실시예에서 IoT 디바이스는 대상자가 도구를 이용한 시간을 탐지하여 치매 발병 진단 장치(100)에 송신할 수 있다. IoT 디바이스로부터 대상자가 도구를 이용한 시간을 수신한 치매 발병 진단 장치는 동시에 이용된 하나 이상의 도구를 판단할 수 있다. 동시에 이용된 하나 이상의 도구를 판단한 데이터로 대상자의 상태를 판단하는 방법은 도 6을 참조하여 후술한다.
대상자가 특정 도구를 이용할 시 소요되는 시간이 IADL의 수집항목이 될 수 있다. 상기의 실시예와 같이 복잡한 인지능력을 필요로 하는 IADL은 치매 초기 단계부터 민감하게 감퇴하는 경향이 있어, 초기 치매 단계를 평가하기 유용한 데이터가 될 수 있다.
또한, 치매 발병 진단 장치(100)는 병원 시스템(300)으로부터 인지능력 데이터(400)를 수신하여 대상자의 정상 행동 범위를 조정할 수 있다. 상기 정상 행동 범위에 대하여는 후술한다.
이하, 본 개시의 몇몇 실시예에 따른, 치매 발병 진단 방법을 도 2 내지 도 5를 참조하여 설명한다.
도 2는 본 개시의 몇몇 실시예에 따른, 개인 맞춤형 치매 진단 기준 생성의 순서도이다.
도 2의 단계 S110에서, 치매 발병 진단 장치(100)는 대상자의 IADL을 모니터링하여 IADL 패턴을 획득할 수 있다. 또한, 치매 발병 진단 장치(100)는 정보DB(500)로부터 기 저장된 대상자의 IADL 패턴을 수신 받아 IADL 패턴을 획득할 수 있다.
단계 S130에서, 치매 발병 진단 장치(100)는 병원 시스템(300)으로부터 인지능력 데이터(400)를 수신하여 스코어링 정보를 획득한다. 상기 스코어링 정보는 치매 발병 진단 장치(100)가 병원 시스템(300)으로부터 수신하는 인지능력 데이터(400)에 기반하여 정해지는 등급일 수 있다.
병원 시스템(300)이 치매 발병 진단 장치(100)로 송신하는 인지능력 데이터(400)는 대상자가 기존에 진행한 인지기능검사(MMSE)의 점수일 수 있다. 또한, 병원 시스템(300)이 치매 발병 진단 장치(100)로 송신하는 인지능력 데이터(400)는 MMSE 검사에 준하는 인지기능 검사의 결과일 수 있다.
단계 S150에서, 치매 발병 진단 장치(100)는 병원 시스템(300)으로부터 인지능력 데이터(400)를 수신하여 획득한 스코어링 정보를 반영하여 정상 행동 범위를 조정한다.
정상 행동 범위는 대상자의 행동이 정상 행동 범위에 포함되는 경우 대상자가 현재 치매 위험 상태가 아님으로 판단할 수 있는 범위이다. 대상자의 행동이 정상 행동 범위를 벗어나면, 대상자의 치매 위험도가 높아질 수 있을 것이다. 예를 들어, IADL 데이터 중, 특정 도구를 이용할 때 소요되는 시간의 정상 범위가 30분 내지 45분으로 사전 정의된 경우, 대상자의 IADL 패턴에 포함된 상기 특정 도구의 이용 시간이 40분이라면 정상 행동 범위로 판단될 것이고, 대상자의 IADL 패턴에 포함된 상기 특정 도구의 이용 시간이 50분이라면 비정상 행동 범위로 판단될 것이다.
몇몇 실시예들에서, 치매 발병 진단 장치(100)는 IADL 데이터에 따른 행동의 종류 별 정상 행동 범위 데이터를 외부 서비스 서버로부터 다운로드 할 수 있을 것이다.
상기 정상 행동 범위는, 상기 다운로드 된 종류 별 정상 행동 범위 데이터를 중앙값으로 하고 대상자의 인지능력의 스코어링 정보에 따라 조정되는 범위일 수 있다. 즉, 대상자의 인지능력의 스코어링 정보가 정상 수준일 수록, 상기 정상 행동 범위가 더 넓어지도록 조정될 수 있을 것이고, 대상자의 인지능력의 스코어링 정보가 비정상일 수록, 상기 정상 행동 범위가 더 좁아지도록 조정될 수 있을 것이다.
상술한 조정은, 인지능력이 정상 수준이라면 상기 정상 행동 범위를 다소 벗어나는 행동을 하더라도 가끔씩 있을 수 있는 것으로 너그러이 평가하고, 반대로 인지능력에 문제가 있다면 상기 정상 행동 범위를 벗어나는 행동을 하는 것에 엄격하게 평가함으로써, 대상자의 IADL 패턴을 평가하는 것이 초기 치매 진단 정확도를 높일 수 있다는 본 개시 고유의 발견에 따른 것이다.
상기 스코어링 정보에 따라 정상 행동 범위를 조정하는 방법은 도 3과 도 4를 참조하여 설명할 수 있다.
도 3과 도 4는 본 개시의 몇몇 실시예에 따른, 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 대상자의 등급 별로 대상자의 정상 행동 범위를 조정하는 방법을 구체적으로 설명하기 위한 도면이다.
도 3에는, 본 개시의 몇몇 실시예에 따른, MMSE 점수에 기반하여 나뉘는 인지능력 등급과, 인지능력 등급에 기반하여 기준 범위가 나뉘는 개인화된 정상 행동의 기준 범위 표가 도시된다.
상기 스코어링 점수는 MMSE 점수에 기반하여 도출되는 점수이다. 일 실시예에서 인지능력에 대한 스코어링 점수가 높아지면, 인지능력 등급이 높아지고, 인지능력 등급이 높아지면, 개인화된 정상 행동의 기준 범위가 넓어진다. 일 실시예에서 인지능력에 대한 스코어링 점수가 낮아지면, 인지능력 등급이 낮아지고, 인지능력 등급이 낮아지면, 개인화된 정상 행동의 기준 범위가 축소된다.
치매 발병 진단 장치가 수신한 대상자의 MMSE 점수가 29점 이상, 만점(30)이라면, 상기 대상자의 인지능력 등급은 Cognitive Health(상)등급으로 설정될 수 있고, 상기 대상자의 정상 행동의 기준 범위는 Q1-1.5*IQR 보다 크고 Q3+1.5*IQR 보다 작은 범위로 설정될 수 있다.
치매 발병 진단 장치가 수신한 대상자의 MMSE 점수가 만점 미만 26점 이상, 28점 이하라면, 상기 대상자의 인지능력 등급은 Very mild cognitive decline(중)등급으로 설정될 수 있고, 상기 대상자의 정상 행동의 기준 범위는 Q1-1.2*IQR 보다 크고 Q3+1.2*IQR 보다 작은 범위로 설정될 수 있다.
치매 발병 진단 장치가 수신한 대상자의 MMSE 점수가 24점 이상, 25점 이하라면, 상기 대상자의 인지능력 등급은 Mild cognitive impairment(하)등급으로 설정될 수 있고, 상기 대상자의 정상 행동의 기준 범위는 Q1-1*IQR 보다 크고 Q3+1*IQR 보다 작은 범위로 설정될 수 있다.
치매 발병 진단 장치가 수신한 대상자의 MMSE 점수가 20점 이상, 23점 이하라면 초기 치매에 해당되어, 상기 대상자의 인지능력 등급은 Moderate cognitive decline(위험)등급으로 설정될 수 있고, 상기 대상자의 정상 행동의 기준 범위는 Q1-0.5*IQR 보다 크고 Q3+0.5*IQR 보다 작은 범위로 설정될 수 있다.
도 4에는, 상기 도 3에서 확인할 수 있는 정상 행동의 기준 범위를 설명하기 위한 그래프가 도시 되어있다.
도 4에서 중앙값(Median)은 단계 S110에서 획득한 IADL 패턴일 수 있다. 도 4에 도시된 바와 같이, IQR은 중앙값을 기준으로 50%의 흩어진 정도를 의미한다. Q1 보다 크고 Q3 보다 작은 범위 내에 포함되는 데이터가 전체 데이터 표본 크기 중 50%를 차지할 수 있다. Q3과 Q1 사이 간격을 IQR로 정의할 수 있다. Q1은 중앙값 - 0.5*IQR 일 수 있다. Q3는 중앙값 + 0.5*IQR 일 수 있다.
도 4는 인지능력 등급이 Cognitive Health(상)등급인 대상자의 정상 행동 기준 범위 조정에 기반이 되는 그래프를 도시하고 있다. 인지능력 등급이 Cognitive Health(상)등급인 대상자의 정상 행동의 기준 범위를 조정하는 기반이 되는 IQR 배수는 1.5일 수 있다.
대상자의 인지능력 등급이 높으면 정상 행동의 기준 범위를 조정하는 기반이 되는 IQR 배수가 커져 정상 행동 기준 범위가 확대될 수 있다. 대상자의 인지능력 등급이 낮으면 정상 행동의 기준 범위를 조정하는 기반이 되는 IQR 배수가 작아져 정상 행동 기준 범위가 축소될 수 있다.
따라서, 정상 행동 기준 범위는 인지능력 등급이 높은 대상자보다 인지능력 등급이 낮은 대상자가 실수가 더 많은 것을 감안한 기준 범위이다. 치매 발병 진단 장치는 인지능력 등급이 높은 대상자의 IADL 패턴을 벗어나는 행동을 자율적이고 의식적인 행동으로 인지하고, 인지능력 등급이 낮은 대상자의 IADL 패턴을 벗어나는 행동을 실수로 인지한다.
단계 S170에서, 치매 발병 진단 장치는 수신된 활동 데이터를 이진화(binarization) 할 수 있다. 이 때, 상기 활동 데이터는 상술한 IADL 패턴일 수 있다. 예를 들어, 상기 IADL 패턴은 24 시간 동안의 IADL 데이터 시퀀스일 수 있다.
즉, 치매 발병 진단 장치는, 상기 수신된 활동 데이터에 포함된 각각의 행동 데이터 별로 이진화를 수행한다. 예를 들어, 행동 데이터가 상기 단계 S150에서 조정된 정상 행동 범위에 포함되는 경우 상기 행동 데이터를 제1 값으로 레이블링하고, 상기 수신된 활동 데이터가 상기 단계 S150에서 조정된 정상 행동 범위에 포함되지 않는 경우, 상기 활동 데이터를 제2 값으로 레이블링할 수 있다.
예를 들어, 상기 제1 값은 Boolean 값의 true 값이고, 상기 제2 값은 Boolean 값의 false 값일 수 있다.
치매 발병 진단 장치에 의하여 이진화 된 상기 활동 데이터는, boolean 값의 시퀀스(sequence) 형태로 변환될 것이다.
본 실시예에 따라 개인의 인지능력별로 정상 행동의 기준 범위를 차별화하고, 개인별로 차별화된 정상 행동의 기준 범위에 기반하여 치매 발병 진단 장치에 수신된 활동 데이터가 정상 행동인지, 치매 위험 상태 행동인지를 평가하면, 치매 발병 진단의 활동 데이터 평가 동작(S170)의 정확도가 향상될 수 있다.
도 5는 본 개시의 몇몇 실시예에 따른, 치매 진단 방법의 순서도이다. 치매 발병 진단 장치는 단위 시간별 데이터(B)를 생성하여 상기 단계 S170에서 이진화 시킬 수 있다. 상기 단위 시간별 데이터는 동일한 단위 시간별로 수집된 행동 데이터일 수 있다. 상기 단위 시간은 하루 또는 한 시간이 될 수 있다.
이렇게 수집된 단위 시간별 데이터에 대해 각 개인별로 정상행동범위 인지 평가의 결과를 기계학습을 위한 학습 데이터로 사용할 수 있다.
상술한 바와 같이, 상기 학습 데이터는 Boolean 값의 시퀀스 일 수 있다. 이처럼 IADL 패턴이 Boolean 값의 시퀀스 형태의 학습 데이터로 표현됨으로써, 각 대상자의 단위 기간 동안 축적된 IADL 데이터가, 상기 단위 기간 동안의 치매 위험 관련 특징이 명확하게 표현될 수 있는 것이다.
치매 발병 진단 장치는 IADL 패턴을 조정한 기준에 활동 데이터 중 특정 시점의 행동인 행동 데이터를 입력하여 특정 시점의 이진화 된 활동 데이터의 결과를 얻을 수 있다(S210).
치매 발병 진단 장치는 대상 행동 데이터가 정상 행동 범위에 포함되는 액션 데이터인 경우 단위 해당 액션 데이터를 제1 기호로 변환할 수 있다. 치매 발병 진단 장치는 대상 행동 데이터가 정상 행동 범위에 포함되는 경우, 이진화된 활동 데이터에 0을 추가할 수 있다.
치매 발병 진단 장치는 대상 행동 데이터가 정상 행동 범위에 포함되지 않는 액션 데이터인 경우 단위 해당 행동 데이터를 제2 기호로 변환할 수 있다. 치매 발병 진단 장치는 대상 행동 데이터가 정상 행동 범위에 포함되지 않는 활동 데이터인 경우 이진화 된 활동 데이터에 1을 추가할 수 있다.
치매 발병 진단 장치는 상기 이진화 된 활동 데이터를 이용하여 기계 학습함으로써, 치매 진단 모델을 생성할 수 있다(S240).
즉, 상기 치매 진단 모델은 상기 학습 데이터를 이용한 기계 학습의 결과로 생성된 인공 신경망 기반 모델일 수 있다.
한편, 상기 기계 학습은 지도 학습(supervised learning)의 형태로 수행될 수 있다. 이를 위해, 치매 발병 진단 장치는 각 학습 데이터, 즉 상기 이진화 된 활동 데이터 각각에 대하여 치매 진단 여부의 레이블링(labeling)을 수행할 수 있다.
이 때, 치매 발병 진단 장치는 각 학습 데이터에 대하여 제1 클래스 및 제2 클래스 중 어느 하나로 레이블링 할 수 있다. 즉, 치매 발병 진단 장치는 각 학습 데이터에 대하여 치매 및 정상 중 어느 하나로 레이블링 할 수 있는 것이다.
또한, 치매 발병 진단 장치는 각 학습 데이터에 대하여 제1 내지 제3 클래스 중 어느 하나로 레이블링 할 수도 있다. 즉, 치매 발병 진단 장치는 각 학습 데이터에 대하여 치매, 초기 치매 및 정상 중 어느 하나로 레이블링 할 수도 있는 것이다.
일 실시예에서, 치매 발병 진단 장치는 각 학습 데이터에 대하여 치매 및 정상 중 어느 하나로 레이블링되는 두 집단의 차이를 분석하기 위해 모집단이 정규분포를 따르는지 확인할 수 있다. 상기 모집단이 정규분포를 따르는지 확인하기 위한 정규성의 결정에는 Shapiro-Wilk 테스트가 사용될 수 있다. 상기 모집단이 정규분포가 아닌 경우에는 집단을 비교하기 위해 비모수적 검정법인 Wilcoxon rank-sum test가 이용될 수 있다. 치매 발병 진단 장치는 각 학습 데이터에 대하여 치매 및 정상 중 어느 하나로 레이블링되는 두 집단의 차이를 분석하기 위해 사용하는 도구의 상관관계 차이를 알아보기 위해 모집단이 정규분포가 아닌 경우 Spearman correlation analysis를 수행할 수 있다. Spearman correlation analysis는 작은 값에서 큰 값 순으로 데이터의 순위를 매겨 상관계수를 도출하고 분석을 통해 두 변수 사이의 상관 관계가 존재하는지 여부를 판단한다. Spearman correlation analysis를 이용하면 데이터에 이상값이 있거나 샘플 크기가 작을 경우에도 결과의 정확도를 높일 수 있다.
지금까지, 상기 치매 진단 모델의 생성 방법을 설명하였다. 상술한 바와 같이, 상기 치매 진단 모델은 기계 학습에 의하여 생성될 수 있고, 따라서 학습 데이터가 추가적으로 기계 학습에 이용될수록 상기 치매 진단 모델의 정확도는 더 증가하게 될 것이다. 따라서, 몇몇 실시예에서 상기 치매 진단 모델은 주기적으로 추가 학습 데이터를 이용하여 갱신될 수 있을 것이다.
상기 치매 진단 모델을 이용한 추론 단계(inferring stage)로서, 치매 발병 진단 장치는 치매 진단 모델에 활동 데이터를 입력하여 치매 여부를 진단할 수 있다(S250). 상기 활동 데이터가 IADL 패턴일 수 있는 점은 이미 설명한 바 있다.
상술된 기계 학습의 알고리즘으로 RF(랜덤포레스트), LR(로지스틱회귀), SVM 등의 분류 알고리즘이 활용될 수 있다. 이때, 가장 분류 성능이 높은 RF 알고리즘을 우선 선택할 수 있다. 기계학습의 모든 입력데이터는 특성별로 하루 또는 한시간 단위를 기준으로 생성될 수 있고, 학습 데이터로 이용되는 학습 데이터셋은 동일한 기준으로 계산된 데이터이다.
본 개시의 실시예들에 따르면, 개인의 상황과 환경에 따라 변경될 수 있는 IADL 패턴을 개인의 상황과 환경의 변화에 따라 갱신하여 치매의 조기 진단에 반영할 수 있다.
개인 맞춤형 치매 진단 시스템의 정상 행동 범위의 기준이 개인화되고, 정상 행동 범위의 기준이 상황에 따라 갱신되면, 치매의 조기 진단에 대한 속도와 정확도가 향상될 수 있다.
도 6은 본 개시의 몇몇 실시예들에 따른 치매 발병 진단 장치가 하나 이상의 도구 이용 간의 상관관계를 도출하는 방법을 설명하기 위한 도면이다. 정상인 예시는 대상자가 정상인 경우 나타날 수 있는 도구 이용 간의 상관관계 표의 예시이다. 치매인 예시는 대상자가 치매인 경우 나타날 수 있는 도구 이용 간의 상관관계 표의 예시이다.
도 6을 참조하면, 동시에 이용된 빈도수가 많은 도구 간의 상관관계 점수가 1에 가깝게, 동시에 이용된 빈도수가 적은 도구 간의 상관관계 점수가 -1에 가깝게 표시된다. 상기 동시에 이용된 빈도수는 대상자가 제1 도구를 이용하는 것으로 판단된 시간에 이용하는 것으로 판단된 제2 도구에 부여될 수 있다.
일 실시예에서, 정상인은 요리를 하기 위해 요리 도구인 싱크대와 냉장고 및 밥솥을 동시에 이용하는 빈도수가 많아 냉장고와 싱크대의 상관관계 점수가 0.41이고, 싱크대와 밥솥의 상관관계 점수가 0.35 인데 반해, 치매인은 0.16과, -0.14에 불과한 상관관계 점수를 도출할 수 있다. 일 실시예에서, 대상자가 제1 도구를 이용한 것으로 판단된 시간에 제1 도구와 상관관계 점수가 기 정의된 점수 이상인 도구를 이용하는 경우, 대상자의 행동이 정상 행동 범위에 포함되는 경우로 판단될 수 있다. 일 실시예에서, 대상자가 제1 도구를 이용한 것으로 판단된 시간에 제1 도구와 상관관계 점수가 기 정의된 점수 미만인 도구를 이용하는 경우, 대상자의 행동이 비정상 행동 범위에 포함되는 경우로 판단될 수 있다.
몇몇 실시예들에서, 치매 발병 진단 장치(100)는 IADL 데이터에 따른 도구의 이용 종류 별 정상 행동 범위 데이터를 외부 서비스 서버로부터 다운로드 할 수 있을 것이다.
도 7은 본 개시의 몇몇 실시예들에 따른 치매 발병 진단 장치의 하드웨어 구성도이다. 도 7에 도시된 치매 발병 진단 장치(100)는, 하나 이상의 프로세서(1100), 시스템 버스(1600), 통신 인터페이스(1200), 프로세서(1100)에 의하여 수행되는 컴퓨터 프로그램(1500)을 로드(load)하는 메모리(1400)와, 컴퓨터 프로그램(1500)을 저장하는 스토리지(1300)를 포함할 수 있다.
프로세서(1100)는 치매 발병 진단 장치(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(1100)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 메모리(1400)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(1400)는 본 개시의 다양한 실시예들에 따른 방법/동작들을 실행하기 위하여 스토리지(1300)로부터 하나 이상의 컴퓨터 프로그램(1500)을 로드(load) 할 수 있다. 버스(1600)는 시뮬레이션 장치(200)의 구성 요소 간 통신 기능을 제공한다. 통신 인터페이스(1200)는 시뮬레이션 장치(200)의 인터넷 통신을 지원한다. 스토리지(1300)는 하나 이상의 컴퓨터 프로그램(1500)을 비임시적으로 저장할 수 있다.
메모리(1400)는 상술한 치매 진단 모델의 데이터를 추가적으로 로드할 수 있다. 컴퓨터 프로그램(1500)은 상기 치매 진단 모델의 데이터를 이용하여 구성된 치매 진단 모델에, 대상자의 IADL 패턴의 평가 결과를 이용하여 생성된 이진화된 IADL 패턴을 입력하고, 상기 치매 진단 모델의 출력 데이터를 이용하여 대상자의 치매 여부를 진단할 수 있을 것이다.
컴퓨터 프로그램(1500)은 본 개시의 다양한 실시예들에 따른 방법/동작들이 구현된 하나 이상의 인스트럭션들(instructions)을 포함할 수 있다. 컴퓨터 프로그램(1500)이 메모리(1400)에 로드 되면, 프로세서(1100)는 상기 하나 이상의 인스트럭션들을 실행시킴으로써 본 개시의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.
일 실시예에서, 컴퓨터 프로그램(1500)은 치매 발병 진단 동작을 수행하기 위한 인스트럭션들(instructions)을 포함할 수 있다. 상기 인스트럭션들은 제1 대상자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션, 상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 인스트럭션, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 인스트럭션 및 상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 인스트럭션을 포함할 수 있다.
다른 실시예에서, 컴퓨터 프로그램(1500)은 치매 진단 모델을 생성하기 위한 인스트럭션들을 포함할 수도 있다. 상기 인스트럭션들은 피험자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션, 상기 피험자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 피험자를 위해 개인화 하는 인스트럭션, 상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 학습 데이터를 생성하는 인스트럭션, 상기 학습 데이터를 이용하여 치매 진단 모델을 기계 학습 시키는 인스트럭션 및 상기 기계 학습이 완료되면 상기 치매 진단 모델을 표현하는 데이터를 출력하는 인스트럭션을 포함할 수 있다.
지금까지 도 1 내지 도 7을 참조하여 본 개시의 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
지금까지 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행 되어야만 하거나 또는 모든 도시 된 동작들이 실행 되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 발명이 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 컴퓨팅 장치에 의하여 수행되는 방법에 있어서,
    제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 단계;
    상기 제1 대상자의 인지능력에 대한 스코어링 정보를 획득하는 단계; 및
    상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  2. 제1 항에 있어서,
    상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 단계는,
    상기 제1 대상자가 이용한 도구에 부착된 센서에서 센싱된 데이터를 이용하여 도구의 이용을 판단하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  3. 제2 항에 있어서,
    상기 제1 대상자가 이용한 도구에 부착된 센서에서 센싱된 데이터를 이용하여 도구의 이용을 판단하는 단계는,
    동시에 이용된 하나 이상의 도구를 판단하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  4. 제1 항에 있어서,
    상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계는,
    상기 제1 대상자의 IADL 활동 데이터를, 상기 조정된 정상 행동 범위를 기준으로 이진화 하는 단계; 및
    상기 이진화 된 IADL 활동 데이터를 이용하여 상기 제1 대상자의 정상 행동 범위를 갱신하는 단계를 더 포함하는,
    개인 맞춤형 치매 진단 방법.
  5. 제4 항에 있어서,
    상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계는,
    상기 갱신된 정상 행동 범위를 이용하여, 상기 제1 대상자의 IADL 활동 데이터를 평가하되, 상기 스코어링 정보를 이용하여, 상기 갱신된 정상 행동 범위를 조정하는 단계를 더 포함하는,
    개인 맞춤형 치매 진단 방법.
  6. 제1 항에 있어서,
    상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 단계는,
    상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  7. 제6 항에 있어서,
    상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계는,
    인지능력 등급이 위험등급인 경우 정상 행동 범위를 Q1-0.5*IQR 보다 크고 Q3+0.5*IQR 보다 작은 범위로 설정하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  8. 제6 항에 있어서,
    상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계는,
    인지능력 등급이 하등급인 경우 정상 행동 범위를 Q1-1*IQR 보다 크고 Q3+1*IQR 보다 작은 범위로 설정하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  9. 제6 항에 있어서,
    상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계는,
    인지능력 등급이 중등급인 경우 정상 행동 범위를 Q1-1.2*IQR 보다 크고 Q3+1.2*IQR 보다 작은 범위로 설정하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  10. 제6 항에 있어서,
    상기 제1 대상자의 인지능력에 대한 스코어링 점수 별로 대상자의 등급을 차별화하여 인지능력 등급이 낮으면 정상 행동 범위를 축소하고, 인지능력 등급이 높으면 정상 행동 범위를 확대하는 단계는,
    인지능력 등급이 상등급인 경우 정상 행동 범위를 Q1-1.5*IQR 보다 크고 Q3+1.5*IQR 보다 작은 범위로 설정하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  11. 컴퓨팅 장치에 의하여 수행되는 방법에 있어서,
    제1 대상자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 단계;
    상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 단계;
    상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 단계; 및
    상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  12. 제11 항에 있어서,
    상기 입력 데이터를 생성하는 단계는,
    상기 IADL 패턴으로부터 액션 데이터를 얻는 제1 단계;
    상기 액션 데이터에 대하여, 상기 개인화 된 정상 행동 범위를 기준으로 정상 여부를 평가하는 제2 단계;
    정상으로 평가된 액션 데이터는 제1 기호로, 비정상으로 평가된 액션 데이터는 제2 기호로 변환하는 제3 단계; 및
    상기 IADL 패턴에 시간 순서로 포함된 상기 액션 데이터가 더 이상 존재하지 않을 때까지, 상기 제1 내지 제3 단계를 반복하는 제4 단계를 포함하는,
    개인 맞춤형 치매 진단 방법.
  13. 컴퓨팅 장치에 의하여 수행되는 방법에 있어서,
    피험자의 IADL(Instrumental Activities of Daily Living) 패턴을 획득하는 단계;
    상기 피험자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 피험자를 위해 개인화 하는 단계;
    상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 학습 데이터를 생성하는 단계;
    상기 학습 데이터를 이용하여 치매 진단 모델을 기계 학습 시키는 단계; 및
    상기 기계 학습이 완료되면 상기 치매 진단 모델을 표현하는 데이터를 출력하는 단계를 포함하는,
    개인 맞춤형 치매 진단 모델 생성 방법.
  14. 개인 맞춤형 치매 진단 장치에 있어서,
    제1 대상자의 치매 진단 프로그램이 로드되는 메모리; 및
    개인 맞춤형 치매 진단 프로그램이 실행되는 프로세서를 포함하되,
    상기 개인 맞춤형 치매 진단 프로그램은,
    상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션(instruction);
    상기 제1 대상자의 인지능력에 대한 스코어링 정보를 획득 하는 인스트럭션; 및
    상기 스코어링 정보를 이용하여, 상기 IADL 패턴이 가리키는 상기 제1 대상자의 정상 행동 범위를 조정하는 인스트럭션을 포함하는,
    개인 맞춤형 치매 진단 장치.
  15. 개인 맞춤형 치매 진단 장치에 있어서,
    제1 대상자의 치매 진단 프로그램이 로드되는 메모리; 및
    개인 맞춤형 치매 진단 프로그램이 실행되는 프로세서를 포함하되,
    상기 개인 맞춤형 치매 진단 프로그램은,
    상기 제1 대상자의 IADL (Instrumental Activities of Daily Living) 패턴을 획득하는 인스트럭션(instruction);
    상기 제1 대상자의 인지능력에 대한 스코어링 정보를 이용하여 정상 행동 범위를 상기 제1 대상자를 위해 개인화 하는 인스트럭션;
    상기 개인화 된 정상 행동 범위를 기준으로 상기 IADL 패턴을 평가함으로써, 입력 데이터를 생성하는 인스트럭션; 및
    상기 입력 데이터를 기계 학습된 치매 진단 모델에 입력하고, 상기 치매 진단 모델로부터 출력된 데이터를 이용하여 상기 제1 대상자의 치매 관련 진단 데이터를 출력하는 인스트럭션을 포함하는,
    개인 맞춤형 치매 진단 장치.
PCT/KR2022/018882 2021-11-25 2022-11-25 개인 맞춤형 치매 진단 방법 및 그 장치 WO2023096416A1 (ko)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR20210164852 2021-11-25
KR10-2021-0164852 2021-11-25
KR1020220088140A KR102552172B1 (ko) 2021-11-25 2022-07-18 개인 맞춤형 치매 진단 방법 및 그 장치
KR10-2022-0088140 2022-07-18

Publications (1)

Publication Number Publication Date
WO2023096416A1 true WO2023096416A1 (ko) 2023-06-01

Family

ID=86540152

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/018882 WO2023096416A1 (ko) 2021-11-25 2022-11-25 개인 맞춤형 치매 진단 방법 및 그 장치

Country Status (1)

Country Link
WO (1) WO2023096416A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017104289A (ja) * 2015-12-09 2017-06-15 株式会社東芝 認知症判定装置、認知症判定システム、認知症判定方法、およびプログラム
WO2017145566A1 (ja) * 2016-02-22 2017-08-31 パナソニックＩｐマネジメント株式会社 認知症状検出システム、及び、プログラム
KR20180084999A (ko) * 2016-03-09 2018-07-25 파나소닉 아이피 매니지먼트 가부시키가이샤 인지증 정보 출력 시스템 및 제어 프로그램
JP2018138136A (ja) * 2017-02-24 2018-09-06 学校法人東京理科大学 被験者判断装置、方法、及びプログラム
KR20200072172A (ko) * 2018-12-12 2020-06-22 재단법인대구경북과학기술원 인지 능력 평가 방법, 이의 시스템 및 이를 위한 웨어러블 디바이스

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017104289A (ja) * 2015-12-09 2017-06-15 株式会社東芝 認知症判定装置、認知症判定システム、認知症判定方法、およびプログラム
WO2017145566A1 (ja) * 2016-02-22 2017-08-31 パナソニックＩｐマネジメント株式会社 認知症状検出システム、及び、プログラム
KR20180084999A (ko) * 2016-03-09 2018-07-25 파나소닉 아이피 매니지먼트 가부시키가이샤 인지증 정보 출력 시스템 및 제어 프로그램
JP2018138136A (ja) * 2017-02-24 2018-09-06 学校法人東京理科大学 被験者判断装置、方法、及びプログラム
KR20200072172A (ko) * 2018-12-12 2020-06-22 재단법인대구경북과학기술원 인지 능력 평가 방법, 이의 시스템 및 이를 위한 웨어러블 디바이스

Similar Documents

Publication Publication Date Title
US11355227B2 (en) Activity capability monitoring
Dahmen et al. Smart secure homes: a survey of smart home technologies that sense, assess, and respond to security threats
Kwon et al. Single activity sensor-based ensemble analysis for health monitoring of solitary elderly people
KR102494874B1 (ko) 일상생활 능력정보 기반 치매 예측 방법 및 그 장치
WO2017071988A1 (en) Monitoring activities of daily living of a person
CN106950844A (zh) 一种智能家居监控方法和装置
Gietzelt et al. A prospective field study for sensor-based identification of fall risk in older people with dementia
Skubic et al. Testing classifiers for embedded health assessment
JP6591232B2 (ja) 連想メモリによって分類されたフレームを使用して位置に対する計量値を取得すること
Mohmed et al. Employing a deep convolutional neural network for human activity recognition based on binary ambient sensor data
Zamudio et al. Modeling individual healthy behavior using home automation sensor data: Results from a field trial
WO2018163890A1 (ja) 要因推定装置、要因推定システム、および要因推定方法
Bettini et al. Explainable activity recognition over interpretable models
JP2018180826A (ja) 居住情報管理装置および居住情報管理システム
Schinle et al. Personalization of monitoring system parameters to support ambulatory care for dementia patients
WO2023096416A1 (ko) 개인 맞춤형 치매 진단 방법 및 그 장치
Bono-Nuez et al. Ambient intelligence for quality of life assessment
Baudisch et al. A framework for learning event sequences and explaining detected anomalies in a smart home environment
Sahlab et al. Graph-based association rule learning for context-based health monitoring to enable user-centered assistance
JP2005327134A (ja) 異常検知装置及び異常検知方法
Suryadevara et al. Smart sensing system for human emotion and behaviour recognition
Shahid et al. Unsupervised forecasting and anomaly detection of ADLs in single-resident elderly smart homes
KR102646691B1 (ko) 개인 맞춤형 치매 진단 방법 및 그 장치
Wlodarczak et al. Reality mining in eHealth
JP6103006B2 (ja) 情報処理装置、情報処理方法、及びプログラム

Legal Events

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

Ref document number: 22899098

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 22899098

Country of ref document: EP

Kind code of ref document: A1