질병의 발생과 치료 과정에서 통증의 정도를 수치나 구두, 행동 등으로 통증 등급 척도를 나타내게 되는데 예를 들면 불쾌감 척도에서는 통증으로 인해 "귀찮다", "불쾌하다", "짜증스럽다", "괴롭다", "고통스럽다", "견디기 어렵다", "매우 견디기 어렵다"의 등의 순서로 통증척도를 나타낸다. 우울증은 스스로가 인지하기 어렵기 때문에 상황인식 기반을 전제로 하여 본 논문에서는 우울증을 유발할 수 있는 생활 습관이나 생체 신호를 통해 알 수 있는 우울증의 구성요소를 정의하고 우울증의 상태를 이해할 수 있도록 온톨로지 모델링을 통해 우울 지수를 도출하였다. 우울증 구성요소와 우울 지수의 도출은 우울증에 대한 상황 인식 기반의 정보 서비스를 가능할 것이며, 상황인식 기반 디바이스와 결합하고 동기화하여 우울지수의 결과를 확인할 수 있도록 하고자 하며 우울증의 요인이 되는 생활습관을 개선하는데 적용할 수 있을 것이다.
질병의 발생과 치료 과정에서 통증의 정도를 수치나 구두, 행동 등으로 통증 등급 척도를 나타내게 되는데 예를 들면 불쾌감 척도에서는 통증으로 인해 "귀찮다", "불쾌하다", "짜증스럽다", "괴롭다", "고통스럽다", "견디기 어렵다", "매우 견디기 어렵다"의 등의 순서로 통증척도를 나타낸다. 우울증은 스스로가 인지하기 어렵기 때문에 상황인식 기반을 전제로 하여 본 논문에서는 우울증을 유발할 수 있는 생활 습관이나 생체 신호를 통해 알 수 있는 우울증의 구성요소를 정의하고 우울증의 상태를 이해할 수 있도록 온톨로지 모델링을 통해 우울 지수를 도출하였다. 우울증 구성요소와 우울 지수의 도출은 우울증에 대한 상황 인식 기반의 정보 서비스를 가능할 것이며, 상황인식 기반 디바이스와 결합하고 동기화하여 우울지수의 결과를 확인할 수 있도록 하고자 하며 우울증의 요인이 되는 생활습관을 개선하는데 적용할 수 있을 것이다.
There is exhibit a degree of pain in the occurrence and course of treatment levels or oral, pain rating scale actions, such as illness, for example, the discomfort scale because of the pain "annoying", "unpleasant" "annoyed am", "painful" represents a pain scale of the order of "painful", "hard to b...
There is exhibit a degree of pain in the occurrence and course of treatment levels or oral, pain rating scale actions, such as illness, for example, the discomfort scale because of the pain "annoying", "unpleasant" "annoyed am", "painful" represents a pain scale of the order of "painful", "hard to bear", "very difficult to bear". Depression is recognized based on the premise of the situation, because it is difficult to recognize themselves. In this paper we define the components of the depression can be seen lifestyle which can lead to depression or through a biological signal. The depression index was derived from the ontology modeling to understand the state of depression. Depression ontology components and depression index will be aware of the situation based information services for depression. Combined with the situational awareness based devices and can be synchronized to verify the results of the depression index. It will be applied to improve lifestyle factors that of depression.
There is exhibit a degree of pain in the occurrence and course of treatment levels or oral, pain rating scale actions, such as illness, for example, the discomfort scale because of the pain "annoying", "unpleasant" "annoyed am", "painful" represents a pain scale of the order of "painful", "hard to bear", "very difficult to bear". Depression is recognized based on the premise of the situation, because it is difficult to recognize themselves. In this paper we define the components of the depression can be seen lifestyle which can lead to depression or through a biological signal. The depression index was derived from the ontology modeling to understand the state of depression. Depression ontology components and depression index will be aware of the situation based information services for depression. Combined with the situational awareness based devices and can be synchronized to verify the results of the depression index. It will be applied to improve lifestyle factors that of depression.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
온톨로지 모델링을 통해 센서 디바이스를 제작의 기반으로 생체 정보를 수집하고, 생활 패턴과 생체 신호의 상황정보를 입력받아 온톨로지의 의미적 관계를 보다 더 명확히 처리하고자 한다. 본 논문에 제시한 모델링의 우울증 5단계의 지수의 결과에 따라 추후 스마트폰앱과 동기화된 스마트 디바이스로 결과를 서비스 받을 수 있도록 계획하고 있다.
우울증의 증상에 대해 센서 기반 환경에서 생활 습관의 상황정보와 생체 신호를 통해 우울증의 구성요소를 살펴보고 온톨로지를 통해 의미를 추론하여 우울증에 대한 상황 인식 기반의 정보를 제공하고자 한다.
제안 방법
OWL 클래스 및 속성을 정의하였고 클래스에 대하여 서브클래스를 선언하고 속성의 특성에 대하여 정의하였다. UserScore클래스는 User 클래스를 통해 얻어진 사용자의 유전, 활동, 체중, 맥박 등 값을 바탕으로 우울지수를 통하여 사용자의 점수를 얻을 수 있도록 하며, Service 클래스는 시용자의 상황 에 맞는 서비스를 선택한다.
UserScore클래스는 User 클래스를 통해 얻어진 사용자의 유전, 활동, 체중, 맥박 등 값을 바탕으로 우울지수를 통하여 사용자의 점수를 얻을 수 있도록 하며, Service 클래스는 시용자의 상황 에 맞는 서비스를 선택한다. 서비스 선택의 범위는 어플리케이션, 문자메시지, 램프 등으로 확인할 수 있도록 설계하였다.
센서로부터 입력되는 모든 생체정보는 OWL로 표현하며 생체 정보의 구성요소는 클래스, 속성, 관계 등의 값으로 표현한다. 시나리오 설계를 기반으로 우울 감정 온톨로지의 전체적인 구조에 대해서 설계한다. OWL 클래스 및 속성을 정의한다.
신체의 움직임이나 활동량으로 인지되는 생체 신호 의해 의미적 표현을 통해 상황정보를 사전에 감지할 수 있는 방법을 모델링하였다. 병적 우울증의 경우 병원 진단을 받게 되는 경우 약물처방을 받게 되는데 약물 복용이 시작되는 순간부터 약물의 의존하는 삶을 살아갈 수밖에 없는 상황이 발생하기 때문에 병적 우울증으로 진단받기 전에 생활 습관을 개선하고 스스로 우울증을 인지할 수 있는 방법을 찾아내고 시스템으로 구현하기 위한 과정이다.
우울증의 정도를 파악하여 정상범위 내외를 판단할 수 있도록 클래스와 속성과의 관계를 추론 규칙을 통해 결과를 추론하게 되며 생성된 온톨로지 모델과 추론 규칙을 통해 FaCT++의 추론기를 활용하여 추론하여 상황데이터를 입력한 수 OWL로 변환한다. 추론 규칙과 우울증 지수를 찾기 위해 inDefinedBy 함수를 활용하여 추론을 실행한 결과는 그림 3과 같다.
체성신경계의 반응은 근전도를 사용하여 측정하고, 자율신경계의 반응은 뇌전도를 사용하여 측정한다. 이 과정에서 자율신경계를 구성하는 교감신경계와 부교감신경계는 길항작용을 하며 특히 심장박동은 이러한 자극에 복합적으로 반응한다.
후속연구
온톨로지 모델링을 통해 센서 디바이스를 제작의 기반으로 생체 정보를 수집하고, 생활 패턴과 생체 신호의 상황정보를 입력받아 온톨로지의 의미적 관계를 보다 더 명확히 처리하고자 한다. 본 논문에 제시한 모델링의 우울증 5단계의 지수의 결과에 따라 추후 스마트폰앱과 동기화된 스마트 디바이스로 결과를 서비스 받을 수 있도록 계획하고 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
우울증이란?
병적 증세의 우울증은 스스로 인지하지 못하는 경우도 있으나, 정도에 따라 ‘경한 수준의 우울증’과 ‘중한 수준의 우울증’으로 구분한다. 우울증(憂鬱症, depression)은 감정을 조절하는 뇌의 기능에 변화가 생겨 '부정적인 감정'이 나타나는 병으로 전 세계에서 3억 5000만여 명이 우울증을 앓고 있고[1], 우리나라에서는 2015년 60만1000여 명으로 2011년(53만48000여 명) 대비 12% 증가했다[2]. 우울증의 본질은 생리학적, 해부학적 문제와 부정적인 감정으로 신체와 정신의 불균형에 따른 인체 구조의 변화에 따른 결과라고 할 수 있다[3].
우리 몸의 신경계는 크게 무엇으로 구분되는가?
우리 몸의 신경계는 중추신경계(Central Nervous System)와 말초신경계(Peripheral Nervous System)로 구분되며, 말초신경계는 체성신경계(Somatic Nervous System)과 자율신경계(Autonomic Nervous System)로 구분한다. 체성신경계는 운동신경과 감각신경으로 구분되고, 자신의 의지로 제어할 수 없는 말초신경계를 자율신경계라고 한다.
말초신경계에서 체성신경계와 자율신경계의 반응은 무엇을 사용하여 측정하는가?
체성신경계의 반응은 근전도를 사용하여 측정하고, 자율신경계의 반응은 뇌전도를 사용하여 측정한다. 이 과정에서 자율신경계를 구성하는 교감신경계와 부교감신경계는 길항작용을 하며 특히 심장박동은 이러한 자극에 복합적으로 반응한다.
참고문헌 (10)
World Health Organization, Media centre, Depression, [Internet]. Available: http://www.who.int/mediacentre/factsheets /fs369/en/.
X. H. Wang, D. Q. Zhang, T. Gu, H. K. Pung, "Ontology based context modeling and reasoning using OWL." Proceedings of the Second IEEE Annual Conference on. Ieee, IEEE Computer Society, pp. 18-22, Mar. 2004.
R. J. Davidson. "Anterior cerebral asymmetry and the nature of emotion," Brain and Cognition, vol. 20, no. 1, pp. 125-151, Sep. 1992.
M. H. Whaley, P. H. Brubaker, R. M. Otto, L. E. Armstrong, American College of Sports Medicine, ACSM's guidelines for exercise testing and prescription. Baltimore, MD: Lippincott Williams & Wilkins, 2005.
D. P. Heila, "Predicting activity energy expenditure using the Actical activity monitor," Research Quarterly for Exercise and Sport, vol. 77, no. 1, pp.64-80, Mar. 2006.
S. Saeb, M. Zhang, C. J. Karr, S. M. Schueller, M. E. Corden, K. P. Kording, D. C. Mohr, "Mobile Phone Sensor Correlates of Depressive Symptom Severity in Daily-Life Behavior: An Exploratory Study," Journal of Medical Internet Research, vol. 17, no. 7, pp. 175, Jul. 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.