| 1 |
1
전처리부가 건강데이터를 정규화하고, 상기 정규화한 건강데이터를 타임-윈도우의 길이만큼 분리하여 전처리를 수행하는 전처리 단계; 및학습부가 상기 전처리한 건강데이터에 대해서 학습을 통해서 상기 타임-윈도우의 상기 길이에 대응되는 학습모델을 생성하는 학습 단계;를 포함하며,상기 학습 단계는, 상기 전처리한 건강데이터에 대해서 차원을 줄이기 위한 학습모델을 구축하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 방법
|
| 2 |
2
청구항 1에 있어서,특징 추출부가 상기 생성된 학습모델과 상기 전처리한 건강데이터로부터 상기 건강데이터의 특징을 추출하는 특징추출 단계; 및클러스터링부가 상기 추출된 특징에 대해서 특징별로 그룹핑을 수행하는 클러스터링 단계;를 더 포함하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 방법
|
| 3 |
3
청구항 1에 있어서,유사사례 검색 장치가 상기 생성된 학습모델에 사용자의 개인건강데이터를 적용하여 변환된 쿼리 데이터를 추출하는 쿼리변환 단계;를 더 포함하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 방법
|
| 4 |
4
청구항 2에 있어서,유사도 예측부가 상기 생성된 학습모델에 사용자의 개인건강데이터를 적용하여 변환된 쿼리 데이터를 이용하여 상기 생성된 학습모델과 상기 전처리한 건강데이터로부터 추출한 상기 건강데이터의 특징에 대해서 특징별로 그룹핑을 수행한 클러스터로부터 해당하는 클러스터를 선택하는 단계; 및상기 유사도 예측부가 상기 선택한 클러스터에 해당하는 건강데이터 및 상기 사용자의 개인건강데이터 사이의 유사도를 예측하는 유사도 예측 단계;를 더 포함하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 방법
|
| 5 |
5
청구항 1에 있어서,상기 전처리 단계는,상기 전처리부가 상기 건강데이터, 사용자의 개인건강데이터 또는 이들의 조합을 정규화하는 단계;상기 전처리부가 상기 타임-윈도우를 적용하여 상기 정규화한 건강데이터, 상기 정규화한 사용자의 개인건강데이터, 또는 이들의 조합을 각각 상기 타임-윈도우의 상기 길이만큼 분리하는 단계; 및상기 전처리부가 상기 분리한 건강데이터, 상기 분리한 사용자의 개인건강데이터, 또는 이들의 조합을 각각 벡터화하는 단계;를 포함하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 방법
|
| 6 |
6
청구항 5에 있어서,상기 정규화하는 단계는,상기 건강데이터, 상기 사용자의 개인건강데이터, 또는 이들의 조합이 각각 정규분포가 아닐 경우, 상기 전처리부가 로그 변환 또는 스퀘어루트 변환을 통해 정규분포로 만들며, 상기 정규분포의 건강데이터, 상기 정규분포의 사용자의 개인건강데이터, 또는 이들의 조합에 대해 각각 z-score를 다시 0~1의 값으로 리스케일링하는 것을 포함하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 방법
|
| 7 |
7
청구항 1에 있어서,상기 학습모델은 딥 네트워크 러닝(deep network learning)이나 PCA(principle component analysis) 기법을 포함한 건강데이터의 차원을 줄이기 위한 기법을 적용하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 방법
|
| 8 |
8
청구항 2에 있어서,상기 클러스터링 단계는,상기 학습모델에 대해서 상기 추출된 특징별로 그룹핑하여 해당 클러스터에 대한 상기 건강데이터를 저장하는 것을 포함하며, 상기 그룹핑은 격자기반 그룹핑이나 큐브형 그룹핑에 의해서 수행되는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 방법
|
| 9 |
9
건강데이터 또는 사용자의 개인건강데이터를 정규화하고, 상기 정규화한 건강데이터 또는 상기 정규화한 사용자의 개인건강데이터를 타임-윈도우 길이만큼 분리하여 전처리를 수행하는 전처리부; 및상기 전처리한 건강데이터에 대해서 학습을 통해서 상기 타임-윈도우의 상기 길이에 대응되는 학습모델을 생성하는 학습부;를 포함하며,상기 학습부는, 상기 전처리한 건강데이터에 대해서 차원을 줄이기 위한 학습모델을 구축하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 장치
|
| 10 |
10
청구항 9에 있어서,상기 생성된 학습모델과 상기 전처리한 건강데이터로부터 상기 건강데이터의 특징을 추출하는 특징추출부; 및상기 추출된 특징에 대해서 특징별로 그룹핑을 수행하는 클러스터링부;를 더 포함하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 장치
|
| 11 |
11
청구항 10에 있어서,상기 생성된 학습모델에 상기 사용자의 개인건강데이터를 적용하여 변환된 쿼리 데이터를 이용하여 상기 생성된 학습모델과 상기 전처리한 건강데이터로부터 추출한 상기 건강데이터의 특징에 대해서 특징별로 그룹핑을 수행한 클러스터로부터 해당하는 클러스터를 선택하고, 상기 선택한 클러스터에 해당하는 건강데이터 및 상기 사용자의 개인건강데이터 사이의 유사도를 예측하는 유사도 예측부;를 더 포함하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 장치
|
| 12 |
12
청구항 9에 있어서,상기 전처리부는,상기 분리한 건강데이터, 상기 분리한 사용자의 개인건강데이터, 또는 이들의 조합을 벡터화하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 장치
|
| 13 |
13
청구항 9에 있어서,상기 정규화는,상기 건강데이터, 상기 사용자의 개인건강데이터, 또는 이들의 조합이 각각 정규분포가 아닐 경우, 로그 변환 또는 스퀘어루트 변환을 통해 정규분포로 만들며, 상기 정규분포의 건강데이터, 상기 정규분포의 사용자의 개인건강데이터, 또는 이들의 조합에 대해 각각 z-score를 다시 0~1의 값으로 리스케일링하는 것을 포함하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 장치
|
| 14 |
14
청구항 9에 있어서,상기 학습모델은 딥 네트워크 러닝(deep network learning)이나 PCA(principle component analysis) 기법을 포함한 건강데이터의 차원을 줄이기 위한 기법을 적용하는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 장치
|
| 15 |
15
청구항 10에 있어서,상기 클러스터링부는,상기 학습모델에 대해서 상기 추출된 특징별로 그룹핑하여 해당 클러스터에 대한 상기 건강데이터를 저장하는 것을 포함하며, 상기 그룹핑은 격자기반 그룹핑이나 큐브형 그룹핑에 의해서 수행되는 것을 특징으로 하는 다차원 건강 데이터에 대한 유사사례 검색 장치
|
