| 1 |
1
웨어러블 기기로부터 생리적 데이터, 스마트 단말로부터 약물 및 증상 데이터, 어플리케이션 프로그래밍 인터페이스(Application Programming Interfaces; API)를 통한 환자들 및 의사들의 소셜 네트워크 상에서의 논의 데이터를 수집하는 데이터 수집부; 개인 클라우드 서버와 연결되어 수집된 생리적 데이터, 약물 및 증상 데이터 및 논의 데이터를 저장하는 데이터 저장부; 및저장된 데이터에 대한 특징 극성 식별, 워드 임베딩 및 온톨로지 기반 특징 추출, 웨어러블 센서 데이터에서 추출, 데이터 구성 요소 분석, Bi-LSTM 기반 당뇨병과 BP 분류 및 약물 부작용 예측을 포함하는 데이터의 계산 및 분류를 수행하는 빅데이터 분석 엔진을 포함하는 헬스케어 모니터링 장치
|
| 2 |
2
제1항에 있어서,빅데이터 분석 엔진은, 저장된 데이터는 센서 데이터, 의료 기록 및 소셜 네트워크 콘텐츠를 포함하고, 센서 데이터의 사전 분석, 센서 데이터의 사전 처리 및 필터링, 의료 기록의 사전 처리, 소셜 네트워크 콘텐츠의 사전 처리 및 불일치와 노이즈를 제거하기 위한 데이터 필터링을 수행한 후 데이터를 구조화된 형태로 변환하는 헬스케어 모니터링 장치
|
| 3 |
3
제1항에 있어서,빅데이터 분석 엔진은, 단어의 의미를 이해하는 신경망 모델에 대하여 추가 정보를 제공하기 위해 온톨로지 기반 특징 추출을 수행하여 모든 온톨로지 정보를 검색하고, 분류를 위한 워드 임베딩과 통합하며, 온톨로지로부터 정보를 추출하기 위해, 용어 주파수(Term Frequency; TF), 용어 빈도 및 TF-IDF(Inverse Document Frequency)를 포함하는 통계 방법을 사용하여 수학적으로 정의하는 헬스케어 모니터링 장치
|
| 4 |
4
제1항에 있어서,빅데이터 분석 엔진은, WEKA(Waikato Environment for Knowledge Analysis)를 통해 계산된 정보 이득(Information Gain; IG) 방법을 사용하여 웨어러블 센서 데이터의 특징을 추출하고 속성의 가치를 찾아, 불확실성을 측정하기 위해 엔트로피를 이용하고 이전의 엔트로피와 이후의 엔트로피 차이를 정의하는 헬스케어 모니터링 장치
|
| 5 |
5
데이터 수집부를 통해 웨어러블 기기로부터 생리적 데이터, 스마트 단말로부터 약물 및 증상 데이터, 어플리케이션 프로그래밍 인터페이스(Application Programming Interfaces; API)를 통한 환자들 및 의사들의 소셜 네트워크 상에서의 논의 데이터를 수집하는 단계; 데이터 저장부는 개인 클라우드 서버와 연결되어 수집된 생리적 데이터, 약물 및 증상 데이터 및 논의 데이터를 저장하는 단계; 및 저장된 데이터는 빅데이터 분석 엔진을 통해 특징 극성 식별, 워드 임베딩 및 온톨로지 기반 특징 추출, 웨어러블 센서 데이터에서 추출, 데이터 구성 요소 분석, Bi-LSTM 기반 당뇨병과 BP 분류 및 약물 부작용 예측을 포함하는 데이터의 계산 및 분류를 수행하는 단계를 포함하는 헬스케어 모니터링 방법
|
| 6 |
6
제5항에 있어서,저장된 데이터는 빅데이터 분석 엔진을 통해 특징 극성 식별, 워드 임베딩 및 온톨로지 기반 특징 추출, 웨어러블 센서 데이터에서 추출, 데이터 구성 요소 분석, Bi-LSTM 기반 당뇨병과 BP 분류 및 약물 부작용 예측을 포함하는 데이터의 계산 및 분류를 수행하는 단계는, 저장된 데이터는 센서 데이터, 의료 기록 및 소셜 네트워크 콘텐츠를 포함하고, 센서 데이터의 사전 분석, 센서 데이터의 사전 처리 및 필터링, 의료 기록의 사전 처리, 소셜 네트워크 콘텐츠의 사전 처리 및 불일치와 노이즈를 제거하기 위한 데이터 필터링을 수행한 후 데이터를 구조화된 형태로 변환하는 헬스케어 모니터링 방법
|
| 7 |
7
제5항에 있어서,저장된 데이터는 빅데이터 분석 엔진을 통해 특징 극성 식별, 워드 임베딩 및 온톨로지 기반 특징 추출, 웨어러블 센서 데이터에서 추출, 데이터 구성 요소 분석, Bi-LSTM 기반 당뇨병과 BP 분류 및 약물 부작용 예측을 포함하는 데이터의 계산 및 분류를 수행하는 단계는, 단어의 의미를 이해하는 신경망 모델에 대하여 추가 정보를 제공하기 위해 온톨로지 기반 특징 추출을 수행하여 모든 온톨로지 정보를 검색하고, 분류를 위한 워드 임베딩과 통합하며, 온톨로지로부터 정보를 추출하기 위해, 용어 주파수(Term Frequency; TF), 용어 빈도 및 TF-IDF(Inverse Document Frequency)를 포함하는 통계 방법을 사용하여 수학적으로 정의하는 헬스케어 모니터링 방법
|
| 8 |
8
제5항에 있어서,저장된 데이터는 빅데이터 분석 엔진을 통해 특징 극성 식별, 워드 임베딩 및 온톨로지 기반 특징 추출, 웨어러블 센서 데이터에서 추출, 데이터 구성 요소 분석, Bi-LSTM 기반 당뇨병과 BP 분류 및 약물 부작용 예측을 포함하는 데이터의 계산 및 분류를 수행하는 단계는, WEKA(Waikato Environment for Knowledge Analysis)를 통해 계산된 정보 이득(Information Gain; IG) 방법을 사용하여 웨어러블 센서 데이터의 특징을 추출하고 속성의 가치를 찾아, 불확실성을 측정하기 위해 엔트로피를 이용하고 이전의 엔트로피와 이후의 엔트로피 차이를 정의하는 헬스케어 모니터링 방법
|
