Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Aller à Demande

1. WO2020111347 - SYSTÈME ET PROCÉDÉ DE DÉTECTION ET DE PRÉDICTION DE MALADIE CÉRÉBRALE

Document

명세서

발명의 명칭

기술분야

1   2  

배경기술

3   4   5  

발명의 상세한 설명

기술적 과제

6   7  

과제 해결 수단

8   9   10   11   12   13   14   15   16   17   18   19   20   21   22   23   24   25  

발명의 효과

26   27  

도면의 간단한 설명

28   29   30   31   32   33   34   35   36   37   38  

발명의 실시를 위한 형태

39   40   41   42   43   44   45   46   47   48   49   50   51   52   53   54   55   56   57   58   59   60   61   62   63   64   65   66   67   68   69   70   71   72   73   74   75   76   77   78   79   80   81   82   83   84   85   86   87   88   89   90   91   92   93   94   95   96   97   98   99   100   101   102   103   104   105   106   107   108   109   110   111   112   113   114   115   116   117   118   119   120   121   122   123   124   125   126   127   128   129   130   131   132   133   134   135   136   137   138   139   140   141   142   143   144   145   146   147   148   149   150   151   152   153   154   155   156   157   158   159   160   161   162   163   164   165   166   167   168   169   170   171   172   173   174   175   176   177   178   179   180   181   182   183   184   185   186   187   188   189   190   191   192   193   194   195   196   197   198   199   200   201   202   203   204   205   206   207   208   209   210   211   212   213   214   215   216   217   218   219   220   221   222   223   224   225   226   227   228   229   230   231  

산업상 이용가능성

232  

청구범위

1   2   3   4   5   6   7   8   9   10   11   12   13   14   15   16  

도면

1   2   3   4   5  

명세서

발명의 명칭 : 뇌 질환 검출 및 예측 시스템 및 방법

기술분야

[1]
본 발명은 치매 등과 같은 사용자의 뇌 질환을 검출하고 예측하기 위한 시스템 및 방법에 관한 것이다.
[2]

배경기술

[3]
고령화 사회가 지속됨에 따라 치매 및 인지 저하와 같은 뇌 질환을 앓는 환자의 수도 늘어나고 있다. 특히, 치매의 경우, 치매가 진행된 후에는 치료 반응의 한계를 가진다는 점에서, 치매 고위험군(잠재적 치매환자)를 정확하게 검출하고 예측하는 것은 치매로의 진행을 예방하거나 지속적인 관리를 수월하게 해 줄 수 있다. 치매를 예측하기 위한 기존 인지지능검사는 치매 및 기타 인지장애 증상을 호소하는 질환을 진단하기 위해 검사 비용이 높은 PET, fMRI와 같은 영상 검사 전 선별검사 도구로 사용되어왔다. 특히 척도 형태의 MMSE-K 등의 간이 정신상태검사 도구는 현재 치매 위험군 선별검사에 활발하게 사용되고 있다.
[4]
하지만, 치매는 주관적, 객관적 인지 저하와 더불어 일상생활 수행 능력의 유의한 손상이 동반될 때 진단되나, 현재 인지 선별 검사에서 치매 고위험군의 미세한 인지 변화 시그널을 포착하기에 한계가 있다. 또한, 기존의 인지 상태 검사 도구는 척도 형태로 존재하며, 수기로 작성하는 도구로 검사 과정, 검사 결과에 대한 데이터 관리가 용이하지 않으며 검사자에 따라 진단 결과가 달라질 수 있는 문제점이 있다. 또한, 이러한 방식의 인지 상태 검사는 오프라인상에서 주로 이루어지고 있기 때문에 지속적인 사용자의 인지상태변화를 고려하기 어렵다.
[5]

발명의 상세한 설명

기술적 과제

[6]
본 발명은 치매 등과 같은 사용자의 뇌 질환을 검출하고 예측하기 위한 시스템 및 방법을 제공한다.
[7]

과제 해결 수단

[8]
본 발명에 따른 뇌 질환 검출 및 예측 방법은 사용자의 인지력을 기반으로 인지장애 및 치매를 포함하는 뇌 질환을 검출 및 예측하는 방법에 있어서, 입력부를 통해 기억력, 주의력, 계산력, 언어력 및 지각력과 관련된 문항에 대해 사용자의 응답을 획득하는 단계; 상기 사용자의 응답으로부터 제어부가 기억력, 주의력, 계산력, 언어력, 지각력과 관련된 데이터를 추출하는 단계; 상기 제어부가 상기 추출된 데이터에서 사용자의 인지력과 관련된 특징 데이터 추출하는 단계; 상기 제어부가 상기 특징 데이터를 사용하는 뇌 질환 검출 및 예측 모델을 학습하는 단계; 및 상기 제어부가 상기 학습된 뇌 질환 검출 및 예측 모델로부터 사용자의 인지 상태를 추론하는 단계를 포함할 수 있다.
[9]
여기서, 상기 뇌 질환 검출 및 예측 모델은 해당 사용자의 과거와 현재의 플레이 특징 데이터와 인지상태를 입력으로 사용하는 인트라 모델과 사용자와 유사한 인구학적 데이터를 갖는 사용자 군집의 플레이 데이터를 사용하는 인터 모델을 포함할 수 있다.
[10]
그리고 상기 인트라 모델 및 인터 모델은 사용자의 인지 상태 클래스에 관한 확률로, 각각 사용자가 인지상태 정상, 인지장애, 치매에 속할 확률을 포함하도록 구성될 수 있다.
[11]
또한, 상기 뇌 질환 검출 및 예측 모델을 학습하는 단계는 상기 인트라 모델 및 인터 모델의 부분 교사 학습을 통해 동시 학습을 진행할 수 있다.
[12]
또한, 상기 인트라 모델은 사용자의 이전 특징 벡터 집합과 현재 특징 벡터 집합 을 입력으로 하는 선형-연쇄 조건부 무작위장을 사용하여 구성될 수 있다.
[13]
또한, 상기 인터 모델은 입력 생성부분과 인공 신경망으로 구성될 수 있다.
[14]
또한, 상기 인트라 모델과 인터 모델을 통해 생성된 확률 점수 벡터를 외적하여 인지 상태를 판단할 수 있다.
[15]
또한, 상기 뇌 질환 검출 및 예측 모델을 학습하는 단계는 사용자가 입력한 결과에 대해, 인지 상태를 모르는 사용자가 없게 되는 조건, 또는 학습을 위한 반복 횟수가 미리 설정된 임계값과 같아지게 되는 조건 중, 하나라도 먼저 달성될 때까지 반복될 수 있다.
[16]
[17]
더불어, 본 발명에 따른 뇌 질환 검출 및 예측 시스템은 사용자의 인지력을 기반으로 인지장애 및 치매를 포함하는 뇌 질환을 검출 및 예측하는 시스템에 있어서, 기억력, 주의력, 계산력, 언어력 및 지각력과 관련된 문항을 사용자에게 제시하는 디스플레이; 기억력, 주의력, 계산력, 언어력 및 지각력과 관련된 문항에 대해 사용자의 응답을 입력하는 입력부; 상기 사용자의 응답으로부터 기억력, 주의력, 계산력, 언어력, 지각력과 관련된 데이터를 추출하는 제어부를 포함하고, 상기 제어부는 상기 추출된 데이터에서 사용자의 인지력과 관련된 특징 데이터 추출하고, 상기 특징 데이터를 사용하는 뇌 질환 검출 및 예측 모델을 학습하며, 상기 학습된 뇌 질환 검출 및 예측 모델로부터 사용자의 인지 상태를 추론할 수 있다.
[18]
여기서, 상기 뇌 질환 검출 및 예측 모델은 해당 사용자의 과거와 현재의 플레이 특징 데이터와 인지상태를 입력으로 사용하는 인트라 모델과 사용자와 유사한 인구학적 데이터를 갖는 사용자 군집의 플레이 데이터를 사용하는 인터 모델을 포함할 수 있다.
[19]
그리고 상기 인트라 모델 및 인터 모델은 사용자의 인지 상태 클래스에 관한 확률로, 각각 사용자가 인지상태 정상, 인지장애, 치매에 속할 확률을 포함하도록 구성될 수 있다.
[20]
또한, 상기 뇌 질환 검출 및 예측 모델을 학습하는 것은 상기 인트라 모델 및 인터 모델의 부분 교사 학습을 통해 동시 학습을 진행할 수 있다.
[21]
또한, 상기 인트라 모델은 사용자의 이전 특징 벡터 집합과 현재 특징 벡터 집합 을 입력으로 하는 선형-연쇄 조건부 무작위장을 사용하여 구성될 수 있다.
[22]
또한, 상기 인터 모델은 입력 생성부분과 인공 신경망으로 구성될 수 있다.
[23]
또한, 상기 인트라 모델과 인터 모델을 통해 생성된 확률 점수 벡터를 외적하여 인지 상태를 판단할 수 있다.
[24]
또한, 상기 뇌 질환 검출 및 예측 모델을 학습하는 것은 사용자가 입력한 결과에 대해, 인지 상태를 모르는 사용자가 없게 되는 조건, 또는 학습을 위한 반복 횟수가 미리 설정된 임계값과 같아지게 되는 조건 중, 하나라도 먼저 달성될 때까지 반복될 수 있다.
[25]

발명의 효과

[26]
본 발명에 의한 뇌 질환 검출 및 예측 시스템은 인지력 측정 콘텐츠와 해당 콘텐츠로부터 측정된 로그 데이터기반 기계학습 모델을 사용해 사용자의 뇌 질환(인지장애 및 치매)를 검출 및 예측함으로써, 기존 검사 방식들이 갖는 주관성 또는 데이터 관리의 문제점을 해결할 수 있고, 비용을 낮출 수 있다.
[27]

도면의 간단한 설명

[28]
도 1은 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템의 개략적인 구성도이다.
[29]
도 2는 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템에서 전체적인 흐름을 도시한 플로우챠트이다.
[30]
도 3은 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템에서 사용자의 인지상태 추론을 위한 기계학습 모델의 흐름을 도시한 것이다.
[31]
도 4는 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템에 사용되는 인트라 모델의 예시적인 구조를 도시한 것이다.
[32]
도 5는 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템에 사용되는 인터 모델의 예시적인 구조를 도시한 것이다.
[33]
[34]
[주요 도면 부호의 설명]
[35]
10; 뇌 질환 검출 및 예측 시스템 100; 디스플레이
[36]
200; 입력부 300; 저장부
[37]
400; 제어부
[38]

발명의 실시를 위한 형태

[39]
본 발명이 속하는 기술분야에 있어서 통상의 지식을 가진 자가 용이하게 실시할 수 있을 정도로 본 발명의 바람직한 실시예를 도면을 참조하여 상세하게 설명하면 다음과 같다.
[40]
[41]
도 1은 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템의 개략적인 구성도이다.
[42]
먼저, 도 1을 참조하면, 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템(10)은 스마트폰 또는 태블릿으로 구성될 수 있고, 이에 적용되는 어플리케이션을 구비하여 뇌 질환 검출 및 예측을 수행할 수 있다. 또한, 상기 뇌 질환 검출 및 예측 시스템(10)은 별도의 서버를 두어, 사용자의 PC, 스마트폰 또는 태블릿으로부터 입력받은 데이터를 처리하여, 뇌 질환 검출 및 예측을 수행하는 것도 가능하다.
[43]
보다 구체적으로, 이를 위해 뇌 질환 검출 및 예측 시스템(10)은 디스플레이(100), 입력부(200), 저장부(300), 제어부(400)를 포함하여 구성될 수 있다. 여기서, 상기 뇌 질환 검출 및 예측 시스템(10)이 어플리케이션으로 구현되는 경우, 상기 디스플레이(100), 입력부(200), 저장부(300), 제어부(400)는 단일 스마트폰 또는 태블릿 내에 구비될 수 있다. 또한, 상기 뇌 질환 검출 및 예측 시스템(10)이 별도의 서버를 둔 인터텟 기반으로 구성된 경우, 상기 디스플레이(100) 및 입력부(200)는 사용자의 PC, 스마트폰 또는 태블릿의 디스플레이 및 입력부일 수 있고, 상기 저장부(300) 및 제어부(400)는 사용자와 독립된 별도의 서버 형태로 구현될 수 있다.
[44]
[45]
상기 디스플레이(100)는 사용자에게 뇌 질환 검출 및 예측을 위한 테스트를 제공하기 위한 것으로, 사용자의 PC, 스마트폰 또는 태블릿의 디스플레이로서 이루어질 수 있다. 상기 디스플레이(100)는 사용자에게 후술할 기억력, 주의력, 언어력, 계산력, 지각력 등의 항목에 대해, 테스트를 진행할 문항 및 결과를 표시할 수 있다. 이에 따라, 각 사용자는 온라인 상에서 테스트를 진행하여, 뇌 질환 검출 및 예측 결과를 지속적이고 빠르게 확인할 수 있다.
[46]
[47]
상기 입력부(200)는 사용자의 PC, 스마트폰 또는 태블릿의 키패드, 가상 키패드 또는 마우스 등의 다양한 입력 디바이스로서 이루어질 수 있다. 상기 디스플레이(100)에 표시된 테스트에 대해 사용자가 답을 제출하기 위해 사용될 수 있다. 상기 입력부(200)를 통해, 사용자는 디스플레이(100)의 테스트 문항에 대한 답을 온라인상으로 제출하고 이에 따라 결과를 확인할 수 있다.
[48]
[49]
상기 저장부(300)는 사용자의 PC, 스마트폰 또는 태블릿에 구비되거나 별도의 서버 형태로 구성될 수 있다. 상기 저장부(300)는 후술할 기억력, 주의력, 언어력, 계산력, 지각력 등의 인지력 측정 항목에 대한 테스트 문항 및 이에 대한 각 사용자의 답을 저장할 수 있다. 또한, 상기 저장부(300)는 각 사용자가 과거 제출했던 답을 일정 기간 별로 저장하여, 각 사용자에 대해 연속적으로 뇌 질환 검출 및 예측 결과를 도출하도록 할 수 있다.
[50]
[51]
상기 제어부(400)는 상기 저장부(300)에 저장된 사용자가 제출한 답의 각 문항별 정답률을 활용하여, 해당 사용자의 이전 데이터(t-1)와 현재 데이터(t)를 사용하는 인트라 모델(RC)과, 사용자와 유사한 인구학적 데이터를 갖는 사용자 군집의 응답 데이터를 사용하는 인터 모델(EC)의 출력을 도출한다. 또한, 상기 제어부(400)는 각 모델(RC, EC)로부터 추론된 결과를 곱하여 최종적인 뇌 질환 검출 및 예측 결과를 도출한다. 상기 제어부(400)의 구체적인 동작은 이하에서 후술하도록 한다.
[52]
[53]
이하에서는 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템의 동작을 보다 구체적으로 설명하도록 한다.
[54]
도 2는 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템에서 전체적인 흐름을 도시한 플로우챠트이다. 도 3은 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템에서 사용자의 인지상태 추론을 위한 기계학습 모델의 흐름을 도시한 것이다. 도 4는 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템에 사용되는 인트라 모델의 예시적인 구조를 도시한 것이다. 도 5는 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템에 사용되는 인터 모델의 예시적인 구조를 도시한 것이다.
[55]
먼저, 도 2 및 도 3을 참조하면, 본 발명의 실시예에 따른 뇌 질환 검출 및 예측 시스템은 기억력, 주의력, 언어력, 계산력, 지각력 등의 인지력 측정 항목들에 대해 사용자에게 디스플레이하여 제시하고, 사용자가 답을 제출한 로그플레이 데이터로부터 각 콘텐츠별 데이터 특징을 추출한다. 또한, 데이터 특징을 토대로, 데이터 특징 벡터)를 생성하고, 각 특징 벡터를 입력값으로 이용하여 동시학습 알고리즘을 통한 각 모델(인트라 모델(RC), 인터 모델(EC)) 별 출력을 생성하게 된다. 또한, 최종적으로 이러한 인트라 모델(RC)의 추론 결과(C RC)와 인터 모델(EC)의 추론 결과(C EC)를 곱함으로써, 뇌 질환 검출 및 예측 결과를 도출할 수 있다.
[56]
[57]
이하에서는 도 2의 각 단계에 대해 구체적으로 설명하도록 한다.
[58]
Ⅰ. 인지능력을 측정하는 콘테츠별 구성사항
[59]
보다 구체적으로, 먼저, 디스플레이(100)와 입력부(200)를 통해 각 사용자의 인지능력을 측정하는 콘테츠별(기억력, 주의력, 언어력, 계산력, 지각력) 구성사항은 다음과 같다.
[60]
1. 기억력
[61]
첫 문제가 노출되기 전 3초 동안의 카운트가 진행되며 이 후 문제에서는 카운트 없이 바로 진행된다.
[62]
1) 한 문제에서 1,2,3,4와 같이 1부터 연속되는 숫자가 적힌 카드가 화면상 임의의 위치에 겹침 없이 노출된다.
[63]
2) 사용자가 해당 카드의 순서 (1부터 가장 큰수가 적힌 카드까지의 위치 순서)를 다 외웠다고 자가 판단 내릴 경우 “시작”버튼을 누를 수 있으며 시작 버튼을 누름과 동시에 카드에 적힌 숫자는 사라지고 카드의 위치만 남는다.
[64]
3-1) 카드의 숫자가 사라진 후 사용자는 카드에 적혀있던 숫자의 순서대로 카드를 터치하면 해당 문제는 “정답”으로 판단되며, “딩동”사운드가 재생되며 화면상에 “표시가 나타난다.
[65]
3-2) 이와 반대로 잘못된 순서대로 카드를 터치 했을 때 진동알람과 "X" 표시가 화면에 디스플레이 되며, “오답”으로 판단된다. 이 때, 오답 판단은 연속되는 숫자 중 잘못된 순서로 선택 되었을 경우 즉각적으로 판단된다. 즉, 1부터 4까지의 숫자를 맞춰야 하는 문제에서, 세 번째 터치에서 ”가 디스플레이 됐던 위치를 터치 할 경우 바로 오답처리가 된다.
[66]
4) 해당 문제가 “정답”혹은 “오답”으로 판단되면 다음 문제가 진행되며 1)에 해당하는 과정부터 반복된다.
[67]
1분 30초 동안 1)~4)에 해당하는 과정 (한 문제)이 반복되며 1분 30초는 한 싸이클이라고 칭한다. 1)에서 디스플레이되는 숫자는 3개 (1부터 3)로 시작하며, 연속으로 2번 이상 맞출 경우 디스플레이되는 숫자의 개수는 한 개씩 늘어나며, 7개가 최대 디스플레이 숫자다. 해당 콘텐츠의 한 문제에서 측정되는 비가공 로그 데이터는 다음과 같다: 디스플레이된 숫자 개수, 디스플레이된 숫자들의 위치, 숫자가 디스플레이된 후부터 사용자가 “시작”버튼을 누르기까지의 시간, 정답 여부, 사용자가 카드를 누른 순서, 사용자가 카드의 숫자를 찾는데 걸린 시간 (터치시간), 한 싸이클동안 사용자가 수행한 문제의 수.
[68]
[69]
2. 주의력
[70]
해당 콘텐츠에서는 나타난 색 상자와 텍스트의 내용이 일치하는지 판단하는 과제가 주어진다.
[71]
1) 색상자와 텍스트 (색과 관련된 단어: 빨강, 파랑 등)가 디스플레이된다
[72]
2) 색상자의 색상과 텍스트의 내용이 일치하는 경우 "O" 버튼을, 일치하지 않을 경우 "X" 버튼을 누른다.
[73]
3-1) "O" 버튼과 "X" 버튼 중 올바른 버튼 (색상자의 색상과 텍스트 내용의 일치여부)을 선택한 경우 “정답”으로 판단되며 “딩동”사운드가 재생되며 화면상에 "O" 표시가 나타난다.
[74]
3-2) "O" 버튼과 "X" 버튼 중 올바르지 않은 버튼 (색상자의 색상과 텍스트 내용의 일치여부)을 선택한 경우 “오답”으로 판단되며 진동알람과 "X" 표시가 화면에 디스플레이된다.
[75]
4) 해당 문제가 “정답”혹은 “오답”으로 판단되면 다음 문제가 진행되며 1)에 해당하는 과정부터 반복된다.
[76]
1분 30초 동안 1)~4)에 해당하는 과정 (한 문제)이 반복되며 1분 30초는 한 싸이클이라고 칭한다. 1)에 디스플레이되는 색상자의 색상과 텍스트는 빨강, 초록, 파랑 중 임의로 나타나며, 연속으로 5번 정답을 선택할 경우 노랑, 검정 색상이 추가된다. 또한 5번 연속 정답일 경우 텍스트의 색상이 추가되며 일치여부는 이전과 동일하게 색상자의 색상과 텍스트 정보만으로 판단한다. 해당 콘텐츠의 한 문제에서 측정되는 비가공 로그 데이터는 다음과 같다: 디스플레이된 색상자의 색상, 디스플레이된 텍스트의 정보, 디스플레이된 텍스트의 색상, 색상자와 텍스트가 디스플레이된 후부터 사용자가 “또는 ”버튼을 터치할 때까지의 소요시간, 사용자가 선택한 버튼, 정답 여부, 한 싸이클동안 사용자가 수행한 문제의 수.
[77]
[78]
3. 언어력
[79]
해당 콘텐츠는 주어진 그림에 대해 대응하는 단어를 고르는 방식으로 진행된다.
[80]
1-1) 한 문제에서 디스플레이 상단에 임의의 그림이 나타난다.
[81]
1-2) 1-1)과 동시에 디스플레이 하단에 4개 혹은 6개의 음절이 임의의 위치에 나타난다.
[82]
2-1) 하단 노출된 음절 중 사용자가 터치한 음절 집합이 나타난 그림에 대응하는 단어의 음절과 순서, 종류가 모두 동일하다면 “정답”으로 판단된다. “딩동”사운드가 재생되며 화면상에 "O" 표시가 나타난다.
[83]
2-2) 나타난 그림에 대해 하단 6개의 음절 중 사용자가 터치한 음절 집합이 대응하는 단어의 음절과 순서, 종류 중 하나라도 다르면 “오답”으로 판단된다. 진동알람과 "X"가 표시된다.
[84]
2-3) 2-1)과 2-2) 모두 정답 음절 집합의 크기 (음절의 개수)만큼 사용자가 선택했을 때 “정답”혹은 “오답”으로 판단하는 과정을 수행한다.
[85]
3) 해당 문제가 “정답”혹은 “오답”으로 판단되면 다음 문제가 진행되며 1)에 해당하는 과정부터 반복된다.
[86]
1분 30초 동안 1)~3)에 해당하는 과정 (한 문제)이 반복되며 1분 30초는 한 싸이클이라고 칭한다. 첫 문제가 노출되기 전 3초 동안의 카운트가 진행되며 이 후 문제에서는 카운트 없이 바로 진행된다. 1-2)에 나타나는 음절은 데이터베이스에서 정의된 음절 중 임의로 나타난다. 1-1)에 나타나는 그림의 리소스는 자체 제작된 객체의 그림이다. 1-2)에서 노출되는 음절의 개수는 초기 4개이며, 연속으로 5번 정답일 경우 6개로 늘어난다. 해당 콘텐츠의 한 문제에서 측정되는 비가공 로그 데이터는 다음과 같다: 디스플레이된 그림의 종류, 디스플레이된 음절, 디스플레이된 음절의 위치, 그림과 음절이 디스플레이된 후부터 사용자가 정답 음절 집합의 크기만큼 음절을 선택하기까지의 소요 시간, 사용자가 선택한 음절 집합, 정답 여부, 한 싸이클동안 사용자가 수행한 문제의 수.
[87]
[88]
4. 계산력
[89]
계산력은 주어진 연산문제를 사용자가 얼마나 맞출 수 있는지에 대한 측정을 하기위한 콘텐츠다.
[90]
1) 화면상에 연산문제가 주어지며 정답이 들어가는 공간은 공란으로 표시된다.
[91]
2-1) 주어진 연산문제에 대해 공란에 들어갈 정답을 정확하게 입력한 후 “확인”버튼을 누를 경우 해당 문제는 “정답”으로 판단되며 “딩동”사운드가 재생되며 "O"가 표시된다.
[92]
2-2) 주어진 연산문제에 대해 정답과 다른 답을 입력한 후 “확인”버튼을 누를 경우 “오답”으로 판단되며 진동알람과 "X"가 표시된다.
[93]
3) 해당 문제에 대해 “정답”혹은 “오답”으로 판단되면 다음 문제가 진행되며 1)부터 반복된다.
[94]
1분 30초 동안 1)~3)에 해당하는 과정 (한 문제)이 반복되며 1분 30초는 한 싸이클이라고 칭한다. 주어진 연산문제는 덧셈과 뺄셈으로만 구성되며, 정답은 0과 양의 정수만으로 구성된다. 첫 문제가 노출되기 전 3초 동안의 카운트가 진행되며 이 후 문제에서는 카운트 없이 바로 진행된다. 1)에 주어지는 연산문제는 숫자 두 개와 하나의 연산자로 시작되며, 5번 연속으로 정답인 경우 숫자의 개수와 연산자의 개수가 하나씩 늘어나며 최대 숫자의 수는 4개, 연산자는 3개다. 처음 나타나는 문제의 숫자는 1~9 범위이며 10번 이상 연속으로 정답인 경우 0~99 범위로 증가한다. 해당 콘텐츠의 한 문제에서 측정되는 비가공 로그 데이터는 다음과 같다: 디스플레이된 숫자 개수, 디스플레이된 숫자, 디스플레이된 연산자, 정답, 숫자가 디스플레이된 후부터 사용자가 “확인”버튼을 선택하기까지의 시간, 정답 여부, 사용자가 입력한 답, 한 싸이클동안 사용자가 수행한 문제의 수.
[95]
[96]
5. 지각력
[97]
해당 콘텐츠는 임의의 위치에 나타나는 여러 개의 객체 중 나머지 객체와 다른 객체의 위치를 찾아내는 방식으로 진행된다.
[98]
1) 화면상 임의의 위치에 여러 개의 객체가 나타나며, 나타난 객체 중 하나의 객체만 나머지 객체와 다른 형태 혹은 색상을 가지고 있다.
[99]
2) 일정 시간이 흐른 뒤 화면은 8개의 동일한 크기로 분할된 카드로 블라인드 처리된다.
[100]
3-1) 블라인드 처리된 화면에서 1)에서 나타난 객체 중 나머지 객체와 다른 객체가 나타났던 위치의 분할 카드를 선택할 경우 "정답"으로 판단되며, "딩동" 사운드가 재생되며 "O"가 표시된다.
[101]
3-2) 블라인드 처리된 화면에서 1)에서 나타난 객체 중 나머지 객체와 다른 객체가 나타났던 위치의 분할 카드를 제외한 나머지 분할 카드 중 하나를 선택할 경우 “오답”으로 판단되며, 진동알람과 "X"가 표시된다.
[102]
4) 해당 문제에 대해 “정답”혹은 “오답”으로 판단되면 정답화면을 보여준다.
[103]
5) 다음 문제가 진행되며 1)부터 반복된다.
[104]
1분 30초 동안 1)~5)에 해당하는 과정 (한 문제)이 반복되며 1분 30초는 한 싸이클이라고 칭한다. 첫 문제가 노출되기 전 3초 동안의 카운트가 진행되며 이 후 문제에서는 카운트 없이 바로 진행된다. 초기 1)의 객체는 6초 노출로 시작하며 3번 연속 정답 시 1초씩 노출 시간이 줄어든다. 1초 노출에서 3번 연속 정답 시 0.5초로 줄어들며 더 이상 노출시간의 감소는 발생하지 않는다. 초기 1)의 노출 객체 중 다른 하나의 객체는 나머지 객체와 색상이 다르게 나타나며, 5번 연속 정답 시 색상, 형태가 달라질 수 있다. 해당 콘텐츠의 한 문제에서 측정되는 비가공 로그 데이터는 다음과 같다: 나머지와 다른 객체가 노출된 위치, 분할 카드의 수, 나머지와 다른 객체가 다른 속성, 객체의 노출 시간, 화면이 블라인드 처리된 후부터 사용자가 분할 카드 중 하나를 선택하기까지의 시간, 정답 여부, 사용자가 선택한 분할카드, 한 싸이클동안 사용자가 수행한 문제의 수.
[105]
[106]
Ⅱ. 콘텐츠별 특징 추출 방법
[107]
한편, 제어부(400)는 저장부(300)에 저장된 위의 비가공 로그데이터로부터 다음과 같이 특징을 추출한다.
[108]
1. 기억력
[109]
기억력과 관련된 데이터 특징으로 사용자가 한 번의 싸이클(t)을 수행했을 때 9차원의 벡터( )를 추출한다.
[110]
주어진 기억력 측정 과제로부터, 나타나는 숫자의 개수별 정답 확률을 측정한다. 즉, 해당 특징에 대해 7차원의 벡터(f 1, ..., f 7)를 다음과 같이 계산한다.
[111]
[수학식 1]
[112]
[113]
여기서 는 나타난 숫자의 개수가 n+2개 일 때 사용자가 올바르게 숫자의 순서를 찾은 횟수를, 는 나타난 숫자의 개수가 n+2인 횟수를 의미한다.
[114]
또한 연속되는 숫자의 거리에 따라 기억될 수 있는 정도가 달라짐을 반영하기 위해, 한 번의 싸이클에서 연속되는 숫자들의 평균 거리 (L 2 norm)를 로 사용한다.
[115]
마지막으로 평균 정답율을 로 사용한다.
[116]
[117]
2. 집중력
[118]
집중력과 관련된 데이터 특징으로 사용자가 한 번의 싸이클(t)을 수행했을 때 8차원의 벡터( )를 추출한다.
[119]
나타난 텍스트와 파레트의 색이 동일한지 여부에 따른 정답 확률이 로 사용된다.
[120]
[수학식 2]
[121]
[122]
[수학식 3]
[123]
[124]
여기서 k와 θ는 각각 해당 속성의 문제가 나온 횟수와 사용자가 해당 속성의 문제의 정답을 맞힌 횟수를 의미한다. same과 diff는 각각 나타난 텍스트와 파레트의 색이 동일한 경우와 다른 경우의 문제 속성을 의미한다.
[125]
f 3,...,7 ate은 각각 빨간색, 파란색, 노란색, 초록색, 검은색이 파레트에 나타났을 때 사용자가 답을 맞춘 확률이다.
[126]
[수학식 4]
[127]
[128]
여기서 k c와 θ c는 각각 색상별 (c) 문제가 나온 횟수와 사용자가 해당 속성의 문제의 정답을 맞춘 횟수를 의미한다.
[129]
마지막으로 평균 정답율을 로 사용한다.
[130]
[131]
3. 언어력
[132]
언어력과 관련된 데이터 특징으로 사용자가 한 번의 싸이클(t)을 수행했을 때 4차원의 벡터( )를 추출한다.
[133]
노출된 단어의 개수가 각각 4개, 6개일 때 정답 확률이 로 사용된다.
[134]
[수학식 5]
[135]
[136]
[수학식 6]
[137]
[138]
여기서 four와 six는 각각 노출된 단어의 개수가 각각 4개 일 때를 의미하며 k와 θ는 각각 해당 속성의 문제가 나온 횟수와 사용자가 해당 속성의 문제의 정답을 맞힌 횟수를 의미한다.
[139]
은 전체 게임 횟수 중 사용자가 선택한 음절 집합이 정답 음절 집합과 순서는 다르나 구성이 같을 확률을 사용한다.
[140]
[수학식 7]
[141]
[142]
k와 는 각각 문제 총 횟수와 사용자가 선택한 음절 집합이 정답 음절 집합과 순서는 다르나 구성이 같은 횟수를 의미한다.
[143]
마지막으로 평균 정답율을 로 사용한다.
[144]
[145]
4. 계산력
[146]
계산력과 관련된 데이터 특징으로 사용자가 한 번의 싸이클(t)을 수행했을 때 6차원의 벡터( )를 추출한다.
[147]
나타난 숫자의 개수에 따른 정답 확률이 로 사용된다.
[148]
[수학식 8]
[149]
[150]
여기서 은 각각 나타난 숫자 개수가 n+1개일 때의 총 문제 수와 정답을 맞힌 회수를 의미한다.
[151]
은 나타난 숫자의 개수가 3개일 때, 두 연산자가 서로 다를 경우의 정답확률을 사용한다.
[152]
[수학식 9]
[153]
[154]
여기서 는 각각 숫자의 개수가 3개일 때 두 연산자가 서로 다를 때의 총 문제 수와 정답을 맞힌 회수를 의미한다.
[155]
주어진 질의 내에 두 자릿수 숫자 개수에 따른 정답 확률이 으로 사용된다.
[156]
[수학식 10]
[157]
[158]
여기서 은 질의 내에 두 자릿수 숫자가 n-3개인 문제의 총 개수와 사용자가 정답을 맞힌
[159]
마지막으로 평균 정답 확률이 로 사용된다.
[160]
[161]
5. 지각력
[162]
지각력과 관련된 데이터 특징으로 사용자가 한 번의 싸이클(t)을 수행했을 때 9차원의 벡터( )를 추출한다.
[163]
은 각각 8분할된 영역에서 찾아야 하는 객체가 노출된 위치에 따른 정답확률을 사용한다.
[164]
[수학식 11]
[165]
[166]
여기서 은 8분할 중 n번째 위치에 찾아야 하는 객체가 노출된 총 문제 수와 사용자가 맞힌 회수를 의미한다. 본 발명의 1)에서 사용된 지각력 콘텐츠에서는 왼쪽 첫 번째 행부터 1영역, 오른쪽 첫 번째 행이 2영역, 왼쪽 두 번째 행이 3영역이며 오른쪽 네 번째 행이 8영역을 의미한다.
[167]
마지막으로 평균 정답 확률이 로 사용된다.
[168]
[169]
Ⅲ. 뇌 질환 검출 및 예측을 위한 기계학습 모델
[170]
뇌 질환(인지 장애, 치매) 검출 및 예측 모델을 학습하기 위한 학습 데이터의 긍정 집합과 부정 집합 사이의 비율은 불균형하다. 즉, 학습데이터를 수집하는데 있어 긍정 집합 (정상적인 인지능력을 가진 사용자 데이터)은 그 수가 많은 반면, 부정 집합 (인지장애·치매 위험군)에 속하는 데이터를 수집하는데 한계가 있다. 따라서, 본 발명에서는 이러한 문제를 극복하기 위해 동시학습 프레임워크 (Co-training framework) 기반의 모델을 사용한다. 도 3에 도시된 것과 같이, 뇌 질환 검출 및 예측 모델은 해당 사용자의 이전 데이터(t-1)와 현재 데이터(t)를 사용하는 인트라 모델 (RC)과 사용자와 유사한 인구학적 데이터를 갖는 사용자 군집의 플레이 데이터(t)를 사용하는 인터 모델 (EC)로 구성된다. 인트라 모델(RC)와 인터 모델(EC)의 출력은 사용자(x)의 인지상태 클래스에 대한 확률로 다음과 같다:
[171]
[172]
여기서 는 각각 사용자(x)가 인지상태 정상, 인지장애, 치매에 속할 확률을 의미한다. 최종적으로 뇌 질환을 구성하는 인지장애·치매 추론 결과는 각 모델로부터 추론된 결과 ( )를 곱함으로써 얻을 수 있다.
[173]
한편, 동시학습 (co-training)이란 데이터의 두 가지 시점을 사용하는 부분 교사 학습(semi-supervised learning)이다. 즉, 각 샘플은 인스턴스에 대해 서로 다른 두 개의 데이터 특징 집합을 가져야 한다. 이상적으로, 인스턴스의 두 특징 집합은 주어진 클래스에 대해 조건부 독립 수행이여야 한다. 본 발명에서 고려된 모델의 학습을 위한 동시학습 프레임워크는 다음과 같다.
[174]
1. 입력
[175]
특징 벡터 집합 ( ), 인지 상태를 아는 사용자 집합 ( ), 인지 상태를 모르는 사용자 집합 ( ), 알고리즘의 반복을 제어하는 임계값(θ)
[176]
2. 출력
[177]
인트라 모델(RC)과 인터 모델(EC)
[178]
3. 학습 동작
[179]
1. i <- 0
[180]
2. Do
[181]
3. RC<-RC.Learning( );
[182]
4. EC<-EC.Learning( );
[183]
5. 각 에 대해 3에서 학습된 RC 적용
[184]
6. 각 에 대해 3에서 학습된 EC 적용
[185]
7. 각 인지상태 클래스 에 대해 RC가 가장 높은 확률로 로 분류한 명의 사용자를 으로 이동
[186]
8. 각 인지상태 클래스 에 대해 EC가 가장 높은 확률로 로 분류한 명의 사용자를 으로 이동
[187]
9. i++
[188]
10. Until U2 = Φ 혹은 i>θ
[189]
11. Rerurn Rc, EC
[190]
[191]
이에 따르면, 각 인트라 모델(RC)과 인터 모델(EC)는 각 사용자(x)가 입력한 결과에 대해, 인지 상태를 모르는 사용자가 없게 되는 조건, 또는 학습을 위한 반복 횟수(i)가 미리 설정된 임계값(θ)과 같아지게 되는 조건 중, 하나라도 먼저 달성될 때까지 상기 학습 동작을 반복할 수 있다.
[192]
[193]
Ⅳ. 인트라 모델( RC )과 인터 모델(EC)의 설명
[194]
1. 인트라 모델(RC)
[195]
인트라 모델(RC)는 사용자의 이전 특징 벡터 집합 ( )과 현재 특징 벡터 집합 ( )를 입력으로 하는 선형-연쇄 조건부 무작위장(linear-chain conditional random fields, 이하 선형-연쇄 CRFs)을 사용한다. 여기서, 선형-연쇄 CRFs는 시퀀셜 데이터를 다루기 위한 식별 비방향성 확률적 그래픽 모델(discriminative undirected probabilistic graphical model)이다. 은닉 마르코프 모델(hidden Markov)과 융합된 CRFs는 특징간의 독립 추정의 완화(relaxation)을 가능하게 한다. 또한, 최대 엔트로피 마르코프 모델에서 발생할 수 있는 레이블 바이어스(label bias) 문제를 피할 수 있다.
[196]
도 4는 두 종류의 노드를 갖는 RC의 그래피컬 구조 G=(X,Y)를 보여준다. 노드 은 주어진 관측 시퀀스 노드 ( )로부터 추론돼야 할 은닉 상태 값 (hidden state variable)을 의미한다. Y i∈Y는 인지 상태 레이블 c를 가지며 Y i -1과 Y i사이에 엣지를 갖는 체인 형태다. x에 대해서 확률 변수 Y i는 마르코프 성질(Markov property)을 다음과 같이 따른다:
[197]
[수학식 12]
[198]
[199]
여기서 ij는 그래프 G에서 i와 j가 인접한다는 것을 의미한다.
[200]
관측 시퀀스 x로부터 주어진 특정 레이블 시퀀스 y의 확률은 다음과 같이 잠재 함수 (potential function)의 정규화된 곱 (normalized product)으로써 정의된다.
[201]
[수학식 13]
[202]
[203]
여기서 는 전체 관측 시퀀스와 위치 i와 i-1에서의 레이블의 쌍 함수(pairwise function); 는 i에서의 레이블과 관측 시퀀스의 데이터 함수 (data function); λ k와 μ k는 학습데이터로부터 추정되는 상수 파라미터다.
[204]
로 치환하여 위의 식을 다음과 같이 변환할 수 있다.
[205]
[수학식 14]
[206]
[207]
여기서 Z(x)는 정규화 요소 (normalized factor)를 의미한다. 위의 식은 Y i에 대해 각 가능한 값의 우도를 부분적으로 결정하는 입력 시퀀스의 측정으로 여길 수 있다. 모델은 각 특징에 가중치를 할당하고 융합하여 Y i에 대한 확실한 값의 확률을 결정한다.
[208]
주어진 학습 데이터의 k시퀀스 ( )로부터, 파라미터 λ의 학습은 최대 우도 학습법 (maximum likelihood learning) 를 통해 수행되며, 기울기 하강 (gradient descent)를 통해 풀린다.
[209]
[수학식 15]
[210]
[211]
[212]
2. 인터 모델(EC)
[213]
한편, 인터 모델(EC)는 사용자의 인지 상태를 추론하기 위해 사용자의 플레이 특징 데이터와 사용자와 유사한 인구학적 데이터를 갖고 있으며 U 1에 속하는 다른 사용자의 플레이 특징 데이터를 사용한다. 도 5는 인터 모델(EC)의 모델을 보여준다. 인터 모델(EC)는 입력 생성부분과 인공 신경망 (Artificial nueral network, 이하 ANN)으로 나뉘며, 는 사용자 k의 각 인지능력 측정 콘텐츠에서 추출된 특징 벡터; 는 사용자 k의 인구학적 데이터 (나이( ), 교육 수준 년, 성별 ( )); 는 사용자 k의 인지 상태 레이블; x는 추론돼야할 사용자; 은 특징 사이의 비유사도 함수 (본 발명에서는 norm을 사용한다); 는 인구학적 데이터 사이의 비유사도 함수 (본 발명에서는 norm을 사용한다)를 의미한다.
[214]
입력을 생성하기 위해 먼저 인지상태 레이블을 가지고 있는 5명 ( )을 G1으로부터 임의로 선택한다. 에 속하는 다섯 사용자의 데이터는 추론되어야 할 사용자와 짝이 되어 사용된다. 이 때, 에 속하는 사용자는 를 만족하는 사용자 u만 속하며 로 설정될 때 최적의 성능을 보여준다. ANN의 입력은 x와 사이의 각 특징 간의 과 c(k)를 사용한다.
[215]
[수학식 16]
[216]
[217]
[218]
즉 30차원의 벡터가 입력으로 사용된다.
[219]
본 발명에서는 유사한 인구학적 데이터에 속하는 사용자 중 다양한 입력 경우의 수를 고려하여 ANN을 학습하기 위해 위의 과정을 5번 반복하여 입력을 생성한다. 다시 말해서, 하나의 x에 대해서 총 5개의 입력이 발생하게 된다. 이 때, 5번의 각 중 최소한 3명의 사용자는 나머지 과 겹치지 않는 사용자가 선택되어야 더욱 다양한 입력을 생성할 수 있다.
[220]
본 발명의 ANN 모델은 100 개의 은닉 유닛을 갖는 역전파 신경망(back propagation neural network)를 사용한다. 은닉 레이어에 대해서, 시그모이드 함수 가 사용된다.
[221]
추론단계에서는 학습단계와 마찬가지로 x에 대해서 을 5번 생성하고 분류하여 5번 중 가장 높은 평균 질량 함수 (인지상태 레이블에 대한)값을 갖는 인지상태를 최종 x의 인지상태로 판단한다.
[222]
[223]
Ⅴ. 최종 뇌 질환(인지장애, 치매) 검출 및 예측
[224]
사용자의 최종 인지장애·치매 검출 및 예측을 수행하기 위해 인트라 모델(RC)와 인터 모델(EC)를 각각 관련된 입력에 적용하고 두 모델을 통해 생성된 두 확률 점수 벡터( )의 외적을 통해 최종 인지상태를 판단한다.
[225]
[수학식 17]
[226]
[227]
이와 같이, 본 발명에 따른 뇌 질환 검출 및 예측 시스템(10)은 제어부(400)를 통해 최종 인지상태 c(x)를 도출함으로써, 각 사용자의 뇌 질환을 검출 및 예측하는 것이 가능하게 된다.
[228]
또한, 이를 통하면, 인지력 측정 콘텐츠와 해당 콘텐츠로부터 측정된 로그 데이터기반 기계학습 모델을 사용해 사용자의 인지장애·치매를 검출 및 예측함으로써, 이러한 검사 방식들이 갖는 주관성 또는 데이터 관리의 문제점을 해결할 수 있고, 기존 방식들에 비해 비용을 낮출 수 있다.
[229]
[230]
이상에서 설명한 것은 본 발명에 의한 본 발명에 따른 뇌 질환 검출 및 예측 시스템 및 방법을 실시하기 위한 하나의 실시예에 불과한 것으로서, 본 발명은 상기 실시예에 한정되지 않고, 이하의 특허청구범위에서 청구하는 바와 같이 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변경 실시가 가능한 범위까지 본 발명의 기술적 정신이 있다고 할 것이다.
[231]

산업상 이용가능성

[232]
본 발명은 치매 등과 같은 사용자의 뇌 질환을 검출하고 예측하기 위한 시스템 및 방법을 제공한다.

청구범위

[청구항 1]
사용자의 인지력을 기반으로 인지장애 및 치매를 포함하는 뇌 질환을 검출 및 예측하는 방법에 있어서, 입력부를 통해 기억력, 주의력, 계산력, 언어력 및 지각력과 관련된 문항에 대해 사용자의 응답을 획득하는 단계; 상기 사용자의 응답으로부터 제어부가 기억력, 주의력, 계산력, 언어력, 지각력과 관련된 데이터를 추출하는 단계; 상기 제어부가 상기 추출된 데이터에서 사용자의 인지력과 관련된 특징 데이터 추출하는 단계; 상기 제어부가 상기 특징 데이터를 사용하는 뇌 질환 검출 및 예측 모델을 학습하는 단계; 및 상기 제어부가 상기 학습된 뇌 질환 검출 및 예측 모델로부터 사용자의 인지 상태를 추론하는 단계를 포함하는 뇌 질환 검출 및 예측 방법.
[청구항 2]
제 1 항에 있어서, 상기 뇌 질환 검출 및 예측 모델은 해당 사용자의 과거와 현재의 플레이 특징 데이터와 인지상태를 입력으로 사용하는 인트라 모델과 사용자와 유사한 인구학적 데이터를 갖는 사용자 군집의 플레이 데이터를 사용하는 인터 모델을 포함하는 뇌 질환 및 예측 방법.
[청구항 3]
제 2 항에 있어서, 상기 인트라 모델 및 인터 모델은 사용자의 인지 상태 클래스에 관한 확률로, 각각 사용자가 인지상태 정상, 인지장애, 치매에 속할 확률을 포함하도록 구성되는 뇌 질환 검출 및 예측 방법.
[청구항 4]
제 2 항에 있어서, 상기 뇌 질환 검출 및 예측 모델을 학습하는 단계는 상기 인트라 모델 및 인터 모델의 부분 교사 학습을 통해 동시 학습을 진행하는 뇌 질환 검출 및 예측 방법.
[청구항 5]
제 2 항에 있어서, 상기 인트라 모델은 사용자의 이전 특징 벡터 집합과 현재 특징 벡터 집합 을 입력으로 하는 선형-연쇄 조건부 무작위장을 사용하여 구성되는 뇌 질환 검출 및 예측 방법.
[청구항 6]
제 2 항에 있어서, 상기 인터 모델은 입력 생성부분과 인공 신경망으로 구성되는 뇌 질환 검출 및 예측 방법.
[청구항 7]
제 2 항에 있어서, 상기 인트라 모델과 인터 모델을 통해 생성된 확률 점수 벡터를 외적하여 인지 상태를 판단하는 뇌 질환 검출 및 예측 방법.
[청구항 8]
제 1 항에 있어서, 상기 뇌 질환 검출 및 예측 모델을 학습하는 단계는 사용자가 입력한 결과에 대해, 인지 상태를 모르는 사용자가 없게 되는 조건, 또는 학습을 위한 반복 횟수가 미리 설정된 임계값과 같아지게 되는 조건 중, 하나라도 먼저 달성될 때까지 반복되는 뇌 질환 검출 및 예측 방법.
[청구항 9]
사용자의 인지력을 기반으로 인지장애 및 치매를 포함하는 뇌 질환을 검출 및 예측하는 시스템에 있어서, 기억력, 주의력, 계산력, 언어력 및 지각력과 관련된 문항을 사용자에게 제시하는 디스플레이; 기억력, 주의력, 계산력, 언어력 및 지각력과 관련된 문항에 대해 사용자의 응답을 입력하는 입력부; 상기 사용자의 응답으로부터 기억력, 주의력, 계산력, 언어력, 지각력과 관련된 데이터를 추출하는 제어부를 포함하고, 상기 제어부는 상기 추출된 데이터에서 사용자의 인지력과 관련된 특징 데이터 추출하고, 상기 특징 데이터를 사용하는 뇌 질환 검출 및 예측 모델을 학습하며, 상기 학습된 뇌 질환 검출 및 예측 모델로부터 사용자의 인지 상태를 추론하는 뇌 질환 검출 및 예측 시스템.
[청구항 10]
제 9 항에 있어서, 상기 뇌 질환 검출 및 예측 모델은 해당 사용자의 과거와 현재의 플레이 특징 데이터와 인지상태를 입력으로 사용하는 인트라 모델과 사용자와 유사한 인구학적 데이터를 갖는 사용자 군집의 플레이 데이터를 사용하는 인터 모델을 포함하는 뇌 질환 및 예측 시스템.
[청구항 11]
제 10 항에 있어서, 상기 인트라 모델 및 인터 모델은 사용자의 인지 상태 클래스에 관한 확률로, 각각 사용자가 인지상태 정상, 인지장애, 치매에 속할 확률을 포함하도록 구성되는 뇌 질환 검출 및 예측 시스템.
[청구항 12]
제 10 항에 있어서, 상기 뇌 질환 검출 및 예측 모델을 학습하는 것은 상기 인트라 모델 및 인터 모델의 부분 교사 학습을 통해 동시 학습을 진행하는 뇌 질환 검출 및 예측 시스템.
[청구항 13]
제 10 항에 있어서, 상기 인트라 모델은 사용자의 이전 특징 벡터 집합과 현재 특징 벡터 집합 을 입력으로 하는 선형-연쇄 조건부 무작위장을 사용하여 구성되는 뇌 질환 검출 및 예측 시스템.
[청구항 14]
제 10 항에 있어서, 상기 인터 모델은 입력 생성부분과 인공 신경망으로 구성되는 뇌 질환 검출 및 예측 시스템.
[청구항 15]
제 10 항에 있어서, 상기 인트라 모델과 인터 모델을 통해 생성된 확률 점수 벡터를 외적하여 인지 상태를 판단하는 뇌 질환 검출 및 예측 시스템.
[청구항 16]
제 9 항에 있어서, 상기 뇌 질환 검출 및 예측 모델을 학습하는 것은 사용자가 입력한 결과에 대해, 인지 상태를 모르는 사용자가 없게 되는 조건, 또는 학습을 위한 반복 횟수가 미리 설정된 임계값과 같아지게 되는 조건 중, 하나라도 먼저 달성될 때까지 반복되는 뇌 질환 검출 및 예측 시스템.

도면

[도1]

[도2]

[도3]

[도4]

[도5]