[논문]음식 군집분석을 통한 개인맞춤형 식이 코칭 기법

오유리; 최지은; 김윤희

doi:10.3745/ktsde.2016.5.6.289

[국내논문] 음식 군집분석을 통한 개인맞춤형 식이 코칭 기법
A Personalized Dietary Coaching Method Using Food Clustering Analysis 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.5 no.6, 2016년, pp.289 - 294

오유리 (숙명여자대학교 컴퓨터과학부) , 최지은 (숙명여자대학교 컴퓨터과학부) , 김윤희 (숙명여자대학교 컴퓨터과학부)

초록
AI-Helper

현대인의 건강관리에 대한 관심이 증가하고 다양한 만성질환을 야기하는 식습관에 대한 중요성이 강조되고 있는 상황이다. 이에 따라 여러가지 모바일 및 웹시스템을 이용한 식단 관리 방법이 등장하고 있지만 이는 실제로 적용하기 어렵고 사용자의 상황을 반영하는 맞춤형 정보를 제공하지 않는다. 따라서 개인의 신체정보 및 상황을 반영하고 음식을 분석하여 실질적으로 사용자가 섭취 가능한 맞춤형 식단관리 및 추천 방법이 필요하다. 본 논문에서는 자기조직화지도를 이용하여 음식을 분석하고 이를 군집화하여 음식에 대한 데이터를 준비한다. 그리고 사용자의 신체정보 및 상황을 고려한 개인 맞춤형 기준을 반영하여 섭취하고 싶은 음식에 대한 피드백 및 대체음식 추천방법을 제안한다. 또한 실험을 통하여 일반적인 방법을 이용한 추천된 음식결과와 비교하여 제안된 방법의 입력 음식과 추천 음식의 거리가 짧다는 것을 통하여 영양적으로 유사한 음식이 추천됨을 증명하였다.

Abstract ▼ AI-Helper

In recent times, as most people develop keen interest in health management, the importance of cultivating dietary habits to prevent various chronic diseases is emphasized. Subsequently, dietary management systems using a variety of mobile and web application interfaces have emerged. However, these systems are difficult to apply in real world and also do not provide personalized information reflective of the user's situation. Hence it is necessary to develop a personalized dietary management and recommendation method that considers user's body state information, food analysis and other essential statistics. In this paper, we analyze nutrition using self-organizing map (SOM) and prepare data about nutrition using clustering. We provide a substitute food recommendation method and also give feedback about the food that user wants to eat based on personalized criteria. The experiment results show that the distance between input food and recommended food of the proposed method is short compared to the recommended food results using general methods and proved that nutritional similar food is recommended.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 사용자의 섭취 이력을 바탕으로 사용자의 먹고 싶은 음식에 대해 섭취가 불가능할 경우, 먹고 싶은 음식과 유사한 대체음식을 제공하여 좀 더 나은 식습관을 유도하는 식이 코칭 방법을 제안하고자한다.
본 논문에서는 음식의 영양소 데이터를 군집 분석하여 사용자가 섭취하고 싶은 음식에 대한 대체음식 추천방법을 제안한다. 음식데이터를 자기조직화 지도를 이용하여 영양적으로 분석하고 k-평균 클러스터링을 이용하여 군집화한다.
이를 개선하기 위해 본 연구에서는 사용자의 섭취기록 및 개인의 정보를 이용하여 해당 사용자에게 맞춤형 추천정보를 제공하는 기법을 소개한다. 사용자가 섭취하고 싶은 음식에 대한 섭취가능여부 응답을 제공하고 해당 음식을 섭취할 수 없는 경우, 대체음식 추천을 통해 건강한 식습관 개선을 유도하고자 한다.
사용자는 반복되고 사용할 때마다 유사하게 제공되는 정보들을 통하여 본인의 식습관 개선의 필요성 및 흥미를 느끼기 어렵고, 따라서 지속적인 사용에 걸림돌이 된다. 이를 개선하기 위해 본 연구에서는 사용자의 섭취기록 및 개인의 정보를 이용하여 해당 사용자에게 맞춤형 추천정보를 제공하는 기법을 소개한다. 사용자가 섭취하고 싶은 음식에 대한 섭취가능여부 응답을 제공하고 해당 음식을 섭취할 수 없는 경우, 대체음식 추천을 통해 건강한 식습관 개선을 유도하고자 한다.

가설 설정

사용자가 포화지방산을 과잉 섭취한 경우, 섭취하고 싶은 음식을 질문했다고 가정하자. 다음 Table 2는 입력한 음식에 따라 총 3가지 방법, 음식군집분석 후, 군집 내에서 최소 거리를 갖는 음식, 군집에 관계없이 최소의 거리를 갖는 음식, 일반적인 음식군내에서의 랜덤 기법으로 추천한 음식을 결과 음식으로 나타내고, 입력음식과 결과음식의 정규화된 거리를 나타낸다.

제안 방법

분석된 정보를 이용하여 사용자가 먹고 싶은 음식을 질문하였을 때, 해당 음식의 섭취가능여부 및 양을 제공하고 섭취 불가능한 경우, 대체음식을 제안한다. 대체음식은 사전에 분석한 음식 클러스터를 활용하여 먹고 싶은 음식과 유사한 음식을 제안한다. 또한 세 가지 경우의 실험을 통하여 군집분석을 적용했을 때, 영양적으로 유사한 음식을 추천해주었음을 증명하였다.
이때, 3가지 실험을 진행하였다. 대체음식을 제공 시, 음식군집분석 후, 군집 내에서 최소의 거리를 갖는 음식, 군집에 관계없이 최소의 거리를 갖는 음식, 일반적인 음식군내에서의 랜덤 기법으로 추출한 음식으로 각각 방법을 사용하여 대체음식으로 추천하고 그 결과를 비교하였다. 측정하는 거리는 두 음식 벡터의 거리를 구하므로 유클리드 거리를 이용하였다.
이때, 선택된 음식의 영양소는 먹고 싶은 음식의 영양소보다 작은 값을 가져야한다(line 15-18). 따라서 사용자가 먹고 싶은 음식에 대해 개인 정보를 활용하여 섭취가능여부를 제공하고, 맞춤형 대체음식을 제공한다.
음식데이터를 자기조직화 지도를 이용하여 영양적으로 분석하고 k-평균 클러스터링을 이용하여 군집화한다. 또한 사용자의 섭취한 식단이력을 분석하고 사용자의 신체 정보 및 개인정보를 이용하여 개인의 영양소별 권장량을 계산한다. 분석된 정보를 이용하여 사용자가 먹고 싶은 음식을 질문하였을 때, 해당 음식의 섭취가능여부 및 양을 제공하고 섭취 불가능한 경우, 대체음식을 제안한다.
먼저, 사용자의 신체 및 개인정보를 이용하여 3.1의 2) 만성질환별 유의영양소 권장량에서 언급된 수식으로 4가지 영양소(열량, 탄수화물, 포화지방산, 나트륨)의 권장섭취량을 계산한다(line 1). 또한 현재 시간에 따라 특정 식사의 영양소별 총 섭취량을 계산한다.
본 연구에서는, R의 “kohonen” 패키지[9]를 사용하여 구현하였다.
또한 사용자의 섭취한 식단이력을 분석하고 사용자의 신체 정보 및 개인정보를 이용하여 개인의 영양소별 권장량을 계산한다. 분석된 정보를 이용하여 사용자가 먹고 싶은 음식을 질문하였을 때, 해당 음식의 섭취가능여부 및 양을 제공하고 섭취 불가능한 경우, 대체음식을 제안한다. 대체음식은 사전에 분석한 음식 클러스터를 활용하여 먹고 싶은 음식과 유사한 음식을 제안한다.
알고리즘 1은 사용자의 선호 음식의 적합성 및 대체 음식을 제안한다. 따라서 입력된 음식을 분석한 결과로, 섭취가능 여부와 섭취 불가능시, 과잉 섭취한 영양소에 대한 정보 및 대체음식을 출력한다.
영양소 섭취량이 일정 비율 γ 을 넘는 과잉 범위에 있다면, 대체 음식을 제안한다.
음식은 6가지 주요 영양소(열량, 탄수화물, 단백질, 지방, 포화지방산, 나트륨)으로 군집분석을 수행한다. 해당 영양소는 부족 또는 과잉 섭취 시, 질환을 일으킬 수 있는 위험이 있으므로 선택하였고, 특히, 만성질환에 따른 위험을 판단하기 위해 4가지 영양소에 대해서는 사용자 맞춤형 권장량을 계산하여 부족 및 과잉 섭취여부를 판정한다.
[3]은 식단 코칭 연구로 고혈압 환자의 비만관리를 위한 인터넷 기반 코칭 프로그램이다. 전자우편으로 사용자로부터 섭취 식단을 받고, 한국영양학회 영양분석 프로그램으로 분석한 뒤 개인별 체격지수에 맞는 섭취 칼로리, 조절 칼로리, 나트륨, 지방 섭취 조절에 대한 정보와 사용자의 부적절한 식이섭취에 대한 적절한 식이요법을 인터넷을 통해 제공한다. 그러나 [3]은 사용자가 전자우편을 매일 보내야 하는 단점과, 단순히 식이요법에 대한 지식을 높이는데 그친다는 한계가 있다.
또한 세 가지 경우의 실험을 통하여 군집분석을 적용했을 때, 영양적으로 유사한 음식을 추천해주었음을 증명하였다. 첫 번째는 군집분석결과의 군집 내에서 최소 거리를 갖는 음식을 추천하고, 두 번째는 군집 분석결과의 군집을 넘어서 추천을 허용하고, 마지막 실험은 일반적인 음식군에서 랜덤 기법을 이용하여 추천했을 때 결과를 나타낸다. 이를 통하여, 군집분석을 적용한 결과와 일반적인 음식군을 이용한 결과를 비교하여 군집분석을 적용한 결과가 입력 음식과 더 영양적으로 유사한 음식을 추천해주었음을 증명하였다.
특정영양소의 섭취량이 판단기준보다 작을 경우, 해당 음식을 제안하고, 그 양을 α 로 제안한다(line 11).
음식은 6가지 주요 영양소(열량, 탄수화물, 단백질, 지방, 포화지방산, 나트륨)으로 군집분석을 수행한다. 해당 영양소는 부족 또는 과잉 섭취 시, 질환을 일으킬 수 있는 위험이 있으므로 선택하였고, 특히, 만성질환에 따른 위험을 판단하기 위해 4가지 영양소에 대해서는 사용자 맞춤형 권장량을 계산하여 부족 및 과잉 섭취여부를 판정한다. 또한 모든 음식 데이터는 훈련을 진행하기 전에 표준화된다.

대상 데이터

본 연구는 식품의약품안전처의 식품영양성분데이터베이스[7] 및 브랜드 홈페이지의 음식의 영양데이터를 기반으로 데이터베이스를 구성한다. 데이터베이스의 각 레코드는 음식별로 번호, 해당 음식군, 주재료, 제공단위, 1회제공량(g), 열량(kcal), 탄수화물(g), 단백질(g), 지방(g), 나트륨(mg), 포화지방산(g), 칼슘(mg), 철분(mg)의 정보를 포함한다.

데이터처리

본 논문에서는 음식의 영양소 데이터를 군집 분석하여 사용자가 섭취하고 싶은 음식에 대한 대체음식 추천방법을 제안한다. 음식데이터를 자기조직화 지도를 이용하여 영양적으로 분석하고 k-평균 클러스터링을 이용하여 군집화한다. 또한 사용자의 섭취한 식단이력을 분석하고 사용자의 신체 정보 및 개인정보를 이용하여 개인의 영양소별 권장량을 계산한다.
53]이다. 이를 k-평균 군집분석을 이용하여 6개의 군집으로 군집화하였다. k 값을 정하기 위하여, Elbow 방법[11]을 사용하였다.

이론/모형

이를 k-평균 군집분석을 이용하여 6개의 군집으로 군집화하였다. k 값을 정하기 위하여, Elbow 방법[11]을 사용하였다. 군집을 2개부터 15개의 그룹으로 형성하였을 때, 군집에 포함된 노드와 중심까지 거리의 제곱합을 계산하여 급격히 변하는 점인 k=6을 선택하였다.
대체음식을 제공 시, 음식군집분석 후, 군집 내에서 최소의 거리를 갖는 음식, 군집에 관계없이 최소의 거리를 갖는 음식, 일반적인 음식군내에서의 랜덤 기법으로 추출한 음식으로 각각 방법을 사용하여 대체음식으로 추천하고 그 결과를 비교하였다. 측정하는 거리는 두 음식 벡터의 거리를 구하므로 유클리드 거리를 이용하였다. 랜덤 기법이란, 알고리즘의 전체적인 흐름은 같으나, 대체음식을 제공할 때 같은 음식군의 다른 조리법을 가지며 과잉섭취 영양소가 적게 함유된 음식을 추천하는 것을 의미한다.

성능/효과

해당 그룹에서 추천할 음식이 없을 경우, 음식 추천결과가 없는 경우도 있다. 결과를 비교하였을 때, 군집분석을 적용했을 경우, 추천결과음식은 입력음식과 영양적으로 유사한 음식이 추천되었음을 알 수 있다. ‘오렌지주스’를 입력했을 때, 군집분석을 적용한 경우, ‘귤’을 추천해준다.
알고리즘 1은 사용자의 선호 음식의 적합성 및 대체 음식을 제안한다. 따라서 입력된 음식을 분석한 결과로, 섭취가능 여부와 섭취 불가능시, 과잉 섭취한 영양소에 대한 정보 및 대체음식을 출력한다.
또한 군집분석 후, 군집내에서 추천하는 경우보다 군집을 넘어서는 것을 허용했을 때 결과음식의 평균거리가 더 크게 나타나는 것은 일부 음식은 더 거리가 더 짧은 음식을 추천 하였지만, 군집내에서는 추천이 되지 않았던 음식이 추천되는 경우가 존재하기 때문이다. 따라서, 각 경우의 입력음식과 결과음식의 평균거리를 계산하였을 때도, 군집분석을 적용했을 때, 일반적인 음식군을 이용했을 때보다 약 7배정도 거리가 더 먼 음식을 추천하였고 이를 통하여 사용자가 입력한 섭취하고 싶은 음식에 대해 유사한 음식을 추천해주었음을 증명하였다.
대체음식은 사전에 분석한 음식 클러스터를 활용하여 먹고 싶은 음식과 유사한 음식을 제안한다. 또한 세 가지 경우의 실험을 통하여 군집분석을 적용했을 때, 영양적으로 유사한 음식을 추천해주었음을 증명하였다. 첫 번째는 군집분석결과의 군집 내에서 최소 거리를 갖는 음식을 추천하고, 두 번째는 군집 분석결과의 군집을 넘어서 추천을 허용하고, 마지막 실험은 일반적인 음식군에서 랜덤 기법을 이용하여 추천했을 때 결과를 나타낸다.
일반적인 음식군에서 추천을 했을 때는‘돼지고기메추리알장조림’이 결과로 나왔지만 이는 입력음식과의 거리가 ‘케이준치킨버거(삼강)’에 비해 약 5배 거리가 먼 것으로 나타났다. 이는 군집내에서 최소거리의 음식이 없을 시, 군집을 구분 없이 추천한다면 일반적인 음식군을 적용할 때보다 입력음식과 연관성이 더 큰 음식을 추천할 수 있고, 다양한 입력음식에 대해 유사한 추천음식을 제공할 수 있음을 증명하였다. 정규화된 음식 집합에서 입력음식과 결과음식간의 거리를 계산했을 때, 각각의 경우 평균 거리는 0.
첫 번째는 군집분석결과의 군집 내에서 최소 거리를 갖는 음식을 추천하고, 두 번째는 군집 분석결과의 군집을 넘어서 추천을 허용하고, 마지막 실험은 일반적인 음식군에서 랜덤 기법을 이용하여 추천했을 때 결과를 나타낸다. 이를 통하여, 군집분석을 적용한 결과와 일반적인 음식군을 이용한 결과를 비교하여 군집분석을 적용한 결과가 입력 음식과 더 영양적으로 유사한 음식을 추천해주었음을 증명하였다. 제안된 방법을 통해 사용자는 개인 맞춤형 대체음식 추천 정보를 얻고, 보다 현실적이고 실제 식습관에 적용 가능한 결과를 얻을 수 있다.
일반적인 음식군에서 추천을 했을 때는‘돼지고기메추리알장조림’이 결과로 나왔지만 이는 입력음식과의 거리가 ‘케이준치킨버거(삼강)’에 비해 약 5배 거리가 먼 것으로 나타났다.
이는 군집내에서 최소거리의 음식이 없을 시, 군집을 구분 없이 추천한다면 일반적인 음식군을 적용할 때보다 입력음식과 연관성이 더 큰 음식을 추천할 수 있고, 다양한 입력음식에 대해 유사한 추천음식을 제공할 수 있음을 증명하였다. 정규화된 음식 집합에서 입력음식과 결과음식간의 거리를 계산했을 때, 각각의 경우 평균 거리는 0.4462, 0.4844, 3.0109룰 가지며, 군집분석을 적용한 추천음식결과에서 음식간의 평균 거리가 짧음을 알 수 있다. 이는 영양적으로 유사한 음식이 추천되었음을 의미한다.
이를 통하여, 군집분석을 적용한 결과와 일반적인 음식군을 이용한 결과를 비교하여 군집분석을 적용한 결과가 입력 음식과 더 영양적으로 유사한 음식을 추천해주었음을 증명하였다. 제안된 방법을 통해 사용자는 개인 맞춤형 대체음식 추천 정보를 얻고, 보다 현실적이고 실제 식습관에 적용 가능한 결과를 얻을 수 있다. 따라서 사용자는 추천된 음식을 섭취함으로써 건강한 식습관을 가지고, 만성질환을 예방하는 효과를 얻을 수 있다.

후속연구

열량 이외에 가격 및 음식점까지의 거리를 고려하였지만, 퍼지화하는 과정에서 범위에 대한 정확한 분석이 적용되지 않았으며, 음식점까지의 거리를 요소로 적용했다는 점이 아쉽다. 해당 논문에서는 음식점까지의 거리가 멀수록 운동을 많이 하여, 소모 열량 높다고 가정하였으나 이는 모든 경우에 적용하기 어렵다.
따라서 사용자는 추천된 음식을 섭취함으로써 건강한 식습관을 가지고, 만성질환을 예방하는 효과를 얻을 수 있다. 향후에는 영양소뿐만 아니라 음식의 가격, 현재 날씨, 사용자의 위치를 기반으로 다양한 정보를 반영하여 음식추천 알고리즘을 확장할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	기존의 식단 관리를 위한 모바일 어플리케이션은 공통적으로 무엇을 하는가?	최근 스마트폰을 이용하는 사람들이 증가함에 따라, 모바일을 이용해 쉽고 빠르게 식단을 관리할 수 있는 다양한 어플리케이션들이 등장하고 있다. 기존의 식단 관리를 위한 모바일 어플리케이션들은 공통적으로 사용자로부터 식단을 입력받고, 입력받은 식단을 바탕으로 열량, 3대 영양소의 기준치 대비 섭취 비율을 알려준다. 어플리케이션에 따라 월별 식단 평가, 건강 정보 제공 등 추가 기능도 제공되기도 하지만 대부분 다이어트 사용자를 대상으로 하다 보니 제공하는 정보가 수동적이고 큰 차이점이 없다.
	맞춤형 식단관리 및 추천 방법이 필요한 배경은 무엇인가?	현대인의 건강관리에 대한 관심이 증가하고 다양한 만성질환을 야기하는 식습관에 대한 중요성이 강조되고 있는 상황이다. 이에 따라 여러가지 모바일 및 웹시스템을 이용한 식단 관리 방법이 등장하고 있지만 이는 실제로 적용하기 어렵고 사용자의 상황을 반영하는 맞춤형 정보를 제공하지 않는다. 따라서 개인의 신체정보 및 상황을 반영하고 음식을 분석하여 실질적으로 사용자가 섭취 가능한 맞춤형 식단관리 및 추천 방법이 필요하다.
	건강관리에 대한 관심이 증가하는 배경은 무엇인가?	현대인의 평균 수명이 늘어남에 따라 건강관리에 대한 관심이 증가하고 있다. 특히, 현대인의 다양한 질병을 초래하는 원인 중 하나인 식습관에 대한 중요성이 강조되고 있다.

참고문헌 (11)

J. E. Yu and Y. J. Kim, "Healthy Eating Index (HEI) Indicates that High Diet Quality is Associated with Low Prevalence of Hypertension and Type 2 Diabetes in Koreans: the Korean Genome and Epidemiology Study (KoGES)," Public Health Weekly Report, Vol.8, No.3, pp.51-58, 2015. (in Korean).
Jongsu Lee, "A Study on Application Service for Dietary Habit Improvement of Patients with Chronic Disease - Focused on Patients with Hypertension and Diabetes -," Journal of Korea Society of Design Forum, Vol.48, pp.71-82, 2015. (in Korean).
Hae-Ok Jeon and Ok-Soo Kim, "The effects of an internet based coaching program for obesity management in hypertensive patients," Korean Journal of Adult Nursing, Vol.23, No.2, pp.146-159, 2011.
B. K. Lim, et al., "DietAdvisor: A Personalized eHealth Agent in Mobile Computing Environment," Conference on KIISE, Vol.38, No.2(D), pp.115-118, 2011.
Phanich, Maiyaporn, Phathrajarin Pholkul, and Suphakant Phimoltares, "Food recommendation system using clustering analysis for diabetic patients," Information Science and Applications (ICISA), 2010 International Conference on. IEEE, 2010.
Woan-Tyng Lin, et al., "FML-Based Recommender System for Restaurants," Technologies and Applications of Artificial Intelligence (TAAI), 2013 Conference on. IEEE, 2013.
Food Nutrients Database [Internet], http://www.foodnara.go.kr/kisna/index.do.
The Korean Nutrition Society, Dietary Reference Intakes for Koreans, revised Version, The Korean Nutrition Society, Korea, 2010.
Ron Wehrens and MC Buydens Lutgarde, "Self-and super-organizing maps in R: the Kohonen package," Journal of Statistical Software, Vol.21, No.5, pp.1-19, 2007.
D. L. Davies and D. W. Bouldin, "A cluster separation measure," IEEE Trans. Pattern Anal. Machine Intell., Vol. 1, No.4, pp.224-227, 1979.
Elbow Method [Internet], https://en.wikipedia.org/wiki/Determining_the_number_of_clusters_in_a_data_set.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증