Search

KR-20260060933-A - The method and apparatus for predicting disease of companion animals using artificial neural networks

KR20260060933AKR 20260060933 AKR20260060933 AKR 20260060933AKR-20260060933-A

Abstract

일 측면에 따른 반려동물의 질병을 예측하는 방법은, 복수의 반려동물들의 문진 정보 및 미생물 정보를 획득하는 단계; 제1 인공신경망을 이용하여 상기 문진 정보에 대한 문진 특징벡터를 획득하는 단계; 상기 제1 인공신경망을 이용하여 상기 미생물 정보에 대한 미생물 특징벡터를 획득하는 단계; 상기 문진 특징벡터 및 미생물 특징벡터의 대응 관계를 이용하여 상기 문진 특징벡터를 상기 미생물 특징벡터로 변환하는 변환 정보를 획득하는 단계; 상기 미생물 특징벡터 및 질병 정보를 이용하여 SVM(Support Vector Machine)을 학습시키는 단계; 사용자에 의해 입력된 문진 정보(A)를 획득하는 단계; 상기 문진 정보(A)를 상기 제1 인공신경망에 입력하여, 문진 특징벡터(A)를 획득하는 단계; 상기 문진 특징벡터(A)를 상기 변환 정보를 이용하여 미생물 특징벡터(A)로 변환하는 단계; 및 상기 변환된 미생물 특징벡터(A)를 상기 학습된 SVM에 입력하여, 질병을 예측하는 단계;를 포함한다.

Inventors

  • 임경호

Assignees

  • 주식회사프레쉬아워

Dates

Publication Date
20260506
Application Date
20241025

Claims (13)

  1. 복수의 반려동물들의 문진 정보 및 미생물 정보를 획득하는 단계; 제1 인공신경망을 이용하여 상기 문진 정보에 대한 문진 특징벡터를 획득하는 단계; 상기 제1 인공신경망을 이용하여 상기 미생물 정보에 대한 미생물 특징벡터를 획득하는 단계; 상기 문진 특징벡터 및 미생물 특징벡터의 대응 관계를 이용하여 상기 문진 특징벡터를 상기 미생물 특징벡터로 변환하는 변환 정보를 획득하는 단계; 상기 미생물 특징벡터 및 질병 정보를 이용하여 SVM(Support Vector Machine)을 학습시키는 단계; 사용자에 의해 입력된 문진 정보(A)를 획득하는 단계; 상기 문진 정보(A)를 상기 제1 인공신경망에 입력하여, 문진 특징벡터(A)를 획득하는 단계; 상기 문진 특징벡터(A)를 상기 변환 정보를 이용하여 미생물 특징벡터(A)로 변환하는 단계; 및 상기 변환된 미생물 특징벡터(A)를 상기 학습된 SVM에 입력하여, 질병을 예측하는 단계;를 포함하는 반려동물의 질병을 예측하는 방법.
  2. 제1 항에 있어서, 상기 제1 인공신경망은 오토인코더(Autoencoder)인 방법.
  3. 제1 항에 있어서, 상기 미생물 정보는 상기 반려동물들의 질병 정보가 라벨링되고, 상기 SVM을 학습시키는 단계는, 상기 미생물 특징벡터를 상기 질병 정보에 따라 구분하도록 상기 SVM을 학습시키는 것을 특징으로 하는 방법.
  4. 제1 항에 있어서, 상기 변환 정보는 상기 문진 특징벡터를 상기 미생물 특징벡터로 변환하는 정보이고, 상기 대응관계는 동일한 반려동물의 상기 문진 특징벡터 및 상기 미생물 특징벡터를 나타내는 것을 특징으로 하는 방법.
  5. 제1 항에 있어서, 상기 변환 정보를 획득하는 단계는, 제2 인공신경망에 상기 문진 특징벡터를 입력하고, 상기 제2 인공신경망으로부터 상기 미생물 특징벡터가 출력되도록 상기 제2 인공신경망을 학습시키는 것을 특징으로 하는 방법.
  6. 제5 항에 있어서, 상기 제2 인공신경망은 MLP(Multi Layer Perceptron)인 것을 특징으로 하는 방법.
  7. 제1 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  8. 적어도 하나의 메모리; 및 적어도 하나의 프로세서;를 포함하고, 상기 메모리는 상기 프로세서에 의해 수행되는 명령어를 저장하고, 상기 프로세서는, 복수의 반려동물들의 문진 정보 및 미생물 정보를 획득하고, 제1 인공신경망을 이용하여 상기 문진 정보에 대한 문진 특징벡터를 획득하고, 상기 제1 인공신경망을 이용하여 상기 미생물 정보에 대한 미생물 특징벡터를 획득하고, 상기 미생물 특징벡터 및 질병 정보를 이용하여 SVM(Support Vector Machine)을 학습시키고, 사용자에 의해 입력된 문진 정보(A)를 획득하고, 상기 문진 정보(A)를 상기 제1 인공신경망에 입력하여 문진 특징벡터(A)를 획득하고, 상기 문진 특징벡터(A)를 상기 변환 정보를 이용하여 미생물 특징벡터(A)로 변환하고, 상기 미생물 특징벡터(A)를 상기 학습된 SVM에 입력하여, 질병을 예측하는 장치.
  9. 제8 항에 있어서, 상기 제1 인공신경망은 오토인코더(Autoencoder)인 장치.
  10. 제8 항에 있어서, 상기 미생물 정보는 상기 반려동물들의 질병 정보가 라벨링되고, 상기 프로세서는 상기 미생물 특징벡터를 상기 질병 정보에 따라 구분하도록 상기 SVM을 학습시키는 것을 특징으로 하는 장치.
  11. 제8 항에 있어서, 상기 변환 정보는 상기 문진 특징벡터를 상기 미생물 특징벡터로 변환하는 정보이고, 상기 대응관계는 동일한 반려동물의 상기 문진 특징벡터 및 상기 미생물 특징벡터를 나타내는 것을 특징으로 하는 장치
  12. 제8 항에 있어서, 상기 프로세서는 제2 인공신경망에 상기 문진 특징벡터를 입력하고, 상기 제2 인공신경망으로부터 상기 미생물 특징벡터가 출력되도록 상기 제2 인공신경망을 학습시키는 것을 특징으로 하는 장치.
  13. 제12 항에 있어서, 상기 제2 인공신경망은 MLP(Multi Layer Perceptron)인 것을 특징으로 하는 장치.

Description

인공신경망을 이용하여 반려동물의 질병을 예측하는 방법 및 장치{The method and apparatus for predicting disease of companion animals using artificial neural networks} 인공신경망을 이용하여 반려동물의 질병을 예측하는 방법 및 장치에 관한 것이다. 반려동물 시장은 1인 가구의 증가, 고령화 또는 정서적 안정 등의 다양한 원인으로 인하여 반려동물을 키우는 가정이 늘고 있음에 따라 함께 급속도로 성장하고 있다. 예를 들어, 기존의 반려동물의 미용 서비스뿐만 아니라, 반려동물에 관한 의료 보험 서비스 및 반려 동물 힐링 서비스 등의 새롭고 다양한 서비스들이 늘어나고 있는 추세이다. 특히, 반려동물에 대한 애정이 높아지고 있음에 따라 반려 동물의 미용에서 건강으로 사람들의 관심이 변화하고 있다. 따라서, 사람들의 관심이 반려동물의 사료로 이어지고 있다. 다만, 반려동물의 사료는 수많은 제조업체가 존재하며, 제조업체마다 영양 성분이 상이한 점, 식품으로 취급되지 않음에 따라 사료에 기재된 영양 성분 정보가 정확하지 않은 점 및 반려동물의 상태를 정확히 파악하기 어려움 점 등으로 인하여 반려동물의 상태에 적합한 사료 또는 사료의 적절한 양을 결정하여 제공하기 어려운 문제점이 있다. 도 1은 일 실시예에 따른 반려동물의 문진 정보를 기초로 질병을 예측하는 방법을 설명하기 위한 도면이다. 도 2는 일 실시예에 따른 반려동물의 문진 정보를 설명하기 위한 도면이다. 도 3은 일 실시예에 따른 반려동물의 미생물 정보를 설명하기 위한 도면이다. 도 4는 일 실시예에 따른 반려동물의 질병을 예측하는 방법을 설명하기 위한 순서도이다. 도 5는 일 실시예에 따른 문진 정보 및 미생물 정보를 이용하여 질병을 예측하는 방법을 설명하기 위한 도면이다. 도 6은 일 실시예에 따른 오토인코더를 이용하여 특징벡터를 획득하는 방법을 설명하기 위한 도면이다. 도 7은 일 실시예에 따른 SVM을 학습시키는 방법을 설명하기 위한 도면이다. 도 8은 일 실시예에 따른 학습된 SVM을 이용하여 질병을 예측하는 방법을 설명하기 위한 도면이다. 도 9 내지 10는 일 실시예에 따른 도메인 적응(domain adaptation)을 설명하기 위한 도면이다. 도 11는 일 실시예에 따른 SVM을 설명하기 위한 도면이다. 도 12는 일 실시예에 따른 제2 인공신경망을 학습하는 방법을 설명하기 위한 도면이다. 도 13은 일 실시예에 따른 질병을 예측하는 장치의 일 예를 설명하기 위한 구성도이다. 실시예들에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 명세서의 전반에 걸친 내용을 토대로 정의되어야 한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 “포함”한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에서 사용되는 “제1” 또는 “제2” 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용할 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 아래에서는 첨부한 도면을 참고하여 실시예에 대하여 상세히 설명한다. 그러나 실시예는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 예에 한정되지 않는다. 도 1은 일 실시예에 따른 반려동물의 문진 정보를 기초로 질병을 예측하는 방법을 설명하기 위한 도면이다. 도 1을 참조하면, 디바이스(300)는 반려동물의 문진 정보를 기초로 질병을 예측할 수 있다. 다시 말해서, 사용자가 반려동물의 문진 결과를 입력하면, 디바이스(300)는 반려동물의 질병을 예측할 수 있다. 모바일 기기(100) 및/또는 서버(200)는 문진 정보를 기초로 반려동물의 질병을 예측할 수 있다. 사용자는 모바일 기기(100)를 통해 반려동물의 문진 정보를 입력할 수 있다. 모바일 기기(100)는 서버(200)와 데이터를 송수신할 수 있다. 모바일 기기(300)는 직접 데이터를 처리하여 질병을 예측할 수도 있다. 또는, 모바일 기기(300)는 서버(200)로 데이터를 전송하고, 서버(200)에 의해 예측된 질병을 수신할 수도 있다. 서버(200)는 디바이스(300)로부터 수신된 데이터에 기초하여 질병을 예측할 수 있다. 이하에서 디바이스(300)가 수행하는 동작은 모바일 기기(100)가 단독으로 수행하거나, 모바일 기기(100)와 서버(200)가 수행하는 것을 의미할 수 있다. 도 2는 일 실시예에 따른 반려동물의 문진 정보를 설명하기 위한 도면이다. 도 2를 참조하면, 문진 정보는 성별 정보, 나이 정보, 몸무게 정보, 식단 정보, 못 먹는 음식 정보, 중성화 정보, 품종 정보, 체형 정보, 활동량 정보 및 특이사항 중 하나 이상을 포함한다. 디바이스(300)는 도 2에 도시된 문진 정보뿐만 아니라 다양한 문진 정보를 사용자로부터 입력 받을 수 있다. 성별 정보는 반려동물이 수컷인지 암컷인지를 나타내는 정보이다. 중성화 정보는 반려동물이 중성화를 하였는지를 나타내는 정보이다. 나이 정보는 반려동물의 나이를 나타내는 정보이다. 사용자는 디바이스(300)를 통해 반려동물의 나이를 입력할 수 있으며, 생년월일을 입력할 수도 있다. 품종 정보는 반려동물의 품종을 나타내는 정보이다. 사용자는 반려동물의 품종을 하나 이상 선택할 수 있다. 디바이스(300)는 강아지, 고양이 등 반려동물의 종류를 표시할 수 있고, 사용자로부터 종류를 입력 받을 수 있다. 사용자에 의해 종류가 선택되면, 디바이스(300)는 종류에 해당하는 품종들을 표시할 수 있다. 예를 들어, 사용자가 강아지를 선택하면, 디바이스(300)는 웰시코기, 보더콜리, 리트리버 등의 품종을 표시할 수 있다. 몸무게 정보는 반려동물의 몸무게를 나타내는 정보이다. 사용자는 디바이스(300)를 통해 반려동물의 몸무게를 입력할 수 있다. 체형 정보는 반려동물의 체형을 나타내는 정보이다. 예를 들어, 디바이스(300)는 아주 마름, 마름, 정상, 과체중 및 비만 등을 표시하고, 사용자로부터 선택된 체형을 입력 받을 수 있다. 식단 정보는 반려동물이 먹는 사료, 간식을 나타내는 정보이다. 식단 정보는 칼로리, 영양소, 1일 섭취량 등을 포함할 수 있다. 디바이스(300)는 사료의 종류로 건사료, 습사료, 화식, 생식, 사람이 먹는 음식 등을 입력 받을 수 있다. 활동량 정보는 반려동물의 운동량, 산책 시간 등을 나타내는 정보이다. 디바이스(300)는 무기력, 활동 부족, 정상, 활동 과다 등을 표시하고, 사용자로부터 선택된 활동량을 입력 받을 수 있다. 또한, 디바이스(300)는 반려동물이 하루동안 운동하는 시간, 산책하는 시간 등을 사용자로부터 입력 받을 수도 있다. 못 먹는 음식 정보는 반려동물이 기피하거나 먹으면 안 되는 음식을 나타내는 정보이다. 디바이스(300)는 반려동물이 일반적으로 먹으면 안 되는 음식들을 표시하고, 사용자로부터 선택된 음식을 입력 받을 수 있다. 또한, 디바이스(300)는 사용자가 입력하는 텍스트, 이미지 등을 통해 못 먹는 음식 정보를 입력 받을 수도 있다. 특이사항 정보는 반려동물의 질병, 습관 등의 정보를 나타낸다. 디바이스(300)는 사용자가 입력하는 텍스트, 이미지 등을 통해 특이 사항 정보를 입력 받을 수 있다. 예를 들어, 특이사항 정보는 장 질환, 피부질환, 눈물자국, 관절건강에 관한 정보를 포함할 수 있다. 추가적으로, 디바이스(300)는 건강상태 관련 정보를 입력 받을 수 있다. 예를 들어, 문진 정보는 구토 및 설사여부, 유산균 복용 여부, 투여 약물 유무, 투여 약물 종류, 임신 여부, 알레르기 여부 및 알레르기 종류 등을 포함할 수 있다. 도 3은 일 실시예에 따른 반려동물의 미생물 정보를 설명하기 위한 도면이다. 도 3을 참조하면, 미생물 정보는 미생물 종류, 미생물 군집도, 미생물 양, 미생물 분포도, 유익균 지수, 유해균 지수 등을 포함할 수 있다. 미생물 정보는 반려동물의 장내 미생물에 관한 정보일 수 있다. 미생물 정보는 반려동물로부터 검출되는 세균, 바이러스 등을 포함할 수 있다. 미생물 정보를 통해 반려동물의 질병을 예측할 수 있다. 미생물 정보는 진단 기기를 통해 획득될 수 있다. 예를 들어, 진단기기는 진단키트, 마미오크로바이옴 플랫폼 기반 진단기기, 소화기 질환의 질병 진단기기, 반려동물의 건강 진단기기, 채변 기반의 진단기기, 채변 기반의 NGS(Next Generation Sequencing) 진단기기 등을 포함할 수 있다. 미생물 종류는 락토바실러스(Lacto bacillus), 클로스트리디움퍼프리젠스(Clostridium Perfringens), 블라우티아(Blautia), 테로코커스 페시움(Enterococcus faecium), 피르미큐테스(Firmicutes), 박테로이데테스(Bacteroidetes) 등이 있을 수 있다. 유익균은 비피도박테리움(Bifidobacterium), 락토코커스(Lactococcus), 락토바실러스(Lactobcillus), 스트렙토 코커스(Streptococcus) 등이 있다. 유해균은 살모넬라(Salmonella), 시겔라(Shigella), 클로스트리디움 디피실(Clostridium difficile), 스타필루코쿠스 아우레우스(Staphylococcus aureus), 캠필로박터 제주니(Campylobacter jejuni) 등이 있다. 미생물 양은 검출되는 미생물의 절대적인 양 또는 상대적인 양일 수 있다. 미생물 분포도는 미생물들의 종류와 개체수를 나타낼 수 있으며, 미생물의 분포 패턴일 수도 있다. 미생물 군집도는 미생물 그룹의 종류 및 그룹에 포함된 미생물의 수를 나타낼 수 있다. 예를 들어, 미생물이 유익균